Lightweight Residual Networks for Diagnosis of Apple Leaf Diseases
-
摘要:目的 解决卷积神经网络在复杂环境下识别率低、模型参数多等问题，为苹果叶病智能识别提供参考。方法 本研究提出一种基于改进ResNet18的苹果叶病识别模型。首先，通过离线增强和在线增强两种方式解决数据不平衡和数据过拟合现象，增强模型的泛化能力；其次，引入缩放因子调整通道参数以减少网络参数量，并在下采样残差结构的恒等映射中用最大池化层代替1×1卷积完成下采样，去除图片中的冗余特征，增大模型的感受野；将ResNet18模型的第一层7×7卷积层替换为多尺度特征提取模块，提高模型对细小病斑的提取能力；最后，在特征提取网络中插入DenseBlock模块，加强模型对浅层有效特征的重用。结果 改进后的ResNet18模型准确率为97.94%，比原模型高出0.88个百分点；模型大小为3.97 MB，比原模型减小90.77%。与ShuffleNetv2、MobileNetv3、EfficientNet等轻量化模型和Inceptionv2、DenseNet、ResNet等经典模型相比，该模型拥有更好的性能。结论 改进后的模型在复杂环境下能够准确识别苹果叶病，并且具有较少的模型参数，方便移植到移动设备上，为苹果叶病的智能诊断提供参考。
-
关键词:
- ResNet18模型 /
- 多尺度特征提取 /
- 最大池化层 /
- DenseBlock模块
Abstract:Objective An improved diagnostic model on apple leaf diseases was developed applying the lightweight residual networks.Method Data imbalance and overfitting of the original ResNet18 model was reduced by offline and online enhancements on its generalization ability. A scaling factor was introduced to minimize the number of network parameters and maximize the pooling layer in the constant mapping of down-sampled residual structure instead of 1×1 convolution. Redundant features in pictures were eliminated, and sensory field of the model increased. The first 7×7 convolutional layer of ResNet18 was replaced with a multi-scale feature extraction module to enrich fine lesions extraction. Finally, the DenseBlock module was inserted in the network to fully utilize valid shallow features.Results The improved ResNet18 model achieved an accuracy of 97.94%, which was a 0.88 percentage increase, with a significant 90.77% reduction on the program size of 3.97 MB. It performed superbly in comparison to other light-weight models, such as ShuffleNetv2, MobileNetv3, and EfficientNet, or the classical models, such as Inceptionv2, DenseNet, and ResNet.Conclusion The improved ResNet18 model could accurately identify the apple leaf diseases under complex circumstances. With fewer parameters than the original program, it could be more easily installed in a variety of devices for the diagnosis. -
0. 引 言
【研究意义】海棠（Malus spp.）是蔷薇科（Rosaceae）苹果属 （Malus Mill.）中果实直径较小（≤5 cm）的落叶乔木或小乔木，我国海棠品种资源丰富，是世界海棠资源分布中心，距今约有2 000年栽培历史[1-3]。海棠在中国传统园林中应用历史悠久，随着育种和栽培技术的提高，目前已经培育出许多具有优良性状的新品种[4-5]。在园林景观中，将具有观叶、观花、观果等多种观赏价值的称为观赏海棠[6]。观赏海棠在我国栽培范围广泛，观赏期长，适应性强，属于维护成本较低的优质绿化树种。近年来，随着保护生态环境意识的增强以及园林景观市场需求量的增大，对木本彩叶植物栽培育种的研究逐渐得到重视。【前人研究进展】目前多采用国内外引种、变异选种、杂交育种等育种途径来获得彩叶植物新品种，对彩叶植物呈色机理的研究以及抗寒性彩叶植物的改良也逐渐成为主流[7-10] 。观赏海棠作为重要的园林造景植物，目前研究主要集中于对花色特征与动态变化[11-13]以及果香、果色时序变化等[14-16]。【本研究切入点】而关于不同叶位叶片色彩与色素组分的分类研究较少。【拟解决的关键问题】以48份观赏海棠种质为试验材料，采用色差仪和光谱仪对不同品种的上、中、下位叶进行色彩参数和色素含量的测定，对该群体的观赏海棠种质进行数字化叶色评价分析体系的建立，为筛选优良观赏海棠种质以及观赏植物叶色品质的改良提供参考依据。
1. 材料与方法
1.1 试验材料
江苏省扬州市（32°42′N，119°55′E），属亚热带季风气候，年降水量达1000 mm，年平均气温 14.9 ℃，最冷月平均气温在0 ℃以上，全年无霜期较长。48份观赏海棠种质主要来源于扬州市海棠国家林木种质资源库选育的新品种（序号1～41）和扬州小苹果园艺有限公司（序号42～48），为实生苗优株的嫁接子代，生长健壮，养护管理条件一致，可用于叶色测定，具体种质名称见表1。
表 1 48份观赏海棠种质种质信息Table 1. Information on 48 sampled ornamental crabapple germplasms序号
Code种质名称
Cultivars品种审定号
Variety validation number序号
Code种质名称
Cultivars品种审定号
Variety validation number1 琉璃盏
M. Liu Lizhan20190169 25 白云
M. Bai Yun20210210 2 红与黑
M. Hong Yuhei20190170 26 橙之梦
M. Cheng Zhimeng20190076 3 云卷云舒
M. Yunjuan Yunshu20190361 27 茶花女
M. Cha Huanv20210208 4 影红秀
M. Ying Hongxiu20190171 28 二乔
M. Er Qiao20210207 5 忆红莲
M. Yi Honglian20190364 29 红晨
M. Hong Chen20210206 6 疏红妆
M. Shu Hongzhuang20190172 30 红粉佳人
M. Hongfen Jiaren20210205 7 棱镜
M. Leng Jing20190168 31 红色经典
M. Hongse Jingdian20210204 8 白羽扇
M. Bai Yushan20190173 32 红云
M. Hong Yun20210203 9 涟漪
M. Lian Yi20190167 33 浪花
M. Lang Hua20210202 10 卷珠帘
M. Juan Zhulian20190363 34 飘
M. Piao20210209 11 依人
M. Yi Ren20190365 35 水袖
M. Shui Xiu20210201 12 洛可可女士
M. Luokeke Nvshi20190080 36 西子姑娘
M. Xizi Guniang20210200 13 胭脂雨
M. Yan Zhiyu20180299 37 夏荷
M. Xia He20210199 14 羊脂玉
M. Yang Zhiyu20190078 38 紫嫣
M. Zi Yan20210198 15 紫蝶儿
M. Zi Dieer20190081 39 红颜
M. Hong Yan20210411 16 红色依恋
M. Hongse Yilian20180296 40 金秋
M. Jin Qiu20210414 17 云想容
M. Yun Xiangrong20190079 41 春花秋月
M. Chunhua Qiuyue20210410 18 粉芭蕾
M. Fen Balei20170082 42 满堂红
M. Man Tanghong20170094 19 画轴
M. Hua Zhou20180298 43 香荷
M. Xiang He20170096 20 烟雨江南
M. Yanyu Jiangnan20190366 44 香云
M. Xiang Yun20160062 21 晚宴
M. Wan Yan20180297 45 昌红
M. Chang Hong20160061 22 粉红霓裳
M. Fenhong Nichang20190077 46 昌辉
M. Chang Hui20160058 23 红珊瑚
M. Hong Shanhu20190367 47 丽辉
M. Li Hui20160060 24 千层金
M. Qian Cengjin20190362 48 蕊沁
M. Rui Qin20160059 1.2 试验方法
于2021年6月上旬天气晴朗的上午7：00–8：00进行叶片采集。由于叶片成熟时颜色和大小已趋于稳定，为使采样更具有客观性且兼顾叶片色彩梯度变化，供试种质的植株皆选择具有代表性、长势相同、性状稳定且无明显病虫害的健康植株，供试叶片皆选自苗木向阳处同一方位的健康叶片，分别按照上、中、下3个叶位进行叶片的采集，其中位于苗干下部、叶片较大的成熟叶为下位叶，位于苗干中部且面积约为成熟叶1/2的叶片为中位叶，苗干新梢完全展开且面积约为成熟叶1/3以下的为上位叶[17-18]。每个叶位各采集5枚健康叶片，采摘后置于便携式冷藏箱带回室内，并在6 h内完成测量。
1.3 试验测定
1.3.1 色彩测定
叶片色彩参数测定采用X-Rite CI64型色差仪（爱色丽CI64，美国）进行测定，色差仪参数设置如下：D65 光源，色斑测量直径8 mm，观测角度10°。测量点为每个叶片上表皮对称的6个点，避开主叶脉，每个叶位重复30次。叶片色彩参数亮度值（L*）、饱和度（C*）、色调角（h°）均由色差仪测量后直接获得。
1.3.2 色素含量测定
叶片色素相对含量测定采用Unispec-SC光谱分析仪（PP System，美国）分别对48份观赏海棠品种上、中、下位叶中花青素（Anth）、类胡萝卜素（Car）和叶绿素（Chl）的反射光谱指标进行测定，每个叶片测量6个点，避开主叶脉，每个叶位重复次数为30次。
各色素相对含量计算公式如下：花青素（Anth）＝R800（1/R550−1/R700）；类胡萝卜素（Car）＝R800（1/R520−1/R700）；叶绿素（Chl）＝（R750−R445）/（R705−R445）[19-22]。
1.4 数据处理
3D散点图和折线图使用Origin 2021 软件进行绘制，叶色聚类分析图和参数相关性统计使用SPSS 26.0 软件进行处理。
2. 结果与分析
2.1 观赏海棠不同叶位叶色变化规律
48份海棠种质的3个叶位叶色位点多集中于中亮度值区域，在CIELCH色空间中呈现由两端向中间集中的趋势（图1）。其中低亮度值的品种权重（当L*＜31时，上、中和下位叶分别为 16.67%、25.00%和 39.58%）呈现逐渐递增趋势，中亮度值的品种权重（当31≤L*＜40时，上、中和下位叶分别为58.33%、68.75%和58.32%）呈现先增后减的趋势，而高亮度值（当40≤ L*＜50时，上、中和下位叶分别为 25.00%、6.25%和2.08%）的品种权重呈现减小趋势（图2）。
![]()
图 1 观赏海棠种质不同叶位叶片 CIELCH色空间变化Figure 1. Color measurements on upper to lower leaf portions of ornamental crabapple germplasms as distributed in CIELCH space![]()
图 2 观赏海棠种质不同叶位叶色参数频率分布Figure 2. Frequency distribution of leaf color measurements on upper to lower leaf of ornamental crabapple germplasms观赏海棠品种群的3个叶位叶色多集中于低色彩饱和度区域，在CIELCH色空间中呈左移趋势（图1）。其中低色彩饱和度的品种权重（当C*＜15时，上、中和下位叶分别为54.17%、66.66%、79.17%）呈递增趋势，中色彩饱和度品种权重（当15≤C*＜25时，上、中和下位叶分别为25.00%、29.17%和18.75%）呈先增后减趋势，而高色彩饱和度品种权重（当C*≥25时，上、中、下位叶分别为20.83%、4.17%、2.08%）呈减小趋势（图2）。
观赏海棠品种群的上位叶多集中于中色调角区域，中、下位叶位点多集中于高色调角区域，3个叶位在CIELCH色空间中表现为向绿色区域集中的趋势（图1）。其中低色调角品种权重（当h°＜100°时，上、中、下位叶分别为35.42%、2.08%、0.00%）逐渐递减趋势，中色调角品种权重（当100°≤h°＜120°时，上、中、下位叶分别为41.66%、39.58%、16.67%）呈逐渐递减趋势，高色调角品种权重（当h°≥120°区间，上、中、下位叶分别为22.92%、58.34%、83.33%）呈递增趋势（图2）。
综上表明，48份观赏海棠种质的叶片色彩呈整体性变化，上位叶L*、C*、h°参数位点在CIELCH色空间中最为分散，即幼嫩时期的上位叶色彩表现最为丰富，最具园林观赏价值，而中位叶、下位叶的L*、C*值逐渐下降，h°值呈增大趋势，即叶片颜色随着叶位降低逐渐转化为深绿状态。
2.2 观赏海棠不同叶位叶片色素相对含量的空间变化分布格局
48份观赏海棠种质叶片中的花青素（Anth）、类胡萝卜素（Car）相对含量位点随着叶位下降整体均呈左移（减小）趋势（Anth：上位叶0.01～3.46 mg·g−1，中位叶0～1.53 mg·g−1，下位叶0.01～0.41 mg·g−1；Car：上位叶0.43～3.67 mg·g−1，中位叶0.66～1.84 mg·g−1，下位叶0.73～1.81 mg·g−1）（图3-A）。Anth和Car的权重随着叶位下降整体呈逐渐递减趋势（Anth：上位叶0.47%～38.32%，中位叶0.10%～26.32%，下位叶0.31%～7.98%；Car：上位叶10.18%～43.27%，中位叶11.68%～36.92%，下位叶11.47%～35.04%）（图3-B）。
![]()
图 3 观赏海棠种质不同叶位色素相对含量与权重的空间分布A为观赏海棠种质不同叶位色素相对含量的空间分布，B为观赏海棠种质不同叶位色素权重占比的空间分布。Figure 3. Spatial distribution of relative content and weight of pigments in upper to lower leaf of ornamental crabapple germplasmsA shows the spatial distribution of relative pigment content in different leaf positions of ornamental crabapple germplasms, and B shows the spatial distribution of pigment weight ratio in different leaf positions of ornamental crabapple germplasms.观赏海棠种质叶片的叶绿素（Chl）相对含量位点随着叶位下降整体呈现上移（增大）趋势。其中上位叶叶绿素相对含量1.47～5.25 mg·g−1，权重占比21.13%～89.35%；中位叶叶绿素相对含量1.92～5.48 mg·g−1，权重占比41.88%～87.76%；下位叶叶绿素相对含量2.22～5.85 mg·g−1，权重占比56.98%～87.29%（图3-A、B）。
2.3 观赏海棠种质色彩与色素参数统计与聚类分析
基于上位叶为观赏海棠的主要观赏叶位，对上位叶色彩参数（L*、C*、h°）进行聚类分析（图4），将48份观赏海棠种质划分为绿色系（A）、棕色系（B）和红色系（C）3大色系类群，其中，将绿色系又分为亮绿色A1、深绿色A2等2个子色系，红色系又分为红棕色C1和紫红色C2等2个子色系。基于上位叶色彩参数的聚类分析结果对各类群色彩与色素参数进行统计分析，结果见表2。
![]()
图 4 观赏海棠上位叶叶色聚类分析Figure 4. Cluster analysis on germplasms based on color of upper portion of an ornamental crabapple leaf表 2 各类群色彩与色素参数统计Table 2. Statistics on color measurements and pigment contents of each taxon色系分类
Color category种质数量
Quantity色彩参数
Color parameters色素含量
Pigment parametersL* C* h°/° 花青素Anth/% 类胡萝卜素Car/% 叶绿素Chl/% 花青素/叶绿素Anth/Chl A绿色系
Green32 37.89±5.71 ab 19.46±8.40 ab 115.23±7.73 ab 0.03±0.03 c 0.24±0.08 cd 0.73±0.09 a 0.04±0.06 c A1亮绿色系
Bright green17 42.58±3.29 a 26.09±5.42 a 109.72±6.47 b 0.03±0.04 c 0.28±0.07 bc 0.68±0.09 a 0.06±0.07 c A2深绿色系
Dark green15 32.58±1.74 bc 11.94±2.96 bc 121.47±2.42 a 0.03±0.02 c 0.19±0.06 d 0.78±0.07 a 0.04±0.03 c B棕色系
Brown3 36.78±0.44 b 16.63±3.25 bc 86.27±7.18 c 0.24±0.02 b 0.38±0.00 a 0.38±0.02 b 0.65±0.10 b C 红色系
Red13 31.13±3.27 c 9.51±2.32 c 35.18±11.41 e 0.34±0.03 a 0.37±0.04 ab 0.29±0.05 b 1.19±0.26 a C1红棕色系
Reddish brown10 30.44±3.43 c 9.14±2.32 c 29.74±4.74 e 0.35±0.03 a 0.37±0.03 ab 0.29±0.03 b 1.22±0.24 a C2紫红色系
Red purple3 33.44±0.80 bc 10.77±2.20 c 53.28±6.42 d 0.32±0.03 a 0.37±0.06 ab 0.31±0.08 b 1.09±0.34 a 数值表示为平均值±标准差；同列数据后无相同小写字母表示差异显著（P＜0.05）。
Data are presented as mean±standard deviation; data with different lowercase letters on same column indicate significant difference (P＜0.05).A类群共32个种质，亮度值L*分布在29.54～48.29，饱和度C*分布在7.89～37.79，色调角h°分布在92.20°～125.94°，花青素与叶绿素相对含量之比属于较低水平（Anth/Chl=0.05±0.06），叶绿素相对含量在3种类群中最高，从而主导叶片颜色呈绿色。其中，A1亮绿色系的亮度和饱和度在所有色系类群中处于最高水平（L*=42.58±3.29，C*=26.09±5.42），色调角位于绿色区域（h°=109.72°±6.47°），包含棱镜、白羽扇、卷珠帘、胭脂雨、紫蝶儿、橙之梦、云想容、茶花女等17个品种。A2深绿色系的亮度和饱和度均低于A1类群（L*=32.58±1.74，C*=11.94±2.96），饱和度在所有色系类群中处于最高水平（h°=121.47°±2.42°），在3种色素相对含量中，叶绿素相对含量最高，叶片绿色特征更显著，Anth/Chl的值较A1类群低（Anth/Chl=0.04±0.03），包含涟漪、羊脂玉、粉芭蕾、影红秀、红珊瑚、白云等15个品种。
B类群共3个种质，亮度、饱和度和色调角较C类群高（L*=36.78±0.44，C*=16.63±3.25，h°=86.27°±7.18°），Anth/Chl的值在所有类群中属于中等水平（Anth/Chl=0.65±0.10），花青素相对含量高于A类群所有品种，类胡萝卜素相对含量在所有类群中处于最高水平，色调角接近于黄色区域，包含依人、红色依恋、画轴3个品种。
C类群共13个种质，亮度值L*分布在26.76～36.12，饱和度C*分布在4.83～12.75，色调角h°分布在20.56°～57.68°，花青素相对含量最高，Anth/Chl的值较A、B类群高（Anth/Chl=1.19±0.26），使得该类群叶片颜色呈红色。C1红棕色系，色彩参数值在所有类群中最低（L*=30.44±3.43，C*=9.14±2.32，h°=29.74°±4.74°），Anth/Chl的值在所有类群中最高（Anth/Chl=1.22±0.24），红色属性最明显，包含洛可可女士、琉璃盏、香云、红与黑、疏红妆等10个品种。C2紫红色系，亮度和饱和度较A、B类群低（L*=33.44±0.80，C*=10.77±2.20），色调角较C1类群高（h°=53.28°±6.42°），包含云卷云舒、忆红莲、红色经典3个品种。
3. 讨论与结论
3.1 观赏植物叶色变化机制
植物色彩搭配是园林造景中的重要内容，同时也带给人们最直接的视觉和心理感受，它直接影响着造园呈现效果的好坏。随着木本彩叶植物市场需求量的增大，探究观赏植物叶色变化机制，挖掘和培育出具有更多优良性状的彩叶观赏植物已经成为当下林木育种的重要工作内容。叶片颜色呈现不同主要是内在遗传和外部环境共同作用的结果，是叶片中多种色素作用下产生的综合效应，叶片中的主要色素相对含量的占比以及对光线的吸收程度导致了叶片呈色的不同[23]。在吴飞洋等[24]的研究中发现，乌桕在中度水分胁迫下叶片中叶绿素降解量和花色素苷合成量最多，叶片颜色更加鲜艳，红色效果更显著。低温环境可以促进紫叶李、鸡爪槭等彩叶植物体内pH值的变化和叶片中花青素等色素组分的合成，从而影响叶片的显色效果[25-26]。
目前多采用RHSCC比色卡对植物新品种的花、叶等器官的颜色性状进行色彩描述，相比于目测法虽然更加标准化，但当样本数量比较大时，还是避免不了外部环境对比色卡造成的损伤以及视觉疲劳带来的人为误差，精确度会有所降低[27]。沈星诚等[28]研究发现，相比于使用RHSCC比色卡，采用色差计结合CIELCH色空间分布图对日本红枫的不同生长发育时期的叶色进行定量描述的方法，拟合度更高，更能够区分相近颜色属性的品种，可以更直观地看到叶片在不同生长时期的色彩变化。本研究通过测量48份观赏海棠3个叶位的色彩与色数参数绘制了CIELCH色空间分布图以及不同叶位的叶色频率分布图，发现在6月份观赏海棠上位叶的色彩表现最为丰富，花青素相对含量最高，这与前文上位叶色彩参数L*、C*、h°位点在CIELCH色空间中最为分散的结果一致。随着叶位下降，叶片成熟度增加，花青素相对含量降低，叶绿素相对含量增大，色彩参数位点呈逐渐集中的趋势，其中，L*、C*的值逐渐下降，h°值呈增大趋势。因此，叶片颜色随着叶位降低逐渐转化为深绿状态，这与龚洪泳等[29]的研究结果一致。
3.2 观赏海棠叶片色彩评价与改良途径
观赏海棠叶片色彩的变化受多种因素的影响，赵圃圃等[30]研究发现，观赏海棠上位叶在7~9月份的叶色位点呈逐渐集中趋势，影响叶片呈色的主要色素占比随着月份增长呈现不同的变化。观赏海棠品种群在4月幼叶时期品种间差异较大，5~6月幼叶逐渐成熟，色彩趋于稳定阶段，而同一品种叶位不同，叶片色彩也存在一定差异，因此本研究是在叶片观赏期较好的6月上旬对观赏海棠叶片的3个叶位色彩与色素相对含量进行研究，从而获得观赏海棠叶片色彩与色素参数变化的时空分布规律，得到48份观赏海棠种质在6月份的最佳观赏叶位以及色彩表达效果与色素相对含量的关系。基于上位叶观赏价值最高的结果，对上位叶色彩与色素参数进行参数统计与聚类分析后发现，绿色系中A1子色系的叶绿素相对含量高，色调角位于绿色区域（h°=109.72°±6.47°），奠定了该色系的绿色基调，且相比于其他类群又具有高亮度值、高饱和度的特点，是绿色类群中绿色属性表达较好的亮绿色观叶品种。B类群各色彩参数与色素相对含量差异性显著，类胡萝卜素相对含量显著高于其他类群，因此色调角接近于黄色区域（h°=86.27°±7.18°），可作为观赏海棠中进行叶色改良的试验品种。C类群中C1子色系的色调角位于红色区域（h°=29.74°±4.74°），叶绿素相对含量最低，花青素与叶绿素相对含量之比为所有类群中最高的水平（Anth/Chl=1.22±0.24），红色特征显著，是48个观赏海棠种质中的优质红叶观赏品种。研究表明，48份观赏海棠上位叶的L* 处于26.76～48.29，C*处于4.83～37.79，h°处于20.56°～125.94°。江皓等[31]通过对观赏海棠不同叶位的叶片色彩参数范围的研究发现色彩参数L*为30.69～72.14，C* 为9.10～41.50，h°为67.60°～123.51°，研究结果存在一定差异。因此，在今后对观赏海棠叶片色彩的研究中，应综合考虑多方面因素对叶片色彩变化的影响，尽可能扩大样本的比例，综合考虑种间差异以及叶片色彩与温度、光照、物候期和叶位采集标准的关系进行采样，以期获取更加充足的观赏海棠叶片色彩与色素参数数据库，得到更为精准的观赏海棠不同叶位叶色评价体系，为丰富种质资源的多样性以及观赏海棠新品种的选育工作提供更多参考依据。
目前通过低温诱导、调节土壤酸碱度、改变光照条件、杂交育种、诱变育种、分子修饰等手段以改变3种色素含量和比例，是观赏植物叶色改良的重要途径[32]。韩文学等[33]研究发现，观赏海棠叶片色彩参数中代表红绿属性的色相值a*与花青素相对含量呈正相关，代表黄蓝属性的色相值b*与类胡萝卜素相对含量呈正相关。因此可以通过改变观赏海棠生长的环境因子、调节植物体内的主要色素含量从而达到对叶片色彩的调节效果。本研究基于48个观赏海棠品种的色彩参数和色素占比，对该群体上位叶进行量化分析得到3个色系类群和5个子色系类群，对该群体的观赏海棠进行叶色评价分析，为观赏海棠选育提供初步参考依据，但由于未对整个叶片发育期的多个叶位进行全面观测，观赏海棠最佳观赏时期不同叶位色素变化差异，以及呈色与植物体内遗传物质的相关性，有待今后从色素代谢、环境因素等进一步研究其显色机制。
-
![]()
图 1 数据集样本示例
A：复杂背景下样本图像示例；B：简单背景下样本图像示例。
Figure 1. Sample data set
A: Sample image on complex background; B: Sample image on simple background.
![]()
图 2 下采样残差模块及改进
a：原始的下采样残差模块；b：改进后的下采样残差模块。
Figure 2. Original and improved down-sampling residual modules
a: Original down-sampling residual module; b: improved down-sampling residual module.
![]()
图 3 1×1卷积下采样
Figure 3. 1×1 convolution down-sampling
![]()
图 4 多尺度特征提取模块 (MFEM)
CBR为Conv+BN+Relu。
Figure 4. Multi-scale feature extraction module (MFEM)
CBR: Conv+BN+Relu.
![]()
图 8 不同DenseBlock模块插入位置的模型准确率
D1、D5、D9、D13分别代表在模型第1、5、9、13卷积层后加入DenseBlock模块。
Figure 8. Model accuracy with additions of DenseBlock module after convolutional layers
D1, D5, D9, and D13 are models with additions of DenseBlock module after 1st, 5th, 9th, and 13th convolutional layers, respectively.
![]()
图 10 不同网络模型的混淆矩阵
a、b、c、d和e分别代表为ResNet18、ShuffleNetv2、MobileNetv3、DenseNet121和本文模型的混淆矩阵图。
Figure 10. Confusion matrix for network models
a, b, c, d, and e represent confusion matrix plots of ResNet18, ShuffleNetv2, MobileNetv3, DenseNet121, and improved model in this study, respectively.
表 1 数据集样本数量
Table 1 Information on sample data set
类别名称
Class name复杂背景
Complex background简单背景
Simple background增强后 Augmented 总数
Total训练集 Training set 验证集 Test set 健康 Healthy 845 — 676 169 845 斑点落叶病 Alternaria boltch 271 145 667 165 832 褐斑病 Brown spot 33 379 659 165 824 灰斑病 Grey spot 163 176 543 135 678 花叶病 Mosaic 171 200 594 148 742 白粉病 Powdery mildew 872 — 698 174 872 黑星病 Scab 809 — 648 161 809 锈病 Rush 715 — 572 143 715 总数 Total 3879 900 5057 1260 6317 
下载: 导出CSV
表 2 参数调整和残差改进的对比分析
Table 2 Comparative analysis on parameter adjustment and residual improvement
模型
Model模型大小
Model size/MB参数量
Parameters/M准确率
Accuracy/%ResNet 42.7 11.18 97.06 ResNet-α0.75 24.0 6.29 97.22 ResNet-α0.5 10.7 2.80 97.14 ResNet-α0.25 2.73 0.70 96.27 ResNet-α0.25+Max 2.73 0.70 96.98 “α0.75”的数字代表通道缩放因子取值；Max代表最大池化层改进的下采样残差模块；M是百万的缩写，表示为1×106。
Data on "α0.75" is channel scaling factor; Max represents down-sampling residual module of maximum pooling layer improvement; M represents 1×106.
下载: 导出CSV
表 3 消融试验结果
Table 3 Results on ablation experiments
模型
Model精确度
P/%召回率
R/%F1分数
F1 score/%准确率
Accuracy/%参数量
Parameters/M模型大小
Model size/MBResnet18 97.12 97.01 97.06 97.06 11.18 42.7 Resnet18-α0.25 96.34 96.24 96.29 96.27 0.70 2.73 Resnet18-α0.25+Max 96.96 96.99 96.98 96.98 0.70 2.73 Resnet18-α0.25+Max+MFEM 97.57 97.55 97.56 97.54 0.71 2.75 Resnet18-α0.25+Max+MFEM+DenseBlock 98.00 97.91 97.95 97.94 1.01 3.94
下载: 导出CSV
表 4 不同模型对比
Table 4 Comparisons on models
模型
Model精确度
P/%召回率
R/%F1分数
F1 score/%准确率
Accuracy/%参数量
Parameters/M模型大小
Model size/MBShuffleNetv2 94.60 94.64 94.62 94.60 1.26 4.98 GhostNet 91.71 91.77 91.74 91.80 3.89 15.1 MobileNetv3 93.17 93.20 93.19 93.17 1.52 5.95 EfficientNet 95.55 95.42 95.48 95.30 4.02 15.6 ResNet18 97.12 97.01 97.06 97.06 11.18 42.7 AlexNet 88.69 88.74 88.71 88.65 14.60 55.6 DenseNet121 97.31 97.28 97.30 97.22 6.90 27.1 Inceptionv2 94.54 94.59 94.56 94.52 7.3 28.2 Our model 98.00 97.91 97.95 97.94 1.01 3.94
下载: 导出CSV
-
[1] 张秋菊. 苹果树病虫害智能识别系统设计与实现 [J]. 农业工程技术, 2022, 42(30):23−24. ZHANG Q J. Design and implementation of intelligent identification system for apple tree pests and diseases [J]. Agricultural Engineering Technology, 2022, 42(30): 23−24. (in Chinese)
[2] KUMAR S, KUMAR R, GUPTA M. Analysis of apple plant leaf diseases detection and classification: A review[C]//2022 Seventh International Conference on Parallel, Distributed and Grid Computing (PDGC). November 25-27, 2022. Solan, Himachal Pradesh, India. IEEE, 2022: 361-365.
[3] 王树桐, 王亚南, 曹克强. 近年我国重要苹果病害发生概况及研究进展 [J]. 植物保护, 2018, 44(5):13−25,50. WANG S T, WANG Y N, CAO K Q. Occurrence of and research progress in important apple diseases in China in recent years [J]. Plant Protection, 2018, 44(5): 13−25,50. (in Chinese)
[4] 钟昌源, 胡泽林, 李淼, 等. 基于分组注意力模块的实时农作物病害叶片语义分割模型 [J]. 农业工程学报, 2021, 37(4):208−215. ZHONG C Y, HU Z L, LI M, et al. Real-time semantic segmentation model for crop disease leaves using group attention module [J]. Transactions of the Chinese Society of Agricultural Engineering, 2021, 37(4): 208−215. (in Chinese)
[5] 翟肇裕, 曹益飞, 徐焕良, 等. 农作物病虫害识别关键技术研究综述 [J]. 农业机械学报, 2021, 52(7):1−18. ZHAI Z Y, CAO Y F, XU H L, et al. Review of key techniques for crop disease and pest detection [J]. Transactions of the Chinese Society for Agricultural Machinery, 2021, 52(7): 1−18. (in Chinese)
[6] CHENG H H, DAI Y L, LIN Y, et al. Identifying tomato leaf diseases under real field conditions using convolutional neural networks and a chatbot [J]. Computers and Electronics in Agriculture, 2022, 202: 107365. DOI: 10.1016/j.compag.2022.107365
[7] AI Y, SUN C, TIE J, et al. Research on recognition model of crop diseases and insect pests based on deep learning in harsh environments [J]. IEEE Access, 2020, 8: 171686−171693. DOI: 10.1109/ACCESS.2020.3025325
[8] 谢圣桥, 宋健, 汤修映, 等. 基于迁移学习和残差网络的葡萄叶部病害识别 [J]. 农机化研究, 2023, 45(8):18−23,28. XIE S Q, SONG J, TANG X Y, et al. Identification of grape leaf diseases based on transfer learning and residual networks [J]. Journal of Agricultural Mechanization Research, 2023, 45(8): 18−23,28. (in Chinese)
[9] 王彦翔, 张艳, 杨成娅, 等. 基于深度学习的农作物病害图像识别技术进展 [J]. 浙江农业学报, 2019, 31(4):669−676. WANG Y X, ZHANG Y, YANG C Y, et al. Advances in new nondestructive detection and identification techniques of crop diseases based on deep learning [J]. Acta Agriculturae Zhejiangensis, 2019, 31(4): 669−676. (in Chinese)
[10] 鲍文霞, 吴刚, 胡根生, 等. 基于改进卷积神经网络的苹果叶部病害识别 [J]. 安徽大学学报(自然科学版), 2021, 45(1):53−59. BAO W X, WU G, HU G S, et al. Apple leaf disease recognition based on improved convolutional neural network [J]. Journal of Anhui University (Natural Science Edition), 2021, 45(1): 53−59. (in Chinese)
[11] NADER A, KHAFAGY M H, HUSSIEN S A. Grape Leaves Diseases Classification using Ensemble Learning and Transfer Learning [J]. International Journal of Advanced Computer Science and Applications, 2022, 13(7): 563−571.
[12] 宋晨勇, 白皓然, 孙伟浩, 等. 基于GoogLeNet改进模型的苹果叶病诊断系统设计 [J]. 中国农机化学报, 2021, 42(7):148−155. SONG C Y, BAI H R, SUN W H, et al. Design of apple leaf disease diagnosis system based on GoogLeNet improved model [J]. Journal of Chinese Agricultural Mechanization, 2021, 42(7): 148−155. (in Chinese)
[13] GAO Y X, CAO Z Z, CAI W W, et al. Apple leaf disease identification in complex background based on BAM-net [J]. Agronomy, 2023, 13(5): 1240. DOI: 10.3390/agronomy13051240
[14] 周宏威, 沈恒宇, 袁新佩, 等. 基于迁移学习的苹果树叶片病虫害识别方法研究 [J]. 中国农机化学报, 2021, 42(11):151−158. ZHOU H W, SHEN H Y, YUAN X P, et al. Research on identification method of apple leaf diseases based on transfer learning [J]. Journal of Chinese Agricultural Mechanization, 2021, 42(11): 151−158. (in Chinese)
[15] 孙文杰, 牟少敏, 董萌萍, 等. 基于卷积循环神经网络的桃树叶部病害图像识别 [J]. 山东农业大学学报(自然科学版), 2020, 51(6):998−1003. SUN W J, MU S M, DONG M P, et al. Image recognition of peach leaf diseases based on convolutional recurrent neural network [J]. Journal of Shandong Agricultural University (Natural Science Edition), 2020, 51(6): 998−1003. (in Chinese)
[16] 孙俊, 朱伟栋, 罗元秋, 等. 基于改进MobileNet-V2的田间农作物叶片病害识别 [J]. 农业工程学报, 2021, 37(22):161−169. SUN J, ZHU W D, LUO Y Q, et al. Recognizing the diseases of crop leaves in fields using improved Mobilenet-V2 [J]. Transactions of the Chinese Society of Agricultural Engineering, 2021, 37(22): 161−169. (in Chinese)
[17] 彭红星, 何慧君, 高宗梅, 等. 基于改进ShuffleNetV2模型的荔枝病虫害识别方法 [J]. 农业机械学报, 2022, 53(12):290−300. PENG H X, HE H J, GAO Z M, et al. Litchi diseases and insect pests identification method based on improved ShuffleNetV2 [J]. Transactions of the Chinese Society for Agricultural Machinery, 2022, 53(12): 290−300. (in Chinese)
[18] 杨祥, 段军明, 董明刚. 面向移动端的植物病害图像识别方法及其应用 [J]. 江苏农业科学, 2023, 51(4):191−197. YANG X, DUAN J M, DONG M G. Mobile-oriented plant disease image recognition method and its application [J]. Jiangsu Agricultural Sciences, 2023, 51(4): 191−197. (in Chinese)
[19] LI Z B, YANG Y B, LI Y, et al. A Solanaceae disease recognition model based on SE-Inception [J]. Computers and Electronics in Agriculture, 2020, 178: 105792. DOI: 10.1016/j.compag.2020.105792
[20] 周敏敏. 基于迁移学习的苹果叶面病害Android检测系统研究[D]. 杨凌: 西北农林科技大学, 2019. ZHOU M M. Apple foliage diseases recognition in android system with transfer learning-based[D]. Yangling: Northwest A & F University, 2019. (in Chinese)
[21] 李大湘, 曾小通, 刘颖. 耦合全局与局部特征的苹果叶部病害识别模型 [J]. 农业工程学报, 2022, 38(16):207−214. LI D X, ZENG X T, LIU Y. Apple leaf disease identification model by coupling global and patch features [J]. Transactions of the Chinese Society of Agricultural Engineering, 2022, 38(16): 207−214. (in Chinese)
[22] 张宁, 吴华瑞, 韩笑, 等. 基于多尺度和注意力机制的番茄病害识别方法 [J]. 浙江农业学报, 2021, 33(7):1329−1338. ZHANG N, WU H R, HAN X, et al. Tomato disease recognition scheme based on multi-scale and attention mechanism [J]. Acta Agriculturae Zhejiangensis, 2021, 33(7): 1329−1338. (in Chinese)
[23] 王等准, 李飞, 严春雨, 等. 基于多尺度特征融合的轻量化苹果叶部病理识别 [J]. 激光与光电子学进展, 2023, 60(2):99−107. WANG D Z, LI F, YAN C Y, et al. Lightweight apple-leaf pathological recognition based on multiscale fusion [J]. Laser & Optoelectronics Progress, 2023, 60(2): 99−107. (in Chinese)
[24] HUANG G, LIU Z, VAN DER MAATEN L, et al. Densely connected convolutional networks[C]//2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). July 21-26, 2017. Honolulu, HI. IEEE, 2017: 4700-4708.
[25] HE K M, ZHANG X Y, REN S Q, et al. Deep residual learning for image recognition[C]//2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). June 27-30, 2016. Las Vegas, NV, USA. IEEE, 2016: 770-778.
[26] HOWARD A G, ZHU M, CHEN B, et al. Mobilenets: Efficient convolutional neural networks for mobile vision applications[EB/OL]. 2017: arXiv: 1704.04861. https://arxiv.org/abs/1704.04861.
[27] SZEGEDY C, VANHOUCKE V, IOFFE S, et al. Rethinking the inception architecture for computer vision[C]//2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). June 27-30, 2016. Las Vegas, NV, USA. IEEE, 2016: 2818-2826.
[28] 韩旭, 赵春江, 吴华瑞, 等. 基于注意力机制及多尺度特征融合的番茄叶片缺素图像分类方法 [J]. 农业工程学报, 2021, 37(17):177−188. HAN X, ZHAO C J, WU H R, et al. Image classification method for tomato leaf deficient nutrient elements based on attention mechanism and multi-scale feature fusion [J]. Transactions of the Chinese Society of Agricultural Engineering, 2021, 37(17): 177−188. (in Chinese)
[29] JIANG M L, FENG C G, FANG X S, et al. Rice disease identification method based on attention mechanism and deep dense network [J]. Electronics, 2023, 12(3): 508. DOI: 10.3390/electronics12030508
-
期刊类型引用(2)
1. 王彬, 丁雁鑫, 林仙军, 周芷锦, 毛石明. 生物发酵床腐熟垫料的资源化利用及安全性评价. 家畜生态学报. 2020(03): 71-75 . 
百度学术
2. 陈倩倩, 刘波, 王阶平, 车建美, 朱育菁, 张海峰. 养猪微生物发酵床垫料细菌多样性分析. 环境科学学报. 2018(12): 4751-4759 . 百度学术
其他类型引用(0)
计量
- 文章访问数: 204
- HTML全文浏览量: 57
- PDF下载量: 74
- 被引次数: 2
