范海红

（浙江邮电职业技术学院，浙江 绍兴 312366）

作为世界茶叶大国，茶叶的质量是茶园经济效益的关键。茶叶嫩牙是衡量茶叶产量的重要因素。茶叶嫩牙发育和茶叶病害预防和治疗之间有着十分密切的关系。国内对于茶叶病害种类已经记录了30多种。该种类型的疾病最常见的包括如下四种，即炭疽病、白星病、茶芽疫病和茶环斑病。如何合理预防和控制茶叶病害是保证茶叶品质的关键。在实际生产中，茶农大多依靠自己的多年的茶树种植经验，或者参考相关资料，利用网络在线查询和咨询专家来识别茶树病害，但这些这些方法存在许多问题：鉴别能力、时效性等。首先，从发生茶树病害到发现病害，再到对病害的诊断，最后对病害采取的防治措施的过程可能需要很长时间，而这个期间内，茶叶的病害可能进一步加剧。第二，茶叶种植往往是大面积种植。如果需要确定哪个地区发生了病虫害，而哪个地区没有病害问题，这个需要的劳动力成本肯定不低。另外茶树一般种植在高低起伏不平的山区，同样也会增加了人工识别的难度。最后，茶农对疾病诊断的相关知识的缺乏，而仅凭主观经验容易出现诊断错误。总结上述原因，因此传统的种植方式显然难以满足现代农业种植的要求。如何有效地识别和预防这些病害是茶叶界关注的焦点。通过对茶叶病害的识别和分类，能够给茶园管理人员提供防治依据，具有一定的现实意义。

神经网络是利用生物神经网络来近似解决问题的方法，是将神经元连接而成的具有自适应的一种动态网络。Pitts等人首先提到了神经网络模型。利用这个模型给出了神经元的数学形式和网络结构，从而使神经网络的研究和探索得到了血多研究人员的重视。Rumelhart等人为了解决单层感知器存在的缺点，提出了BP神经网络的概念，并且把BP神经网络算法运用到了机器学习理论中去。但神经网络中里面所包含的参数比较多，训练的时间比较长，还存在过拟合等问题，Hinton等人提出了深度学习，利用多层神经网络具有更好的学习能力的特点，无监督训练的模式来克服深度神经网络的难度。卷积神经网络是目前比较常用的深度网络模型。病虫害是影响茶叶质量的主要原因之一，而目前主要预防方式是人工去主观判断，人工的主观判断不可避免的会带来主观性和模糊性的问题，使病虫害无法被有效的识别，从而影响防治效果。所以，怎样精准快速的认识病害已经变成了一个不可忽视的研究课题。

最近一些年以来，由于机器学习的发展，使用机器学习的理论来对该疾病进行识别的研究已经受到研究人员的关注。王佳平以白星病、叶斑病和叶枯病作为研究对象，运用神经网络、支持向量机原理和图像特征提取等方法提出了基于图像的茶叶病害分类方法。张帅堂利用茶叶病害的高光谱分析，提出了针对病害识别的支持向量机分类模型、随机森林模型和BP神经网络模型。

1 卷积神经网络

神经网络其中包含三种，即输入层、隐藏层以及输出层。卷积网络是具有卷积构造特征的一种极为独特的深度网络，不仅能够降低深层网络的存储数目以及参数目，并且还能够缓解过拟合情况。该种类型的网络不仅具有输入层以及输出层，并且其隐藏层主要包括卷积层、池化层、全连接层三个类别。其中前两种也能够使用卷积层以及池化层交替等情况多层出现。

卷积层中核心部分为卷积核，通过卷积运算对图像数据的处理，从而可以提取输入信号的深层次信息，增强原信号的特征信息，降低噪音数据。主要方式是利用对特征图和卷积核进行卷积运算z=Wx+b，再利用激活函数x=f（z），得到特征图。其中，x是第l-1层的输出信息，W是从第l-1层到第l层的卷积核，b称为偏移项，f（•）是激活函数。池化层基本上使需要达到对信息的降维，用更显著的表现形式来展现图像。其任务主要想要减少冗余信息、增加模型的不变特征并且可以有效的预防过拟合的情况出现。比较常见的池化层运算方式共有以下几种类型，主要可包括平均值池化算法，最大值池化算法，组合池化算法以及随机池化算法等。对于全连接层来说，对前面特征逐层提取之后，则可予以分类回归操作。将二维特征图转化为一维数据，并输入到全连接网络中。同时通过激活函数进行输出。通过情况下，主要选用ReLU函数进行操作。基于softmax函数为依托，则可实现分类输出处理。

2 茶叶叶部病害图像获取

工人在对茶叶叶部病害叶片进行人工采摘时，将采摘到的叶片通过人工依次拍照，主要提取包含6类常见的茶叶叶部病害叶片和损伤叶片的图像。人工采集的图像由于叶片存在差异，导致采集到的病害图像的需要进行裁剪处理，选取图像清晰度比较高的茶叶病害图像进行切割，可以减少图像中的干扰信息，同时能够使得图像目标区域更加突出和明显，有利于对图片的特征提取。因此利用目前所有存在的比较完善的像处理技术来切割图像，其流程如下图。

图像切割处理后，删除拍摄质量较差的图像后，把其余所有图像进行统一尺寸，图像归一化为188x188，对图像数据进行命名，并作为一整个数据集从而得到茶叶叶部病害的部分图像样本。

3 基于卷积神经网络的茶树病虫图像处理

卷积神经网络适用于大样本数据。为了避免过度拟合，可以适当增加训练数据集的数量。Goodflow等人经过研究后，所得出的结论为生成对抗网络GAN，基于此实现图像的生成。主要可以分成两个部分，包括生成器与判别器。在前者的作用下，则可对原始数据的分布状态进行获取，并产生新的样本信息。后者则可作为二分类器，对输入样本进行有效区分。DCGAN是在生成对抗网络模型的基础上加入了卷积运算过程，从而达到无监督训练的目的，由于卷积神经网络模型具有强大的特征提取能力，从而可以达到DCGAN模型的学习能力。因此可以采用GAN来模拟单一背景下生成茶叶病害图像，扩展样本数据集。

DCGAN网络的池化层包含了判别网络和生成网络，分别采用了步幅卷积和微步幅卷积。与生成对抗网络所不同，此网络是没有完全连接层和池层，假设输入维数为一百的均匀分布数据，通过微步幅卷积运算，将一百维的数据转换为一个64位像素的图像。

在操作过程中，所应用的即为九层的卷积神经网络模型，主要由以下几个部分组成，其中可包含池化层、卷积层、响应规范层、全连接层以及输出。在试验期间，为了避免发生过拟合的情况，在全连接层中引入dropout丢弃机制。对于卷积层来说，主要是由多个特征映射层共同构成的，其中包含了较多的神经元。通过卷积滤波器提取图像的深层次特征数据，并连接卷积核与前层的特征映射，从而增加节点矩阵的深度核增强信号的特征的输入。由于先前对图像尺寸归一化为188×188，选用简单的卷积核，其大小规格为3×3。选择数目为16的特征卷积核，所产生的特征图共计为16个。

由于存在太多特征数据，因而在拟合处理是，容易导致过拟合现象，可以利用池化操作来避免过拟合，我们利用最大池化算法对输入特征映射的数据特征进行聚合，计算图像中某区域的特征的最大值，作为特征数据输出。该层以2的步长选择最大池化算法处理数据。

为了保证模型具有良好的泛化效果，可将LRN层应用到局部响应规范化层中。LRN层是为了让具有小反馈的神经元暂时不被使用，从而获得相对较大的响应值因此通过创造竞争环境来抑制某些神经元，所以局部响应规范化层用于水平抑制激活函数的输出数据。此外，LRN和ReLU的结合可以扩展ReLU激活函数的优点，并从许多卷积核的响应中获得较大的反馈。因此，利用局部响应规范化层提高数据峰值，抑制环境因素，提升数据特征，提高效率。

该模型中有2个全连接层，连接所有特征得到输出值，并输入到softmax函数中。为了避免实验中的过拟合现象，则将一个丢弃层连接在全连接层后，修改损失函数和网络结构实现权值衰减，从而优化神经网络。

4 实验仿真效果分析

本文采用不同学习速率下的识别精度对比实验来模拟卷积神经网络模型对茶叶病害图像进行识别和分类。通过对卷积神经网络进行分析后发现，能够实现分类器训练与提取图像特征的同时操作，促使识别精度得到了显著提升。在操作期间，初始迭代次数为5万，步长则达到了100，所产生的学习率则可表示为千分之一。选择不同的学习率进行对比实验，结果如表1。从表1中我们可以看出，当迭代步数为5万，学习率为千分之一时，

表1 不同学习速率下的实验精度（＊表示采用丢弃机制）

5 结语

通过进行实验研究后，基于DCGAN网络构成相应的茶叶病害图像，经过筛选与切割图像之后，则可产生一定的图像数据集。然后运用卷积神经网络模型识别分类茶叶病害图像。通过队学习速率、迭代步数的调整和Dropout机制的引入，最终达到了较高的识别精度，有助于茶叶病害的识别和分类。