基于SSD的蘋(píng)果葉片病害檢測(cè)方法

江鵬　陳躍翰

摘要：本文使用深度學(xué)習(xí)目標(biāo)檢測(cè)SSD算法對(duì)三種常見(jiàn)的蘋(píng)果葉片病蟲(chóng)害一褐斑病、花葉病、鐵銹病進(jìn)行識(shí)別檢測(cè)，實(shí)驗(yàn)結(jié)果顯示該種方法的綜合檢測(cè)性能達(dá)到79.63%mAP，為蘋(píng)果葉片病害的早期診斷提供了一種高性能的解決方案。

[關(guān)鍵詞]蘋(píng)果葉片病害深度學(xué)習(xí)目標(biāo)檢測(cè)SSD

1引言

在蘋(píng)果生產(chǎn)過(guò)程中，各種疾病的大量發(fā)生造成了巨大的經(jīng)濟(jì)損失。及時(shí)有效地檢測(cè)蘋(píng)果葉片病害對(duì)保證蘋(píng)果產(chǎn)業(yè)的健康發(fā)展至關(guān)重要，已成為農(nóng)業(yè)信息領(lǐng)域的研究熱點(diǎn)。傳統(tǒng)上通過(guò)專(zhuān)家的目視觀察來(lái)診斷植物病害。然而，這種方法依賴(lài)于主觀感知，存在出錯(cuò)的風(fēng)險(xiǎn)。

近年來(lái)，深度學(xué)習(xí)和卷積網(wǎng)絡(luò)在計(jì)算機(jī)視覺(jué)方面取得了重大突破，許多相關(guān)的理論和實(shí)踐成果層出不窮。目前基于深度學(xué)習(xí)的圖像識(shí)別技術(shù)在農(nóng)作物病害檢測(cè)方面的研究和應(yīng)用并不鮮見(jiàn)。然而，基于深度學(xué)習(xí)的目標(biāo)檢測(cè)技術(shù)在農(nóng)業(yè)領(lǐng)域的應(yīng)用卻很少見(jiàn)。因此，本文采用基于卷積神經(jīng)網(wǎng)絡(luò)的SSD目標(biāo)檢測(cè)算法對(duì)蘋(píng)果葉片病害進(jìn)行檢測(cè)。該方法能夠自動(dòng)識(shí)別病蘋(píng)果圖像的特征，并能高精度地檢測(cè)出本次研究中所用的三種常見(jiàn)的蘋(píng)果葉片病害。此外，該方法可以處理實(shí)際的野外條件下拍攝到的蘋(píng)果葉片病害圖像。

2蘋(píng)果葉片病害檢測(cè)模型

SSD是一種單階段的目標(biāo)檢測(cè)方法，可以直接預(yù)測(cè)目標(biāo)的類(lèi)型和相應(yīng)的邊界框的坐標(biāo)，不需要生成區(qū)域建議。SSD的檢測(cè)速度遠(yuǎn)遠(yuǎn)快于FasterR-CNN，而兩種方法的檢測(cè)精度基本相同。因此，本文將SSD算法作為對(duì)蘋(píng)果葉片病害進(jìn)行目標(biāo)檢測(cè)的算法。

3實(shí)驗(yàn)方法與結(jié)果

3.1數(shù)據(jù)采集

除了人工采集的圖像，數(shù)據(jù)集中的其他圖像由陜西省白水縣西北農(nóng)林科技大學(xué)蘋(píng)果實(shí)驗(yàn)站提供。最終共獲得1248幅蘋(píng)果葉片病害圖像，這些圖像對(duì)應(yīng)于三類(lèi)病害：褐斑病、花葉病和鐵銹病。這三類(lèi)病害是導(dǎo)致蘋(píng)果行業(yè)的產(chǎn)量大幅下降的主要病害。

在采集到的3種常見(jiàn)蘋(píng)果葉片病害的ALDD數(shù)據(jù)集上，對(duì)該模型進(jìn)行了評(píng)價(jià)。實(shí)驗(yàn)中，75%的數(shù)據(jù)集用于訓(xùn)練，25%的數(shù)據(jù)集用于測(cè)試。

3.2圖像標(biāo)注

圖像標(biāo)注階段使用了一種利用Python開(kāi)發(fā)的提供圖像標(biāo)注的算法，對(duì)圖片中的病變區(qū)域進(jìn)行旋轉(zhuǎn)，并用相應(yīng)的類(lèi)別進(jìn)行標(biāo)記。程序?qū)槊總€(gè)帶注釋的圖像生成對(duì)應(yīng)的XML文件，其中包含圖像中每個(gè)病灶邊界框的坐標(biāo)值和疾病的類(lèi)別等信息。

以褐斑病為例，圖1（a）顯示了一個(gè)帶標(biāo)注的圖像。紅色和藍(lán)色的框表示患病的蘋(píng)果葉的感染區(qū)域。圖1（b）以XML文檔的形式顯示了圖像的對(duì)應(yīng)描述。

3.3實(shí)驗(yàn)配置

本實(shí)驗(yàn)在Ubuntu服務(wù)器上進(jìn)行，使用Intel⑧Xeon（R）CPUE5-2650v3@2.30GHz*40，同時(shí)使用NVIDIAGTX1080TiGPU加速。NVIDIAGTX1080Ti有3584個(gè)CUDA核心和11GB內(nèi)存。核心頻率高達(dá)1480mhz，浮點(diǎn)性能為10.5TFLOPS。在Caffe深度學(xué)習(xí)框架中實(shí)現(xiàn)了基于CNN的模型。

3.4結(jié)果與分析

3.4.1不同圖像分辨率的比較

在目標(biāo)檢測(cè)算法的評(píng)價(jià)中，平均精度均值（mAP）是本文的主要評(píng)價(jià)指標(biāo)。為了比較不同的圖像分辨率對(duì)于識(shí)別結(jié)果的影響，采用了300x300和512x512這兩種分辨率的圖像對(duì)模型進(jìn)行訓(xùn)練以實(shí)現(xiàn)蘋(píng)果葉片病害檢測(cè)。使用相同的特征提取器VGGNet，SSD512的識(shí)別準(zhǔn)確率略大于SSD300，但提升效果并不顯著。在實(shí)驗(yàn)中，花葉病被認(rèn)為是最復(fù)雜的類(lèi)別。這是因?yàn)樵擃?lèi)疾病的性狀在類(lèi)內(nèi)的巨大差異：病斑可大可小，且易于與環(huán)境混淆。

該方法不僅可以在一張圖像上檢測(cè)出單個(gè)對(duì)象，而且可以同時(shí)檢測(cè)多個(gè)對(duì)象，這顯示了其強(qiáng)大的檢測(cè)性能。

4結(jié)語(yǔ)

本文運(yùn)用SSD算法實(shí)現(xiàn)了蘋(píng)果葉片病害實(shí)時(shí)檢測(cè)方法。該方法基于深度學(xué)習(xí)，利用1248張病葉圖像的數(shù)據(jù)集對(duì)SSD模型進(jìn)行了檢測(cè)蘋(píng)果葉片病害的訓(xùn)練。實(shí)驗(yàn)結(jié)果表明，模型的綜合檢測(cè)性能達(dá)到79.63%mAP。這表明所訓(xùn)練模型可以自動(dòng)提取蘋(píng)果病害圖像的鑒別特征，高精度地檢測(cè)出三種常見(jiàn)的蘋(píng)果葉片病害類(lèi)型。

參考文獻(xiàn)

[1]霍迎秋，唐晶磊，尹秀珍等。基于壓縮感知理論的蘋(píng)果病害識(shí)別方法[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2013，44（10）：228-232.

[2]王梅嘉，何東健，任嘉琛。基于Android平臺(tái)的蘋(píng)果葉病害遠(yuǎn)程識(shí)別系統(tǒng)[J].計(jì)算機(jī)工程與設(shè)計(jì)，2015，36（09）：2586-2590.