植物常見(jiàn)病蟲(chóng)害識(shí)別系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)

江祥奎，丁 銳，胡浩昌，鄔 游

(西安郵電大學(xué) 自動(dòng)化學(xué)院,陜西 西安 710121)

在農(nóng)產(chǎn)品種植中，植物的病蟲(chóng)害影響著最終農(nóng)作物的產(chǎn)量和品質(zhì)。操作不當(dāng)時(shí)，會(huì)導(dǎo)致農(nóng)作物大面積減產(chǎn)，若無(wú)法準(zhǔn)確地針對(duì)病蟲(chóng)害進(jìn)行對(duì)癥施肥，也會(huì)對(duì)農(nóng)作物的成長(zhǎng)造成二次損害[1]。因此，針對(duì)植物病蟲(chóng)害的準(zhǔn)確檢測(cè)和識(shí)別尤為重要。目前，農(nóng)業(yè)中對(duì)植物病蟲(chóng)害的檢測(cè)主要還是依靠人工識(shí)別的方式進(jìn)行，存在識(shí)別效率低、速度慢、準(zhǔn)確度低和難度大等問(wèn)題。

近年來(lái)，隨著深度學(xué)習(xí)為首的機(jī)器學(xué)習(xí)技術(shù)的發(fā)展，越來(lái)越多的人工識(shí)別方式逐漸被取代[2-4]。以卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks，CNN)為核心的深度學(xué)習(xí)技術(shù)被廣泛用于圖像分類(lèi)和目標(biāo)檢測(cè)[5]當(dāng)中。文獻(xiàn)[6]采用小樣本模型作為病害分類(lèi)器，使用3種小樣本學(xué)習(xí)框架和多種特征提取網(wǎng)絡(luò)進(jìn)行組合訓(xùn)練，得到原型網(wǎng)絡(luò)+ResNet34最佳組合方式，準(zhǔn)確率達(dá)到89.66%。文獻(xiàn)[7]提出一種基于Xception模型的植物病害識(shí)別方法，以10種植物作為研究對(duì)象，最終達(dá)到91.9%的準(zhǔn)確率，計(jì)算量和參數(shù)量相比原Xception模型分別降低了33.6%和33.1%。針對(duì)復(fù)雜環(huán)境下的植物病害識(shí)別問(wèn)題，文獻(xiàn)[8]首先使用區(qū)域生成網(wǎng)絡(luò)(Region Proposal Network，RPN)實(shí)現(xiàn)對(duì)葉片的檢測(cè)定位，然后使用 Chan-Vese 算法分割圖像得到包含病斑特征的葉片，最后，將分割后的葉片輸入經(jīng)過(guò)簡(jiǎn)單背景下病害葉片數(shù)據(jù)集訓(xùn)練后的遷移學(xué)習(xí)模型，實(shí)現(xiàn)復(fù)雜環(huán)境下的植物病害識(shí)別。針對(duì)傳統(tǒng)CNN參數(shù)訓(xùn)練量大，無(wú)法應(yīng)用于硬件條件受限的場(chǎng)合的問(wèn)題，文獻(xiàn)[9]提出一種輕量級(jí)CNN農(nóng)作物病害識(shí)別模型，對(duì)辣椒、番茄和馬鈴薯的病害圖像進(jìn)行分類(lèi)識(shí)別，最終達(dá)到98.32%準(zhǔn)確率。除一般深度學(xué)習(xí)的方法外，文獻(xiàn)[10]采用紅外光譜技術(shù)實(shí)現(xiàn)了對(duì)植物病害的檢測(cè)識(shí)別。

隨著深度學(xué)習(xí)與目標(biāo)檢測(cè)的發(fā)展，多數(shù)的研究側(cè)重于檢測(cè)識(shí)別的模型優(yōu)劣及識(shí)別準(zhǔn)確率的高低，并未形成實(shí)際的應(yīng)用系統(tǒng)，因此,擬基于卷積神經(jīng)網(wǎng)絡(luò)相關(guān)技術(shù)[11-13]，設(shè)計(jì)一個(gè)植物病蟲(chóng)害識(shí)別系統(tǒng)。先運(yùn)用遷移學(xué)習(xí)的技術(shù)對(duì)VGG19模型進(jìn)行適配性改進(jìn)，優(yōu)化模型，再基于Python平臺(tái)使用PyQt5設(shè)計(jì)圖形用戶(hù)系統(tǒng)。最后，導(dǎo)入植物病蟲(chóng)害識(shí)別模型，并將系統(tǒng)上傳到云服務(wù)器，以期實(shí)現(xiàn)移動(dòng)端具體植物病蟲(chóng)害識(shí)別。

1 植物病蟲(chóng)害識(shí)別模型

1.1 主干網(wǎng)絡(luò)

植物病蟲(chóng)害識(shí)別模型采用視覺(jué)幾何小組19[14](Visual Geometry Group,VGG19)作為主干網(wǎng)絡(luò)，主要包括5個(gè)卷積塊和3個(gè)全鏈接層，每個(gè)卷積塊中含有多個(gè)卷積層和1個(gè)池化層，所有的卷積核均采用3×3大小且步長(zhǎng)為1，由輸入層輸入圖像數(shù)據(jù)，輸出層輸出分類(lèi)結(jié)果。模型具體結(jié)構(gòu)示意圖如圖1所示。

圖1 VGG19網(wǎng)絡(luò)模型結(jié)構(gòu)示意圖

1.2 模型改進(jìn)

對(duì)原VGG19模型進(jìn)行適配性改進(jìn)，將原有的“4 096+4 096”組合的全連接層調(diào)整為“2 048+2 048”組合的全連接層，同時(shí)將最終分類(lèi)層的分類(lèi)數(shù)調(diào)整為38類(lèi)。

構(gòu)建好基本的卷積神經(jīng)網(wǎng)絡(luò)模型后，對(duì)一些超參數(shù)進(jìn)行調(diào)試。將模型訓(xùn)練的學(xué)習(xí)率設(shè)置為0.001，學(xué)習(xí)率代表網(wǎng)絡(luò)權(quán)重更新的速度，設(shè)置太大會(huì)影響模型準(zhǔn)確率，過(guò)小則會(huì)增加模型的訓(xùn)練時(shí)間。每次訓(xùn)練樣本大小和訓(xùn)練輪數(shù)都會(huì)對(duì)模型訓(xùn)練產(chǎn)生影響，將每批樣本大小設(shè)置為32，訓(xùn)練輪數(shù)設(shè)置為30。同時(shí)，在模型當(dāng)中加入數(shù)值為0.5的Dropout層，訓(xùn)練中可隨機(jī)舍棄部分神經(jīng)元，防止過(guò)擬合的發(fā)生。

在模型訓(xùn)練過(guò)程中，采用遷移學(xué)習(xí)的方法，對(duì)模型進(jìn)行初步的預(yù)訓(xùn)練。遷移通過(guò)Imagenet數(shù)據(jù)集訓(xùn)練模型的權(quán)重。相比從隨機(jī)權(quán)重開(kāi)始訓(xùn)練模型，通過(guò)遷移學(xué)習(xí)的方法賦予合理的初始權(quán)重，極大地減少了模型的訓(xùn)練時(shí)間和運(yùn)算量，使模型可以更快地達(dá)到較高的準(zhǔn)確率，同時(shí)在一定程度上提升模型的泛化性能。

使用遷移學(xué)習(xí)的方法進(jìn)行網(wǎng)絡(luò)訓(xùn)練時(shí)，依據(jù)數(shù)據(jù)集的訓(xùn)練情況對(duì)最終層進(jìn)行重構(gòu)，并進(jìn)行微調(diào)。對(duì)于一個(gè)多層的網(wǎng)絡(luò)模型，低層網(wǎng)絡(luò)將學(xué)習(xí)檢測(cè)到圖像的通用特征，層數(shù)越深檢測(cè)到的特征越詳細(xì)，最后一層往往檢測(cè)到的是圖像的具體特征。

在模型訓(xùn)練過(guò)程中，凍結(jié)不同的網(wǎng)絡(luò)層數(shù)進(jìn)行再訓(xùn)練，隨著凍結(jié)層數(shù)的減少，需要重新訓(xùn)練的模型層數(shù)增加，訓(xùn)練所需時(shí)間也在增加。當(dāng)模型凍結(jié)層數(shù)為前18層時(shí)，準(zhǔn)確率達(dá)到較高的水平[15]。因此，選擇凍結(jié)前18層的再訓(xùn)練模型作為植物常見(jiàn)病蟲(chóng)害識(shí)別系統(tǒng)的基礎(chǔ)模型。

1.3 數(shù)據(jù)及圖像預(yù)處理

選取PlantVillage數(shù)據(jù)集中部分圖像，同時(shí)收集網(wǎng)絡(luò)圖像數(shù)據(jù)，組成混合數(shù)據(jù)集，共38類(lèi)70 295張圖像。數(shù)據(jù)集按植物所屬種類(lèi)和病蟲(chóng)害種類(lèi)進(jìn)行歸類(lèi)，將所有數(shù)據(jù)按照7∶3的比例劃分為訓(xùn)練集和測(cè)試集。混合數(shù)據(jù)集部分圖像數(shù)據(jù)樣例如圖2所示。

在真實(shí)拍攝環(huán)境條件下，植物的圖像受到環(huán)境實(shí)況、設(shè)備條件和拍攝人員的專(zhuān)業(yè)性等多種因素的影響，導(dǎo)致不同來(lái)源的植物圖像數(shù)據(jù)差異較大，甚至存在質(zhì)量不佳的圖像數(shù)據(jù)，這對(duì)植物病蟲(chóng)害識(shí)別模型的訓(xùn)練造成一定的干擾。因此，在正式開(kāi)始對(duì)模型的訓(xùn)練前，要對(duì)圖像進(jìn)行預(yù)處理，提高模型訓(xùn)練效率的同時(shí)提高最終模型識(shí)別準(zhǔn)確率。

首先，對(duì)圖像背景進(jìn)行簡(jiǎn)單化處理，剪去和植物病狀不相關(guān)的背景。其次，經(jīng)過(guò)多年的研究發(fā)現(xiàn)，植物的病狀主要體現(xiàn)在葉片當(dāng)中，因此，提取植物的葉片為主要區(qū)域，剪去根部、花朵和果實(shí)等部位。考慮到數(shù)據(jù)集圖片多數(shù)來(lái)源于網(wǎng)絡(luò)，存在各個(gè)類(lèi)別樣本數(shù)目分布不均衡，因此采用數(shù)據(jù)增強(qiáng)的方式對(duì)數(shù)據(jù)集進(jìn)行擴(kuò)充，平衡各個(gè)數(shù)據(jù)集樣本的同時(shí)增強(qiáng)訓(xùn)練模型的魯棒性和可靠性[16]。增強(qiáng)策略包括旋轉(zhuǎn)、裁剪和縮放等。最后，將數(shù)據(jù)集圖像進(jìn)行尺寸歸一化，統(tǒng)一將圖像尺寸大小設(shè)置為224×224。

1.4 實(shí)驗(yàn)結(jié)果

使用原始VGG19網(wǎng)絡(luò)，改變網(wǎng)絡(luò)的分類(lèi)層，經(jīng)過(guò)數(shù)據(jù)集訓(xùn)練后模型的準(zhǔn)確率為95.32%。為了提升模型準(zhǔn)確率，增強(qiáng)模型泛化能力，分別在模型的全連接層組合、遷移學(xué)習(xí)凍結(jié)層數(shù)和Dropout取值方面進(jìn)行實(shí)驗(yàn)改進(jìn)。

遷移經(jīng)過(guò)預(yù)訓(xùn)練的VGG19網(wǎng)絡(luò)，刪除網(wǎng)絡(luò)的全連接層，剩余網(wǎng)絡(luò)結(jié)構(gòu)不變，加入數(shù)值為0.5的Dropout層，設(shè)計(jì)不同全連接層組合并凍結(jié)網(wǎng)絡(luò)的前18層，在相同的數(shù)據(jù)集和訓(xùn)練參數(shù)下對(duì)模型再訓(xùn)練。不同組合的全連接層對(duì)應(yīng)的模型準(zhǔn)確率如表1所示。

表1 不同全連接層組合對(duì)應(yīng)的準(zhǔn)確率

由表1可知，“2048-2048”的全連接層結(jié)構(gòu)的模型準(zhǔn)確率最高。

固定模型“2048-2048”的全連接層結(jié)構(gòu)，加入數(shù)值為0.5的Dropout層，分別凍結(jié)網(wǎng)絡(luò)的前18層、前19層和前20層，在相同的數(shù)據(jù)集和訓(xùn)練參數(shù)下對(duì)模型再訓(xùn)練。凍結(jié)不同層再訓(xùn)練模型準(zhǔn)確率如表2所示。

表2 凍結(jié)不同層數(shù)再訓(xùn)練模型準(zhǔn)確率

由表2可知，凍結(jié)網(wǎng)絡(luò)前18層的模型準(zhǔn)確率最高。

固定模型“2 048-2 048”的全連接層結(jié)構(gòu)，凍結(jié)網(wǎng)絡(luò)的前18層，設(shè)置不同Dropout值，在相同的數(shù)據(jù)集和訓(xùn)練參數(shù)下對(duì)模型再訓(xùn)練。不同Dropout層對(duì)應(yīng)模型的準(zhǔn)確率如表3所示。

表3 不同Dropout層對(duì)應(yīng)訓(xùn)練模型準(zhǔn)確率

由表3可知，加入數(shù)值為0.5的Dropout層的模型準(zhǔn)確率最高。

因此，由表1、表2和表3結(jié)果可得，“2048-2048”的全連接層結(jié)構(gòu)、數(shù)值為0.5的Dropout層和凍結(jié)網(wǎng)絡(luò)前18層的模型為最優(yōu)改進(jìn)模型。

將最優(yōu)改進(jìn)模型訓(xùn)練30輪，訓(xùn)練結(jié)果如圖3所示。

圖3 模型訓(xùn)練結(jié)果曲線(xiàn)

由圖3可以看出，訓(xùn)練準(zhǔn)確率曲線(xiàn)在訓(xùn)練了12輪之后雖有小幅度波動(dòng)但總體保持平穩(wěn)，大部分在0.99～1.00之間波動(dòng)，損失也下降到了0.025 0附近且波動(dòng)很小。最終訓(xùn)練后的模型準(zhǔn)確率為99.58%，損失為0.020 6，相比原始VGG19模型準(zhǔn)確率提升了4.26%，經(jīng)過(guò)適配性改進(jìn)后模型更適合作為系統(tǒng)的基礎(chǔ)識(shí)別模型，保存訓(xùn)練好的模型。

2 植物病蟲(chóng)害識(shí)別系統(tǒng)的實(shí)現(xiàn)

2.1 系統(tǒng)設(shè)計(jì)

系統(tǒng)主要采用Qt5進(jìn)行設(shè)計(jì)。PyQt5是Qt5的Python平臺(tái)接口，包括一整套用于界面開(kāi)發(fā)的組件，能夠方便調(diào)用功能函數(shù)進(jìn)行數(shù)據(jù)分析和圖形處理。通過(guò)設(shè)計(jì)圖形用戶(hù)界面(Graphical User Interface,GUI)，直觀(guān)地展示內(nèi)部模型所實(shí)現(xiàn)的功能。

植物病蟲(chóng)害識(shí)別系統(tǒng)主要由系統(tǒng)登陸、密碼修改和識(shí)別界面等3部分組成。程序開(kāi)始運(yùn)行后直接彈出的系統(tǒng)初始界面如圖4所示。

圖4 系統(tǒng)初始界面

注冊(cè)登陸或者直接游客訪(fǎng)問(wèn)進(jìn)入系統(tǒng)識(shí)別主界面如圖5所示，包括打開(kāi)文件、識(shí)別、清除和退出。

圖5 系統(tǒng)識(shí)別主界面

進(jìn)入系統(tǒng)識(shí)別主界面后，通過(guò)“打開(kāi)文件”可以直接選取要識(shí)別的植物圖片，相應(yīng)的圖片可以在展示區(qū)看到。通過(guò)“識(shí)別”按鈕，系統(tǒng)首先將輸入的圖片進(jìn)行預(yù)處理，自動(dòng)調(diào)整圖像大小為224×224并矩陣化后輸入到改進(jìn)的VGG19模型當(dāng)中進(jìn)行識(shí)別。最后，輸出識(shí)別后的病蟲(chóng)害名稱(chēng)并對(duì)用戶(hù)展示相應(yīng)病蟲(chóng)害簡(jiǎn)介信息。“清除”操作可以終止當(dāng)前識(shí)別任務(wù)并清除界面信息，方便下次識(shí)別。“退出”可以直接返回系統(tǒng)初始界面。具體植物病蟲(chóng)害識(shí)別案例如圖6所示。

圖6 植物病蟲(chóng)害識(shí)別案例

2.2 移動(dòng)端應(yīng)用

近年來(lái)，隨著5G和互聯(lián)網(wǎng)的飛速發(fā)展，出現(xiàn)越來(lái)越多的智能應(yīng)用軟件。基于電腦端的檢測(cè)控制系統(tǒng)向著小型化、便攜化的智能應(yīng)用軟件發(fā)展。

將植物病蟲(chóng)害識(shí)別系統(tǒng)上傳到云服務(wù)器，采用“后臺(tái)服務(wù)器+小程序”結(jié)構(gòu)，以微信作為軟件平臺(tái)，利用騰訊云服務(wù)器存儲(chǔ)數(shù)據(jù)信息，同時(shí)可以直接使用微信賬號(hào)登陸小程序，免除了程序用戶(hù)注冊(cè)這一流程，使軟件應(yīng)用更加便攜、可信。構(gòu)建的植物病蟲(chóng)害識(shí)別小程序，不僅可以應(yīng)用到農(nóng)業(yè)種植當(dāng)中，在居家生活中，亦可應(yīng)用于盆栽養(yǎng)護(hù)中。同時(shí)，以微信為平臺(tái)的植物常見(jiàn)病蟲(chóng)害識(shí)別小程序具有良好的通用特性及廣泛的用戶(hù)群體。在小程序具備一定用戶(hù)后，通過(guò)大量用戶(hù)的使用和測(cè)試，不斷更新和改進(jìn)程序不足，最終達(dá)到穩(wěn)定的小程序版本。

3 結(jié)語(yǔ)

基于VGG19模型的植物病蟲(chóng)害識(shí)別系統(tǒng)首先通過(guò)爬蟲(chóng)等技術(shù)手段，收集整理相關(guān)的圖片數(shù)據(jù)集。其次，對(duì)圖像進(jìn)行預(yù)處理并采用數(shù)據(jù)增強(qiáng)等方法對(duì)數(shù)據(jù)集進(jìn)行一定的改善和擴(kuò)充。通過(guò)對(duì)VGG19模型進(jìn)行適配性調(diào)整，構(gòu)建基礎(chǔ)的植物病蟲(chóng)害識(shí)別模型。最后，基于Python平臺(tái)使用PyQt5設(shè)計(jì)圖形用戶(hù)系統(tǒng)，導(dǎo)入植物病蟲(chóng)害識(shí)別模型，實(shí)現(xiàn)具體植物病蟲(chóng)害識(shí)別。同時(shí)，利用騰訊云服務(wù)構(gòu)建“后臺(tái)服務(wù)器+小程序”的植物病蟲(chóng)害識(shí)別小程序，使得移動(dòng)端應(yīng)用場(chǎng)景更為廣泛。但該研究仍然存在著一定的可擴(kuò)展性，將機(jī)器視覺(jué)中攝像頭采集技術(shù)和紅外光譜相融合，并應(yīng)用于識(shí)別系統(tǒng)當(dāng)中，是未來(lái)植物病蟲(chóng)害識(shí)別應(yīng)用中的研究熱點(diǎn)和方向。