基于輕量化神經(jīng)網(wǎng)絡(luò)的葡萄葉部病害檢測(cè)裝置研制

許文燕

(1.廣州南洋理工職業(yè)學(xué)院智能工程學(xué)院,廣東廣州 510925; 2.華南理工大學(xué)機(jī)械與汽車工程學(xué)院,廣東廣州 510641)

目前,隨著果園葡萄種植模式不斷復(fù)雜化、精細(xì)化,葡萄樹(shù)生長(zhǎng)過(guò)程中所遇到的病蟲(chóng)害情況也越來(lái)越復(fù)雜。如何快速、準(zhǔn)確地檢測(cè)葡萄葉部病害并采取相關(guān)防治措施及時(shí)止損[1-3],對(duì)于提高葡萄的品質(zhì)與產(chǎn)量至關(guān)重要。隨著計(jì)算機(jī)視覺(jué)技術(shù)的不斷發(fā)展,果園病蟲(chóng)害檢測(cè)技術(shù)也取得了長(zhǎng)足進(jìn)步。常見(jiàn)的果園病蟲(chóng)害檢測(cè)方法主要分為傳統(tǒng)機(jī)器視覺(jué)方法與深度學(xué)習(xí)方法兩大類。傳統(tǒng)機(jī)器視覺(jué)方法一般需要人工提取病蟲(chóng)害顏色、紋理、輪廓等特征[4-7],并對(duì)這些特征進(jìn)行稀疏編碼后采用特征分類器進(jìn)行分類[8-9]。此類方法往往存在識(shí)別種類少、識(shí)別精度低等問(wèn)題[10],因此難以大規(guī)模推廣應(yīng)用。如王利偉等利用數(shù)字圖像處理提取15個(gè)葡萄病害區(qū)域形狀、紋理、顏色等特征輸入到支持向量機(jī)進(jìn)行葡萄葉部病害的識(shí)別,識(shí)別準(zhǔn)確率可達(dá)90%以上[6]。鄭建華等綜合利用RGB顏色矩、HSV顏色直方圖特征、GLCM紋理特征、HOG特征共4種特征集訓(xùn)練SVM獲得了93.41%的識(shí)別準(zhǔn)確率[7]。張梓婷等提出了一種基于k-means++聚類與圖像分塊的農(nóng)作物葉片病害異常檢測(cè)方法,對(duì)馬鈴薯、玉米、蘋果葉片檢測(cè)精度可達(dá) 89%以上[11]。傳統(tǒng)機(jī)器視覺(jué)方法識(shí)別精度非常依賴特征工程,對(duì)于相似病蟲(chóng)害往往難以識(shí)別[12]。

然而,深度學(xué)習(xí)技術(shù)卻能夠自動(dòng)提取相似病蟲(chóng)害深度特征進(jìn)行識(shí)別,識(shí)別準(zhǔn)確率高、泛化能力強(qiáng),近年來(lái)被廣泛應(yīng)用在果園病蟲(chóng)害識(shí)別領(lǐng)域[13]。如樊湘鵬等基于遷移學(xué)習(xí)和改進(jìn)VGG16模型檢測(cè)葡萄葉部病害,并將其部署在手機(jī)APP上,平均識(shí)別精度達(dá)95.67%[14]。何欣等提出了一種基于多尺度殘差神經(jīng)網(wǎng)絡(luò)的葡萄葉片病害識(shí)別方法,使用Mask R-CNN提取葡萄葉片部位,并加入多尺度卷積等多種策略提升網(wǎng)絡(luò)特征提取能力,最終輸入到Multi-Scale ResNet中進(jìn)行識(shí)別,準(zhǔn)確率可達(dá)90.83%[15]。劉闐宇等提出了一種多角度建議區(qū)域的Faster-RCNN準(zhǔn)確定位圖像中葡萄葉片病害部位并進(jìn)行識(shí)別的方法,并在真實(shí)場(chǎng)景下進(jìn)行檢測(cè)識(shí)別效果較好[16]。喬虹等利用Faster R-CNN算法對(duì)葡萄葉片病害進(jìn)行動(dòng)態(tài)檢測(cè),檢測(cè)準(zhǔn)確率達(dá)到了90.9%[17]。上述研究采用各自模型取得較好研究效果的同時(shí),也存在模型網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜、參數(shù)量龐大、運(yùn)算量要求高等缺點(diǎn)[18-21]。因此,目前迫切需要對(duì)它們進(jìn)行優(yōu)化改進(jìn),以滿足在內(nèi)存、算力資源受限的嵌入式設(shè)備上運(yùn)用的要求[22]。

針對(duì)SqueezeNet網(wǎng)絡(luò)結(jié)構(gòu)中Fire模塊數(shù)量過(guò)多、卷積核尺寸過(guò)大而導(dǎo)致模型運(yùn)行效率低的問(wèn)題[23-27],進(jìn)行優(yōu)化改進(jìn)以提高其在嵌入式設(shè)備上的運(yùn)行效率,然后將改進(jìn)網(wǎng)絡(luò)作為葡萄病害識(shí)別模型,擬研制一種便攜式果園葡萄病害快速識(shí)別與檢測(cè)裝置,以期為果園病蟲(chóng)害信息快速獲取與智能化管理提供技術(shù)與裝備支持。

1 材料與方法

1.1 研究路線

基于改進(jìn)SqueezeNet的葡萄葉部病害識(shí)別與檢測(cè)技術(shù)路線如圖1所示。該路線包括數(shù)據(jù)獲取、數(shù)據(jù)預(yù)處理、數(shù)據(jù)集制作、模型設(shè)計(jì)、模型訓(xùn)練以及在移動(dòng)設(shè)備上進(jìn)行模型部署。一般來(lái)講,采集的圖像數(shù)據(jù)中或多或少都會(huì)存在部分缺失、分布不均衡、分布異常、混有無(wú)關(guān)緊要的數(shù)據(jù)等問(wèn)題[28],通常都需要對(duì)其進(jìn)行數(shù)據(jù)預(yù)處理,即剔除無(wú)效數(shù)據(jù)、標(biāo)準(zhǔn)化、數(shù)據(jù)增強(qiáng)以及數(shù)據(jù)標(biāo)注等操作,以滿足模型訓(xùn)練要求。然后,將預(yù)處理過(guò)的數(shù)據(jù)按照一定比例隨機(jī)劃分?jǐn)?shù)據(jù)集。在識(shí)別模型選取方面,以SqueezeNet模型為基礎(chǔ)進(jìn)行輕量化改進(jìn)并訓(xùn)練,將訓(xùn)練完成后的模型進(jìn)行量化并導(dǎo)出部署在移動(dòng)設(shè)備,最終完成深度學(xué)習(xí)模型在果園病蟲(chóng)害檢測(cè)方面的落地應(yīng)用。

1.2 試驗(yàn)數(shù)據(jù)

1.2.1 數(shù)據(jù)獲取 從AI Challenger 2018農(nóng)作物病害數(shù)據(jù)集中獲取3 144張葡萄葉片樣本。其中,健康葉片336張,病害葉片2 808張(表1)。考慮到葡萄健康葉片數(shù)量過(guò)少,另外,從廣州市從化區(qū)(113.59°E,23.55°N)世外萄園中,利用飛螢8 SE相機(jī)(分辨率1 280像素×720像素)人工拍攝了366張真實(shí)環(huán)境下的葡萄健康葉片圖像(圖2),總計(jì)3 510張樣本圖像。在全部樣本圖像中,包含了健康、黑腐病、褐斑病以及輪斑病4種葡萄葉片。

表1 葡萄葉片樣本數(shù)量

1.2.2 數(shù)據(jù)增強(qiáng) 考慮到各類病害樣本數(shù)量分布不均,為防止模型產(chǎn)生過(guò)擬合問(wèn)題,采用數(shù)據(jù)增強(qiáng)技術(shù)[29],對(duì)各類樣本增加水平、垂直翻轉(zhuǎn)、隨機(jī)添加噪聲等操作(圖3),將圖像樣本由原來(lái)的3 510張?jiān)黾拥?1 060張。因數(shù)據(jù)增強(qiáng)前后圖像大小存在差異,使用MATLAB自編函數(shù)將其統(tǒng)一調(diào)整至224像素×224像素。

1.2.3 數(shù)據(jù)集制作 將數(shù)據(jù)增強(qiáng)后的樣本按 8 ∶1 ∶1 的比例隨機(jī)劃分成訓(xùn)練集、驗(yàn)證集以及測(cè)試集(表2)。其中,驗(yàn)證集主要用于模型的交叉驗(yàn)證[28],測(cè)試集則用于評(píng)估最終模型的泛化能力[30]。

表2 各數(shù)據(jù)集樣本數(shù)量

1.3 模型設(shè)計(jì)與改進(jìn)

1.3.1 基礎(chǔ)模型 近年來(lái),隨著深度學(xué)習(xí)技術(shù)的不斷發(fā)展,卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural networks,CNN)也由原來(lái)的8層AlexNet[18]增加到16層VGG-16[19],再到后來(lái)的22層的GoogLeNet[20]、101層的ResNet-101[31]以及201層的DenseNet-201[32]等。為了提高模型識(shí)別精度,科研人員往往采用更深的網(wǎng)絡(luò)結(jié)構(gòu)。但是這些臃腫而龐大的模型難以在算力資源受限的移動(dòng)設(shè)備上運(yùn)用[21-22]。為了使深度學(xué)習(xí)模型能夠真正運(yùn)用到嵌入式設(shè)備上,許多科研人員也做了大量的模型輕量化研究[20-21,23,29,33-34]。例如Iandola在2016年提出了一種輕量化的神經(jīng)網(wǎng)絡(luò)模型SqueezeNet[35],其結(jié)構(gòu)見(jiàn)圖4。SqueezeNet模型在識(shí)別精度與AlexNet相當(dāng)?shù)耐瑫r(shí)它的參數(shù)量?jī)H僅是AlexNet的1/50。因此,本研究以經(jīng)典的SqueezeNet模型為基礎(chǔ),對(duì)其做進(jìn)一步改進(jìn)優(yōu)化,使得它能夠在移動(dòng)嵌入式設(shè)備上擁有更好的效率與精度。

由圖4-a可知,該模型結(jié)構(gòu)主要有8個(gè)Fire模塊構(gòu)成,還含有3個(gè)最大池化層(Max Pooling Layer)和1個(gè)全局平均池化層(Global Average Pooling Layer)。SqueezeNet模型的核心在于Fire模塊,它包括Squeeze層和Expand層2個(gè)部分,其結(jié)構(gòu)見(jiàn)圖 4-b。通常將Fire模塊定義為Fire(M,N,E1,E2),其中M、N分別代表Squeeze層的輸入、輸出通道數(shù);E1、E2則分別代表Expand層中的1×1、3×3卷積核的數(shù)量。由圖4-a可知,每經(jīng)過(guò)一次最大池化操作,特征圖的大小變?yōu)樵瓉?lái)的1/4,因此最大池化可以減少模型計(jì)算量。Dropout層會(huì)隨機(jī)失活一部分神經(jīng)元,從而防止模型出現(xiàn)過(guò)擬合[36]。卷積層10(Conv10)采用1×1卷積核,輸入通道數(shù)為512,輸出通道數(shù)為1 000,輸出特征圖大小為13×13。卷積層10的輸出經(jīng)過(guò)全局平均池化層(Global Average Pooling Layer)后,將特征向量輸入Softmax分類器,由Softmax分類器計(jì)算1 000種類別的概率,并將概率最大的類別作為模型最終識(shí)別結(jié)果[10]。

1.3.2 改進(jìn)模型 原SqueezeNet模型是在大型數(shù)據(jù)集ImageNet上做過(guò)預(yù)訓(xùn)練,其分類數(shù)目是1 000類。本研究葡萄葉片樣本為4類,需要在原SqueezeNet模型中將其改為4類。由于本研究識(shí)別種類較少,所以并不需要如此深的網(wǎng)絡(luò)結(jié)構(gòu)。這里參照文獻(xiàn)[23]中的研究方法,在SqueezeNet模型基礎(chǔ)上,先移除Fire5、Fire6、Fire7這3個(gè)模塊。為了保證輸入到Fire8的通道數(shù)與前面一致,需要把Fire8模塊的參數(shù)修改為Fire(256,32,256,256),即將該模塊中的輸入通道數(shù)由512減少為256,同時(shí)把Squeeze層的輸出通道由64減少為32。研究表明,利用1×1卷積替換3×3卷積,可大幅度降低模型計(jì)算量[37]。因?yàn)?×3卷積核有9個(gè)參數(shù),每進(jìn)行1次卷積需要做9次浮點(diǎn)乘法和1次浮點(diǎn)加法運(yùn)算,而1×1卷積核僅有1個(gè)參數(shù),只進(jìn)行1次浮點(diǎn)乘法運(yùn)算,所以1次1×1卷積的運(yùn)算量約為3×3卷積運(yùn)算的 1/9[38]。基于此原理,考慮將SqueezeNet模型中部分3×3卷積核用1×1卷積核替換。這樣不僅減少了模型參數(shù)量,而且也顯著地降低了模型運(yùn)算量。具體做法是：(1)將Conv1的卷積核大小由 7×7 改為3×3,并將卷積核個(gè)數(shù)調(diào)整為64。(2)將Fire模塊中的1×1和3×3卷積核數(shù)量由原來(lái)1 ∶1的比例調(diào)整為3 ∶1進(jìn)行重新分配[23]。此外,由于每進(jìn)行1次最大池化操作,特征圖的大小會(huì)減少為原來(lái)的 1/4,然而特征圖的大小又與深度學(xué)習(xí)架構(gòu)的運(yùn)算量有著密切關(guān)系。(3)對(duì)于Fire2、Fire3模塊,如將其移到MaxPooling2之后,此時(shí)特征圖的大小變?yōu)樵瓉?lái)的1/4,計(jì)算量相應(yīng)也會(huì)減少為原來(lái)的1/4。將上述改進(jìn)后的SqueezeNet模型命名為T-SNet(即Tiny-SqueezeNet的縮寫)與原模型以示區(qū)別,其具體結(jié)構(gòu)見(jiàn)圖5。

1.4 評(píng)價(jià)指標(biāo)

本研究采用混淆矩陣評(píng)價(jià)改進(jìn)模型性能優(yōu)劣。其中,精準(zhǔn)率、召回率以及準(zhǔn)確率的基本定義如下。

精準(zhǔn)率(Precision),又稱查準(zhǔn)率,是分類器預(yù)測(cè)的正樣本中預(yù)測(cè)正確的比例。其取值范圍在0～1之間,取值越大表示模型預(yù)測(cè)能力越強(qiáng)。

(1)

召回率(Recall),又稱查全率,是分類器預(yù)測(cè)正確的正樣本占所有正樣本的比例。其取值范圍在 0～1之間,取值越大表示模型預(yù)測(cè)能力越強(qiáng)。

(2)

準(zhǔn)確率(Accuracy)則是分類器預(yù)測(cè)正確的樣本占所有預(yù)測(cè)樣本的比例。其取值范圍在0～1之間,取值越大表示模型綜合預(yù)測(cè)能力越強(qiáng)。

(3)

其中,FP表示樣本為負(fù),但預(yù)測(cè)為正的數(shù)量;FN表示樣本為正,但預(yù)測(cè)為負(fù)的數(shù)量;TP表示樣本為正,且預(yù)測(cè)也為正的數(shù)量;TN表示樣本為負(fù),且預(yù)測(cè)也為負(fù)的數(shù)量。

在正、負(fù)樣本不均衡情況下,使用單一指標(biāo)來(lái)評(píng)價(jià)模型具有一定的局限性[23]。因此,綜合使用3種評(píng)價(jià)指標(biāo)對(duì)改進(jìn)模型進(jìn)行全面而科學(xué)的評(píng)價(jià)[39]。

2 結(jié)果與討論

2.1 模型訓(xùn)練

模型訓(xùn)練環(huán)境為MATLAB 2021b版本,其硬件配置為：Windows 10專業(yè)版64位操作系統(tǒng),CPU為英特爾i7-10700,GPU為英偉達(dá)GTX 1660 Super 6 GB,主板為微星MAG B460M,內(nèi)存為32 G。

2.1.1 超參數(shù)設(shè)置 在模型訓(xùn)練時(shí),將訓(xùn)練超參數(shù)設(shè)置為：初始學(xué)習(xí)率(Initial Learning Rate)為0.001,學(xué)習(xí)率衰減因子(Learning Rate Drop Factor)為0.1,學(xué)習(xí)率衰減周期(Learning Rate Drop Period)為10輪/次,最大訓(xùn)練輪數(shù)(Max Epoch)為30輪,MinibatchSize為64,求解器為SGDM(Stochastic Gradient Descent with Momentum),驗(yàn)證頻率(Validation Frequency)為每100次迭代驗(yàn)證1次,利用GPU加速運(yùn)算,Dropout層隨機(jī)失活神經(jīng)元概率設(shè)置0.5,模型內(nèi)部參數(shù)初始化采用經(jīng)過(guò)ImageNet數(shù)據(jù)集訓(xùn)練過(guò)的SqueezeNet模型權(quán)重值。

2.1.2 訓(xùn)練結(jié)果 在相同試驗(yàn)條件下,進(jìn)行模型訓(xùn)練,得到原模型與改進(jìn)模型的訓(xùn)練精度曲線與訓(xùn)練損失曲線(圖6)。在相同試驗(yàn)條件下,原SqueezeNet模型與T-SNet模型訓(xùn)練曲線大體一致。但T-SNet模型由于參數(shù)量、運(yùn)算量更少、網(wǎng)絡(luò)結(jié)構(gòu)更加輕量化,在訓(xùn)練時(shí)能夠更快地收斂,經(jīng)過(guò)約25 min訓(xùn)練,最終訓(xùn)練精度為99.32%,損失值為0.013 2。原SqueezeNet模型因網(wǎng)絡(luò)深度較深,權(quán)重多且更新慢,因此導(dǎo)致其收斂速度慢。經(jīng)過(guò)約40 min訓(xùn)練最終訓(xùn)練精度為99.65%,損失值為0.012 1。在大幅度降低T-SNet模型參數(shù)量與運(yùn)算量的同時(shí)訓(xùn)練精度僅下降0.33%,表明T-SNet模型結(jié)構(gòu)設(shè)計(jì)較為合理。

2.1.3 特征可視化 為論證改進(jìn)模型的特征提取能力,利用t-SNE算法(t-distributed Stochastic Neighbor Embedding Algorithm)將模型所提取得深層特征進(jìn)行可視化。所使用的t-SNE算法,又稱 t-分布隨機(jī)鄰近嵌入算法,是一種用于非線性數(shù)據(jù)降維的機(jī)器學(xué)習(xí)算法[40]。該算法主要思想是將高維點(diǎn)嵌入低維點(diǎn),重點(diǎn)關(guān)注數(shù)據(jù)點(diǎn)之間的相似性。高維空間中鄰近點(diǎn)轉(zhuǎn)化為鄰近的嵌入低維點(diǎn),而高維空間中遠(yuǎn)點(diǎn)轉(zhuǎn)化為遠(yuǎn)處的嵌入低維點(diǎn)[41]。因此,可以將高維數(shù)據(jù)進(jìn)行可視化,即從原始高維數(shù)據(jù)中找到同類簇[42]。t-SNE算法相關(guān)參數(shù)設(shè)置,Perplexity為30,迭代次數(shù)為500次,采用歐氏距離計(jì)算數(shù)據(jù)點(diǎn)之間的距離。原SqueezeNet模型與改進(jìn)T-SNet模型從數(shù)據(jù)集中提取的分類特征如圖7所示。

由圖7可知,優(yōu)化前后模型提取特征的能力旗鼓相當(dāng),都能準(zhǔn)確地提取葡萄葉部健康、病害特征。結(jié)果表明改進(jìn)后的模型特征提取能力較強(qiáng),并沒(méi)有出現(xiàn)明顯的下降。因此,可將改進(jìn)后的模型用于葡萄葉部病害的特征提取與識(shí)別。

2.1.4 模型性能測(cè)試 為驗(yàn)證改進(jìn)模型的泛化能力,利用測(cè)試集數(shù)據(jù)來(lái)測(cè)試改進(jìn)模型的識(shí)別性能。同時(shí),為體現(xiàn)改進(jìn)模型的優(yōu)越性,選取經(jīng)典的輕量化網(wǎng)絡(luò)模型Xception、ShuffleNetv1、MobileNetv2以及原SqueezeNet作為對(duì)比分析,5種輕量化模型的參數(shù)信息及測(cè)試結(jié)果如表3所示。

表3 模型各項(xiàng)性能參數(shù)與測(cè)試結(jié)果

由表3可知,5種模型識(shí)別性能均表現(xiàn)優(yōu)異,其準(zhǔn)確率都達(dá)到了99%以上。在4種原始模型當(dāng)中,SqueezeNet模型不論是在模型參數(shù)方面,還是識(shí)別精度方面均表現(xiàn)最佳。T-SNet模型在原模型基礎(chǔ)上,大幅度降低模型內(nèi)存需求以及參數(shù)量的情況下,仍具有99%以上的識(shí)別精度,再次證明了所設(shè)計(jì)模型的合理性。T-SNet模型識(shí)別準(zhǔn)確率、精準(zhǔn)率以及召回率分別為99.04%、99.23%、99.24%,相比于SqueezeNet模型分別降低了0.32、0.27、0.26百分點(diǎn)。在模型性能參數(shù)方面,T-SNet模型內(nèi)存需求、參數(shù)量分別為原模型的21.14%,51.20%。在識(shí)別精度相差不到0.5%的情況下,T-SNet 具有更小的模型內(nèi)存以及參數(shù)量。因此,改進(jìn)模型是明顯優(yōu)于原SqueezeNet模型的。

2.2 檢測(cè)裝置設(shè)計(jì)

2.2.1 硬件設(shè)計(jì) 為實(shí)現(xiàn)果園葡萄葉部病害的快速檢測(cè),設(shè)計(jì)了一款果園葡萄葉部病害快速識(shí)別與檢測(cè)裝置,其結(jié)構(gòu)如圖8所示。該系統(tǒng)包含了樹(shù)莓派控制模塊、加速計(jì)算模塊、圖像采集模塊以及顯示模塊。

所設(shè)計(jì)移動(dòng)設(shè)備實(shí)物如圖9所示,樹(shù)莓派4B處理器為BCN2711四核1.5 GHz Cortex-A72處理器,4 G運(yùn)行內(nèi)存,運(yùn)行系統(tǒng)為Raspbian Buster;其他配置有USB 3.0接口、無(wú)線/有線通信模塊等。外接設(shè)備主要有3.5寸觸控顯示屏,分辨率為480×320;攝像頭為免驅(qū)USB攝像頭,焦距F 6.0 mm,視頻分辨率為640像素×480像素;通過(guò)USB 3.0接口連接USB加速棒,其型號(hào)為Intel Neural Compute Stick2,為樹(shù)莓派識(shí)別運(yùn)算提供神經(jīng)網(wǎng)絡(luò)推理加速。電源模塊采用自帶5 V/3 A輸出能力的3 000 mA鋰電池進(jìn)行供電,可供該移動(dòng)設(shè)備連續(xù)工作6 h以上。

2.2.2 軟件設(shè)計(jì) 為實(shí)現(xiàn)果園葡萄葉部病害的快速與實(shí)時(shí)檢測(cè),將T-SNet模型部署在樹(shù)莓派控制系統(tǒng)上進(jìn)行應(yīng)用。樹(shù)莓派軟件環(huán)境配置為Python3.7.3、OpenVINO庫(kù)。該設(shè)備軟件運(yùn)行流程為設(shè)備開(kāi)機(jī)、啟動(dòng)軟件、系統(tǒng)初始化、打開(kāi)攝像頭、調(diào)用深度學(xué)習(xí)模型識(shí)別,顯示識(shí)別結(jié)果等,具體流程見(jiàn)圖10。

將T-SNet模型部署到樹(shù)莓派之前,利用MATLAB軟件中的exportONNXNetwork函數(shù)將T-SNet模型轉(zhuǎn)化為ONNX文件格式,并利用OpenVINO中的DL WorkBench完成模型的量化、編譯以及部署。其中,量化是指將模型內(nèi)部權(quán)重值由單精度浮點(diǎn)型轉(zhuǎn)為8位整型,進(jìn)一步減少模型在移動(dòng)設(shè)備上運(yùn)行時(shí)的內(nèi)存占用[43],但會(huì)有一定的精度損失。然后,利用生成的IR模型文件,即描述神經(jīng)網(wǎng)絡(luò)拓?fù)潢P(guān)系的.xml文件和儲(chǔ)存模型權(quán)重和偏差數(shù)據(jù)的.bin文件。最后,將IR文件通過(guò)無(wú)線藍(lán)牙模塊傳輸?shù)綐?shù)莓派上進(jìn)行部署應(yīng)用。

2.2.3 識(shí)別效果 為分析所設(shè)計(jì)葡萄葉部病害檢測(cè)裝置的性能,隨機(jī)從測(cè)試集中選出4種葡萄健康與病害樣本,每類選取200張圖像進(jìn)行測(cè)試(圖11)。同時(shí),將2022年5月23號(hào)、2022年6月30日、2022年7月8日這3個(gè)時(shí)間段分別錄制的近 3 h 的葡萄健康葉片視頻(在廣州市從化區(qū)世外萄園中,使用飛螢8 SE相機(jī)錄制)作為移動(dòng)設(shè)備實(shí)時(shí)檢測(cè)的驗(yàn)證視頻,并利用混淆矩陣來(lái)展示移動(dòng)設(shè)備識(shí)別各類葡萄樣本的精度(圖12)。

由圖12可知,所設(shè)計(jì)移動(dòng)設(shè)備檢測(cè)葡萄葉部病害的準(zhǔn)確率為95.75%,精準(zhǔn)率為95.84%,召回率為96.23%。其中,200張健康葡萄葉片樣本被全部準(zhǔn)確識(shí)別;200張葡萄褐斑病葉片有188張被正確識(shí)別,4張被誤識(shí)別為健康,8張被識(shí)別為黑腐病;而黑腐病與輪斑病由于患病早期病害特征較為相似,因此存在一定的相互誤識(shí)別現(xiàn)象。

為測(cè)試所設(shè)計(jì)裝置的檢測(cè)效率,利用在真實(shí)果園環(huán)境下所拍攝葡萄健康樣本視頻來(lái)實(shí)時(shí)檢測(cè)葡萄健康狀況。由表4可知,在精度方面,原模型與改進(jìn)模型平均識(shí)別精度均達(dá)了95%以上,其精度相差在1百分點(diǎn)以內(nèi)。在檢測(cè)速度方面,在未使用USB加速棒的情況下,改進(jìn)模型檢測(cè)速度在8～10幀/s,原模型在3～5幀/s,視頻畫面略顯卡頓;在使用USB加速棒的情況下,改進(jìn)模型平均處理速度明顯提升可達(dá)86幀/s以上,而原模型平均檢測(cè)速度僅為 38幀/s。在使用USB加速棒的情況下,模型識(shí)別精度略微提升但不顯著。在實(shí)際應(yīng)用中發(fā)現(xiàn),若只是拍攝葡萄葉片病害圖像進(jìn)行檢測(cè),樹(shù)莓派4B自身算力基本能夠滿足使用。因此,所設(shè)計(jì)移動(dòng)便攜式葡萄病害快速檢測(cè)設(shè)備可滿足果園葡萄病害快速檢測(cè)與識(shí)別的應(yīng)用要求。

表4 所設(shè)計(jì)葡萄葉部病害檢測(cè)裝置的檢測(cè)效果

3 結(jié)論

針對(duì)果園葡萄病害葉部快速識(shí)別與檢測(cè)問(wèn)題,采集了葡萄健康、病害樣本,制作了葡萄葉部病害數(shù)據(jù)集,并利用改進(jìn)的輕量化卷積神經(jīng)網(wǎng)絡(luò)模型,開(kāi)發(fā)了一套基于深度學(xué)習(xí)的葡萄葉部病害快速識(shí)別與檢測(cè)裝置,得到了如下結(jié)論：(1)基于MATLAB平臺(tái),將經(jīng)典的SqueezeNet模型進(jìn)行輕量化改進(jìn)包括修改卷積核大小、數(shù)量以及Fire模塊數(shù)量等;改進(jìn)后,模型內(nèi)存需求由2.46 MB減少為0.52 MB,模型參數(shù)量由125萬(wàn)降低到64萬(wàn)。(2)在相同試驗(yàn)條件下,訓(xùn)練模型并進(jìn)行性能測(cè)試。在測(cè)試集上,改進(jìn)模型識(shí)別準(zhǔn)確率可達(dá)99.04%,僅比原模型下降了0.32百分點(diǎn)。利用t-SNE算法將原模型與改進(jìn)模型提取的特征進(jìn)行可視化,結(jié)果表明兩者的特征提取能力無(wú)明顯差異。(3)在真實(shí)果園環(huán)境下,所研制裝置識(shí)別準(zhǔn)確率能夠達(dá)到95.75%,視頻檢測(cè)速度可達(dá)86幀/s以上,可滿足果園葡萄病害快速識(shí)別與檢測(cè)的需求。