基于深度學習的植物表型特征圖像識別系統

關鍵詞：植物疾病；植物表型特征；卷積神經網絡

中圖分類號：G424 文獻標識碼：A

文章編號：1009-3044（2024）36-0049-04"開放科學（資源服務） 標識碼（OSID） ：

0引言

植物病理識別在農業生產和生態環境保護中具有至關重要的作用。植物病害種類繁多，包括真菌病、細菌病、病毒病以及其他病原體引發的病害，這些病害不僅降低了農作物的產量，還影響作物的質量和市場價值。例如，小麥銹病和蘋果黑星病等嚴重病害可以導致作物產量顯著下降，甚至引發大規模的經濟損失。傳統的植物病害識別方法主要依賴人工觀察和經驗判斷，這種方法不僅效率低下，而且準確性受限，難以應對大規模農業生產中的挑戰。

為了提高植物病害識別的效率和準確性，研究者們積極探索新技術。近年來，深度學習技術，特別是卷積神經網絡（CNNs） [1]，在圖像識別領域取得了顯著的進展。深度學習通過自動提取圖像特征并進行分類，克服了傳統方法中的許多限制。例如，張昕瑩[2]等采用深度學習技術構建了中藥材病蟲害圖像識別系統，優化了SE網絡與MobileNetV2網絡的融合，并引入Momentum優化算法，取得了顯著的計算性能提升。

梁萬杰[3]等通過數據預處理和增強技術構建了涵蓋多種作物的病害數據集，并使用VGG16和ResNet50模型進行識別，建立了單作物多病害和多作物多病害識別模型，并開發了智能識別系統。這些研究為植物病害的快速識別和防控提供了重要技術支持，但仍存在一些不足，如對復雜病害的識別準確性和系統的實時性等問題。

此外，王麗妍[4]通過遷移學習的方法有效處理了病蟲害圖像數量眾多且分布不均的問題，而張守震[5]等優化了IR-DCGAN模型，提升了對抗網絡的圖像識別準確率。這些研究在提升識別率方面取得了顯著成果，但在處理植物病害的復雜性和提高系統的用戶交互友好性方面仍有改進空間。

本文旨在針對當前植物病害檢測中的復雜性和識別率低等問題，提出一種基于深度學習的植物表型特征圖像識別系統[6]。該系統不僅具有高識別準確率，還具備實時性強和用戶交互友好的特點。通過這一系統的研發，期望能夠為植物病害監測領域提供一種新的解決方案，并推動農業生產的現代化和智能化發展。

1 系統總體框架設計

現代農業的核心之一是及時準確地識別并處理農作物的病蟲害。為了解決這一問題，研發了一個植物表型特征識別的桌面應用系統[7-8]，旨在為農民提供一款全面、高效且用戶友好的農作物管理工具。系統設計分為用戶層、業務層、表現層和數據庫管理層四個主要層次，如圖1所示。

用戶層提供了一個直觀且友好的界面，使用戶能夠輕松地與系統進行交互。用戶可以通過該界面上傳農作物圖像、查看檢測結果，并獲取關于病蟲害的詳細信息。

業務邏輯層處理用戶的請求，執行圖像識別和病蟲害檢測算法，分析農作物圖像，提取關鍵的表型特征，并識別可能存在的病蟲害。同時，業務邏輯層利用病蟲害數據庫為用戶提供問答方面的數據支撐。

表現層負責將業務邏輯層處理的結果以圖形或文本的形式展示給用戶，包括圖像標記、檢測結果報告及相關建議。

數據管理層負責存儲和檢索病蟲害特征數據，確保系統能夠高效地進行數據查詢和更新。

2 基本理論模型

2.1 ResNet模型

殘差神經網絡（Residual Neural Network，ResNet） 是一種深度神經網絡架構，它在2015年由微軟研究院的Kaiming He[9]等提出，并在同年的ImageNet大規模視覺識別挑戰賽（ILSVRC） 上獲得了分類任務的第一名。ResNet 通過引入一種創新的“殘差學習”（Re? sidual Learning） 機制，解決了深度網絡訓練過程中遇到的梯度消失/爆炸問題，從而使得網絡能夠達到前所未有的深度。其中，最著名的版本之一是深度為152層的ResNet-152。殘差模塊如圖2所示。

ResNet的殘差學習機制通過在每層之間引入殘差連接（skip connections） ，使網絡能夠直接學習輸入和輸出之間的殘差，而不是直接學習復雜的映射。這種設計簡化了深層網絡的訓練問題，將其轉化為較淺層網絡的訓練問題，從而避免了隨著網絡層數增加而導致的梯度消失和爆炸問題。具體來說，傳統神經網絡中的每一層試圖直接學習一個映射 H （x），而在ResNet中，每一層學習的是殘差映射：

這種方式如果最優映射更接近于恒等映射，殘差映射F （x）會更容易優化。

相比傳統卷積神經網絡（CNN） ，ResNet具有顯著的優勢。首先，ResNet支持構建更深的網絡結構，通過引入殘差連接，ResNet可以輕松地訓練超過100層的深層網絡，而不會出現梯度消失或爆炸的問題。其次，ResNet在多個計算機視覺任務中表現出色，顯著提高了模型的準確性。此外，ResNet模型在多個數據集上表現出良好的泛化能力，能夠有效應對不同任務和數據集。其模塊化結構也使得ResNet容易在不同任務和數據集上進行調整和擴展，可以通過調整殘差塊的數量和配置，輕松構建適合特定需求的變體模型。

2.2 ResNet101_vd_ssld模型

ResNet101_vd_ssld模型是ResNet101的一個改進版本，由PaddleClas提供。在原始ResNet101的基礎上，ResNet101_vd_ssld進行了多項優化以適應特定任務或數據集。vd（Variational Dropout） 表示對原始ResNet101結構進行了一些修改或變體設計。通過引入變分丟棄，網絡在訓練過程中更加穩定，有效地減輕了過擬合問題。變分丟棄采用自適應的丟棄概率，使得不同層的神經元根據其重要性進行丟棄，從而提高模型的表達能力和性能。

SSLD（Self-Supervised Label Distillation） 代表自監督標簽蒸餾技術，這種技術通過自監督學習，利用無標簽或弱標簽的數據來輔助模型訓練，從而提高模型的泛化能力和性能。SSLD技術讓模型在訓練過程中不僅學習標注數據的直接知識，還能從無標簽數據中提取有用信息。這種方法特別適用于標注數據有限的情況，能夠有效提升模型的準確性和魯棒性。PaddleClas提供的SSLD方案是一種半監督標簽蒸餾方法，允許模型在訓練過程中利用少量的標注數據和大量的無標簽數據，顯著提高訓練效率和模型性能。

通過這些改進，ResNet101_vd_ssld模型在減少推理時間的同時，顯著提高了識別準確率。尤其在標注數據有限的情況下，這種方法能夠更有效地利用大量未標注的數據，提升模型的總體性能和準確性。

2.3 植物表現特征圖像分類識別模型

本文選擇植物表型特征作為研究對象，構建識別模型，如圖4所示。

3 實驗與結果

3.1 實驗數據集

本研究使用的數據集主要來自AI Studio平臺，包括10種作物和61類病害特征。數據集按照物種和病害程度分類，包含24709幅訓練圖像和24708幅驗證圖像。數據集示例如表1所示。

3.2 模型選擇

在模型選擇上，本文采用了PaddlePaddle平臺提供的ResNet101_vd_ssld模型。此模型是ResNet系列的改進版，旨在減少推理時間并提高識別準確率。ResNet101_vd_ssld能夠提供更高的準確性，增強模型的魯棒性和泛化能力，并提升執行速度。與傳統的ResNet101相比，ResNet101_vd_ssld在半監督標簽知識蒸餾（SSLD） 方案的支持下，精度提升超過3%。

3.3 模型訓練

模型訓練使用PaddlePaddle框架，并基于AI Stu? dio提供的訓練集、驗證集和測試集進行實驗。圖像調整為224×224，并進行了數據增強，包括水平隨機翻轉、隨機旋轉（0-360度） 、隨機垂直翻轉等，以增加樣本多樣性。數據范圍歸一化至（0-1），并采用ImageNet 數據集的均值和標準差進行歸一化。訓練參數設置如下：批大小為330，訓練輪數為50，學習率為0.001。

圖5展示了訓練損失值的收斂趨勢，其中x軸為迭代次數（1至1 621次） ，y軸為訓練損失值（0至1之間） 。訓練初期，損失值顯著下降，訓練結束時降至0.04063，表明模型有效地學習了數據特征并提升了預測能力。

在測試階段，模型對61類病蟲害圖像共4540張進行測試，平均準確率達到84.16%。結果表明，模型在植物表型特征識別中表現良好，能夠有效區分不同的植物病害特征。

3.4 模型實現

在測試集中，選用了61類病蟲害圖像共4540張圖像進行測試，經過計算可得平均準確率為84.16%，說明該模型在植物表型特征識別過程中具有較好的性能，能夠在一定程度上理解和區分不同植物表型的特征，具有較高的可行性。如圖6所示為部分測試樣本的預測結果圖。

4 系統實現

經過需求分析、系統設計、桌面應用程序實現、測試與試運行、功能調整等過程，病蟲害識別系統最終實現了病害識別、實時監測和咨詢專家等功能。

系統支持識別10種作物和61類病害特征，識別精度平均達到84.16%，識別速度可在幾秒內完成。進入主界面后，用戶可以點擊上傳相冊或拍照獲取需要檢測的圖片數據。系統接收到圖片數據后，會對圖片進行預處理，包括大小調整、縮放等操作，然后調用訓練好的ResNet101_vd_ssld模型進行預測，最終將識別結果顯示給用戶。病害識別結果如圖7所示。

系統支持多種視頻輸入方式，包括上傳圖像或視頻文件以及通過RTMP協議[10]打開視頻連接。用戶可以選擇使用本地存儲的圖像或視頻文件進行實時檢測，也可以通過RTMP協議連接到遠程服務器上的實時視頻流。

系統會對獲取到的視頻數據進行預處理，包括調整大小、顏色空間轉換等操作，然后調用網絡模型對每一幀圖像數據進行識別，并實時返回結果給用戶。檢測速度和精度保持較高水平，確保了實時性的實現。實時檢測結果如圖8所示。

在咨詢專家界面，用戶可以根據識別結果進行提問。系統內置的專家系統基于豐富的知識庫，通過預先設定的推理機制和問答方式，能夠對用戶的問題作出合理解釋并提供相應的解決方案。用戶輸入問題后，系統會結合識別結果和知識庫內容，快速生成針對性的回答，幫助用戶了解病害詳情并獲得有效的處理建議。咨詢專家結果如圖9所示。

5 結論

本研究成功開發了一種基于深度學習技術的植物病害識別系統。該系統采用ResNet101_vd_ssld模型，通過對圖像的預處理和增強，實現了植物病害識別，并達到了平均84.16%的識別準確率。該系統不僅具有較高的準確性，還集成了實時檢測和專家咨詢功能，提供了高效、便捷的用戶體驗。本研究的主要貢獻包括提出一種基于深度學習的植物病害識別方法，為植物病害的早期診斷和防治提供了新的思路，具有重要的應用價值。通過系統的開發，證明了深度學習技術在植物病害識別中的可行性和有效性，提升了識別效率和準確性，推動了農業病害檢測的智能化進程。

展望未來工作，計劃將研究成果應用于實際生產環境，開發移動端應用，以便農民能夠隨時隨地使用該系統進行病害檢測。此外，將構建更大規模的植物病害數據庫，進一步提升系統的識別能力和準確性。未來，還將探索更先進的模型和算法，以提高系統的處理速度和智能化程度，如實現自動化的病害預警和治理建議，為現代智能農業的發展提供更加全面的技術支持。