基于Light-ResNet50的番茄病害檢測可視化平臺開發與研究

摘 要：為了及時準確地識別和監測番茄病害，通過Flask框架開發一種基于改進Light-ResNet的番茄病害網頁系統，系統使用預訓練ResNet50模型作為基礎網絡，通過添加注意力機制、深度可分離卷積實現了ResNet50網絡的輕量化改進及識別精度優化，并對其進行微調以適應番茄病害識別任務。最后通過將最終模型Light-ResNet50與傳統ResNet50網絡相對比，結果表明模型參數量縮減了39.84%，最終精度為97.27%，該系統具有更高的準確性和魯棒性，為番茄生產提供了可靠的決策支持工具。

關鍵詞：ResNet；遷移學習；注意力機制；深度可分離卷積

中圖分類號：TP391.4 文獻標識碼：A 文章編號：2096-4706（2024）14-0049-06

Development and Research of a Tomato Disease Detection Visual Platform

Based on Light-ResNet50

LIN Qiye， WANG Zengyu， WANG Runze

（Jilin Agricultural University， Changchun 130118， China）

Abstract： In order to timely and accurately identify and monitor tomato diseases， a tomato disease Web system based on improved Light-Res Net is developed using the Flask framework. The system uses a pre trained ResNet50 model as the basic network， and achieves lightweight improvement and recognition accuracy optimization of the ResNet50 network by adding Attention Mechanism and Depthwise Separable Convolutions. It is also fine tuned to adapt to the tomato disease recognition task. Finally， by comparing the final model Light-ResNet50 with the traditional ResNet50 network， the results show that the model parameter quantity is reduced by 39.84%， and the final accuracy is 97.27%. The system has higher accuracy and robustness， providing a reliable decision support tool for tomato production.

Keywords： ResNet; Transfer Learning; Attention Mechanism; Depthwise Separable Convolution

0 引 言

農作物作為生活中不可或缺的組成部分，關系著大眾的日常生活，關乎國家經濟的繁榮穩定發展。番茄作為我國的重要經濟作物之一，其生長期間易受到多種病害的干擾，對番茄產量的影響極為嚴重。但傳統的番茄病害防治方法主要依靠農民的經驗和肉眼觀察，這種方法存在判斷不準確、反應時間慢、防治措施不恰當等問題，使得防治效果受到了很大的限制。然而隨著計算機技術和人工智能技術的不斷發展，農作物病蟲害識別技術已經得到了廣泛應用，可以大大提高識別的準確性和效率。利用計算機視覺和深度學習等技術，可以快速準確地識別出農作物病害，為農業生產提供重要的技術支撐。目前，通過深度學習和計算機視覺技術，可以識別出多種作物病害，為農業生產的智能化和數字化發展提供了有力的支撐。因此，在當今時代，通過深度學習技術的發展，農作物病蟲害識別的研究，不僅可以有效地遏制病蟲害的蔓延，降低農業生產的損失，提高農產品的市場競爭力，也可以推進農業現代化的進程。本文基于Light-ResNet50番茄病害檢測可視化平臺開發與研究，針對番茄病害問題采用基于改進的Light-ResNet50模型進行識別與分類，可有效提高準確度，抑制病害的蔓延，降低農業生產的損失，具有非常重要的應用前景。

1 設計思路與方案

農作物病蟲害識別系統是一種基于人工智能技術和計算機視覺技術的應用系統，本文通過圖像識別和分類技術，自動識別出農作物病蟲害的類型和程度，為農民提供有效的防治措施和技術支持。以下是設計思路與對應方案：

1）數據采集和處理：系統需要采集大量的農作物病蟲害圖像數據，并對其進行處理和標注，建立起龐大的數據集，以便進行模型訓練和優化。

2）模型訓練和優化：通過深度學習和計算機視覺技術，建立起農作物病蟲害的識別模型，并對其進行訓練和優化，提高識別準確率和識別速度。

3）系統設計和開發：基于識別模型，設計和開發出具有可視化界面和交互性的農作物病蟲害識別系統，方便農民進行操作和使用。

4）數據分析和應用：通過數據分析和應用技術，對識別結果進行統計和分析，為農民提供農作物病蟲害的預警和防治方案，以及農業生產的指導和決策支持。

2 模型訓練

2.1 數據集收集

本文數據集選AI Challenger 2018病害分類數據集的番茄病害分區，此數據集包含番茄健康葉片樣本和患有白粉病、瘡痂病、早疫病、葉霉病、斑點病、斑枯病、黃化曲葉病毒病等11類樣本，共12 882張圖片。

2.2 數據集預處理

在本次研究中，為了增強模型的魯棒性和泛化能力。通過調整尺寸、影像裁剪、歸一化、顏色抖動對圖像進行了預處理，因ResNet50輸入的尺寸為224×224，以下關鍵步驟和詳細描述便以此為例。

2.2.1 調整尺寸

先將圖片較短的那條邊，隨機縮放到[256，480]這樣一個范圍內。注意，此時的圖片是等比例縮放的。舉個例子，原始圖片的尺寸為[1 000，800，3]，假設圖片短邊縮放到256，那么此時圖片的尺寸即為[320，256，3]，即圖片的長寬比例是不變的[1]。

2.2.2 影像裁剪

將圖片進行水平翻轉，然后從原圖片和翻轉后的圖片中，隨機裁剪出224×224的圖片。假設裁剪過后的圖片尺寸為[256，256，3]，如果按照步長為1，最多可以裁剪出（256 - 224）×（256 - 224） = 1 024張，再加上水平翻轉的圖片乘以2，也就是2 048張圖片。一張圖片擴展了2 048倍，因結果較為夸張，所以，可根據測試計算機性能進行隨機裁剪[2]。

2.2.3 歸一化

具體做法就是統計數據庫中所有圖片的每個通道的均值和標準差，每個通道分別減去訓練集該通道平均值[3]。

2.2.4 顏色抖動

對于每張圖片，每個通道的數據先由二維轉成一維（例如256×256×3，轉成65 536×3），再對該圖片（65 536×3）三個通道求出協方差矩陣（3×3），再求出協方差矩陣的特征向量p和特征值λ，最后執行Python中的廣播機制，即圖片每個通道65 536個像素點都加上同一個數[4]。

在預處理結束后，通過數據集劃分腳本將數據集按照8：2劃分為train和test兩個數據集。

2.3 模型選擇

2.3.1 殘差網絡

殘差結構使用了一種shortcut的連接方式，也可理解為捷徑。讓特征矩陣隔層相加，所謂相加是指特征矩陣相同位置上的數字進行相加[5]。殘差網絡結構如圖1所示，殘差單元分為兩種情況，淺層殘差網絡如（ResNet18、ResNet34）使用Basic Block如圖1（a）所示，深層殘差網絡如（ResNet50、ResNet101、ResNet152）使用Bottleneck如圖1（b）所示[6]。兩者區別在于Bottleneck其中第一層的1×1的卷積核的作用是對特征矩陣進行降維操作，第三層的1×1的卷積核是對特征矩陣進行升維操作，將特征矩陣的深度變回輸入深度，從而讓特征矩陣隔層相加。而Bottleneck降低特征矩陣的深度主要是為了減少參數的個數。下面為了方便比較將輸入的特征矩陣深度都設為256，所以Basic Block和Bottleneck的參數個數為[7]：

Basic Block：256×256×3×3 + 256×256×3×3 = 1 179 648

Bottleneck：1×1×256×64 + 3×3×64×64 + 1×1×256×64 = 69 632

由此可見在深層殘差網絡中Bottleneck對減少參數個數具有顯著性效果。

此外在降維時的shortcut通過步長為2的1×1的卷積核進行了維度處理讓特征矩陣在長寬方向降采樣，從而實現隔層相加，在殘差單元中用虛線表示[8]，如圖1（c）和（d）所示。

2.3.2 遷移學習

遷移學習是一種機器學習的方法，指的是一個預訓練的模型被重新用在另一個任務中。具體就是將為任務A開發的模型作為初始點，重新使用在為任務B開發模型的過程中，通過從已學習的相關任務中轉移知識來改進學習的新任務[9]。按照遷移方式的不同，通常將遷移學習分為樣本遷移、特征遷移、模型遷移和關系遷移四類，其中參數遷移為本研究采用的方法。通過深度學習網絡利用參數遷移方法能夠更快、更好地完成模型訓練。在病蟲害圖像分類中，即先采用預訓練CNN模型參數遷移，后對病蟲害圖像進行特征提取，再利用全連接層和分類器完成場景分類任務[10]。

2.3.3 實驗環境

在進行實驗時，我們使用了特定的實驗環境以確保研究的準確性和可重復性。這些參數涵蓋了硬件、軟件和其他配置，通過這些環境設定，我們能夠在一致的條件下進行實驗，以得出可靠的結果并進行對比分析。本文采用的實驗環境如表1所示。

2.3.4 對比實驗

本次實驗利用PyTorch框架提供的在ImageNet數據集上訓練的ResNet網絡模型進行參數遷移并分別測試ResNet34、ResNet50、ResNet101的隨機初始化權重參數訓練網絡和微調網絡，設置微調網絡的學習率為0.000 1，隨機初始化訓練學習率為0.01，下降方式采用自適應調整方法，batch_size = 16，分別訓練30個Epoch并記錄測試集準確率、測試集準確率最高時Epoch數，平均訓練時間及總訓練時間，訓練結果如表2所示。

通過訓練集準確率和訓練時間綜合比較，可以看到ResNet50微調模型在數據集上表現最優，所以接下來選擇ResNet50進行模型優化，并且通過隨機初始化訓練和微調網絡的對比可以看出，雖然本次實驗的病害數據集和ImageNet數據集有一定的差異，但是從中學習到的一些低級特征還是可以為模型訓練提供顯著的幫助。

2.3.5 模型優化

本次優化實驗本文通過分布進行來比較不同優化操作對模型性能的具體影響，首先是將原有的ResNet50模型中的Bottleneck模塊中3×3的卷積核替換為深度可分離卷積和逐點卷積并在后面分別接上BN層和ReLU激活函數。進行輕量化改進后的模型params相較于原先的ResNet50模型由原來的26 699 120縮減為15 538 792，對比實驗結果如圖2、圖3所示。

可以看到通過深度可分離卷積改進的ResNet輕量化網絡相較于原始ResNet模型，在參數減少了41.8%的情況下其擬合曲線以及精度都并無出現顯著降低的現象，由此可以看出通過深度可分離卷積對ResNet模型的改進是可行的。

隨后將ResNet50網絡的最后一層添加CBAM注意力機制，同樣使用深度可分離卷積進行輕量化操作最終實驗結果如圖4所示。

由圖4可得出，在相同Epoch下添加了CBAM注意力機制模型可以達到更高的精度并且參數量為16 063 178，相較于原來的26 699 120模型參數量縮減了39.84%，最終精度為92.27%。由此得到了Light-ResNet50作為最終訓練模型。

3 可視化平臺開發

本文在提出Light-ResNet50模型的基礎上，用Python語言在Anacoda編譯環境下，利用第三方庫，實現對已有的病蟲害數據集進行圖像特征提取。利用jinja2和Flask，設計登錄界面及后端接口并使用JavaScript編寫供用戶傳入圖片的前端接口，最后由Python flask編寫的后端接口讀取上傳圖片數據，后端接口接收數據并對樣本數據進行處理后將其分類。同時為了方便用戶更加便捷使用平臺，為此添加了登錄注冊系統、百度百科系統以及歷史記錄系統具體如圖5所示。

4 結 論

番茄病害給番茄生產造成巨大損失，由于傳統作物病害識別存在諸多問題，使防治效果受到了很大的限制。為解決問題，本研究提出了一種基于改進的輕量化模型Light-ResNet50，并開發相應可視化平臺，通過選取10類番茄病害進行試驗，最終結果表明，本文基于改進的Light-ResNet50模型相較于原模型參數縮減39.84%，最終精度為92.27%，驗證其有效性并成功開發出對應可視化平臺，滿足實際生產需求。

參考文獻：

[1] 劉夢雅，毛劍琳.一種改進池化模型對卷積神經網絡性能影響的研究 [J].電子測量技術，2019，42（5）：34-38.

[2] 徐述騰，周永章.基于深度學習的鏡下礦石礦物的智能識別實驗研究 [J].巖石學報，2018，34（11）：3244-3252.

[3] 陳科圻，朱志亮，鄧小明，等.多尺度目標檢測的深度學習研究綜述 [J].軟件學報，2021，32（4）：1201-1227.

[4] 楊文龍，郭明鈺.輕量級注意力X射線礦石檢測方法 [J].電子測量技術，2022，45（18）：71-79.

[5] 呂建成，葉慶，田煜鑫，等.類腦超大規模深度神經網絡系統 [J].軟件學報，2022，33（4）：1412-1429.

[6] 何東健，王鵬，牛童，等.基于改進殘差網絡的田間葡萄霜霉病病害程度分級模型 [J].農業機械學報，2022，53（1）：235-243.

[7] 曾偉輝，唐欣，胡根生，等.基于卷積塊注意力膠囊網絡的小樣本水稻害蟲識別 [J].中國農業大學學報，2022，27（3）：63-74.

[8] 劉慶琿.基于圖像的柑橘分級方法研究 [D].北京：北京郵電大學，2020.

[9] 萬軍杰，祁力鈞，盧中奧，等.基于遷移學習的GoogLeNet果園病蟲害識別與分級 [J].中國農業大學學報，2021，26（11）：209-221.

[10] 許景輝，邵明燁，王一琛，等.基于遷移學習的卷積神經網絡玉米病害圖像識別 [J].農業機械學報，2020，51（2）：230-236+253.

作者簡介：林祺燁（2002—），男，漢族，福建莆田人，本科在讀，研究方向：機器視覺、計算機網絡；王增宇（2002—），男，漢族，吉林長春人，本科在讀，研究方向：機器學習、深度學習；王潤澤（2002—），男，漢族，吉林長春人，本科在讀，研究方向：數據科學與大數據技術。

DOI：10.19850/j.cnki.2096-4706.2024.14.010

收稿日期：2024-01-12

基金項目：吉林省大學生創新創業訓練計劃項目（S202310193051）