黃彬　蘇家儀　楊洋

摘要：目前葡萄病蟲害的傳統(tǒng)診斷均為人工目測，而且對農(nóng)技人員的經(jīng)驗要求較高，如果發(fā)現(xiàn)病蟲害不能及時解決，將會導(dǎo)致病蟲害有進(jìn)一步擴散的風(fēng)險。現(xiàn)如今移動智能手機的普及與配置性能的提升，讓人們可以便捷地獲得更多的技術(shù)支持，外加人工智能的興起，深度學(xué)習(xí)已廣泛應(yīng)用于很多行業(yè)，通過更精準(zhǔn)的特征提取，為人們提供決策依據(jù)。本文通過介紹Android系統(tǒng)和YOLO的相關(guān)技術(shù)知識，然后論述病蟲害圖像識別的流程，最后應(yīng)用到Android平臺的工程項目中，系統(tǒng)穩(wěn)定運行，并達(dá)到預(yù)期效果。

關(guān)鍵詞：葡萄病蟲害;圖像識別;Android

病蟲害的防治管理是農(nóng)業(yè)生產(chǎn)的重要環(huán)節(jié)，但傳統(tǒng)診斷農(nóng)作物病蟲害的方法是人工目測，這存在兩個問題：一方面，大田或溫室發(fā)生的病蟲害種類眾多，農(nóng)民并不能保證根據(jù)經(jīng)驗做出的判斷完全正確，另一方面，農(nóng)業(yè)技術(shù)人員相當(dāng)匱乏，由于沒有專業(yè)人士及時到現(xiàn)場診斷，可能會使病情延誤或加重。

近年來，人工智能技術(shù)已經(jīng)取得了長足的進(jìn)步，圖像識別、自動推理、數(shù)據(jù)挖掘、機器學(xué)習(xí)等都在蓬勃發(fā)展。人工智能可以在智能感知的前提下，結(jié)合大數(shù)據(jù)技術(shù)自主學(xué)習(xí)，幫助人們做出決策、代替重復(fù)性工作，這意味著人工智能可以代替農(nóng)業(yè)專家自動診斷識別病蟲害，并做出防治決策。比如郭文川等[1]利用圖像技術(shù)根據(jù)參照物和被測植物葉片面積得到植物葉片的面積的基于基于Android手機的植物葉片面積快速無損測量系統(tǒng);鄒秋霞等[2]利用OpenCV（Open Source Comput- er Vision Library） 中的圖像處理技術(shù)在Android手機上實現(xiàn)了對植物葉片進(jìn)行分類的系統(tǒng);夏永泉等[3]在Android手機上運用一種最大類間差法和Canny算子對植物葉片圖像進(jìn)行病蟲害檢查。

本文以葡萄三種常見病害（葡萄白粉病、葡萄灰霉病、葡萄褐斑病）為研究對象，利用Android手機對葡萄表面病蟲害圖像進(jìn)行采集、裁剪，并通過Tensorflow加載YOLO[4]模型進(jìn)行病蟲害識別，并基于Android手機客戶端研發(fā)了葡萄病害圖像識別系統(tǒng)，實現(xiàn)了葡萄病蟲害圖像的及時診斷并給出防治措施。

一、系統(tǒng)總體設(shè)計

（一）系統(tǒng)可行性分析

1.條件可行性分析

本系統(tǒng)需要一臺傳統(tǒng) PC 用來編寫、編譯和調(diào)試安卓應(yīng)用程序代碼。在該 PC 機器上，需要安裝JDK、Android Studio、Android SDK等開發(fā)軟件，這些軟件都能夠在各自的官網(wǎng)上免費下載。同時也需要在一臺帶有攝像頭的安卓智能移動手機來運行該應(yīng)用軟件，這也很容易獲得。因此，從軟件開發(fā)條件的可行性上來看，本系統(tǒng)在硬件和軟件條件上都是可行的。

2.技術(shù)可行性分析

安卓應(yīng)用程序的主要開發(fā)語言是Java，而Java是簡單、面向?qū)ο?、可移植、高性能、多線程和靜態(tài)的語言。在每一個版本的 Android SDK中，Google 公司官方都提供了若干示例，初學(xué)者都可以通過這些示例源碼快速掌握安卓應(yīng)用程序的開發(fā)。本文也調(diào)用了Tensorflow進(jìn)行神經(jīng)網(wǎng)絡(luò)模型的加載和圖像識別，此外Tensorflow可通過Android Studio的Gradle添加依賴，就能調(diào)用相關(guān)的類庫，因此，本研究課題在技術(shù)上也是可行的。而YOLO先以開源，可下載源碼進(jìn)行配置訓(xùn)練。

（二）系統(tǒng)的開發(fā)環(huán)境

本課題主要是在 Android 手機上進(jìn)行葡萄病蟲害圖像識別，所以首先需要對 Android 應(yīng)用程序的開發(fā)環(huán)境進(jìn)行搭建。本系統(tǒng)當(dāng)前的開發(fā)環(huán)境和軟件資源如下：系統(tǒng)環(huán)境為 MacOS 10.13.6 ，JDK 為 JDK1.8 ，SDK 為 Android SDK r24，NDK 為 Android NDK，開發(fā)軟件為 Android Studio 3.6，用到的第三方庫有 Tensorflow。

（三）系統(tǒng)設(shè)計

1.系統(tǒng)的整體結(jié)構(gòu)

Android手機客戶端葡萄病蟲害圖像識別系統(tǒng)功能共分為三個主要部分：圖像采集、病蟲害診斷以及病蟲害防治措施。

2.系統(tǒng)識別工作流程

啟動系統(tǒng)，進(jìn)入主頁面，點擊圖像采集后可選擇“系統(tǒng)相冊”或“手機拍照”的方式進(jìn)行病蟲害圖像的獲取。由于安卓6.0后，系統(tǒng)權(quán)限已調(diào)整為動態(tài)獲取，所以這兩個功能均需用戶允許方能使用。圖像采集成功后，用戶可以通過“圖像裁剪”來去除多余的識別內(nèi)容，裁剪成功后，會執(zhí)行Tensorflow加載的神經(jīng)網(wǎng)絡(luò)模型識別病蟲害。并對四種病蟲害的準(zhǔn)確率取最高值，最后顯示準(zhǔn)確率最高的病蟲害的名稱和防止措施，如果不屬于這三種病蟲害，則顯示識別失敗，并提示用戶是否繼續(xù)識別。

二、系統(tǒng)功能實現(xiàn)

（一）YOLO 總體設(shè)計

1.YOLO 概述

YOLO是一個端到端的目標(biāo)檢測算法，不需要預(yù)先提取region proposal（RCNN目標(biāo)檢測系列），通過一個網(wǎng)絡(luò)就可以輸出：類別，置信度，坐標(biāo)位置，檢測速度很快，雖然定位的精度相對低些，但其檢測快速的特點特別適合移動手機。

2.模型設(shè)計

整體來看，YOLO算法采用一個單獨的CNN模型實現(xiàn)點對點的目標(biāo)檢測。本系統(tǒng)的模型先將輸入的圖片切割為416x416的尺寸，然后傳入CNN網(wǎng)絡(luò)，CNN網(wǎng)絡(luò)將輸入的圖片分割為13x13的網(wǎng)格，最后每個單元格負(fù)責(zé)去檢測那些中心點落在該格子內(nèi)的目標(biāo)，并框定最后識別的對象。其中預(yù)測框和實際框的準(zhǔn)確度可通過IOU（intersection over union，交并比）設(shè)定，其范圍是0到1之間，預(yù)置為0.6。

3.模型訓(xùn)練

配置好模型的訓(xùn)練集和測試集的參數(shù)，并將樣本放置各個細(xì)分文件夾，設(shè)定好識別對象的名稱為葡萄白粉病、葡萄褐斑病、葡萄灰霉病，和檢測對象類型為3后開始訓(xùn)練，訓(xùn)練結(jié)果如表1所示。保留YOLO使用均方差處理損失，訓(xùn)練完成后導(dǎo)出模型并轉(zhuǎn)換成pb文件以供Tensorflow加載。

（二）系統(tǒng)實現(xiàn)

本系統(tǒng)新建工程后，通過AndroidManifest.xml配置Android的啟動頁為主頁面MainActivity，并注冊識別頁面DetectActivity和病蟲害防治防治頁面DetailActivity，各個Activity都生成一個xml文件，并通過Activity中的setContentView方法加載各自的xml文件，以達(dá)到有效的把表現(xiàn)層和邏輯層分開，降低程序的耦合性，方便開發(fā)和維護(hù)。

在主頁面中，需要加載Tensorflow框架，并通過Tensorflow調(diào)用訓(xùn)練好的YOLO模型進(jìn)行識別，具體實現(xiàn)如下：

classifier = TensorFlowImageClassifier.create（

getAssets（），

MODEL_FILE，

LABEL_FILE，

INPUT_SIZE，

IMAGE_MEAN，

IMAGE_STD，

INPUT_NAME，

OUTPUT_NAME）;

將系統(tǒng)拍攝或本地相冊獲取的圖像通過getBitmap的方法轉(zhuǎn)換成相應(yīng)尺寸的Bitmap以供模型識別：

private static Bitmap getBitmap（Context context， String path， int size） throws IOException {

Bitmap bitmap = null;

InputStream inputStream = null;

inputStream = context.getAssets（）.open（path）;

bitmap = BitmapFactory.decodeStream（inputStream）;

inputStream.close（）;

int width = bitmap.getWidth（）;

int height = bitmap.getHeight（）;

float scaleWidth = （（float） size） / width;

float scaleHeight = （（float） size） / height;

Matrix matrix = new Matrix（）;

matrix.postScale（scaleWidth， scaleHeight）;

return Bitmap.createBitmap（bitmap，0，0， width， height， matrix， true）;

}

最后通過如下方法進(jìn)行圖像的預(yù)測，并根據(jù)病蟲害的準(zhǔn)確率跳轉(zhuǎn)識別頁面顯示識別詳情：

Recognition.List=classifier.recognizeImage（croppedBitmap）;

Intent intent = new Intent（MainActivity.this，DetectActivity.class）;

startActivity（intent）;

三、系統(tǒng)測試

（一）測試環(huán)境

本系統(tǒng)最終在裝有Android系統(tǒng)的移動智能手機上運行，系統(tǒng)選用設(shè)備的硬件配置如表2所示。

（二）測試功能模塊

1.系統(tǒng)流程測試

主要測試拍照功能和從相冊中選取圖片的功能。該模塊能夠成功打開攝像頭對病蟲害圖像進(jìn)行拍照，并且能夠從系統(tǒng)相冊中選取已經(jīng)拍攝好的圖片，并且將拍攝或者選取的圖片顯示在識別界面上。圖像獲取成功后，需要對進(jìn)行識別尺寸的裁剪，以符合模型的識別尺寸。

該頁面會將最終的病蟲害圖像傳入神經(jīng)網(wǎng)絡(luò)模型，并將識別結(jié)果顯示在頁面，其中包含識別的病蟲害名稱、病蟲害的準(zhǔn)確率，用戶可點擊“防治措施”跳轉(zhuǎn)具體的頁面。病蟲害防治措施頁面會顯示相應(yīng)的病狀和具體防治措施，具體操作流程如圖1所示。

2.其他病蟲害

如圖2所示，分別展示了葡萄灰霉病、葡萄褐斑病的識別結(jié)果和防治措施。

四、結(jié)語

本文提出的基于Android的葡萄病蟲害圖像識別的識別技術(shù)具備葡萄病蟲害圖像采集、病蟲害診斷、病蟲害防治措施顯示三個功能，加以完善后能投入到實際運用，具有一定的實際意義。其具體優(yōu)勢有如下幾點：

（一）將人工智能技術(shù)應(yīng)用到農(nóng)業(yè)中會顯著地減少產(chǎn)量損失與勞動力成本，幫助用戶做出防治決策。

（二）充分利用了Android手機的攜帶方便，采用基于Tensorflow框架與YOLO技術(shù)，將訓(xùn)練好的葡萄病蟲害識別模型加載到手機中。

（三）該系統(tǒng)操作簡單、快速、識別效果準(zhǔn)確。

然而，在Android移動設(shè)備上進(jìn)行葡萄病蟲害圖像識別的參考文獻(xiàn)有限，深度學(xué)習(xí)技術(shù)在農(nóng)業(yè)生產(chǎn)領(lǐng)域中應(yīng)用也還處于起步階段，基于深度學(xué)習(xí)的葡萄病蟲害圖像識別系統(tǒng)目前國內(nèi)外均缺乏研究，對于算法的研究都是基于已有文獻(xiàn)，本系統(tǒng)不能適應(yīng)所有的拍攝環(huán)境。利用移動設(shè)備拍攝圖像時產(chǎn)生的干擾因素不可預(yù)測，以致拍攝過程中因為光照會產(chǎn)生個別結(jié)果的不準(zhǔn)確。因此從整體系統(tǒng)角度來看，仍有幾個地方仍需完善：

1.支持的病蟲害類型僅限文中3種，擴展更多的病蟲害類型有待加強，還有病蟲害類型擴展后的防止措施的補充。

2.對復(fù)雜背景下拍攝的圖像準(zhǔn)確度還有待提高，比如拍攝對象出現(xiàn)遮擋，或是顫抖拍照時出現(xiàn)的模糊。

3.本系統(tǒng)只研究和實現(xiàn)了針對Android平臺，但市場上仍有相當(dāng)一部分iOS系統(tǒng)的用戶，因此從推廣角度來看，兼容iOS系統(tǒng)也是必須的。

參考文獻(xiàn)：

[1]郭文川，周超超，韓文霆.基于Android手機的植物葉片面積快速無損測量系統(tǒng)[J].農(nóng)業(yè)機械學(xué)報，2014（01）：281-286.

[2]鄒秋霞，郜魯濤，盛立沖.基于Android手機和圖像特征識別技術(shù)的植物葉片分類系統(tǒng)的研究[J].安徽農(nóng)業(yè)科學(xué)，2015（11）：377-379.

[3]夏永泉，王會敏，曾莎.基于Android的植物葉片圖像病害檢測[J].鄭州輕工業(yè)學(xué)院學(xué)報：自然科學(xué)版，2014（29）：74.

[4] Joseph Redmon， Santosh Divvala， Ross Girshick， Ali Farhadi. You Only Look Once： Unified， Real-Time Object Detection.