吳建偉 ， 黃杰 ， 熊曉菲 ， 高晗 ， 秦向陽 *

（1.北京市農(nóng)林科學(xué)院，北京 100097；2.國家農(nóng)業(yè)信息化工程技術(shù)研究中心，北京 100097；3.北京派得偉業(yè)科技發(fā)展有限公司，北京 100097）

桃樹是我國主要的果樹樹種之一，2017年，我國桃樹種植面積達(dá)78.19萬hm2，桃總產(chǎn)量達(dá)1 429萬t，居世界首位[1]。近年來，桃產(chǎn)業(yè)不斷適應(yīng)市場變化，逐漸發(fā)展成為富民產(chǎn)業(yè)和生態(tài)產(chǎn)業(yè)[2]。桃樹極易遭受病害的侵?jǐn)_而影響果品的品質(zhì)和產(chǎn)量，及時(shí)準(zhǔn)確地識(shí)別病害可以控制病害蔓延、降低管理成本、減少經(jīng)濟(jì)損失，對(duì)桃產(chǎn)業(yè)的高質(zhì)量發(fā)展具有重要意義[3-4]。傳統(tǒng)果園病害識(shí)別主要依賴人工鑒定及專家系統(tǒng)查詢和遠(yuǎn)程服務(wù)[5-6]，這些方法成本較高、效率低，而且容易受到經(jīng)驗(yàn)知識(shí)、信息傳遞、溝通時(shí)效、專家維護(hù)等多種因素影響，缺乏穩(wěn)定性和可靠性。物聯(lián)網(wǎng)（internet of things,IOT）、人工智能（artificial intelligence，AI）等新一代信息技術(shù)的快速發(fā)展使農(nóng)作物病蟲害智能識(shí)別成為植物保護(hù)主流趨勢[7-9]，利用AI圖像識(shí)別技術(shù)自動(dòng)對(duì)果樹病害進(jìn)行診斷，無需聘請(qǐng)專業(yè)技術(shù)人員進(jìn)行現(xiàn)場或遠(yuǎn)程的咨詢鑒定，具有操作簡便、識(shí)別效率高、成本節(jié)約等優(yōu)點(diǎn)，利于病害的及時(shí)診出，為提高果園病害監(jiān)測預(yù)警和科學(xué)防治水平提供了有效途徑[10-11]。

基于AI的病害圖像識(shí)別方法主要利用機(jī)器學(xué)習(xí)、計(jì)算機(jī)視覺等技術(shù)，通過特定的計(jì)算機(jī)算法和模型對(duì)病害的光譜和圖像信號(hào)進(jìn)行挖掘和分析，實(shí)現(xiàn)對(duì)病害情況的識(shí)別和鑒定[12]。經(jīng)典的圖像處理技術(shù)（降噪、腐蝕、圖像增強(qiáng)、圖像分割、特征提取等）和機(jī)器學(xué)習(xí)方法（最小二乘法、K均值聚類算法、支持向量機(jī)、人工神經(jīng)網(wǎng)絡(luò)等）在不同的農(nóng)作物病蟲害識(shí)別方面已有大量研究并取得一定進(jìn)展，然而受限于依賴人工設(shè)計(jì)特征提取、環(huán)境條件和發(fā)病期不同、樣本數(shù)量不足等因素，識(shí)別效果難以滿足應(yīng)用需求[13-14]。將深度學(xué)習(xí)引入病蟲害圖像識(shí)別，在解決圖像分類和可視化問題上具有顯著優(yōu)勢，通過通用的學(xué)習(xí)過程自主提取病害圖像高層次特征，數(shù)據(jù)處理效率和識(shí)別準(zhǔn)確率更高[15-16]。目前應(yīng)用較多的深度學(xué)習(xí)網(wǎng)絡(luò)技術(shù)包括卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural networks,CNN)、受限玻爾茲曼機(jī)(restricted boltzmann machine,RBM)、深度置信網(wǎng)絡(luò)(deep belief networks,DBN)、深度玻爾茲曼機(jī)(deep boltzmann machine,DBM)、循環(huán)神經(jīng)網(wǎng)絡(luò)(recurrent neural networks,RNN)、生成式對(duì)抗網(wǎng)絡(luò)(generative adversarial networks,GAN)、膠 囊 網(wǎng) 絡(luò) (capsule network,CapsNet)等。其中，CNN被認(rèn)為是進(jìn)行圖像識(shí)別的較優(yōu)算法之一[17-18]，基于CNN產(chǎn)生了許多性能良好的神經(jīng)網(wǎng)絡(luò)模型用于作物病害識(shí)別，如 AlexNet、LeNet-5、GoogleNet、VGGNet、ResNet、InceptionV3、MobileNet、DenseNet、R-CNN、SSD等。黃雙萍等[19]利用GoogleLeNet建模，用于水稻穗瘟與健康稻穗的分類，最高穗瘟檢測精度可達(dá)92.0%。劉闐宇等[20]基于區(qū)域Faster R-CNN建立模型定位葡萄葉片位置，不僅能成功分辨病蟲害的種類，還能輸出目標(biāo)檢測的位置信息。郭小清等[21]針對(duì)番茄葉部病害，對(duì)AlexNet模型進(jìn)行了改進(jìn)，運(yùn)行性能和不同發(fā)病時(shí)期識(shí)別準(zhǔn)確率都優(yōu)于MobileNet、SquezeeNet、LeNet模型。近年來，利用深度CNN對(duì)柑橘、蘋果、梨、桃等果樹的病害識(shí)別進(jìn)行了大量探索研究：張敏等[22]采用Alexnet網(wǎng)絡(luò)模型對(duì)柑橘潰瘍病樣本識(shí)別率高達(dá)98%，超過了支持向量機(jī)（support vector machines，SVM）、Adaboost、人工神經(jīng)網(wǎng)絡(luò)（artificial neural network，ANN）、極限學(xué)習(xí)機(jī)（extreme learning machine，ELM）等傳統(tǒng)機(jī)器學(xué)習(xí)方法；金瑛等[23]基于ResNet-50深度卷積網(wǎng)絡(luò)模型，對(duì)梨黑斑病、梨銹病、蘋果花葉病、蘋果銹病4種果樹病害的平均識(shí)別率達(dá)到92.9%；張敏等[24]基于GoogLeNet改進(jìn)模型對(duì)蘋果銹病、斑點(diǎn)落葉病葉片測試的平均準(zhǔn)確率達(dá)到96%；Yao等[25]針對(duì)桃樹7種主流病害的識(shí)別，提出了改進(jìn)的L2MXception網(wǎng)絡(luò)，該研究還對(duì)比了AlexNet、ResNet50、Xception、SENet154、DenseNet-169、HRNet-w48、MobileNetV3模型在原始、L2和L2M條件下的驗(yàn)證準(zhǔn)確率，其中原始條件下的DenseNet-169模型的驗(yàn)證準(zhǔn)確率為89.32%，明顯高于其他模型。DenseNet屬于密集型網(wǎng)絡(luò)，由Huang等[26]于2016年提出，借鑒了ResNet與GoogLeNet的優(yōu)點(diǎn)，通過進(jìn)一步特征重用和Bypass思想大幅度減少了網(wǎng)絡(luò)參數(shù)量，并在一定程度上緩解了層數(shù)加深后梯度消失的問題。本研究從桃園的病害識(shí)別與防治需求出發(fā)，突破傳統(tǒng)病害識(shí)別依賴人工、成本高、效率低、準(zhǔn)確度低等問題，面向桃樹常見的11種病害，基于卷積神經(jīng)網(wǎng)絡(luò)DenseNet-169分類模型進(jìn)行微調(diào)改進(jìn)，并搭建Web端，集成開發(fā)桃樹病害智能識(shí)別軟件系統(tǒng)，搭建便捷的“以圖識(shí)病”平臺(tái)，為桃樹產(chǎn)業(yè)的智慧化發(fā)展提供支持。

1 材料與方法

1.1 圖像收集

通過果樹病蟲害數(shù)據(jù)庫以及果園實(shí)地拍攝等不同途徑采集桃樹病害樣本圖像共計(jì)3 263張，涉及桃園主要發(fā)生的病害11種，包括桃黑斑病、桃褐腐病、桃黑星病、桃炭疽病、桃縮葉病、桃灰霉病、桃褐斑穿孔病、桃霉斑穿孔病、桃細(xì)菌性穿孔病、桃樹流膠病、桃樹木腐??；采集1 000張健康植株圖像作為對(duì)照，全圖像集共計(jì)4 263張。

1.2 基于深度學(xué)習(xí)的桃樹病害識(shí)別模型構(gòu)建

1.2.1 樣本處理與數(shù)據(jù)集分割 圖像擴(kuò)增是處理較少樣本數(shù)據(jù)集的有效方法，本研究采用隨機(jī)裁剪、改變尺寸、隨機(jī)水平翻轉(zhuǎn)、隨機(jī)豎直翻轉(zhuǎn)、隨機(jī)旋轉(zhuǎn)、高斯噪聲、椒鹽噪聲、對(duì)比度調(diào)整等圖像數(shù)據(jù)增強(qiáng)方法進(jìn)行擴(kuò)增（圖1），以提高所訓(xùn)練網(wǎng)絡(luò)的魯棒性。數(shù)據(jù)集切分按照7∶2∶1比例劃分為訓(xùn)練集、驗(yàn)證集及測試集。

圖1 經(jīng)過不同方法處理的桃黑星病圖像Fig.1 Images of peach black spot disease processed by different methods

1.2.2 模型選用與改進(jìn) 本研究基于大型公開圖像分類數(shù)據(jù)集ImageNet預(yù)訓(xùn)練的DenseNet-169對(duì)病害識(shí)別模型進(jìn)行微調(diào)，加入注意力機(jī)制，即在DenseBlock前、transition層后各加入SElayer層（圖2），并修改模型最后一層分類層為需要訓(xùn)練的病害類別總數(shù)量+1（other類）。

圖2 DenseNet改進(jìn)模型結(jié)構(gòu)Fig2 DenseNet improved medel structure

1.2.3 模型訓(xùn)練與測試 ①數(shù)據(jù)預(yù)處理。為了改善模型特征提取性能，對(duì)圖像進(jìn)行預(yù)處理，將輸入數(shù)據(jù)歸一化到[-1,1]之間，以防止數(shù)值過大造成網(wǎng)絡(luò)訓(xùn)練參數(shù)的不穩(wěn)定，并加快模型收斂速度，固定輸入圖片尺寸為224×224×3。

②模型訓(xùn)練。選用合適的梯度下降算法、學(xué)習(xí)率、batch size等超參數(shù)，本研究模型的優(yōu)化算法為隨機(jī)梯度下降（stochastic gradient descent,SGD），初始學(xué)習(xí)率設(shè)為0.001，隨著epoch的增加而逐步減小。DenseNet模型雖然較小，參數(shù)量較少，但是特征重用所造成的計(jì)算量大大增加，因此在計(jì)算能力有限的情況下要選擇較小批量（batch size），本次訓(xùn)練選用大小為16。保存訓(xùn)練時(shí)訓(xùn)練集和驗(yàn)證集的loss變化，通過loss曲線確定模型有無欠/過擬合現(xiàn)象，在確認(rèn)不會(huì)發(fā)生上述情況時(shí)，將驗(yàn)證集數(shù)據(jù)與訓(xùn)練集數(shù)據(jù)進(jìn)行合并訓(xùn)練，得到最終模型。

③模型測試。使用訓(xùn)練后的模型進(jìn)行測試，同樣需要對(duì)圖像進(jìn)行歸一化和圖像大小的處理，在輸入圖像路徑后，選擇對(duì)應(yīng)的模型即可進(jìn)行識(shí)別。識(shí)別過程中進(jìn)行與訓(xùn)練相統(tǒng)一的數(shù)據(jù)增強(qiáng)，對(duì)增強(qiáng)的所有圖片進(jìn)行預(yù)測，加權(quán)求均值。

1.3 桃樹病害智能識(shí)別軟件系統(tǒng)設(shè)計(jì)

1.3.1 Web端搭建 搭建Web端接口以實(shí)現(xiàn)軟件系統(tǒng)對(duì)算法模型的調(diào)用，主要步驟包括：定義web_api.py，在此腳本中定義resolveJson方法，將包含模型名稱及此模型內(nèi)類別名稱的Json文件傳入方法中進(jìn)行解析，得到每個(gè)模型的名稱及其包括的類名；定義路由打開網(wǎng)頁時(shí)，跳轉(zhuǎn)到index.html頁面，頁面中定義超鏈接，跳轉(zhuǎn)到單張測試/批量測試頁面，在單張/批量測試頁面定義表單，用來傳輸圖片路徑、模型名字及類別數(shù)量；將表單中的數(shù)據(jù)接收到后臺(tái)，并判斷模型是否存在以及類別數(shù)量是否與模型數(shù)量一致。進(jìn)行單張測試，調(diào)用test.init_param方法，將參數(shù)傳入進(jìn)行模型的初始化及圖片測試前的預(yù)處理，最后調(diào)用eval-single方法，返回預(yù)測結(jié)果及置信度；進(jìn)行批量測試，調(diào)用test.init_param方法，將參數(shù)傳入其中，進(jìn)行模型的初始化及圖片測試前的預(yù)處理，最后調(diào)用eval方法，返回批量預(yù)測結(jié)果。使用matplotlib統(tǒng)計(jì)不同病蟲害的數(shù)量，并以圖表形式進(jìn)行展示。

1.3.2 系統(tǒng)設(shè)計(jì) 桃樹病害智能圖像識(shí)別系統(tǒng)主要采用JAVA語言開發(fā)，以Springboot+Mybatis框架，基于XML和Web Services組件化開發(fā)模式實(shí)現(xiàn)業(yè)務(wù)模塊/組件的松耦合，軟件部署上采用B/S結(jié)構(gòu)，數(shù)據(jù)庫使用MySQL。

①總體架構(gòu)。該系統(tǒng)總體架構(gòu)主要包括數(shù)據(jù)層、支撐層、應(yīng)用層。數(shù)據(jù)層存儲(chǔ)和管理桃樹病害圖像數(shù)據(jù)、病害防治知識(shí)數(shù)據(jù)、用戶數(shù)據(jù)與系統(tǒng)使用數(shù)據(jù)等；支撐層提供AI算法模型、底層算法庫、基礎(chǔ)中間件、服務(wù)組件等應(yīng)用支撐模型和組件；應(yīng)用層實(shí)現(xiàn)桃樹病害查詢、分析、決策等數(shù)據(jù)可視化服務(wù)。

②功能設(shè)計(jì)。主要包括用戶登錄、AI識(shí)別、診斷記錄、系統(tǒng)管理4個(gè)模塊，為用戶提供完整的桃樹病害智能圖像識(shí)別應(yīng)用。用戶注冊、登錄系統(tǒng)后，選擇并上傳待測桃樹病害圖像，調(diào)用AI算法模型進(jìn)行識(shí)別，返回識(shí)別結(jié)果和防治建議，并可查詢歷史診斷記錄，進(jìn)行系統(tǒng)后臺(tái)管理（圖3）。

圖3 桃樹病害智能圖像識(shí)別系統(tǒng)Fig.3 Intelligent image recognition system of peach diseases

2 結(jié)果與分析

2.1 損失值和準(zhǔn)確率分析

本研究用DenseNet-169網(wǎng)絡(luò)對(duì)桃樹11種主要病害樣本數(shù)據(jù)集進(jìn)行訓(xùn)練，根據(jù)損失值（loss）和準(zhǔn)確率（accuracy）曲線分析結(jié)果（圖 4），形成SEDDenseNet模型，驗(yàn)證集損失值和準(zhǔn)確率隨著迭代次數(shù)的增加逐步趨于穩(wěn)定，未出現(xiàn)大幅波動(dòng)，沒有過擬合現(xiàn)象，模型效果穩(wěn)定。

圖4 模型訓(xùn)練的損失值與準(zhǔn)確率Fig.4 Loss value and accuracy curve of training model

2.2 樣本訓(xùn)練準(zhǔn)確率分析

訓(xùn)練結(jié)果（表1）顯示，11種桃樹病害樣本準(zhǔn)確率在85.00%～98.28%之間，平均準(zhǔn)確率91.47%，總體識(shí)別率93.65%，訓(xùn)練模型實(shí)現(xiàn)了對(duì)桃樹主要病害的準(zhǔn)確識(shí)別；桃黑斑病準(zhǔn)確率樣本最多達(dá)到569個(gè)，準(zhǔn)確率最高達(dá)到98.28%，桃褐斑穿孔病樣本最少（208個(gè)），準(zhǔn)確率最低達(dá)（85%），樣本數(shù)量對(duì)于準(zhǔn)確率正相關(guān)。

表1 桃病害圖像識(shí)別DenseNet-169改進(jìn)模型測試結(jié)果Tab.1 Test results of DenseNet-169 improved model for peach tree diseases image recognition

2.3 模型對(duì)比分析

與DenseNet基準(zhǔn)模型相比，以迭代次數(shù)50遞加，改進(jìn)的SEDenseNet網(wǎng)絡(luò)模型準(zhǔn)確率提升了2.7個(gè)百分點(diǎn)（圖5）。

圖5 DenseNet-169模型改進(jìn)前后對(duì)比曲線Fig.5 Comparison curve before and after improvement of DenseNet-169 model

2.5 系統(tǒng)功能分析

本研究開發(fā)了桃樹病害智能圖像識(shí)別系統(tǒng)（圖6），注冊用戶通過輸入用戶名和密碼進(jìn)入系統(tǒng)，上傳待識(shí)別的桃樹病害圖片，系統(tǒng)自動(dòng)對(duì)圖片進(jìn)行預(yù)處理并匹配相應(yīng)算法模型，推理出相似度排名前5病害種類及其相似度，并結(jié)合相應(yīng)知識(shí)模型，提供所識(shí)別相似度最高的病害的名稱、癥狀特點(diǎn)、防治方法等信息。系統(tǒng)提供上傳圖片、上傳時(shí)間、識(shí)別結(jié)果與置信度等查詢功能，結(jié)合AI診斷模型管理，實(shí)現(xiàn)對(duì)訓(xùn)練的各類桃樹病害深度學(xué)習(xí)算法模型的管理和維護(hù)。結(jié)合桃園現(xiàn)場的病害識(shí)別試驗(yàn)應(yīng)用，系統(tǒng)有效集成主要發(fā)生的桃樹病害圖像識(shí)別算法模型，平均識(shí)別速度達(dá)10.3 fps，實(shí)現(xiàn)了快捷、準(zhǔn)確的“以圖識(shí)病”。

圖6 桃樹病害智能圖像識(shí)別系統(tǒng)界面Fig.6 Interface of intelligent image recognition system for peach diseases

3 討論

植物病蟲害圖像識(shí)別相對(duì)于傳統(tǒng)的人工鑒定與專家遠(yuǎn)程服務(wù)，顯著改善識(shí)別效率，為廣大農(nóng)戶提供便捷、快速、準(zhǔn)確的診斷服務(wù)，從而減少病蟲害損失，提升作物產(chǎn)量與品質(zhì)。近年來，在農(nóng)林領(lǐng)域得到了快速發(fā)展與較好應(yīng)用?，F(xiàn)有研究探討了基 于 GoogLeNet、 FI-DenseNet、 ResNet50、MobileNet、one-shot、EESP、Xception-CEMs、VGG-16等深度學(xué)習(xí)模型在植物病害圖像識(shí)別方面的實(shí)踐，并取得了良好的應(yīng)用效果[27-30]。本研究采用DenseNet-169網(wǎng)絡(luò)模型，通過特征在通道上的連接來實(shí)現(xiàn)特征重用，前面所有層和后面層密集連接，每層都可以直接利用損失函數(shù)的梯度以及輸入信息[31]，加強(qiáng)了特征的傳遞和有效利用，解決小數(shù)據(jù)集容易過擬合等問題，使得模型更容易訓(xùn)練，對(duì)于農(nóng)業(yè)病蟲害樣本不易獲得的情況尤為有利。同時(shí)，還加入了注意力機(jī)制，目的是讓模型能夠忽略無關(guān)信息，讓深度神經(jīng)網(wǎng)絡(luò)學(xué)到每張樣本圖片中需要關(guān)注的病害植株區(qū)域，形成注意力，從而提高識(shí)別效率。結(jié)果顯示，11種桃樹病害樣本準(zhǔn)確率處于85.00%～98.28%之間，平均準(zhǔn)確率91.47%，實(shí)現(xiàn)了智能識(shí)別。目前，本研究開發(fā)的桃樹病害智能識(shí)別與應(yīng)用系統(tǒng)已在北京市平谷區(qū)規(guī)?；覉@開展試點(diǎn)應(yīng)用，促進(jìn)桃園植保防治工作更加及時(shí)高效；同時(shí)，隨著該方法的使用與推廣，桃園病害數(shù)據(jù)不斷積累，AI模型將得到優(yōu)化，以實(shí)現(xiàn)更精準(zhǔn)、智能的識(shí)別診斷，為進(jìn)一步監(jiān)測預(yù)警與大數(shù)據(jù)分析提供有效支撐。