楊祖鑒 黃勇萍

摘要：廣西是農(nóng)業(yè)大省區(qū)，農(nóng)作物種類繁多，包括甘蔗、水稻等。部分地區(qū)以農(nóng)作物為主要經(jīng)濟來源，由于氣候原因，農(nóng)作物病蟲害頻發(fā)。文章研究了廣西主要農(nóng)作物的常見病蟲害，采集了甘蔗等農(nóng)作物的常見病蟲害數(shù)據(jù)，使用AI計算框架MindSpore以及深度學(xué)習(xí)算法MobileNetV2實現(xiàn)了數(shù)據(jù)的特征提取以及模型訓(xùn)練，使用端側(cè)推理框架MindSpore Lite實現(xiàn)了快速準確的端側(cè)推理。測試結(jié)果表明，該系統(tǒng)有較高的識別準確率，并且與傳統(tǒng)的識別軟件相比，系統(tǒng)可以進行無網(wǎng)絡(luò)、輕量級實時識別。

關(guān)鍵詞：MindSpore；病蟲害識別；端側(cè)推理

中圖分類號：TP391；TP311? 文獻標志碼：A

0 引言

廣西是農(nóng)業(yè)大省區(qū)，農(nóng)作物種類繁多，部分地區(qū)以農(nóng)作物為主要經(jīng)濟來源，由于氣候原因，農(nóng)作物病蟲害頻發(fā)。一些農(nóng)戶由于缺少病蟲害的識別技能，病蟲害的防治效果不佳，影響農(nóng)民的收入。農(nóng)民對病蟲害的判斷失誤、使用的藥物不具有針對性，還會造成環(huán)境污染、生產(chǎn)成本增加等問題。在多數(shù)情況下，農(nóng)民不會直接使用針對性藥物，而是根據(jù)以往的病蟲害預(yù)防經(jīng)驗使用藥物，并且往往不能準確把握藥物的用量，在面對另一種蟲害時，往往會出現(xiàn)診斷不及時、預(yù)防不及時的問題，導(dǎo)致病蟲害泛濫。為了讓農(nóng)戶快速準確地識別農(nóng)作物病蟲害，本研究根據(jù)主要農(nóng)作物的常見病蟲害特征，使用深度學(xué)習(xí)算法，基于華為的MindSpore框架，采用Android Studio等技術(shù)構(gòu)建了識別速度快、精度高的界面友好農(nóng)作物病蟲害識別App。農(nóng)戶只要使用智能手機，即使在斷網(wǎng)的情況下，也可以快速準確地識別農(nóng)作物病蟲害，從而有針對性地采取防治措施，有效地提高農(nóng)作物產(chǎn)量。

1 數(shù)據(jù)采集及處理

首先，本研究明確了甘蔗、玉米、柑橘等農(nóng)作物的常見病蟲害，如甘蔗的主要病蟲害有赤腐病、鳳梨病、黑穗病、鞘腐病、輪斑病、銹病、螟蟲、棉蚜等，玉米的主要病蟲害為玉米螟，柑橘的主要病蟲害為黃龍病、潰瘍病等。其次，本研究針對各種病蟲害進行特征分析，例如甘蔗黑穗病屬真菌性病害，其明顯特征是蔗莖頂端部生長出一條黑色鞭狀物，短者筆直，長者或卷曲或彎曲，無分枝。最后，本研究使用數(shù)碼相機或智能手機進行病蟲害特征圖片數(shù)據(jù)采集，主要包括廣西壯族自治區(qū)崇左市、百色市、桂林市等地的玉米、甘蔗、柑橘三大農(nóng)作物主要病蟲害，每種病蟲害的樣本數(shù)為400張，采集的部分數(shù)據(jù)集如圖1所示。

圖片采集分類后，本研究采用Decode，Resize，CenterCrop，Normalize，HWC2CHW等技術(shù)進行數(shù)據(jù)處理，建立有效的數(shù)據(jù)集。

2 模型構(gòu)建和訓(xùn)練

本研究基于華為MindSpore框架，使用MobileNetV2算法實現(xiàn)模型構(gòu)建和數(shù)據(jù)訓(xùn)練。MindSpore是華為自主研發(fā)的一款支持端、邊、云獨立/協(xié)同的統(tǒng)一訓(xùn)練和推理AI計算框架，提供全場景統(tǒng)一API，為全場景AI的模型開發(fā)、模型運行、模型部署提供端到端能力［1］。MindSpore提供一套新的數(shù)據(jù)引擎（Data Engine），方便數(shù)據(jù)讀取、增強處理等操作。本研究使用數(shù)據(jù)引擎中的dataset模塊進行數(shù)據(jù)集讀取及增強處理，首先使用函數(shù)mindspore.dataset.ImageFolder Dataset讀取數(shù)據(jù)并進行分類。在測試中，黑穗病被標記為“0”，黃龍病被標記為“1”，潰瘍病被標記為“2”，輪斑病被標記為“3”，銹病被標記為“4”，玉米螟被標記為“5”。

導(dǎo)入數(shù)據(jù)集之后，本研究使用MindSpore.dataset中的vision.c_transforms模塊進行數(shù)據(jù)增強。vision.c_transforms模塊包含多種數(shù)據(jù)增強操作工具，本研究使用4種工具：RandomCropDecodeResize，Random HorizontalFlip，Normalize，HWC2CHW。RandomCrop DecodeResize將數(shù)據(jù)組合、解碼以及調(diào)整大小。RandomHorizontalFlip按照給定的概率，隨機地水平翻轉(zhuǎn)輸入圖像。Normalize根據(jù)均值和標準差對輸入圖像進行歸一化處理。HWC2CHW是將輸入圖像從形狀（H，W，C）轉(zhuǎn)置為形狀（C，H，W）。處理以及增強數(shù)據(jù)后，本研究將構(gòu)建模型網(wǎng)絡(luò)，使用MobileNetV2神經(jīng)網(wǎng)絡(luò)模型進行模型的訓(xùn)練。

MobileNetV2是一種輕量級的深度學(xué)習(xí)圖像檢測模型，使用深度可分離卷積，大大提高運算速度，相比于經(jīng)典的大型網(wǎng)絡(luò)，MobileNetV2具有參數(shù)量少、模型體積小等優(yōu)點。同時，MobileNetV2憑借網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化，在更少的參數(shù)及更少的計算量下，網(wǎng)絡(luò)精度反而超過了部分大型神經(jīng)網(wǎng)絡(luò)。MobileNetV2可以在移動終端實現(xiàn)眾多應(yīng)用，包括目標檢測、目標分類、目標識別等。模型的構(gòu)建要用到微分，手動微分求解不僅求導(dǎo)過程復(fù)雜，而且結(jié)果很容易出錯，MindSpore等深度學(xué)習(xí)框架具有自動微分的特性，可以幫助開發(fā)者利用自動微分技術(shù)實現(xiàn)自動求導(dǎo)，解決這個復(fù)雜、關(guān)鍵的問題［2］。MindSpore中提供了MobileNetV2預(yù)訓(xùn)練模型的ckpt文件，預(yù)訓(xùn)練模型的寬度系數(shù)α=1.0。本研究首先導(dǎo)入預(yù)訓(xùn)練模型，之后進行模型超參、損失函數(shù)、優(yōu)化器的定義。對訓(xùn)練模型而言，超參是可以進行調(diào)整的參數(shù)，可以定義其中的訓(xùn)練輪次（epoch）、批次大?。╞atch size）以及學(xué)習(xí)率（learning rate）。本研究定義10個epoch進行數(shù)據(jù)集的訓(xùn)練。在定義數(shù)據(jù)集次數(shù)的同時，本研究也定義了批次的大小。學(xué)習(xí)率也影響著模型訓(xùn)練的精度，學(xué)習(xí)率過小，模型收斂速度會變得十分緩慢；學(xué)習(xí)率過大，模型不收斂，導(dǎo)致預(yù)測不準確。本研究進行了多次小規(guī)模測試，最終確定學(xué)習(xí)率為0.01。損失函數(shù)是評價模型預(yù)測程度的重要數(shù)值，mindspore.nn.loss定義了多種損失函數(shù)可供選擇，如MSELoss（均方誤差損失）、SmoothL1Loss（范數(shù)損失）、CrossEntropySmooth（交叉熵平滑）等，本研究使用CrossEntropySmooth損失函數(shù)進行模型的評估，之后使用動量（Momentum）算法進行模型優(yōu)化，若梯度方向與之前歷史的梯度是一致的，趨勢就增大，若趨勢不一致則減少。本研究設(shè)定動量算法的學(xué)習(xí)率（learning_rate）為0.01，引入之前設(shè)定的超參以及當(dāng)前組別的權(quán)重，然后開始模型訓(xùn)練。訓(xùn)練結(jié)束之后，本研究進行模型的驗證，選擇模型中精度最高的ckpt文件，并將其轉(zhuǎn)換為MindIR格式，用于后續(xù)手機側(cè)的推理。

3 端側(cè)推理

本研究應(yīng)用MindSpore Lite實現(xiàn)端側(cè)推理，將網(wǎng)絡(luò)訓(xùn)練模型結(jié)果進行轉(zhuǎn)換，使其在不具備大算力和強深度學(xué)習(xí)環(huán)境的終端設(shè)備上也可以快速有效運行。MindSpore Lite是華為自主研發(fā)的一款極速、極智、極簡的AI引擎，在手機、穿戴感知、智慧屏等設(shè)備上得到廣泛應(yīng)用。本研究首先將模型訓(xùn)練后得到的MindIR格式模型轉(zhuǎn)化為適用于端側(cè)部署的ms模型，具體步驟：（1）下載MindSpore Lite模型轉(zhuǎn)換工具（Converter），解壓并配置環(huán)境變量。（2）進入converter_lite可執(zhí)行文件所在的目錄，將MindIR格式模型文件放入同一路徑下，在電腦終端執(zhí)行轉(zhuǎn)換命令：call converter_lite --fmk=MINDIR --modelFile=mobilenet_v2_1.0_224.mindir --outputFile=mobilenet_v2_1.0_224，其中，--fmk代表輸入模型的原始格式，--modelFile指輸入模型文件；--outputFile指輸出模型文件，自動添加.ms后綴。得到ms模型后，將其加載到App應(yīng)用，然后進行模型編譯、獲取圖片數(shù)據(jù)、執(zhí)行推理，最后將推理結(jié)果輸出給App應(yīng)用。

4 安卓應(yīng)用程序開發(fā)

為了讓農(nóng)戶只要持有智能手機就可以進行農(nóng)作物病蟲害識別，本研究設(shè)計和實現(xiàn)界面友好、操作方便的病蟲害識別App。App支持安卓7.0以上移動終端，使用Pycharm，Android Studio進行開發(fā)，提供兩種圖片數(shù)據(jù)輸入接口，用戶可以從相冊導(dǎo)入病蟲害圖片作為數(shù)據(jù)。除此以外，App調(diào)用Android Camera 2 API實現(xiàn)了通過攝像頭獲取圖像，因此，用戶可以實時拍攝病蟲害圖片并將其作為數(shù)據(jù)。App在獲取用戶輸入的圖片數(shù)據(jù)后，先將圖片進行格式、大小等處理，然后輸入ms模型進行推理，最后將推理結(jié)果進行顯示，包括病蟲害分類、置信度以及響應(yīng)時間等，如圖2所示。同時App提供識別結(jié)果詳情，包括病蟲害的特征描述以及相應(yīng)的防治措施等，可以較好地滿足農(nóng)業(yè)發(fā)展對于信息化和智能化技術(shù)的需求［3］。

5 結(jié)語

本系統(tǒng)基于華為自主研發(fā)的MindSpore AI計算框架實現(xiàn)，使用輕量級經(jīng)典圖像檢測算法MobileNetv2進行特征提取和模型訓(xùn)練，可以部署到高端手機，也可以部署到手表等對資源要求極為苛刻的設(shè)備，從而滿足全場景部署的需求。系統(tǒng)使用MindSpore Lite實現(xiàn)農(nóng)作物病蟲害端側(cè)識別，無須將圖片數(shù)據(jù)傳輸?shù)侥Ｐ陀?xùn)練服務(wù)器中，并且可以大幅度地加快識別速度，即使在不具備網(wǎng)絡(luò)通信的環(huán)境中也可以完成推理識別。最終作品以界面友好、操作方便的App形式呈現(xiàn)，方便農(nóng)戶進行農(nóng)作物病蟲害圖片掃描識別，同時提供識別結(jié)果詳情、病蟲害的特征描述以及相應(yīng)的防治措施，使農(nóng)戶只要持有智能手機就可以進行農(nóng)作物病蟲害識別。

參考文獻

［1］陳雷.深度學(xué)習(xí)與MindSpore實踐［M］.北京：清華大學(xué)出版社，2020.

［2］于璠.新一代深度學(xué)習(xí)框架研究［J］.大數(shù)據(jù)，2020（4）：69-80.

［3］甄珍.人工智能技術(shù)在移動互聯(lián)網(wǎng)發(fā)展中的應(yīng)用分析［J］.無線互聯(lián)科技，2020（21）：63-65.

（編輯 王雪芬）

Design of crop pest identification system based on MindSpore

Yang? Zujian， Huang? Yongping*

（College of Mathematics，Physics and Electronic Information Engineering，Guangxi Normal University for Nationalities， Chongzuo 532200， China）

Abstract：? Guangxi is a large agricultural province， a wide variety of crops， such as sugar cane， rice and so on. In some areas， crops are the main source of economy， and crop diseases and insect pests occur frequently due to climate reasons. This paper studied the common diseases and insect pests of major crops in Guangxi， collected the data of common diseases and insect pests of sugarcane and other crops， used the AI computing framework to achieve the feature extraction and model training of the data using MindSpore and the deep learning algorithm MobileNetV2， and used the end-side inference framework to achieve fast and accurate end-side inference framework MindSpore Lite. The test results show that the proposed system has a high recognition accuracy， and compared with the traditional recognition software， the system can perform network-free， lightweight real-time recognition.

Key words： MindSpore; identification of pests and diseases; end side reasoning