曠丞吉 譚文斌 黃海霞

摘要：為解決茶農(nóng)在識別茶葉病蟲害時存在的主觀性強、誤判率高等問題，基于卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建的茶葉病蟲害識別模型經(jīng)過訓練、調(diào)優(yōu)后獲得了最終的檢測模型，該檢測模型通過Java Web技術(shù)構(gòu)建成B/S模式的病蟲害在線檢測系統(tǒng)。用戶通過在瀏覽器中提交待識別的茶葉圖像至服務(wù)器，服務(wù)器將接收到的病蟲害圖片送入檢測模型進行病蟲害識別，將識別結(jié)果返回至用戶端。實驗結(jié)果表明，基于卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建的茶葉病蟲害檢測系統(tǒng)實現(xiàn)了茶葉圖像中18種病蟲害的檢測，能較好地幫助茶農(nóng)快速識別茶葉病蟲害，對茶葉病蟲害防治具有重要意義。

關(guān)鍵詞：卷積神經(jīng)網(wǎng)絡(luò)；目標檢測；茶葉病蟲害；檢測系統(tǒng)

中圖分類號：TP391.41

文獻標志碼：A

0 引言

近年來，隨著卷積神經(jīng)網(wǎng)絡(luò)的興起，基于卷積神經(jīng)網(wǎng)絡(luò)的模型不斷涌現(xiàn)，國內(nèi)外諸多學者都將卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用于圖像處理研究，尤其是在圖像分類和目標檢測研究方面，網(wǎng)絡(luò)模型AlexNet^［1］、GoogleNet^［2］、ResNet^［3］、ASNet^［4］、VGG-16^［5］等在圖像分類和目標檢測準確率上都得到了進一步提升。文獻^［6-7］將卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用于農(nóng)作物病蟲害的檢測上，使病蟲害檢測的準確率有了進一步提升。經(jīng)梳理已有病蟲害研究文獻^［6-10］，針對茶葉病蟲害識別的研究尚不多，沒有可供訓練、測試的公共數(shù)據(jù)集，可查到的文獻較少。對此，本文設(shè)計了一種基于Faster R-CNN的茶葉病蟲害識別系統(tǒng)，實現(xiàn)茶葉病蟲害的在線識別。

1 茶葉病蟲害檢測系統(tǒng)設(shè)計

1.1 系統(tǒng)架構(gòu)設(shè)計

本系統(tǒng)采用B/S架構(gòu)模式，用戶將需要檢測的茶葉圖像提交給服務(wù)器。服務(wù)器負責對接收到的圖片進行病蟲害檢測，將檢測結(jié)果返回至用戶端。該運行模式具有訪問便捷、易維護、響應(yīng)速度快等特征，便于服務(wù)器端檢測模型的迭代和升級。系統(tǒng)整體運行機制如圖1所示。

本檢測系統(tǒng)運行環(huán)境為Ubuntu20.4操作系統(tǒng)，系統(tǒng)掛載服務(wù)器為Tomcat9.0，開發(fā)環(huán)境相關(guān)版本信息如表1所示。

1.2 實驗數(shù)據(jù)集準備

本實驗所用茶葉病蟲害數(shù)據(jù)類型主要包括炭疽病、茶小卷葉蛾、葉枯病、白星病、刺粉虱等18種主要病蟲害類型。為了提高模型識別的準確率，本團隊對

采集的部分圖片進行了空間變換、像素變化，以增強實驗數(shù)據(jù)集，增強后的實驗數(shù)據(jù)集樣本數(shù)達4 020張，每張圖片至少包含一種病蟲害類型，如圖2所示。

1.3 檢測模型構(gòu)建

本檢測模型基于Faster R-CNN^［6］深度學習模型進行搭建，其結(jié)構(gòu)由特征提取網(wǎng)絡(luò)Conv Layers（CNN）、區(qū)域生成網(wǎng)絡(luò)Region Proposal Networks（RPN）、Roi Pooling映射、Softmax分類與回歸等組成，該模型引入了區(qū)域生成網(wǎng)絡(luò)RPN優(yōu)化了模型，其模型結(jié)構(gòu)如圖3所示。

2 實驗結(jié)果與分析

2.1 基礎(chǔ)模型訓練

在模型訓練前，本團隊將數(shù)據(jù)集劃分為訓練集（75%）、測試集（15%）、驗證集（10%），通過基于Faster R-CNN為主體的模型對數(shù)據(jù)集進行病蟲害圖片的特征提取，獲得如圖4所示的區(qū)域候選框產(chǎn)的rnp_loss_cls（損失值）、rnp_loss_box（回歸損失值）和loss（損失函數(shù)）變化關(guān)系。

為了更好地驗證模型性能和優(yōu)化模型，本實驗將模型訓練迭代次數(shù)分別設(shè)置為5 000次、10 000次、50 000次、100 000次，獲得如表2所示的mAP值變化關(guān)系。

由表2可知，當訓練次數(shù)較少時，基于VGG16的模型獲得的mAP值較低，隨著訓練次數(shù)增加，模型的mAP值也隨之增加，但當模型訓練次數(shù)達100 000次后，模型的mAP值增幅趨于平緩（mAP<60%）。

2.2 模型分析及優(yōu)化

經(jīng)本團隊多次實驗后發(fā)現(xiàn)，當訓練次數(shù)超過100 000次后，模型的mAP值并沒有大幅提升。對此，本團隊從以下兩個方面對模型進行優(yōu)化。

（1）增加訓練的實驗樣本數(shù)量。由于本系統(tǒng)模型目前的訓練樣本只有4 020張，涵蓋了18種病蟲害類型，但存在各病蟲害樣本分布不均、部分樣本量較少等問題，從而導致模型泛化能力偏低，影響mAP值。

（2）優(yōu)化主干網(wǎng)絡(luò)模型，采用ResNet-101殘差網(wǎng)絡(luò)模型^［11］替代原Faster R-CNN中的VGG-16模型。通過使用ResNet-101殘差網(wǎng)絡(luò)結(jié)構(gòu)模型來避免隨著卷積網(wǎng)絡(luò)加深所出現(xiàn)的梯度消失問題，利用恒等映射解決隨著模型卷積層增加精度下降等問題，同時引入恒等快捷連接使模型在進入深度層次訓練時可以跳過一個層或多個層，其結(jié)構(gòu)如圖5所示。

由圖5可知，ResNet-101殘差結(jié)構(gòu)通過恒等映射輸入X可得到擬合輸出值F（X）與期望輸出值H（X），再通過F（X）漸進擬合可輸出F（X）+X，則H（X）=F（X）+X實現(xiàn)跨層連接，讓輸入的X得到更多的特征，以此來提高模型檢測時精度。

2.3 系統(tǒng)實現(xiàn)

本系統(tǒng)經(jīng)過系統(tǒng)設(shè)計、系統(tǒng)編碼、系統(tǒng)測試等過程，實現(xiàn)功能主要有登錄注冊、系統(tǒng)數(shù)據(jù)可視化、識別中心、病蟲百科、通知管理和用戶管理，系統(tǒng)主頁如圖6所示。

用戶在導航欄處點擊識別中心進入本系統(tǒng)核心模塊，用戶在點擊“上傳照片”后選取病蟲害照片上傳，系統(tǒng)會根據(jù)當前網(wǎng)絡(luò)環(huán)境、傳輸速度等多方面彈出加載進度條，當后端識別結(jié)束后返回結(jié)果，系統(tǒng)根據(jù)返回結(jié)果加載對應(yīng)的病蟲害類型、識別概率以及防治方案等信息，如圖7所示。

3 結(jié)語

本系統(tǒng)基于卷積神經(jīng)網(wǎng)絡(luò)實現(xiàn)了茶葉病蟲害的在線檢測，有效避免了茶葉病蟲害識別中的強主觀性和高誤判率。在接下來的研究中，本團隊將進一步優(yōu)化檢測模型，提高檢測準確率，同時開發(fā)檢測模型的移動版，讓茶農(nóng)使用更加方便。

參考文獻

［1］仁慶道爾吉，程坤，鄭碧瑩.基于衛(wèi)星云圖和改進AlexNet的沙塵暴預(yù)測方法［J］.計算機應(yīng)用，2022（增刊2）：310-314.

［2］LEE Y，NAM S.Performance comparisons of AlexNet and GoogLeNet in cell growth inhibition IC50 prediction［J］.International Journal of Molecular Sciences，2021（14）：7721.

［3］WU Z，SHEN C，VAN D H A.Wider or deeper： Revisiting the resnet model for visual recognition［J］.Pattern Recognition，2019（90）：119-133.

［4］何自芬，黃俊璇，劉強，等.基于非對稱混洗卷積神經(jīng)網(wǎng)絡(luò)的蘋果葉部病害分割［J］.農(nóng)業(yè)機械學報，2021（8）：221-230.

［5］馬博昂，張海瑛.基于改進VGG16的超短波時頻譜圖分類方法［J］.計算機測量與控制，2022（12）：211-217.

［6］KARAR M E，ALSUNAYDI F，ALBUSAYMI S，et al.A new mobile application of agricultural pests recognition using deep learning in cloud computing system［J］.Alexandria Engineering Journal，2021（5）：4423-4432.

［7］HUANG Y，LI W，DU J.Anatomical-functional image fusion based on deep convolution neural networks in local Laplacian pyramid domain［J］.International Journal of Imaging Systems and Technology， 2021（3）： 1246-1264.

［8］岳有軍，李雪松，趙輝，等.基于改進VGG網(wǎng)絡(luò)的農(nóng)作物病害圖像識別［J］.農(nóng)機化研究，2022（6）：18-24.

［9］魏超，范自柱，張泓，等.基于深度學習的農(nóng)作物病害檢測［J］.江蘇大學學報（自然科學版），2019（2）：190-196.

［10］LEE S H，LIN S R，CHEN S F.Identification of tea foliar diseases and pest damage under practical field conditions using a convolutional neural network［J］.Plant Pathology，2020（9）：1731-1739.

［11］HE K M，ZHANG X Y，REN S Q，et al.Deep residual learning for image recognition［C］.Las Vegas：IEEE，2016.

（編輯 王永超）

Design of tea pests detection system based on convolution neural network

Kuang Chengji， Tan Wenbin^*， Huang Haixia

（College of Data Science， Tongren University， Tongren 554300， China）

Abstract： In order to solve the problems of strong subjectivity and high misjudgment rate of tea farmers in identifying tea pests and diseases， the tea pests and diseases identification model based on convolution neural network was trained and optimized to obtain the final detection model. The detection model was built into a B/S mode online detection system of pests and diseases through Java Web technology. The user submits the tea image to be recognized in the browser to the server， and the server sends the received image of pests and diseases to the detection model for pests and diseases identification， and returns the identification results to the user. The experimental results show that the detection system of tea pests and diseases based on convolution neural network has realized the detection of 18 kinds of pests and diseases in tea images， and can help tea farmers quickly identify tea pests and diseases， which is of great significance for the prevention and control of tea pests and diseases.

Key words： convolution neural network; object detection; tea pests and diseases; detection system