基于深度學(xué)習(xí)的茶葉害蟲智能識(shí)別APP設(shè)計(jì)

吳曉盼　周禮贊　王大倉

摘 要

為提高茶葉害蟲識(shí)別效率，設(shè)計(jì)一款茶葉害蟲智能識(shí)別APP。建立基于卷積神經(jīng)網(wǎng)絡(luò)的茶葉害蟲識(shí)別模型;利用MySQL建立茶葉害蟲防治信息數(shù)據(jù)庫;以Android技術(shù)為核心設(shè)計(jì)與開發(fā)茶葉害蟲智能識(shí)別APP。用戶使用APP可直接進(jìn)行圖像采集、害蟲診斷和防治信息的獲取。該APP具有便捷、易操作和推廣的特點(diǎn)，為茶學(xué)領(lǐng)域智能化發(fā)展提供參考。

關(guān)鍵詞

茶葉;害蟲;卷積神經(jīng)網(wǎng)絡(luò);Android平臺(tái)

中圖分類號(hào)： S436.65;TP391.41 ? ? ? 文獻(xiàn)標(biāo)識(shí)碼： A

DOI：10.19694/j.cnki.issn2095-2457 . 2020 . 06 . 83

0 引言

茶作為保健飲品，深受國內(nèi)外人們的喜愛。隨著生活水平質(zhì)量的提高，人們對(duì)茶葉質(zhì)量的要求愈加嚴(yán)格。茶樹害蟲作為茶園主要危害之一，蟲害嚴(yán)重影響了茶葉質(zhì)量和產(chǎn)量。目前茶葉害蟲防治主要依靠專業(yè)人員辨認(rèn)。人工識(shí)別存在效率低、主觀因素大等不足，加上茶樹生長環(huán)境復(fù)雜以及害蟲防治人員的減少，均無法滿足茶園害蟲精準(zhǔn)、實(shí)時(shí)防控的需求。因此，迫切需要一種快速、自動(dòng)、準(zhǔn)確的方法識(shí)別茶樹害蟲。

隨著移動(dòng)端的發(fā)展，利用手機(jī)進(jìn)行識(shí)別的技術(shù)也趨向成熟，如人臉識(shí)別[1]、花草識(shí)別[2]等。在茶葉害蟲識(shí)別方面，鮮有相關(guān)軟件輔助識(shí)別。本文介紹了基于卷積神經(jīng)網(wǎng)絡(luò)[3-4]的茶葉害蟲識(shí)別APP設(shè)計(jì)，用戶可通過APP直接進(jìn)行茶葉害蟲圖像采集、識(shí)別和獲取相關(guān)防控信息。

1 茶葉害蟲自動(dòng)識(shí)別模型

1.1 卷積神經(jīng)網(wǎng)絡(luò)基本結(jié)構(gòu)

卷積神經(jīng)網(wǎng)絡(luò)由輸入層、卷積層、池化層、全連接層和輸出層等組成，常用多層按照一定的規(guī)律搭配實(shí)現(xiàn)更好的效果。

輸入層（Input layer），即加載數(shù)據(jù)到網(wǎng)絡(luò)中，涉及圖片的預(yù)處理，如去均值、歸一化等操作。

卷積層（Convolutional layer），通過多層卷積層獲取更多的特征值，網(wǎng)絡(luò)模型可以逐步提取更高層的特征表示。

池化層（Pooling layer），將卷積層提取的大量特征進(jìn)行處理，刪減部分冗余特征，又稱降采樣。

全連接層（Fully connected layer），全連接層將當(dāng)前層的每一個(gè)神經(jīng)元與上一層中的所有神經(jīng)元連接，以產(chǎn)生全局語義信息，實(shí)現(xiàn)分類操作。

輸出層（Output layer），將最后的結(jié)果以模型文件輸出。

1.2 基于AlexNet網(wǎng)絡(luò)的茶葉害蟲識(shí)別模型

1.2.1 AlexNet網(wǎng)絡(luò)結(jié)構(gòu)

AlexNet網(wǎng)絡(luò)[5]結(jié)構(gòu)圖如圖1所示，前五層為卷積層，后三層是全連接層，利用ReLU激活層銜接所有卷積層和全連接層，且對(duì)輸入進(jìn)行標(biāo)準(zhǔn)化以提高網(wǎng)絡(luò)性能，標(biāo)準(zhǔn)化公式如式1。

其中α代表特征圖（feature map）中第i個(gè)卷積核（x，y）坐標(biāo)經(jīng)激活函數(shù)后的輸出，n表示幾個(gè)相鄰的卷積核。N表示總卷積核數(shù)量，k、n、α和β表示超參數(shù)，通過驗(yàn)證集確定。

1.2.2 基于AlexNet的茶葉害蟲識(shí)別模型訓(xùn)練

為滿足AlexNet卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練的要求，需將害蟲圖像剪裁尺寸，對(duì)于尺寸小于的圖片，采用插值法以擴(kuò)大到要求尺寸，插值大小取8領(lǐng)域的均值。采用Python工具中os庫完成對(duì)原始數(shù)據(jù)標(biāo)簽分類等預(yù)處理操作。AlexNet網(wǎng)絡(luò)訓(xùn)練具體步驟如下：

（1）將茶葉害蟲圖片利用caffe框架提供的工具制作成LMDB格式，便于加速計(jì)算;

（2）修改AlexNet網(wǎng)絡(luò)參數(shù);

（3）訓(xùn)練網(wǎng)絡(luò)并根據(jù)損失值和識(shí)別率修正參數(shù)。

通過以上步驟，可得茶葉害蟲模型文件，結(jié)合服務(wù)器和APP完成識(shí)別任務(wù)。

2 茶葉害蟲識(shí)別APP的設(shè)計(jì)

2.1 設(shè)計(jì)理念

茶葉害蟲識(shí)別APP以用戶為中心的設(shè)計(jì)理念，遵循UCD開發(fā)準(zhǔn)則[6-7]，在APP開發(fā)、設(shè)計(jì)、升級(jí)時(shí)從用戶的多個(gè)角度出發(fā)，而不是依靠用戶去熟悉、摸索。APP界面簡潔、操作簡單，讓用戶在短時(shí)間內(nèi)掌握，以滿足茶葉植保人員的需求。

2.2 設(shè)計(jì)方案

茶葉害蟲識(shí)別APP包括茶葉害蟲自動(dòng)識(shí)別網(wǎng)絡(luò)模型、茶葉害蟲防控信息庫和APP應(yīng)用設(shè)計(jì)等。用戶通過移動(dòng)端APP獲取茶葉害蟲的圖片并上傳到服務(wù)器，在服務(wù)器中利用已經(jīng)訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)模型識(shí)別，并將識(shí)別結(jié)果以及相應(yīng)的防控信息反饋到移動(dòng)端。APP設(shè)計(jì)流程和開發(fā)圖如圖2所示。

參考文獻(xiàn)

[1]趙健. “眾尋幫”尋人APP設(shè)計(jì)[D]. 昆明理工大學(xué).2018.

[2]徐志杰， 陳智鋒. 基于移動(dòng)終端的花卉識(shí)別技術(shù)研究[J]. 科技資訊， 2018， 16（24）：100+102.

[3]Si Meng-min， Deng Ming-hui， Han Ye. Using Deep Learning for Soybean Pest and Disease Classification in Farmland[J]. Journal of Northeast Agricultural University（English Edition）， 26（01）：66-74.

[4]Yang， Guoguo， Bao， Yidan， Liu， Ziyi. Localization and recognition of pests in tea plantation based on image saliency analysis and convolutional neural network[J]. Transactions of the Chinese Society of Agricultural Engineering， 2017， 33（6）：156-162.

[5]呂軍，夏華鹍，方夢瑞，周禮贊.基于AlexNet的茶葉嫩芽狀態(tài)智能識(shí)別研究[J].黑龍江八一農(nóng)墾大學(xué)學(xué)報(bào)， 2019，31（02）：76-82.

[6]王晨靜，楊新.淺析現(xiàn)代設(shè)計(jì)理念與方法中——“以用戶為中心”的設(shè)計(jì)原則[J].科技風(fēng)，2011（19）：58-60.

[7]劉增，陳炳發(fā).以用戶為中心的網(wǎng)站可用性設(shè)計(jì)和評(píng)估[J].中國制造業(yè)信息化，2009，38（5）.