基于Android的甘蔗病蟲害識別系統(tǒng)設(shè)計

梁東 唐偉萍 黃欣

摘 要：為提高對甘蔗病蟲害的防治效率，實現(xiàn)對甘蔗病蟲害的自動識別與監(jiān)測，研究設(shè)計基于安卓（Android）的甘蔗病蟲害識別系統(tǒng)。該系統(tǒng)利用智能移動設(shè)備收集了大量的甘蔗病蟲害圖像數(shù)據(jù)集，使用計算機視覺技術(shù)提取圖像中的特征，構(gòu)建深度學(xué)習(xí)模型，并訓(xùn)練一個分類模型來識別不同類型的甘蔗病蟲害，進行端側(cè)推理并將訓(xùn)練好的模型集成到Android應(yīng)用中，實現(xiàn)對甘蔗病蟲害的快速準(zhǔn)確識別。該甘蔗病蟲害識別系統(tǒng)在識別準(zhǔn)確率和使用性能方面表現(xiàn)良好，可有效地幫助農(nóng)民識別和處理甘蔗病蟲害問題，提高防治效率。

關(guān)鍵詞：Android平臺；甘蔗害蟲；圖像處理；深度學(xué)習(xí)；特征提取

中圖分類號：S566.1；S126? ? ? ? ? ? ? ? ? ? ? ?文獻標(biāo)志碼：A 文章編號：2095-820X（2023）04-0013-06

0 引言

甘蔗作為重要的經(jīng)濟作物之一，同樣面臨著各種病蟲害的侵襲。蟲害已對甘蔗的產(chǎn)量和質(zhì)量造成了嚴(yán)重威脅，可導(dǎo)致嚴(yán)重的減產(chǎn)損失，給農(nóng)民帶來巨大的經(jīng)濟壓力。傳統(tǒng)的甘蔗病蟲害監(jiān)測和防治主要依賴于人工巡查識別和化學(xué)農(nóng)藥噴灑，不僅效率低下，還會對環(huán)境造成污染。人工對甘蔗進行病蟲害識別是一項費時費力的任務(wù)，通常需要專業(yè)知識和豐富經(jīng)驗。隨著深度學(xué)習(xí)技術(shù)在圖像識別領(lǐng)域取得突破性進展，給解決甘蔗病蟲害識別問題提供了新的可能性。利用深度學(xué)習(xí)算法，可通過訓(xùn)練模型來自動識別和分類不同類型的病蟲害，從而提高識別的準(zhǔn)確性和效率。在智能移動設(shè)備市場快速發(fā)展的背景下，將甘蔗病蟲害識別技術(shù)應(yīng)用于安卓（Android）平臺具有重要意義。通過在Android平臺上建立甘蔗病蟲害識別模型，農(nóng)民和科技工作者可隨時隨地使用手機或平板電腦對甘蔗病蟲害進行識別，及時采取相應(yīng)的防治措施，從而提高作物的產(chǎn)量和質(zhì)量［1］。近年來，圖像處理和機器學(xué)習(xí)技術(shù)在農(nóng)業(yè)領(lǐng)域得到了廣泛應(yīng)用，許多研究致力于開發(fā)基于圖像處理和機器學(xué)習(xí)的農(nóng)作物病蟲害識別方法。但鮮有研究關(guān)注基于Android平臺的甘蔗病蟲害圖像處理方法?；贏ndroid平臺的甘蔗病蟲害識別研究旨在將深度學(xué)習(xí)技術(shù)與移動設(shè)備相結(jié)合，開發(fā)出具有實時性、便攜性和高準(zhǔn)確性的甘蔗病蟲害識別系統(tǒng)［2］，為農(nóng)業(yè)生產(chǎn)提供技術(shù)支持，幫助農(nóng)民更好地管理甘蔗。

1 數(shù)據(jù)采集及處理

甘蔗的常見病蟲害主要有銹病、輪斑病、黑穗病、鞘腐病、赤腐病、鳳梨病、螟蟲和棉蚜等［3］；針對各種病蟲害進行特征分析，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；使用數(shù)碼相機、平板電腦或智能手機在廣西崇左市、南寧市、橫州市等地的甘蔗種植區(qū)進行病蟲害特征圖片數(shù)據(jù)采集，每種病蟲害的樣本數(shù)為500張，采集的部分?jǐn)?shù)據(jù)集如圖1所示。為了提高識別精度，后續(xù)會對圖像數(shù)據(jù)進行預(yù)處理，包括圖像增強、降噪和圖像矯正等。

2 模型構(gòu)建和訓(xùn)練

2.1 模型構(gòu)建和訓(xùn)練原理

為了提高模型的準(zhǔn)確性和性能，確保模型能準(zhǔn)確地識別甘蔗葉片的病蟲害情況，甘蔗病蟲害識別模型的構(gòu)建和訓(xùn)練過程主要步驟有：

（1）數(shù)據(jù)集準(zhǔn)備：收集包含甘蔗葉片病蟲害圖片的數(shù)據(jù)集，確保圖片標(biāo)注準(zhǔn)確。

（2）數(shù)據(jù)集分割：將數(shù)據(jù)集劃分為訓(xùn)練集、驗證集和測試集。一般采用70%的圖片作為訓(xùn)練集，10%作為驗證集，剩下的20%平均分給測試集A和測試集B［4］。

（3）預(yù)訓(xùn)練模型：選擇一個合適的預(yù)訓(xùn)練模型作為基礎(chǔ)網(wǎng)絡(luò)。在本研究中使用ResNet-152模型。

（4）特征提?。涸跀?shù)據(jù)集上對預(yù)訓(xùn)練模型進行遷移學(xué)習(xí)，提取模型學(xué)習(xí)到的圖像底層特征［5］。

（5）模型訓(xùn)練：以提取到的特征作為輸入數(shù)據(jù)源，訓(xùn)練病蟲害識別模型?？刹捎梅诸惼骰蚱渌m合的方法進行訓(xùn)練。

（6）模型驗證：使用驗證集對訓(xùn)練好的模型進行驗證，評估模型在未見過的數(shù)據(jù)上的性能。

（7）識別率評估：使用測試集A和測試集B對訓(xùn)練好的模型進行評估，計算模型的識別率。

2.2 模型構(gòu)建和訓(xùn)練過程

本研究基于ResNet-152預(yù)訓(xùn)練網(wǎng)絡(luò)構(gòu)建一個甘蔗葉片病蟲害識別模型。使用1份包含近3萬張標(biāo)注甘蔗葉片病蟲害照片的圖像數(shù)據(jù)集，該數(shù)據(jù)集被隨機分成4個部分，70%作為訓(xùn)練集，10%作為驗證集，余下的20%平均分給測試集A和測試集B。在劃分好的數(shù)據(jù)集上，首先對ResNet-152模型進行預(yù)訓(xùn)練，通過預(yù)訓(xùn)練模型，提取學(xué)習(xí)到的圖像底層特征，作為后續(xù)正式創(chuàng)建模型的初始化參數(shù)。隨后，使用預(yù)訓(xùn)練提取到的參數(shù)作為輸入數(shù)據(jù)，在甘蔗葉片病蟲害識別任務(wù)上訓(xùn)練模型，使用測試集A和測試集B進行驗證，計算識別率，完成對甘蔗葉片病蟲害的識別任務(wù)。模型的整體框架如圖2所示。

3 端側(cè)推理

Android Studio軟件、JDK（Java development kit）和SDK（Software development kit）是應(yīng)用系統(tǒng)開發(fā)環(huán)境的主要組成部分。在PyTorch框架中完成模型的訓(xùn)練過程，之后的優(yōu)化和部署過程主要在推理框架和Android Studio軟件中完成，整個推理流程如圖3所示。首先，需要搭建Android開發(fā)環(huán)境，并在Gradle中添加推理框架接口的依賴庫。這樣可減少Module的重復(fù)編譯數(shù)量，方便進行調(diào)用和訪問。然后將訓(xùn)練好的CNN網(wǎng)絡(luò)模型通過腳本語言轉(zhuǎn)換為適合Android平臺使用的模型文件格式。在轉(zhuǎn)換過程中，可能會進行一些操作，如量化和剪枝［6］。最后，在MainActivity.java文件中加載模型，并在CameraActivity.java文件中創(chuàng)建模型的重寫調(diào)用鏈接。還需要編寫相關(guān)的相機設(shè)置，以便使用手機的攝像頭進行圖像識別。同時，在Android開發(fā)軟件中，按照網(wǎng)絡(luò)模型訓(xùn)練過程使用的類別文檔格式配置農(nóng)作物病蟲害標(biāo)簽，使軟件在進行圖像識別時能輸出正確的病蟲害類別［7］。最后，在Android Studio軟件上完成Android應(yīng)用的UI界面設(shè)計及其他相關(guān)開發(fā)和調(diào)試工作。用戶在允許應(yīng)用軟件調(diào)用攝像頭或獲取內(nèi)存權(quán)限的前提下，可使用該軟件調(diào)用攝像頭或從本地獲取圖片進行圖像識別操作。

4 Android端應(yīng)用開發(fā)

4.1 Android端操作系統(tǒng)與推理框架簡介

Android是基于Linux內(nèi)核的開源移動設(shè)備操作系統(tǒng)，由美國谷歌公司開發(fā)［8］，主要應(yīng)用于智能手機、平板電腦、智能手表和其他便攜式設(shè)備上，為移動設(shè)備提供了豐富的功能和應(yīng)用支持。

推理框架（Inference framework）是用于在移動設(shè)備或其他嵌入式系統(tǒng)上進行深度學(xué)習(xí)模型推理的軟件工具包，提供了對預(yù)訓(xùn)練的深度學(xué)習(xí)模型進行加載、推理計算和結(jié)果輸出的功能，使用戶能便捷地將深度學(xué)習(xí)模型部署到移動設(shè)備上進行實時推理。

在Android端有幾個常見的推理框架可供選擇：

（1）TensorFlow Lite：谷歌公司開發(fā)的專門用于移動設(shè)備和嵌入式設(shè)備的輕量級機器學(xué)習(xí)推理引擎。針對移動設(shè)備和嵌入式設(shè)備資源有限的特點進行優(yōu)化，以便高效運行機器學(xué)習(xí)模型。

（2） PyTorch Mobile：PyTorch Mobile是基于PyTorch框架的移動端推理工具，在移動設(shè)備上進行深度學(xué)習(xí)模型的推斷，適用于Android設(shè)備。提供了加載、運行和部署PyTorch模型的功能，并支持與Java和C++的集成。

（3）ONNX Runtime for Mobile：ONNX（開放神經(jīng)網(wǎng)絡(luò)交換）是一種開放的深度學(xué)習(xí)模型表示格式，ONNX Runtime是用于在移動設(shè)備上進行推理的高性能引擎。支持Android平臺，并提供了C++和Java的API接口［9］。

這些推理框架均提供了豐富的功能和工具，可幫助開發(fā)者在Android端進行深度學(xué)習(xí)模型的推理任務(wù)；同時提供了模型加載、計算、優(yōu)化和結(jié)果輸出等一系列功能，使得開發(fā)者能更便捷地使用深度學(xué)習(xí)模型來構(gòu)建實際應(yīng)用。

4.2 模型集成

將訓(xùn)練好的模型集成到Android應(yīng)用中，實現(xiàn)實時的甘蔗病蟲害圖像識別功能［10］，主要有以下步驟：

（1）將訓(xùn)練好的模型保存為TensorFlow Lite（TFLite）格式?？墒褂肨ensorFlow Lite工具將訓(xùn)練好的模型轉(zhuǎn)換為.tflite格式，或使用Android Studio中的TensorFlow Lite插件進行轉(zhuǎn)換。

（2）在Android應(yīng)用中添加TFLite庫和相關(guān)依賴項［11］。在Android Studio的構(gòu)建文件（build.gradle）中添加以下依賴項：

dependencies ｛

implementation ‘org.tensorflow：tensorflow-lite：2.3.0

implementation ‘org.tensorflow：tensorflow-lite-support：0.1.0

｝

```

（3） 在Android應(yīng)用中加載.tflite模型。使用TensorFlow Lite庫中的工具類`TensorFlow Lite Model畫質(zhì)來加載模型，如：

```

File tfliteModelFile = new File（“/path/to/your/model.tflite”）；

byte［］ modelBytes = FileUtils.readFileToByteArray（tfliteModelFile）；

Model model = ModelLoader.loadModel（mo-delBytes）；

```

（4） 在Android應(yīng)用中實現(xiàn)圖像處理功能?？墒褂肨ensorFlow Lite庫中的工具類`TensorFlow Lite C++來執(zhí)行推理操作，如：

```

try ｛

// 創(chuàng)建輸入張量

InputTensor input = new InputTensor（INPUT_ NAME，DataType.FLOAT32）；

// 創(chuàng)建輸出張量

OutputTensor output = new OutputTensor（OUTPUT_NAME，DataType.FLOAT32）；

// 創(chuàng)建輸入數(shù)據(jù)類型為Float32數(shù)組，其中元素值是模型所需的輸入數(shù)據(jù)

float［］ inputData = ｛1.0f， 2.0f， 3.0f， 4.0f｝；

// 創(chuàng)建輸入數(shù)據(jù)的數(shù)據(jù)類型為Float32數(shù)組，其中元素值是模型所需的輸入數(shù)據(jù)的數(shù)據(jù)類型

TypeSpec inputType = TypeSpec.of（new TypeParameter（“input”， new Class［］ ｛Float.class， Float.class｝， “float”， “float”））；

// 創(chuàng)建輸出數(shù)據(jù)的類型為Float32數(shù)組，其中元素值是模型所需的輸出數(shù)據(jù)的數(shù)據(jù)類型和大?。ǜ鶕?jù)模型的維度）

TypeSpec outputType = TypeSpec.of（new TypeParameter（“output”， new Class［］ ｛Float.class｝， “float”， “float”））；

// 創(chuàng)建模型所需的輸入張量和輸出張量類型的信息對象

InputSignature inputSignature=ModelSignatureMap.createSignatureMap（）

.set（new InputName（INPUT_NAME），inputType， input）

.build（）；

OutputSignature outputSignature = ModelSignatureMap.createSignatureMap（）

.set（new OutputName（OUTPUT_NAME）， outputType， output）

.build（）；

// 創(chuàng)建模型的輸入張量和輸出張量類型的信息對象，并設(shè)置模型的輸入和輸出張量類型信息對象和大小信息對象

ModelSignature modelSignature = ModelSignatureMap.createSignatureMap（）

.set（inputSignature）

.set（outputSignature）

.build（）；

// 創(chuàng)建模型，并設(shè)置模型文件、簽名、選項等參數(shù)

Interpreter.Options options = new Interpreter.Options（）；

Interpreter interpreter = new Interpreter（modelBytes， options）；

interpreter.resizeInput（0， inputShape）；

interpreter.resizeOutput（0， outputShape）；

// 創(chuàng)建模型的輸入數(shù)據(jù)類型為Float32數(shù)組，其中元素值是模型所需的輸入數(shù)據(jù)的數(shù)據(jù)類型和大小（根據(jù)模型的維度）

float［］ outputData = new float［outputSize］；

// 執(zhí)行推理操作，并將結(jié)果存儲在outputData數(shù)組中（根據(jù)模型的維度）

interpreter.run（inputData， outputData）；

｝ catch （Exception e） ｛

e.printStackTrace（）；

｝

```

4.3 APP軟件調(diào)試

（1）確保環(huán)境配置正確：確保Android開發(fā)環(huán)境和相應(yīng)的SDK、NDK等工具已正確安裝并配置。確保使用者可成功構(gòu)建和運行Android應(yīng)用程序［12］。

（2）導(dǎo)入項目代碼：將甘蔗病蟲害識別系統(tǒng)的源代碼導(dǎo)入到Android開發(fā)環(huán)境中，并確保項目文件結(jié)構(gòu)正確。

（3）安裝依賴庫和模型文件：如果系統(tǒng)使用了特定的深度學(xué)習(xí)庫或模型文件，需確保這些依賴庫和模型文件已正確導(dǎo)入到項目中，并在代碼中正確引用和調(diào)用。

（4）進行單元測試：針對各功能模塊進行單元測試。確保圖像加載、預(yù)處理、特征提取和分類等功能模塊可正常工作，且輸出結(jié)果符合預(yù)期。如果出現(xiàn)問題，可通過調(diào)試工具來逐步排查和修復(fù)。

（5）設(shè)備適配性測試：測試應(yīng)用程序在不同Android設(shè)備上的適配性。確保應(yīng)用程序在各種屏幕分辨率和設(shè)備規(guī)格下均能正常運行，且顯示效果良好。在軟件的調(diào)試過程中，使用內(nèi)置操作系統(tǒng)為Android 10.0，并搭載海思麒麟985處理器，擁有8 GB運行內(nèi)存的智能手機，該硬件配置使手機在進行軟件調(diào)試和測試時可提供較高的性能和穩(wěn)定性。

（6）性能優(yōu)化與調(diào)試：對于較大的模型和復(fù)雜的計算任務(wù)，可能會出現(xiàn)性能問題或內(nèi)存占用過高的情況?？赏ㄟ^優(yōu)化代碼、減少計算量等方式來改善性能，并使用性能分析工具進行調(diào)試和優(yōu)化。

（7）進行真實場景測試：將應(yīng)用程序安裝到Android設(shè)備上，并在真實甘蔗病蟲害環(huán)境下進行測試。確保應(yīng)用程序可準(zhǔn)確地識別和分類不同的甘蔗病蟲害，且能在實時性要求下快速響應(yīng)。

通過將手機調(diào)至開發(fā)者模式并賦予權(quán)限，用戶可安裝病蟲害檢測軟件。成功部署后，用戶打開移動端應(yīng)用并進入識別界面（圖4）。該界面展示了對驗證集和真實農(nóng)業(yè)場景下病蟲害圖像的識別效果。該病蟲害檢測軟件不僅在應(yīng)用移植方面非常便捷，且識別能力高度準(zhǔn)確，還具備較高的檢測效率，每次識別耗時不超過1 s。此外，軟件除了識別甘蔗病蟲害外，還能提供相應(yīng)的防治建議及措施，基本實現(xiàn)了對甘蔗病蟲害的智能化診斷功能。

5 結(jié)語

本研究基于Android設(shè)計的甘蔗病蟲害識別系統(tǒng)是通過運用智能移動設(shè)備的功能和深度學(xué)習(xí)技術(shù)，實現(xiàn)對甘蔗病蟲害的自動識別與監(jiān)測。該系統(tǒng)具有簡單易用、高效準(zhǔn)確的特點，可幫助農(nóng)民和科技工作者快速識別甘蔗病蟲害并采取應(yīng)對措施。然而，該系統(tǒng)資源消耗較大、對網(wǎng)絡(luò)依賴度較高、用戶交互體驗欠佳等，后續(xù)研究中還需進一步完善該系統(tǒng)的功能和性能，提高識別的準(zhǔn)確率和穩(wěn)定性，不斷優(yōu)化升級系統(tǒng)，最大化滿足農(nóng)業(yè)生產(chǎn)實際中的需求。

參考文獻

［1］ 邵澤中. 基于Android和深度學(xué)習(xí)的稻田病蟲害智能診斷系統(tǒng)的研究與實現(xiàn)［D］. 杭州：浙江理工大學(xué)，2019.

［2］ 韓國鑫，廉琦，許譯丹. Android平臺在農(nóng)業(yè)物聯(lián)網(wǎng)中的應(yīng)用研究［J］. 農(nóng)技服務(wù)，2017，34（11）：15.

［3］ 羅敘昌. 甘蔗病蟲綜合防治技術(shù)［J］. 吉林農(nóng)業(yè)，2013（3）：71-72.

［4］ 陳倩倩，王歡，朱敏. 基于YOLOv5的盲道和斑馬線檢測［J］. 信息技術(shù)與信息化，2022（7）：10-14.

［5］ 強偉，賀昱曜，郭玉錦，等. 基于改進SSD的水下目標(biāo)檢測算法研究［J］. 西北工業(yè)大學(xué)學(xué)報，2020，38（4）：747-754.

［6］ 夏永泉，李耀斌，李晨. 基于圖像處理技術(shù)與Android手機的小麥病害診斷系統(tǒng)［J］. 安徽大學(xué)學(xué)報（自然科學(xué)版），2016，40（2）：6.

［7］ 牛學(xué)德，高丙朋，任榮榮，等. 基于輕量級CNN的作物病蟲害識別及安卓端應(yīng)用［J］. 廣西師范大學(xué)學(xué)報（自然科學(xué)版），2022，40（6）：59-68.

［8］ 何正方，梁宇. 開源對軟件行業(yè)發(fā)展的影響［J］. 軟件，2019，40（7）：123-128.

［9］ 深度人工智能學(xué)院. NCNN、OpenVino、 TensorRT、MediaPipe、ONNX，各種推理架構(gòu)比較［EB/OL］.（2021-10-22）［2023-06-03］. https：//www.163.com/dy/article/GMTE7T8F 0552ATF2.html.

［10］ 徐金，郭釗汝，張?zhí)t，等. 基于Android的人臉表情識別應(yīng)用［J］. 信息與電腦（理論版），2021，33（24）：165-168.

［11］ 艾珍珍. 基于輕量化CNN的農(nóng)作物病害識別研究［D］. 荊州：長江大學(xué)，2022.

［12］ 崔娜. 基于Android的移動終端應(yīng)用程序開發(fā)與研究［J］. 電腦知識與技術(shù)，2016，12（29）：38-39.

（責(zé)任編輯 陸杰思）