基于EasyDL平臺的甘肅隴南核桃主要病害診斷模型的構(gòu)建及應用

滿自紅 王志成 陳耀年 王讓軍 王一峰 王明霞 尚素琴

摘 要 旨在解決甘肅隴南地區(qū)核桃產(chǎn)業(yè)中病蟲害準確鑒定的問題，以提高種植戶核桃園管理的水平和能力?；谧詣踊疃葘W習技術(shù)（Automated deep learning technology，AutoDL），利用機器學習模型搜索（Model Search）實現(xiàn)自動化人工智能（Automated artificial intelligence，AutoML）算法框架，基于飛槳開源深度學習平臺Easy DL構(gòu)建甘肅隴南核桃主要病害的診斷模型，并進行診斷精度的模型訓練。結(jié)果顯示，共246張訓練集進入模型，鑒定為9種常見核桃病害，模型部署在API公用云上，通過微信小程序或瀏覽器運行。經(jīng)訓練，其診斷準確率達95%以上。說明通過EasyDL構(gòu)建的隴南地區(qū)核桃上常見病害模型運行可靠，能夠為核桃種植戶提供準確的病害診斷，從而很好地指導種植戶提高管理核桃園的水平和應付突發(fā)植保問題的能力，以便及時、迅速采取綜合防治措施，最大程度地減少因病害造成的經(jīng)濟損失。同時也是相關(guān)從業(yè)人員和基層研究人員解決核桃植保問題的得力輔助工具。

關(guān)鍵詞 EasyDL；病害診斷；深度學習技術(shù)；綜合防治；甘肅

核桃（Juglans regia L.）是中國最重要的經(jīng)濟樹種之一，其果實因含豐富的氨基酸、亞油酸、亞麻酸、磷等營養(yǎng)物質(zhì)被加工成核桃油、核桃保健品等，具有巨大的加工價值和良好的經(jīng)濟效益［1］。

隴南市位于甘肅省東南部，白龍江中、下游和西漢水流域，地處秦巴山區(qū)，地理坐標為東經(jīng) 104°1′～106°35′，北緯 32°38′～34°31′［1］。擁有核桃生長的適宜環(huán)境條件。核桃在隴南種植歷史悠久，最早可追溯到夏商周時期。2020年隴南核桃的種植面積達280 000 hm2，產(chǎn)量近7 000 t，占整個甘肅核桃產(chǎn)量的50%以上［1］。核桃作為隴南四大優(yōu)勢農(nóng)林產(chǎn)品之一，為種植戶的脫貧致富，實現(xiàn)鄉(xiāng)村振興做出了重要貢獻。但是隨著種植面積的不斷增加，影響其發(fā)展的最大制約因素是病蟲害的發(fā)生，限制了該產(chǎn)業(yè)的高質(zhì)量發(fā)展。其中，病害主要有核桃細菌黑斑病（Xanthomonas campestris pv. jugandis Dowson），核桃枝枯?。∕elanconium juglandium），核桃褐斑?。∕arssonina juglandisn），核桃腐爛?。–ytospora jugdadis Sacc），核桃白粉?。∕icrosph aeraakebiae Saw）等，造成核桃品質(zhì)和產(chǎn)量的下降，嚴重損害了核桃種植戶的經(jīng)濟收入［2］。但是，由于缺乏專業(yè)人員的指導，種植戶往往不能及時、準確地鑒定病害名稱甚至發(fā)生誤鑒，從而錯失最佳防治時機或者沒能采取正確防治措施導致不可挽回損失的事件頻繁發(fā)生。因此，如何快速、準確地進行田間病害診斷就顯得迫在眉睫，成為亟待解決的問題。

目前，生產(chǎn)上大多數(shù)病害的診斷主要利用傳統(tǒng)識別方式，即依賴種植戶的經(jīng)驗或者請教專業(yè)人員。但傳統(tǒng)識別往往存在諸多問題：第一，缺少專業(yè)人員指導，容易出現(xiàn)誤判。第二，對大規(guī)模種植環(huán)境下發(fā)生的病害，利用人工經(jīng)驗診斷常常難以應對。

針對上述問題，目前較先進的解決方法是使用深度學習技術(shù)進行病害識別模型的構(gòu)建［3-4］，即利用人工智能技術(shù)進行病害診斷［5］。具體步驟為：利用標注的數(shù)據(jù)集，運用深度學習技術(shù)里的神經(jīng)網(wǎng)絡進行物體特征的提取，構(gòu)建病害分類模型，達到對病害的識別。以玉米、番茄等作物和蔬菜的病害人工智能識別模型的開發(fā)為代表。王超等［6］基于ResNet（Residual Neural Network）深度學習網(wǎng)絡，采用ResNet構(gòu)建了玉米病害識別模型。其中，利用數(shù)據(jù)增強技術(shù)來擴充數(shù)據(jù)集，擴充后的數(shù)據(jù)集圖片包括6 000張訓練集和1 645張測試集，模型最高分類準確率可達92.82%，優(yōu)于傳統(tǒng)機器學習算法。但存在數(shù)據(jù)集龐大等問題，需要投入大量的人力成本。 陳偉文等［7］改進經(jīng)典卷積神經(jīng)網(wǎng)絡模型AlexNet在番茄葉片病害識別中出現(xiàn)的過擬合問題，具有識別精度更高，可達95.8%，網(wǎng)絡模型泛化能力更強等優(yōu)點，達到精準識別番茄葉片病害類型的目的，但對于交叉學科的研究人員來說，要想實現(xiàn)理想的病害識別精度，需要研究人員熟練掌握深度學習技術(shù)［8］。

EasyDL人工智能平臺由百度于2017年11月中旬開始推出，面向人群主要為AI零基礎開發(fā)者和需要高效率的企業(yè)用戶［9］。作為一個AI零基礎的訓練與服務平臺，為開發(fā)者提供了圖像、文本、音頻、視頻、表格數(shù)據(jù)多個技術(shù)方向的模型定制。EasyDL人工智能平臺使用的是Auto Model Search，Model Search是一個實現(xiàn) Auto ML 算法的框架，適用于模型框架的搜索，適配最優(yōu)的網(wǎng)絡超參數(shù)，加入Early stopping策略，降低過擬合、欠擬合風險，僅僅需要少量數(shù)據(jù)就可以獲得理想的模型效果。林宇［9］利用自動化深度學習技術(shù)對20種不同海洋生物進行分類識別，僅使用? 1 288張圖片作為訓練集，就取得了90%以上的識別精度。但目前關(guān)于此項技術(shù)在智慧農(nóng)業(yè)領域的應用尚屬空白。

因此，針對核桃種植戶無法準確診斷核桃病害的問題，本研究利用自動化深度學習技術(shù)，使用百度AI開發(fā)平臺EasyDL基于Paddle Paddle飛槳深度學習框架，通過采集核桃產(chǎn)區(qū)常見病害圖片，構(gòu)建隴南核桃主要病害的識別模型進行精確識別，旨在為隴南核桃病害識別提供基礎數(shù)據(jù)，為種植戶提供簡便易操作的識別模型，從而為提高隴南乃至全國核桃產(chǎn)業(yè)的高質(zhì)量發(fā)展提供理論依據(jù)和參考。

1 材料與方法

1.1 研究區(qū)域概況

本研究所涉及的核桃產(chǎn)區(qū)主要位于隴南成縣，地理坐標為105°23′～105°57′Ｅ、33°29′～34°21′Ｎ，總面積1 676.54 km2。屬南北過渡性暖溫帶半溫潤區(qū)氣候，年平均氣溫11.9 ℃，年平均降水量650 mm。境內(nèi)海拔750～2 377 m［10］。

1.2 核桃主要病害信息采集

病害全部采自隴南核桃產(chǎn)區(qū)，野外拍照，病害樣本帶回實驗室進行分離、鑒定，鑒定后顯微拍照，模型構(gòu)建時還包括了成縣核桃科技服務中心歷年在隴南市轄 8 縣 1 區(qū)收集的部分病害圖片。圖片格式為JPG，大小為4 032×3 024 px。病害癥狀如圖1所示。

1.3 EasyDL技術(shù)

1.3.1 EasyDL平臺開發(fā)基本步驟 通過EasyDL人工智能平臺進行智能標注、模型訓練、服務部署等功能。利用少量的數(shù)據(jù)，訓練出高精度模型。同時提供了公有云API、私有服務器、設備端SDK、微信小程序等部署方式。支持離線部署和數(shù)據(jù)回流，可以不斷豐富模型分類能力，對分類研究有獨特的意義［9］。

1.3.2 模型的創(chuàng)建 EasyDL平臺上提供了圖像分類、物體檢測、圖像分割、文本分類、聲音分類等預訓練模型［11］。本研究的數(shù)據(jù)集每張圖片中僅有一種核桃病害，為單標簽圖片分類，因此選擇使用圖像分類功能。對使用數(shù)據(jù)量巨大的開發(fā)者來說，進行圖片的標注將是一項巨大的工程，針對這個問題，平臺提供了多人標注和智能標注功能，這將大大提高標注的效率，降低了人力成本。

1.3.3 模型訓練及評估 共采集圖片302張，其中246張作為訓練集，56張作為驗證集。數(shù)據(jù)導入完成以后，啟動模型訓練。訓練模型的時間和數(shù)據(jù)量成正比。為保證測試的準確性，不預留測試集圖片，對核桃病害進行現(xiàn)場拍照測試，從而提高模型訓練效果。246張圖片訓練時長1 h。在EasyDL平臺選擇模型訓練功能，添加訓練數(shù)據(jù)集，對訓練模型的訓練方式、部署方式、選擇算法等進行設置。在模型訓練結(jié)束后，平臺會根據(jù)訓練的模型效果進行評估，評估的結(jié)果包括：準確率（正確分類的樣本數(shù)占總樣本的比例）、精確率（某類樣本正確預測為該類的樣本數(shù)占預測為該類的總樣本數(shù)的比率）、召回率（某類樣本正確預測為該類的樣本數(shù)占標注為該類的總樣本數(shù)的比率）和F1分數(shù)（對某類別而言為精確率和召回率的調(diào)和平均數(shù)）。

1.3.4 部署應用 對核桃病害分類模型的應用從訓練到落地，還需要提供具體的應用程序提供接口服務才能實現(xiàn)部署。EasyDL平臺提供了多種部署方式，包括公有云API、通用小型設備、微信小程序等。本研究選擇部署在公用API上，可以在微信小程序中打開，方便了種植戶的使用。部署應用見圖2。

1.4 使用算法

AutoModel Search即系統(tǒng)會同時發(fā)起多個模型結(jié)構(gòu)和超參數(shù)不同的訓練，并采用對應算法進行最終模型的篩選，從而確保更優(yōu)的模型效果。對于圖像分類可以選擇ResNet，GoogLeNet，MobileNet等算法。

AutoML 算法的框架，適用于模型框架的搜索。使用自適應和異步的方式運行多種機器學習模型的訓練和評估實驗。在每個輪次開始時，搜索算法會自動查找已完成的所有實驗，并使用集束搜索（beam search）來決定接下來要嘗試的部分。算法在發(fā)現(xiàn)最佳架構(gòu)之一上調(diào)用突變，并將生成的模型分配回訓練器。分布式搜索和集成過程如圖3所示。

1.4.1 GoogLeNet GoogLeNet是Christian Szegedy提出的一種全新的深度學習結(jié)構(gòu)，如圖4所示（Inception V1）。在這之前的AlexNet、VGG等結(jié)構(gòu)都是通過增大網(wǎng)絡的深度來獲得更好的訓練效果，但層數(shù)的增加會帶來很多負作用，比如overfit、梯度消失、梯度爆炸等。inception的提出則從另一種角度來提升訓練結(jié)果：能更高效的利用計算資源，在相同的計算量下能提取到更多的特征，從而提升訓練結(jié)果［12］。

1.4.2 ResNet ResNet（Residual Neural Network）由Kaiming He等提出，參數(shù)量比VGGNet低，效果突出。ResNet的結(jié)構(gòu)快速完成神經(jīng)網(wǎng)絡的訓練，模型的準確率高。同時ResNet具有較好的推廣性，甚至可以直接用到InceptionNet網(wǎng)絡中［13］。如圖5和圖6所示。

1.4.3 MobileNet MobileNet基于流線型架構(gòu)，如圖7所示，使用深度可分離卷積來構(gòu)建輕量級深度神經(jīng)網(wǎng)絡，用于移動和嵌入式視覺應用。該網(wǎng)絡引入了兩個簡單的全局超參數(shù)——寬度乘數(shù)和分辨率乘數(shù)，可以有效地在延遲和準確性之間進行權(quán)衡。這些超參數(shù)允許模型構(gòu)建者根據(jù)問題的限制條件為其應用程序選擇合適大小的模型［14］。

1.5 模型評價公式

模型評價采用如下公式進行：

精確率：Precision＝TP/（TP+FP）

召回率：Recall=TP/（TP+FN）

準確率：Accuracy=（TP+TN）/（TP+? TN+FP+FN）

其中，TP（True positive）為被模型預測為正的正樣本；FN（False negative）為被模型預測為正的負樣本；TN（True negative）為被模型預測為負的負樣本；FP（False positive）為被模型預測為負的正樣本。

1.6 模型應用測試

為防止使用測試集圖片和實地測試效果之間的差異，將訓練好的模型進行了野外實地測試，以保障系統(tǒng)的穩(wěn)定性和實用性。

2 結(jié)果與分析

2.1 數(shù)據(jù)分析

本研究共采集病害樣本246份，其中實地拍攝照片數(shù)量為220張，成縣核桃科技服務中心提供照片數(shù)量為26張。不預留圖片作為軟件測試集，采用野外實地測試，測試數(shù)量為9組，18張。如表1所示。經(jīng)鑒定，甘肅隴南地區(qū)核桃產(chǎn)區(qū)的主要病害有9種，包括核桃灰斑病、核桃枝枯病、核桃腐爛病、核桃白粉病、核桃炭疽病（Clomerella cingulata Spauld et Schrenk）、核桃爛皮?。∟ucis? luglandis? Putredo）、核桃細菌黑斑病、核桃膏藥病等。

2.2 模型訓練測試

為保證所建模型的可靠性和準確性，需要對訓練好的模型進行測試。平臺根據(jù)訓練的模型效果提供評估結(jié)果，模型整體效果評估如圖8所示。

根據(jù)結(jié)果對評估較差的模型進行矯正。目前實驗的病害整體評估識別率可以達到95%以上，測試數(shù)據(jù)詳表如表2所示。完全可以滿足核桃種植戶和研究人員的使用需要。

2.3 運行測試

完成平臺訓練之后，還需要對其在實踐中的應用進行進一步的測試。也就是不使用測試集圖片，而是在野外進行實地測試。如圖9所示，在野外對核桃樹病害部位進行拍照。利用部署好的小程序?qū)ε臄z的照片進行核桃病害識別。測試結(jié)果顯示，部署到微信小程序的模型可以精確識別甘肅隴南核桃主要病害。

3 討? 論

自動化深度學習技術(shù)在農(nóng)業(yè)有害生物識別中的應用將極大地提高病害識別的精度，同時方便在缺乏專業(yè)人員指導下的農(nóng)業(yè)基層工作人員及廣大種植戶開展農(nóng)業(yè)有害生物的綜合防治。目前在這一方面已經(jīng)取得了較好的效果。本研究中基于自動化深度學習并使用EasyDL平臺建立模型，提出一種用于識別核桃病害的方法，在微信小程序中就可使用。劉恒［15］利用深度學習驅(qū)動的計算機視覺方法應用到水稻生長態(tài)勢評估、以及訓練樣本不足和不均衡條件下能夠?qū)μO果病害進行檢測。具有識別速度快，識別率高等優(yōu)點，識別率達到了98.5%。制約模型使用的主要因素包括F1-score、精確率、召回率、準確率等4種評價指標上。

制約模型使用的主要因素包括F1-score、精確率、召回率、準確率等4種評價指標。在本研究中，EasyDL模型對9種核桃主要病害的識別精確率、召回率、準確率均高于95%，病害分類模型整體效果評估結(jié)果優(yōu)異。秦嘉奇等［14］的遷移學習MobileNetV2模型所使用的數(shù)據(jù)集樣本量較少，但達到了95%以上的準確率。另外，本研究以自動化人工智能算法框架，自動選擇最優(yōu)算法，無需對多種算法效果進行比較，這比湯文亮等［16］提出輕量級模型需通過將AlexNet、VGG16、GoogLeNet、ResNet50及DenseNet121進行對比決策圖像在使用上更加優(yōu)化。

遷移學習是目前機器學習的前沿研究方向之一。侯志江［11］基于遷移學習的思想將人工智能應用在圖書館人群聚集現(xiàn)象自動檢測中，取得了較好效果。本研究中，基于相同方法建立核桃病害分類模型時只使用了少量數(shù)據(jù)即可訓練出高精度核桃病害分類模型，能夠降低模型的運算量并大幅度縮短識別時間，這與楊明欣等［17］相比使用MobileNetV2模型對玉米病害小樣本進行識別訓練時間更短，所需樣本數(shù)更少。說明EasyDL模型可以為核桃以及其他病害的識別提供更加準確、有效可行的方法。

本研究訓練的模型僅包括了隴南地區(qū)的主要核桃病害，下一步將全面采集收集更多核桃病害的圖像，從而擴大模型可診斷病害的范圍，提高模型的使用廣度和深度。此外，發(fā)現(xiàn)模型中部分病害的識別精度較低，后期仍需要繼續(xù)完善，提高識別精度。

4 結(jié)? 論

本研究采用自動化深度學習技術(shù)，利用EasyDL人工智能平臺對隴南地區(qū)9種主要核桃病害圖像進行訓練，構(gòu)建出高精度的模型。測試準確率達95%以上，將訓練好的模型部署到API公用云上，在微信小程序中使用，識別精度高。在野外實地測試中也取得了良好效果。這充分說明使用EasyDL人工智能平臺在核桃病害識別上的先進性和可靠性。目前已將訓練好的核桃病害識別模型在智能手機終端運行，能夠滿足核桃種植戶對核桃主要病害的精確識別。研究結(jié)果為核桃病害的自動診斷提供技術(shù)支撐，對病害的綜合防治具有指導價值。

參考文獻 Reference：

［1］ 任志勇，王明霞，呂瑞娥，等.甘肅隴南核桃病蟲害及其天敵昆蟲的調(diào)查初報［J］.中國植保導刊，2020，40（9）：56-62.

REN ZH Y，WANG M X，L? R E，et al.Preliminary report on the investigation of walnut diseases and insect pests and their natural enemies in Longnan，Gansu Province ［J］.China Plant Protection Guide，2020，40（9）：56-62.

［2］王明霞，閆 軍，趙 瀟.成縣核桃主要病蟲害類型與防治對策［J］.甘肅林業(yè)，2014（6）：34-35.

WANG M X，YAN J，ZHAO X.Types and control measures of main diseases and pests of walnut in Chengxian County ［J］.Gansu Forestry，2014（6）：34-35.

［3］吳建偉，黃 杰，熊曉菲，等.基于AI的桃樹病害智能識別方法研究與應用［J］.中國農(nóng)業(yè)科技報，2022，24（5）：111-118.

WU J W，HUANG J，XIONG X F，et al.Research and application of peach tree disease intelligent recognition method based on AI ［J］.Journal of Agricultural Science and Technology of China，2022，24（5）：111-118.

［4］張倩瑞.大數(shù)據(jù)時代人工智能技術(shù)在農(nóng)業(yè)領域的研究進展［J］.軟件，2022，43（8）：116-118.

ZHANG Q R.Research progress of artificial intelligence technology in agricultural field in the era of big data［J］.Software，2022，43（8）：116-118.

［5］FERENTINOS K P.Deep learning models for plant diseasedetection and diagnosis ［J］.Computers and Electronics in Agriculture，2018，145：311-318．

［6］王 超，王春圻，劉金明.基于深度學習的玉米葉片病害識別方法研究［J］.現(xiàn)代農(nóng)業(yè)研究，2022，28（6）：102-106.

WANG CH，WANG CH Q，LIU J M.Research on maize leaf disease recognition method based on deep learning ［J］.Modern Agricultural Research，2022，28（6）：102-106.

［7］陳偉文，鄺祝芳，王忠偉.基于卷積神經(jīng)網(wǎng)絡的種苗病害識別方法［J/OL］.中南林業(yè)科技大學學報，2022，42（7）：35-43.

CHEN W W，KUANG ZH F，WANG ZH W.Seed disease recognition method based on convolutional neural network ［J/OL］.Journal of Central South University of Forestry and Technology，2022，42（7）：35-43.

［8］周惠汝，吳波明.深度學習在作物病害圖像識別方面應用的研究進展［J］.中國農(nóng)業(yè)科技導報，2021，23（5）：61-68.

ZHOU H R，WU B M.Research progress of deep learning in crop disease image recognition ［J］.Journal of Agricultural Science and Technology，2021，23（5）：61-68.

［9］林 宇.EasyDL在海洋生物分類中的應用［J］.電子世界，2022（2）：164-165.

LIN Y.Application of EasyDL in marine biological classification ［J］.Electronic World，2022（2）：164-165.

［10］ 張永輝.探析成縣核桃產(chǎn)業(yè)發(fā)展區(qū)劃及氣候影響因素［J］.林業(yè)科技情報，2021，53（3）：55-57.

ZHANG Y H.Analysis on development zoning and climate influencing factors of walnut industry in Chengxian County ［J］.Forestry Science and Technology Information，2021，53（3）：55-57.

［11］侯志江.人工智能在圖書館的實施路徑研究［J］.圖書館工作與研究，2021（6）：82-88.

HOU ZH J.Research on the implementation path of artificial intelligence in Library ［J］.Library Work and Research，2021（6）：82-88.

［12］朱 偉，馬立新，張 平，等.基于GoogLeNet和無人機圖像的水稻秧苗形態(tài)識別［J］.華南農(nóng)業(yè)大學學報，2022，? 43（3）：99-106.

ZHU W，MA L X，ZHANG P，et al.Morphological recognition of rice seedlings based on GoogLeNet and UAV images ［J］.Journal of South China Agricultural University，2022，43（3）：99-106.

［13］呂夢棋，張芮祥，賈 浩，等.基于改進ResNet玉米種子分類方法研究［J］.中國農(nóng)機化學報，2021，42（4）：92-98.

L? M Q，ZHANG R X，JIA H，et al.Research on maize seed classification based on improved ResNet ［J］.Journal of Chinese Agricultural Mechanization，2021，42（4）：92-98.

［14］秦嘉奇.基于Mobilenet的農(nóng)作物葉片病害識別方法［J］.信息與電腦（理論版），2021，33（18）：181-184.

QIN J Q.Crop leaf disease recognition method based on Mobilenet ［J］.Information and Computer（Theory Edition），2021，33（18）：181-184.

［15］劉 恒.深度學習驅(qū)動的計算機視覺方法在作物生長態(tài)勢及病害診斷的應用［D］.吉林吉林：東北電力大學，2022.

LIU H.Application of deep learning-driven computer vision method in crop growth situation and disease diagnosis ［D］.Jilin Jilin：Northeast Dianli University，2022.

［16］湯文亮，黃梓鋒.基于知識蒸餾的輕量級番茄葉部病害識別模型［J］.江蘇農(nóng)業(yè)學報，2021，37（3）：570-578.

TANG W L，HUANG Z F.Lightweight tomato leaf disease recognition model based on knowledge distillation ［J］.Jiangsu Journal of Agricultural Sciences，2021，? 37（3）：570-578.

［17］楊明欣，張耀光，劉 濤.基于卷積神經(jīng)網(wǎng)絡的玉米病害小樣本識別研究［J］.中國生態(tài)農(nóng)業(yè)學報，2020，28（12）：1924-1931.

YANG M X，ZHANG Y G，LIU T.Study on small sample recognition of maize disease based on Convolutional neural network ［J］.Chinese Journal of Eco-Agriculture，2020，28（12）：1924-1931.

Construction and Application of Diagnosis Model for Major Walnut Diseases

Based on EasyDL Technology from Longnan of Gansu Province

MAN Zihong1，WANG Zhicheng2，CHEN Yaonian3，4 WANG Rangjun3，4，

WANG Yifeng3，4，WANG Mingxia5 and SHANG Suqin2

（1.Administration Bureau of Gansu? Liancheng National Nature Reserve，Yongdeng Gansu 730300 China; 2.Biological

Engineering Laboratory of Crop Diseases and Pests of Gansu Province，College of Plant Protection，Gansu Agricultural

University，Lanzhou 730070，China; 3.School of Agriculture and Forestry Technology，Longnan Teachers

College，Chengxian? Gansu 742500，China; 4.Center of Research & Development of Longnan

Characteristic Agro-bioresources，Longnan Gansu 746000，China；5.Center for Walnut Science

and Technology Service of? Chengxian County，Chengxian Gansu 742500，China）

Abstract To resolve the problem of accurately identifying diseases and insect pests in walnut industry，and improve level and? capability of walnut orchard management for growers.Based on automated deep learning technology and using machine learning Model Search （Model Search），an automatic artificial intelligence （AutoML） algorithm framework was realized.The diagnosis model of the major diseases affecting walnut in Longnan were constructed using the Easy DL artificial intelligence open platform，followed by training the model for diagnostic accuracy.The results showed that a total of 246 disease samples were collected，and the model successfully identified nine common diseases affecting walnut in Longnan area.The model was deployed on API public cloud and run through either WeChat applet or a browser.After training，the diagnostic accuracy was over 95%.All the results indicated that the model established through EasyDL was reliable，providing an accurate walnut disease diagnosis for farmers.Therefore，the study provides guidance for farmers to improve management skills and ability to deal with emergent plant protection problems on walnut well.This assistance enables them to implement comprehensive control measures timely and rapidly，and minimizing economic loss caused by disease infection.Simultaneously，it serves as an effective auxiliary tool for relevant practitioners and grassroots researchers involved in control of disease pest in walnut.

Key words Easy DL; Disease recognition; Deep learning; Integrated control; Gansu province

Received ?2023-01-04??? Returned 2023-12-04

Foundation item Science and Technology Program of Gansu Province：Special Project of Peoples? Livelihood Science and Technology-Rural Revitalization（No.21CX6NK253）; Youth Science and Technology Foundation of Gansu Province （No.20JR10RK811）; Innovation Foundation of Institutions of Higher Learning of Gansu Province （No.2020A-278）; Longnan Science and Technology Program （No.2021-SZ-10）.

First author MAN Zihong，male，senior forestry engineer.Research area：forest protection. E-mail： 408791628@qq.com

Corresponding?? author WANG Zhicheng，male，master student.Research area：resource utilization and plant protection.E-mail：719676007@qq.com

SHANG? Suqin，female，professor.Research area：integrated pest management.E-mail：shangsq@gsau.edu.cn

（責任編輯：郭柏壽 Responsible editor：GUO Baishou）