基于樹(shù)莓派和深度學(xué)習(xí)的茶葉病蟲(chóng)害識(shí)別系統(tǒng)

吳鵬 劉金蘭

收稿日期：2023-08-22

基金項(xiàng)目：信陽(yáng)農(nóng)林學(xué)院青年教師科研基金資助項(xiàng)目（QN2021058）；河南省科技攻關(guān)項(xiàng)目（222102210300）

DOI：10.19850/j.cnki.2096-4706.2024.07.013

摘? 要：為了解決傳統(tǒng)茶葉病蟲(chóng)害識(shí)別方法存在識(shí)別效率低和人工成本高的問(wèn)題，提出一種基于樹(shù)莓派和深度學(xué)習(xí)的茶葉病蟲(chóng)害識(shí)別系統(tǒng)。通過(guò)將樹(shù)莓派的便捷性和深度學(xué)習(xí)的強(qiáng)大特征提取能力相結(jié)合，成功克服了傳統(tǒng)方法的局限性，實(shí)現(xiàn)了對(duì)茶葉病蟲(chóng)害的高效準(zhǔn)確識(shí)別。結(jié)果表明，該系統(tǒng)可以針對(duì)三種常見(jiàn)的茶葉病蟲(chóng)害進(jìn)行識(shí)別，識(shí)別率為90%以上，為茶葉病蟲(chóng)害的精準(zhǔn)識(shí)別提供了高效可行的解決方案。

關(guān)鍵詞：樹(shù)莓派；深度學(xué)習(xí)；病蟲(chóng)害識(shí)別

中圖分類(lèi)號(hào)：TP391.4；TP368 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：2096-4706（2024）07-0055-04

Tea Disease and Pest Recognition System Based on Raspberry Pi and Deep Learning

WU Peng， LIU Jinlan

（Xinyang Agriculture and Forestry University， Xinyang? 464000， China）

Abstract： In order to address the issues of low recognition efficiency and high labor costs associated with traditional methods for identifying tea diseases and pests， a tea disease and pest recognition system based on Raspberry Pi and Deep Learning is proposed. This method combines the convenience of Raspberry Pi with the powerful feature extraction capabilities of Deep Learning， successfully overcoming the limitation of traditional methods and achieving efficient and accurate recognition of tea diseases and pests. The results show that the system can identify three common tea pests and diseases with a recognition rate of over 90%， providing an efficient and feasible solution for accurate identification of tea diseases and pests.

Keywords： Raspberry Pi; Deep Learning; recognition of tea disease and pest

0? 引? 言

茶葉作為我國(guó)重要的經(jīng)濟(jì)作物，在茶農(nóng)收入和國(guó)家的經(jīng)濟(jì)發(fā)展中扮演了重要的角色。然而在茶葉的生長(zhǎng)過(guò)程中，會(huì)受到各種茶葉病蟲(chóng)害的困擾，嚴(yán)重影響著茶葉產(chǎn)量和質(zhì)量。傳統(tǒng)的茶葉病蟲(chóng)害檢測(cè)方法主要依靠人工巡視和識(shí)別，其準(zhǔn)確率低，耗時(shí)費(fèi)力且比較依賴(lài)于人工的經(jīng)驗(yàn)，存在一定的主觀(guān)性[1，2]。為了提高茶葉病蟲(chóng)害識(shí)別的檢測(cè)效率，實(shí)現(xiàn)智能化的茶園管理，有必要開(kāi)發(fā)出一種可自動(dòng)識(shí)別茶葉病蟲(chóng)害的系統(tǒng)，對(duì)茶園進(jìn)行實(shí)時(shí)檢測(cè)。近年來(lái)，深度學(xué)習(xí)技術(shù)已經(jīng)在農(nóng)業(yè)病蟲(chóng)害領(lǐng)域取得了很大的進(jìn)展。廉政[3]使用預(yù)訓(xùn)練的Mobile Net V2模型，在玉米病蟲(chóng)害數(shù)據(jù)集上實(shí)現(xiàn)特征遷移，得到了具有較高識(shí)別率的分類(lèi)器，使用玉米病蟲(chóng)害驗(yàn)證集進(jìn)行驗(yàn)證，系統(tǒng)識(shí)別準(zhǔn)確率達(dá)到82%左右。王江晴等[4]使用輕量化的VGG16模型在PlantVillage數(shù)據(jù)集上測(cè)試，準(zhǔn)確率為99.37%，展現(xiàn)出的模型具有較高的識(shí)別精度。陳浪浪等[5]針對(duì)傳統(tǒng)識(shí)別水稻病蟲(chóng)害方法存在特征提取復(fù)雜、識(shí)別率低等問(wèn)題，提出了基于DenseNet121為基礎(chǔ)模型的水稻病蟲(chóng)害識(shí)別系統(tǒng)，成功的識(shí)別出水稻常見(jiàn)的8種病蟲(chóng)害。樹(shù)莓派是一款基于Linux的單片機(jī)電腦，具有價(jià)格低廉和體積小的特點(diǎn)，極具應(yīng)用潛力，成為智能化農(nóng)業(yè)比較適合的硬件平臺(tái)[6，7]。陳品嵐等[8]使用樹(shù)莓派結(jié)合深度學(xué)習(xí)，對(duì)柑橘樹(shù)上的柑橘進(jìn)行識(shí)別及計(jì)數(shù)，識(shí)別正確率約為92.4%?？紤]到智能化硬件成本和體積等因素，本文將結(jié)合樹(shù)莓派和深度學(xué)習(xí)設(shè)計(jì)一個(gè)基于深度學(xué)習(xí)的智能化茶葉病蟲(chóng)害識(shí)別系統(tǒng)，為茶葉的可持續(xù)發(fā)展和高效精準(zhǔn)管理提供智能化的解決方案。

1? 系統(tǒng)設(shè)計(jì)

基于樹(shù)莓派和深度學(xué)習(xí)的茶葉病蟲(chóng)害模型識(shí)系統(tǒng)中，硬件平臺(tái)主要包括攝像頭模塊、樹(shù)莓派4B平臺(tái)，整個(gè)系統(tǒng)的工作流程如圖1所示。首先在PC平臺(tái)上對(duì)茶葉病蟲(chóng)害圖片進(jìn)行處理和標(biāo)注，利用PyTorch深度學(xué)習(xí)模型框架訓(xùn)練一個(gè)高效的病蟲(chóng)害識(shí)別模型；其次將訓(xùn)練好的深度學(xué)習(xí)模型轉(zhuǎn)換為適合樹(shù)莓派平臺(tái)的格式，并安裝在樹(shù)莓派平臺(tái)系統(tǒng)上；然后樹(shù)莓派平臺(tái)通過(guò)攝像頭實(shí)時(shí)采集茶葉的圖片，并將這些圖片保存在樹(shù)莓派平臺(tái)上；最后在樹(shù)莓派平臺(tái)上開(kāi)發(fā)相應(yīng)的軟件，利用部署在樹(shù)莓派上的深度學(xué)習(xí)模型來(lái)識(shí)別攝像頭拍攝的茶葉病蟲(chóng)害圖片，并把分類(lèi)的識(shí)別結(jié)果存儲(chǔ)到樹(shù)莓派系統(tǒng)上。這一智能化系統(tǒng)的實(shí)現(xiàn)，為茶葉病蟲(chóng)害的及時(shí)監(jiān)測(cè)和識(shí)別提供了可靠的解決方案。

2? 硬件平臺(tái)介紹

2.1? 樹(shù)莓派

樹(shù)莓派4B是一款功能強(qiáng)大的單板計(jì)算機(jī)，采用ARM Cortex-A72架構(gòu)，擁有4核處理器，主頻高達(dá)1.5 GHz，較樹(shù)莓派3B+的1.4 GHz處理器運(yùn)行速度更快。它運(yùn)行在Linux操作系統(tǒng)下，配備16 GB的TF卡內(nèi)存，并支持大量的軟件庫(kù)和開(kāi)發(fā)工具，利用Python語(yǔ)言開(kāi)發(fā)病蟲(chóng)害識(shí)別系統(tǒng)變得非常方便。樹(shù)莓派系統(tǒng)的登錄操作可以通過(guò)VNC在遠(yuǎn)程登錄，進(jìn)入可視化界面操作，這種可視化的操作在樹(shù)莓派上開(kāi)發(fā)和測(cè)試變得非常便捷，從而提高開(kāi)發(fā)效率。樹(shù)莓派4B擁有強(qiáng)大的性能和豐富的擴(kuò)展接口，可以靈活的與各種傳感器和攝像頭連接。由于樹(shù)莓派簡(jiǎn)單性、易用性、經(jīng)濟(jì)性以及強(qiáng)大的性能已經(jīng)廣泛地應(yīng)用在物聯(lián)網(wǎng)和嵌入式系統(tǒng)中。

2.2? 攝像頭

本系統(tǒng)采用的攝像頭是一款具備500萬(wàn)像素的OV5674模組，采用CMOS傳感器技術(shù)，擁有靜態(tài)圖片分辨率為2 592×1 944像素的優(yōu)勢(shì)，可以提供更高的畫(huà)質(zhì)和更低的功耗，在樹(shù)莓派等嵌入式系統(tǒng)和物聯(lián)網(wǎng)設(shè)備應(yīng)用廣泛。在茶葉病蟲(chóng)害識(shí)別系統(tǒng)中，借助于該攝像頭，能夠獲取更為清晰和細(xì)致的茶葉病蟲(chóng)害圖像，為深度學(xué)習(xí)模型提供更加充分的信息，有助于提高茶葉病蟲(chóng)害的識(shí)別準(zhǔn)確率。

3? 基于深度學(xué)習(xí)的茶葉病蟲(chóng)害模型識(shí)別構(gòu)建

首先需要收集大量的茶葉病蟲(chóng)害樣本，通過(guò)標(biāo)注軟件制作茶葉病蟲(chóng)害訓(xùn)練數(shù)據(jù)集；其次為了擴(kuò)增茶葉病蟲(chóng)害樣本的數(shù)量，通過(guò)數(shù)據(jù)增強(qiáng)手段擴(kuò)充茶葉病蟲(chóng)害數(shù)據(jù)集；然后在PC服務(wù)器上通過(guò)茶葉病蟲(chóng)害訓(xùn)練數(shù)據(jù)集訓(xùn)練深度學(xué)習(xí)模型；最后將訓(xùn)練好的深度學(xué)習(xí)模型部署在樹(shù)莓派平臺(tái)上，通過(guò)軟件加載深度學(xué)習(xí)模型來(lái)識(shí)別茶葉病蟲(chóng)害圖片。模型構(gòu)建的流程如圖2所示。

3.1? 圖像采集

茶葉病蟲(chóng)害種類(lèi)多，本文專(zhuān)注于識(shí)別常見(jiàn)的茶葉病蟲(chóng)害，如茶小綠葉蟬、茶尺蠖和炭疽病等。然而，茶葉病蟲(chóng)害的發(fā)生與季節(jié)相關(guān)，導(dǎo)致采集茶葉病蟲(chóng)害的樣本困難。此外，由于茶葉病蟲(chóng)害識(shí)別的研究目前處于初步探索階段，尚沒(méi)有大型公開(kāi)的數(shù)據(jù)集可以使用。為了應(yīng)對(duì)這一挑戰(zhàn)，本文采取了多種策略，首先進(jìn)行了大量的實(shí)地采集茶葉病蟲(chóng)害樣本，以確保獲得豐富多樣的真實(shí)圖像數(shù)據(jù)。其次借助網(wǎng)絡(luò)搜索引擎，通過(guò)爬蟲(chóng)技術(shù)手段獲取了大量的茶葉病蟲(chóng)害圖像數(shù)據(jù)。這些多樣化的數(shù)據(jù)來(lái)源為研究提供了豐富的樣本，有助于訓(xùn)練出更具有魯棒性和泛化能力深度學(xué)習(xí)模型。在圖片采集階段，特別要注意把攝像頭靠近茶葉附近，以獲得更加清晰的茶葉病蟲(chóng)害圖像，從而提高后續(xù)模型訓(xùn)練和識(shí)別準(zhǔn)確性。

3.2? 圖像增強(qiáng)

建立茶葉病蟲(chóng)害樣本庫(kù)后，考慮到樣本數(shù)量有限，需要對(duì)茶葉病蟲(chóng)害樣本數(shù)據(jù)庫(kù)進(jìn)行擴(kuò)充以增加樣本的數(shù)量和多樣性，從而提升模型的泛化能力，幫助模型學(xué)習(xí)到更好的特征表示和數(shù)據(jù)分布。常見(jiàn)的數(shù)據(jù)增強(qiáng)方法包括隨機(jī)裁剪、旋轉(zhuǎn)、仿射變換和對(duì)比度調(diào)整等方法。這些方法可以有效地生成與原始樣本略有不同但相似的樣本，從而能夠使模型更好地在不同情況下識(shí)別茶葉病蟲(chóng)害。對(duì)茶葉病蟲(chóng)害圖像進(jìn)行增強(qiáng)后的部分茶尺蠖圖片如圖3所示。

3.3? 訓(xùn)練模型

模型訓(xùn)練將在PC服務(wù)器上進(jìn)行，首先將茶葉病蟲(chóng)害數(shù)據(jù)集劃分為訓(xùn)練集和測(cè)試集。對(duì)于測(cè)試集，需要使用標(biāo)注軟件（如labelimg）對(duì)訓(xùn)練集的每個(gè)圖像進(jìn)行標(biāo)注，確定病蟲(chóng)害的位置并生成相應(yīng)的類(lèi)別標(biāo)簽。在標(biāo)注過(guò)程中，需要確保注框與病蟲(chóng)害的位置緊密貼合，以減少背景的干擾。標(biāo)準(zhǔn)完成后，生成的標(biāo)注文件通常采用XML格式保存。然后利用深度學(xué)習(xí)模型對(duì)訓(xùn)練集的茶葉病蟲(chóng)害樣本進(jìn)行訓(xùn)練。在農(nóng)業(yè)病蟲(chóng)害領(lǐng)域，已經(jīng)有研究表明LeNet-5模型在這一領(lǐng)域取得了很好的效果[9，10]。由于樹(shù)莓派的資源有限，本文選擇了適用于樹(shù)莓派平臺(tái)的LetNet-5網(wǎng)絡(luò)模型架，該網(wǎng)絡(luò)模型架構(gòu)比較小，能夠很好地適應(yīng)樹(shù)莓派計(jì)算能力的限制。LeNet-5的網(wǎng)絡(luò)架構(gòu)圖如圖4所示。

圖4? LeNet-5網(wǎng)絡(luò)結(jié)構(gòu)圖

LeNet-5網(wǎng)絡(luò)模型結(jié)構(gòu)由輸入層、卷積層、池化層、全連接層和輸出層組成。第一層輸入層接受32×32大小的茶葉病蟲(chóng)害圖片。第二層為卷積層，包括6個(gè)大小為5×5的卷積核，使用ReLU激活函數(shù)，輸出為28×28×6的特征圖。第三層為池化層，采用平均池化層，大小為2×2，步長(zhǎng)為2，輸出為14×14×6的特征圖。第四層為卷積層，包括16個(gè)大小為5×5的卷積核，使用ReLU激活函數(shù)，輸出為10×10×16大小的特征圖。第五層為池化層，采用平均池化，大小為2×2，步長(zhǎng)為2，輸出為5×5×16大小的特征圖。第六層為包含120個(gè)神經(jīng)元和84個(gè)神經(jīng)元的全連接層。最后一層為輸出層，針對(duì)本文識(shí)別的茶葉病蟲(chóng)害模型共有3個(gè)類(lèi)別，因此最后一層包含3個(gè)神經(jīng)元，使用SoftMax激活函數(shù)進(jìn)行分類(lèi)。

傳統(tǒng)的LeNet-5模型只能接收輸入為32×32大小的圖像，增大圖像尺寸能夠增大對(duì)病蟲(chóng)害特征的準(zhǔn)確識(shí)別度，本文通過(guò)修改LeNet-5模型的卷積層數(shù)和卷積核數(shù)，可以支持輸入為256×256大小的圖像。

3.4? 模型部署

為了在樹(shù)莓派平臺(tái)上實(shí)現(xiàn)深度學(xué)習(xí)計(jì)算，首先在樹(shù)莓派平臺(tái)上安裝PyTorch深度學(xué)習(xí)框架和其他必要的軟件庫(kù)，為后續(xù)計(jì)算做好準(zhǔn)備；接著在PC服務(wù)器上使用適當(dāng)?shù)膬?yōu)化算法和損失函數(shù)對(duì)LeNet-5模型進(jìn)行訓(xùn)練，將訓(xùn)練好的模型參數(shù)保存為PyTorch格式的.pth文件；為了模型能夠高效的在樹(shù)莓派上執(zhí)行，需要把訓(xùn)練好的模型轉(zhuǎn)為T(mén)orchScript格式，這樣的格式轉(zhuǎn)換能夠確保模型在有限的資源環(huán)境下運(yùn)行得更加快速。把轉(zhuǎn)換好的TorchScript格式的LeNet-5模型文件上傳到樹(shù)莓派上；最后在樹(shù)莓派上編寫(xiě)Python代碼，加載LeNet-5模型文件，把攝像頭采集的茶葉病蟲(chóng)害圖片輸入到模型進(jìn)行分類(lèi)，最終的分類(lèi)結(jié)果將被提取并顯示出來(lái)，從而實(shí)現(xiàn)了對(duì)茶葉病蟲(chóng)害的實(shí)時(shí)識(shí)別。部分茶葉病蟲(chóng)害識(shí)別的效果圖如圖5所示。

4? 實(shí)驗(yàn)結(jié)果

茶葉病蟲(chóng)害數(shù)據(jù)集共有600張，其中70%的數(shù)據(jù)劃分為訓(xùn)練集用于訓(xùn)練模型，30%的數(shù)據(jù)作為測(cè)試集用于評(píng)估模型性能，通過(guò)交叉驗(yàn)證的方法評(píng)估模型的穩(wěn)定性。訓(xùn)練模型是在PC服務(wù)器上進(jìn)行的，使用的開(kāi)發(fā)環(huán)境為PyCharm，主機(jī)操作系統(tǒng)為Windows 10，處理為AMD Ryzen7 5800H，CPU主頻為3.2 GHz。利用構(gòu)建好的模型在樹(shù)莓派上進(jìn)行茶葉病蟲(chóng)害識(shí)別，經(jīng)過(guò)多次實(shí)驗(yàn)和交叉驗(yàn)證，得到了比較好的結(jié)果。在測(cè)試集上，茶小綠葉蟬的識(shí)別率為91.7%、茶尺蠖的識(shí)別率為90%、炭疽病的識(shí)別為90%，識(shí)別的結(jié)果如表1所示。實(shí)驗(yàn)結(jié)果表明，在樹(shù)莓派上部署的LeNet-5模型在茶葉病蟲(chóng)害識(shí)別方面取得了顯著的準(zhǔn)確性，可以實(shí)現(xiàn)高效的茶葉病蟲(chóng)害識(shí)別。

5? 討論與展望

基于樹(shù)莓派深度學(xué)習(xí)的茶葉病蟲(chóng)害系統(tǒng)在茶葉病蟲(chóng)害識(shí)別方面已經(jīng)取得了比較好的魯棒性和準(zhǔn)確率，但仍然存在一些可以?xún)?yōu)化的方向，以及可以改進(jìn)的措施：1）模型輕量化。由于樹(shù)莓派資源有限，可以進(jìn)一步優(yōu)化模型減少對(duì)計(jì)算資源和內(nèi)存的消耗。比如采用模型壓縮（剪枝，量化）手段減少模型體積，以使得樹(shù)莓派上獲得更快的推理速度。2）數(shù)據(jù)集擴(kuò)充。通過(guò)進(jìn)一步茶園采集圖片和標(biāo)注數(shù)據(jù)來(lái)擴(kuò)充數(shù)據(jù)集，特別是涉及不同的地區(qū)和季節(jié)的情況下，以提高模型對(duì)多樣性和變化性的適應(yīng)能力。3）遠(yuǎn)程監(jiān)控與管理。該系統(tǒng)與云平臺(tái)系統(tǒng)相結(jié)合，實(shí)現(xiàn)對(duì)茶葉病蟲(chóng)害的實(shí)時(shí)監(jiān)測(cè)和預(yù)警，從而為茶農(nóng)提供更加智能化、高效化的茶葉生產(chǎn)管理方案。4）用戶(hù)友好性。為更直觀(guān)的了解當(dāng)前的系統(tǒng)運(yùn)行狀態(tài)和結(jié)果，可以設(shè)計(jì)一個(gè)簡(jiǎn)單直觀(guān)的交互界面。

6? 結(jié)? 論

本文針對(duì)當(dāng)前茶園病蟲(chóng)害識(shí)別效率低和人工成本高等問(wèn)題，通過(guò)樹(shù)莓派和深度學(xué)習(xí)的方法相結(jié)合，提出了一種基于樹(shù)莓派和深度學(xué)習(xí)的茶葉病蟲(chóng)害識(shí)別系統(tǒng)。該系統(tǒng)在茶葉病蟲(chóng)害識(shí)別方面取得了90%及以上識(shí)別率，顯示出了比較高的準(zhǔn)確性和實(shí)用性，可以滿(mǎn)足茶葉產(chǎn)業(yè)對(duì)智能化病蟲(chóng)害識(shí)別的需求，具有比較廣闊的應(yīng)用前景。

參考文獻(xiàn)：

[1] 楊奉水，王志博，汪為通，等.人工智能識(shí)別茶樹(shù)病蟲(chóng)害的應(yīng)用與展望 [J].中國(guó)茶葉，2022，44（6）：1-6.

[2] 王文明，肖宏儒，陳巧敏，等.基于圖像處理的茶葉智能識(shí)別與檢測(cè)技術(shù)研究進(jìn)展分析 [J].中國(guó)農(nóng)機(jī)化學(xué)報(bào)，2020，41（7）：178-184.

[3] 廉政.基于MobileNetV2的大田玉米病蟲(chóng)害識(shí)別系統(tǒng) [D].太原：山西農(nóng)業(yè)大學(xué)，2022.

[4] 王江晴，冀星，莫海芳，等.基于輕量化VGG的植物病蟲(chóng)害識(shí)別 [J].中國(guó)農(nóng)機(jī)化學(xué)報(bào)，2022，43（4）：25-31.

[5] 陳浪浪，張艷.基于改進(jìn)深度卷積神經(jīng)網(wǎng)絡(luò)的水稻病蟲(chóng)害識(shí)別 [J].山東農(nóng)業(yè)科學(xué)，2023，55（5）：164-172.

[6] 王江偉，劉青.玩轉(zhuǎn)樹(shù)莓派Raspberry Pi [M].北京：北京航空航天大學(xué)出版社，2013.

[7] 李民贊，任新建，楊瑋，等.基于樹(shù)莓派的農(nóng)田表土層土壤容重檢測(cè)系統(tǒng)研究 [J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2021，52（S1）：329-335+376.

[8] 陳品嵐，張小花，朱立學(xué)，等.基于樹(shù)莓派及深度學(xué)習(xí)的柑橘識(shí)別系統(tǒng)設(shè)計(jì) [J].中國(guó)農(nóng)機(jī)化學(xué)報(bào)，2022，43（9）：131-136.

[9] 鄭新橋.圖像處理在農(nóng)業(yè)領(lǐng)域的應(yīng)用研究——以L(fǎng)eNet-5模型的蘋(píng)果葉部病害研究為例 [J].南方農(nóng)機(jī)，2022，53（15）：36-39.

[10] 何前，郭峰林，方皓正，等.基于改進(jìn)LeNet-5模型的玉米病害識(shí)別 [J].江蘇農(nóng)業(yè)科學(xué)，2022，50（20）：35-41.

作者簡(jiǎn)介：吳鵬（1989—），男，漢族，河南信陽(yáng)人，助教，物聯(lián)網(wǎng)中級(jí)工程師，碩士，研究方向：圖像處理與機(jī)器學(xué)習(xí)；劉金蘭（1990—），女，漢族，河南信陽(yáng)人，助教，碩士，研究方向：圖像處理與機(jī)器學(xué)習(xí)。