基于ResNet-50 深度卷積網(wǎng)絡(luò)的果樹病害智能診斷模型研究

金 瑛，葉 颯，李洪磊

（1.遼寧師范大學(xué)大數(shù)據(jù)與商務(wù)智能實驗室，大連 116029；2 中國農(nóng)業(yè)科學(xué)院農(nóng)業(yè)信息研究所，北京 100081）

1 引言

果樹病害因受到全球氣候和環(huán)境條件變化呈現(xiàn)出爆發(fā)式上升趨勢。由于病害的傳播速度取決于環(huán)境條件和植物的易感染性，果樹在生長周期中容易受到多種疾病的入侵。在實際的果樹病害檢測識別中，種植戶通常依賴于人眼觀察和靠經(jīng)驗診斷，這種方法不僅耗時、主觀性強(qiáng)、而且誤判率高。因此能夠使用高科技手段，在復(fù)雜的農(nóng)業(yè)生態(tài)環(huán)境中及時準(zhǔn)確的診斷果樹所患疾病具有積極意義。

互聯(lián)網(wǎng)的普及應(yīng)用，以及與機(jī)器學(xué)習(xí)技術(shù)的結(jié)合，為果樹病害的遠(yuǎn)程診斷提供了有力支撐。相關(guān)研究表明，利用機(jī)器學(xué)習(xí)，特別是深度學(xué)習(xí)技術(shù)自動識別果樹病害圖像是可行的。如祁釗等提出了主成分分析和支持向量機(jī)組合的方法識別室外玉米葉部病害的圖像，并用Retinex 算法，對圖像進(jìn)行了增強(qiáng)，總識別精度達(dá)到90.74%[1]。劉浩洲等使用K-means 聚類圖像分割方法，識別獼猴桃花朵，該算法成功率為92.5%[2]。畢傲睿提出了利用改進(jìn)的中值濾波方法去除噪聲，并有效的保留了邊緣信息的預(yù)處理方法，采用直方圖均衡化方法，對圖像進(jìn)行了增強(qiáng)，提高動態(tài)范圍和比較高的對比度，將受到不同影響的圖像轉(zhuǎn)化為較統(tǒng)一的形式；使用模糊C 均值聚類算法分割病斑圖像，對圖像的特征提取方法上選擇15 類特征參數(shù)，最后選用基于支持向量機(jī)的病害識別模型[3]。屈赟等對病斑圖像分割時運用了最大類間方差法（Otsu）提取出重要的顏色、紋理和形狀特征，最后利用支持向量機(jī)（SVM）方法分類病斑，并且建立了蘋果葉部病害特征庫[4]。劉雙以Gentle AdaBoost 算法為基礎(chǔ)，從梯度和紋理的角度更全面地描述，篩選出最佳的特征后，將訓(xùn)練好的各層分類器按照一定的篩選率組合成級聯(lián)檢測器，快速排出背景值；最后引入SIFT 模板匹配算法對檢測出的結(jié)果進(jìn)行二次篩選確定檢測目標(biāo)[5]。盧柳江等應(yīng)用機(jī)器學(xué)習(xí)理論，利用Haar-like 提取的圖像特征構(gòu)建弱分類器，并通過AdaBoost 算法將弱分類器集合升級為強(qiáng)分類器，運用級聯(lián)的方法合成AdaBoost 分類器來識別農(nóng)作物蟲害。根據(jù)背景的復(fù)雜程度，模型的識別率保持在95.71%和86.67%區(qū)間內(nèi)，解決了農(nóng)作物蟲害的預(yù)防工作強(qiáng)度大、耗時長、效率低的問題[6]。

近幾年來，在農(nóng)業(yè)領(lǐng)域中深度學(xué)習(xí)備受廣大研究者的青睞，相對于傳統(tǒng)機(jī)器學(xué)習(xí)，深度學(xué)習(xí)（Deep Learning，DL）可以從原始數(shù)據(jù)中自動提取特征，將較低層次的特征組合成高層次的特征[7]。該網(wǎng)絡(luò)的特征提取和結(jié)構(gòu)化數(shù)據(jù)的顯著優(yōu)勢，有效地推動了農(nóng)業(yè)智能機(jī)械裝備的開發(fā)，其相應(yīng)研究成果不斷涌現(xiàn)[8]。黃雙萍等針對水稻穗瘟病的圖像檢測問題，采用了深度卷積神經(jīng)網(wǎng)絡(luò)GoogLeNet模型，模型的最高識別準(zhǔn)確率達(dá)到92%[9]。李艷等使用卷積神經(jīng)網(wǎng)絡(luò)對馬鈴薯疾病進(jìn)行了分類，該算法成功應(yīng)用于農(nóng)作物病害的識別，顯示了深度學(xué)習(xí)技術(shù)在農(nóng)業(yè)任務(wù)中的潛力[10]。李淼等利用了ImageNet 數(shù)據(jù)集和PlantVillage 網(wǎng)絡(luò)公開數(shù)據(jù)集，以黃瓜和水稻病害為研究對象開展研究，通過采用知識遷移和深度學(xué)習(xí)方法，提高了相關(guān)領(lǐng)域的圖像識別效率[11]。王細(xì)萍等通過引入卷積、采樣算子的方法，提出時變沖量學(xué)習(xí)的蘋果病變圖像識別方法，正確率高達(dá)97.45%[12]。張建華等提出了棉花病害的識別模型，采用微型遷移的策略共享模型中的卷積層和池化層的參數(shù)，以此來優(yōu)化VGG 的結(jié)構(gòu)和權(quán)值，并且用6 標(biāo)簽分類器實現(xiàn)圖像識別，總體準(zhǔn)確率達(dá)到89.51%[13]。蔣豐千等通過對病害圖像的二值化和輪廓分割等預(yù)處理，利用Caffe 框架對優(yōu)化后的網(wǎng)絡(luò)模型進(jìn)行了識別率等方面的實驗驗證，開發(fā)了大豆疾病檢測系統(tǒng)[14]。王梅嘉等在蘋果葉部病害識別方面通過擴(kuò)展對比度，去除葉面絨毛，銳化圖像，去除光照影響完成預(yù)處理。利用遺傳算法優(yōu)化模糊C 均值聚類，提取了8 個參數(shù)作為有效特征。通過構(gòu)建BP、RBF、DBN三種網(wǎng)絡(luò)和支持向量機(jī)（SVM）實現(xiàn)病斑識別[15]。邱靖等利用深度卷積網(wǎng)絡(luò)建立3 種水稻病害的識別模型，對數(shù)據(jù)歸一化處理，并運用深度學(xué)習(xí)框架Keras 進(jìn)行深度CNN 訓(xùn)練，統(tǒng)一用9×9 卷積核尺寸和最大池化函數(shù)，經(jīng)過一定次數(shù)的迭代，其識別準(zhǔn)確率達(dá)到90%以上，以較高的識別率實現(xiàn)了3 種水稻分類，泛化能力較強(qiáng)、準(zhǔn)確率較高、魯棒性較好[16]。

綜合上述研究，雖然在圖像識別方面廣大研究者已經(jīng)相應(yīng)地取得了進(jìn)展，但多集中于單一病種的診斷識別。部分研究是基于公共數(shù)據(jù)集訓(xùn)練的，數(shù)據(jù)質(zhì)量可靠度不高，導(dǎo)致模型在實際應(yīng)用中出現(xiàn)較大偏差。

本研究基于卷積神經(jīng)網(wǎng)絡(luò)中的ResNet-50 模型，以梨黑斑病、梨銹病、蘋果花葉病、蘋果銹病這4 種患病葉片圖像為對象進(jìn)行模型訓(xùn)練，實驗數(shù)據(jù)集數(shù)量達(dá)到近10 000 張，數(shù)據(jù)來源真實可靠，圖像本身上具有全面性和完整性，以此訓(xùn)練的診斷模型可靠性更具說服力。隨后在果樹病害圖像識別模型的基礎(chǔ)上開發(fā)相應(yīng)的應(yīng)用軟件，通過互聯(lián)網(wǎng)提供診斷服務(wù)。

2 實驗數(shù)據(jù)與實驗環(huán)境

2.1 樣本數(shù)據(jù)

本研究數(shù)據(jù)來源于農(nóng)業(yè)專業(yè)知識服務(wù)系統(tǒng)的果樹病害圖譜庫[17]。該圖譜庫包含10 000 張果樹病害葉片圖像，其中包括梨黑斑病、梨銹病、蘋果花葉病、蘋果銹病各2 500 張，樣本數(shù)據(jù)分布平衡。這4 種果樹疾病是常見多發(fā)疾病，其中梨銹病發(fā)生普遍，是梨樹的重要病害類型，在發(fā)病嚴(yán)重時，個別梨園梨樹感病品種的病葉率在60%以上。梨銹病主要危害葉片、新梢和幼果。葉片受害，葉正面形成橙黃色圓形病斑，并密生橙黃色針頭大的小點，后期小粒點變?yōu)楹谏焕婧诎卟∫彩抢鏄渲匾牟『?，在中國主要梨區(qū)普遍發(fā)生。西洋梨、日本梨、酥梨、雪花梨最易感病，發(fā)病嚴(yán)重時會引起早期落葉和嫩梢枯死，致使裂果和早期落果；蘋果花葉病在各地均有發(fā)生，陜西關(guān)中地區(qū)有些果園的病株率高達(dá)30%以上，危害較嚴(yán)重。病葉表現(xiàn)5 種癥狀：斑駁型、花葉型、條斑型、環(huán)斑型和鑲邊型，診斷有一定困難；蘋果銹病近年來在一些地區(qū)發(fā)生有明顯上升趨勢。蘋果銹病可引起落葉、落果和嫩枝折斷，各蘋果產(chǎn)區(qū)均有發(fā)生。主要為害幼葉、葉柄、新梢及幼果等幼嫩綠色組織。初期葉片正面產(chǎn)生橙黃色有光澤的小斑點，隨后發(fā)展成直徑為0.5～1.0cm 的橙黃色圓形病斑，病斑邊緣常呈紅色，稍肥厚。嚴(yán)重時，一片葉子上可有十幾個病斑。

該圖譜庫中的葉片圖像由專業(yè)人士在果樹展葉期從果園采摘，根據(jù)上述病癥表現(xiàn)，精心挑選病斑清晰的葉片，在室內(nèi)攝影棚內(nèi)拍攝。背景為純白色。色溫在5 200～5 500。每個葉片分全景、局部、正位拍攝。圖片庫圖片分辨率高，細(xì)節(jié)清晰，達(dá)到高分辨率標(biāo)準(zhǔn)，但對于機(jī)器學(xué)習(xí)而言，場景不夠多樣化、自然化，會影響診斷模型的泛化能力。為了彌補這個缺陷，本文通過在線收集的方式，收集到100 余張關(guān)于4 種病害的網(wǎng)絡(luò)圖像，與上述圖譜庫相結(jié)合，進(jìn)行樣本數(shù)據(jù)增強(qiáng)。這些圖像包括梨黑斑病25 張、梨銹病27 張、蘋果花葉病28 張、蘋果銹病24 張。圖1 為農(nóng)業(yè)知識服務(wù)系統(tǒng)圖譜庫樣例，圖2 是線上收集的公共圖像數(shù)據(jù)集，并經(jīng)過專業(yè)人士鑒別后用于數(shù)據(jù)增強(qiáng)。

上述數(shù)據(jù)集按8∶2 比例分割為訓(xùn)練集、驗證集。網(wǎng)絡(luò)收集的數(shù)據(jù)做測試集。其中訓(xùn)練集用于模型訓(xùn)練，驗證集用于模型參數(shù)調(diào)優(yōu)，測試集用于測試模型的泛化能力。為了降低數(shù)據(jù)規(guī)模，加快模型訓(xùn)練過程，在本研究中所有圖像被統(tǒng)一壓縮至640×480 尺寸。

2.2 數(shù)據(jù)增強(qiáng)

圖1 樣本數(shù)據(jù)圖像（農(nóng)業(yè)知識服務(wù)系統(tǒng)圖譜庫）Fig.1 Image samples(Agricultural Knowledge Service System Image Library)

圖2 果樹病害公共圖像（源于網(wǎng)絡(luò)）Fig.2 Public images of fruit tree diseases(from the Internet)

鑒于本研究獲取的圖像均為采摘后在純凈環(huán)境中拍攝，背景不夠豐富，圖像過于精美和標(biāo)準(zhǔn)，色彩、亮度多樣性差，將會對模型的泛化能力產(chǎn)生很大影響[18,19]。因此本研究對上述樣本數(shù)據(jù)進(jìn)行了數(shù)據(jù)增強(qiáng)處理，提高圖像樣本數(shù)據(jù)的多樣性水平，從而在一定程度上保證了模型的泛化能力。這些處理包括如下方式。

（1）旋轉(zhuǎn)方向。即通過旋轉(zhuǎn)和位移等方式提高病變?nèi)~子的圖像相對位置的多態(tài)性，該多態(tài)性采用與標(biāo)準(zhǔn)圖像的夾角或矢量位移的描述。本研究每隔30 度進(jìn)行一次旋轉(zhuǎn)采樣，即1 張原始圖片會產(chǎn)生12 張旋轉(zhuǎn)后的圖片。

（2）顏色抖動[20]。由于不同空間相對位置和日照條件不同，同一對象會采集得到不同亮度、飽和度、對比度等模式，在顏色平衡區(qū)間上呈現(xiàn)出不同圖像的復(fù)雜性，提升算法的魯棒性。本研究對每張圖片進(jìn)行3次顏色抖動的隨機(jī)處理。

（3）隨機(jī)切割。在保留足夠病害葉子主要信息的情況下，對圖片進(jìn)行裁剪，減少部分背景信息，從而增加形態(tài)上的多樣性，提高模型的泛化能力。本研究對每張圖片進(jìn)行3 次切割處理。

（4）污化處理。對多所采集的圖像進(jìn)行隨機(jī)污化，以防訓(xùn)練中出現(xiàn)過擬合的現(xiàn)象，降低模型的泛化能力。本文對污化處理添加了隨機(jī)污化、1∶1 污化和不放回污化。本研究對每張圖片各進(jìn)行3 次污化處理。

（5）增噪處理。由于深度神經(jīng)網(wǎng)絡(luò)模型是高度非線性的，圖像的一個像素微調(diào)可影響對抗樣本，因此本研究引入了隨機(jī)白噪聲來模擬拍攝不同清晰度的樣本數(shù)據(jù)。本研究對每張圖片進(jìn)行1 次隨機(jī)增噪處理。

（6）背景疊加。將果樹葉片與其生長背景進(jìn)行疊加，豐富圖片的背景信息。本研究對每張原始圖片進(jìn)行1 次背景疊加。

2.3 實驗環(huán)境

本研究在大型計算機(jī)服務(wù)器上進(jìn)行。該服務(wù)器8核CPU，內(nèi)存128G，運行Linux 操作系統(tǒng)。在Python3.6 的環(huán)境下，安裝了TensorFlow[21]、Keras 深度學(xué)習(xí)軟件包和OpenCV 圖像處理軟件包。

TensorFlow 是谷歌公司推出的基于數(shù)據(jù)流編程（Dataflow Programming）的符號數(shù)學(xué)系統(tǒng)，被廣泛應(yīng)用于各類機(jī)器學(xué)習(xí)（Machine Learning）算法的編程實現(xiàn)，其前身是谷歌的神經(jīng)網(wǎng)絡(luò)算法庫DistBelief。TensorFlow 擁有多層級結(jié)構(gòu)，可部署于各類服務(wù)器、PC終端和網(wǎng)頁并支持GPU 和TPU 高性能數(shù)值計算。TensorFlow的Python 版本支持LInux、Windows、macOS操作系統(tǒng)。TensorFlow 提供Python 語言下的4 個不同版本：CPU 版本（Tensorflow）、包含GPU 加速的版本（Tensorflow-Gpu），以及它們的每日編譯版本（Tf-Nightly、Tf-Nightly-Gpu）。安裝Python 版TensorFlow 可以使用模塊管理工具Pip/Pip3 或Anaconda 并在終端直接運行。

OpenCV 是一個基于BSD 許可（開源）發(fā)行的跨平臺計算機(jī)視覺和機(jī)器學(xué)習(xí)軟件庫，主要傾向于實時視覺應(yīng)用。OpenCV 可以運行在Linux、Windows、Android 和Mac OS 操作系統(tǒng)上。OpenCV 由一系列C函數(shù)和少量C++類構(gòu)成，同時提供了Python、Ruby、MATLAB等語言的接口，實現(xiàn)了圖像處理和計算機(jī)視覺方面的很多通用算法。OpenCV 具有輕量級、高效率、便于應(yīng)用的優(yōu)點，因而深得圖像處理專業(yè)人士青睞。

在圖像和視覺智能處理領(lǐng)域，TensorFlow 與OpenCV 組合使用非常流行。本研究將TensorFlow 用于診斷模型訓(xùn)練，而OpenCV 用于實現(xiàn)圖像樣本的數(shù)據(jù)增強(qiáng)處理以及其他預(yù)處理操作。

3 模型訓(xùn)練

3.1 ResNet 簡介

傳統(tǒng)的深度學(xué)習(xí)算法一般采用數(shù)據(jù)初始化（Normalized Initialization）和正 則 化（Intermediate Normalization）[22]來解決計算資源消耗高、模型容易過擬合和梯度消失/梯度爆炸問題。這種方法雖然在一定程度上解決了梯度問題，但是后續(xù)又出現(xiàn)了網(wǎng)絡(luò)退化等現(xiàn)象，于是HE 等提出了一種殘差學(xué)習(xí)框架ResNet[23]。隨著網(wǎng)絡(luò)深度的增加，使用ResNet 有助于模型預(yù)測性能的顯著提高，同時模型訓(xùn)練時間沒有明顯增加，因此ResNet 成為目前應(yīng)用最為廣泛的卷積神經(jīng)網(wǎng)絡(luò)。

ResNet 通常設(shè)置18、34、50、101 等多種層數(shù)選擇，考慮到實驗環(huán)境和數(shù)據(jù)規(guī)模，本研究選擇50 層的ResNet。

圖3 殘差網(wǎng)絡(luò)示意圖Fig.3 Diagram of a residual network

ResNet-50 包括一個跨層連接，如圖3 所示[24]。該跨層連接通過快捷連接Shortcut 跨層傳遞輸入信息，然后將其添加到卷積輸出中以完全訓(xùn)練底層網(wǎng)絡(luò)，相當(dāng)于直接執(zhí)行了恒等映射。在恒等映射函數(shù)中，假設(shè)殘差網(wǎng)絡(luò)的最優(yōu)結(jié)果輸出為H(X)，經(jīng)過卷積操作后的輸出F(X)，由于F(X)=H(X)-X，因此最優(yōu)結(jié)果為H(X)=F(X)+X。假設(shè)殘差映射比原映射更易優(yōu)化，那么在極端情況下就很容易將殘差推至0，即F(X)=0，這就變成了恒等映射函數(shù)H(X)=X，這比將映射逼近另一個映射要簡單得多，可以從時間、效果等多方面滿足要求。因此ResNet 在訓(xùn)練中額外的參數(shù)和計算復(fù)雜度不會因此而增加，模型相當(dāng)于退化為一個淺層網(wǎng)絡(luò)，從而隨著深度的增加而大大提高了準(zhǔn)確性，不用過多地?fù)?dān)心網(wǎng)絡(luò)的“退化”問題。只要訓(xùn)練數(shù)據(jù)足夠，逐步加深網(wǎng)絡(luò)，就可以獲得更好的性能表現(xiàn)。換而言之，ResNet 可以在網(wǎng)絡(luò)深度增加時，預(yù)測偏差減?。?zhǔn)確度上升），而方差也不會顯著增加（泛化能力不受影響）。方差與偏差同時被優(yōu)化，這在機(jī)器學(xué)習(xí)算法中極為難得。

3.2 四分類函數(shù)

為了高效準(zhǔn)確的識別常見果樹病害的圖像，本研究將分類器改進(jìn)為4 目標(biāo)Softmax 分類器。Softmax 分類器是把一種目標(biāo)變量分成多個種類的算法，可以接受全連接層輸入的特征矩陣，輸出輸入目標(biāo)對應(yīng)的每個種類的不同概率值。例如，有N 個輸入目標(biāo)，每個目標(biāo)的標(biāo)記 yi∈｛1,2,3……｝，k 為模型輸出類別的種類數(shù)（k≥2）。本文做梨黑斑病、梨銹病、蘋果花葉病、蘋果銹病的四分類器，k 值取值為4。對于給定的輸入xi，用假設(shè)函數(shù)fθ(xi)估計對應(yīng)類別概率j 值P(yi=j|xi)。則函數(shù)為

θ 是Softmax 分類器的參數(shù)，為保證概率和為1，使用

進(jìn)行歸一化，Softmax 分類器的損失函數(shù)為

其中（yi=j）為指示性函數(shù)，其取值與括號內(nèi)的真值保持一致，即yi=j 成立時函數(shù)值為1，否則為0。

3.3 參數(shù)設(shè)計

本研究經(jīng)過多次試驗對比后，對模型的參數(shù)設(shè)置如下表所示。模型優(yōu)化器為Adam。Adam 優(yōu)化算法采用框架默認(rèn)參數(shù)，其所占內(nèi)存少，計算效率高，適用于非穩(wěn)態(tài)目標(biāo)等諸多優(yōu)勢，由于本研究對象果樹病害樣本數(shù)據(jù)規(guī)模大，非常適合本研究對象果樹病害樣本的大規(guī)模圖像數(shù)據(jù)[25]。

表1 模型參數(shù)設(shè)計表Table 1 Model parameters

4 實驗結(jié)果及分析

4.1 查準(zhǔn)率

查準(zhǔn)率（Precision）指的是預(yù)測為正例的集合中真正例的比例，其定義如下：

公式（4）中TP（True Positive）指模型識別出的正類數(shù)量、TN（True Negative）指模型識別出的負(fù)類數(shù)量、FP（False Positive）指模型誤報的數(shù)量，即將負(fù)類圖像預(yù)測為正類的數(shù)量、FN（False Negative）指模型的漏報數(shù)量，即未識別出的正類數(shù)量。

4.2 查全率

查全率（Recall Ratio），也叫召回率，是預(yù)測結(jié)果中真正例與實際所有整理的比值。

4.3 F-Score

在實際應(yīng)用中，查準(zhǔn)率和查全率會出現(xiàn)悖反現(xiàn)象，即此消彼長。F-Score 是查準(zhǔn)率與查全率的加權(quán)調(diào)和平均，在評價模型預(yù)測性能時綜合性更強(qiáng)。

應(yīng)用實踐中，常設(shè)置α=1，即F1 指標(biāo)。

4.4 Accuracy

模型精度（ACC）是分類正確的樣本數(shù)占總樣本數(shù)的比例，可從總體上反應(yīng)一個模型的預(yù)測能力，其定義如下：

4.5 實驗結(jié)果分析

從實驗數(shù)據(jù)集中抽取80%的數(shù)據(jù)作為訓(xùn)練集，20%數(shù)據(jù)作為驗證集，經(jīng)過迭代后訓(xùn)練效果如圖4 所示。橫軸為訓(xùn)練周期（Epochs），縱軸為誤差/ 精度（Loss/Acc）。由圖4 可知，隨著迭代次數(shù)越多，模型的精度越來越高，誤差越來越低，大約在第22 代訓(xùn)練周期后趨于平穩(wěn)，誤差逐漸趨向于0，而精度逐漸趨向于1。訓(xùn)練集和驗證集的兩項指標(biāo)近似重合，說明模型的偏差、方差和精度均收斂于理想水平。

圖4 模型收斂過程Fig.4 Model convergence process

表2 混淆矩陣Table 2 Confusion matrix

在表2 的混淆矩陣中，行表示預(yù)測類別，列表示真實類別。從混淆矩陣中可以看出，基于當(dāng)前的樣本集合，梨銹病和梨黑斑病表征有一定的相似性，在梨黑斑識別過程中容易誤判為梨銹病。

表3 顯示模型的性能指標(biāo)。蘋果花葉病和蘋果銹病的識別準(zhǔn)確度較高，而梨銹病與梨黑斑的識別性能稍微遜色，模型的總體精度ACC 為92.9%。

表3 模型評價指標(biāo)（數(shù)據(jù)增強(qiáng)）Table 3 Model evaluation metrics(data augmentation)

而對于未經(jīng)圖片增強(qiáng)的原始數(shù)據(jù)集，本研究使用相同的參數(shù)進(jìn)行ResNet-50 模型訓(xùn)練，結(jié)果發(fā)現(xiàn)模型的精確度、召回率、和F1 Score 顯著下降。如表4 所示。

表4 模型評價指標(biāo)（原始數(shù)據(jù)）Tab.4 Model evaluation metrics(raw data)

5 果樹病害圖像識別系統(tǒng)開發(fā)

該軟件系統(tǒng)基于上述ResNet-50 模型，使用Java和Python 語言開發(fā)，采用B/S 系統(tǒng)構(gòu)架。系統(tǒng)技術(shù)結(jié)構(gòu)如圖5 所示。

圖5 果樹病害識別系統(tǒng)技術(shù)結(jié)構(gòu)圖Fig.5 Technical structure diagram of fruit tree disease recognition system

用戶交互子系統(tǒng)使用Java 開發(fā)，其主要功能為建立用戶與系統(tǒng)的交互界面。使用該子系統(tǒng)，用戶可以上傳需要診斷的圖片，并獲得診斷結(jié)果。模型服務(wù)子系統(tǒng)則提供樣本圖片處理、模型訓(xùn)練和模型應(yīng)用服務(wù)（圖片診斷）。該系統(tǒng)采用復(fù)合技術(shù)構(gòu)架是為了充分發(fā)揮Java 與Python 在網(wǎng)絡(luò)計算和模型運算方面的各自優(yōu)勢，同時較好地實現(xiàn)了運算負(fù)載的均衡。

該系統(tǒng)的兩個子系統(tǒng)可以共用1 臺硬件服務(wù)器，也可以分別安裝到不同的服務(wù)器，兩個子系統(tǒng)通過http 協(xié)議進(jìn)行數(shù)據(jù)通信。

模型服務(wù)子系統(tǒng)還動態(tài)存儲了用戶上傳的圖片，這樣模型訓(xùn)練模塊就可以根據(jù)系統(tǒng)在使用過程中圖片數(shù)據(jù)的積累對模型進(jìn)行重新訓(xùn)練，使模型得到持續(xù)完善，診斷性能獲得不斷提升。系統(tǒng)的工作流程如圖6所示。

圖6 果樹病害識別系統(tǒng)流程圖Fig.6 Flow chart of the fruit tree disease recognition system

用戶采集到病害圖像后，可通過上傳本地圖片或指定圖片地址，模型即可獲得輸入的圖片，之后再進(jìn)行預(yù)測。ResNet-50 模型使用了Softmax 函數(shù)，輸出4種分類的概率。本文選擇其中最大概率分類作為診斷結(jié)果。診斷結(jié)果根據(jù)不同概率水平分為高度疑似（大于0.75）、疑似（大于0.3）和不確定3 種水平，為用戶判斷提供參考價值。系統(tǒng)工作界面如圖7 所示。

圖7 果樹病害智能診斷系統(tǒng)界面Fig.7 The interface of the intelligent diagnosis system for fruit tree diseases

6 結(jié)語

本研究使用ResNet-50 訓(xùn)練了病害智能診斷模型，為果樹病害圖像識別提供了一種可操作可借鑒的試驗經(jīng)驗。鑒于樣本圖像拍攝場景單一、色彩、清晰度、亮度趨同、多樣性差的特點，該研究采用數(shù)據(jù)增強(qiáng)技術(shù)對樣本圖像進(jìn)行了預(yù)處理，提高了樣本數(shù)據(jù)的多樣化水平。實驗證明，該做法顯著提高了模型的預(yù)測性能。基于上述診斷模型，開發(fā)了果樹病害智能診斷系統(tǒng)，在線提供果樹病害診斷服務(wù)。

實驗還發(fā)現(xiàn)，受圖像數(shù)據(jù)集樣本多樣性不足的影響，該模型的泛化能力還需進(jìn)一步提高。通過搜集到的互聯(lián)網(wǎng)公共圖像測試，該模型的整體精度下降到85.2%水平。這說明盡管本研究對樣本進(jìn)行了數(shù)據(jù)增強(qiáng)操作，但樣本的多樣性水平仍然沒有達(dá)到理想水平，這需要在今后的研究中進(jìn)一步豐富樣本多樣性，同時在模型訓(xùn)練中，進(jìn)一步優(yōu)化參數(shù)設(shè)置，從數(shù)據(jù)優(yōu)化和模型優(yōu)化兩個方向出發(fā)，努力提高診斷模型的預(yù)測精度。