基于MobileNets的果園害蟲分類識別模型研究

樊景超

摘 要：為在小數據集上構建果園害蟲分類識別模型，并在普通安卓手機運行，本研究收集了6種常見果園害蟲共計3 058張圖像，首先對害蟲圖像進行反卷積遴選，再通過MobileNets構建深度學習模型進行分類識別。結果表明，所構建模型在安卓手機上運行流暢，可對所采集的6種果園害蟲進行識別，其準確率均在90%以上，效果良好。

關鍵詞：果園害蟲；MobileNets；分類識別

中圖分類號：TP311 文獻標識碼：A DOI 編碼：10.3969/j.issn.1006-6500.2018.09.004

Study on Classification and Recognition of Orchard Pests Based on MobileNets

FAN Jingchao

（Agricultural Information Institute， Chinese Academy of Agricultural Sciences， Beijing 100081， China）

Abstract： In order to construct the model of orchard pest classification on the small data set and run identification of model on ordinary Android mobile phone， a total of 3 058 images of 6 common orchard pests were collected. First， the image of the pest was selected by deconvolution， and then the depth learning model was constructed by MobileNets. The constructed model could run well on Android mobile， and identify the selected 6 common orchard pests. The result showed that the recognition accuracy was over 90%.

Key words： orchard pest； MobileNets； classification and recognition

我國是蘋果生產大國[1-3]，同時又是有害生物危害較為嚴重的國家之一，蘋果生產中有害生物的種類多，發生頻率高，且分布地域廣[4-11]。害蟲分類識別是蟲情預測、精準施藥等工作的前提基礎，在蘋果生產、倉儲、檢疫等領域有著強烈的現實需要，其傳統方法依靠專家遠程診斷和農技推廣人員的識別，勞動強度高、效率低。隨著信息技術的興起，在果園害蟲圖像分類識別方法上基于紋理特征提取的計算機視覺識別方法成為熱點，如直方圖、集合不變量、子空間等[12-15]，其本質是以專家經驗進行人工特征的設計，這類方法一般要求識別環境可控，如將害蟲放置在實驗室條件下的單一背景中進行特征數據采集，然而在實際應用環境——野外自然條件中，背景和光照以及昆蟲姿態均屬于不可控因素，大大增加了特征提取的難度。再加上害蟲本身紋理豐富、結構復雜，尤其在自然環境下，害蟲姿態變化豐富，種內和種間差異大，且背景環境復雜，使圖像識別成為一種細粒度識別問題[16]，不可避免主觀誤差，造成所構建模型的適應性較差，技術難度大大增加。

近年來，隨著深度學習的興起，相關研究單位推出了很多性能優異的網絡結構優秀的深度神經網絡識別模型，從VGG、Inception到ResNet等在識別精度上逐步提高，甚至超越人類的水平。深度學習通過機器自我學習的方式，跳過了人工特征的提取步驟，使得模型的適應性主要取決于圖像的標注質量，大大提高了模型的普適性和準確度。隨著模型深度的加大，參數越多、越精細，耗費的資源也越多。為實現低成本、操作簡便、準確率高、低延遲等實際需求，Google推出面向嵌入式設備的神經網絡模型MobileNets，本研究通過將這一方法應用于果園蟲害圖像的分類識別上，在普通千元級別的安卓手機上進行驗證，旨在探索一種符合我國農業信息化需求的害蟲圖像分類識別方法，為從事農業信息化的相關工作人員提供參考或服務。

1 材料和方法

1.1 數據收集

本研究以果園害蟲為測試對象，選取6類常見害蟲圖像，圖像來源主要通過搜索引擎獲得。考慮模型的適應度問題，圖片尺寸屬性不做固定尺寸要求；考慮到顯卡的顯存容量以及運行時間，圖片尺寸控制在100～300 px之間。收集具體圖像數據如表1所示。

1.2 反卷積遴選

對于小數據集分類識別任務來說，數據集的圖像質量至關重要。Hinton提出的深度學習模型在圖像分類等領域展現了驚人的準確度，通過加深網絡深度并不斷調優模型參數使其識別精度不斷提高，但是基于深度學習的圖像特征提取一直是個黑箱模型，使深度學習對于圖像的特征提取結果一直不能直觀判定，導致圖像對模型構建的貢獻度無法得知。為解決這個問題，Zeiler等[17]提出了反卷積方法來可視化深度神經網絡在各層的特征提取。由于本文所采用的數據集屬于小規模數據集，因此圖像質量好壞對模型的構建會有較大的影響，能否提取到有效的害蟲特征是提高模型精度的關鍵步驟。因此對害蟲圖像使用已經訓練好的AlexNet網絡模型進行反卷積可視化，通過逐層的反卷積圖像來判斷當前圖像能否有效提取出害蟲的識別特征。圖1中從左到右依次是原始害蟲、低維特征、特征組合及全局的高維特征圖像，由此可見，利用反卷積可視化方法可以有效地遴選適合進行模型構建的原始圖像樣本。

通過上述過程將成功進行特征提取的樣本進行遴選得到高質量的樣本集合，同時為提高訓練精度，將每類數據樣本量大、分辨率高的圖像進行適量刪減，最終樣本集合控制在2 500張，用于神經網絡的訓練和驗證。每種類別隨機選擇70%作為訓練集合，30%作為驗證集合。

1.3 MobileNets

MobileNets[18]是由Google研究者們設計的基于一個流線型的架構，它使用深度可分離的卷積來構建輕量級的深層神經網絡，是一組移動設備優先的計算機視覺模型。主要設計目標是高效優化準確度，同時要考慮移動及嵌入式設備的限制。使得模型能夠在手機上運行，計算消耗小、運行速度快，因此很適合在移動端上應用。MobileNets和傳統的CNN（卷積神經網絡）在結構上的差別主要是：傳統CNN規范化和ReLU（線性整流函數）中使用的卷積核是1個3×3卷積層，而MobileNets將卷積過程分為1個3×3深度方向的卷積和1個1×1點對點的卷積。針對ImageNet的深度學習分類模型帶有數百萬個參數，可以處理上千個分類，足以用來區別其他子分類對象。通過利用已經訓練完畢的神經網絡模型，將具體蟲害類別圖像作為輸入項，具體蟲害類別標簽作為最終分類層，以實現本研究的分類。MobileNets只訓練網絡的最后一層，所以訓練會在一個相對合理的時間停止，經過參數優化后的模型適應于低功耗、低延遲等小型應用。

2 結果與分析

2.1 模型訓練

本試驗采用的實驗設備為一臺聯想Thinkstation圖形工作站，顯卡是Nivida Quadro K4000顯存3 GB，GPU運算能力3.0。訓練前將蟲害圖像放入以蟲害名稱命名的文件夾，并將對應蟲害英文名稱寫入標簽文件retrain_labels.txt完成圖像標注工作。

模型訓練首先要設定幾個關鍵參數進行模型調整以得到最佳精度，所涉及的參數有：（1）圖像分辨率，訓練提供的輸入圖像分辨率有128，160，192和224，輸入模型圖像的分辨率越高，則耗費時間越多，但是結果會越精確，故本研究使用224作為初始參數設定；（2）學習率，該參數控制著在訓練期間模型最終層更新的大小，初始學習率制定為0.01，如果制定一個更小的學習率比如0.005，訓練將會耗費更多時間，但是總體精度亦會增加，反之如果調整為1.0，訓練速度會增加，但是精度會降低，甚至使訓練過程不穩定；（3）寬度因子（width multiplier），相對于最大MobileNets模型，參數主要有1.0，0.75，0.50，0.25，參數越小模型訓練越快，但是精度損失越大，一般推薦0.50作為初始訓練參數；（4）訓練步數（how_many_training_steps），默認情況下選擇4 000步訓練，可根據實際數據集大小進行微調，每一次從訓練集選擇10個隨機圖像，再把他們送入最終層來進行預測，這些預測結果再與實際的分類標簽進行對比，并通過反向傳播來更新最終層的權重。

本文選用平均準確率作為模型訓練的衡量指標，其主要調整參數為模型寬度和學習率，訓練結果如表2所示。通過模型參數的調整結果可以看出寬度因子和學習率會顯著影響模型的精度，其中二者分別在1.0和0.05時，取得最高平均準確率，為95.9%。

2.2 模型驗證

2.2.1 模型部署 為驗證模型的有效性，利用Tensorflow 提供的Android demo工程，部署到Android手機。利用Android studio 編譯該工程，原有工程使用的是Inception V3 模型文件，刪除原有模型文件，并修改ClassifierActivity.java對應的模型文件名和標簽文件名，同時對應的要修改INPUT_SIZE、INPUT_MEAN、IMAGE_STD三個參數與模型優化的數值相對應，本文均修改為224。通過Build菜單下Generate APK命令生成安裝包，將該安裝包導入安卓手機，軟件需要授予使用照相機和本地存取的權限。

2.2.2 驗證結果 為驗證方法的有效性，通過搜索引擎搜索以害蟲名稱為關鍵詞，隨機選擇搜索圖片作為測試對象，點擊TF Classify名稱的手機應用程序，將手機攝像頭對準屏幕進行圖像的分類識別。識別結果圖2所示，在圖片上方藍色部分顯示當前蟲害的識別分類與精度，可以看到該模型可準確地實現分類識別，且識別精度均在90%以上。

3 結 論

通過對果園6種常見害蟲進行分類識別研究，利用MobileNets進行神經網絡模型的壓縮，所構建模型僅為15.23 MB，能夠在普通安卓手機上流暢運行且精確度良好，識別準確度在90%以上，證明了該模型的有效性。使用本研究的害蟲圖像識別方法可以免去原有復雜的圖像特征提取過程，大大簡化害蟲識別模型的構建過程，達到快速構建模型的目的，同時該方法不受限于特定的害蟲種類，易于推廣到其他作物的害蟲分類識別研究，在果園蟲害的分類識別上具有重要的參考意義。

參考文獻：

[1]劉軍弟，霍學喜，韓明玉，等.中國蘋果產業發展現狀及趨勢分析[J]. 北方園藝，2012（20）： 164-168.

[2]翟衡，史大川，束懷瑞.我國蘋果產業發展現狀與趨勢[J]. 果樹學報，2007（3）： 355-360.

[3]陳學森，韓明玉，蘇桂林.當今世界蘋果產業發展趨勢及我國蘋果產業優質高效發展意見[J].果樹學報， 2010（4）： 598-604.

[4]馬永翠，李平松，馬列，等.2016年云南昭通蘋果病蟲危害損失評估試驗[J].中國植保導刊，2017（8）： 51-57.

[5]李曉榮.蘋果幼園常見病蟲害的防治[J]. 西北園藝：果樹專刊，2013（5）： 30-31.

[6]韓健，陳臻，徐秉良，等.甘肅省蘋果病蟲害發生情況初探[J].植物保護，2012（6）： 134-139.

[7]梁魁景，王樹桐，胡同樂，等.河北省蘋果主要病蟲害發生現狀調查[J].植物保護，2010（5）： 123-127.

[8]陳武杰，蘇曉娟.蘋果病蟲害防治的原則和關鍵技術[J].中國果菜，2017（4）： 71-72.

[9]仇貴生，閆文濤，張懷江，等.渤海灣蘋果產區主要病蟲害發生動態及綜合防治策略[J].中國果樹，2012（2）： 72-75.

[10]趙菊蓮，尹寶重.甘肅隴東蘋果樹主要病蟲害的發生與防治對策[J].中國果樹，2013（3）： 73-75.

[11]張振芳，李保華，練森，等.我國蘋果產業節本增效關鍵技術Ⅵ：蘋果病蟲害節本增效防控的原則與技術[J].中國果樹，2017（6）： 1-7.

[12]王愛新，李春友，張喆.基于計算機視覺的農業圖像害蟲定位檢測算法[J]. 江蘇農業科學，2016（7）： 361-364.

[13]李小林，周蓬勃，周明全，等.基于可區分二進制局部模式特征的蛾類昆蟲識別[J]. 計算機應用與軟件，2016，33（3）：172-175.

[14]梁巧玲，陸平，張皓，等.檢疫害蟲黑森癭蚊的形態特征與為害狀識別[J]. 植物保護，2014，40（5）：126-129.

[15]張超凡，王儒敬，謝成軍.基于多特征字典學習的害蟲圖像自動分類方法[J]. 計算機應用與軟件，2017，34（3）：142-147.

[16]楊國國， 鮑一丹，劉子毅.基于圖像顯著性分析與卷積神經網絡的茶園害蟲定位與識別[J]. 農業工程學報，2017（6）：156-162.

[17]MATTHEW D Z，ROB F. Visualizing and understanding con-volutional networks[J/OL].https：//arxiv. org/abs/1311.2901.[18]HOWARD A G， ZHU M， CHEN B， et al. MobileNets： efficient convolutional neural networks for mobile vision applications[J/OL].（2017-04-17）https：//arxiv.org/abs/1704.04861.