基于深度學習的茶葉害蟲智能識別APP設計

吳曉盼　周禮贊　王大倉

摘 要

為提高茶葉害蟲識別效率，設計一款茶葉害蟲智能識別APP。建立基于卷積神經網絡的茶葉害蟲識別模型;利用MySQL建立茶葉害蟲防治信息數據庫;以Android技術為核心設計與開發茶葉害蟲智能識別APP。用戶使用APP可直接進行圖像采集、害蟲診斷和防治信息的獲取。該APP具有便捷、易操作和推廣的特點，為茶學領域智能化發展提供參考。

關鍵詞

茶葉;害蟲;卷積神經網絡;Android平臺

中圖分類號： S436.65;TP391.41 ? ? ? 文獻標識碼： A

DOI：10.19694/j.cnki.issn2095-2457 . 2020 . 06 . 83

0 引言

茶作為保健飲品，深受國內外人們的喜愛。隨著生活水平質量的提高，人們對茶葉質量的要求愈加嚴格。茶樹害蟲作為茶園主要危害之一，蟲害嚴重影響了茶葉質量和產量。目前茶葉害蟲防治主要依靠專業人員辨認。人工識別存在效率低、主觀因素大等不足，加上茶樹生長環境復雜以及害蟲防治人員的減少，均無法滿足茶園害蟲精準、實時防控的需求。因此，迫切需要一種快速、自動、準確的方法識別茶樹害蟲。

隨著移動端的發展，利用手機進行識別的技術也趨向成熟，如人臉識別[1]、花草識別[2]等。在茶葉害蟲識別方面，鮮有相關軟件輔助識別。本文介紹了基于卷積神經網絡[3-4]的茶葉害蟲識別APP設計，用戶可通過APP直接進行茶葉害蟲圖像采集、識別和獲取相關防控信息。

1 茶葉害蟲自動識別模型

1.1 卷積神經網絡基本結構

卷積神經網絡由輸入層、卷積層、池化層、全連接層和輸出層等組成，常用多層按照一定的規律搭配實現更好的效果。

輸入層（Input layer），即加載數據到網絡中，涉及圖片的預處理，如去均值、歸一化等操作。

卷積層（Convolutional layer），通過多層卷積層獲取更多的特征值，網絡模型可以逐步提取更高層的特征表示。

池化層（Pooling layer），將卷積層提取的大量特征進行處理，刪減部分冗余特征，又稱降采樣。

全連接層（Fully connected layer），全連接層將當前層的每一個神經元與上一層中的所有神經元連接，以產生全局語義信息，實現分類操作。

輸出層（Output layer），將最后的結果以模型文件輸出。

1.2 基于AlexNet網絡的茶葉害蟲識別模型

1.2.1 AlexNet網絡結構

AlexNet網絡[5]結構圖如圖1所示，前五層為卷積層，后三層是全連接層，利用ReLU激活層銜接所有卷積層和全連接層，且對輸入進行標準化以提高網絡性能，標準化公式如式1。

其中α代表特征圖（feature map）中第i個卷積核（x，y）坐標經激活函數后的輸出，n表示幾個相鄰的卷積核。N表示總卷積核數量，k、n、α和β表示超參數，通過驗證集確定。

1.2.2 基于AlexNet的茶葉害蟲識別模型訓練

為滿足AlexNet卷積神經網絡訓練的要求，需將害蟲圖像剪裁尺寸，對于尺寸小于的圖片，采用插值法以擴大到要求尺寸，插值大小取8領域的均值。采用Python工具中os庫完成對原始數據標簽分類等預處理操作。AlexNet網絡訓練具體步驟如下：

（1）將茶葉害蟲圖片利用caffe框架提供的工具制作成LMDB格式，便于加速計算;

（2）修改AlexNet網絡參數;

（3）訓練網絡并根據損失值和識別率修正參數。

通過以上步驟，可得茶葉害蟲模型文件，結合服務器和APP完成識別任務。

2 茶葉害蟲識別APP的設計

2.1 設計理念

茶葉害蟲識別APP以用戶為中心的設計理念，遵循UCD開發準則[6-7]，在APP開發、設計、升級時從用戶的多個角度出發，而不是依靠用戶去熟悉、摸索。APP界面簡潔、操作簡單，讓用戶在短時間內掌握，以滿足茶葉植保人員的需求。

2.2 設計方案

茶葉害蟲識別APP包括茶葉害蟲自動識別網絡模型、茶葉害蟲防控信息庫和APP應用設計等。用戶通過移動端APP獲取茶葉害蟲的圖片并上傳到服務器，在服務器中利用已經訓練好的卷積神經網絡模型識別，并將識別結果以及相應的防控信息反饋到移動端。APP設計流程和開發圖如圖2所示。

參考文獻

[1]趙健. “眾尋幫”尋人APP設計[D]. 昆明理工大學.2018.

[2]徐志杰， 陳智鋒. 基于移動終端的花卉識別技術研究[J]. 科技資訊， 2018， 16（24）：100+102.

[3]Si Meng-min， Deng Ming-hui， Han Ye. Using Deep Learning for Soybean Pest and Disease Classification in Farmland[J]. Journal of Northeast Agricultural University（English Edition）， 26（01）：66-74.

[4]Yang， Guoguo， Bao， Yidan， Liu， Ziyi. Localization and recognition of pests in tea plantation based on image saliency analysis and convolutional neural network[J]. Transactions of the Chinese Society of Agricultural Engineering， 2017， 33（6）：156-162.

[5]呂軍，夏華鹍，方夢瑞，周禮贊.基于AlexNet的茶葉嫩芽狀態智能識別研究[J].黑龍江八一農墾大學學報， 2019，31（02）：76-82.

[6]王晨靜，楊新.淺析現代設計理念與方法中——“以用戶為中心”的設計原則[J].科技風，2011（19）：58-60.

[7]劉增，陳炳發.以用戶為中心的網站可用性設計和評估[J].中國制造業信息化，2009，38（5）.