基于樹莓派和深度學習的茶葉病蟲害識別系統

吳鵬 劉金蘭

收稿日期：2023-08-22

基金項目：信陽農林學院青年教師科研基金資助項目（QN2021058）；河南省科技攻關項目（222102210300）

DOI：10.19850/j.cnki.2096-4706.2024.07.013

摘? 要：為了解決傳統茶葉病蟲害識別方法存在識別效率低和人工成本高的問題，提出一種基于樹莓派和深度學習的茶葉病蟲害識別系統。通過將樹莓派的便捷性和深度學習的強大特征提取能力相結合，成功克服了傳統方法的局限性，實現了對茶葉病蟲害的高效準確識別。結果表明，該系統可以針對三種常見的茶葉病蟲害進行識別，識別率為90%以上，為茶葉病蟲害的精準識別提供了高效可行的解決方案。

關鍵詞：樹莓派；深度學習；病蟲害識別

中圖分類號：TP391.4；TP368 文獻標識碼：A 文章編號：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

茶葉作為我國重要的經濟作物，在茶農收入和國家的經濟發展中扮演了重要的角色。然而在茶葉的生長過程中，會受到各種茶葉病蟲害的困擾，嚴重影響著茶葉產量和質量。傳統的茶葉病蟲害檢測方法主要依靠人工巡視和識別，其準確率低，耗時費力且比較依賴于人工的經驗，存在一定的主觀性[1，2]。為了提高茶葉病蟲害識別的檢測效率，實現智能化的茶園管理，有必要開發出一種可自動識別茶葉病蟲害的系統，對茶園進行實時檢測。近年來，深度學習技術已經在農業病蟲害領域取得了很大的進展。廉政[3]使用預訓練的Mobile Net V2模型，在玉米病蟲害數據集上實現特征遷移，得到了具有較高識別率的分類器，使用玉米病蟲害驗證集進行驗證，系統識別準確率達到82%左右。王江晴等[4]使用輕量化的VGG16模型在PlantVillage數據集上測試，準確率為99.37%，展現出的模型具有較高的識別精度。陳浪浪等[5]針對傳統識別水稻病蟲害方法存在特征提取復雜、識別率低等問題，提出了基于DenseNet121為基礎模型的水稻病蟲害識別系統，成功的識別出水稻常見的8種病蟲害。樹莓派是一款基于Linux的單片機電腦，具有價格低廉和體積小的特點，極具應用潛力，成為智能化農業比較適合的硬件平臺[6，7]。陳品嵐等[8]使用樹莓派結合深度學習，對柑橘樹上的柑橘進行識別及計數，識別正確率約為92.4%。考慮到智能化硬件成本和體積等因素，本文將結合樹莓派和深度學習設計一個基于深度學習的智能化茶葉病蟲害識別系統，為茶葉的可持續發展和高效精準管理提供智能化的解決方案。

1? 系統設計

基于樹莓派和深度學習的茶葉病蟲害模型識系統中，硬件平臺主要包括攝像頭模塊、樹莓派4B平臺，整個系統的工作流程如圖1所示。首先在PC平臺上對茶葉病蟲害圖片進行處理和標注，利用PyTorch深度學習模型框架訓練一個高效的病蟲害識別模型；其次將訓練好的深度學習模型轉換為適合樹莓派平臺的格式，并安裝在樹莓派平臺系統上；然后樹莓派平臺通過攝像頭實時采集茶葉的圖片，并將這些圖片保存在樹莓派平臺上；最后在樹莓派平臺上開發相應的軟件，利用部署在樹莓派上的深度學習模型來識別攝像頭拍攝的茶葉病蟲害圖片，并把分類的識別結果存儲到樹莓派系統上。這一智能化系統的實現，為茶葉病蟲害的及時監測和識別提供了可靠的解決方案。

2? 硬件平臺介紹

2.1? 樹莓派

樹莓派4B是一款功能強大的單板計算機，采用ARM Cortex-A72架構，擁有4核處理器，主頻高達1.5 GHz，較樹莓派3B+的1.4 GHz處理器運行速度更快。它運行在Linux操作系統下，配備16 GB的TF卡內存，并支持大量的軟件庫和開發工具，利用Python語言開發病蟲害識別系統變得非常方便。樹莓派系統的登錄操作可以通過VNC在遠程登錄，進入可視化界面操作，這種可視化的操作在樹莓派上開發和測試變得非常便捷，從而提高開發效率。樹莓派4B擁有強大的性能和豐富的擴展接口，可以靈活的與各種傳感器和攝像頭連接。由于樹莓派簡單性、易用性、經濟性以及強大的性能已經廣泛地應用在物聯網和嵌入式系統中。

2.2? 攝像頭

本系統采用的攝像頭是一款具備500萬像素的OV5674模組，采用CMOS傳感器技術，擁有靜態圖片分辨率為2 592×1 944像素的優勢，可以提供更高的畫質和更低的功耗，在樹莓派等嵌入式系統和物聯網設備應用廣泛。在茶葉病蟲害識別系統中，借助于該攝像頭，能夠獲取更為清晰和細致的茶葉病蟲害圖像，為深度學習模型提供更加充分的信息，有助于提高茶葉病蟲害的識別準確率。

3? 基于深度學習的茶葉病蟲害模型識別構建

首先需要收集大量的茶葉病蟲害樣本，通過標注軟件制作茶葉病蟲害訓練數據集；其次為了擴增茶葉病蟲害樣本的數量，通過數據增強手段擴充茶葉病蟲害數據集；然后在PC服務器上通過茶葉病蟲害訓練數據集訓練深度學習模型；最后將訓練好的深度學習模型部署在樹莓派平臺上，通過軟件加載深度學習模型來識別茶葉病蟲害圖片。模型構建的流程如圖2所示。

3.1? 圖像采集

茶葉病蟲害種類多，本文專注于識別常見的茶葉病蟲害，如茶小綠葉蟬、茶尺蠖和炭疽病等。然而，茶葉病蟲害的發生與季節相關，導致采集茶葉病蟲害的樣本困難。此外，由于茶葉病蟲害識別的研究目前處于初步探索階段，尚沒有大型公開的數據集可以使用。為了應對這一挑戰，本文采取了多種策略，首先進行了大量的實地采集茶葉病蟲害樣本，以確保獲得豐富多樣的真實圖像數據。其次借助網絡搜索引擎，通過爬蟲技術手段獲取了大量的茶葉病蟲害圖像數據。這些多樣化的數據來源為研究提供了豐富的樣本，有助于訓練出更具有魯棒性和泛化能力深度學習模型。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害圖像，從而提高后續模型訓練和識別準確性。

3.2? 圖像增強

建立茶葉病蟲害樣本庫后，考慮到樣本數量有限，需要對茶葉病蟲害樣本數據庫進行擴充以增加樣本的數量和多樣性，從而提升模型的泛化能力，幫助模型學習到更好的特征表示和數據分布。常見的數據增強方法包括隨機裁剪、旋轉、仿射變換和對比度調整等方法。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別茶葉病蟲害。對茶葉病蟲害圖像進行增強后的部分茶尺蠖圖片如圖3所示。

3.3? 訓練模型

模型訓練將在PC服務器上進行，首先將茶葉病蟲害數據集劃分為訓練集和測試集。對于測試集，需要使用標注軟件（如labelimg）對訓練集的每個圖像進行標注，確定病蟲害的位置并生成相應的類別標簽。在標注過程中，需要確保注框與病蟲害的位置緊密貼合，以減少背景的干擾。標準完成后，生成的標注文件通常采用XML格式保存。然后利用深度學習模型對訓練集的茶葉病蟲害樣本進行訓練。在農業病蟲害領域，已經有研究表明LeNet-5模型在這一領域取得了很好的效果[9，10]。由于樹莓派的資源有限，本文選擇了適用于樹莓派平臺的LetNet-5網絡模型架，該網絡模型架構比較小，能夠很好地適應樹莓派計算能力的限制。LeNet-5的網絡架構圖如圖4所示。

圖4? LeNet-5網絡結構圖

LeNet-5網絡模型結構由輸入層、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大小的茶葉病蟲害圖片。第二層為卷積層，包括6個大小為5×5的卷積核，使用ReLU激活函數，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，步長為2，輸出為14×14×6的特征圖。第四層為卷積層，包括16個大小為5×5的卷積核，使用ReLU激活函數，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，步長為2，輸出為5×5×16大小的特征圖。第六層為包含120個神經元和84個神經元的全連接層。最后一層為輸出層，針對本文識別的茶葉病蟲害模型共有3個類別，因此最后一層包含3個神經元，使用SoftMax激活函數進行分類。

傳統的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病蟲害特征的準確識別度，本文通過修改LeNet-5模型的卷積層數和卷積核數，可以支持輸入為256×256大小的圖像。

3.4? 模型部署

為了在樹莓派平臺上實現深度學習計算，首先在樹莓派平臺上安裝PyTorch深度學習框架和其他必要的軟件庫，為后續計算做好準備；接著在PC服務器上使用適當的優化算法和損失函數對LeNet-5模型進行訓練，將訓練好的模型參數保存為PyTorch格式的.pth文件；為了模型能夠高效的在樹莓派上執行，需要把訓練好的模型轉為TorchScript格式，這樣的格式轉換能夠確保模型在有限的資源環境下運行得更加快速。把轉換好的TorchScript格式的LeNet-5模型文件上傳到樹莓派上；最后在樹莓派上編寫Python代碼，加載LeNet-5模型文件，把攝像頭采集的茶葉病蟲害圖片輸入到模型進行分類，最終的分類結果將被提取并顯示出來，從而實現了對茶葉病蟲害的實時識別。部分茶葉病蟲害識別的效果圖如圖5所示。

4? 實驗結果

茶葉病蟲害數據集共有600張，其中70%的數據劃分為訓練集用于訓練模型，30%的數據作為測試集用于評估模型性能，通過交叉驗證的方法評估模型的穩定性。訓練模型是在PC服務器上進行的，使用的開發環境為PyCharm，主機操作系統為Windows 10，處理為AMD Ryzen7 5800H，CPU主頻為3.2 GHz。利用構建好的模型在樹莓派上進行茶葉病蟲害識別，經過多次實驗和交叉驗證，得到了比較好的結果。在測試集上，茶小綠葉蟬的識別率為91.7%、茶尺蠖的識別率為90%、炭疽病的識別為90%，識別的結果如表1所示。實驗結果表明，在樹莓派上部署的LeNet-5模型在茶葉病蟲害識別方面取得了顯著的準確性，可以實現高效的茶葉病蟲害識別。

5? 討論與展望

基于樹莓派深度學習的茶葉病蟲害系統在茶葉病蟲害識別方面已經取得了比較好的魯棒性和準確率，但仍然存在一些可以優化的方向，以及可以改進的措施：1）模型輕量化。由于樹莓派資源有限，可以進一步優化模型減少對計算資源和內存的消耗。比如采用模型壓縮（剪枝，量化）手段減少模型體積，以使得樹莓派上獲得更快的推理速度。2）數據集擴充。通過進一步茶園采集圖片和標注數據來擴充數據集，特別是涉及不同的地區和季節的情況下，以提高模型對多樣性和變化性的適應能力。3）遠程監控與管理。該系統與云平臺系統相結合，實現對茶葉病蟲害的實時監測和預警，從而為茶農提供更加智能化、高效化的茶葉生產管理方案。4）用戶友好性。為更直觀的了解當前的系統運行狀態和結果，可以設計一個簡單直觀的交互界面。

6? 結? 論

本文針對當前茶園病蟲害識別效率低和人工成本高等問題，通過樹莓派和深度學習的方法相結合，提出了一種基于樹莓派和深度學習的茶葉病蟲害識別系統。該系統在茶葉病蟲害識別方面取得了90%及以上識別率，顯示出了比較高的準確性和實用性，可以滿足茶葉產業對智能化病蟲害識別的需求，具有比較廣闊的應用前景。

參考文獻：

[1] 楊奉水，王志博，汪為通，等.人工智能識別茶樹病蟲害的應用與展望 [J].中國茶葉，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別與檢測技術研究進展分析 [J].中國農機化學報，2020，41（7）：178-184.

[3] 廉政.基于MobileNetV2的大田玉米病蟲害識別系統 [D].太原：山西農業大學，2022.

[4] 王江晴，冀星，莫海芳，等.基于輕量化VGG的植物病蟲害識別 [J].中國農機化學報，2022，43（4）：25-31.

[5] 陳浪浪，張艷.基于改進深度卷積神經網絡的水稻病蟲害識別 [J].山東農業科學，2023，55（5）：164-172.

[6] 王江偉，劉青.玩轉樹莓派Raspberry Pi [M].北京：北京航空航天大學出版社，2013.

[7] 李民贊，任新建，楊瑋，等.基于樹莓派的農田表土層土壤容重檢測系統研究 [J].農業機械學報，2021，52（S1）：329-335+376.

[8] 陳品嵐，張小花，朱立學，等.基于樹莓派及深度學習的柑橘識別系統設計 [J].中國農機化學報，2022，43（9）：131-136.

[9] 鄭新橋.圖像處理在農業領域的應用研究——以LeNet-5模型的蘋果葉部病害研究為例 [J].南方農機，2022，53（15）：36-39.

[10] 何前，郭峰林，方皓正，等.基于改進LeNet-5模型的玉米病害識別 [J].江蘇農業科學，2022，50（20）：35-41.

作者簡介：吳鵬（1989—），男，漢族，河南信陽人，助教，物聯網中級工程師，碩士，研究方向：圖像處理與機器學習；劉金蘭（1990—），女，漢族，河南信陽人，助教，碩士，研究方向：圖像處理與機器學習。