吳鵬 劉金蘭

收稿日期：2023-08-22

基金項(xiàng)目：信陽農(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(xué)習(xí)的茶葉病蟲害識別系統(tǒng)。通過將樹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)了對茶葉病蟲害的高效準(zhǔn)確識別。結(jié)果表明，該系統(tǒng)可以針對三種常見的茶葉病蟲害進(jìn)行識別，識別率為90%以上，為茶葉病蟲害的精準(zhǔn)識別提供了高效可行的解決方案。

關(guān)鍵詞：樹莓派；深度學(xué)習(xí)；病蟲害識別

中圖分類號：TP391.4；TP368 文獻(xiàn)標(biāo)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(jīng)濟(jì)作物，在茶農(nóng)收入和國家的經(jīng)濟(jì)發(fā)展中扮演了重要的角色。然而在茶葉的生長過程中，會受到各種茶葉病蟲害的困擾，嚴(yán)重影響著茶葉產(chǎn)量和質(zhì)量。傳統(tǒng)的茶葉病蟲害檢測方法主要依靠人工巡視和識別，其準(zhǔn)確率低，耗時費(fèi)力且比較依賴于人工的經(jīng)驗(yàn)，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(shí)現(xiàn)智能化的茶園管理，有必要開發(fā)出一種可自動識別茶葉病蟲害的系統(tǒng)，對茶園進(jìn)行實(shí)時檢測。近年來，深度學(xué)習(xí)技術(shù)已經(jīng)在農(nóng)業(yè)病蟲害領(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，在玉米病蟲害數(shù)據(jù)集上實(shí)現(xiàn)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(yàn)證集進(jìn)行驗(yàn)證，系統(tǒng)識別準(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)集上測試，準(zhǔn)確率為99.37%，展現(xiàn)出的模型具有較高的識別精度。陳浪浪等[5]針對傳統(tǒng)識別水稻病蟲害方法存在特征提取復(fù)雜、識別率低等問題，提出了基于DenseNet121為基礎(chǔ)模型的水稻病蟲害識別系統(tǒng)，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(jī)電腦，具有價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[6，7]。陳品嵐等[8]使用樹莓派結(jié)合深度學(xué)習(xí)，對柑橘樹上的柑橘進(jìn)行識別及計(jì)數(shù)，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(jié)合樹莓派和深度學(xué)習(xí)設(shè)計(jì)一個基于深度學(xué)習(xí)的智能化茶葉病蟲害識別系統(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)

基于樹莓派和深度學(xué)習(xí)的茶葉病蟲害模型識系統(tǒng)中，硬件平臺主要包括攝像頭模塊、樹莓派4B平臺，整個系統(tǒng)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(jìn)行處理和標(biāo)注，利用PyTorch深度學(xué)習(xí)模型框架訓(xùn)練一個高效的病蟲害識別模型；其次將訓(xùn)練好的深度學(xué)習(xí)模型轉(zhuǎn)換為適合樹莓派平臺的格式，并安裝在樹莓派平臺系統(tǒng)上；然后樹莓派平臺通過攝像頭實(shí)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(fā)相應(yīng)的軟件，利用部署在樹莓派上的深度學(xué)習(xí)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(jié)果存儲到樹莓派系統(tǒng)上。這一智能化系統(tǒng)的實(shí)現(xiàn)，為茶葉病蟲害的及時監(jiān)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(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和開發(fā)工具，利用Python語言開發(fā)病蟲害識別系統(tǒng)變得非常方便。樹莓派系統(tǒng)的登錄操作可以通過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莓派上開發(fā)和測試變得非常便捷，從而提高開發(fā)效率。樹莓派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。由于樹莓派簡單性、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，可以提供更高的畫質(zhì)和更低的功耗，在樹莓派等嵌入式系統(tǒng)和物聯(lián)網(wǎng)設(shè)備應(yīng)用廣泛。在茶葉病蟲害識別系統(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害的識別準(zhǔn)確率。

3? 基于深度學(xué)習(xí)的茶葉病蟲害模型識別構(gòu)建

首先需要收集大量的茶葉病蟲害樣本，通過標(biāo)注軟件制作茶葉病蟲害訓(xùn)練數(shù)據(jù)集；其次為了擴(kuò)增茶葉病蟲害樣本的數(shù)量，通過數(shù)據(jù)增強(qiáng)手段擴(kuò)充茶葉病蟲害數(shù)據(jù)集；然后在PC服務(wù)器上通過茶葉病蟲害訓(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)模型部署在樹莓派平臺上，通過軟件加載深度學(xué)習(xí)模型來識別茶葉病蟲害圖片。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(fā)生與季節(jié)相關(guān)，導(dǎo)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(shù)據(jù)集可以使用。為了應(yīng)對這一挑戰(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，通過爬蟲技術(shù)手段獲取了大量的茶葉病蟲害圖像數(shù)據(jù)。這些多樣化的數(shù)據(jù)來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害圖像，從而提高后續(xù)模型訓(xùn)練和識別準(zhǔn)確性。

3.2? 圖像增強(qiáng)

建立茶葉病蟲害樣本庫后，考慮到樣本數(shù)量有限，需要對茶葉病蟲害樣本數(shù)據(jù)庫進(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別茶葉病蟲害。對茶葉病蟲害圖像進(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，首先將茶葉病蟲害數(shù)據(jù)集劃分為訓(xùn)練集和測試集。對于測試集，需要使用標(biāo)注軟件（如labelimg）對訓(xùn)練集的每個圖像進(jìn)行標(biāo)注，確定病蟲害的位置并生成相應(yīng)的類別標(biāo)簽。在標(biāo)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(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)模型對訓(xùn)練集的茶葉病蟲害樣本進(jìn)行訓(xùn)練。在農(nóng)業(yè)病蟲害領(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]。由于樹莓派的資源有限，本文選擇了適用于樹莓派平臺的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(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(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，步長為2，輸出為5×5×16大小的特征圖。第六層為包含120個神經(jīng)元和84個神經(jīng)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(jīng)元，使用SoftMax激活函數(shù)進(jìn)行分類。

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病蟲害特征的準(zhǔn)確識別度，本文通過修改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

為了在樹莓派平臺上實(shí)現(xiàn)深度學(xué)習(xí)計(jì)算，首先在樹莓派平臺上安裝PyTorch深度學(xué)習(xí)框架和其他必要的軟件庫，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莓派上執(zhí)行，需要把訓(xùn)練好的模型轉(zhuǎn)為TorchScript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(jìn)行分類，最終的分類結(jié)果將被提取并顯示出來，從而實(shí)現(xiàn)了對茶葉病蟲害的實(shí)時識別。部分茶葉病蟲害識別的效果圖如圖5所示。

4? 實(shí)驗(yàn)結(jié)果

茶葉病蟲害數(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)作為測試集用于評估模型性能，通過交叉驗(yàn)證的方法評估模型的穩(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)建好的模型在樹莓派上進(jìn)行茶葉病蟲害識別，經(jīng)過多次實(shí)驗(yàn)和交叉驗(yàn)證，得到了比較好的結(jié)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(jié)果如表1所示。實(shí)驗(yàn)結(jié)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(zhǔn)確性，可以實(shí)現(xiàn)高效的茶葉病蟲害識別。

5? 討論與展望

基于樹莓派深度學(xué)習(xí)的茶葉病蟲害系統(tǒng)在茶葉病蟲害識別方面已經(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優(yōu)化的方向，以及可以改進(jìn)的措施：1）模型輕量化。由于樹莓派資源有限，可以進(jìn)一步優(yōu)化模型減少對計(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，以使得樹莓派上獲得更快的推理速度。2）數(shù)據(jù)集擴(kuò)充。通過進(jìn)一步茶園采集圖片和標(biāo)注數(shù)據(jù)來擴(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)與云平臺系統(tǒng)相結(jié)合，實(shí)現(xiàn)對茶葉病蟲害的實(shí)時監(jiān)測和預(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）用戶友好性。為更直觀的了解當(dāng)前的系統(tǒng)運(yùn)行狀態(tài)和結(jié)果，可以設(shè)計(jì)一個簡單直觀的交互界面。

6? 結(jié)? 論

本文針對當(dāng)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(xué)習(xí)的方法相結(jié)合，提出了一種基于樹莓派和深度學(xué)習(xí)的茶葉病蟲害識別系統(tǒng)。該系統(tǒng)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(zhǔn)確性和實(shí)用性，可以滿足茶葉產(chǎn)業(yè)對智能化病蟲害識別的需求，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.人工智能識別茶樹病蟲害的應(yīng)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(shù)研究進(jìn)展分析 [J].中國農(nóng)機(jī)化學(xué)報(bào)，2020，41（7）：178-184.

[3] 廉政.基于MobileNetV2的大田玉米病蟲害識別系統(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的植物病蟲害識別 [J].中國農(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)的水稻病蟲害識別 [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.基于樹莓派的農(nóng)田表土層土壤容重檢測系統(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.基于樹莓派及深度學(xué)習(xí)的柑橘識別系統(tǒng)設(shè)計(jì) [J].中國農(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LeNet-5模型的蘋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模型的玉米病害識別 [J].江蘇農(nóng)業(yè)科學(xué)，2022，50（20）：35-41.

作者簡介：吳鵬（1989—），男，漢族，河南信陽人，助教，物聯(lián)網(wǎng)中級工程師，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，河南信陽人，助教，碩士，研究方向：圖像處理與機(jī)器學(xué)習(xí)。