基于深度学习的茶叶害虫智能识别APP设计

吴晓盼　周礼赞　王大仓

摘 要

为提高茶叶害虫识别效率，设计一款茶叶害虫智能识别APP。建立基于卷积神经网络的茶叶害虫识别模型;利用MySQL建立茶叶害虫防治信息数据库;以Android技术为核心设计与开发茶叶害虫智能识别APP。用户使用APP可直接进行图像采集、害虫诊断和防治信息的获取。该APP具有便捷、易操作和推广的特点，为茶学领域智能化发展提供参考。

关键词

茶叶;害虫;卷积神经网络;Android平台

中图分类号： S436.65;TP391.41       文献标识码： A

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

0 引言

茶作为保健饮品，深受国内外人们的喜爱。随着生活水平质量的提高，人们对茶叶质量的要求愈加严格。茶树害虫作为茶园主要危害之一，虫害严重影响了茶叶质量和产量。目前茶叶害虫防治主要依靠专业人员辨认。人工识别存在效率低、主观因素大等不足，加上茶树生长环境复杂以及害虫防治人员的减少，均无法满足茶园害虫精准、实时防控的需求。因此，迫切需要一种快速、自动、准确的方法识别茶树害虫。

随着移动端的发展，利用手机进行识别的技术也趋向成熟，如人脸识别[1]、花草识别[2]等。在茶叶害虫识别方面，鲜有相关软件辅助识别。本文介绍了基于卷积神经网络[3-4]的茶叶害虫识别APP设计，用户可通过APP直接进行茶叶害虫图像采集、识别和获取相关防控信息。

1 茶叶害虫自动识别模型

1.1 卷积神经网络基本结构

卷积神经网络由输入层、卷积层、池化层、全连接层和输出层等组成，常用多层按照一定的规律搭配实现更好的效果。

输入层（Input layer），即加载数据到网络中，涉及图片的预处理，如去均值、归一化等操作。

卷积层（Convolutional layer），通过多层卷积层获取更多的特征值，网络模型可以逐步提取更高层的特征表示。

池化层（Pooling layer），将卷积层提取的大量特征进行处理，删减部分冗余特征，又称降采样。

全连接层（Fully connected layer），全连接层将当前层的每一个神经元与上一层中的所有神经元连接，以产生全局语义信息，实现分类操作。

输出层（Output layer），将最后的结果以模型文件输出。

1.2 基于AlexNet网络的茶叶害虫识别模型

1.2.1 AlexNet网络结构

AlexNet网络[5]结构图如图1所示，前五层为卷积层，后三层是全连接层，利用ReLU激活层衔接所有卷积层和全连接层，且对输入进行标准化以提高网络性能，标准化公式如式1。

其中α代表特征图（feature map）中第i个卷积核（x，y）坐标经激活函数后的输出，n表示几个相邻的卷积核。N表示总卷积核数量，k、n、α和β表示超参数，通过验证集确定。

1.2.2 基于AlexNet的茶叶害虫识别模型训练

为满足AlexNet卷积神经网络训练的要求，需将害虫图像剪裁尺寸，对于尺寸小于的图片，采用插值法以扩大到要求尺寸，插值大小取8领域的均值。采用Python工具中os库完成对原始数据标签分类等预处理操作。AlexNet网络训练具体步骤如下：

（1）将茶叶害虫图片利用caffe框架提供的工具制作成LMDB格式，便于加速计算;

（2）修改AlexNet网络参数;

（3）训练网络并根据损失值和识别率修正参数。

通过以上步骤，可得茶叶害虫模型文件，结合服务器和APP完成识别任务。

2 茶叶害虫识别APP的设计

2.1 设计理念

茶叶害虫识别APP以用户为中心的设计理念，遵循UCD开发准则[6-7]，在APP开发、设计、升级时从用户的多个角度出发，而不是依靠用户去熟悉、摸索。APP界面简洁、操作简单，让用户在短时间内掌握，以满足茶叶植保人员的需求。

2.2 设计方案

茶叶害虫识别APP包括茶叶害虫自动识别网络模型、茶叶害虫防控信息库和APP应用设计等。用户通过移动端APP获取茶叶害虫的图片并上传到服务器，在服务器中利用已经训练好的卷积神经网络模型识别，并将识别结果以及相应的防控信息反馈到移动端。APP设计流程和开发图如图2所示。

参考文献

[1]赵健. “众寻帮”寻人APP设计[D]. 昆明理工大学.2018.

[2]徐志杰， 陈智锋. 基于移动终端的花卉识别技术研究[J]. 科技资讯， 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]呂军，夏华鹍，方梦瑞，周礼赞.基于AlexNet的茶叶嫩芽状态智能识别研究[J].黑龙江八一农垦大学学报， 2019，31（02）：76-82.

[6]王晨静，杨新.浅析现代设计理念与方法中——“以用户为中心”的设计原则[J].科技风，2011（19）：58-60.

[7]刘增，陈炳发.以用户为中心的网站可用性设计和评估[J].中国制造业信息化，2009，38（5）.