基于ResNet的茶叶病害识别系统设计与实现

徐杰

（中南民族大学计算机科学学院 湖北省武汉市 430074）

1 相关技术

1.1 深度学习

深度学习起源于人工神经网络，其目的是借助多层网络结构，提取数据的本质信息。自1986年由Geoffrey Hinton提出适用于多层感知器（MLP）的BP算法以后，深度学习受到工业界和学术界的广泛关注，最初深度学习的应用主要是在图像和语音领域。卷积神经网络作为深度学习的代表性算法算法之一，成为了近年来学者们研究的热门对象。2012年，由Alex Krizhevsky等提出的AlexNet网络，在当年的图片分类比赛ImageNet中获得冠军，其top5预测的错误率为15.3%，远低于第二名的26.2%，使得深度学习算法大放异彩。2014年牛津大学视觉几何小组提出一种深层卷积网络结构VGGNet，以7.32%的错误率赢得了2014年ILSVRC分类任务的亚军。2017年，Gao Huang等人提出稠密卷积神经网络DenseNet，该网络通过在特征通道上进行特征复用，使得其参数量更少且性能更优，DenseNet也因此斩获CVPR2017的最佳论文奖。如今，深度学习已经在自然语言处理、图像、语音以及大数据特征提取等方面获得广泛的应用。

1.2 茶叶病害识别算法

得益于计算机硬件和计算机科学技术理论研究的迅速发展，图像处理已被广泛运用于作物病虫害识别，茶叶作为我国重要的经济作物，成为了我国学者的重点研究对象之一。2006年，陈全胜等基于RBF核函数的支持向量机对碧螺春、龙井和祁红等3种茶叶分别建立识别模型，取得了较好的识别结果。徐海卫等基于灰度共生矩和Tamura提取茶叶的12种纹理特征，然后使用BP神经网络对其进行分类，最终取得了良好的识别效果。林彬彬等基于HSV颜色直方图法提取出茶叶的病斑颜色特征，然后基于K近邻算法进行对茶叶病害进行识别分类，最终得到93.33%的识别准确率。孙肖肖提出一种基于深度卷积对抗生成网络的茶叶叶部病害图像生成方法，首先对茶叶病害图像进行增强，然后利用CNN模型对增强后的茶叶病害数据集进行识别分类，取得了良好的效果。

1.3 ResNet网络

残差神经网络(Residual Neural Network, ResNet)由Kaiming He等人在2015年提出。通过特殊的网络结构设计，训练出一个152层的深度神经网络，并在ImageNet比赛分类任务上获得了冠军。ResNet的提出打破了深度网络无法训练的难题，其模型的不仅在多个数据集上准确率得到提高，而且参数量还比VGG少。神经网络的深度对其性能影响较大，越深的网络往往能得到更好的性能，但是随着网络的加深，容易出现准确率上升然后饱和继而下降的现象，导致训练困难，这个问题通常叫做梯度退化。为了解决上述的问题，ResNet提出了一种残差模块用于解决这个问题，ResNet在特征传递的过程中，让后续网络层的传递媒介影响降低，使用全等映射将输入直接传递给输出，保证网络的性能不会下降，如图1所示。

图1：残差模块

在上面的残差模块中，提供了两条道路，一条是经过residual映射得到F，其计算式可以理解为F=relu(w×(relu(w×x)))，另一条则是直接传递x本身。将这两个结果合并之后激活传入下一个模块，即输出H=F+x。当网络训练已经达到最优，网络的后续训练将会限制residual网络的映射，当residual被限制为0时，只剩下全等映射的x，网络不会因为深度的加深造成准确率下降。

2 茶叶病害系统设计

2.1 系统功能设计

茶叶病害识别系统将围绕茶叶病害图像识别模型展开设计。本系统主要由前端和后端组成，将训练好的茶叶病害识别模型部署在云端，用户在前端上传茶叶病害图像，系统首先对上传的图像进行预处理，然后将预处理的病害图像上传至云端，利用训练好的ResNet深度学习模型进行识别分类，最后将识别结果传回至前端页面反馈给用户。系统主要功能模块如图2所示。

图2：功能模块图

（1）病害知识库：该功能模块主要向用户介绍常见的茶叶病害症状描述以及防治方法，为用户提供丰富的茶叶病害相关知识。该模块的数据主要基于Python爬虫技术从网络上获取，并保存在MySQL数据库中。

（2）病害识别：该模块的主要功能是将用户拍摄或上传的茶叶病害图像基于本文模型进行识别分类，然后将结果反馈至前端页面向用户进行展示。使用该模块进行茶叶病害分类之前，需对ResNet网络进行训练，然后将训练好的模型部署在云端，提供接口给前端页面调用。

2.2 系统架构设计

软件架构设计更够有效降低成本、提高质量，良好的架构设计能够有效地管理系统的复杂性，实现系统高并发下的稳定运行。本文的茶叶病害识别系统采用经典的C/S架构模式，即客户端/服务端的架构模式，该模式有着交互性强、处理信息能力强、响应快等特点。在本系统中，客户端负责茶叶病害图的上传以及病害识别结果的展示功能；服务器接收客户端上传的病害图像并使用ResNet模型进行识别分类，然后将结果返回至客户端进行展示。系统架构如图3所示。

图3：系统架构图

3 系统算法实现

3.1 数据采集与预处理

为了更好的训练ResNet网络并实现本文系统功能，本文在有机茶园基地进行实地拍摄了包含茶白星病、茶轮斑病、茶煤病、茶圆赤星病和茶叶枯病等5种常见的茶叶病害共2175张，病害图像展示如图4所示。由于采集到的图像较少，会使ResNet模型在训练时受到负面影响，因此对数据集进行了扩充处理，使用随机翻转、随机剪裁、随机角度旋转以及高斯模糊等手段将数据集进行扩充，扩充后的数据集达到10875张。

图4：茶叶病害数据集展示

3.2 实验设计与分析

本文实验使用python作为编程语言，采用NVIDIA Tesla P40(24GB)显卡作为硬件平台，以CentOS作为实验操作系统，使用pytorch作为深度学习框架，并使用CUDA10.0并行计算框架进行加速处理，极大的缩短了训练时间。具体配置如表1所示。

表1：实验环境配置表

将茶叶病害数据集按照4:1的比例随机分为训练集与测试集，实验使用的模型优化算法为随机梯度下降法，以加快模型的收敛，并使得模型具有摆脱局部最优的能力。通过对ResNet模型在自建茶叶病害数据集上进行200轮次的训练，得到的模型准确率曲线如图5所示，模型80个轮次左右逐渐趋于稳定，最终准确率稳定在0.913左右。模型损失值曲线如图6所示，模型损失值快速下降，并在0.166左右趋于稳定。模型的各项性能指标如表2所示，由表2可知，基于茶叶病害数据集训练的ResNet模型有着较高的识别率，同时预测时间保持在0.4s左右，能够满足茶叶病害识别所需的准确、快速的要求，能够很好的适用于本文设计的茶叶病害识别系统，有益于深度学习在茶叶病虫害领域的推广和应用。

图5：模型准确率曲线图

图6：模型损失值曲线图

表2：实验结果表

4 总结

随着我国科学技术的进步，智慧农业已是现今国家乡村振兴战略的重要手段。图像分类作为深度学习的热门研究领域，越来越多的学者将其应用到现实生活中来解决实际问题。图像分类是计算机视觉中的核心任务，它的目标是将不同图像划分到不同的类别，以达到最小的分类误差。随着计算机硬件和深度学习理论基础的快速发展，卷积神经网络凭借其无需手动提取特征、可处理高维数据、分类效果好等特点，成为过去几年图像分类领域最受欢迎的方法。本文中的茶叶病害识别系统以茶叶病虫害研究为对象，以移动应用为载体，基于深度学习技术结合茶叶场景应用，将先进的ResNet识别模型部署在系统中。实验结果表明，该系统能够准确有效的对常见的茶叶病害进行识别分类，推动了深度学习算法在农作物病害检测领域的推广和应用。