基于迁移学习的园艺作物叶部病害识别及应用

doi:10.11924/j.issn.1000-6850.casb2020-0430

中国农学通报 ›› 2021, Vol. 37 ›› Issue (7): 138-143.doi: 10.11924/j.issn.1000-6850.casb2020-0430

所属专题：植物保护；园艺

基于迁移学习的园艺作物叶部病害识别及应用

李博¹(), 江朝晖¹^,²(), 谢军¹, 饶元¹^,², 张武¹^,²

¹安徽农业大学信息与计算机学院,合肥 230036
²智慧农业技术与装备安徽省重点实验室,合肥 230036

收稿日期:2020-09-07 修回日期:2020-12-29 出版日期:2021-03-05 发布日期:2021-03-17
通讯作者: 江朝晖
作者简介:李博,男,1995年出生,安徽淮南人,硕士研究生,研究方向：智能信息处理。通信地址：230036 安徽省合肥长江西路130号安徽农业大学信息与计算机学院,E-mail： iotboy@163.com。
基金资助:
智慧农业技术与装备安徽省重点实验室自主创新研究基金“基于边缘智能的病虫害在线检测”(APKLSATE2019X002);安徽高校自然科学研究重大项目“视频感知+迁移学习的茶树病害智能监测”(KJ2019ZD20);安徽省科技攻关项目“面向皖南茶园的水肥精准调控关键技术研发与应用”(1804a07020108);安徽省科技攻关项目“大别山区云农场智慧服务平台关键技术研发与集成示范”(201904a06020056)

Leaf Disease Recognition of Horticultural Crops Based on Transfer Learning and Its Application

Li Bo¹(), Jiang Zhaohui¹^,²(), Xie Jun¹, Rao Yuan¹^,², Zhang Wu¹^,²

¹College of Information and Computer Science, Anhui Agricultural University, Hefei 230036
²Anhui Key Laboratory of Intelligent Agricultural Technology and Equipment, Hefei 230036

Received:2020-09-07 Revised:2020-12-29 Online:2021-03-05 Published:2021-03-17
Contact: Jiang Zhaohui

摘要/Abstract

摘要：

为给农户提供质优价廉的园艺作物叶部病害识别服务,提出基于迁移学习的模型训练及基于Flask的Web部署方法。对PlantVillage数据集进行预处理,分别使用ResNet18、ResNet50和ResNet152 3种模型进行迁移学习训练,得到3种识别模型。利用Flask将模型部署到服务器上。3种识别模型对苹果等14类园艺作物26种叶部病害的平均识别准确率分别是95.61%、96.63%和97.33%,识别单张图像的时间分别是10.9、17.9、33.7 ms。综合考虑模型特点和用户期望,设计快速、标准和准确3种识别模式,实现深度模型在服务器中稳定运行,具有一定的实用价值。

关键词: 园艺作物, 病害识别, ResNet, 迁移学习, Web部署

Abstract:

To provide farmers with recognition services for horticultural crop leaf disease more conveniently and economically, a model training method based on transfer learning and a Web deployment method based on Flask are proposed. The PlantVillage dataset is preprocessed, and three recognition models are obtained by transfer learning using ResNet18, ResNet50 and ResNet152 models. Then, these three models are deployed to the server using Flask. The average recognition accuracy of the three models for 26 leaf diseases of 14 horticultural crops, such as apple, is 95.61%, 96.63% and 97.33%, respectively, and the recognition time of a single image is 10.9, 17.9 and 33.7 ms, respectively. Considering the characteristics of the model and users’ expectation, three fast, standard and accurate recognition patterns are designed to realize the stable operation of the deep model in the server, which has some practical value.

Key words: horticultural crop, disease recognition, ResNet, transfer learning, web deployment

中图分类号:

TP391.41
S43

李博, 江朝晖, 谢军, 饶元, 张武. 基于迁移学习的园艺作物叶部病害识别及应用[J]. 中国农学通报, 2021, 37(7): 138-143.

Li Bo, Jiang Zhaohui, Xie Jun, Rao Yuan, Zhang Wu. Leaf Disease Recognition of Horticultural Crops Based on Transfer Learning and Its Application[J]. Chinese Agricultural Science Bulletin, 2021, 37(7): 138-143.

图/表 8

类别	类别名称	类别	类别名称	类别	类别名称	类别	类别名称
0	无叶片背景	10	玉米-大斑病	20	辣椒-健康叶	30	番茄-早疫病
1	苹果-黑腐病	11	玉米-健康叶	21	马铃薯-早疫病	31	番茄-晚疫病
2	苹果-锈病	12	葡萄-黑腐病	22	马铃薯-晚疫病	32	番茄-叶霉病
3	苹果-疮痂病	13	葡萄-黑痘病	23	马铃薯-健康叶	33	番茄-斑枯病
4	苹果-健康叶	14	葡萄-叶枯病	24	树莓-健康叶	34	番茄-二斑叶螨病
5	蓝莓-健康叶	15	葡萄-健康叶	25	大豆-健康叶	35	番茄-轮斑病
6	樱桃-白粉病	16	柑橘-黄龙病	26	南瓜-白粉病	36	番茄-黄曲叶病
7	樱桃-健康叶	17	桃-细菌性斑点病	27	草莓-叶焦病	37	番茄-花叶病
8	玉米-灰斑病	18	桃-健康叶	28	草莓-健康叶	38	番茄-健康叶
9	玉米-锈病	19	辣椒-细菌性斑点病	29	番茄-细菌性斑点病

表1. 实验数据集分类

图1. 残差模块

层名	输出	18层	50层	152层
conv1	112×112	7×7,64, stride 2
conv2	56×56	3×3 max pool, stride 2
conv2	56×56	$3 × 3, 3 × 3, 6464$ ×2	$1 × 1, 3 × 3, 1 × 1, 6464256$ ×3	$1 × 1, 3 × 3, 1 × 1, 6464256$ ×3
conv3	28×28	$3 × 3, 3 × 3, 128128$ ×2	$1 × 1, 3 × 3, 1 × 1, 128128512$ ×4	$1 × 1, 3 × 3, 1 × 1, 128128512$ ×8
conv4	14×14	$3 × 3, 3 × 3, 256256$ ×2	$1 × 1, 3 × 3, 1 × 1, 2562561024$ ×6	$1 × 1, 3 × 3, 1 × 1, 2562561024$ ×36
conv5	7×7	$3 × 3, 3 × 3, 512512$ ×2	$1 × 1, 3 × 3, 1 × 1, 5125122048$ ×3	$1 × 1, 3 × 3, 1 × 1, 5125122048$ ×3
1×1		Average pool, 1000-d fc, softmax
FLOPS		1.8×10⁹	3.8×10⁹	11.3×10⁹

层名	输出	18层	50层	152层
conv1	112×112	7×7,64, stride 2
conv2	56×56	3×3 max pool, stride 2
conv2	56×56	$3 × 3, 3 × 3, 6464$ ×2	$1 × 1, 3 × 3, 1 × 1, 6464256$ ×3	$1 × 1, 3 × 3, 1 × 1, 6464256$ ×3
conv3	28×28	$3 × 3, 3 × 3, 128128$ ×2	$1 × 1, 3 × 3, 1 × 1, 128128512$ ×4	$1 × 1, 3 × 3, 1 × 1, 128128512$ ×8
conv4	14×14	$3 × 3, 3 × 3, 256256$ ×2	$1 × 1, 3 × 3, 1 × 1, 2562561024$ ×6	$1 × 1, 3 × 3, 1 × 1, 2562561024$ ×36
conv5	7×7	$3 × 3, 3 × 3, 512512$ ×2	$1 × 1, 3 × 3, 1 × 1, 5125122048$ ×3	$1 × 1, 3 × 3, 1 × 1, 5125122048$ ×3
1×1		Average pool, 1000-d fc, softmax
FLOPS		1.8×10⁹	3.8×10⁹	11.3×10⁹

表2. 模型参数

图2. 训练过程Loss曲线

图3. 训练过程准确率曲线

模型	训练集准确率	验证集准确率	测试集准确率
ResNet18	94.34	96.05	95.61
ResNet50	94.60	96.71	96.63
ResNet152	95.63	97.26	97.33

表3. 不同模型训练结果 %

图4. 病害识别程序流程图

图5. 病害识别网页应用例子

参考文献 25

[1]	贾少鹏, 高红菊, 杭潇. 基于深度学习的农作物病虫害图像识别技术研究进展[J]. 农业机械学报, 2019,50(S1):313-317.
[2]	Hang J, Zhang D, Chen P, et al. Classification of Plant Leaf Diseases Based on Improved Convolutional Neural Network[J]. Sensors, 2019,19(19):4161.
[3]	Sladojevic S, Arsenovic M, Anderla A, et al. Deep neural networks based recognition of plant diseases by leaf image classification[J]. Computational Intelligence and Neuroscience, 2016.
[4]	孙俊, 谭文军, 毛罕平, 等. 基于改进卷积神经网络的多种植物叶片病害识别[J]. 农业工程学报, 2017,33(19):209-215.
[5]	刘永波, 雷波, 曹艳, 等. 基于深度卷积神经网络的玉米病害识别[J]. 中国农学通报, 2018,34(36):159-164.
[6]	Dechant C, Wiesnerhanks T, Chen S, et al. Automated Identification of Northern Leaf Blight-Infected Maize Plants from Field Imagery Using Deep Learning[J]. Phytopathology, 2017,107(11):1426-1432.
[7]	孙云云, 江朝晖, 董伟, 等. 基于卷积神经网络和小样本的茶树病害图像识别[J]. 江苏农业学报, 2019,35(1):48-55.
[8]	郑一力, 张露. 基于迁移学习的卷积神经网络植物叶片图像识别方法[J]. 农业机械学报, 2018,49(S1):354-359.
[9]	陈娟, 陈良勇, 王生生, 等. 基于改进残差网络的园林害虫图像识别[J]. 农业机械学报, 2019,50(5):187-195.
[10]	许景辉, 邵明烨, 王一琛, 等. 基于迁移学习的卷积神经网络玉米病害图像识别[J]. 农业机械学报, 2020,51(2):230-236,253.
[11]	杨林楠, 郜鲁涛, 林尔升, 等. 基于Android系统手机的甜玉米病虫害智能诊断系统[J]. 农业工程学报, 2012,28(18):163-168.
[12]	刘洋, 冯全, 王书志. 基于轻量级CNN的植物病害识别方法及移动端应用[J]. 农业工程学报, 2019,35(17):194-204.
[13]	Zhang P, Yang L, Li D. EfficientNet-B4-Ranger: A novel method for greenhouse cucumber disease recognition under natural complex environment[J]. Computers and Electronics in Agriculture, 2020,176:105652.
[14]	Waheed A, Goyal M, Gupta D, et al. An optimized dense convolutional neural network model for disease recognition and classification in corn leaf[J]. Computers and Electronics in Agriculture, 2020,175:105456.
[15]	Krizhevsky A, Sutskever I, Hinton G E, et al. Image Net Classification with Deep Convolutional Neural Networks[A]. Advances in Neural Information Processing Systems [C]. 2012:1097-1105.
[16]	He K M, Zhang X Y, Ren S Q, et al. Deep residual learning for image recognition[A]. IEEE Conference on Computer Vision and Pattern Recognition [C]. 2016:770-778.
[17]	石祥滨, 房雪键, 张德园, 等. 基于深度学习混合模型迁移学习的图像分类[J]. 系统仿真学报, 2016,28(1):167-173,182.
[18]	赵立新, 侯发东, 吕正超, 等. 基于迁移学习的棉花叶部病虫害图像识别[J]. 农业工程学报, 2020,36(7):184-191.
[19]	杨观赐, 杨静, 李少波, 等. 基于Dopout与ADAM优化器的改进CNN算法[J]. 华中科技大学学报:自然科学版, 2018,46(7):122-127.
[20]	崔义新. 基于交叉熵的随机赋权网络[D]. 保定:河北大学, 2017.
[21]	王沛. 基于Flask框架的创新创业平台系统的设计与实现[D]. 济南:山东大学, 2018.
[22]	都飞翔, 杨静, 史健芳. 基于Flask与树莓派的智能交通控制平台[J]. 现代电子技术, 2018,41(13):88-91.
[23]	Si Z, Shen K. Research on the WebP image format[A]. //Advanced Graphic Communications, Packaging Technology and Materials[M]. Springer, Singapore, 2016:271-277.
[24]	Chauhan J, Kaafar M A, Mahanti A. The Web for Underpowered Mobile Devices: Lessons Learned from Google Glass[J]. IEEE Internet Computing, 2018,22(3):38-47.
[25]	刘波, 郭申. 基于卷积定理的人脸验证CNN模型加速[J]. 北京工业大学学报, 2017,43(11):1673-1680.

基于迁移学习的园艺作物叶部病害识别及应用

Leaf Disease Recognition of Horticultural Crops Based on Transfer Learning and Its Application

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 8

参考文献 25

相关文章 5

编辑推荐

Metrics

本文评价

关于本刊

作者中心

审者中心

在线期刊

联系我们

[1]	孙瑜, 张永梅, 武玉军. 基于粒子群算法和支持向量机的黄花菜叶部病害识别[J]. 中国农学通报, 2022, 38(8): 135-140.
[2]	郝菁, 贾宗维. 基于图像识别的苹果叶片病害识别模型对比研究[J]. 中国农学通报, 2022, 38(12): 153-158.
[3]	张宇棠, 谢晓春. 自然环境下单木检测方法研究——基于改进Faster-RCNN网络[J]. 中国农学通报, 2021, 37(13): 135-146.
[4]	贾晓东章镇乔玉山郭忠仁. 园艺作物代谢组学研究进展[J]. 中国农学通报, 2014, 30(25): 75-83.
[5]	李云鹏尹玉玲赵宏邵红涛金娜吕军马淑梅. 野生茄托鲁巴姆叶片提取物对园艺作物病原真菌的抑菌活性[J]. 中国农学通报, 2012, 28(4): 120-124.