武 睿，乐丽红，朱安繁，谭斯坦，黄 明，何小林，谢秋发，易玉根，黄小龙

(1.江西生物科技职业学院，江西 南昌 330200；2.余干县农业局，江西 余干 335100；3.江西省土壤肥料技术推广站，江西 南昌 330046；4.南昌市粮油生产管理站,江西 南昌 330009；5.兴国县土壤肥料工作站,江西 兴国 342400；6.上海大果信息科技有限公司，上海 200080；7.江西师范大学，江西 南昌 330022；8.丰城市农业技术推广中心，江西 丰城 331100)

作物生长需要各类矿质营养元素，作物必需营养元素的缺乏，往往引发作物产量和品质的下降。作物营养诊断技术起源于19世纪，随着社会的发展和科技的进步而不断丰富和发展。目前，已形成外观诊断法、化学诊断法、叶绿素仪诊断法、数字图像诊断法、光谱诊断法等方法[1-7]。化学诊断法、叶绿素仪诊断法和光谱诊断法，需要专业的诊断设备，并要求诊断人员具备较强的专业知识，因此，只有少数专家和学者能够掌握。数字图像诊断法，过去由于缺乏优化的算法，诊断效果不够理想；外观诊断法，通过观察作物的症状，结合专家经验，对作物营养状况进行判断，由于不同营养元素缺乏表现的症状各异或相似，相同的缺素症状在不同的作物上表现又有所差异，因此，外观诊断法仍只有少数经验丰富的专家学者能够较为全面地掌握。农业生产点多面广，作物缺素在时空上极度分散，现有农业专家难以满足需求，使得很多的作物缺素无法得到及时诊断和有效矫治。为解决农业专家不足的问题，近30年来，我国学者开发了大量的作物营养诊断专家系统[8-14]。这些专家系统，基于“知识+推理”的方法进行设计开发，模拟专家的思维方式进行推理和判断，使用中要求用户回答系统提问才能给出诊断结论，用户仍需具备一定的专业知识，因此多用于辅助基层农技人员开展诊断，仍无法彻底解决专家数量不足的问题。要彻底打通作物营养诊断的“最后一公里”，让每一位农业生产者都成为“专家”，必须寻求更简单高效的作物营养诊断方法。近年来，卷积神经网络模型得到不断改进，图像识别准确率已经超越人类的肉眼[15]，加上云计算、移动互联网、智能手机、微信小程序的全面普及，使得广大农业种植业者在云服务的支持下，通过简单的手机拍照，零门槛开展作物营养诊断成为可能。

1 系统设计

1.1 系统功能设计

作物营养拍照诊断服务系统，旨在为用户提供一种简单高效的作物营养诊断服务。系统主要以“云计算+端智能”为架构，采用基于卷积神经网络的技术进行诊断服务。用户首先通过手机安装的微信小程序拍摄或选择作物图片，上传到云计算服务器；然后，图片在云计算服务器进行识别后，形成作物营养诊断结果及矫治方案反馈到用户手机。

1.2 系统架构设计

系统主要包括2个部分：云计算服务器端和手机客户端。系统各部分功能模块如图1所示。

1.2.1 云计算服务器模块 该模块细分为图片接收、图片识别和结果反馈3个子模块，分别负责接收用户上传的图片、对图片进行识别、将诊断结果和矫治方案反馈到手机客户端。

1.2.2 手机客户端模块 该模块细分为作物选择、图片选择、图片上传和信息接收4个子模块，图片选择又细分为拍摄图片和本地图片2个子模块。通过作物选择模块，用户可以从系统提供的作物列表中选择一种待诊断的作物。通过图片选择模块，用户可以用手机拍摄或选择本地图片。图片上传模块，可以实现将图片上传到云计算服务器的功能。信息接收模块用于接收云计算服务器反馈的诊断结果和矫治方案。

图1 作物营养拍照诊断服务系统框架图

2 系统部署

2.1 云计算服务器部署

系统依托中国最大的公共云计算平台——阿里云进行部署，将包含图像识别等模块的应用部署到云计算服务器，以基础设施即服务(IaaS)的形式，使用云平台海量的数据存储和强大的计算处理资源，不仅可以对数据实现高效、快速处理与调用，而且还可以根据要求在实践运用中发挥出弹性处理和及时调配的优势，能最大程度地满足数据处理的需求。用户上传图片后，即刻就能收到服务器反馈的诊断结果，具有良好的用户体验。

2.2 手机客户端开发

系统的主要目标用户是我国广大的农业种植业者和基层农业技术服务人员。为提升用户体验，减轻用户手机资源负担，客户端在设计上力求简单方便，采用微信小程序进行开发。微信小程序是一种不需要下载安装即可使用的应用，它实现了应用“触手可及”的梦想，用户扫一扫或者搜一下即可打开应用，体现了“用完即走”的理念。微信小程序2017年正式上线后，依托近9亿的微信用户数量，得到了快速发展。在农村，微信小程序具有非常坚实的用户群体基础。客户端界面简洁，人机交互极少，一般用户都可以无障碍操作。

3 图像识别模块设计与实现

3.1 卷积神经网络简介

卷积神经网络(Convolutional Neural Network,CNN)是一种著名的深度学习模型，其名称的由来是因为卷积运算被引入到这种模型中。CNN可以归类为多层前馈神经网络模型，但与传统的多层前馈神经网络不同,CNN的输入是二维模式(如图像)，其连接权是二维权矩阵(也称为卷积核)，基本操作是二维离散卷积和池化[15]。由于CNN可以直接处理二维模式，所以它在计算机视觉领域得到了非常广泛的应用，已成功应用于图像分类、目标检测和目标跟踪等许多领域。卷积神经网络的基本构成要素包括卷基层、池化层(也称为采样层)和全连接层。卷基层用于提取不同图像的特征，池化层用于降维，全连接层一般是一个分类器。

卷积神经网络来源于多层感知器，同时它解决了多层感知器存在的训练参数过多等问题，其核心出发点有3个[16-18]。

(1)局部感受野(Receptive Field)：采用卷积的目的在于将某些特征从图像中提取出来。其原理就如在生活中我们观察某个事物也是事先看到局部，不会一下就观察到物体的全部内容。做卷积运算时，卷积核与对应的特征图(图像)的一个局部区域相连接，这个局部区域就是卷积核的局部感受野，从而大大减少需要训练的权值参数。

(2)权值共享：可以看成是特征提取的方式。用同一个卷积核去扫描图像的每个位置，所以权重是相同的，从而大大减少需要训练的参数。

(3)池化：通过某种池化函数进行降采样，既降低了图像的分辨率(从而减少精确的位置信息)，又不损失过多的有效信息，极大地提高了其对图像的几何变换的无关性。常用的池化操作包括最大池化和平均池化。

自1998年Lecun等[19]提出第1个LeNet卷积神经网络模型以来，研究人员提出了许多新的卷积神经网络模型，比较有名的包括：Krizhevsky等[20]提出的AlexNet模型；Simonyan等[21]提出的VGGNet模型；Szegedy等[22]提出的Google Inception Net模型；He等[23]提出的ResNet模型。

3.2 网络设计

本系统采用Google Inception Net结构模型。Inception结构是这种模型的基本构成单元，其基本思想是找出最优的局部稀疏结构。该结构模型是一个模型家族，包括4个模型：Inception V1、Inception V2、Inception V3、Inception V4。2014年，Inception V1获得当年大规模视觉识别挑战赛(ImageNet Large Scale Visual Recognition Challenge，ILSVRC)的冠军，top-5错误率为6.67%[15]。Inception V3于2015年被提出，在V1和V2的基础上进行了再次优化，top-5错误率仅为3.5%[24]。该模型最大的特点是在控制计算量和参数的同时，获得了非常好的性能。Inception V3的网络结构图如图2所示。

图2 Inception V3网络结构图

3.3 模型训练

作物必需的矿资质营养元素包括氮(N)、磷(P)、钾(K)、钙(Ca)、镁(Mg)、硫(S)、铁(Fe)、锰(Mn)、铜(Cu)、锌(Zn)、钼(Mo)、硼(B)、氯(C1)等13种[25]。不同的矿质元素缺乏，可引起不同的缺素症状，而且在不同的作物上，表现有所差异。因此，在图片类型上，包括正常营养图片在内，每种作物至少有14种营养类型图片。每种作物每种营养类型采集200张以上典型图片，其中100张作为训练图片，获取Inception V3模型的权重，其余的图片用于验证。

3.4 图像识别

在云计算服务器端构建Inception V3模型，载入训练好的权重值，编译模型，使上传的作物图像数据流入模型，最后根据上传作物图像与权重文件中作物图像的相识度，反馈相似概率最大的2个结果到手机客户端，为用户提供所诊断作物的营养状况及矫治方案。

通过对验证图片进行测试，诊断准确率达到95.3%。

4 系统界面及操作演示

在手机上登陆微信，打开“作物营养拍照诊断”小程序，从候选作物列表中选择1种待诊断作物，从手机中选择或者用手机照相机拍摄一张照片，即可获得云计算服务器端反馈的作物营养诊断结果及矫治方案。系统客户端界面见图3。

5 结语

当前，智能手机和微信基本实现了普及，基于微信小程序开发“作物营养拍照诊断服务系统”的客户端，使用户进行作物营养诊断变得非常方便、简单和高效，降低了对农业专家的依赖，有助于及时对作物营养状况进行诊断，从而减小了缺素对作物产量和品质的负面影响。由于每种作物每种缺素症状不止一种，除典型症状外，还可能有多种非典型症状。也就是说，每种作物实际上不止14种营养类型图片。但是，基于图片收集工作量较大、非典型症状不够明显、有些症状间相似度较高等原因，系统目前按照每种作物一种典型症状将作物图片分为14类，这使得系统当前只能够对典型症状进行诊断，而无法对非典型症状进行诊断。下一步，应收集更多的作物图片进行完善。

图3 作物营养拍照诊断服务系统客户端微信小程序界面