邸 洁 曲建华

(山东师范大学商学院，250358，济南)

1 引 言

苹果种植在中国有着两千多年的发展历史，种植面积逐年扩大，世界苹果总产量的65%来自中国.在国家经济政策的支持下，传统苹果产业逐步向现代化发展，中国逐渐发展为世界苹果产业强国[1].但同时，苹果种植产业快速发展的背后，病害防治一直是困扰果农的重要难题之一[2,3].大多数情况下，果农识别苹果病害是通过参照已有经验、对照书籍、查询互联网或者请教专业技术人员等方式，而仅通过以上方式，不仅不利于及时有效地识别病害，甚至可能会引起某些人为判断的误差.现实生产中，对苹果病害的有效自动检测，不仅能实时监测苹果健康状况，还能帮助果农正确判断苹果病害，从而进行及时防治，避免大面积病害情况的出现，这对促进苹果健康生长以及增加果农经济收益具有重要意义.

苹果病害多达数百种，主要分布在果实、叶片、枝干、根部等部位，而常常首先出现在叶部[4].叶片具有易观察、易采集、易处理的特点，是人们识别病害的重要参照.所以，对苹果叶部病害进行有效的自动检测具有重要研究意义.但由于叶片纹理复杂多变，差异性极难判断，造成目前许多研究方法的检测效果并不理想.

目前，国内外研究人员在苹果叶部病害检测方面已经取得了很多研究成果.李宗儒等人[5]建立BP网络模型，实现了低分辨率下苹果叶部病害图像的智能识别和诊断；Rong-Ming H U等人[6]提出基于高光谱图像的苹果叶病斑提取的研究方法，采用传统的光谱特征和面向对象的特征方法从高光谱图像中提取苹果叶病斑；Omrani E等人[7]提出了基于人工神经网络(ANN)和支持向量机(SVMS)的计算方法，用于实现三种苹果叶片病害的检测；王梅嘉[8]建立了基于Android平台的远程识别系统，以手机作为病叶图像获取的客户端，满足了苹果远程识别的需要；孙素云[9]提出了基于图像处理和支持向量机的苹果叶部病害的分类研究方法，在图像分割方法和特征提取方法上做出了改进；胡秋霞[10]针对实验过程中SVM模型参数难确定的问题，依次提出基于遗传算法和基于粒子群算法的改进SVM模型，进一步实现了苹果叶部病害的有效识别；曲峰[11]综合运用基于奇异值分解的图像处理技术和基于Android平台的远程识别系统，提高了苹果叶部病害识别和定位的检测效果.然而，目前多数聚焦苹果叶部病害检测的研究在图像处理、特征提取、分类等方面的操作过于繁琐复杂，导致时效性不佳，故仍需继续探索更为优化的苹果叶部病害检测方法.

自60年代目标检测技术开始出现，国内外研究者始终致力于新技术的不断研究.Krizhevsky等人[12]在2012年ImageNet大规模视觉识别挑战赛(ILSVRC)上提出了AlexNet架构后，基于深度学习的目标检测方法逐渐成为主流[13,14].深度学习方法不再通过人工进行特征提取，而是采用分层特征提取的方法，该方法与人的视觉机理更加相近，检测精度更高.近年来，基于深度学习的目标检测研究层出不穷，果蔬农作物病害检测领域的应用不断被提出：周云成等人[15]为实现番茄不同器官的快速、准确检测，在VGG Net的基础之上，对其结构优化调整，构建了10种不同番茄器官分类的网络模型，识别准确率可达93.61%；杨国国等人[16]提出一种基于卷积神经网络的深度学习模型，对茶园环境下的害虫进行快速、准确的定位和识别，准确率达到91.50%；Sardogan等人(Sardogan, Melike & Tuncer, Adem & Ozen, Yunus. (2018). Plant Leaf Disease Detection and Classification Based on CNN with LVQ Algorithm. 382-385. 10.1109/UBMK.2018.8566635)基于CNN模型和LVQ(learning vector quantization)算法实现了对5种番茄叶病的分类与检测，平均识别率达到86%；徐冬[17]提出了一种基于K-means方法的预训练卷积神经网络模型，实现了对5种大豆病害的自动检测识别，准确率达到96.70%；张善文等人[18]针对传统识别方法中检测易受叶片形态、光照和图像背景影响的问题，改进了LeNet卷积神经网络的模型架构，实现了对6种黄瓜病害的有效识别，平均识别率可达90.32%；Liu B等人(Bin L,Yun Z,Dongjian H,et al.Identification of apple leaf diseases based on deep convolutional neural Networks.Symmetry, 2017, 10(1))设计了一种基于AlexNet的深度学习模型，能较好地解决苹果叶片病害的识别问题，总体精度达到97.62%；Yu H J 等人(Yu H J,Son C H.Apple leaf disease identification through region-of-interest-aware deepconvolutional neural network.2019.)提出了一种基于感兴趣区域(region-of-interest-aware)的苹果叶病识别新方法，平均准确率达到84.3%；杨晋丹等人[19]通过改变网络深度与卷积核尺寸，设计出9种CNN结构模型，并选用4种采样层构建方法，对多组草莓白粉病病害数据集进行识别，正确识别率达到98.61%；薛月菊等人[20]为解决芒果重叠或遮挡部分难检测的问题，提出一种结合密集连接的改进的Tiny-YOLO芒果检测网络，准确率达到97.02%；谢忠红等人[21]针对菠菜新鲜度检测精度偏低的问题，将基于高光谱和深度学习技术的网络模型用于圆叶菠菜新鲜度的识别，正确率最高达到了80.99%.深度学习方法在果蔬农作物的病害检测方面的广泛应用，使得自动检测方法取得了阶跃性发展.

深度学习时代的目标检测方法主要体现为两大类[22]：一类是基于区域生成的目标检测方法，该类方法在图像上生成许多可能含有目标区域的候选框，对每一个边框提取特征、训练分类器，分两步实现目标物体的目标检测；另一类是基于回归的目标检测方法，该类方法将检测问题作为回归问题来处理，直接预测出边框的坐标、所包含物体的置信度和物体出现的概率，一步实现目标物体的目标定位和类别识别.基于区域生成的目标检测方法，在检测精度上更占优；而基于回归的目标检测方法，在检测速度上更占优，并在实时检测、智能应用方面很受欢迎.

为解决苹果叶片纹理复杂多变、病害识别困难等现实问题，快速、有效地实现苹果叶部病害的自动检测，本文选取一种基于回归的目标检测方法——Tiny-YOLO，将其应用于苹果叶部病害检测，以期兼顾良好的检测速度和检测精度.

2 数据与方法

2.1实验数据本文实验数据取自PlantVillage数据库(https://plantvillage.org/)，随机选取数据库中大小相同、图像清晰的四类常见苹果叶部图片作为本文实验数据集.数据集经人工筛选，避免了单一性、重复性和错误性等问题，保证了实验数据集的质量.图片数据包括：苹果黑星病300张、苹果黑腐病300张、苹果雪松锈病275张、健康叶片529张，共计1 404张图片(叶片示例如图1所示，叶片主要特征如表1所示).将图片按8∶2的比例随机划分成训练集和测试集.

在对图片数据进行统一标号后，逐一对叶片样本进行人工标注.标注过程中，不考虑茎部，标注框的上下左右均紧贴叶片外侧边界，以尽量避免标注误差.

图1 苹果叶部病害图像

表1 苹果叶部病害特征对照表

2.2环境和工具服务器平台配置为

Windows 7 Ultimate 64bit SP1，Intel Core i7-8700K @ 3.70GHz，64GB RAM，Intel SSDSCKKW256H6，Nvidia GeForce GTX 1 080 Ti GPU.

本文所使用工具为

LabelImg，Matlab，Microsoft Visio 2013.

2.3Tiny-YOLO网络将目标检测问题作为回归问题解决是YOLO的核心思想所在.该算法下，图片将被分为S×S个网格(grid cell)，每个网格预测B个边界框(bounding boxes)，每个边界框包括5个预测值： (x,y)表示预测边界框相对于网格边界的中心坐标，(w,h)表示预测边界框的宽和高，置信度(confidence)则有两方面含义：一是边界框包含目标的可能性，二是边界框的预测准确性，其值用预测框与实际边界框之间的联合部分的交集IOU(intersection over union，IOU)来表示：

(1)

每个网格的条件类别概率与置信度相乘，得到某个预测框中所含物体具体类别的置信度：

(2)

以此为基础，在图片检测过程中选择合适的候选区域进行预测，从而获取候选区域的最佳位置和分类.尽管YOLO取得了速度上的进步，但在目标定位上变得不够准确，导致精度不高[23].

YOLOv2基于原始YOLO的优势，进一步提高了检测性能.提出新的网络结构——Darenet-19和一系列的优化策略，如批量标准化、高分辨率分类器、维度聚类、直接位置预测等.

Tiny-YOLO是在Darenet-19的结构基础上设计的微型“加速版”网络(网络结构如图2所示)，其缩减了模型的复杂度和训练参数的数目，大大提高了训练速度，使其达到244帧/s，相当于YOLOv2检测速度的1.5倍.

图2 Tiny-YOLO 网络结构

3 实验及结果分析

3.1实验过程苹果叶部病害目标检测实验过程如图3所示.先从网站获取并筛选苹果叶部图片，而后进行数据集划分及样本标注.之后分别使用训练数据集和测试数据集对模型进行充分的训练与测试，得到Tiny-YOLO苹果叶部病害检测模型.对模型进行验证实验，探究实验效果.

图3 Tiny-YOLO训练流程

3.2评价指标本文选择平均精度均值(mAP，mean average precision)、重叠度(IoU，intersection over union)、召回率recall、每秒帧率(FPS， frame per second)作为苹果叶部病害检测模型的评价指标.

1) 准确率(Precision)：也称正确率，表示识别结果中被正确识别的A物体的个数占所有被识别为A物体的个数的比例，mAP就是对所有类别的正确率求平均的结果.

(3)

2) 召回率(recall)：也称查全率，表示识别结果中被正确识别的A物体的个数占测试集中所有A物体的个数的比例.

(4)

3) 重叠率(IoU)：是指A物体的预测框与原标注框的重合程度.

(5)

4) 每秒帧率(FPS)：是评估速度的常用指标，就是指每秒内可以处理的图片数量.

3.3结果与分析Tiny-YOLO在训练过程中的平均损失值变化如图4所示.总体来看，迭代初期，模型迅速拟合，损失值快速减小，随着迭代次数不断的增加，损失值在来回震荡的过程中逐渐趋于平稳，最终平均损失值约为0.006.由此可知，Tiny-YOLO模型对于苹果叶部病害训练数据集具有良好的训练效果.

图4 Tiny-YOLO的平均损失值变化图

经测试，Tiny-YOLO的mAP为99.86 %，Average IoU为83.54%，Recall为0.99，检测速度为280 FPS，能够实现苹果叶部病害的实时、有效检测.

Tiny-YOLO的苹果叶部病害检测效果如图5所示.由图5可看出，Tiny-YOLO的定位框能够契合目标样本.

图5 Tiny-YOLO检测效果图

4 结论与展望

为解决苹果叶部病害复杂难识别、检测速度难以提升等问题，本文将Tiny-YOLO网络模型应用于苹果叶部病害检测.实验结果显示，Tiny-YOLO苹果叶部病害检测模型的mAP为99.86 %，Average IoU为83.54%，检测速度达280 FPS.实验结果表明，Tiny-YOLO模型能够较好地实现苹果叶部病害的快速、有效检测.

本文的研究内容只是基于简单背景下的苹果叶部病害目标检测，在接下来的研究中，将进一步与苹果种植基地或相关部门合作，进行实地拍摄，获取更多苹果叶部病害图片，丰富并细化苹果叶部病害种类，从而基于已有研究成果探索复杂背景下苹果叶部病害的自动检测.