旷丞吉 谭文斌 黄海霞

摘要：為解决茶农在识别茶叶病虫害时存在的主观性强、误判率高等问题，基于卷积神经网络构建的茶叶病虫害识别模型经过训练、调优后获得了最终的检测模型，该检测模型通过Java Web技术构建成B/S模式的病虫害在线检测系统。用户通过在浏览器中提交待识别的茶叶图像至服务器，服务器将接收到的病虫害图片送入检测模型进行病虫害识别，将识别结果返回至用户端。实验结果表明，基于卷积神经网络构建的茶叶病虫害检测系统实现了茶叶图像中18种病虫害的检测，能较好地帮助茶农快速识别茶叶病虫害，对茶叶病虫害防治具有重要意义。

关键词：卷积神经网络；目标检测；茶叶病虫害；检测系统

中图分类号：TP391.41

文献标志码：A

0 引言

近年来，随着卷积神经网络的兴起，基于卷积神经网络的模型不断涌现，国内外诸多学者都将卷积神经网络应用于图像处理研究，尤其是在图像分类和目标检测研究方面，网络模型AlexNet^［1］、GoogleNet^［2］、ResNet^［3］、ASNet^［4］、VGG-16^［5］等在图像分类和目标检测准确率上都得到了进一步提升。文献^［6-7］将卷积神经网络应用于农作物病虫害的检测上，使病虫害检测的准确率有了进一步提升。经梳理已有病虫害研究文献^［6-10］，针对茶叶病虫害识别的研究尚不多，没有可供训练、测试的公共数据集，可查到的文献较少。对此，本文设计了一种基于Faster R-CNN的茶叶病虫害识别系统，实现茶叶病虫害的在线识别。

1 茶叶病虫害检测系统设计

1.1 系统架构设计

本系统采用B/S架构模式，用户将需要检测的茶叶图像提交给服务器。服务器负责对接收到的图片进行病虫害检测，将检测结果返回至用户端。该运行模式具有访问便捷、易维护、响应速度快等特征，便于服务器端检测模型的迭代和升级。系统整体运行机制如图1所示。

本检测系统运行环境为Ubuntu20.4操作系统，系统挂载服务器为Tomcat9.0，开发环境相关版本信息如表1所示。

1.2 实验数据集准备

本实验所用茶叶病虫害数据类型主要包括炭疽病、茶小卷叶蛾、叶枯病、白星病、刺粉虱等18种主要病虫害类型。为了提高模型识别的准确率，本团队对

采集的部分图片进行了空间变换、像素变化，以增强实验数据集，增强后的实验数据集样本数达4 020张，每张图片至少包含一种病虫害类型，如图2所示。

1.3 检测模型构建

本检测模型基于Faster R-CNN^［6］深度学习模型进行搭建，其结构由特征提取网络Conv Layers（CNN）、区域生成网络Region Proposal Networks（RPN）、Roi Pooling映射、Softmax分类与回归等组成，该模型引入了区域生成网络RPN优化了模型，其模型结构如图3所示。

2 实验结果与分析

2.1 基础模型训练

在模型训练前，本团队将数据集划分为训练集（75%）、测试集（15%）、验证集（10%），通过基于Faster R-CNN为主体的模型对数据集进行病虫害图片的特征提取，获得如图4所示的区域候选框产的rnp_loss_cls（损失值）、rnp_loss_box（回归损失值）和loss（损失函数）变化关系。

为了更好地验证模型性能和优化模型，本实验将模型训练迭代次数分别设置为5 000次、10 000次、50 000次、100 000次，获得如表2所示的mAP值变化关系。

由表2可知，当训练次数较少时，基于VGG16的模型获得的mAP值较低，随着训练次数增加，模型的mAP值也随之增加，但当模型训练次数达100 000次后，模型的mAP值增幅趋于平缓（mAP<60%）。

2.2 模型分析及优化

经本团队多次实验后发现，当训练次数超过100 000次后，模型的mAP值并没有大幅提升。对此，本团队从以下两个方面对模型进行优化。

（1）增加训练的实验样本数量。由于本系统模型目前的训练样本只有4 020张，涵盖了18种病虫害类型，但存在各病虫害样本分布不均、部分样本量较少等问题，从而导致模型泛化能力偏低，影响mAP值。

（2）优化主干网络模型，采用ResNet-101残差网络模型^［11］替代原Faster R-CNN中的VGG-16模型。通过使用ResNet-101残差网络结构模型来避免随着卷积网络加深所出现的梯度消失问题，利用恒等映射解决随着模型卷积层增加精度下降等问题，同时引入恒等快捷连接使模型在进入深度层次训练时可以跳过一个层或多个层，其结构如图5所示。

由图5可知，ResNet-101残差结构通过恒等映射输入X可得到拟合输出值F（X）与期望输出值H（X），再通过F（X）渐进拟合可输出F（X）+X，则H（X）=F（X）+X实现跨层连接，让输入的X得到更多的特征，以此来提高模型检测时精度。

2.3 系统实现

本系统经过系统设计、系统编码、系统测试等过程，实现功能主要有登录注册、系统数据可视化、识别中心、病虫百科、通知管理和用户管理，系统主页如图6所示。

用戶在导航栏处点击识别中心进入本系统核心模块，用户在点击“上传照片”后选取病虫害照片上传，系统会根据当前网络环境、传输速度等多方面弹出加载进度条，当后端识别结束后返回结果，系统根据返回结果加载对应的病虫害类型、识别概率以及防治方案等信息，如图7所示。

3 结语

本系统基于卷积神经网络实现了茶叶病虫害的在线检测，有效避免了茶叶病虫害识别中的强主观性和高误判率。在接下来的研究中，本团队将进一步优化检测模型，提高检测准确率，同时开发检测模型的移动版，让茶农使用更加方便。

参考文献

［1］仁庆道尔吉，程坤，郑碧莹.基于卫星云图和改进AlexNet的沙尘暴预测方法［J］.计算机应用，2022（增刊2）：310-314.

［2］LEE Y，NAM S.Performance comparisons of AlexNet and GoogLeNet in cell growth inhibition IC50 prediction［J］.International Journal of Molecular Sciences，2021（14）：7721.

［3］WU Z，SHEN C，VAN D H A.Wider or deeper： Revisiting the resnet model for visual recognition［J］.Pattern Recognition，2019（90）：119-133.

［4］何自芬，黄俊璇，刘强，等.基于非对称混洗卷积神经网络的苹果叶部病害分割［J］.农业机械学报，2021（8）：221-230.

［5］马博昂，张海瑛.基于改进VGG16的超短波时频谱图分类方法［J］.计算机测量与控制，2022（12）：211-217.

［6］KARAR M E，ALSUNAYDI F，ALBUSAYMI S，et al.A new mobile application of agricultural pests recognition using deep learning in cloud computing system［J］.Alexandria Engineering Journal，2021（5）：4423-4432.

［7］HUANG Y，LI W，DU J.Anatomical-functional image fusion based on deep convolution neural networks in local Laplacian pyramid domain［J］.International Journal of Imaging Systems and Technology， 2021（3）： 1246-1264.

［8］岳有军，李雪松，赵辉，等.基于改进VGG网络的农作物病害图像识别［J］.农机化研究，2022（6）：18-24.

［9］魏超，范自柱，张泓，等.基于深度学习的农作物病害检测［J］.江苏大学学报（自然科学版），2019（2）：190-196.

［10］LEE S H，LIN S R，CHEN S F.Identification of tea foliar diseases and pest damage under practical field conditions using a convolutional neural network［J］.Plant Pathology，2020（9）：1731-1739.

［11］HE K M，ZHANG X Y，REN S Q，et al.Deep residual learning for image recognition［C］.Las Vegas：IEEE，2016.

（编辑 王永超）

Design of tea pests detection system based on convolution neural network

Kuang Chengji， Tan Wenbin^*， Huang Haixia

（College of Data Science， Tongren University， Tongren 554300， China）

Abstract： In order to solve the problems of strong subjectivity and high misjudgment rate of tea farmers in identifying tea pests and diseases， the tea pests and diseases identification model based on convolution neural network was trained and optimized to obtain the final detection model. The detection model was built into a B/S mode online detection system of pests and diseases through Java Web technology. The user submits the tea image to be recognized in the browser to the server， and the server sends the received image of pests and diseases to the detection model for pests and diseases identification， and returns the identification results to the user. The experimental results show that the detection system of tea pests and diseases based on convolution neural network has realized the detection of 18 kinds of pests and diseases in tea images， and can help tea farmers quickly identify tea pests and diseases， which is of great significance for the prevention and control of tea pests and diseases.

Key words： convolution neural network; object detection; tea pests and diseases; detection system