邸 潔 曲建華

(山東師范大學商學院，250358，濟南)

1 引 言

蘋果種植在中國有著兩千多年的發(fā)展歷史，種植面積逐年擴大，世界蘋果總產(chǎn)量的65%來自中國.在國家經(jīng)濟政策的支持下，傳統(tǒng)蘋果產(chǎn)業(yè)逐步向現(xiàn)代化發(fā)展，中國逐漸發(fā)展為世界蘋果產(chǎn)業(yè)強國[1].但同時，蘋果種植產(chǎn)業(yè)快速發(fā)展的背后，病害防治一直是困擾果農(nóng)的重要難題之一[2,3].大多數(shù)情況下，果農(nóng)識別蘋果病害是通過參照已有經(jīng)驗、對照書籍、查詢互聯(lián)網(wǎng)或者請教專業(yè)技術人員等方式，而僅通過以上方式，不僅不利于及時有效地識別病害，甚至可能會引起某些人為判斷的誤差.現(xiàn)實生產(chǎn)中，對蘋果病害的有效自動檢測，不僅能實時監(jiān)測蘋果健康狀況，還能幫助果農(nóng)正確判斷蘋果病害，從而進行及時防治，避免大面積病害情況的出現(xiàn)，這對促進蘋果健康生長以及增加果農(nóng)經(jīng)濟收益具有重要意義.

蘋果病害多達數(shù)百種，主要分布在果實、葉片、枝干、根部等部位，而常常首先出現(xiàn)在葉部[4].葉片具有易觀察、易采集、易處理的特點，是人們識別病害的重要參照.所以，對蘋果葉部病害進行有效的自動檢測具有重要研究意義.但由于葉片紋理復雜多變，差異性極難判斷，造成目前許多研究方法的檢測效果并不理想.

目前，國內(nèi)外研究人員在蘋果葉部病害檢測方面已經(jīng)取得了很多研究成果.李宗儒等人[5]建立BP網(wǎng)絡模型，實現(xiàn)了低分辨率下蘋果葉部病害圖像的智能識別和診斷；Rong-Ming H U等人[6]提出基于高光譜圖像的蘋果葉病斑提取的研究方法，采用傳統(tǒng)的光譜特征和面向對象的特征方法從高光譜圖像中提取蘋果葉病斑；Omrani E等人[7]提出了基于人工神經(jīng)網(wǎng)絡(ANN)和支持向量機(SVMS)的計算方法，用于實現(xiàn)三種蘋果葉片病害的檢測；王梅嘉[8]建立了基于Android平臺的遠程識別系統(tǒng)，以手機作為病葉圖像獲取的客戶端，滿足了蘋果遠程識別的需要；孫素云[9]提出了基于圖像處理和支持向量機的蘋果葉部病害的分類研究方法，在圖像分割方法和特征提取方法上做出了改進；胡秋霞[10]針對實驗過程中SVM模型參數(shù)難確定的問題，依次提出基于遺傳算法和基于粒子群算法的改進SVM模型，進一步實現(xiàn)了蘋果葉部病害的有效識別；曲峰[11]綜合運用基于奇異值分解的圖像處理技術和基于Android平臺的遠程識別系統(tǒng)，提高了蘋果葉部病害識別和定位的檢測效果.然而，目前多數(shù)聚焦蘋果葉部病害檢測的研究在圖像處理、特征提取、分類等方面的操作過于繁瑣復雜，導致時效性不佳，故仍需繼續(xù)探索更為優(yōu)化的蘋果葉部病害檢測方法.

自60年代目標檢測技術開始出現(xiàn)，國內(nèi)外研究者始終致力于新技術的不斷研究.Krizhevsky等人[12]在2012年ImageNet大規(guī)模視覺識別挑戰(zhàn)賽(ILSVRC)上提出了AlexNet架構后，基于深度學習的目標檢測方法逐漸成為主流[13,14].深度學習方法不再通過人工進行特征提取，而是采用分層特征提取的方法，該方法與人的視覺機理更加相近，檢測精度更高.近年來，基于深度學習的目標檢測研究層出不窮，果蔬農(nóng)作物病害檢測領域的應用不斷被提出：周云成等人[15]為實現(xiàn)番茄不同器官的快速、準確檢測，在VGG Net的基礎之上，對其結構優(yōu)化調整，構建了10種不同番茄器官分類的網(wǎng)絡模型，識別準確率可達93.61%；楊國國等人[16]提出一種基于卷積神經(jīng)網(wǎng)絡的深度學習模型，對茶園環(huán)境下的害蟲進行快速、準確的定位和識別，準確率達到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)算法實現(xiàn)了對5種番茄葉病的分類與檢測，平均識別率達到86%；徐冬[17]提出了一種基于K-means方法的預訓練卷積神經(jīng)網(wǎng)絡模型，實現(xiàn)了對5種大豆病害的自動檢測識別，準確率達到96.70%；張善文等人[18]針對傳統(tǒng)識別方法中檢測易受葉片形態(tài)、光照和圖像背景影響的問題，改進了LeNet卷積神經(jīng)網(wǎng)絡的模型架構，實現(xiàn)了對6種黃瓜病害的有效識別，平均識別率可達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))設計了一種基于AlexNet的深度學習模型，能較好地解決蘋果葉片病害的識別問題，總體精度達到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.)提出了一種基于感興趣區(qū)域(region-of-interest-aware)的蘋果葉病識別新方法，平均準確率達到84.3%；楊晉丹等人[19]通過改變網(wǎng)絡深度與卷積核尺寸，設計出9種CNN結構模型，并選用4種采樣層構建方法，對多組草莓白粉病病害數(shù)據(jù)集進行識別，正確識別率達到98.61%；薛月菊等人[20]為解決芒果重疊或遮擋部分難檢測的問題，提出一種結合密集連接的改進的Tiny-YOLO芒果檢測網(wǎng)絡，準確率達到97.02%；謝忠紅等人[21]針對菠菜新鮮度檢測精度偏低的問題，將基于高光譜和深度學習技術的網(wǎng)絡模型用于圓葉菠菜新鮮度的識別，正確率最高達到了80.99%.深度學習方法在果蔬農(nóng)作物的病害檢測方面的廣泛應用，使得自動檢測方法取得了階躍性發(fā)展.

深度學習時代的目標檢測方法主要體現(xiàn)為兩大類[22]：一類是基于區(qū)域生成的目標檢測方法，該類方法在圖像上生成許多可能含有目標區(qū)域的候選框，對每一個邊框提取特征、訓練分類器，分兩步實現(xiàn)目標物體的目標檢測；另一類是基于回歸的目標檢測方法，該類方法將檢測問題作為回歸問題來處理，直接預測出邊框的坐標、所包含物體的置信度和物體出現(xiàn)的概率，一步實現(xiàn)目標物體的目標定位和類別識別.基于區(qū)域生成的目標檢測方法，在檢測精度上更占優(yōu)；而基于回歸的目標檢測方法，在檢測速度上更占優(yōu)，并在實時檢測、智能應用方面很受歡迎.

為解決蘋果葉片紋理復雜多變、病害識別困難等現(xiàn)實問題，快速、有效地實現(xiàn)蘋果葉部病害的自動檢測，本文選取一種基于回歸的目標檢測方法——Tiny-YOLO，將其應用于蘋果葉部病害檢測，以期兼顧良好的檢測速度和檢測精度.

2 數(shù)據(jù)與方法

2.1實驗數(shù)據(jù)本文實驗數(shù)據(jù)取自PlantVillage數(shù)據(jù)庫(https://plantvillage.org/)，隨機選取數(shù)據(jù)庫中大小相同、圖像清晰的四類常見蘋果葉部圖片作為本文實驗數(shù)據(jù)集.數(shù)據(jù)集經(jīng)人工篩選，避免了單一性、重復性和錯誤性等問題，保證了實驗數(shù)據(jù)集的質量.圖片數(shù)據(jù)包括：蘋果黑星病300張、蘋果黑腐病300張、蘋果雪松銹病275張、健康葉片529張，共計1 404張圖片(葉片示例如圖1所示，葉片主要特征如表1所示).將圖片按8∶2的比例隨機劃分成訓練集和測試集.

在對圖片數(shù)據(jù)進行統(tǒng)一標號后，逐一對葉片樣本進行人工標注.標注過程中，不考慮莖部，標注框的上下左右均緊貼葉片外側邊界，以盡量避免標注誤差.

圖1 蘋果葉部病害圖像

表1 蘋果葉部病害特征對照表

2.2環(huán)境和工具服務器平臺配置為

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

本文所使用工具為

LabelImg，Matlab，Microsoft Visio 2013.

2.3Tiny-YOLO網(wǎng)絡將目標檢測問題作為回歸問題解決是YOLO的核心思想所在.該算法下，圖片將被分為S×S個網(wǎng)格(grid cell)，每個網(wǎng)格預測B個邊界框(bounding boxes)，每個邊界框包括5個預測值： (x,y)表示預測邊界框相對于網(wǎng)格邊界的中心坐標，(w,h)表示預測邊界框的寬和高，置信度(confidence)則有兩方面含義：一是邊界框包含目標的可能性，二是邊界框的預測準確性，其值用預測框與實際邊界框之間的聯(lián)合部分的交集IOU(intersection over union，IOU)來表示：

(1)

每個網(wǎng)格的條件類別概率與置信度相乘，得到某個預測框中所含物體具體類別的置信度：

(2)

以此為基礎，在圖片檢測過程中選擇合適的候選區(qū)域進行預測，從而獲取候選區(qū)域的最佳位置和分類.盡管YOLO取得了速度上的進步，但在目標定位上變得不夠準確，導致精度不高[23].

YOLOv2基于原始YOLO的優(yōu)勢，進一步提高了檢測性能.提出新的網(wǎng)絡結構——Darenet-19和一系列的優(yōu)化策略，如批量標準化、高分辨率分類器、維度聚類、直接位置預測等.

Tiny-YOLO是在Darenet-19的結構基礎上設計的微型“加速版”網(wǎng)絡(網(wǎng)絡結構如圖2所示)，其縮減了模型的復雜度和訓練參數(shù)的數(shù)目，大大提高了訓練速度，使其達到244幀/s，相當于YOLOv2檢測速度的1.5倍.

圖2 Tiny-YOLO 網(wǎng)絡結構

3 實驗及結果分析

3.1實驗過程蘋果葉部病害目標檢測實驗過程如圖3所示.先從網(wǎng)站獲取并篩選蘋果葉部圖片，而后進行數(shù)據(jù)集劃分及樣本標注.之后分別使用訓練數(shù)據(jù)集和測試數(shù)據(jù)集對模型進行充分的訓練與測試，得到Tiny-YOLO蘋果葉部病害檢測模型.對模型進行驗證實驗，探究實驗效果.

圖3 Tiny-YOLO訓練流程

3.2評價指標本文選擇平均精度均值(mAP，mean average precision)、重疊度(IoU，intersection over union)、召回率recall、每秒幀率(FPS， frame per second)作為蘋果葉部病害檢測模型的評價指標.

1) 準確率(Precision)：也稱正確率，表示識別結果中被正確識別的A物體的個數(shù)占所有被識別為A物體的個數(shù)的比例，mAP就是對所有類別的正確率求平均的結果.

(3)

2) 召回率(recall)：也稱查全率，表示識別結果中被正確識別的A物體的個數(shù)占測試集中所有A物體的個數(shù)的比例.

(4)

3) 重疊率(IoU)：是指A物體的預測框與原標注框的重合程度.

(5)

4) 每秒幀率(FPS)：是評估速度的常用指標，就是指每秒內(nèi)可以處理的圖片數(shù)量.

3.3結果與分析Tiny-YOLO在訓練過程中的平均損失值變化如圖4所示.總體來看，迭代初期，模型迅速擬合，損失值快速減小，隨著迭代次數(shù)不斷的增加，損失值在來回震蕩的過程中逐漸趨于平穩(wěn)，最終平均損失值約為0.006.由此可知，Tiny-YOLO模型對于蘋果葉部病害訓練數(shù)據(jù)集具有良好的訓練效果.

圖4 Tiny-YOLO的平均損失值變化圖

經(jīng)測試，Tiny-YOLO的mAP為99.86 %，Average IoU為83.54%，Recall為0.99，檢測速度為280 FPS，能夠實現(xiàn)蘋果葉部病害的實時、有效檢測.

Tiny-YOLO的蘋果葉部病害檢測效果如圖5所示.由圖5可看出，Tiny-YOLO的定位框能夠契合目標樣本.

圖5 Tiny-YOLO檢測效果圖

4 結論與展望

為解決蘋果葉部病害復雜難識別、檢測速度難以提升等問題，本文將Tiny-YOLO網(wǎng)絡模型應用于蘋果葉部病害檢測.實驗結果顯示，Tiny-YOLO蘋果葉部病害檢測模型的mAP為99.86 %，Average IoU為83.54%，檢測速度達280 FPS.實驗結果表明，Tiny-YOLO模型能夠較好地實現(xiàn)蘋果葉部病害的快速、有效檢測.

本文的研究內(nèi)容只是基于簡單背景下的蘋果葉部病害目標檢測，在接下來的研究中，將進一步與蘋果種植基地或相關部門合作，進行實地拍攝，獲取更多蘋果葉部病害圖片，豐富并細化蘋果葉部病害種類，從而基于已有研究成果探索復雜背景下蘋果葉部病害的自動檢測.