鄭 光，魏家領(lǐng)，任艷娜，劉合兵，席 磊

(1.河南農(nóng)業(yè)大學(xué)信息與管理科學(xué)學(xué)院，河南鄭州 450002；2.農(nóng)田監(jiān)測(cè)與控制河南省工程實(shí)驗(yàn)室，河南鄭州 450002)

小麥作為世界第二大糧食作物，其產(chǎn)業(yè)的發(fā)展關(guān)系到國(guó)家糧食安全和社會(huì)穩(wěn)定。小麥的生育進(jìn)程監(jiān)測(cè)是指在小麥生育過(guò)程中，對(duì)各生長(zhǎng)發(fā)育時(shí)期的形態(tài)變化進(jìn)行記載的過(guò)程，反映了小麥的生長(zhǎng)狀態(tài)信息。小麥生育進(jìn)程自動(dòng)化識(shí)別[1-2]不僅能夠指導(dǎo)農(nóng)田管理者科學(xué)地栽培作物，還能夠?yàn)闊o(wú)人機(jī)、自動(dòng)化農(nóng)場(chǎng)等作業(yè)提供可靠的識(shí)別能力[3-4]。因此，針對(duì)小麥生育進(jìn)程設(shè)計(jì)一個(gè)智能化的自動(dòng)識(shí)別方案具有重要意義。

現(xiàn)階段的小麥生育進(jìn)程信息的獲取方式主要依靠人工觀測(cè)，觀測(cè)人員根據(jù)小麥的現(xiàn)有特征主觀分析出生長(zhǎng)發(fā)育狀況，不僅效率低而且無(wú)法及時(shí)地獲取小麥的生長(zhǎng)發(fā)育狀況。卷積神經(jīng)網(wǎng)絡(luò)是一項(xiàng)依靠高參數(shù)量訓(xùn)練來(lái)獲得可以媲美人的識(shí)別精度的圖片識(shí)別技術(shù)，為農(nóng)作物識(shí)別提供了有效的技術(shù)手段。近年來(lái)，一些學(xué)者為解決農(nóng)業(yè)中的現(xiàn)實(shí)問(wèn)題，深入研究過(guò)卷積神經(jīng)網(wǎng)絡(luò)技術(shù)在農(nóng)業(yè)方面的應(yīng)用方案[5-7]，均取得了不錯(cuò)的結(jié)果。Gupta等將ResNet50預(yù)訓(xùn)練的卷積神經(jīng)網(wǎng)絡(luò)用于雜草和農(nóng)作物分類識(shí)別中，采用ResNet50神經(jīng)網(wǎng)絡(luò)對(duì)農(nóng)作物的分類識(shí)別率達(dá)到95.23%[8]。和興華等以玉米全生育期冠層圖像為研究對(duì)象，結(jié)合深度卷積神經(jīng)網(wǎng)絡(luò)提出玉米冠層圖像自動(dòng)分割和生育期自動(dòng)鑒定方法，為田間玉米長(zhǎng)勢(shì)自動(dòng)監(jiān)測(cè)系統(tǒng)提供了技術(shù)支撐[9]。倪建功等基于知識(shí)蒸餾對(duì)4種不同品質(zhì)的胡蘿卜進(jìn)行等級(jí)檢測(cè)，使得到的模型能夠在保證準(zhǔn)確率的情況下減小網(wǎng)絡(luò)模型的參數(shù)量和模型運(yùn)行時(shí)間消耗，降低了部署模型的成本[10-11]。但是上述研究使用的模型大多數(shù)都是基于高數(shù)據(jù)量、高分類目標(biāo)被設(shè)計(jì)出的經(jīng)典卷積神經(jīng)網(wǎng)絡(luò)模型，而在農(nóng)業(yè)方面往往并沒(méi)有這么大的分類目標(biāo)，使用經(jīng)典的卷積神經(jīng)網(wǎng)絡(luò)模型作為小麥生育期識(shí)別方案時(shí)，過(guò)多的參數(shù)不僅會(huì)使得模型容易學(xué)習(xí)到不必要的特征，還會(huì)增加模型部署時(shí)的計(jì)算量，降低模型識(shí)別速度。

為了解決上述問(wèn)題，本研究從小麥生育期冠層圖像識(shí)別的準(zhǔn)確率和效率出發(fā)，以降低模型復(fù)雜度、提升模型運(yùn)算速度為目標(biāo)，設(shè)計(jì)了一種基于深度可分離卷積[12]和空洞卷積[13]的改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)圖像識(shí)別方法。深度可分離卷積采用特征區(qū)域與通道分離的方式，有效地減少了訓(xùn)練模型所需要的時(shí)間。而空洞卷積技術(shù)擴(kuò)大了網(wǎng)絡(luò)中的感受野，提高了網(wǎng)絡(luò)對(duì)邊緣的特征學(xué)習(xí)能力。并在此基礎(chǔ)上使用殘差網(wǎng)絡(luò)[14]，避免了網(wǎng)絡(luò)過(guò)深而出現(xiàn)的梯度彌散問(wèn)題[15]，保證了模型能學(xué)到更多的特征。此外，基于該監(jiān)測(cè)網(wǎng)絡(luò)模型，通過(guò)TensorFlow Serving進(jìn)行模型部署，采用SpringBoot、BootStrap等技術(shù)構(gòu)建小麥生育期智能監(jiān)測(cè)服務(wù)系統(tǒng)，以期為小麥生育期自動(dòng)化觀測(cè)提供技術(shù)支撐。

1 材料與模型

1.1 數(shù)據(jù)來(lái)源

為了測(cè)試自定義模型的準(zhǔn)確率并考慮到實(shí)拍圖像的復(fù)雜性，本試驗(yàn)使用在河南省長(zhǎng)葛市河南農(nóng)業(yè)大學(xué)許昌校區(qū)試驗(yàn)區(qū)(113°58′26″E，34°12′06″N)拍攝的小麥5個(gè)生育時(shí)期的冠層圖像，采集時(shí)間為2019年10月至2020年6月。試驗(yàn)區(qū)屬北溫帶大陸性季風(fēng)氣候區(qū)，年均氣溫14.3 ℃，年均降水量711.1 mm，無(wú)霜期217 d。采用三腳架固定相機(jī)(尼康D3100，傳感器CMOS，最大光圈F/5.6，1 420 萬(wàn)像素，最高分辨率4 608×3 072)高度為 1 m 進(jìn)行拍攝，所有圖像都是在自然光照條件下進(jìn)行采集。

從獲取的圖像數(shù)據(jù)中分別篩選出小麥的出苗期(出苗期的第1天到分蘗的前1天)、分蘗期(分蘗期的第1天到越冬期的前1天)、越冬期(越冬期的第1天到返青期的前1天)、返青期(返青期的第1天到拔節(jié)期的前1天)、拔節(jié)期(拔節(jié)期的第1天到抽穗期的前1天)等5個(gè)階段共12 000張圖像。采集到的部分圖像如圖1所示。

1.2 深度可分離卷積與空洞卷積

卷積神經(jīng)網(wǎng)絡(luò)原理是利用卷積操作逐層提取圖像的區(qū)域特征信息，并不斷加深特征深度和縮小特征范圍以便神經(jīng)網(wǎng)絡(luò)能夠更好地學(xué)習(xí)到有用的圖像特征。早期的VGG16模型盡管能取得較高的精度，但其簡(jiǎn)單的結(jié)構(gòu)使得網(wǎng)絡(luò)加深后會(huì)出現(xiàn)梯度彌散的現(xiàn)象，模型的識(shí)別效果顯著下降[16]。為此，He等利用殘差結(jié)構(gòu)設(shè)計(jì)出了Resnet模型，該模型在ImagesNet數(shù)據(jù)集上取得的準(zhǔn)確率超過(guò)VGG16模型的同時(shí)，也使得模型結(jié)構(gòu)能夠加深到100層以上[17]。本試驗(yàn)使用該技術(shù)，在模型的部分層中使用殘差網(wǎng)絡(luò)以提升模型準(zhǔn)確率和增加深度。

殘差網(wǎng)絡(luò)結(jié)構(gòu)因獨(dú)特的設(shè)計(jì)使得模型具有很高的可優(yōu)化性和性能，被廣泛應(yīng)用于很多高效的模型中。后來(lái)的研究者從核心的卷積計(jì)算出發(fā)，提出了一些表現(xiàn)很好的卷積計(jì)算設(shè)計(jì)，深度可分離卷積和空洞卷積是其中效果較好的方法。卷積操作在被設(shè)計(jì)的初期，采用的是一次卷積同時(shí)對(duì)所有通道進(jìn)行計(jì)算，而深度可分離卷積提供了一種新的思路，該方法對(duì)于不同的輸入通道采取不同的卷積核進(jìn)行卷積，一個(gè)卷積核負(fù)責(zé)一個(gè)通道，一個(gè)通道只被一個(gè)卷積核卷積，相比于常規(guī)的卷積操作，其參數(shù)量和運(yùn)行成本被大大降低。

公式(1)為普通卷積和深度可分離卷積可訓(xùn)練參數(shù)數(shù)量的對(duì)比，參數(shù)Dk、M為輸入邊長(zhǎng)和通道數(shù)，參數(shù)N為輸出通道數(shù)。根據(jù)兩者參數(shù)量對(duì)比可以看出，輸出的通道數(shù)越大，深度可分離卷積相比于普通卷積減少的參數(shù)量就越多。

(1)

深度可分離卷積的出現(xiàn)使得模型可以在保持準(zhǔn)確率的同時(shí)大幅度降低參數(shù)量。但卷積神經(jīng)網(wǎng)絡(luò)有時(shí)會(huì)因感受野面積過(guò)小造成訓(xùn)練時(shí)空間層級(jí)化信息丟失?？斩淳矸e(別稱擴(kuò)張卷積)的出現(xiàn)使得卷積操作加大了感受野，讓每個(gè)卷積輸出都包含較大范圍的信息。本試驗(yàn)?zāi)Ｐ椭胁糠志矸e層使用空洞卷積核來(lái)代替普通卷積核，不僅擴(kuò)大了卷積核的感受野面積，同時(shí)降低了卷積核的計(jì)算量。公式(2)為空洞卷積的卷積核參數(shù)量，如果原來(lái)的卷積核大小為K，那么加入卷積核大小為Kd的空洞卷積參數(shù)量P便如公式(2)所示。

P=K+(Kd-1)×(K-1)。

(2)

1.3 小麥生育進(jìn)程監(jiān)測(cè)模型網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)

使用經(jīng)典的卷積神經(jīng)網(wǎng)絡(luò)模型作為小麥生育期識(shí)別方案時(shí)，過(guò)多的參數(shù)不僅會(huì)使得模型容易學(xué)習(xí)到不必要的特征，還會(huì)增加使用時(shí)的計(jì)算量，降低模型的識(shí)別速度。為了解決以上問(wèn)題，本試驗(yàn)基于深度可分離和空洞卷積技術(shù)為小麥生育進(jìn)程監(jiān)測(cè)設(shè)計(jì)了一個(gè)改進(jìn)的識(shí)別模型，將一個(gè)普通卷積和深度可分離卷積組合作為卷積單元(block)組成整個(gè)模型，并在個(gè)別卷積單元間加入殘差網(wǎng)絡(luò)，增加了模型的深度，保證了模型能學(xué)到更多的特征，模型基本結(jié)構(gòu)如圖2所示。

圖2為小麥生育進(jìn)程監(jiān)測(cè)模型的網(wǎng)絡(luò)基本結(jié)構(gòu)，其中Conv2D、Conv2D-d和DSConv2D分別代表普通卷積、空洞卷積和深度可分離卷積。在卷積操作后面都進(jìn)行數(shù)據(jù)標(biāo)準(zhǔn)化(BN)和激活函數(shù)(Relu6)的計(jì)算，使得模型更容易學(xué)習(xí)到圖像的稀疏特征，加快了模型的收斂速度，卷積單元間使用的是線性激活函數(shù)(Linear)，防止訓(xùn)練時(shí)出現(xiàn)梯度彌散的現(xiàn)象。殘差連接(addition)表示殘差網(wǎng)絡(luò)結(jié)構(gòu)使用的單位加操作，該操作會(huì)將該卷積單元的原本輸出與輸入相加作為最終的輸出，這樣做的優(yōu)點(diǎn)在于能夠使模型取得更高的深度，表1為監(jiān)測(cè)模型的網(wǎng)絡(luò)詳細(xì)參數(shù)。

從表1監(jiān)測(cè)模型的網(wǎng)絡(luò)結(jié)構(gòu)詳細(xì)參數(shù)中可以看出，每個(gè)卷積單元里均采用了中間寬、兩邊窄的結(jié)構(gòu)，同時(shí)多個(gè)單元的輸入和輸出保持同等寬度，這樣做能夠在不影響訓(xùn)練效果前提下有效地提高模型的識(shí)別速度。input代表的是當(dāng)前單元的輸入(上層單元的輸出)。參數(shù)e、o分別表示每個(gè)單元里普通卷積和深度可分離卷積特征圖寬度；參數(shù)S1、S2代表每個(gè)單元里普通卷積和深度可分離卷積的步長(zhǎng)，步長(zhǎng)為2時(shí)圖像寬度減少1倍；參數(shù)k則表示深度可分離卷積的卷積核大小；參數(shù)d為2表示使用空洞卷積代替正常卷積；參數(shù)s表示卷積單元間是否使用殘差網(wǎng)絡(luò)結(jié)構(gòu)。

表1 小麥生育進(jìn)程監(jiān)測(cè)模型的網(wǎng)絡(luò)詳細(xì)參數(shù)

該模型疊加了10個(gè)基本單元，并使用Softmax作為輸出函數(shù)用于輸出小麥生育期識(shí)別的種類，為小麥生育期提供了一個(gè)準(zhǔn)確率高且輕量的模型。

2 數(shù)據(jù)增強(qiáng)與模型超參數(shù)調(diào)整

2.1 數(shù)據(jù)增強(qiáng)

卷積神經(jīng)網(wǎng)絡(luò)在訓(xùn)練時(shí)有時(shí)會(huì)因過(guò)度適配訓(xùn)練數(shù)據(jù)，導(dǎo)致模型在訓(xùn)練集上準(zhǔn)確率較高，在測(cè)試集上結(jié)果很差。為了防止模型過(guò)擬合情況發(fā)生，往往會(huì)在訓(xùn)練時(shí)加入數(shù)據(jù)增強(qiáng)[18]的方法以擴(kuò)充圖像數(shù)據(jù)。數(shù)據(jù)增強(qiáng)是通過(guò)在訓(xùn)練數(shù)據(jù)中加入一些不影響圖片質(zhì)量的改動(dòng)圖片來(lái)增加模型對(duì)于圖像內(nèi)容變化的適應(yīng)能力，從而使得模型在測(cè)試圖像數(shù)據(jù)上也能取得很好的效果。本試驗(yàn)使用以下數(shù)據(jù)增強(qiáng)方法。(1)去中心化：將輸入的每個(gè)樣本除以其自身的標(biāo)準(zhǔn)差，從而對(duì)每張圖像進(jìn)行標(biāo)準(zhǔn)化處理，經(jīng)過(guò)該處理后的圖像相比于原來(lái)的圖像顏色偏暗。(2)錯(cuò)切變換：讓所有點(diǎn)的x坐標(biāo)保持不變，對(duì)應(yīng)的y坐標(biāo)則按比例發(fā)生平移，平移的大小和該點(diǎn)到x軸的垂直距離成正比。(3)圖像縮放：圖像同時(shí)在長(zhǎng)寬2個(gè)方向進(jìn)行同等程度的放縮操作。(4)隨機(jī)翻轉(zhuǎn)：隨機(jī)選取圖像并執(zhí)行隨機(jī)翻轉(zhuǎn)操作。(5)標(biāo)準(zhǔn)化：在所有其他變換操作之前對(duì)圖像的每個(gè)像素值均乘上1/255放縮因子，把像素值放縮到0和1之間，有利于模型的收斂。

2.2 模型超參數(shù)選擇

學(xué)習(xí)率和優(yōu)化器指每次迭代訓(xùn)練時(shí)更新模型網(wǎng)絡(luò)結(jié)構(gòu)中參數(shù)的幅度和方法，合適的學(xué)習(xí)率和優(yōu)化器能夠加快模型訓(xùn)練時(shí)收斂速度，更快地得到最優(yōu)參數(shù)，訓(xùn)練批次是指單次投入模型訓(xùn)練的圖像數(shù)量，一般都為32、64批次。卷積神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練須要通過(guò)多次迭代訓(xùn)練才能獲得最優(yōu)參數(shù)，因此學(xué)習(xí)率、優(yōu)化器以及訓(xùn)練批次的選擇對(duì)訓(xùn)練的收斂速度及最終的識(shí)別率都有一定的影響[19-20]。

試驗(yàn)使用拍攝的小麥出苗期、分蘗期、越冬期、返青期、拔節(jié)期的冠層圖像作為識(shí)別樣本，每個(gè)階段共2 400張圖像數(shù)據(jù)。隨機(jī)選取80%的圖像數(shù)據(jù)作為模型的訓(xùn)練集，剩余20%作為測(cè)試集進(jìn)行模型的訓(xùn)練。表2是對(duì)3個(gè)超參數(shù)的識(shí)別準(zhǔn)確率測(cè)試結(jié)果，其中識(shí)別準(zhǔn)確率是測(cè)試集5個(gè)生育期小麥的平均準(zhǔn)確率。

表2 超參數(shù)對(duì)比

測(cè)試試驗(yàn)選擇的學(xué)習(xí)率分別為0.005 0、0.001 0、0.000 5、0.000 1，并將Adam、SGD這2種優(yōu)化算法作為比較，訓(xùn)練批次分別設(shè)置為32和64這2種常用的批次。根據(jù)表2可以看出，在學(xué)習(xí)率為0.001 0并且使用Adam優(yōu)化器，訓(xùn)練批次為32時(shí)，模型所取得的識(shí)別準(zhǔn)確率最高。隨著學(xué)習(xí)率的降低，識(shí)別準(zhǔn)確率有所下降。訓(xùn)練批次為32的準(zhǔn)確率要高于批次為64的準(zhǔn)確率。但基于Adam和SGD這2種方法所訓(xùn)練的結(jié)果并沒(méi)有較大的差異，均能達(dá)到很好的收斂效果。

3 試驗(yàn)及結(jié)果與分析

本試驗(yàn)將經(jīng)典的卷積神經(jīng)網(wǎng)絡(luò)和提出的小麥生育期監(jiān)測(cè)網(wǎng)絡(luò)模型(CustomNet)進(jìn)行對(duì)比測(cè)試。選取的經(jīng)典模型有VGG16、Resnet50、InceptionV3、MobileNetV2、DenseNet，這些模型[21]已被眾多研究者證明在各個(gè)領(lǐng)域都能取得很好的結(jié)果，具有很強(qiáng)的泛化能力。模型訓(xùn)練均使用Tensorflow框架在本地GTX 1050ti顯卡中進(jìn)行，試驗(yàn)訓(xùn)練100次，均選用0.001 0的學(xué)習(xí)率，使用 Adam優(yōu)化器加速模型收斂，并且設(shè)置訓(xùn)練批次為32進(jìn)行模型的訓(xùn)練，取其中測(cè)試集最優(yōu)的模型進(jìn)行保存測(cè)試。

3.1 訓(xùn)練過(guò)程

模型在訓(xùn)練時(shí)，測(cè)試集能反映模型的擬合能力，而訓(xùn)練集反映的是模型的訓(xùn)練情況，為了解模型訓(xùn)練過(guò)程中準(zhǔn)確率的變化情況，本試驗(yàn)使用訓(xùn)練過(guò)程中訓(xùn)練集每個(gè)批次(epoch)的準(zhǔn)確率作為對(duì)照，因?yàn)槟Ｐ驮谟?xùn)練30個(gè)epoch時(shí)，訓(xùn)練集就能達(dá)到很高的正確率，所以使用訓(xùn)練集的前30個(gè)epoch的正確率作為對(duì)照，其結(jié)果如下圖所示。

根據(jù)圖3可以看出，本試驗(yàn)構(gòu)建的小麥生育進(jìn)程監(jiān)測(cè)模型(CustomNet)和經(jīng)典模型在訓(xùn)練的前期均能達(dá)到很高的正確率，并且具有和經(jīng)典模型相同的收斂速度，VGG16模型因?yàn)檩^多的參數(shù)導(dǎo)致訓(xùn)練時(shí)收斂速度相比于其他模型稍慢。

3.2 單個(gè)生育期測(cè)試

為了更詳細(xì)地展示模型的擬合能力，試驗(yàn)使用測(cè)試集對(duì)小麥5個(gè)生育期分別進(jìn)行準(zhǔn)確率測(cè)試，并與5個(gè)經(jīng)典的模型進(jìn)行了對(duì)比，結(jié)果如表3所示。

由表3可知，本試驗(yàn)構(gòu)建的小麥生育進(jìn)程監(jiān)測(cè)模型(CustomNet)在拔節(jié)期、出苗期、分蘗期的識(shí)別都能達(dá)到很高的正確率，返青期的識(shí)別率相比于其他生育期略低，CustomNet模型平均識(shí)別準(zhǔn)確率為98.6%。DenseNet在所有模型中取得最高的平均準(zhǔn)確率，為99.2%。

3.3 模型運(yùn)算速度對(duì)比

準(zhǔn)確率是衡量一個(gè)模型性能的重要指標(biāo)，其效果和數(shù)據(jù)集及現(xiàn)實(shí)世界的復(fù)雜性高度相關(guān)，單一以準(zhǔn)確率為指標(biāo)不能準(zhǔn)確反映模型的最終性能。因此本試驗(yàn)增加模型的運(yùn)算速度這一指標(biāo)，并與經(jīng)典模型VGG16、Resnet50、InceptionV3、MobileNetV2、DenseNet做對(duì)比測(cè)試。本試驗(yàn)選取100張圖片作為測(cè)試數(shù)據(jù)，將圖片不間斷地傳入模型并進(jìn)行識(shí)別，并記錄完成全部識(shí)別的時(shí)間作為參考。其識(shí)別速度和各個(gè)模型的參數(shù)量對(duì)比如表4所示。

表3 不同模型對(duì)小麥各生育期的識(shí)別結(jié)果

表4 各模型運(yùn)算速度測(cè)試結(jié)果

表4中，耗時(shí)為模型識(shí)別100張圖片的運(yùn)算時(shí)間，參數(shù)量反映了模型運(yùn)算占用內(nèi)存的大小。通過(guò)對(duì)比模型運(yùn)算耗時(shí)和模型參數(shù)量，可以發(fā)現(xiàn)模型的運(yùn)行速度與參數(shù)量之間不是線性關(guān)系，模型結(jié)構(gòu)是決定識(shí)別速度的重要原因之一。從表4中可以看出，盡管VGG16的參數(shù)量比較龐大，但由于其結(jié)構(gòu)只有16層，卷積層計(jì)算量較少，參數(shù)量多集中為全連接層，因此在測(cè)試速度上能取得很好的成績(jī)。而DenseNet模型參數(shù)量較少，但因其使用了較寬的結(jié)構(gòu)使得每層卷積的特征圖數(shù)量大大增加，卷積層數(shù)也達(dá)到了121層，因此識(shí)別的速度較慢。本試驗(yàn)構(gòu)建的小麥生育進(jìn)程監(jiān)測(cè)模型(CustomNet)參數(shù)量為1.3 MB，相比于MobileNetV2降低了58%，并且識(shí)別速度提高了47%，在大大減少參數(shù)量的情況下，保證了識(shí)別的速度。

4 小麥生育進(jìn)程監(jiān)測(cè)服務(wù)

為了打破傳統(tǒng)識(shí)別服務(wù)中模型預(yù)測(cè)與發(fā)布服務(wù)之間無(wú)法無(wú)縫對(duì)接且模型版本迭代困難等諸多弊端，在小麥生育期監(jiān)測(cè)模型的基礎(chǔ)上，使用TensorFlow Serving技術(shù)[22-23]對(duì)監(jiān)測(cè)模型進(jìn)行部署，遵循前后端分離，結(jié)合SpringBoot和BootStrap框架基于MVC(模型、視圖、控制器)的控制邏輯研發(fā)一套松耦合、高靈活性的小麥生育期監(jiān)測(cè)服務(wù)系統(tǒng)。

根據(jù)監(jiān)測(cè)服務(wù)的使用和提供者，將服務(wù)系統(tǒng)分為終端和云服務(wù)器。終端為服務(wù)表示層，可以是web、APP等形式，主要是發(fā)送服務(wù)請(qǐng)求，并以文字、圖形等形式展現(xiàn)結(jié)果。云服務(wù)器為服務(wù)層，包含3個(gè)模塊：小麥生育期圖像訓(xùn)練模塊、服務(wù)數(shù)據(jù)處理模塊、服務(wù)部署模塊，各模塊之間獨(dú)立部署，使用數(shù)據(jù)通訊接口進(jìn)行模塊間的交互，為農(nóng)業(yè)生產(chǎn)管理者提供高效的小麥生育進(jìn)程監(jiān)測(cè)服務(wù)。小麥生育進(jìn)程監(jiān)測(cè)服務(wù)架構(gòu)如圖4所示。

各個(gè)模塊主要完成以下工作。

(1)數(shù)據(jù)處理模塊：用于接收終端表示層通過(guò)Post請(qǐng)求提交的生育期圖像，將圖像統(tǒng)一處理成224×224×3的大小，然后通過(guò)gRPC接口連接到服務(wù)部署模塊，傳遞處理后的圖像數(shù)據(jù)和模型請(qǐng)求名稱。此外，該模塊接收服務(wù)部署模塊識(shí)別結(jié)果，并向終端表示層返回監(jiān)測(cè)識(shí)別結(jié)果和相應(yīng)生育期栽培管理措施。

(2)服務(wù)部署模塊：服務(wù)部署模塊采用TensorFlow Serving進(jìn)行模型部署，將模型打包成生育期監(jiān)測(cè)服務(wù)并部署到Docker容器中，可以方便進(jìn)行版本迭代，并且支持模型熱更新與自動(dòng)版本控制。該模塊向數(shù)據(jù)處理模塊開(kāi)放gRPC接口，持續(xù)監(jiān)聽(tīng)識(shí)別請(qǐng)求，接收符合要求的圖像數(shù)據(jù)，觸發(fā)生育期監(jiān)測(cè)服務(wù)，并向數(shù)據(jù)處理模塊返回識(shí)別結(jié)果。

(3)小麥生育期監(jiān)測(cè)模型訓(xùn)練模塊：該模塊使用TensorFlow框架將新的小麥生育期圖像數(shù)據(jù)導(dǎo)入改進(jìn)的識(shí)別模型中進(jìn)行訓(xùn)練，并把訓(xùn)練好的h5權(quán)重文件轉(zhuǎn)換成gRPC接口所需要的pb文件，經(jīng)文件上傳后覆蓋部署到服務(wù)部署模塊中的生育期監(jiān)測(cè)服務(wù)，保證了模型版本的實(shí)時(shí)迭代。

圖5是小麥生育期監(jiān)測(cè)服務(wù)具體界面。用戶提交的小麥生長(zhǎng)圖像文件如圖5-a所示，經(jīng)數(shù)據(jù)處理模塊規(guī)范化處理后，調(diào)用監(jiān)測(cè)模型，返回生育期監(jiān)測(cè)結(jié)果和相應(yīng)的管理措施如圖5-b所示。

5 結(jié)論

本研究設(shè)計(jì)了一種基于深度可分離卷積和空洞卷積的輕量級(jí)卷積神經(jīng)網(wǎng)絡(luò)及服務(wù)系統(tǒng)用于小麥生育期監(jiān)測(cè)，結(jié)論如下：

(1)以普通卷積和深度可分離卷積為基本單元進(jìn)行組合，加入空洞卷積技術(shù)擴(kuò)大了網(wǎng)絡(luò)中的感受野，并借助殘差網(wǎng)絡(luò)的技術(shù)逐步加深神經(jīng)網(wǎng)絡(luò)的深度，構(gòu)建了小麥生育進(jìn)程監(jiān)測(cè)模型，有效地將模型的參數(shù)規(guī)模降低到1.3 MB，相比于MobileNetV2模型參數(shù)規(guī)模降低了58%，同等環(huán)境下識(shí)別速度提高了47%。

(2)在模型的訓(xùn)練過(guò)程中，使用數(shù)據(jù)增強(qiáng)的方法擴(kuò)充數(shù)據(jù)集，防止了模型訓(xùn)練時(shí)出現(xiàn)過(guò)擬合現(xiàn)象。并通過(guò)對(duì)學(xué)習(xí)率、優(yōu)化器、訓(xùn)練批次3個(gè)超參數(shù)進(jìn)行識(shí)別率測(cè)試，最終選擇0.001 0的學(xué)習(xí)率、Adam優(yōu)化器、32批次對(duì)改進(jìn)的識(shí)別模型進(jìn)行訓(xùn)練，使得小麥生育期識(shí)別率達(dá)到98.6%。

(3)在模型的部署過(guò)程中，從模型的迭代和識(shí)別的效率出發(fā)，使用TensorFlow Serving技術(shù)對(duì)監(jiān)測(cè)模型進(jìn)行部署，遵循前后端分離，采用SpringBoot及BootStrap等技術(shù)框架，基于MVC架構(gòu)開(kāi)發(fā)了小麥生育進(jìn)程智能監(jiān)測(cè)服務(wù)系統(tǒng)。系統(tǒng)具有很好的松耦合性和靈活性，同時(shí)也方便投入實(shí)際生產(chǎn)中。

本研究基于卷積神經(jīng)網(wǎng)絡(luò)為小麥的生育期識(shí)別設(shè)計(jì)了一個(gè)輕量且高效的識(shí)別模型，同時(shí)從模型部署角度出發(fā)，研發(fā)了一套松耦合、高靈活性的小麥生育進(jìn)程監(jiān)測(cè)服務(wù)系統(tǒng)。不僅為小麥生育進(jìn)程智能化識(shí)別提供了技術(shù)支撐，也為農(nóng)業(yè)生產(chǎn)管理者提供了高效的小麥生育進(jìn)程監(jiān)測(cè)服務(wù)。