梁萬(wàn)杰，曹靜，孫傳亮，曹宏鑫，張文宇，2

(1. 江蘇省農(nóng)業(yè)科學(xué)院農(nóng)業(yè)信息研究所,南京市,210014; 2. 江蘇大學(xué)農(nóng)業(yè)工程學(xué)院,江蘇鎮(zhèn)江,212013)

0 引言

我國(guó)是農(nóng)業(yè)大國(guó),常見(jiàn)的農(nóng)作物病蟲(chóng)害達(dá)1 400多種,具有種類多、影響大、局部暴發(fā)成災(zāi)和災(zāi)害損失大等特點(diǎn)。病害是引起農(nóng)產(chǎn)品減產(chǎn)和品質(zhì)下降最重要的因素之一,也是制約高產(chǎn)、優(yōu)質(zhì)、高效農(nóng)業(yè)持續(xù)發(fā)展的主要因素之一[1]。根據(jù)全國(guó)農(nóng)技中心預(yù)測(cè),2022年我國(guó)水稻病蟲(chóng)害將呈偏重發(fā)生態(tài)勢(shì),發(fā)生面積0.82億公頃次[2]。及時(shí)準(zhǔn)確地識(shí)別農(nóng)作物病蟲(chóng)害是準(zhǔn)確測(cè)報(bào)災(zāi)情和合理防治的前提[3-4]。病蟲(chóng)害識(shí)別的不及時(shí)、不準(zhǔn)確,及大面積使用生物制劑、化學(xué)農(nóng)藥等非綠色防治方法,引發(fā)農(nóng)藥殘留,嚴(yán)重影響農(nóng)產(chǎn)品產(chǎn)量和品質(zhì)[5-7]。我國(guó)農(nóng)民普遍缺乏病蟲(chóng)害識(shí)別能力和防治知識(shí),擁有農(nóng)業(yè)病蟲(chóng)害診斷和防治的專家受地域和人數(shù)制約,在時(shí)間和精力上難以滿足實(shí)際需求[8]。因此,研發(fā)便捷、快速、準(zhǔn)確識(shí)別農(nóng)作物病蟲(chóng)害和精準(zhǔn)提供病蟲(chóng)害防治策略的智能化系統(tǒng)對(duì)現(xiàn)代農(nóng)業(yè)的發(fā)展具有重要意義。

基于計(jì)算機(jī)視覺(jué)的作物病害識(shí)別一直是農(nóng)業(yè)信息學(xué)研究熱點(diǎn)。早期基于計(jì)算機(jī)視覺(jué)的病害識(shí)別主要通過(guò)圖像分割獲得病斑區(qū)域,提取病害圖像特征,如:顏色空間特征[9]、YCbCr色彩空間[10]、形態(tài)、紋理特征[11]、綜合顏色特征[12]等,結(jié)合分類器進(jìn)行病害識(shí)別。深度學(xué)習(xí)模型,特別是卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network, CNN)模型,具有自主學(xué)習(xí)特征能力,可從原始圖像中重構(gòu)圖像的高層語(yǔ)義特征[13]。目前,深度學(xué)習(xí)已成為農(nóng)作物病蟲(chóng)害實(shí)時(shí)監(jiān)測(cè)與智能診斷研究熱點(diǎn)。宋晨勇等[14]通過(guò)對(duì)GoogleNet模型的改進(jìn),實(shí)現(xiàn)了較高精準(zhǔn)度的蘋(píng)果病害識(shí)別,并減少了模型參數(shù)量,提高了計(jì)算效率。王國(guó)偉等[15]利用深度卷積神經(jīng)網(wǎng)絡(luò)模型構(gòu)建玉米病害識(shí)別模型,平均識(shí)別率達(dá)96%,平均計(jì)算時(shí)間為0.15s。Lu等[16]提出基于多示例學(xué)習(xí)弱監(jiān)督的深度學(xué)習(xí)模型用于小麥病害診斷。Lu等[17]提出改進(jìn)的深度卷積神經(jīng)網(wǎng)絡(luò)模型用于水稻病害識(shí)別。Ma等[18]利用深度卷積神經(jīng)網(wǎng)絡(luò)研究黃瓜病害識(shí)別方法,在自然生長(zhǎng)環(huán)境對(duì)黃瓜病害識(shí)別具有更好魯棒性。隨著智能手機(jī)的普及,物聯(lián)網(wǎng)和深度學(xué)習(xí)模型的發(fā)展,農(nóng)作物病蟲(chóng)害智能識(shí)別系統(tǒng)已成為應(yīng)用研究一個(gè)重要方向。蘇一峰等[19]基于物聯(lián)網(wǎng)監(jiān)控系統(tǒng)平臺(tái),研發(fā)了一個(gè)小麥病蟲(chóng)害診斷系統(tǒng)。趙建敏等[20]利用CNN模型實(shí)現(xiàn)了馬鈴薯葉片病害的準(zhǔn)確識(shí)別,結(jié)合Web服務(wù)器和手機(jī)端APP設(shè)計(jì)實(shí)現(xiàn)了一個(gè)馬鈴薯病害智能識(shí)別系統(tǒng)。李昊等[21]采用物聯(lián)網(wǎng)技術(shù)和深度學(xué)習(xí)方法,基于尺度可變視頻流信息,研發(fā)了一套柑橘葉片病蟲(chóng)害動(dòng)態(tài)識(shí)別系統(tǒng)。

本文以蘋(píng)果、玉米、葡萄和番茄4種作物18種病害為研究對(duì)象,通過(guò)數(shù)據(jù)預(yù)處理、數(shù)據(jù)增強(qiáng)構(gòu)建病害數(shù)據(jù)集。利用VGG16和Resnet50兩種深度學(xué)習(xí)模型,通過(guò)模型參數(shù)優(yōu)化、模型交叉驗(yàn)證等,構(gòu)建單作物多病害識(shí)別和多作物多病害識(shí)別模型。并對(duì)識(shí)別模型性能進(jìn)行對(duì)比分析。構(gòu)建識(shí)別模型后,結(jié)合智能手機(jī)、Web技術(shù)和網(wǎng)絡(luò)編程技術(shù),研發(fā)一個(gè)農(nóng)作物病害智能識(shí)別系統(tǒng)。

1 材料與方法

1.1 數(shù)據(jù)集

作物病害圖像數(shù)據(jù)主要來(lái)自AI Challenger 2018數(shù)據(jù)集。該數(shù)據(jù)集按照物種—病害—程度分類,包含10個(gè)物種,共61個(gè)病害。帶標(biāo)簽的數(shù)據(jù)包含32 768幅訓(xùn)練集圖像和4 992幅驗(yàn)證集圖像。本文主要選用蘋(píng)果、玉米、葡萄和番茄4個(gè)作物,18個(gè)病害和健康,共22個(gè)類別建立模型。

圖像按1∶1比例裁剪病害區(qū)域,并將圖像統(tǒng)一縮放為256像素×256像素。由于部分病害類別圖像樣本數(shù)量較少,為提高模型的泛化能力和魯棒性,通過(guò)增加圖像對(duì)比度與亮度、添加噪聲和旋轉(zhuǎn)90°等方法對(duì)樣本數(shù)較少類別的原始圖像進(jìn)行數(shù)據(jù)增強(qiáng)。另外,通過(guò)各種途徑收集病害圖片,使病害樣本數(shù)量得到補(bǔ)充。表1展示數(shù)據(jù)集基本信息,圖1展示部分病害圖片。

表1 數(shù)據(jù)集信息Tab. 1 Information of dataset

圖1 作物病害圖像示例Fig. 1 Example of crop disease image

根據(jù)5-flod交叉驗(yàn)證需求,數(shù)據(jù)集被均分成5份,4份作為訓(xùn)練集,1份作為測(cè)試集,即80%作為訓(xùn)練集,20%作為測(cè)試集。

1.2 識(shí)別模型

目前,應(yīng)用較廣泛,識(shí)別效果較好的CNN模型有VGG16、GoogLeNet、Resnet和DenseNet等。由于VGG16和Resnet50在圖像識(shí)別方面的出色表現(xiàn),本文選擇VGG16和Resnet50建立病害識(shí)別模型,通過(guò)對(duì)比分析選擇出識(shí)別能力最佳的模型架構(gòu)。VGG16模型的結(jié)構(gòu)和參數(shù)如圖2所示,Resnet50模型的結(jié)構(gòu)和參數(shù)如圖3所示。圖中Conv代表卷積層,數(shù)字為卷積核大小;C為輸出特征圖個(gè)數(shù),S為步長(zhǎng),P為填充值。模型結(jié)構(gòu)圖中省略了歸一化層和激活函數(shù)層。

圖2 VGG16模型結(jié)構(gòu)和參數(shù)Fig. 2 Model structure and parameters of VGG16

圖3 Resnet50模型結(jié)構(gòu)和參數(shù)Fig. 3 Model structure and parameters of Resnet50

VGG模型的中心思想是使用3×3的卷積核和2×2的池化核,來(lái)減少模型參數(shù)和計(jì)算量,同時(shí)加深網(wǎng)絡(luò)結(jié)構(gòu)來(lái)提升模型識(shí)別能力。VGG16模型主要由13個(gè)卷積層、3個(gè)全連接層、5個(gè)池化層和1個(gè)dropout層構(gòu)成。卷積層共分為5個(gè)卷積塊,每個(gè)卷積塊由一組卷積層與激活函數(shù),及一個(gè)最大池化函數(shù)組成。VGG16通過(guò)卷積層提取圖像特征,池化層降低特征維度,全連接層對(duì)數(shù)據(jù)進(jìn)行分類,最后一層為softmax層,計(jì)算出輸入圖像屬于每個(gè)類別的概率,最后得到每個(gè)類的預(yù)測(cè)值。

殘差網(wǎng)絡(luò)(ResNet),引入殘差模塊、恒等映射、瓶頸層等技術(shù),通過(guò)增加網(wǎng)絡(luò)層數(shù)使其具有更好的特征表達(dá)能力,巧妙地解決了網(wǎng)絡(luò)深度引發(fā)的梯度消失或梯度爆炸問(wèn)題;有效地控制了網(wǎng)絡(luò)參數(shù)和計(jì)算復(fù)雜度。模型的激活函數(shù)采用Leaky ReLU。Leaky ReLU激活函數(shù)可以使梯度正常傳播,并能避免神經(jīng)元處于“死亡”狀態(tài)。

1.3 模型運(yùn)行環(huán)境

模型基于Darknet深度學(xué)習(xí)開(kāi)發(fā)平臺(tái)實(shí)現(xiàn)。Darknet是一個(gè)比較小眾的深度學(xué)習(xí)框架,但該框架具有以下優(yōu)點(diǎn):(1)沒(méi)有任何依賴項(xiàng),易于安裝;(2)結(jié)構(gòu)明晰,源代碼查看、修改方便;(3)易于移植,有利于模型系統(tǒng)與其他系統(tǒng)集成及應(yīng)用開(kāi)發(fā)。模型訓(xùn)練、測(cè)試和運(yùn)行的GPU是NVIDIA GEFORCE RTX 3090,該GPU采用第2代NVIDIA RTX架構(gòu),搭載了全新的RT Core、Tensor Core及SM流式多處理器,CUDA核心數(shù)10 496,存儲(chǔ)24 GB。操作系統(tǒng)是Ubuntu20.04。

1.4 模型訓(xùn)練與評(píng)價(jià)

1.4.1 模型訓(xùn)練

采用5-flod交叉驗(yàn)證方法,數(shù)據(jù)集被均分成5份,4份作為訓(xùn)練集,1份作為測(cè)試集,即80%作為訓(xùn)練集,20%作為測(cè)試集。分別用蘋(píng)果、玉米、葡萄、番茄病害數(shù)據(jù)集對(duì)模型進(jìn)行訓(xùn)練,建立4個(gè)作物的單作物多病害識(shí)別模型。然后用這4個(gè)作物病害數(shù)據(jù)集對(duì)模型進(jìn)行訓(xùn)練,并建立多作物多病害識(shí)別模型。

VGG16和Resnet50模型訓(xùn)練采用隨機(jī)梯度下降法Stochastic Gradient Descent(SGD)對(duì)模型參數(shù)進(jìn)行更新學(xué)習(xí)。模型學(xué)習(xí)速率為0.01,權(quán)重衰減率為0.000 5,沖量為0.9,迭代次數(shù)為30 000次,每次批次128張圖片。訓(xùn)練輸入圖像大小為256像素×256像素,損失函數(shù)采用softmax。

模型訓(xùn)練和驗(yàn)證階段,首先按圖2和圖3的模型結(jié)構(gòu)和參數(shù)建立模型配置文件。然后,根據(jù)Darknet系統(tǒng)要求,建立包含訓(xùn)練數(shù)據(jù)集、驗(yàn)證數(shù)據(jù)集、測(cè)試數(shù)據(jù)集、類別等數(shù)據(jù)配置文件。最后調(diào)用Darknet系統(tǒng)的模型訓(xùn)練、驗(yàn)證和測(cè)試功能,完成模型訓(xùn)練、驗(yàn)證和測(cè)試。

1.4.2 模型性能分析

采用5-flod交叉驗(yàn)證方法,對(duì)每個(gè)模型進(jìn)行交叉驗(yàn)證,統(tǒng)計(jì)每個(gè)模型的平均正確率,結(jié)果如表2。VGG16病害識(shí)別模型正確率都達(dá)到96%以上。Resnet50病害識(shí)別模型識(shí)別正確率達(dá)到86%以上,與VGG16識(shí)別模型相比識(shí)別率偏低。Resnet50模型對(duì)番茄和葡萄的識(shí)別能力較低,與VGG16模型相比識(shí)別率分別下降9.12%和12.4%。Resnet50模型對(duì)玉米和蘋(píng)果的識(shí)別能力與VGG16模型相比正確率相差較小,分別下降1.68%和3.3%。Resnet50模型對(duì)多作物多病害的識(shí)別能力與VGG16相比識(shí)別率分別下降8.14%、7.03%和5.02%。在GPU支持下,VGG16和Resnet50識(shí)別一張圖片的平均時(shí)間分別是19.63 ms和18.82 ms,相差不大。因此,在此數(shù)據(jù)集上VGG16模型比Resnet50模型識(shí)別能力更強(qiáng)。

表2 各識(shí)別模型識(shí)別性能Tab. 2 Recognition performance of different models %

對(duì)比分析VGG16建立的7個(gè)病害識(shí)別模型。番茄和葡萄病多作物害識(shí)別模型的正確率為96.75%,低于番茄病害識(shí)別模型的正確率(97.61%)。玉米、番茄和葡萄多作物識(shí)別模型的正確率為97.83%,與番茄病害識(shí)別模型的識(shí)別率僅相差0.22%。蘋(píng)果、玉米、番茄和葡萄4作物多病害識(shí)別模型的正確率為96.80%,與蘋(píng)果病害識(shí)別模型的識(shí)別率僅相差0.34%。從以上的對(duì)比結(jié)果可知,多作物多病害識(shí)別模型的正確率,與識(shí)別率最低的單作物多病害識(shí)別模型正確率相當(dāng),即多個(gè)單作物識(shí)別模型比一個(gè)多作物識(shí)別模型具有更好的識(shí)別能力。

表3統(tǒng)計(jì)了VGG16單作物和多作物識(shí)別模型對(duì)每種病害的識(shí)別正確率、召回率和精度。與單作物識(shí)別模型相比多作物識(shí)別模型對(duì)一些病害的識(shí)別能力有明顯下降,其中蘋(píng)果的3種病害的各項(xiàng)指標(biāo)變化不大。玉米葉斑病的召回率和精度分別下降5.41%和7.31%,玉米花葉病毒病在召回率不變的情況下,精度下降了1.23%。葡萄黑腐病在精度不變的情況下召回率下降了3.8%,葡萄褐斑病在召回率不變的情況下精度下降了23.08%。番茄受影響的病害種類較多,其中番茄早疫病的召回率和精度分別下降7.41%和5.17%,番茄晚疫病的召回率和精度分別下降0.63%和8.19%;在精度不變的情況下番茄葉霉病、番茄斑枯病和番茄花葉病毒病的召回率分別下降了1.24%、2.85%和7.44%。綜上所述,在多作物識(shí)別模型中玉米、葡萄和番茄的病害識(shí)別性能都受到影響,平均識(shí)別正確率以及部分病害的精度和召回率都有明顯下降。結(jié)果表明多個(gè)單作物識(shí)別模型比一個(gè)多作物識(shí)別模型具有更好的識(shí)別能力。

表3 VGG16單作物模型和多作物模型性能Tab. 3 Recognition performance of VGG16 single crop and multi crop models

基于以上分析結(jié)果,本文提出了根據(jù)作物生長(zhǎng)階段和作物類型分類建立單作物多病害識(shí)別模型的方法。該方法可以更好地利用作物生長(zhǎng)環(huán)境、病害發(fā)生特點(diǎn)、病害發(fā)生規(guī)律、發(fā)展階段等先驗(yàn)知識(shí),建立性能更好的識(shí)別模型。

2 系統(tǒng)實(shí)現(xiàn)

1) 系統(tǒng)總體設(shè)計(jì)?；谥悄苁謾C(jī)和深度學(xué)習(xí)模型的農(nóng)作物病害智能識(shí)別系統(tǒng)的整體架構(gòu)如圖4所示。系統(tǒng)由智能手機(jī)客戶端、Web服務(wù)器、套接字服務(wù)器和農(nóng)作物病害識(shí)別模型組成。系統(tǒng)模塊和流程圖如圖5所示。

圖4 系統(tǒng)總體架構(gòu)Fig. 4 System architecture

圖5 系統(tǒng)主要模塊和流程圖Fig. 5 Modules and flow chart of the system

系統(tǒng)主要功能模塊包括:用戶注冊(cè)、用戶登錄、信息采集、網(wǎng)絡(luò)服務(wù)管理、知識(shí)庫(kù)管理和結(jié)果展示等。病害識(shí)別的主要流程是:首先采用智能手機(jī)拍攝農(nóng)作物病害圖像,通過(guò)網(wǎng)絡(luò)上傳到服務(wù)器,同時(shí)上傳作物類型和采集時(shí)間信息;服務(wù)器接收到信息后,首先解析信息,判斷要調(diào)用的識(shí)別模型并加載模型參數(shù)和權(quán)重,然后對(duì)圖像進(jìn)行識(shí)別,得到準(zhǔn)確的識(shí)別結(jié)果;Web服務(wù)器根據(jù)識(shí)別結(jié)果,精準(zhǔn)查詢對(duì)應(yīng)的病害知識(shí)和防治方法,并把識(shí)別結(jié)果、病害信息和防治方法展示給用戶。

2) 網(wǎng)絡(luò)服務(wù)設(shè)計(jì)與實(shí)現(xiàn)。套接字網(wǎng)絡(luò)服務(wù)器的功能是提供TCP/IP網(wǎng)絡(luò)鏈接接口,并根據(jù)接收到的信息調(diào)用識(shí)別模型。網(wǎng)絡(luò)接口可以根據(jù)協(xié)議接收Socket鏈接請(qǐng)求。網(wǎng)絡(luò)服務(wù)器可以作為獨(dú)立的平臺(tái),除為本文系統(tǒng)提供服務(wù),還可以為農(nóng)業(yè)專家系統(tǒng)、農(nóng)業(yè)機(jī)器人、智能農(nóng)機(jī)和無(wú)人機(jī)等提供病害識(shí)別服務(wù)。

套接字網(wǎng)絡(luò)服務(wù)器基于Darknet、C語(yǔ)言和Socket網(wǎng)絡(luò)編程實(shí)現(xiàn)。Darknet是用C語(yǔ)言開(kāi)發(fā)的深度學(xué)習(xí)開(kāi)發(fā)平臺(tái),可使識(shí)別模型與Socket服務(wù)無(wú)縫集成。識(shí)別模型采用配置文件的方式進(jìn)行配置和管理。首先為每個(gè)模型建立網(wǎng)絡(luò)結(jié)構(gòu)文件、病害類別文件、模型權(quán)重文件,然后采用作物類別和病害類別,建立模型相關(guān)文件的索引,從而實(shí)現(xiàn)模型的分類管理。網(wǎng)絡(luò)服務(wù)器接收到網(wǎng)絡(luò)鏈接請(qǐng)求后,建立處理線程。處理線程接收作物類型、發(fā)病時(shí)間和病害圖像數(shù)據(jù),查詢模型索引文件,并精準(zhǔn)調(diào)用識(shí)別模型對(duì)病害進(jìn)行識(shí)別。最后,通過(guò)TCP/IP鏈接把識(shí)別結(jié)果發(fā)送給客戶端。

3) 手機(jī)端設(shè)計(jì)與實(shí)現(xiàn)。手機(jī)客戶端基于響應(yīng)式H5頁(yè)面、JAVA、JSP、Struts架構(gòu)等技術(shù)實(shí)現(xiàn)。手機(jī)端網(wǎng)頁(yè)通過(guò)標(biāo)簽設(shè)置頁(yè)面元信息,使其自動(dòng)適應(yīng)手機(jī)界面。手機(jī)客戶端主要功能包括:用戶注冊(cè)、用戶登錄、農(nóng)作物病害數(shù)據(jù)采集、農(nóng)作物病害識(shí)別、識(shí)別結(jié)果展示、病害防治方法展示等。手機(jī)客戶端部分界面如圖6所示。

(a) 用戶登錄

(b) 病害信息采集

(c) 識(shí)別結(jié)果圖6 手機(jī)客戶端界面Fig. 6 Interface of smartphone

用戶登錄界面如圖6(a)所示,包括賬號(hào)/手機(jī)號(hào)、密碼輸入接口,登錄和重置按鈕。新用戶需要點(diǎn)擊下方的注冊(cè)進(jìn)行賬號(hào)注冊(cè)。用戶登錄系統(tǒng)后進(jìn)入病害信息采集界面(圖6(b))。采集信息包括采集時(shí)間和作物類型。病害圖像有圖片庫(kù)選擇和現(xiàn)場(chǎng)拍照兩種輸入方式。網(wǎng)頁(yè)信息提交后由自定義Action與Socket服務(wù)器建立TCP/IP鏈接,并發(fā)送圖像和相關(guān)參數(shù)到Socket服務(wù)器。Socket服務(wù)器解析接收到的信息并根據(jù)作物類型、發(fā)病時(shí)間調(diào)用對(duì)應(yīng)的識(shí)別模型。識(shí)別結(jié)果和正確率通過(guò)TCP/IP鏈接發(fā)送給自定義Action。自定義Action根據(jù)識(shí)別結(jié)果查詢對(duì)應(yīng)的病害知識(shí)和防治辦法,并把相關(guān)信息發(fā)送到客戶端,顯示在手機(jī)屏幕上,如圖6(c)所示。在GPU支持下,頁(yè)面響應(yīng)時(shí)間1～2 s,滿足應(yīng)用需求。

3 結(jié)論

1) 本文以蘋(píng)果、玉米、葡萄和番茄4種作物18種病害為研究對(duì)象,采用VGG16和Resnet50構(gòu)建識(shí)別模型,通過(guò)數(shù)據(jù)預(yù)處理、數(shù)據(jù)增強(qiáng)、模型參數(shù)優(yōu)化、模型交叉驗(yàn)證等,構(gòu)建了單作物多病害識(shí)別模型和多作物多病害識(shí)別模型。驗(yàn)證結(jié)果表明基于VGG16建立的病害識(shí)別模型的識(shí)別正確率都達(dá)到96%以上,性能優(yōu)于基于Resnet50構(gòu)建的識(shí)別模型。分析基于VGG16建立的病害識(shí)別模型性能后發(fā)現(xiàn)根據(jù)作物類型和發(fā)病時(shí)間構(gòu)建的單作物多病害識(shí)別模型性能優(yōu)于單個(gè)的多作物多病害識(shí)別模型。因此,本文提出了根據(jù)作物類型和發(fā)病時(shí)間構(gòu)建病害識(shí)別模型的方法,該方法可以有效利用作物生長(zhǎng)環(huán)境、病害發(fā)生規(guī)律、發(fā)展階段等先驗(yàn)知識(shí),建立單作物多病害的病害識(shí)別模型,從而實(shí)現(xiàn)最佳的識(shí)別效果。這種模型構(gòu)建方法也更適合應(yīng)用場(chǎng)景。

2) 基于智能手機(jī)的農(nóng)作物病害智能識(shí)別系統(tǒng)可為農(nóng)戶、基層植保人員及其他用戶提供精確的識(shí)別結(jié)果、病害知識(shí)和防治方法。系統(tǒng)具有以下特點(diǎn):(1)根據(jù)作物類別和發(fā)病時(shí)間構(gòu)建病害識(shí)別模型體系,使系統(tǒng)的病害識(shí)別能力更強(qiáng)、準(zhǔn)確度更高。(2)系統(tǒng)通過(guò)網(wǎng)絡(luò)服務(wù)器實(shí)現(xiàn)模型調(diào)用,降低了功能子系統(tǒng)間的耦合,增加了系統(tǒng)的可擴(kuò)展性,隨著更多識(shí)別模型的建立將極大地提升系統(tǒng)的識(shí)別能力。(3)Socket網(wǎng)絡(luò)服務(wù)器可同時(shí)為農(nóng)業(yè)機(jī)器人、智能農(nóng)機(jī)、無(wú)人機(jī)及其他農(nóng)業(yè)專家系統(tǒng)提供作物病害識(shí)別服務(wù)。(4)基于手機(jī)網(wǎng)頁(yè)形式,可以減少占用手機(jī)端系統(tǒng)資源,系統(tǒng)安裝部署、升級(jí)方便。隨著更多作物識(shí)別模型的建立并集成到系統(tǒng),將形成更完整的識(shí)別模型體系,系統(tǒng)功能會(huì)更加完善,并加快系統(tǒng)的落地應(yīng)用。