梁東 唐偉萍 黃欣

摘 要：為提高對(duì)甘蔗病蟲害的防治效率，實(shí)現(xiàn)對(duì)甘蔗病蟲害的自動(dòng)識(shí)別與監(jiān)測(cè)，研究設(shè)計(jì)基于安卓（Android）的甘蔗病蟲害識(shí)別系統(tǒng)。該系統(tǒng)利用智能移動(dòng)設(shè)備收集了大量的甘蔗病蟲害圖像數(shù)據(jù)集，使用計(jì)算機(jī)視覺技術(shù)提取圖像中的特征，構(gòu)建深度學(xué)習(xí)模型，并訓(xùn)練一個(gè)分類模型來識(shí)別不同類型的甘蔗病蟲害，進(jìn)行端側(cè)推理并將訓(xùn)練好的模型集成到Android應(yīng)用中，實(shí)現(xiàn)對(duì)甘蔗病蟲害的快速準(zhǔn)確識(shí)別。該甘蔗病蟲害識(shí)別系統(tǒng)在識(shí)別準(zhǔn)確率和使用性能方面表現(xiàn)良好，可有效地幫助農(nóng)民識(shí)別和處理甘蔗病蟲害問題，提高防治效率。

關(guān)鍵詞：Android平臺(tái)；甘蔗害蟲；圖像處理；深度學(xué)習(xí)；特征提取

中圖分類號(hào)：S566.1；S126? ? ? ? ? ? ? ? ? ? ? ?文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：2095-820X（2023）04-0013-06

0 引言

甘蔗作為重要的經(jīng)濟(jì)作物之一，同樣面臨著各種病蟲害的侵襲。蟲害已對(duì)甘蔗的產(chǎn)量和質(zhì)量造成了嚴(yán)重威脅，可導(dǎo)致嚴(yán)重的減產(chǎn)損失，給農(nóng)民帶來巨大的經(jīng)濟(jì)壓力。傳統(tǒng)的甘蔗病蟲害監(jiān)測(cè)和防治主要依賴于人工巡查識(shí)別和化學(xué)農(nóng)藥噴灑，不僅效率低下，還會(huì)對(duì)環(huán)境造成污染。人工對(duì)甘蔗進(jìn)行病蟲害識(shí)別是一項(xiàng)費(fèi)時(shí)費(fèi)力的任務(wù)，通常需要專業(yè)知識(shí)和豐富經(jīng)驗(yàn)。隨著深度學(xué)習(xí)技術(shù)在圖像識(shí)別領(lǐng)域取得突破性進(jìn)展，給解決甘蔗病蟲害識(shí)別問題提供了新的可能性。利用深度學(xué)習(xí)算法，可通過訓(xùn)練模型來自動(dòng)識(shí)別和分類不同類型的病蟲害，從而提高識(shí)別的準(zhǔn)確性和效率。在智能移動(dòng)設(shè)備市場(chǎng)快速發(fā)展的背景下，將甘蔗病蟲害識(shí)別技術(shù)應(yīng)用于安卓（Android）平臺(tái)具有重要意義。通過在Android平臺(tái)上建立甘蔗病蟲害識(shí)別模型，農(nóng)民和科技工作者可隨時(shí)隨地使用手機(jī)或平板電腦對(duì)甘蔗病蟲害進(jìn)行識(shí)別，及時(shí)采取相應(yīng)的防治措施，從而提高作物的產(chǎn)量和質(zhì)量［1］。近年來，圖像處理和機(jī)器學(xué)習(xí)技術(shù)在農(nóng)業(yè)領(lǐng)域得到了廣泛應(yīng)用，許多研究致力于開發(fā)基于圖像處理和機(jī)器學(xué)習(xí)的農(nóng)作物病蟲害識(shí)別方法。但鮮有研究關(guān)注基于Android平臺(tái)的甘蔗病蟲害圖像處理方法?；贏ndroid平臺(tái)的甘蔗病蟲害識(shí)別研究旨在將深度學(xué)習(xí)技術(shù)與移動(dòng)設(shè)備相結(jié)合，開發(fā)出具有實(shí)時(shí)性、便攜性和高準(zhǔn)確性的甘蔗病蟲害識(shí)別系統(tǒng)［2］，為農(nóng)業(yè)生產(chǎn)提供技術(shù)支持，幫助農(nóng)民更好地管理甘蔗。

1 數(shù)據(jù)采集及處理

甘蔗的常見病蟲害主要有銹病、輪斑病、黑穗病、鞘腐病、赤腐病、鳳梨病、螟蟲和棉蚜等［3］；針對(duì)各種病蟲害進(jìn)行特征分析，如甘蔗黑穗病屬真菌性病害，其明顯特征是蔗莖頂端部生長(zhǎng)出一條黑色鞭狀物，短者筆直，長(zhǎng)者或卷曲或彎曲，無分枝；使用數(shù)碼相機(jī)、平板電腦或智能手機(jī)在廣西崇左市、南寧市、橫州市等地的甘蔗種植區(qū)進(jìn)行病蟲害特征圖片數(shù)據(jù)采集，每種病蟲害的樣本數(shù)為500張，采集的部分?jǐn)?shù)據(jù)集如圖1所示。為了提高識(shí)別精度，后續(xù)會(huì)對(duì)圖像數(shù)據(jù)進(jìn)行預(yù)處理，包括圖像增強(qiáng)、降噪和圖像矯正等。

2 模型構(gòu)建和訓(xùn)練

2.1 模型構(gòu)建和訓(xùn)練原理

為了提高模型的準(zhǔn)確性和性能，確保模型能準(zhǔn)確地識(shí)別甘蔗葉片的病蟲害情況，甘蔗病蟲害識(shí)別模型的構(gòu)建和訓(xùn)練過程主要步驟有：

（1）數(shù)據(jù)集準(zhǔn)備：收集包含甘蔗葉片病蟲害圖片的數(shù)據(jù)集，確保圖片標(biāo)注準(zhǔn)確。

（2）數(shù)據(jù)集分割：將數(shù)據(jù)集劃分為訓(xùn)練集、驗(yàn)證集和測(cè)試集。一般采用70%的圖片作為訓(xùn)練集，10%作為驗(yàn)證集，剩下的20%平均分給測(cè)試集A和測(cè)試集B［4］。

（3）預(yù)訓(xùn)練模型：選擇一個(gè)合適的預(yù)訓(xùn)練模型作為基礎(chǔ)網(wǎng)絡(luò)。在本研究中使用ResNet-152模型。

（4）特征提?。涸跀?shù)據(jù)集上對(duì)預(yù)訓(xùn)練模型進(jìn)行遷移學(xué)習(xí)，提取模型學(xué)習(xí)到的圖像底層特征［5］。

（5）模型訓(xùn)練：以提取到的特征作為輸入數(shù)據(jù)源，訓(xùn)練病蟲害識(shí)別模型?？刹捎梅诸惼骰蚱渌m合的方法進(jìn)行訓(xùn)練。

（6）模型驗(yàn)證：使用驗(yàn)證集對(duì)訓(xùn)練好的模型進(jìn)行驗(yàn)證，評(píng)估模型在未見過的數(shù)據(jù)上的性能。

（7）識(shí)別率評(píng)估：使用測(cè)試集A和測(cè)試集B對(duì)訓(xùn)練好的模型進(jìn)行評(píng)估，計(jì)算模型的識(shí)別率。

2.2 模型構(gòu)建和訓(xùn)練過程

本研究基于ResNet-152預(yù)訓(xùn)練網(wǎng)絡(luò)構(gòu)建一個(gè)甘蔗葉片病蟲害識(shí)別模型。使用1份包含近3萬張標(biāo)注甘蔗葉片病蟲害照片的圖像數(shù)據(jù)集，該數(shù)據(jù)集被隨機(jī)分成4個(gè)部分，70%作為訓(xùn)練集，10%作為驗(yàn)證集，余下的20%平均分給測(cè)試集A和測(cè)試集B。在劃分好的數(shù)據(jù)集上，首先對(duì)ResNet-152模型進(jìn)行預(yù)訓(xùn)練，通過預(yù)訓(xùn)練模型，提取學(xué)習(xí)到的圖像底層特征，作為后續(xù)正式創(chuàng)建模型的初始化參數(shù)。隨后，使用預(yù)訓(xùn)練提取到的參數(shù)作為輸入數(shù)據(jù)，在甘蔗葉片病蟲害識(shí)別任務(wù)上訓(xùn)練模型，使用測(cè)試集A和測(cè)試集B進(jìn)行驗(yàn)證，計(jì)算識(shí)別率，完成對(duì)甘蔗葉片病蟲害的識(shí)別任務(wù)。模型的整體框架如圖2所示。

3 端側(cè)推理

Android Studio軟件、JDK（Java development kit）和SDK（Software development kit）是應(yīng)用系統(tǒng)開發(fā)環(huán)境的主要組成部分。在PyTorch框架中完成模型的訓(xùn)練過程，之后的優(yōu)化和部署過程主要在推理框架和Android Studio軟件中完成，整個(gè)推理流程如圖3所示。首先，需要搭建Android開發(fā)環(huán)境，并在Gradle中添加推理框架接口的依賴庫。這樣可減少M(fèi)odule的重復(fù)編譯數(shù)量，方便進(jìn)行調(diào)用和訪問。然后將訓(xùn)練好的CNN網(wǎng)絡(luò)模型通過腳本語言轉(zhuǎn)換為適合Android平臺(tái)使用的模型文件格式。在轉(zhuǎn)換過程中，可能會(huì)進(jìn)行一些操作，如量化和剪枝［6］。最后，在MainActivity.java文件中加載模型，并在CameraActivity.java文件中創(chuàng)建模型的重寫調(diào)用鏈接。還需要編寫相關(guān)的相機(jī)設(shè)置，以便使用手機(jī)的攝像頭進(jìn)行圖像識(shí)別。同時(shí)，在Android開發(fā)軟件中，按照網(wǎng)絡(luò)模型訓(xùn)練過程使用的類別文檔格式配置農(nóng)作物病蟲害標(biāo)簽，使軟件在進(jìn)行圖像識(shí)別時(shí)能輸出正確的病蟲害類別［7］。最后，在Android Studio軟件上完成Android應(yīng)用的UI界面設(shè)計(jì)及其他相關(guān)開發(fā)和調(diào)試工作。用戶在允許應(yīng)用軟件調(diào)用攝像頭或獲取內(nèi)存權(quán)限的前提下，可使用該軟件調(diào)用攝像頭或從本地獲取圖片進(jìn)行圖像識(shí)別操作。

4 Android端應(yīng)用開發(fā)

4.1 Android端操作系統(tǒng)與推理框架簡(jiǎn)介

Android是基于Linux內(nèi)核的開源移動(dòng)設(shè)備操作系統(tǒng)，由美國谷歌公司開發(fā)［8］，主要應(yīng)用于智能手機(jī)、平板電腦、智能手表和其他便攜式設(shè)備上，為移動(dòng)設(shè)備提供了豐富的功能和應(yīng)用支持。

推理框架（Inference framework）是用于在移動(dòng)設(shè)備或其他嵌入式系統(tǒng)上進(jìn)行深度學(xué)習(xí)模型推理的軟件工具包，提供了對(duì)預(yù)訓(xùn)練的深度學(xué)習(xí)模型進(jìn)行加載、推理計(jì)算和結(jié)果輸出的功能，使用戶能便捷地將深度學(xué)習(xí)模型部署到移動(dòng)設(shè)備上進(jìn)行實(shí)時(shí)推理。

在Android端有幾個(gè)常見的推理框架可供選擇：

（1）TensorFlow Lite：谷歌公司開發(fā)的專門用于移動(dòng)設(shè)備和嵌入式設(shè)備的輕量級(jí)機(jī)器學(xué)習(xí)推理引擎。針對(duì)移動(dòng)設(shè)備和嵌入式設(shè)備資源有限的特點(diǎn)進(jìn)行優(yōu)化，以便高效運(yùn)行機(jī)器學(xué)習(xí)模型。

（2） PyTorch Mobile：PyTorch Mobile是基于PyTorch框架的移動(dòng)端推理工具，在移動(dòng)設(shè)備上進(jìn)行深度學(xué)習(xí)模型的推斷，適用于Android設(shè)備。提供了加載、運(yùn)行和部署PyTorch模型的功能，并支持與Java和C++的集成。

（3）ONNX Runtime for Mobile：ONNX（開放神經(jīng)網(wǎng)絡(luò)交換）是一種開放的深度學(xué)習(xí)模型表示格式，ONNX Runtime是用于在移動(dòng)設(shè)備上進(jìn)行推理的高性能引擎。支持Android平臺(tái)，并提供了C++和Java的API接口［9］。

這些推理框架均提供了豐富的功能和工具，可幫助開發(fā)者在Android端進(jìn)行深度學(xué)習(xí)模型的推理任務(wù)；同時(shí)提供了模型加載、計(jì)算、優(yōu)化和結(jié)果輸出等一系列功能，使得開發(fā)者能更便捷地使用深度學(xué)習(xí)模型來構(gòu)建實(shí)際應(yīng)用。

4.2 模型集成

將訓(xùn)練好的模型集成到Android應(yīng)用中，實(shí)現(xiàn)實(shí)時(shí)的甘蔗病蟲害圖像識(shí)別功能［10］，主要有以下步驟：

（1）將訓(xùn)練好的模型保存為TensorFlow Lite（TFLite）格式。可使用TensorFlow Lite工具將訓(xùn)練好的模型轉(zhuǎn)換為.tflite格式，或使用Android Studio中的TensorFlow Lite插件進(jìn)行轉(zhuǎn)換。

（2）在Android應(yīng)用中添加TFLite庫和相關(guān)依賴項(xiàng)［11］。在Android Studio的構(gòu)建文件（build.gradle）中添加以下依賴項(xiàng)：

dependencies ｛

implementation ‘org.tensorflow：tensorflow-lite：2.3.0

implementation ‘org.tensorflow：tensorflow-lite-support：0.1.0

｝

```

（3） 在Android應(yīng)用中加載.tflite模型。使用TensorFlow Lite庫中的工具類`TensorFlow Lite Model畫質(zhì)來加載模型，如：

```

File tfliteModelFile = new File（“/path/to/your/model.tflite”）；

byte［］ modelBytes = FileUtils.readFileToByteArray（tfliteModelFile）；

Model model = ModelLoader.loadModel（mo-delBytes）；

```

（4） 在Android應(yīng)用中實(shí)現(xiàn)圖像處理功能。可使用TensorFlow Lite庫中的工具類`TensorFlow Lite C++來執(zhí)行推理操作，如：

```

try ｛

// 創(chuàng)建輸入張量

InputTensor input = new InputTensor（INPUT_ NAME，DataType.FLOAT32）；

// 創(chuàng)建輸出張量

OutputTensor output = new OutputTensor（OUTPUT_NAME，DataType.FLOAT32）；

// 創(chuàng)建輸入數(shù)據(jù)類型為Float32數(shù)組，其中元素值是模型所需的輸入數(shù)據(jù)

float［］ inputData = ｛1.0f， 2.0f， 3.0f， 4.0f｝；

// 創(chuàng)建輸入數(shù)據(jù)的數(shù)據(jù)類型為Float32數(shù)組，其中元素值是模型所需的輸入數(shù)據(jù)的數(shù)據(jù)類型

TypeSpec inputType = TypeSpec.of（new TypeParameter（“input”， new Class［］ ｛Float.class， Float.class｝， “float”， “float”））；

// 創(chuàng)建輸出數(shù)據(jù)的類型為Float32數(shù)組，其中元素值是模型所需的輸出數(shù)據(jù)的數(shù)據(jù)類型和大?。ǜ鶕?jù)模型的維度）

TypeSpec outputType = TypeSpec.of（new TypeParameter（“output”， new Class［］ ｛Float.class｝， “float”， “float”））；

// 創(chuàng)建模型所需的輸入張量和輸出張量類型的信息對(duì)象

InputSignature inputSignature=ModelSignatureMap.createSignatureMap（）

.set（new InputName（INPUT_NAME），inputType， input）

.build（）；

OutputSignature outputSignature = ModelSignatureMap.createSignatureMap（）

.set（new OutputName（OUTPUT_NAME）， outputType， output）

.build（）；

// 創(chuàng)建模型的輸入張量和輸出張量類型的信息對(duì)象，并設(shè)置模型的輸入和輸出張量類型信息對(duì)象和大小信息對(duì)象

ModelSignature modelSignature = ModelSignatureMap.createSignatureMap（）

.set（inputSignature）

.set（outputSignature）

.build（）；

// 創(chuàng)建模型，并設(shè)置模型文件、簽名、選項(xiàng)等參數(shù)

Interpreter.Options options = new Interpreter.Options（）；

Interpreter interpreter = new Interpreter（modelBytes， options）；

interpreter.resizeInput（0， inputShape）；

interpreter.resizeOutput（0， outputShape）；

// 創(chuàng)建模型的輸入數(shù)據(jù)類型為Float32數(shù)組，其中元素值是模型所需的輸入數(shù)據(jù)的數(shù)據(jù)類型和大小（根據(jù)模型的維度）

float［］ outputData = new float［outputSize］；

// 執(zhí)行推理操作，并將結(jié)果存儲(chǔ)在outputData數(shù)組中（根據(jù)模型的維度）

interpreter.run（inputData， outputData）；

｝ catch （Exception e） ｛

e.printStackTrace（）；

｝

```

4.3 APP軟件調(diào)試

（1）確保環(huán)境配置正確：確保Android開發(fā)環(huán)境和相應(yīng)的SDK、NDK等工具已正確安裝并配置。確保使用者可成功構(gòu)建和運(yùn)行Android應(yīng)用程序［12］。

（2）導(dǎo)入項(xiàng)目代碼：將甘蔗病蟲害識(shí)別系統(tǒng)的源代碼導(dǎo)入到Android開發(fā)環(huán)境中，并確保項(xiàng)目文件結(jié)構(gòu)正確。

（3）安裝依賴庫和模型文件：如果系統(tǒng)使用了特定的深度學(xué)習(xí)庫或模型文件，需確保這些依賴庫和模型文件已正確導(dǎo)入到項(xiàng)目中，并在代碼中正確引用和調(diào)用。

（4）進(jìn)行單元測(cè)試：針對(duì)各功能模塊進(jìn)行單元測(cè)試。確保圖像加載、預(yù)處理、特征提取和分類等功能模塊可正常工作，且輸出結(jié)果符合預(yù)期。如果出現(xiàn)問題，可通過調(diào)試工具來逐步排查和修復(fù)。

（5）設(shè)備適配性測(cè)試：測(cè)試應(yīng)用程序在不同Android設(shè)備上的適配性。確保應(yīng)用程序在各種屏幕分辨率和設(shè)備規(guī)格下均能正常運(yùn)行，且顯示效果良好。在軟件的調(diào)試過程中，使用內(nèi)置操作系統(tǒng)為Android 10.0，并搭載海思麒麟985處理器，擁有8 GB運(yùn)行內(nèi)存的智能手機(jī)，該硬件配置使手機(jī)在進(jìn)行軟件調(diào)試和測(cè)試時(shí)可提供較高的性能和穩(wěn)定性。

（6）性能優(yōu)化與調(diào)試：對(duì)于較大的模型和復(fù)雜的計(jì)算任務(wù)，可能會(huì)出現(xiàn)性能問題或內(nèi)存占用過高的情況?？赏ㄟ^優(yōu)化代碼、減少計(jì)算量等方式來改善性能，并使用性能分析工具進(jìn)行調(diào)試和優(yōu)化。

（7）進(jìn)行真實(shí)場(chǎng)景測(cè)試：將應(yīng)用程序安裝到Android設(shè)備上，并在真實(shí)甘蔗病蟲害環(huán)境下進(jìn)行測(cè)試。確保應(yīng)用程序可準(zhǔn)確地識(shí)別和分類不同的甘蔗病蟲害，且能在實(shí)時(shí)性要求下快速響應(yīng)。

通過將手機(jī)調(diào)至開發(fā)者模式并賦予權(quán)限，用戶可安裝病蟲害檢測(cè)軟件。成功部署后，用戶打開移動(dòng)端應(yīng)用并進(jìn)入識(shí)別界面（圖4）。該界面展示了對(duì)驗(yàn)證集和真實(shí)農(nóng)業(yè)場(chǎng)景下病蟲害圖像的識(shí)別效果。該病蟲害檢測(cè)軟件不僅在應(yīng)用移植方面非常便捷，且識(shí)別能力高度準(zhǔn)確，還具備較高的檢測(cè)效率，每次識(shí)別耗時(shí)不超過1 s。此外，軟件除了識(shí)別甘蔗病蟲害外，還能提供相應(yīng)的防治建議及措施，基本實(shí)現(xiàn)了對(duì)甘蔗病蟲害的智能化診斷功能。

5 結(jié)語

本研究基于Android設(shè)計(jì)的甘蔗病蟲害識(shí)別系統(tǒng)是通過運(yùn)用智能移動(dòng)設(shè)備的功能和深度學(xué)習(xí)技術(shù)，實(shí)現(xiàn)對(duì)甘蔗病蟲害的自動(dòng)識(shí)別與監(jiān)測(cè)。該系統(tǒng)具有簡(jiǎn)單易用、高效準(zhǔn)確的特點(diǎn)，可幫助農(nóng)民和科技工作者快速識(shí)別甘蔗病蟲害并采取應(yīng)對(duì)措施。然而，該系統(tǒng)資源消耗較大、對(duì)網(wǎng)絡(luò)依賴度較高、用戶交互體驗(yàn)欠佳等，后續(xù)研究中還需進(jìn)一步完善該系統(tǒng)的功能和性能，提高識(shí)別的準(zhǔn)確率和穩(wěn)定性，不斷優(yōu)化升級(jí)系統(tǒng)，最大化滿足農(nóng)業(yè)生產(chǎn)實(shí)際中的需求。

參考文獻(xiàn)

［1］ 邵澤中. 基于Android和深度學(xué)習(xí)的稻田病蟲害智能診斷系統(tǒng)的研究與實(shí)現(xiàn)［D］. 杭州：浙江理工大學(xué)，2019.

［2］ 韓國鑫，廉琦，許譯丹. Android平臺(tái)在農(nóng)業(yè)物聯(lián)網(wǎng)中的應(yīng)用研究［J］. 農(nóng)技服務(wù)，2017，34（11）：15.

［3］ 羅敘昌. 甘蔗病蟲綜合防治技術(shù)［J］. 吉林農(nóng)業(yè)，2013（3）：71-72.

［4］ 陳倩倩，王歡，朱敏. 基于YOLOv5的盲道和斑馬線檢測(cè)［J］. 信息技術(shù)與信息化，2022（7）：10-14.

［5］ 強(qiáng)偉，賀昱曜，郭玉錦，等. 基于改進(jìn)SSD的水下目標(biāo)檢測(cè)算法研究［J］. 西北工業(yè)大學(xué)學(xué)報(bào)，2020，38（4）：747-754.

［6］ 夏永泉，李耀斌，李晨. 基于圖像處理技術(shù)與Android手機(jī)的小麥病害診斷系統(tǒng)［J］. 安徽大學(xué)學(xué)報(bào)（自然科學(xué)版），2016，40（2）：6.

［7］ 牛學(xué)德，高丙朋，任榮榮，等. 基于輕量級(jí)CNN的作物病蟲害識(shí)別及安卓端應(yīng)用［J］. 廣西師范大學(xué)學(xué)報(bào)（自然科學(xué)版），2022，40（6）：59-68.

［8］ 何正方，梁宇. 開源對(duì)軟件行業(yè)發(fā)展的影響［J］. 軟件，2019，40（7）：123-128.

［9］ 深度人工智能學(xué)院. NCNN、OpenVino、 TensorRT、MediaPipe、ONNX，各種推理架構(gòu)比較［EB/OL］.（2021-10-22）［2023-06-03］. https：//www.163.com/dy/article/GMTE7T8F 0552ATF2.html.

［10］ 徐金，郭釗汝，張?zhí)t，等. 基于Android的人臉表情識(shí)別應(yīng)用［J］. 信息與電腦（理論版），2021，33（24）：165-168.

［11］ 艾珍珍. 基于輕量化CNN的農(nóng)作物病害識(shí)別研究［D］. 荊州：長(zhǎng)江大學(xué)，2022.

［12］ 崔娜. 基于Android的移動(dòng)終端應(yīng)用程序開發(fā)與研究［J］. 電腦知識(shí)與技術(shù)，2016，12（29）：38-39.

（責(zé)任編輯 陸杰思）