基于VGG-16卷积神经网络的水稻疾病识别小程序_王思伟.pdf

第 31 卷 第 4 期 2023 年 8 月Vol.31 No.4Aug.2023电脑与信息技术Computer and Information Technology文章编号：1005-1228（2023）04-0020-04基于VGG-16卷积神经网络的水稻疾病识别小程序王思伟，张婷婷，薛明亮（大连民族大学 计算机科学与工程学院,辽宁 大连 116650）摘要：微信小程序用户群体多、范围广、操作灵活便捷等优点得到广泛使用，其“用完即走”的特点非常适合于解决农民对常见水稻虫害识别不熟悉的而导致农药滥用错用问题。为了实现自然场景下害虫实时精准被识别，构建基于 VGG 16 卷积神经网络的水稻害虫智能识别模型。根据水稻的叶片特征和发病自然场景，对 VGG 16 网络的卷积层局部调整，优化主要模型参数，实现针对水稻疾病的智能识别，在测试集上的平均准确率是 91.3%，该小程序通过微信开发者工具进行编译，应用 WXML、WXSS 和 JavaScript 技术，VGG 卷积神经网络模型导入常见水稻虫害的数据集训练针对水稻的虫害识别模型，通过 Https 请求来调用远程服务器运行的模型应用，从而实现小程序识别多种常见水稻疾病的功能。该小程序平台能够帮助用户方便快捷地查询到水稻虫害类别，代替以往传统的农学专家人工辨认的过程，能够快速地进行根据农作物疾病类型进行对应的处理，有效提高水稻病害的防治率，实现精准防治的目标。关键词：水稻疾病；智能识别；微信小程序；VGG-16；卷积神经网络中图分类号：TP183；TP391.41文献标识码：ARice Disease Recognition Wechat Applets Based on VGG-16 Convolutional Neural NetworkWANG Si-wei,ZHANG Ting-ting,XUE Ming-liang（School of Computer Science and Engineering,Dalian Minzu University,Dalian 116650,China）Abstract：Wechat applet has many users,a wide range,flexible and convenient operation and other advantages,and its run out feature is very suitable for solving the problem of pesticide abuse and misuse caused by farmers unfamiliar identification of common rice pests.In order to realize the real-time and accurate identification of pests in natural scenes,an intelligent identification model of rice pests based on vgg-16 convolutional neural network was constructed.According to the leaf characteristics of rice and the natural scene of disease onset,the convolution layer of vgg-16 network is locally adjusted to optimize the main model parameters.The applet is compiled through wechat developer tools,and wxml,wxss and JavaScript technologies are applied.The VGG convolution neural network model is imported into the data set of common rice pests to train the pest identification model for rice,and the model application run by the remote server is called through HTTPS requests,So as to realize the function of the applet to identify a variety of common rice diseases.This small program can quickly carry out the corresponding treatment according to the type of crop diseases,effectively improve the prevention and control rate of rice diseases,and achieve the goal of precise prevention and control.Key words:rice diseases;intelligent identification;wechat applet;VGG-16；CNN收稿日期：2022-08-01作者简介：王思伟（1998-），男，江苏宿迁人，硕士研究生，主要研究方向：人工智能与机器学习；张婷婷（1998-），女，辽宁盘锦人，硕士研究生，主要研究方向：人工智能与机器学习；薛明亮（1985-），男，讲师，博士，人工智能，主要研究方向：计算机视觉。微信小程序使用方便，以“触手可及”的设想，贯彻“用完即走”的理念。用户随时使用，无须安装卸载。微信小程序拥有自己的开发框架，视图层和逻辑层有良好的交互性，开发者可以很快的上手。微信小程序是由微信官方管控并进行审核通过，相对而言保证质量，并减少迭代周期。微信小程序的代码文件最多占用 2Mb，不会占用用户过多内存。微信小程序依赖于当下主流的即时通讯软件微信，其发展速DOI:10.19414/ki.1005-1228.2023.04.031第 31 卷 第 4 期21度、用户基数、应用范围具备良好的使用条件1-2。水稻是生活必备的粮食作物，形势的不断变化，基于粮食安全的战略考虑，需要对国内粮食产出的稳定性提出更高的要求。所以，保证水稻产量稳定是保证国计民生的重要科研工作。在种植过程中，影响水稻产量的因素很多，水稻疾病的侵袭是重要影响因素。传统的水稻疾病防护依靠农学专家查看辨识，囿于地理交通等因素，经常出现造成作物防治过慢等现象，导致水稻侵害的面积巨大。采用视觉识别技术，实现对农作物疾病预测，提高对农作物疾病的防御。识别技术应用广泛，在病虫害识别方面研究人员在不断的探索中3-4。本小程序通过对农作物生长环境拍照上传的方式来实现识别水稻疾病，不占设备计算资源，微信小程序用户界面清晰可视化，方便用户对水稻病害进行有效识别。1小程序页面设计小程序用户通过图像输入对应的水稻疾病相关信息，模型根据提供用户提供的信息识别水稻疾病类型，根据识别结果匹配将数据库中的诊断数据输出到用户界面（UI）。程序执行流程如图 1 所示。图 1系统执行流程图1.1微信小程序页面结构微信小程序页面结构分别由 WXML、WXSS、JavaScript 文件三部分构成,JSON 文件作为数据的存储格式。具备数据绑定、列表渲染、条件渲染、模板、引用等功能。WXSS(WeiXin Style Sheets)是组件的样式语言，和 CSS 具有相同的作用。JavaScript 是轻量级的代码逻辑处理语言，负责完成前端的简单交互逻辑。1.2微信小程序页面设计在Rice_recongize.json文件中进行页面属性配置，如通过”navigationBarTitleText”对小程序页面标题文字进行配置,通过 navigationBarTextStyle 对页面标题的样式进行配置。在 Rice_recongize.wxml 文件中编辑需要展示的页面内容，如使用“”标签对文本变量进行修饰，使用“”标签对图片进行修饰。在 Rice_recongize.wxml 文件中设计 UI 的显示效果，如在本小程序的 button 按钮组件中通过“border-radius：200rpx”将直角矩形的按钮变成圆角矩形，通过“display:flex”将显示样式切换成 flex 风格。在Rice_DATA.json 文件中保存对应水稻病害建议的对象数据，有白叶枯病、稻曲病、稻瘟病、胡麻斑病、纹枯病、细菌性条斑病常见的病害诊断建议数据。Rice_recongize.js 文件配置小程序的响应动作，便于数据交互。2识别模型训练VGG 是一个经典的深度神经网络模型，它探索了神经网络深度对其准确率的影响。与最新的网络结构相比，VGG 的结构简单、没有复杂的瓶颈结构，其规律的设计、简洁可堆叠的卷积块，且在其他数据集上都有着很好的表现，从而被人们广泛使用，模型中只包含非常小（33）的卷积滤波器，VGG16有 13 层卷积层、4 层最大池化层、3 层全连接层和激活函数，整个网络的参数量约为 14728266 个，使得VGG16 网络具有很高的拟合能力5-8。图 2VGG 模型参数图王思伟等，基于 VGG-16 卷积神经网络的水稻疾病识别小程序电脑与信息技术 2023 年 8 月22 图 3VGG-16 卷积神经网络结构2.1模型实验水稻害虫图像智能识别试验环境部署在 NVIDIA Gefore 3060 6 GB 显卡和 Intel 10-875 处 理器 8 核 16 线程服务器上完成，操作系统是 Ubuntu 20.04 LTS、框架是 Pytorch 1.12.0。实验数据来自大田作物病害识别研究图像数据集。9将图片输入模型中，进行实验，先经过模型的卷积层，再经过池化层，最后通过全连接层，经过SoftMax 进行分类输出，得到分类结果。2.2模型优化随机梯度下降（SGD）算法的数学依据来源于泰勒多项式见公式（1）()0()()()()!nNnnnfaf xxaR xn=+（1）对泰勒级数进行一阶展开（公式 2）可以近似函数，不难得到对应的梯度表示（公式 3，其更新的权重参数记为 W，损失函数关于 W 的梯度记为L/W，表示学习率)。SGD 算法通过对近似函数求最小值并把最小值当作下一步用来迭代的值从而寻找最优解，简单有效的方式使得它成为神经网络中广泛使用的优化算法。()()()000()f xf xxxfx+（2）LWWW=（3）在植物病害识别应用上，为了保证模型具有较好识别能力，实验使用牛顿动量(Nesterov Momentum)方法进行优化，通过模拟物理学中的概念，积累动量的方式来替代真正的梯度(公式 4，时间步自变量为xt，学习率为，动量超参数 满足 0 1)。当 =0 时，等价于随机梯度下降。自变量在各个方向上得移动幅度不仅取决于当前梯度，还取决于过去得各个梯度在各个方向上是否一致该优化方式使得在训练过程中能够动态调整学习率，使模型获得更高的收敛速率，避免出现局部最优解的结果。11tttttttvvgxxv=+=（4）2.3模型评估试验采用准确率为考核指标见公式（5），TP 为正样本预测为正样本的个数，FP 为负样本预测为正样本的个数。Precision TPTPFP=+（5）训练过程中，对精度影响比较大的是学习率和迭代次数，所以实验通过调整，来确定最合适的学习率;就训练效果而言，通过训练过程中 Loss 值的变化以及模型在训练集和测试机的识别率的曲线变化（图 4，图 5），模型训练结果达到预期标准。图 4损失变化曲线 图 5识别准确率对比图2.4训练结果该研究结果表明，本训练的模型识别准确率在植物病虫害识别中具有明显优势。下一步将考虑去除杂草或其他叶片的遮挡、光照等因素的影响，对网络结构进一步优化，提高网络模型的泛化能力，见表 1。表 1训练结果表训练参数最佳 Epoch最佳准确率结果6599.894%3识别系统小程序实现3.1小程序与远程模型的交互原理其一，数据集训练好的模型通过 Flask 框架部署到远程服务器中，运行识别程序等待 Https 请求。其二，微信小程序将图片解码为 base64 格式后，发送 URL 请求到 Nginx 代理服务器，Nginx 代理服务器对响应请求，将数据转发到训练模型中，模型检测结果后返回识别数据到 Nginx 服务器，服务器将识别结果反馈到小程序。具体流程见图 6。第 31 卷 第 4 期23王思伟等，基于 VGG-16 卷积神经网络的水稻疾病识别小程序 图 6小程序原理流程图3.2实现效果为了便于用户使用，微信小程序使用卡片式设计方式，将内容呈现于 80%屏幕宽度的卡片中，便于用户聚焦于内容小程序页面。若为图片未上传状态，提示用户点击按钮进行图片上传。图片上传完毕后，显示图片识别的疾病结果以及对应的解决方案。本地小程序页面设计与模型部署完毕后的实现效果如图7、8、9 所示。图 7小程序检测图 图 8小程序图片上传图 图 9小程序识别结果图4结束语本文在说明了小程序设计与神经网络模型训练的过程的同时，构建了用 AI 模型在小程序上进行识别的平台，展现了利用小程序等日常所见的媒介搭载智能识别技术帮助农民辨认害虫的可行性。研究建立在实际生活中，较高准确率的成果具有很强的实践意义，对水稻作物害虫及时防治起到落地推广作用，也为其他识别系统的落地提供了一套解决方案，具备较高的推广应用的价值。参考文献：1 郑姣,刘立波.基于 Android 的水稻病害图像识别系统设计与应用 J.计算机工程与科学,2015,37(07):1366-1371.2 吕俊霖,陈作志,刘岩,等.鱼类识别小程序设计与实现J.农业工程,2021,11(10):42-45.3 洪锐.稻田常见蜘蛛的图像数据库构建及智能识别 D.浙江大学,2021.4 杨国峰.基于深度学习的草莓常见病害识别研究与应用D.中国农业科学院,2020.5 Networks for large-scale image recognitionJ.ComputerScience,20146 Alex Krizhevsky,Ilya Sutskever,Geoffrey E.Hinton.ImageNet classification with deep convolutional neural networksJ.Communications of the ACM,2017,60(6).7 Paymode Ananda S.,Malode Vandana B.Transfer learning for multi-crop leaf disease image classification using convolutional neural networks VGGJ.Artificial Intelligence in Agriculture,2022(prepublish).8 王江晴，冀星，莫海芳，等基于轻量化 的植物病虫害识别 J.中国农机化学报，2022，43（4）：26-39 陈雷,袁媛.大田作物病害识别研究图像数据集 J/OL.中国科学数据,2019,4(4).(2019-06-11).