基于深度学习的茶叶害虫智能识别APP设计

茶作为保健饮品，深受国内外人们的喜爱。随着生活水平质量的提高，人们对茶叶质量的要求愈加严格。茶树害虫作为茶园主要危害之一，虫害严重影响了茶叶质量和产量。目前茶叶害虫防治主要依靠专业人员辨认。人工识别存在效率低、主观因素大等不足，加上茶树生长环境复杂以及害虫防治人员的减少，均无法满足茶园害虫精准、实时防控的需求。因此，迫切需要一种快速、自动、准确的方法识别茶树害虫。
随着移动端的发展，利用手机进行识别的技术也趋向成熟，如人脸识别[1]、花草识别[2]等。在茶叶害虫识别方面，鲜有相关软件辅助识别。本文介绍了基于卷积神经网络[3-4]的茶叶害虫识别APP设计，用户可通过APP直接进行茶叶害虫图像采集、识别和获取相关防控信息。
1 茶叶害虫自动识别模型
1.1 卷积神经网络基本结构
卷积神经网络由输入层、卷积层、池化层、全连接层和输出层等组成，常用多层按照一定的规律搭配实现更好的效果。
输入层（Input layer），即加载数据到网络中，涉及图片的预处理，如去均值、归一化等操作。
卷积层（Convolutional layer），通过多层卷积层获取更多的特征值，网络模型可以逐步提取更高层的特征表示。
池化层（Pooling layer），将卷积层提取的大量特征进行处理，删减部分冗余特征，又称降采样。
全连接层（Fully connected layer），全连接层将当前层的每一个神经元与上一层中的所有神经元连接，以产生全局语义信息，实现分类操作。
输出层（Output layer），将最后的结果以模型文件输出。
1.2 基于AlexNet网络的茶叶害虫识别模型
1.2.1 AlexNet网络结构
AlexNet网络[5]结构图如图1所示，前五层为卷积层，后三层是全连接层，利用ReLU激活层衔接所有卷积层和全连接层，且对输入进行标准化以提高网络性能，标准化公式如式1。
其中α代表特征图（feature map）中第i个卷积核（x，y）坐标经激活函数后的输出，n表示几个相邻的卷积核。N表示总卷积核数量，k、n、α和β表示超参数，通过验证集确定。
1.2.2 基于AlexNet的茶叶害虫识别模型训练
为满足AlexNet卷积神经网络训练的要求，需将害虫图像剪裁尺寸，对于尺寸小于的图片，采用插值法以扩大到要求尺寸，插值大小取8领域的均值。采用Python工具中os库完成对原始数据标签分类等预处理操作。AlexNet网络训练具体步骤如下：
（1）将茶叶害虫图片利用caffe框架提供的工具制作成LMDB格式，便于加速计算;
（2）修改AlexNet网络参数;
（3）训练网络并根据损失值和识别率修正参数。
通过以上步骤，可得茶叶害虫模型文件，结合服务器和APP完成识别任务。
2 茶叶害虫识别APP的设计
2.1 设计理念
茶叶害虫识别APP以用户为中心的设计理念，遵循UCD开发准则[6-7]，在APP开发、设计、升级时从用户的多个角度出发，而不是依靠用户去熟悉、摸索。APP界面简洁、操作简单，让用户在短时间内掌握，以满足茶叶植保人员的需求。
2.2 设计方案
茶叶害虫识别APP包括茶叶害虫自动识别网络模型、茶叶害虫防控信息库和APP应用设计等。用户通过移动端APP获取茶叶害虫的图片并上传到服务器，在服务器中利用已经训练好的卷积神经网络模型识别，并将识别结果以及相应的防控信息反馈到移动端。