基于树莓派和深度学习的茶叶病虫害识别系统

吴鹏 刘金兰

收稿日期：2023-08-22

基金项目：信阳农林学院青年教师科研基金资助项目（QN2021058）；河南省科技攻关项目（222102210300）

DOI：10.19850/j.cnki.2096-4706.2024.07.013

摘  要：为了解决传统茶叶病虫害识别方法存在识别效率低和人工成本高的问题，提出一种基于树莓派和深度学习的茶叶病虫害识别系统。通过将树莓派的便捷性和深度学习的强大特征提取能力相结合，成功克服了传统方法的局限性，实现了对茶叶病虫害的高效准确识别。结果表明，该系统可以针对三种常见的茶叶病虫害进行识别，识别率为90%以上，为茶叶病虫害的精准识别提供了高效可行的解决方案。

关键词：树莓派；深度学习；病虫害识别

中图分类号：TP391.4；TP368 文献标识码：A 文章编号：2096-4706（2024）07-0055-04

Tea Disease and Pest Recognition System Based on Raspberry Pi and Deep Learning

WU Peng， LIU Jinlan

（Xinyang Agriculture and Forestry University， Xinyang  464000， China）

Abstract： In order to address the issues of low recognition efficiency and high labor costs associated with traditional methods for identifying tea diseases and pests， a tea disease and pest recognition system based on Raspberry Pi and Deep Learning is proposed. This method combines the convenience of Raspberry Pi with the powerful feature extraction capabilities of Deep Learning， successfully overcoming the limitation of traditional methods and achieving efficient and accurate recognition of tea diseases and pests. The results show that the system can identify three common tea pests and diseases with a recognition rate of over 90%， providing an efficient and feasible solution for accurate identification of tea diseases and pests.

Keywords： Raspberry Pi; Deep Learning; recognition of tea disease and pest

0  引  言

茶叶作为我国重要的经济作物，在茶农收入和国家的经济发展中扮演了重要的角色。然而在茶叶的生长过程中，会受到各种茶叶病虫害的困扰，严重影响着茶叶产量和质量。传统的茶叶病虫害检测方法主要依靠人工巡视和识别，其准确率低，耗时费力且比较依赖于人工的经验，存在一定的主观性[1，2]。为了提高茶叶病虫害识别的检测效率，实现智能化的茶园管理，有必要开发出一种可自动识别茶叶病虫害的系统，对茶园进行实时检测。近年来，深度学习技术已经在农业病虫害领域取得了很大的进展。廉政[3]使用预训练的Mobile Net V2模型，在玉米病虫害数据集上实现特征迁移，得到了具有较高识别率的分类器，使用玉米病虫害验证集进行验证，系统识别准确率达到82%左右。王江晴等[4]使用轻量化的VGG16模型在PlantVillage数据集上测试，准确率为99.37%，展现出的模型具有较高的识别精度。陈浪浪等[5]针对传统识别水稻病虫害方法存在特征提取复杂、识别率低等问题，提出了基于DenseNet121为基础模型的水稻病虫害识别系统，成功的识别出水稻常见的8种病虫害。树莓派是一款基于Linux的单片机电脑，具有价格低廉和体积小的特点，极具应用潜力，成为智能化农业比较适合的硬件平台[6，7]。陈品岚等[8]使用树莓派结合深度学习，对柑橘树上的柑橘进行识别及计数，识别正确率约为92.4%。考虑到智能化硬件成本和体积等因素，本文将结合树莓派和深度学习设计一个基于深度学习的智能化茶叶病虫害识别系统，为茶叶的可持续发展和高效精准管理提供智能化的解决方案。

1  系统设计

基于树莓派和深度学习的茶叶病虫害模型识系统中，硬件平台主要包括摄像头模块、树莓派4B平台，整个系统的工作流程如图1所示。首先在PC平台上对茶叶病虫害图片进行处理和标注，利用PyTorch深度学习模型框架训练一个高效的病虫害识别模型；其次将训练好的深度学习模型转换为适合树莓派平台的格式，并安装在树莓派平台系统上；然后树莓派平台通过摄像头实时采集茶叶的图片，并将这些图片保存在树莓派平台上；最后在树莓派平台上开发相应的软件，利用部署在树莓派上的深度学习模型来识别摄像头拍摄的茶叶病虫害图片，并把分类的识别结果存储到树莓派系统上。这一智能化系统的实现，为茶叶病虫害的及时监测和识别提供了可靠的解决方案。

2  硬件平台介绍

2.1  树莓派

树莓派4B是一款功能强大的单板计算机，采用ARM Cortex-A72架构，拥有4核处理器，主频高达1.5 GHz，较树莓派3B+的1.4 GHz处理器运行速度更快。它运行在Linux操作系统下，配备16 GB的TF卡内存，并支持大量的软件库和开发工具，利用Python语言开发病虫害识别系统变得非常方便。树莓派系统的登录操作可以通过VNC在远程登录，进入可视化界面操作，这种可视化的操作在树莓派上开发和测试变得非常便捷，从而提高开发效率。树莓派4B拥有强大的性能和丰富的扩展接口，可以灵活的与各种传感器和摄像头连接。由于树莓派简单性、易用性、经济性以及强大的性能已经广泛地应用在物联网和嵌入式系统中。

2.2  摄像头

本系统采用的摄像头是一款具备500万像素的OV5674模组，采用CMOS传感器技术，拥有静态图片分辨率为2 592×1 944像素的优势，可以提供更高的画质和更低的功耗，在树莓派等嵌入式系统和物联网设备应用广泛。在茶叶病虫害识别系统中，借助于该摄像头，能够获取更为清晰和细致的茶叶病虫害图像，为深度学习模型提供更加充分的信息，有助于提高茶叶病虫害的识别准确率。

3  基于深度学习的茶叶病虫害模型识别构建

首先需要收集大量的茶叶病虫害样本，通过标注软件制作茶叶病虫害训练数据集；其次为了扩增茶叶病虫害样本的数量，通过数据增强手段扩充茶叶病虫害数据集；然后在PC服务器上通过茶叶病虫害训练数据集训练深度学习模型；最后将训练好的深度学习模型部署在树莓派平台上，通过软件加载深度学习模型来识别茶叶病虫害图片。模型构建的流程如图2所示。

3.1  图像采集

茶叶病虫害种类多，本文专注于识别常见的茶叶病虫害，如茶小绿叶蝉、茶尺蠖和炭疽病等。然而，茶叶病虫害的发生与季节相关，导致采集茶叶病虫害的样本困难。此外，由于茶叶病虫害识别的研究目前处于初步探索阶段，尚没有大型公开的数据集可以使用。为了应对这一挑战，本文采取了多种策略，首先进行了大量的实地采集茶叶病虫害样本，以确保获得丰富多样的真实图像数据。其次借助网络搜索引擎，通过爬虫技术手段获取了大量的茶叶病虫害图像数据。这些多样化的数据来源为研究提供了丰富的样本，有助于训练出更具有鲁棒性和泛化能力深度学习模型。在图片采集阶段，特别要注意把摄像头靠近茶叶附近，以获得更加清晰的茶叶病虫害图像，从而提高后续模型训练和识别准确性。

3.2  图像增强

建立茶叶病虫害样本库后，考虑到样本数量有限，需要对茶叶病虫害样本数据库进行扩充以增加样本的数量和多样性，从而提升模型的泛化能力，帮助模型学习到更好的特征表示和数据分布。常见的数据增强方法包括随机裁剪、旋转、仿射变换和对比度调整等方法。这些方法可以有效地生成与原始样本略有不同但相似的样本，从而能够使模型更好地在不同情况下识别茶叶病虫害。对茶叶病虫害图像进行增强后的部分茶尺蠖图片如图3所示。

3.3  训练模型

模型训练将在PC服务器上进行，首先将茶叶病虫害数据集划分为训练集和测试集。对于测试集，需要使用标注软件（如labelimg）对训练集的每个图像进行标注，确定病虫害的位置并生成相应的类别标签。在标注过程中，需要确保注框与病虫害的位置紧密贴合，以减少背景的干扰。标准完成后，生成的标注文件通常采用XML格式保存。然后利用深度学习模型对训练集的茶叶病虫害样本进行训练。在农业病虫害领域，已经有研究表明LeNet-5模型在这一领域取得了很好的效果[9，10]。由于树莓派的资源有限，本文选择了适用于树莓派平台的LetNet-5网络模型架，该网络模型架构比较小，能够很好地适应树莓派计算能力的限制。LeNet-5的网络架构图如图4所示。

图4  LeNet-5网络结构图

LeNet-5网络模型结构由输入层、卷积层、池化层、全连接层和输出层组成。第一层输入层接受32×32大小的茶叶病虫害图片。第二层为卷积层，包括6个大小为5×5的卷积核，使用ReLU激活函数，输出为28×28×6的特征图。第三层为池化层，采用平均池化层，大小为2×2，步长为2，输出为14×14×6的特征图。第四层为卷积层，包括16个大小为5×5的卷积核，使用ReLU激活函数，输出为10×10×16大小的特征图。第五层为池化层，采用平均池化，大小为2×2，步长为2，输出为5×5×16大小的特征图。第六层为包含120个神经元和84个神经元的全连接层。最后一层为输出层，针对本文识别的茶叶病虫害模型共有3个类别，因此最后一层包含3个神经元，使用SoftMax激活函数进行分类。

传统的LeNet-5模型只能接收输入为32×32大小的图像，增大图像尺寸能够增大对病虫害特征的准确识别度，本文通过修改LeNet-5模型的卷积层数和卷积核数，可以支持输入为256×256大小的图像。

3.4  模型部署

为了在树莓派平台上实现深度学习计算，首先在树莓派平台上安装PyTorch深度学习框架和其他必要的软件库，为后续计算做好准备；接着在PC服务器上使用适当的优化算法和损失函数对LeNet-5模型进行训练，将训练好的模型参数保存为PyTorch格式的.pth文件；为了模型能够高效的在树莓派上执行，需要把训练好的模型转为TorchScript格式，这样的格式转换能够确保模型在有限的资源环境下运行得更加快速。把转换好的TorchScript格式的LeNet-5模型文件上传到树莓派上；最后在树莓派上编写Python代码，加载LeNet-5模型文件，把摄像头采集的茶叶病虫害图片输入到模型进行分类，最终的分类结果将被提取并显示出来，从而实现了对茶叶病虫害的实时识别。部分茶叶病虫害识别的效果图如图5所示。

4  实验结果

茶叶病虫害数据集共有600张，其中70%的数据划分为训练集用于训练模型，30%的数据作为测试集用于评估模型性能，通过交叉验证的方法评估模型的稳定性。训练模型是在PC服务器上进行的，使用的开发环境为PyCharm，主机操作系统为Windows 10，处理为AMD Ryzen7 5800H，CPU主频为3.2 GHz。利用构建好的模型在树莓派上进行茶叶病虫害识别，经过多次实验和交叉验证，得到了比较好的结果。在测试集上，茶小绿叶蝉的识别率为91.7%、茶尺蠖的识别率为90%、炭疽病的识别为90%，识别的结果如表1所示。实验结果表明，在树莓派上部署的LeNet-5模型在茶叶病虫害识别方面取得了显著的准确性，可以实现高效的茶叶病虫害识别。

5  讨论与展望

基于树莓派深度学习的茶叶病虫害系统在茶叶病虫害识别方面已经取得了比较好的鲁棒性和准确率，但仍然存在一些可以优化的方向，以及可以改进的措施：1）模型轻量化。由于树莓派资源有限，可以进一步优化模型减少对计算资源和内存的消耗。比如采用模型压缩（剪枝，量化）手段减少模型体积，以使得树莓派上获得更快的推理速度。2）数据集扩充。通过进一步茶园采集图片和标注数据来扩充数据集，特别是涉及不同的地区和季节的情况下，以提高模型对多样性和变化性的适应能力。3）远程监控与管理。该系统与云平台系统相结合，实现对茶叶病虫害的实时监测和预警，从而为茶农提供更加智能化、高效化的茶叶生产管理方案。4）用户友好性。为更直观的了解当前的系统运行状态和结果，可以设计一个简单直观的交互界面。

6  结  论

本文针对当前茶园病虫害识别效率低和人工成本高等问题，通过树莓派和深度学习的方法相结合，提出了一种基于树莓派和深度学习的茶叶病虫害识别系统。该系统在茶叶病虫害识别方面取得了90%及以上识别率，显示出了比较高的准确性和实用性，可以满足茶叶产业对智能化病虫害识别的需求，具有比较广阔的应用前景。

参考文献：

[1] 杨奉水，王志博，汪为通，等.人工智能识别茶树病虫害的应用与展望 [J].中国茶叶，2022，44（6）：1-6.

[2] 王文明，肖宏儒，陈巧敏，等.基于图像处理的茶叶智能识别与检测技术研究进展分析 [J].中国农机化学报，2020，41（7）：178-184.

[3] 廉政.基于MobileNetV2的大田玉米病虫害识别系统 [D].太原：山西农业大学，2022.

[4] 王江晴，冀星，莫海芳，等.基于轻量化VGG的植物病虫害识别 [J].中国农机化学报，2022，43（4）：25-31.

[5] 陈浪浪，张艳.基于改进深度卷积神经网络的水稻病虫害识别 [J].山东农业科学，2023，55（5）：164-172.

[6] 王江伟，刘青.玩转树莓派Raspberry Pi [M].北京：北京航空航天大学出版社，2013.

[7] 李民赞，任新建，杨玮，等.基于树莓派的农田表土层土壤容重检测系统研究 [J].农业机械学报，2021，52（S1）：329-335+376.

[8] 陈品岚，张小花，朱立学，等.基于树莓派及深度学习的柑橘识别系统设计 [J].中国农机化学报，2022，43（9）：131-136.

[9] 郑新桥.图像处理在农业领域的应用研究——以LeNet-5模型的苹果叶部病害研究为例 [J].南方农机，2022，53（15）：36-39.

[10] 何前，郭峰林，方皓正，等.基于改进LeNet-5模型的玉米病害识别 [J].江苏农业科学，2022，50（20）：35-41.

作者简介：吴鹏（1989—），男，汉族，河南信阳人，助教，物联网中级工程师，硕士，研究方向：图像处理与机器学习；刘金兰（1990—），女，汉族，河南信阳人，助教，硕士，研究方向：图像处理与机器学习。