基于MindSpore的農作物病蟲害識別系統設計

楊祖鑒 黃勇萍

摘要：廣西是農業大省區，農作物種類繁多，包括甘蔗、水稻等。部分地區以農作物為主要經濟來源，由于氣候原因，農作物病蟲害頻發。文章研究了廣西主要農作物的常見病蟲害，采集了甘蔗等農作物的常見病蟲害數據，使用AI計算框架MindSpore以及深度學習算法MobileNetV2實現了數據的特征提取以及模型訓練，使用端側推理框架MindSpore Lite實現了快速準確的端側推理。測試結果表明，該系統有較高的識別準確率，并且與傳統的識別軟件相比，系統可以進行無網絡、輕量級實時識別。

關鍵詞：MindSpore；病蟲害識別；端側推理

中圖分類號：TP391；TP311? 文獻標志碼：A

0 引言

廣西是農業大省區，農作物種類繁多，部分地區以農作物為主要經濟來源，由于氣候原因，農作物病蟲害頻發。一些農戶由于缺少病蟲害的識別技能，病蟲害的防治效果不佳，影響農民的收入。農民對病蟲害的判斷失誤、使用的藥物不具有針對性，還會造成環境污染、生產成本增加等問題。在多數情況下，農民不會直接使用針對性藥物，而是根據以往的病蟲害預防經驗使用藥物，并且往往不能準確把握藥物的用量，在面對另一種蟲害時，往往會出現診斷不及時、預防不及時的問題，導致病蟲害泛濫。為了讓農戶快速準確地識別農作物病蟲害，本研究根據主要農作物的常見病蟲害特征，使用深度學習算法，基于華為的MindSpore框架，采用Android Studio等技術構建了識別速度快、精度高的界面友好農作物病蟲害識別App。農戶只要使用智能手機，即使在斷網的情況下，也可以快速準確地識別農作物病蟲害，從而有針對性地采取防治措施，有效地提高農作物產量。

1 數據采集及處理

首先，本研究明確了甘蔗、玉米、柑橘等農作物的常見病蟲害，如甘蔗的主要病蟲害有赤腐病、鳳梨病、黑穗病、鞘腐病、輪斑病、銹病、螟蟲、棉蚜等，玉米的主要病蟲害為玉米螟，柑橘的主要病蟲害為黃龍病、潰瘍病等。其次，本研究針對各種病蟲害進行特征分析，例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出一條黑色鞭狀物，短者筆直，長者或卷曲或彎曲，無分枝。最后，本研究使用數碼相機或智能手機進行病蟲害特征圖片數據采集，主要包括廣西壯族自治區崇左市、百色市、桂林市等地的玉米、甘蔗、柑橘三大農作物主要病蟲害，每種病蟲害的樣本數為400張，采集的部分數據集如圖1所示。

圖片采集分類后，本研究采用Decode，Resize，CenterCrop，Normalize，HWC2CHW等技術進行數據處理，建立有效的數據集。

2 模型構建和訓練

本研究基于華為MindSpore框架，使用MobileNetV2算法實現模型構建和數據訓練。MindSpore是華為自主研發的一款支持端、邊、云獨立/協同的統一訓練和推理AI計算框架，提供全場景統一API，為全場景AI的模型開發、模型運行、模型部署提供端到端能力［1］。MindSpore提供一套新的數據引擎（Data Engine），方便數據讀取、增強處理等操作。本研究使用數據引擎中的dataset模塊進行數據集讀取及增強處理，首先使用函數mindspore.dataset.ImageFolder Dataset讀取數據并進行分類。在測試中，黑穗病被標記為“0”，黃龍病被標記為“1”，潰瘍病被標記為“2”，輪斑病被標記為“3”，銹病被標記為“4”，玉米螟被標記為“5”。

導入數據集之后，本研究使用MindSpore.dataset中的vision.c_transforms模塊進行數據增強。vision.c_transforms模塊包含多種數據增強操作工具，本研究使用4種工具：RandomCropDecodeResize，Random HorizontalFlip，Normalize，HWC2CHW。RandomCrop DecodeResize將數據組合、解碼以及調整大小。RandomHorizontalFlip按照給定的概率，隨機地水平翻轉輸入圖像。Normalize根據均值和標準差對輸入圖像進行歸一化處理。HWC2CHW是將輸入圖像從形狀（H，W，C）轉置為形狀（C，H，W）。處理以及增強數據后，本研究將構建模型網絡，使用MobileNetV2神經網絡模型進行模型的訓練。

MobileNetV2是一種輕量級的深度學習圖像檢測模型，使用深度可分離卷積，大大提高運算速度，相比于經典的大型網絡，MobileNetV2具有參數量少、模型體積小等優點。同時，MobileNetV2憑借網絡結構優化，在更少的參數及更少的計算量下，網絡精度反而超過了部分大型神經網絡。MobileNetV2可以在移動終端實現眾多應用，包括目標檢測、目標分類、目標識別等。模型的構建要用到微分，手動微分求解不僅求導過程復雜，而且結果很容易出錯，MindSpore等深度學習框架具有自動微分的特性，可以幫助開發者利用自動微分技術實現自動求導，解決這個復雜、關鍵的問題［2］。MindSpore中提供了MobileNetV2預訓練模型的ckpt文件，預訓練模型的寬度系數α=1.0。本研究首先導入預訓練模型，之后進行模型超參、損失函數、優化器的定義。對訓練模型而言，超參是可以進行調整的參數，可以定義其中的訓練輪次（epoch）、批次大?。╞atch size）以及學習率（learning rate）。本研究定義10個epoch進行數據集的訓練。在定義數據集次數的同時，本研究也定義了批次的大小。學習率也影響著模型訓練的精度，學習率過小，模型收斂速度會變得十分緩慢；學習率過大，模型不收斂，導致預測不準確。本研究進行了多次小規模測試，最終確定學習率為0.01。損失函數是評價模型預測程度的重要數值，mindspore.nn.loss定義了多種損失函數可供選擇，如MSELoss（均方誤差損失）、SmoothL1Loss（范數損失）、CrossEntropySmooth（交叉熵平滑）等，本研究使用CrossEntropySmooth損失函數進行模型的評估，之后使用動量（Momentum）算法進行模型優化，若梯度方向與之前歷史的梯度是一致的，趨勢就增大，若趨勢不一致則減少。本研究設定動量算法的學習率（learning_rate）為0.01，引入之前設定的超參以及當前組別的權重，然后開始模型訓練。訓練結束之后，本研究進行模型的驗證，選擇模型中精度最高的ckpt文件，并將其轉換為MindIR格式，用于后續手機側的推理。

3 端側推理

本研究應用MindSpore Lite實現端側推理，將網絡訓練模型結果進行轉換，使其在不具備大算力和強深度學習環境的終端設備上也可以快速有效運行。MindSpore Lite是華為自主研發的一款極速、極智、極簡的AI引擎，在手機、穿戴感知、智慧屏等設備上得到廣泛應用。本研究首先將模型訓練后得到的MindIR格式模型轉化為適用于端側部署的ms模型，具體步驟：（1）下載MindSpore Lite模型轉換工具（Converter），解壓并配置環境變量。（2）進入converter_lite可執行文件所在的目錄，將MindIR格式模型文件放入同一路徑下，在電腦終端執行轉換命令：call converter_lite --fmk=MINDIR --modelFile=mobilenet_v2_1.0_224.mindir --outputFile=mobilenet_v2_1.0_224，其中，--fmk代表輸入模型的原始格式，--modelFile指輸入模型文件；--outputFile指輸出模型文件，自動添加.ms后綴。得到ms模型后，將其加載到App應用，然后進行模型編譯、獲取圖片數據、執行推理，最后將推理結果輸出給App應用。

4 安卓應用程序開發

為了讓農戶只要持有智能手機就可以進行農作物病蟲害識別，本研究設計和實現界面友好、操作方便的病蟲害識別App。App支持安卓7.0以上移動終端，使用Pycharm，Android Studio進行開發，提供兩種圖片數據輸入接口，用戶可以從相冊導入病蟲害圖片作為數據。除此以外，App調用Android Camera 2 API實現了通過攝像頭獲取圖像，因此，用戶可以實時拍攝病蟲害圖片并將其作為數據。App在獲取用戶輸入的圖片數據后，先將圖片進行格式、大小等處理，然后輸入ms模型進行推理，最后將推理結果進行顯示，包括病蟲害分類、置信度以及響應時間等，如圖2所示。同時App提供識別結果詳情，包括病蟲害的特征描述以及相應的防治措施等，可以較好地滿足農業發展對于信息化和智能化技術的需求［3］。

5 結語

本系統基于華為自主研發的MindSpore AI計算框架實現，使用輕量級經典圖像檢測算法MobileNetv2進行特征提取和模型訓練，可以部署到高端手機，也可以部署到手表等對資源要求極為苛刻的設備，從而滿足全場景部署的需求。系統使用MindSpore Lite實現農作物病蟲害端側識別，無須將圖片數據傳輸到模型訓練服務器中，并且可以大幅度地加快識別速度，即使在不具備網絡通信的環境中也可以完成推理識別。最終作品以界面友好、操作方便的App形式呈現，方便農戶進行農作物病蟲害圖片掃描識別，同時提供識別結果詳情、病蟲害的特征描述以及相應的防治措施，使農戶只要持有智能手機就可以進行農作物病蟲害識別。

參考文獻

［1］陳雷.深度學習與MindSpore實踐［M］.北京：清華大學出版社，2020.

［2］于璠.新一代深度學習框架研究［J］.大數據，2020（4）：69-80.

［3］甄珍.人工智能技術在移動互聯網發展中的應用分析［J］.無線互聯科技，2020（21）：63-65.

（編輯 王雪芬）

Design of crop pest identification system based on MindSpore

Yang? Zujian， Huang? Yongping*

（College of Mathematics，Physics and Electronic Information Engineering，Guangxi Normal University for Nationalities， Chongzuo 532200， China）

Abstract：? Guangxi is a large agricultural province， a wide variety of crops， such as sugar cane， rice and so on. In some areas， crops are the main source of economy， and crop diseases and insect pests occur frequently due to climate reasons. This paper studied the common diseases and insect pests of major crops in Guangxi， collected the data of common diseases and insect pests of sugarcane and other crops， used the AI computing framework to achieve the feature extraction and model training of the data using MindSpore and the deep learning algorithm MobileNetV2， and used the end-side inference framework to achieve fast and accurate end-side inference framework MindSpore Lite. The test results show that the proposed system has a high recognition accuracy， and compared with the traditional recognition software， the system can perform network-free， lightweight real-time recognition.

Key words： MindSpore; identification of pests and diseases; end side reasoning