动作进击的经济作物，香蕉十分容易受病害影响，病虫害是抑遏香蕉培植业的主要身分之一。香蕉病害的早期发现和会诊有助于农户实时选定防控顺次，减少经济死亡。因此，病害的会诊是香蕉分娩中的进击重要。传统的疾病监测和识别失少女系列，主要依靠告诫丰富的农户或大家，这种模式耗时发奋，且论断存在主不雅性，导致分娩遵循较低。参谋者探索了好多其他的模式来提高疾病会诊的准确性[1-2]，举例化学分析法[3]、高光谱分析法[4-6]等。然而这些模式要领较为复杂，且开采资本较高。

跟着计较机期间的迅速发展，哄骗图像惩办期间自动识别病虫害受到越来越多的暖热。尤其是插足21世纪后，基于计较机视觉和机器学习的模式[7-9]来收尾病虫害会诊的参谋越来越多。这些模式主要通过获取作物染病部位的图像来索求不同的疾病特征，然后成立分类器以识别疾病。最常见的模式是通过定向梯度直方图法(Histogram of gradient， HOG)[10-11]和法式不变特征变换法(Scale invariant feature transform， SIFT)[12]来索求特征，然后再结合SVM分类器进行分类识别。近十年来，深度学习模式又冉冉替代传统机器学习模式，成为病虫害识别的主流模式。与手动索求特征的传统机器学习模式不同，深度学习采集中自动从数据联接学习更深端倪的特征。国表里学者在哄骗深度学习会诊病虫害方面张开了多半参谋与实验，并取得一定效果，尤其是卷积神经采集(Convolutional neural networks， CNN)，已应用于不同作物的病害决然，并取得了邃密的效果[13-16]。然而，深度采集的试验耗时较长，为了改善这一问题，不少参谋者经受迁徙学习的神气来对采集进行试验[17-18]。现存采集的模子参数浮现，使用迁徙学习的神气进行试验，期间破耗较少，然而部分场景识别精度受到抑遏。国表里学者通过调动采集的一部分卷积层数、卷积核大小、激活函数等模式来提高识别精度，已取得初步见效[19-21]。

深度学习在植物病虫害会诊方面取得了很大确凿认，但在香蕉作物中却鲜有报说念。香蕉在热带、亚热带地区被无为培植，是我国进击的经济作物之一，且香蕉极易受到枯萎病、束顶病、叶斑病等病虫害的侵袭。本文基于现存的GoogLeNet采集模子，哄骗迁徙学习的神气对7种常见的香蕉病害数据集进行试验，构建会诊模子。将该模子进一步集成到软件系统中，该软件系统包括一个搬动应用法式(APP)和一个汉典干事器，用户不错通过搬动终局将染病部位的图像上传至汉典干事器进行在线会诊，以期收尾实时、浅易的香蕉常见病害的会诊。

1 香蕉病害会诊系统和模子试验 1.1 系统总览

本文是基于GoogLeNet深度模子架构进行香蕉病害模子的试验。试验得到的会诊模子被集成到汉典干事器中，终局APP将采集的染病部位图像发送至干事器进行在线会诊，实时获取会诊驱散。系统的总体结构如图1所示。

1.2 数据集获取

参谋共征集了香蕉常见的7种病害图像及健康植株的图像，共741张，图像来自蕉园现场拍摄及采集。其中枯萎病危害整株香蕉，最终呈现出整株发病的特征，数据样本多为举座或接近举座的图像，但也包含约1/5的局部样本，主要采集病害特征较着的叶片。健康类别的样本为局部和举座样本各占一半。其余病害均为局部病害，采集的样本也以局部图像为主。图2披露了香蕉常见病害过火典型症状。

1.3 数据增强

本参谋的原始数据集样本数目较少、相通度较高，对模子性能会酿成不利影响，尤其是深度学习框架(举例复杂的卷积神经采集)。增多图像的数目及各类性对模子的识别精度、鲁棒性和浮现性齐具有积极的影响。当原始样本数目难以知足精度需求时，每每经受数据增强的神气来膨胀数据集[14， 19， 22]。洽商到用户上传图像时，不同拍摄手法、角度、色泽等会对会诊驱散产生影响，本文经受了图像旋转、水平翻转、缩放、对比度增强等数据增强模式[23]，增多数据集的复杂性，使其更恰当本色情况，最终将数据集膨胀到5944幅图像，确定见表1。

表 1 各类别样本图像数目 Table 1 Number of sample images in each category 1.4 模子试验

GoogLeNet架构是具有22层深度的卷积神经采集失少女系列，起原的输入数据是图像的一个小区域，然后通过多端倪的卷积运算得到每一层的代表性特征。GoogLeNet架构在卷积神经采集的基础上通过增大采集的深度(层数)在图像识别方面取得了更好的效果。GoogLeNet的中枢模块Inception模块(本参谋经受的是Inception-V3 模块)的结构如图3所示。

影视大全网在线云点播

每个Inception模块从输入层获取前一级的卷积特征图像，然后使用并行的卷积以及一个最大池化，并行拿获输入图像的多种特征。每个Inception模块齐将原本的n×n卷积，优化为2个卷积1×n和n×1，不错晋升计较速率、减少计较资本，同期采集深度也进一步增多。为了调动每个并行卷积层输出特征图的数目，在各层之间方便进行计较，每个模块肇端添加1×1卷积，终末流程滤波器取悦层(Filter concatenation)，将并行卷积取得的通盘特征图像按照深度取悦起来。GoogLeNet整个使用了9个Inception模块，并在通盘卷积层经受ReLU激活函数。该采集在中间层还具有2个提拔分类器，以有用地对通盘层进行反向传播[3， 24]，匡助更新采集参数。

由于GoogLeNet架构的复杂性，从新启动进行培训需要多半数据集，且用时过长，因此本文选拔迁徙学习的神气。迁徙学习的主要想想是将一个试验好的模子参数平直迁徙到另一个场景或数据集，以匡助试验新需求下的分类模子[15]。本文固定GoogLeNet采集中一定层数的权重，并对分类层进行缺欠以适用于新的数据集分类，再行试验后几层的现存权重，收尾快速模子试验。

哄骗TensorFlow框架、Jupyter Notebook开发环境和Python话语在计较机上试验和测试该模子。该计较机的惩办器为Intel Core i5-4590，内存为16 G，显卡为NVIDIA GeForce GT 1030。模子试验时，另类图片亚洲学习率成立为0.01，试验批量大小为100，经受Top-1动作模子性能评价盘算。通盘这个词数据集按7∶1∶2的比例分为试验集、考据集和测试数据集。模子的试验中式了GradientDescentOptimizer (GDO)、AdamOptimizer(AO)、MomentumOptimizer(MO)这3个不同的优化器，以及5000、10000、50000这3个不同的迭代次数来对比不同参数对模子性能的影响。

2 驱散与分析

用Top-1准确性和模子死亡评估模子的性能，模子的试验驱散、考据驱散以及最终的测试驱散如图4和表2所示。

表 2 模子的试验期间和平均测试精度 Table 2 Model training time and average test accuracy

从表2不错看出，5个模子的测试精度均高于94%；其中，经受MO优化器迭代10000次和经受GDO优化器迭代50000次的模子分类精度最高，达到了98.0%。从图4不错看出，跟着迭代次数的增多，GDO优化器的考据精度越来越高，死亡越来越小，但模子的试验期间的确是线性增多的。从管束速率来看，GDO优化器在迭代3000次操纵时管束，而AO和MO优化器在迭代300次操纵时管束，贯通GDO优化器的管束速率较着慢于AO和MO优化器。从死亡函数趋势性情来看，在相易迭代次数(10000次)下，GDO优化器的死亡函数较大，AO优化器的死亡函数波动较大，而MO优化器的死亡较小且最沉稳。是以，详细洽商试验期间、分类精度及管束速率等要素，MO优化器迭代10000次取得的模子具有最全面与浮现的性能，被选为最终的会诊模子。

浑浊矩阵可用来相比本色类别与展望驱散的关联，是抒发分类准确性的有用神气。本模子测试驱散的浑浊矩阵如表3所示。计较了各类别的分娩者精度(Producer’s accuracy，PA)和用户精度(User’s accuracy，UA)，驱散如表4所示。PA是某类别被正确识别的图像数目和该类别本色包括的图像数目的比率；UA则是被正确识别的某类别的图像数目和被识别为该类别的图像总和的比率。从表3和表4不错看出，大部分类别的PA和UA齐高于95%。进一步分析引起罅隙的类别不错看出，黑星病和炭疽病的UA相对较低，诀别为94.5%和93.7%，模子较容易将叶斑病误识别为黑星病，将叶斑病和黑疫病误识别为炭疽病，原因是叶斑病、黑疫病和炭疽病在发病初期均会产生褐色至玄色的雀斑，后期病斑均会扩大至互相交织，叶片大面积黑死，后期不错通过进一步扩大数据集的样本诽谤识别失实率。另外，鞘腐病的PA为94.9%，也相对较低，引起罅隙的样本主如果模子将2例鞘腐病误识别成枯萎病；同期，也有1例被识别为鞘腐病的样本本色上感染的是枯萎病。鞘腐病类别的样本数目较少可能是酿成该类别识别失实率较高的主要原因。

表 3 模子测试的浑浊矩阵 Table 3 Confusion matrix of model testing result 表 4 模子测试精度 Table 4 Model testing accuracy 3 香蕉病害会诊系统的开发

凭证得到的会诊模子进一步开发了香蕉病害汉典会诊系统。通盘这个词系统主要由终局APP和汉典干事器2部分构成。终局APP用来获取、惩办、上传香蕉植株图像，并接受会诊驱散。汉典干事器主要有2个功能：与终局通讯，收取图片、下发会诊驱散；内嵌会诊模子，收尾病害的快速识别。软件系统结构如图5所示。

终局APP是针对Android系统开发的，开发环境为Android Studio和IDE。它的主邀功能是拍摄、搜检、预惩办和上传植物图像，接受和披露会诊驱散。另外还包括病虫害科普常识，香蕉病虫害的典型症状及常用防治顺次。APP可使用终局内置相机原位拿获图像或从其相册中进行选拔，必要时还可进行一些基本的图像预惩办，如剪辑、旋转、灰度化等，然后将图像发送到汉典干事器，并实时接受会诊驱散。

干事器经受Java socket模块开发。通过成立监听法式对相应端口进行监听，一朝检测到图像，就调用会诊模子对图像进行识别，并快速地将会诊驱散反映给搬动终局。本文共联想了2个端口，一个用于接受图像信息，另一个用于反映会诊信息。

系统通过举座调试，在4G采集下，从图像上传到取得会诊驱散，平均用时3.1 s，APP可收尾快速原位会诊香蕉病害类别，测试驱散如图6所示。

跟着5G期间的快速发展和践诺，数据传输的带宽、速率、浮现性等齐将得到跳动式地发展。将来在5G采集下，该应用能获取的图像质地将更有保险，测量期间还将较着镌汰，致使可收尾视频流的会诊，进一步提高会诊精度及可靠性。

4 论断

参谋通过采集并膨胀7种主要的香蕉病害数据集，哄骗深度卷积采集之一的GoogLeNet Inception-V3模子，通过迁徙学习试验取得了香蕉病害会诊模子。通过对比不同采集优化器和迭代次数对模子性能的影响，最终选拔了MO优化器迭代10 000次的模子，平均测试准确率达到了98%失少女系列，大部分类别的用户精度及分娩者精度均达到了95%以上。罅隙产生的主要原因有：一是部分病害在不同的发病阶段会出现相通的特征，如叶斑病、黑星病和炭疽病在发病初期均会产生褐色至玄色的雀斑，后期病斑均会扩大至互相交织，叶片大面积黑死，这2个阶段三者的特征相通度高；二是数据集样本数目偏少，如鞘腐病的测试集仅包含39个样本。后期可通过扩大数据集进一步提高模子的精度。为了使用户大概快速、准确地判断香蕉的病害，进一步开发了基于该会诊模子的在线会诊软件系统。该系统有用地提高了香蕉病害会诊的精度与速率，并破除了传统的高度依赖有告诫的东说念主工识别的局限性，不错动作香蕉培植者监测病害的高效会诊器用。