孫 軍
(貴州工程應(yīng)用技術(shù)學(xué)院土木建筑工程學(xué)院,貴州畢節(jié) 551700)
茶樹病蟲害的發(fā)生和發(fā)展一直都是茶產(chǎn)業(yè)的發(fā)展一大難題。傳統(tǒng)的茶樹病蟲害防治基于茶農(nóng)經(jīng)驗(yàn)和統(tǒng)計(jì)學(xué)方法解決問題[1]。隨后遙感信息技術(shù)等現(xiàn)代科學(xué)手段[2]被應(yīng)用到了茶樹病蟲害的防治之中。隨著無人機(jī)、無線視頻監(jiān)控等現(xiàn)代科技手段的發(fā)展和普及,新的茶樹病蟲害防治手段也隨之產(chǎn)生和發(fā)展。本文結(jié)合人工智能和數(shù)字圖像處理技術(shù),把最新人工智能成果應(yīng)用于茶樹病蟲害防治之中,提升了茶樹病蟲害的防治效果。
病蟲害預(yù)警網(wǎng)絡(luò)結(jié)構(gòu)由視頻監(jiān)控終端,中央處理器,和報(bào)警統(tǒng)計(jì)分析裝置組成。視頻監(jiān)控終端由固定監(jiān)控裝置或移動(dòng)視頻裝置(如無人機(jī))組成。固定監(jiān)控裝置按照一定的距離比例均勻分布茶場。移動(dòng)視頻裝置可對整體茶場實(shí)施動(dòng)態(tài)監(jiān)測。病蟲害預(yù)警結(jié)構(gòu)如圖1所示。
1.視頻監(jiān)控終端;2.基座平臺(tái);3.微機(jī)(中央處理器);4.控制箱;5 信息處理輸出端及報(bào)警裝置
如圖1所示,視頻監(jiān)控終端以固定的間隔時(shí)間t采集圖片f1和f2傳輸?shù)街醒胩幚砥?。中央處理器通過公式g=f2-f1對兩張圖片進(jìn)行灰度值對比,可以分割出圖片中的異常區(qū)域[3],對異常區(qū)域進(jìn)行處理分析和信息匯總。在異常區(qū)域位置發(fā)生移動(dòng)的情況下,可以根據(jù)異常區(qū)域移動(dòng)趨勢對視頻監(jiān)控終端自動(dòng)調(diào)整,對移動(dòng)目標(biāo)進(jìn)行跟蹤分析[3]。最后確定中央處理器的報(bào)警閾值,通過報(bào)警裝置進(jìn)行自動(dòng)報(bào)警。
病蟲害預(yù)警網(wǎng)絡(luò)結(jié)構(gòu)的核心是中央處理器,中央處理器的核心是人工智能。通過近幾年的實(shí)驗(yàn)數(shù)據(jù)表明,卷積神經(jīng)網(wǎng)絡(luò)(CNN)[4]在圖像目標(biāo)檢測識(shí)別中成功率較高。隨著深度學(xué)習(xí)技術(shù)的發(fā)展和引入,卷積神經(jīng)網(wǎng)絡(luò)模型由CNN發(fā)展到了RCNN(Regions with CNN features)[5],再由RCNN 擴(kuò)展到Fast RCNN[6]和Faster RCNN[7],最后發(fā)展到了SSD[8]模型。卷積神經(jīng)網(wǎng)絡(luò)(CNN)為特征提取和特征映射雙層結(jié)構(gòu)。神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。
圖2 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
RCNN基于圖像分割算法實(shí)現(xiàn)目標(biāo)位置鎖定,確定閾值調(diào)整目標(biāo)位置的圖像比例尺寸,再對目標(biāo)屬類進(jìn)行劃分。RCNN需要對所有可能的情況進(jìn)行分析,極大降低了學(xué)習(xí)效率。Fast RCNN在整幅圖片中提取感興趣的區(qū)域。計(jì)算頻次低,計(jì)算效率有所提升。Faster RCNN通過添加RPN(Region Proposal Network)網(wǎng)絡(luò)實(shí)現(xiàn)圖像目標(biāo)識(shí)別,無需進(jìn)行圖像分割。繼Fast RCNN和Faster RCNN之后,在此二者的基礎(chǔ)上又提出了改進(jìn)的SSD[8]算法,并在實(shí)驗(yàn)檢測中有更好的實(shí)驗(yàn)檢測效果。
實(shí)驗(yàn)以貴州省畢節(jié)市的茶產(chǎn)業(yè)基地為背景,在同一場地使用不同卷積神經(jīng)網(wǎng)絡(luò)(CNN)模型進(jìn)行實(shí)驗(yàn)。實(shí)驗(yàn)時(shí)間一年,預(yù)警20次。首先通過網(wǎng)絡(luò)收集和現(xiàn)場拍照等方式獲取大量的茶樹病蟲害的訓(xùn)練圖片,再對訓(xùn)練圖片進(jìn)行人工修整,按照茶樹病蟲害的類別進(jìn)行人工分類和標(biāo)注,最后輸入不同的卷積神經(jīng)網(wǎng)絡(luò)(CNN)模型進(jìn)行訓(xùn)練,并通過實(shí)驗(yàn)比較訓(xùn)練得到的結(jié)果。
表1 實(shí)驗(yàn)結(jié)果比較
由于茶樹具有四季常青的性質(zhì),茶場背景光譜色澤相對單一,從圖片上易于對病變區(qū)域目標(biāo)進(jìn)行分割。因此,在訓(xùn)練和使用卷積神經(jīng)網(wǎng)絡(luò)(CNN)模型的時(shí)候,對圖像像素要求不高。通過實(shí)驗(yàn)數(shù)據(jù)表明,采用Fast RCNN模型和SSD模型具有相同的效果??紤]到圖像像素要求低的情況,F(xiàn)ast RCNN模型預(yù)警效果實(shí)際優(yōu)于其它的卷積神經(jīng)網(wǎng)絡(luò)(CNN)模型。