薛 衛(wèi)，胡雪嬌，韋 中，梅新蘭，陳行健，徐陽(yáng)春*

（1 南京農(nóng)業(yè)大學(xué)信息科學(xué)技術(shù)學(xué)院，江蘇 210095；2 南京農(nóng)業(yè)大學(xué)資源環(huán)境與科學(xué)學(xué)院/江蘇省固體有機(jī)廢棄物資源化高技術(shù)研究重點(diǎn)實(shí)驗(yàn)室，江蘇 210095）

農(nóng)業(yè)廢棄物堆肥化利用，不僅能解決其隨意棄置造成的環(huán)境污染，而且可以為農(nóng)業(yè)生產(chǎn)提供大量的有機(jī)肥料，減少化學(xué)肥料的使用量，是保護(hù)生態(tài)環(huán)境、節(jié)約資源、發(fā)展可持續(xù)農(nóng)業(yè)的重要途徑[1]。在農(nóng)業(yè)生產(chǎn)中，使用未腐熟的有機(jī)肥不僅會(huì)影響作物生長(zhǎng)，而且還會(huì)招來(lái)地下害蟲(chóng)腐蝕作物根系，微生物的大量繁殖也會(huì)造成土壤缺氧增加病原體、寄生蟲(chóng)傳播的風(fēng)險(xiǎn)[2]。堆肥生產(chǎn)上常采用腐熟度[3]來(lái)表示堆肥化的穩(wěn)定程度。目前評(píng)價(jià)堆肥腐熟度的方法有:表觀分析法、化學(xué)分析法、植物生長(zhǎng)分析法及光譜分析法等方法[4]，采用這些方法分析堆肥的腐熟狀態(tài)往往時(shí)間長(zhǎng)，實(shí)驗(yàn)步驟繁瑣，堆肥生產(chǎn)上尚缺乏快速、直接的堆肥腐熟度判斷方法。因此，亟需研發(fā)一種快速有效的堆肥腐熟度的評(píng)價(jià)方法，為生產(chǎn)實(shí)踐中堆肥腐熟度的判斷提供決策支持。

農(nóng)業(yè)廢棄物在堆肥腐熟過(guò)程中發(fā)生了復(fù)雜的生物化學(xué)反應(yīng)，這些反應(yīng)導(dǎo)致各種物理和化學(xué)性質(zhì)的變化，如堆肥顏色、紋理結(jié)構(gòu)、溫度、含水量、C/N、腐殖質(zhì)含量等[5]。在腐熟過(guò)程中，堆肥的紋理和顏色通常發(fā)生顯著變化，研究表明堆肥的物理形態(tài)及顏色的改變可作為判別腐熟度的標(biāo)準(zhǔn)之一[6]。計(jì)算機(jī)圖像分析法能夠有效地提取紋理和顏色特征，支持分類(lèi)和評(píng)估不同生物材料的狀態(tài)[7-8]，是農(nóng)業(yè)工程問(wèn)題中廣泛使用的工具[9-12]。近年來(lái)，這些方法也被用于堆肥的研究與分析[13-14]。Boiecki 等[15]和Kujawa 等[16]使用神經(jīng)圖像分析法，在多光源的條件下評(píng)價(jià)堆肥腐熟質(zhì)量。李治宇等[17]用木醋液對(duì)堆肥顏色進(jìn)行干預(yù)，通過(guò)HSI 顏色模型判斷堆肥腐熟度?，F(xiàn)有的研究方法需要多光源、化學(xué)試劑等對(duì)堆肥進(jìn)行干預(yù)，且研究堆肥種類(lèi)單一、數(shù)據(jù)量小。總之，當(dāng)前國(guó)內(nèi)外鮮有研究者直接將機(jī)器視覺(jué)方法應(yīng)用到堆肥現(xiàn)場(chǎng)腐熟度預(yù)測(cè)中。

隨著大數(shù)據(jù)、人工智能時(shí)代的到來(lái)，分布式計(jì)算以及GPU 計(jì)算性能的大幅提升，深度學(xué)習(xí)在圖像識(shí)別、文本處理、語(yǔ)音識(shí)別等領(lǐng)域掀起了巨大的熱潮。Krizhevsky 等[18]運(yùn)用深卷積神經(jīng)網(wǎng)絡(luò)在2012 年ImageNet 挑戰(zhàn)賽中獲得冠軍，從此卷積神經(jīng)網(wǎng)絡(luò)在圖像識(shí)別領(lǐng)域得到了廣泛關(guān)注。多隱層的深度學(xué)習(xí)網(wǎng)絡(luò)能夠提取多尺度的圖像特征，具有權(quán)值共享、尺度不變性和強(qiáng)魯棒性等特點(diǎn)。卷積神經(jīng)網(wǎng)絡(luò)已在作物病蟲(chóng)害圖像分割[19]、奶牛個(gè)體識(shí)別[20]等問(wèn)題中取得了較好的識(shí)別預(yù)測(cè)的效果。鑒于卷積神經(jīng)網(wǎng)絡(luò)圖像分析所提供的強(qiáng)大分類(lèi)潛力，使用卷積神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)堆肥圖像的形態(tài)、紋理、顏色特征，建立堆肥腐熟度預(yù)測(cè)模型，并通過(guò)大量的堆肥圖像樣本數(shù)據(jù)驗(yàn)證模型有效性，實(shí)現(xiàn)在可見(jiàn)光條件下快速、準(zhǔn)確地識(shí)別堆肥腐熟度。

1 材料與方法

1.1 堆肥圖像采集

為了使試驗(yàn)材料更加豐富且具有代表性，實(shí)驗(yàn)數(shù)據(jù)采集歷時(shí)近兩年，采集了不同地區(qū)、不同季節(jié)、白天夜間、多批次的堆肥圖像樣本。供試堆肥樣本采集自江蘇、山東、浙江三省，堆肥方式為廠棚內(nèi)槽式堆肥，采用定期翻堆方式通風(fēng)供氧。采集自江蘇省南京市某有機(jī)堆肥廠的堆肥樣本原料以秸稈為主，堆肥周期近50 天；在山東省濰坊市某有機(jī)堆肥廠采集到的堆肥樣本原料為以尾菜為主，堆肥周期近45 天；采集自浙江省杭州市某有機(jī)堆肥廠的堆肥原料以畜禽糞便為主，堆肥周期近60 天。在堆肥現(xiàn)場(chǎng)的廠棚內(nèi)，使用?？低晹z像頭監(jiān)控拍攝，型號(hào)為C3W，焦段為廣角，焦距2.8 mm，清晰度1080 p，具有夜間自動(dòng)補(bǔ)光功能，攝像頭距堆肥表面約1 m，圖像格式為JPEG。白天在自然光條件下拍攝，夜間在攝像頭自動(dòng)感應(yīng)補(bǔ)光條件下拍攝。采集到的堆肥圖像樣本均為不同批次生產(chǎn)過(guò)程中不同腐熟時(shí)期的堆肥圖像。

1.2 樣本數(shù)據(jù)集構(gòu)建及試驗(yàn)方法

按照堆肥原料的不同，構(gòu)建四組堆肥樣本數(shù)據(jù)集，將采集到的圖片切割為分辨率為300 × 300 的堆肥圖像樣本。第一組堆肥數(shù)據(jù)集原料為尾菜，由8320 張堆肥圖像組成，其中早、中、晚期的未腐熟堆肥圖像6720 張，腐熟堆肥圖像1600 張。第二組堆肥數(shù)據(jù)集原料為秸稈，共7760 張圖片，其中早、中、晚期未腐熟圖片6560 張，腐熟圖片1200 張。第三組堆肥數(shù)據(jù)集原料為畜禽糞便，共6379 張圖片，其中早、中、晚未腐熟圖片4699 張，腐熟圖片1680 張。為了驗(yàn)證模型對(duì)不同產(chǎn)地和原料堆肥腐熟度預(yù)測(cè)效果，分別取三種不同原料的堆肥圖像樣本按照原料比例約為尾菜∶秸稈∶畜禽糞便 = 1∶1∶1 構(gòu)成第四組數(shù)據(jù)集，共9404 張圖片，其中未腐熟的圖像7428 張，腐熟圖像1976 張。不同原料的堆肥圖像紋理及顏色存在明顯差異，用于實(shí)驗(yàn)的堆肥原料為尾菜、秸稈、畜禽糞便的堆肥圖像樣本示例如圖1 所示。不同光照條件采集的堆肥圖像樣本如圖2 所示，夜間圖像顏色特征不明顯。

堆肥圖像數(shù)據(jù)集分為腐熟和未腐熟兩類(lèi)，腐熟堆肥樣本標(biāo)記為正樣本，未腐熟堆肥樣本標(biāo)記為負(fù)樣本。在每種堆肥數(shù)據(jù)集中隨機(jī)取80%的數(shù)據(jù)作為訓(xùn)練集，將剩下20%的堆肥圖像數(shù)據(jù)單獨(dú)預(yù)留出來(lái)作為測(cè)試集。測(cè)試集不參與模型的訓(xùn)練，用于模型預(yù)測(cè)效果的檢測(cè)。在模型驗(yàn)證中，計(jì)算測(cè)試集的單類(lèi)精確率和平均識(shí)別準(zhǔn)確率，并以此作為堆肥腐熟度預(yù)測(cè)模型效果的評(píng)價(jià)指標(biāo)。

1.3 基于卷積神經(jīng)網(wǎng)絡(luò)的堆肥腐熟度預(yù)測(cè)模型構(gòu)建與訓(xùn)練

1.3.1 卷積神經(jīng)網(wǎng)絡(luò) 卷積神經(jīng)網(wǎng)絡(luò)模仿人類(lèi)視覺(jué)原理，具有逐層抽象、邊緣形狀敏感、形狀扭曲不變性等特點(diǎn)，是一種權(quán)值共享、局部感知的前饋多層神經(jīng)網(wǎng)絡(luò)。卷積神經(jīng)網(wǎng)絡(luò)不同于一般的神經(jīng)網(wǎng)絡(luò)，卷積神經(jīng)網(wǎng)絡(luò)中特有的卷積層和池化層組成一組圖像特征提取器，能夠提取多級(jí)圖像特征。CNN的卷積層由多個(gè)特征平面 (feature map) 組成，特征平面中的神經(jīng)元通過(guò)卷積核與上一層特征平面局部連接[21]，卷積核中數(shù)據(jù)為權(quán)值，卷積核按照一定步長(zhǎng)在特征平面上滑動(dòng)計(jì)算，實(shí)現(xiàn)權(quán)值共享。在未訓(xùn)練時(shí)，一般以隨機(jī)小數(shù)對(duì)卷積核參數(shù)進(jìn)行初始化，在網(wǎng)絡(luò)的訓(xùn)練過(guò)程中通過(guò)反向傳播算法和優(yōu)化函數(shù)卷積核中的值逐步更新，最終學(xué)習(xí)到最優(yōu)參數(shù)。CNN共享權(quán)值的特點(diǎn)降低了網(wǎng)絡(luò)的復(fù)雜度，并且減少網(wǎng)絡(luò)過(guò)擬合的風(fēng)險(xiǎn)。池化層的作用是在保留數(shù)據(jù)特征的前提下，縮小數(shù)據(jù)體尺寸，以減少網(wǎng)絡(luò)計(jì)算量，堆肥腐熟度預(yù)測(cè)網(wǎng)絡(luò)模型中采用最大值池化(max pooling)[22]的方式，提取每一個(gè)池化窗口的最大值，然后不斷滑動(dòng)池化窗口得到輸出圖像。全連接層采用線性結(jié)構(gòu)將上一層輸出的特征參數(shù)連接成一條向量，經(jīng)過(guò)線性變換輸出最終的圖像特征送入線性分類(lèi)器輸出最終的分類(lèi)結(jié)果。

1.3.2 堆肥腐熟度預(yù)測(cè)模型搭建 堆肥腐熟前與腐熟后物料的物理形態(tài)有較大的改變，利用深度學(xué)習(xí)強(qiáng)大的特征表達(dá)能力提取堆肥紋理特征進(jìn)行分類(lèi)，實(shí)現(xiàn)堆肥腐熟預(yù)測(cè)。預(yù)測(cè)模型的網(wǎng)絡(luò)結(jié)構(gòu)是由輸入層、3 層卷積層、3 層池化層、2 層全連接層和輸出層構(gòu)成。輸入圖片采用RGB 三色圖像，大小為80 ×80 × 3。

卷積層conv1 采用3 × 3 大小的卷積核，步長(zhǎng)(stride) 為1，步長(zhǎng)較小能夠保留更多的圖片信息，采用零填充 (padding) 保留圖像的邊緣信息，經(jīng)卷積之后生成16 維80 × 80 的特征圖。卷積層conv2 輸入為16 維40 × 40 的圖像，輸出為32 維40 × 40 的特征圖。卷積層conv3 輸入為32 維20 × 20 的圖像，輸出為64 維20 × 20 的特征圖。

池化層采用最大池化，池化窗口大小設(shè)為2 ×2，步長(zhǎng)為2，池化后生成特征圖大小為原圖的一半，去掉圖片中的冗余信息。池化層pooling1 輸入為conv1 輸出的16 維80 × 80 圖像，輸出為16 維40 ×40 的特征圖。pooling2 輸入為conv2 輸出的32 維40 ×40 圖像，輸出為32 維20 × 20 的特征圖。pooling3輸入為conv3 輸出的64 維20 × 20 圖像，輸出為64 維10 × 10 的特征圖。

圖 1 試驗(yàn)中不同原料堆肥不同腐熟時(shí)期的圖像樣本示例Fig. 1 Example images of composts made different raw materials at different maturing periods

全連接層將池化層pooling3 的輸出連接成為一個(gè)6400 維向量作為該層的輸入。全連接層fully_connected1輸入為6400 維向量，輸出為1024 維的向量。全連接層fully_connected2 輸入為1024 維的數(shù)據(jù)，輸出為128 維。輸出層的輸入為128 維數(shù)據(jù)，輸出為2 維數(shù)據(jù)，代表兩類(lèi)分類(lèi)結(jié)果?；诰矸e神經(jīng)網(wǎng)絡(luò)的堆肥腐熟度預(yù)測(cè)訓(xùn)練網(wǎng)絡(luò)結(jié)構(gòu)圖如圖3 所示。

1.3.3 預(yù)測(cè)模型的優(yōu)化設(shè)計(jì) 采用批量歸一化法[23](batch normalize，BN) 使圖片數(shù)據(jù)變?yōu)榫禐?、標(biāo)準(zhǔn)差為1 的分布，在卷積層conv1、conv2、conv3 后添加BN 層，方便數(shù)據(jù)處理，加快模型收斂，提高網(wǎng)絡(luò)預(yù)測(cè)精度。BN 層計(jì)算方法如下:

在腐熟預(yù)測(cè)模型中的批量歸一化后加入ReLU作為網(wǎng)絡(luò)神經(jīng)元激活函數(shù)，可避免梯度消失，卷積層優(yōu)化過(guò)程如圖4 所示。

在全連接層中加入dropout 策略[24]，增強(qiáng)堆肥腐熟度預(yù)測(cè)模型的泛化能力，使全連接層具有稀疏性，降低過(guò)擬合風(fēng)險(xiǎn)，這里dropout 參數(shù)值設(shè)為0.5。1.3.4 堆肥腐熟度預(yù)測(cè)模型訓(xùn)練 將堆肥腐熟度預(yù)測(cè)模型在四種不同原料的數(shù)據(jù)集上分別進(jìn)行訓(xùn)練，在堆肥腐熟度預(yù)測(cè)模型訓(xùn)練過(guò)程中，batchsize 設(shè)置為30，最大迭代次數(shù)設(shè)置為2000，動(dòng)量因子設(shè)為0.9。首先進(jìn)行前向傳播，將RGB3 通道的堆肥圖片輸入第一層卷積做卷積運(yùn)算，卷積核初始參數(shù)為隨機(jī)小數(shù)，卷積層計(jì)算公式為:

圖 2 白天和夜間拍攝的不同腐熟狀態(tài)的堆肥圖像Fig. 2 Compost images of different maturity stages taken in the day and night

圖 3 基于卷積神經(jīng)網(wǎng)絡(luò)的堆肥腐熟度預(yù)測(cè)模型網(wǎng)絡(luò)結(jié)構(gòu)圖Fig. 3 Network structure of compost maturity prediction model based on CNN

圖 4 卷積層優(yōu)化結(jié)構(gòu)圖Fig. 4 Optimized structure of convolution layer

式中，l 代表當(dāng)前層數(shù)；x 代表輸入圖像矩陣；W 為卷積核；b 表示偏置項(xiàng)。然后將sl送入BN 層進(jìn)行歸一化，再將結(jié)果送入ReLU 激活函數(shù)，將結(jié)果送入max_pooling 函數(shù)進(jìn)行最大池化。經(jīng)過(guò)3 層卷積池化后，將結(jié)果映射到列向量送入全連接層進(jìn)行線性變換，最終得到輸出結(jié)果。

堆肥腐熟度預(yù)測(cè)模型訓(xùn)練過(guò)程中采用交叉熵?fù)p失函數(shù)(cross entropy loss function)[25]評(píng)估模型的損失率。假設(shè)有m 個(gè)樣本組成預(yù)測(cè)模型訓(xùn)練集，其中，樣本xi∈Rn+1，n 為樣本維數(shù)， yi表示第i 個(gè)樣本的腐熟類(lèi)別標(biāo)記，，0 代表未腐熟類(lèi)，1 代表腐熟類(lèi)，表示樣本 xi經(jīng)網(wǎng)絡(luò)函數(shù)hθ計(jì)算得到預(yù)測(cè)值，θ 為網(wǎng)絡(luò)參數(shù)θ ∈Rn+1。其損失函數(shù)如下:

使用批量隨機(jī)梯度下降算法(Batch Stochastic Gradient Descent algorithm，BSGD)[26]更新模型權(quán)值和偏置。假設(shè)從訓(xùn)練集中抽取一批 (Batch) 堆肥圖像樣本是一個(gè)相對(duì)m 較小的數(shù)，在訓(xùn)練過(guò)程當(dāng)中通常為固定值，梯度計(jì)算公式如下:

遍歷一次批處理樣本網(wǎng)絡(luò)參數(shù)則更新一次，θi表示當(dāng)前參數(shù)， θi+1表示更新后的參數(shù)，∈ 表示學(xué)習(xí)率，網(wǎng)絡(luò)模型參數(shù)值更新公式如下:

學(xué)習(xí)率的選取對(duì)模型訓(xùn)練收斂和預(yù)測(cè)效果有較大影響，這里使用線性衰減學(xué)習(xí)率，公式如下:

其中，k 為當(dāng)前迭代次數(shù)，τ 被設(shè)為一個(gè)較大的迭代次數(shù)這里設(shè)定為2000 次， α=，∈τ通常設(shè)為∈0的1%。

制作數(shù)據(jù)集，每一張堆肥圖像對(duì)應(yīng)一個(gè)label值，label 值為0 代表未腐熟，label 值為1 代表腐熟。將數(shù)據(jù)集分為訓(xùn)練集和測(cè)試集，數(shù)據(jù)集中80%的數(shù)據(jù)為訓(xùn)練集，20%的數(shù)據(jù)為測(cè)試集。使用CUDA 并行計(jì)算架構(gòu)，利用GPU 加速運(yùn)算，提高模型訓(xùn)練效率。堆肥腐熟度預(yù)測(cè)模型訓(xùn)練流程如圖5所示。

隨著訓(xùn)練次數(shù)的增加，堆肥腐熟度預(yù)測(cè)模型的損失值逐漸減少，如圖6 所示，訓(xùn)練次數(shù)在0 到250 次時(shí)誤差值下降最快，當(dāng)訓(xùn)練次數(shù)大于750 次時(shí)Loss 值近似為0。誤差率越小則表明堆肥腐熟預(yù)測(cè)模型的預(yù)測(cè)值越逼近真值，由此可見(jiàn)，堆肥腐熟度預(yù)測(cè)模型取得了良好訓(xùn)練效果。

2 結(jié)果與分析

2.1 堆肥腐熟度預(yù)測(cè)模型訓(xùn)練環(huán)境

模型構(gòu)建使用Pytorch 深度學(xué)習(xí)框架，CUDA 計(jì)算架構(gòu)；試驗(yàn)環(huán)境，Windows10 操作系統(tǒng)、Anaconda-Spyder 開(kāi)發(fā)平臺(tái)；硬件設(shè)施，Intel Core E5-2650 v4 CPU(主頻2.2 GHz)、GTX 1080Ti 顯卡×2、1 T 硬盤(pán)、16 G 內(nèi)存。

2.2 特征圖可視化分析

圖 5 模型訓(xùn)練流程圖Fig. 5 Flow chart of model training

圖 6 堆肥腐熟度預(yù)測(cè)模型訓(xùn)練誤差曲線Fig. 6 Training error curve of compost prediction model

根據(jù)圖3 中搭建的堆肥腐熟度預(yù)測(cè)卷積神經(jīng)網(wǎng)絡(luò)模型，把圖片輸入到模型中，輸出卷積池化層處理得到的圖像。卷積池化層構(gòu)成的特征提取器能夠提取圖像的邊緣、輪廓、線條、顏色等特征信息。圖7、圖8 以原料為尾菜的堆肥樣本圖為例，分別給出了卷積神經(jīng)網(wǎng)絡(luò)提取未腐熟和腐熟圖像的特征圖。從圖7、圖8 可以看出，未腐熟的堆肥枝干線條較為明顯，提取到的紋理特征為線條狀，腐熟堆肥紋理類(lèi)似于砂礫，圖像紋理較為細(xì)致。這里只給出尾菜堆肥的特征圖，而總體上不同種類(lèi)的堆肥在不同腐熟時(shí)期的圖像特征具有共性，未腐熟堆肥紋理粗糙，粒度大，原材料物質(zhì)形態(tài)明顯，腐熟堆肥紋理紋理細(xì)致，粒度小。卷積神經(jīng)網(wǎng)絡(luò)能夠敏銳地感知到不同時(shí)期堆肥圖像的粒度差異，準(zhǔn)確地提取到堆肥外觀特征。這里由于不同拍攝環(huán)境光照對(duì)圖片的顏色有很大影響，僅僅通過(guò)堆肥圖像顏色區(qū)分堆肥腐熟度誤差較大。然而，堆肥的紋理特征不受光照的影響。因此，與顏色特征相比，堆肥的紋理特征更穩(wěn)定。在判斷堆肥腐熟度時(shí)，堆肥紋理特征更加重要。堆肥過(guò)程中的水分變化對(duì)圖像特征影響不大。卷積神經(jīng)網(wǎng)絡(luò)模擬人類(lèi)視覺(jué)特點(diǎn)，既保留了圖像的顏色信息，也提取了輪廓、線條、粒度等具有代表性的特征，從而避免了因光照條件對(duì)圖像識(shí)別能力的影響。從特征圖中可以看出，模型不同程度地提取了堆肥的顏色、紋理特征。深層網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)能力強(qiáng)，提取到的部分特征圖較抽象，提取到的堆肥特征更加豐富。卷積過(guò)程中的提取到的特征圖像不僅保留了整體堆肥圖片的顏色紋理特征，也得到了局部具有代表性特征，體現(xiàn)了卷積神經(jīng)網(wǎng)絡(luò)局部感知的特點(diǎn)。網(wǎng)絡(luò)層數(shù)越高，感受野就更廣，參與運(yùn)算信息就更多，提取到的特征就更加全面。

2.3 堆肥腐熟預(yù)測(cè)結(jié)果與分析

為了檢驗(yàn)堆肥腐熟度預(yù)測(cè)模型的預(yù)測(cè)效果，使用單類(lèi)精確率和平均識(shí)別準(zhǔn)確率對(duì)堆肥腐熟預(yù)測(cè)模型進(jìn)行評(píng)價(jià)[27]，公式如下:

圖 7 卷積池化層提取的未腐熟堆肥圖像特征可視化圖Fig. 7 Visualization of immature compost image features extracted by convolution and pooling layer

圖 8 卷積池化層提取的腐熟堆肥圖像特征可視化圖Fig. 8 Visualization of mature compost image features extracted by convolution and pooling layer

式中，TP 為正確識(shí)別腐熟類(lèi)個(gè)數(shù)，F(xiàn)P 為錯(cuò)誤識(shí)別腐熟類(lèi)個(gè)數(shù)，TN 為正確識(shí)別未腐熟類(lèi)個(gè)數(shù)，F(xiàn)N 為錯(cuò)誤識(shí)別未腐熟類(lèi)個(gè)數(shù)，P 為腐熟類(lèi)識(shí)別精確率，N 為未腐熟類(lèi)識(shí)別精確率計(jì)算公式，Acc 為平均識(shí)別準(zhǔn)確率公式。

將四組堆肥原料分別為尾菜、秸稈、畜禽糞便和3 種原料混合數(shù)據(jù)集中的測(cè)試集分別送入堆肥腐熟度預(yù)測(cè)模型中進(jìn)行檢驗(yàn)，預(yù)測(cè)結(jié)果如下表所示:

由表1 可知，尾菜堆肥、秸稈堆肥、畜禽糞便堆肥數(shù)據(jù)集平均準(zhǔn)確率為98.7%、98.7%、98.8%，腐熟類(lèi)及未腐熟類(lèi)的識(shí)別精確率均在98.1% 以上，證明了模型的可靠性。為了提升模型的魯棒性，將3 種堆肥圖像等比例混合進(jìn)行試驗(yàn)，結(jié)果如表1 混合原料列所示，未腐熟類(lèi)識(shí)別精確率為98.3%，腐熟類(lèi)識(shí)別精確率為97.7%，平均準(zhǔn)確率達(dá)到了98.2%。實(shí)驗(yàn)結(jié)果表明，搭建的基于卷積神經(jīng)網(wǎng)絡(luò)的堆肥腐熟度預(yù)測(cè)模型對(duì)不同原料、顏色、紋理的堆肥腐熟程度判別均有優(yōu)異的效果。數(shù)據(jù)集中包括白天和夜間采集到的堆肥圖像樣本，以及不同堆肥原料其顏色差異較大。從結(jié)果可以看出，堆肥紋理特征在腐熟度判斷中更加有效。

卷積神經(jīng)網(wǎng)絡(luò)多隱層的特點(diǎn)，使其能夠表達(dá)高層次的抽象特征，預(yù)測(cè)模型中層數(shù)越高，提取到的特征就更加全局化。深度網(wǎng)絡(luò)模型能夠提取多尺度、多層次的堆肥圖像特征，這包括了堆肥的形態(tài)、紋理、顏色等全方位信息。因此，基于卷積神經(jīng)網(wǎng)絡(luò)的堆肥腐熟預(yù)測(cè)模型有如此高的識(shí)別率。卷積之后連接的池化層能夠?qū)崿F(xiàn)對(duì)堆肥圖像進(jìn)行聚合特征、降維來(lái)減少網(wǎng)絡(luò)的計(jì)算量。實(shí)驗(yàn)中用了大量的堆肥圖像進(jìn)行訓(xùn)練預(yù)測(cè)，驗(yàn)證了模型的有效性和普適性，這得益于深度學(xué)習(xí)模型龐大的吞吐量。

不同來(lái)源的同種堆肥原料在原料形態(tài)及顏色上略有差異，但是依舊遵循未腐熟堆肥紋理粒度大，腐熟堆肥紋理細(xì)致的特點(diǎn)。下面我們分析基于CNN的腐熟度預(yù)測(cè)模型對(duì)不同來(lái)源的同種原料的堆肥圖像的敏感性。

取三種堆肥原料的堆肥數(shù)據(jù)集中的不同批次的堆肥圖像，送入文中搭建的CNN 腐熟度預(yù)測(cè)模型，取出網(wǎng)絡(luò)模型的全連接層的倒數(shù)第二層的輸出共128 維的特征向量來(lái)描述網(wǎng)絡(luò)提取到的堆肥圖像特征，計(jì)算不同來(lái)源的同種堆肥原料圖像特征的差異性。實(shí)驗(yàn)堆肥圖像如圖9 所示。采用歐氏距離和偏差均值作為差異性的度量，其公式如下:

式中，n 為特征向量的維數(shù)，α、β 為兩種不同的特征向量，αi代表α 特征向量的第的i 個(gè)值，βi代表β 特征向量的第的i 個(gè)值，D 代表歐氏距離，P 代表偏差均值。

根據(jù)表2 可得，同種類(lèi)別的兩種不同來(lái)源的堆肥圖像的特征向量的歐氏距離在2.24～3.45，偏差均值在0.12～0.24，差異較??；腐熟與未腐熟堆肥圖像的特征向量的歐氏距離在8.02～18.51，偏差均值在0.51～1.04，差異較大。同種原料的不同來(lái)源的堆肥圖像，經(jīng)過(guò)卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練學(xué)習(xí)，能夠縮小其差異提取其共性特征?？梢缘贸鼋Y(jié)論，同種類(lèi)別不同來(lái)源的堆肥圖像的微小差異不會(huì)對(duì)基于CNN 的堆肥腐熟度預(yù)測(cè)模型提取特征及分類(lèi)產(chǎn)生影響。

表 1 各原料堆肥腐熟度正確識(shí)別數(shù)量及準(zhǔn)確率Table 1 Correctly predicted number and robust of the maturity of compost e samples predicted by the prediction model

圖 9 不同來(lái)源、批次的不同腐熟程度的堆肥圖像Fig. 9 Compost images of different sources and batches with different maturity

表 2 不同來(lái)源、批次和腐熟度的堆肥間的特征差異Table 2 Differences in features of compost from different sourcesbatches and mature degrees

2.4 與傳統(tǒng)特征算法的比較

將幾種經(jīng)典高效的特征提取算法與卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行對(duì)比。第一組對(duì)比試驗(yàn)用SIFT(尺度不變特征變換，scale-invariant feature transform) 特征提取算法提取在堆肥圖像提取50 個(gè)128 維的SIFT 特征點(diǎn)，采用K-means 聚類(lèi)方法將得到的SIFT 特征點(diǎn)進(jìn)行聚類(lèi)構(gòu)建視覺(jué)詞袋模型詞典[28]，k 類(lèi)別設(shè)為100 類(lèi)，統(tǒng)計(jì)每一張堆肥圖片的SIFT 特征點(diǎn)在每一個(gè)類(lèi)別中的分布頻率，構(gòu)成堆肥圖像的視覺(jué)詞袋特征。第二組試驗(yàn)使用稀疏編碼 (sparse coding，SC) 構(gòu)建堆肥圖像特征，首先提取堆肥圖像塊，使用K-SVD 字典學(xué)習(xí)算法構(gòu)建120 維稀疏字典，使用最大池化方法降維得到堆肥圖像最終的稀疏編碼特征[29]。第三組對(duì)比試驗(yàn)采用LBP(局部二值模式，local binary pattern) 算法對(duì)堆肥紋理特征進(jìn)行提取，將堆肥圖像分成3 × 3 的小窗口，計(jì)算每個(gè)小窗口中心像素的LBP 值，統(tǒng)計(jì)堆肥圖像的直方圖作為L(zhǎng)BP 特征。前三組對(duì)比實(shí)驗(yàn)中，均采用SVM(支持向量機(jī)，support vector machine)做分類(lèi)器。第四組對(duì)比試驗(yàn)與Kujawa 等[16]提出的經(jīng)典堆肥腐熟度評(píng)價(jià)方法，即使用灰度共生矩陣 (graylevel co-occurrence matrix，GLCM) 和顏色矩方法提取堆肥的紋理和顏色特征，BP 神經(jīng)網(wǎng)絡(luò)作為分類(lèi)器實(shí)現(xiàn)堆肥腐熟度的預(yù)測(cè)。第五組對(duì)比試驗(yàn)提取圖像的顏色矩[30]特征，使用SVM 進(jìn)行分類(lèi)。計(jì)算五組方法在四組數(shù)據(jù)集中測(cè)試集的平均準(zhǔn)確率，試驗(yàn)結(jié)果如表3 所示。

從表3 可以看出，在SIFT、SC、LBP 和GLCM這四種經(jīng)典的圖像特征提取方法中，SIFT 特征和SC 特征提取算法表現(xiàn)一般，LBP 特征算法在三種數(shù)據(jù)集和混合數(shù)據(jù)集上的預(yù)測(cè)結(jié)果為分別為84.2%、89.2%、87.8%和88.6%，LBP 特征在尾菜和秸稈數(shù)據(jù)集上表現(xiàn)較好，LBP 是一種經(jīng)典的圖像局部紋理特征提取算法，具有灰度尺度不變、旋轉(zhuǎn)不變等特點(diǎn)，它描述的是中心像素值與鄰域像素值的相對(duì)關(guān)系，局部的二值化在顏色變化明顯的區(qū)域會(huì)出現(xiàn)明顯的邊緣能夠突出圖像的紋理特征。在畜禽糞便數(shù)據(jù)集上顏色矩特征表現(xiàn)較好，在該類(lèi)堆肥數(shù)據(jù)集中堆肥腐熟前后顏色變化大于紋理特征變化。

基于文中搭建的卷積神經(jīng)網(wǎng)絡(luò)的堆肥腐熟預(yù)測(cè)模型在三種數(shù)據(jù)集和混合數(shù)據(jù)集上的預(yù)測(cè)結(jié)果分別為98.7%、98.7%、98.8%和98.2%，較每類(lèi)結(jié)果最優(yōu)的經(jīng)典特征提取算法預(yù)測(cè)準(zhǔn)確率提升了3 至14 個(gè)百分點(diǎn)。LBP 只能夠提取單層的紋理特征，而文中搭建的卷積神經(jīng)網(wǎng)絡(luò)模型在每層用一組級(jí)聯(lián)的卷積加權(quán)濾波器和激活函數(shù)對(duì)數(shù)據(jù)進(jìn)行映射，從低層到高層、多角度地描述不同腐熟程度堆肥圖像的紋理特征。卷積神經(jīng)網(wǎng)絡(luò)中的池化層能夠去掉圖像中的冗余信息，精準(zhǔn)地描述圖像特征。LBP 算法中的參數(shù)是固定的，而卷積神經(jīng)網(wǎng)絡(luò)中的反向傳播網(wǎng)絡(luò)特點(diǎn)使其擁有自學(xué)習(xí)能力，通過(guò)不斷地根據(jù)腐熟情況訓(xùn)練堆肥圖片樣本進(jìn)行網(wǎng)絡(luò)調(diào)參，使輸出結(jié)果盡可能地逼近真值，最終實(shí)現(xiàn)較好的堆肥腐熟度的預(yù)測(cè)識(shí)別效果。

表 3 不同經(jīng)典特征提取算法腐熟度預(yù)測(cè)結(jié)果準(zhǔn)確率 (%)Table 3 Prediction accuracy of the maturity by different classic extraction algorithms

3 討論與結(jié)論

本研究首次提出基于卷積神經(jīng)網(wǎng)絡(luò)的堆肥腐熟度預(yù)測(cè)模型，并對(duì)模型進(jìn)行優(yōu)化，優(yōu)化后的模型具有優(yōu)異的堆肥形態(tài)、紋理、顏色特征學(xué)習(xí)能力，取得了較好的預(yù)測(cè)效果。根據(jù)堆肥的產(chǎn)地和原料的不同，采集了大量的堆肥圖像，最終用于實(shí)驗(yàn)的堆肥圖像樣本數(shù)量近3 萬(wàn)張，樣本呈現(xiàn)多樣性和豐富性，避免了前期研究者的選取圖像特征不足不具代表性等缺點(diǎn)。試驗(yàn)結(jié)果表明，堆肥紋理特征在腐熟度判斷中更加有效，并且堆肥過(guò)程中的水分變化對(duì)圖像特征影響不大。腐熟模型在3 種不同原料堆肥上的準(zhǔn)確率均在98%以上，在混合堆肥圖像數(shù)據(jù)集上的準(zhǔn)確率達(dá)到了98.2%，較每類(lèi)數(shù)據(jù)集上最優(yōu)的特征提取算法提升了3～14 個(gè)百分點(diǎn)。卷積神經(jīng)網(wǎng)絡(luò)中的卷積層和池化層能夠準(zhǔn)確地提取圖像特征，多層網(wǎng)絡(luò)的結(jié)構(gòu)可以提取多層特征，彌補(bǔ)了經(jīng)典特征提取算法中只能提取單一層次特征的缺陷。

基于卷積神經(jīng)網(wǎng)絡(luò)的堆肥腐熟預(yù)測(cè)模型實(shí)現(xiàn)了在可見(jiàn)光條件下即可通過(guò)堆肥圖像判別堆肥腐熟度，更加符合實(shí)際應(yīng)用場(chǎng)景中的情況，能夠?yàn)樯a(chǎn)實(shí)踐中堆肥腐熟度判斷提供有力支撐。對(duì)于其他的原材料的堆肥，可以通過(guò)遷移學(xué)習(xí)方法在目前已經(jīng)訓(xùn)練好的堆肥腐熟度預(yù)測(cè)模型的基礎(chǔ)上進(jìn)一步強(qiáng)化訓(xùn)練，對(duì)模型參數(shù)進(jìn)行微調(diào)，使模型能夠更加適用于其他原材料堆肥的腐熟情況的判斷。文中已經(jīng)訓(xùn)練好的基于CNN 的堆肥腐熟度預(yù)測(cè)模型，能夠準(zhǔn)確地提取堆肥紋理及顏色特征。堆肥在生產(chǎn)過(guò)程中，不同原材料的堆肥僅是在物料形態(tài)上有所差異，其紋理特征均是由粗變細(xì)的一個(gè)過(guò)程，可以通過(guò)將待測(cè)原材料的堆肥圖像送入網(wǎng)絡(luò)模型中，進(jìn)一步訓(xùn)練網(wǎng)絡(luò)。采用遷移學(xué)習(xí)的方法無(wú)需對(duì)網(wǎng)絡(luò)進(jìn)行重新訓(xùn)練，在模型已經(jīng)較高的判斷某種堆肥腐熟度的“知識(shí)儲(chǔ)備”及“識(shí)別能力”的基礎(chǔ)上，用另一組堆肥數(shù)據(jù)集對(duì)模型繼續(xù)訓(xùn)練，通過(guò)學(xué)習(xí)兩種堆肥的差異性，對(duì)網(wǎng)絡(luò)模型中的池化層、卷積層及全連接層的權(quán)值和偏置等網(wǎng)絡(luò)參數(shù)進(jìn)行調(diào)整。該方法要比重新訓(xùn)練一個(gè)“零基礎(chǔ)”的網(wǎng)絡(luò)模型能夠更快地達(dá)到較高的識(shí)別率。

本文的腐熟預(yù)測(cè)模型推廣較容易，遷移學(xué)習(xí)的方法使文中的堆肥腐熟度預(yù)測(cè)模型具有較強(qiáng)的移植性。在堆肥原材料不同的情況下，在現(xiàn)有訓(xùn)練好的腐熟度預(yù)測(cè)模型基礎(chǔ)上通過(guò)遷移學(xué)習(xí)進(jìn)一步訓(xùn)練，可使用推廣堆肥廠的堆肥圖像樣本對(duì)模型的內(nèi)部參數(shù)進(jìn)行微調(diào)，使模型更加適用于推廣堆肥廠的生產(chǎn)過(guò)程。另外，部分堆肥圖像采集現(xiàn)場(chǎng)環(huán)境較為惡劣，需要考慮采集設(shè)備的穩(wěn)定性。

在堆肥腐熟過(guò)程中，溫度和濕度數(shù)據(jù)也是兩個(gè)重要的物理指標(biāo)，在接下來(lái)的研究中將在提取堆肥紋理及顏色特征的基礎(chǔ)上，融合溫濕度數(shù)據(jù)，進(jìn)一步提升模型的準(zhǔn)確性。