肖衡

摘? 要： 為了實現(xiàn)水稻飛虱蟲害診斷，解決傳統(tǒng)測報系統(tǒng)中存在的誤報率高的問題，利用深度學習算法從硬件和軟件兩個方面對水稻飛虱蟲害圖像測報系統(tǒng)進行優(yōu)化設計。測報硬件系統(tǒng)主要由主機、分機、傳感器以及圖像采集設備組成，并通過電源電路為硬件設備提供電力支持。在硬件設備安裝完成的基礎上，建立數(shù)據(jù)庫為軟件功能的實現(xiàn)提供基礎數(shù)據(jù)，并利用深度學習算法通過采集圖像預處理、識別水稻飛虱蟲害和啟動異常報警程序三個步驟實現(xiàn)圖像測報功能。為了檢測設計的基于深度學習算法的水稻飛虱蟲害圖像測報系統(tǒng)的性能，設計系統(tǒng)測試實驗。經過與傳統(tǒng)測報系統(tǒng)的對比可以發(fā)現(xiàn)，設計的蟲害圖像測報系統(tǒng)的誤差率降低了0.19%，且平均時間消耗節(jié)省了0.64 s。

關鍵詞： 水稻飛虱蟲害; 圖像測報; 深度學習算法; 自動測報; 圖像處理; 系統(tǒng)設計

中圖分類號： TN919.5?34; TP273? ? ? ? ? ? ? ? ? ?文獻標識碼： A? ? ? ? ? ? ? ? ? ? 文章編號： 1004?373X（2020）21?0039?04

Design of deep learning algorithm based image detection and

alarm system for rice planthopper pests

XIAO Heng

（University of Sanya， Sanya 572022， China）

Abstract： In order to diagnose the rice planthopper pests and reduce the high false alarm rate in the traditional detection and alarm system， an optimization design of image detection and alarm system for rice planthopper pests is carried out by means of deep learning algorithm in the aspects of hardware and software. The detection and alarm hardware system is mainly composed of host， extension set， sensor and image acquisition equipment. The power of the hardware equipment is supported by power supply circuit. On the basis of the hardware equipment， the database is established to provide basic data for the realization of software functions. The image detection and alarm function is realized with deep learning algorithm by three steps： preprocessing of the collected image， identification of rice planthopper pests and initiation of abnormal alarm program. Experiments were designed to test the performance of the deep learning algorithm based system for rice planthopper pest image detection. In comparison with the traditional detection and alarm system， it can be found that the error rate of the designed image detection and alarm system reduced by 0.19%， and the average test duration is shortened by 0.64 seconds.

Keywords： rice planthopper pest; image detection and alarm; deep learning algorithm; automatic detection and alarm; image processing; system design

0? 引? 言

大米是人類最主要的糧食，長期以來為人們的日常生活提供能量來源。為了給人們提供足夠的食物，中國需要大范圍的種植水稻以及其他谷類農作物。由于水稻作物的大范圍種植，水稻害蟲也逐漸增多，水稻害蟲對水稻糧食的生產造成極大的威脅，不僅會影響糧食的質量同時還會導致水稻糧食的大幅度減產。經不完全統(tǒng)計，中國每年因水稻蟲害影響造成的水稻糧食減產量達到了水稻一年總產量的10%～15%。其中稻飛虱是影響水稻產量和質量的主要害蟲之一，主要包括褐飛虱、白背飛虱和灰飛虱三種，其中危害較重的是褐飛虱和白背飛虱。稻飛虱害蟲在水稻的整個生產周期中具有繁殖速度快、周期短等特點，在水稻生長過程中通過刺吸式口器來攝取水稻中的汁液，并傳播自身攜帶的病毒，導致多種細菌性病害在水稻中發(fā)生[1]。為了降低稻飛虱蟲害對水稻產量和質量的影響，需要對稻田中的蟲害情況進行預報與及時準確的防治，為此建立水稻飛虱蟲害的測報系統(tǒng)，作為蟲害防治的前提和基礎。一般的蟲害測報系統(tǒng)均以圖像測報作為測報方式，這種圖像測報的方式就是通過對稻田中的水稻進行實時圖像采集，通過圖像的處理和識別來確定當前水稻中的害蟲種類和數(shù)量，以此為基礎制定對應的解決防治措施。

現(xiàn)階段常用的基本蟲害測報系統(tǒng)包括：基于物聯(lián)網(wǎng)技術的蟲害測報系統(tǒng)、基于AJAX的蟲害測報系統(tǒng)以及基于無線傳感器網(wǎng)絡的蟲害測報系統(tǒng)，上述三種測報系統(tǒng)均應用了互聯(lián)網(wǎng)以及計算機任務，實現(xiàn)蟲害測報的智能化和自動化，然而受到相關技術的應用限制，上述三種傳統(tǒng)系統(tǒng)均存在誤報率高、測報時間長的問題，因此需要借助深度學習算法實現(xiàn)測報系統(tǒng)的優(yōu)化設計。深度學習算法是人工智能發(fā)展下的產物，該算法在語音識別、圖像與視頻處理等諸多領域獲得了較為成功的研究成果[2]。將深度學習算法應用到水稻飛虱蟲害圖像測報系統(tǒng)當中，可以有效地處理采集到的圖像信息，并得到更加精密的識別測報結果，實現(xiàn)提升測報準確率的最終目的。

1? 蟲害圖像測報硬件系統(tǒng)設計

水稻飛虱蟲害圖像測報硬件系統(tǒng)的設計用來為軟件測報功能提供硬件實現(xiàn)平臺，同時也可以為軟件系統(tǒng)提供原始數(shù)據(jù)。水稻飛虱蟲害圖像測報硬件系統(tǒng)的基本組成結構如圖1所示。

1.1? 主機與分機設計

水稻飛虱蟲害圖像測報硬件系統(tǒng)中的主要圖像處理設備分為主機和分機兩個部分，其中主機上安裝天線、通信口、電源接口和圖像測報開發(fā)板等元件，主機上還嵌入了一個圖像信號接收器。在計算機主控軟件的控制下，可以向分機發(fā)布動作任務指令，并將分機的執(zhí)行結果傳送到計算機當中，由計算機進行相關的信息處理以及控制任務。而分機上的主要器件包括：天線、單片機、電源接口和傳感器接口，分機的主要運行環(huán)境在稻田的生長環(huán)境附近，可以充分利用與其連接的傳感器裝置實現(xiàn)蟲害的檢測以及相關圖像的采集，由內部單片機進行數(shù)據(jù)統(tǒng)計得出結果[3]。在硬件系統(tǒng)當中，主機與分機上的天線可以實現(xiàn)數(shù)據(jù)的遠距離傳輸，且兩個設備當中均存在電源接口但連接電源的形式不同，受到運行環(huán)境的影響，分機的電源接口主要與外接的太陽能控制器相連，白天主要通過太陽能直接對電瓶充電，在夜晚或陰雨天氣由電瓶供電，最長連續(xù)供電時間為24 h。而主機的電源接口與電源電路相連，以此為硬件設備的穩(wěn)定運行提供電力支持。

1.2? 電源電路設計

電源電路的設計就是為了給測報硬件系統(tǒng)提供電力支持，電源電路主要與主機以及傳感器相連，具體的電路設計結果如圖2所示。

1.3? 傳感器設備

傳感器設備主要用來采集實時水稻稻田的圖像，然而不同的環(huán)境需要設置不同的圖像參數(shù)，例如，當?shù)咎锃h(huán)境處于陰天或光線較弱時需要調節(jié)圖像采集設備的光圈以及其他參數(shù)數(shù)值，因此需要在硬件系統(tǒng)中設置數(shù)據(jù)傳感器。其中包括溫度傳感器、濕度傳感器、光照強度傳感器、下雨情況判斷傳感器等[4]。多個傳感器按照自身的參數(shù)采集原理通過協(xié)調工作的方式得到相關的傳感數(shù)據(jù)，參考對應的傳感結果提升采集圖像分辨率。其中，光照強度傳感器中的電路分布情況如圖3所示。

1.4? 圖像采集設備

水稻飛虱蟲害圖像測報硬件系統(tǒng)中的圖像采集系統(tǒng)選用的是高分辨率的攝像頭，攝像頭的分辨率為500萬像素，且可以根據(jù)不同環(huán)境調整自身的光圈以及其他的拍攝參數(shù)[5]。需要將圖像采集設備安裝在水稻稻田的適當位置上，保證圖像采集設備的鏡頭可以拍攝到水稻稻田的全景圖像。

2? 蟲害圖像測報軟件系統(tǒng)設計

在水稻飛虱蟲害圖像測報硬件系統(tǒng)設計并安裝完成的基礎上，對軟件系統(tǒng)進行設計，確保可以實現(xiàn)水稻蟲害的測報功能。

2.1? 數(shù)據(jù)庫設計

為了實現(xiàn)水稻飛虱蟲害圖像測報功能，需要建立相關的數(shù)據(jù)庫，系統(tǒng)數(shù)據(jù)庫中主要存儲的數(shù)據(jù)包括相關傳感器采集到的數(shù)據(jù)以及歷史測報結果，另一類就是待測報的標準圖像，也就是田間稻飛虱不同角度上的圖像[6]。稻飛虱按照其生長階段可以分為1齡、2齡、成蟲、幼蟲等多種類型，因此需要將所有涉及到的數(shù)據(jù)通過系統(tǒng)上傳到服務器上，并存儲到數(shù)據(jù)庫當中。水稻飛虱蟲害圖像測報系統(tǒng)數(shù)據(jù)的基本結構框架如圖4所示。

2.2? 蟲害測報功能設計

2.2.1? 采集圖像預處理

利用硬件系統(tǒng)中的圖像采集設備進行原始圖像采集，由于水稻稻田中設立了若干個采集設備，因此同時采集的圖像數(shù)據(jù)量較大，且為了保證蟲害測報的完整性，采集圖像之間會存在重疊的部分[7]。而且由于原始圖像采集的環(huán)境不同，同時也受到其他因素的影響，使得采集的圖像中存在一些噪聲顆粒，因此需要對原始圖像進行預處理。圖像預處理分為三個部分，分別為圖像增強、圖像濾波處理和圖像灰度處理[8]。通過主成分分析方法將原始圖像中的背景區(qū)域提取出來，并將主圖部分的邊緣輪廓以及色彩度進行加深處理。具體的加深過程如下所示：

[A⊕B=z（B）z?A] （1）

式中：[A]表示原始圖像中的背景部分;[B]為原始圖像中主圖邊緣部分;[z]表示基礎的圖像增強系數(shù)。接著利用濾波處理實現(xiàn)圖像降噪，選用高斯二維濾波方式實現(xiàn)濾波預處理，高斯二維濾波函數(shù)表達式為：

[Gx，y=α-x-ux22σ2x+-y-uy22σ2y] （2）

式中：[x]與[y]分別為增強圖像的橫向像素點與縱向像素點數(shù)量;參數(shù)[α]為濾波幅值;[σx]與[σy]分別為圖像的顏色方差[9]。

原始圖像濾波前后的對比情況如圖5所示。

接著對濾波圖像結果進行灰度處理，將采集到的彩色圖像轉換成為灰度圖像，方便進行圖像特征參數(shù)的提取和識別。

2.2.2? 深度學習算法識別水稻飛虱蟲害

利用深度學習算法根據(jù)圖像特征識別圖像中的水稻飛虱蟲害，識別的過程分為兩個部分：識別圖像中的蟲害是否為稻飛虱;統(tǒng)計圖像中所有的稻飛虱個數(shù)[10]。以數(shù)據(jù)庫中存儲的圖像特征信息為基礎，得出水稻飛虱蟲害的基本識別特征如圖6所示。

利用深度學習算法經過多次迭代對比得出圖像稻飛虱的識別結果。

2.2.3? 啟動異常報警程序

通過軟件系統(tǒng)的識別功能啟動異常報警程序，異常報警程序的啟動需要滿足兩個條件：單位圖像中稻飛虱蟲的數(shù)量[N];單位圖像中稻飛虱蟲聚集的密度[ρ]。只要滿足兩個條件中的其中一個，便立即啟動異常報警程序[11]。然而由于蟲害的程度不同采取的防治措施也不同，因此可以對異常報警的程度進行分級處理，實現(xiàn)有針對性的報警，從而更加精準地實現(xiàn)水稻飛虱蟲害圖像測報功能[12]。

3? 系統(tǒng)測試

為了檢測基于深度學習算法的水稻飛虱蟲害圖像測報系統(tǒng)的有效性，設計系統(tǒng)測試實驗，分別從系統(tǒng)的功能和性能兩個方面進行測試。在某個水稻稻田基地中建立實驗場所，該場所離周圍最近可見光約150 m，測試的測點范圍主要栽培的農作物為雙季水稻，保證測試實驗環(huán)境符合實際稻田的選址要求。在進行測試之前先對稻田中的每一株水稻進行處理，保證在測試實驗開始之前水稻中不存在任何種類的害蟲。接著通過人工添加的方式加入測試對象，害蟲添加的數(shù)量以及類型如表1所示。

將所有的害蟲放入測試實驗環(huán)境當中，為了凸顯設計的基于深度學習算法的水稻飛虱蟲害圖像測報系統(tǒng)的性能，在測試實驗中設置傳統(tǒng)的水稻飛虱蟲害測報系統(tǒng)作為測試實驗的對比系統(tǒng)。兩個系統(tǒng)均針對相同的實驗環(huán)境和實驗對象，由此來保證實驗變量的唯一性。啟動兩種測報系統(tǒng)，并記錄相應的測報時間、層級以及其他的相關數(shù)據(jù)。通過數(shù)學公式對統(tǒng)計的測試數(shù)據(jù)進行計算，從而得出測試實驗的對比結果如表2所示。

表2中，[t1]表示基于深度學習算法的水稻飛虱蟲害系統(tǒng)工作所用的時間，而[t2]為傳統(tǒng)測報系統(tǒng)所消耗的時間。表中的數(shù)據(jù)表明，傳統(tǒng)測報系統(tǒng)與設計的基于深度學習算法的水稻飛虱蟲害測報系統(tǒng)在工作過程中存在一定的差異，經過統(tǒng)計計算，基于深度學習算法的水稻飛虱蟲害測報系統(tǒng)比傳統(tǒng)測報系統(tǒng)的誤差率低0.19%，且消耗的時間節(jié)省了0.64 s。

4? 結? 語

基于深度學習算法的水稻飛虱蟲害圖像測報系統(tǒng)有效地解決了傳統(tǒng)測報系統(tǒng)中存在的問題，將其應用到實際的農業(yè)工作當中，可以有效地防治水稻飛虱蟲害對水稻產量以及質量產生的影響。經過系統(tǒng)測試實驗，可以量化地表明設計系統(tǒng)的優(yōu)勢，然而需要注意的是當系統(tǒng)測試實驗結束后，需要對實驗采用的蟲類進行回收處理，保證實驗不會影響實際的水稻生長與生產。

參考文獻

[1] 羅強，黃睿嵐，朱軼.基于深度學習的糧庫蟲害實時監(jiān)測預警系統(tǒng)[J].江蘇大學學報（自然科學版），2019，40（2）：203?208.

[2] 安強強，張峰，李趙興，等.基于深度學習的植物病蟲害圖像識別[J].農業(yè)工程，2018，8（7）：38?40.

[3] 封洪強，姚青.農業(yè)害蟲自動識別與監(jiān)測技術[J].植物保護，2018，44（5）：127?133.

[4] 王獻鋒，張傳雷，張善文，等.基于自適應判別深度置信網(wǎng)絡的棉花病蟲害預測[J].農業(yè)工程學報，2018，34（14）：157?164.

[5] 李廣香，辛德育，李旭林，等.佳多蟲情圖像自動信息采集測報燈對幾種水稻害蟲的圖像監(jiān)測效果評價[J].廣西植保，2019，32（1）：6?9.

[6] 吳宗卓.水稻病蟲害智能識別與診斷技術在病蟲害測報中的應用[J].現(xiàn)代科學儀器，2018，13（3）：87?90.

[7] 馮珂垚，饒鵬，陸福星，等.基于神經網(wǎng)絡的高分辨率快速目標檢測方法[J].電子設計工程，2018，26（22）：169?173.

[8] 周杰.基于RGB統(tǒng)計特征的農作物蟲害圖像感知系統(tǒng)設計[J].安徽農業(yè)科學，2017，45（27）：231?234.

[9] 吳宗卓.水稻病蟲害智能識別與診斷技術在病蟲害測報中的應用[J].現(xiàn)代科學儀器，2018，22（3）：87?90.

[10] 姚青，張超，王正，等.分布式移動農業(yè)病蟲害圖像采集與診斷系統(tǒng)設計與試驗[J].農業(yè)工程學報，2017，33（z1）：184?191.

[11] 王惠.淺談林區(qū)病蟲害數(shù)據(jù)庫的建立與共享[J].中國林業(yè)產業(yè)，2017，14（2）：299?305.

[12] 包曉敏，周辰彥，呂文濤，等.基于樹莓派的蟲害圖像測報方法：CN107084756A[P].2017?08?22.

作者簡介：肖? 衡（1979—），女，湖南衡陽人，碩士，副教授，研究方向為無線網(wǎng)絡通信、機器學習。