肖衡

摘? 要： 為了實(shí)現(xiàn)水稻飛虱蟲害診斷，解決傳統(tǒng)測(cè)報(bào)系統(tǒng)中存在的誤報(bào)率高的問題，利用深度學(xué)習(xí)算法從硬件和軟件兩個(gè)方面對(duì)水稻飛虱蟲害圖像測(cè)報(bào)系統(tǒng)進(jìn)行優(yōu)化設(shè)計(jì)。測(cè)報(bào)硬件系統(tǒng)主要由主機(jī)、分機(jī)、傳感器以及圖像采集設(shè)備組成，并通過電源電路為硬件設(shè)備提供電力支持。在硬件設(shè)備安裝完成的基礎(chǔ)上，建立數(shù)據(jù)庫為軟件功能的實(shí)現(xiàn)提供基礎(chǔ)數(shù)據(jù)，并利用深度學(xué)習(xí)算法通過采集圖像預(yù)處理、識(shí)別水稻飛虱蟲害和啟動(dòng)異常報(bào)警程序三個(gè)步驟實(shí)現(xiàn)圖像測(cè)報(bào)功能。為了檢測(cè)設(shè)計(jì)的基于深度學(xué)習(xí)算法的水稻飛虱蟲害圖像測(cè)報(bào)系統(tǒng)的性能，設(shè)計(jì)系統(tǒng)測(cè)試實(shí)驗(yàn)。經(jīng)過與傳統(tǒng)測(cè)報(bào)系統(tǒng)的對(duì)比可以發(fā)現(xiàn)，設(shè)計(jì)的蟲害圖像測(cè)報(bào)系統(tǒng)的誤差率降低了0.19%，且平均時(shí)間消耗節(jié)省了0.64 s。

關(guān)鍵詞： 水稻飛虱蟲害; 圖像測(cè)報(bào); 深度學(xué)習(xí)算法; 自動(dòng)測(cè)報(bào); 圖像處理; 系統(tǒng)設(shè)計(jì)

中圖分類號(hào)： TN919.5?34; TP273? ? ? ? ? ? ? ? ? ?文獻(xiàn)標(biāo)識(shí)碼： A? ? ? ? ? ? ? ? ? ? 文章編號(hào)： 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(zhǎng)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(nóng)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(duì)水稻糧食的生產(chǎn)造成極大的威脅，不僅會(huì)影響糧食的質(zhì)量同時(shí)還會(huì)導(dǎo)致水稻糧食的大幅度減產(chǎn)。經(jīng)不完全統(tǒng)計(jì)，中國每年因水稻蟲害影響造成的水稻糧食減產(chǎn)量達(dá)到了水稻一年總產(chǎn)量的10%～15%。其中稻飛虱是影響水稻產(chǎn)量和質(zhì)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(gè)生產(chǎn)周期中具有繁殖速度快、周期短等特點(diǎn)，在水稻生長(zhǎng)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(dǎo)致多種細(xì)菌性病害在水稻中發(fā)生[1]。為了降低稻飛虱蟲害對(duì)水稻產(chǎn)量和質(zhì)量的影響，需要對(duì)稻田中的蟲害情況進(jìn)行預(yù)報(bào)與及時(shí)準(zhǔn)確的防治，為此建立水稻飛虱蟲害的測(cè)報(bào)系統(tǒng)，作為蟲害防治的前提和基礎(chǔ)。一般的蟲害測(cè)報(bào)系統(tǒng)均以圖像測(cè)報(bào)作為測(cè)報(bào)方式，這種圖像測(cè)報(bào)的方式就是通過對(duì)稻田中的水稻進(jìn)行實(shí)時(shí)圖像采集，通過圖像的處理和識(shí)別來確定當(dāng)前水稻中的害蟲種類和數(shù)量，以此為基礎(chǔ)制定對(duì)應(yīng)的解決防治措施。

現(xiàn)階段常用的基本蟲害測(cè)報(bào)系統(tǒng)包括：基于物聯(lián)網(wǎng)技術(shù)的蟲害測(cè)報(bào)系統(tǒng)、基于AJAX的蟲害測(cè)報(bào)系統(tǒng)以及基于無線傳感器網(wǎng)絡(luò)的蟲害測(cè)報(bào)系統(tǒng)，上述三種測(cè)報(bào)系統(tǒng)均應(yīng)用了互聯(lián)網(wǎng)以及計(jì)算機(jī)任務(wù)，實(shí)現(xiàn)蟲害測(cè)報(bào)的智能化和自動(dòng)化，然而受到相關(guān)技術(shù)的應(yīng)用限制，上述三種傳統(tǒng)系統(tǒng)均存在誤報(bào)率高、測(cè)報(bào)時(shí)間長(zhǎng)的問題，因此需要借助深度學(xué)習(xí)算法實(shí)現(xiàn)測(cè)報(bào)系統(tǒng)的優(yōu)化設(shè)計(jì)。深度學(xué)習(xí)算法是人工智能發(fā)展下的產(chǎn)物，該算法在語音識(shí)別、圖像與視頻處理等諸多領(lǐng)域獲得了較為成功的研究成果[2]。將深度學(xué)習(xí)算法應(yīng)用到水稻飛虱蟲害圖像測(cè)報(bào)系統(tǒng)當(dāng)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(shí)別測(cè)報(bào)結(jié)果，實(shí)現(xiàn)提升測(cè)報(bào)準(zhǔn)確率的最終目的。

1? 蟲害圖像測(cè)報(bào)硬件系統(tǒng)設(shè)計(jì)

水稻飛虱蟲害圖像測(cè)報(bào)硬件系統(tǒng)的設(shè)計(jì)用來為軟件測(cè)報(bào)功能提供硬件實(shí)現(xiàn)平臺(tái)，同時(shí)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(cè)報(bào)硬件系統(tǒng)的基本組成結(jié)構(gòu)如圖1所示。

1.1? 主機(jī)與分機(jī)設(shè)計(jì)

水稻飛虱蟲害圖像測(cè)報(bào)硬件系統(tǒng)中的主要圖像處理設(shè)備分為主機(jī)和分機(jī)兩個(gè)部分，其中主機(jī)上安裝天線、通信口、電源接口和圖像測(cè)報(bào)開發(fā)板等元件，主機(jī)上還嵌入了一個(gè)圖像信號(hào)接收器。在計(jì)算機(jī)主控軟件的控制下，可以向分機(jī)發(fā)布動(dòng)作任務(wù)指令，并將分機(jī)的執(zhí)行結(jié)果傳送到計(jì)算機(jī)當(dāng)中，由計(jì)算機(jī)進(jìn)行相關(guān)的信息處理以及控制任務(wù)。而分機(jī)上的主要器件包括：天線、單片機(jī)、電源接口和傳感器接口，分機(jī)的主要運(yùn)行環(huán)境在稻田的生長(zhǎng)環(huán)境附近，可以充分利用與其連接的傳感器裝置實(shí)現(xiàn)蟲害的檢測(cè)以及相關(guān)圖像的采集，由內(nèi)部單片機(jī)進(jìn)行數(shù)據(jù)統(tǒng)計(jì)得出結(jié)果[3]。在硬件系統(tǒng)當(dāng)中，主機(jī)與分機(jī)上的天線可以實(shí)現(xiàn)數(shù)據(jù)的遠(yuǎn)距離傳輸，且兩個(gè)設(shè)備當(dāng)中均存在電源接口但連接電源的形式不同，受到運(yùn)行環(huán)境的影響，分機(jī)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(duì)電瓶充電，在夜晚或陰雨天氣由電瓶供電，最長(zhǎng)連續(xù)供電時(shí)間為24 h。而主機(jī)的電源接口與電源電路相連，以此為硬件設(shè)備的穩(wěn)定運(yùn)行提供電力支持。

1.2? 電源電路設(shè)計(jì)

電源電路的設(shè)計(jì)就是為了給測(cè)報(bào)硬件系統(tǒng)提供電力支持，電源電路主要與主機(jī)以及傳感器相連，具體的電路設(shè)計(jì)結(jié)果如圖2所示。

1.3? 傳感器設(shè)備

傳感器設(shè)備主要用來采集實(shí)時(shí)水稻稻田的圖像，然而不同的環(huán)境需要設(shè)置不同的圖像參數(shù)，例如，當(dāng)?shù)咎锃h(huán)境處于陰天或光線較弱時(shí)需要調(diào)節(jié)圖像采集設(shè)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(shè)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(qiáng)度傳感器、下雨情況判斷傳感器等[4]。多個(gè)傳感器按照自身的參數(shù)采集原理通過協(xié)調(diào)工作的方式得到相關(guān)的傳感數(shù)據(jù)，參考對(duì)應(yīng)的傳感結(jié)果提升采集圖像分辨率。其中，光照強(qiáng)度傳感器中的電路分布情況如圖3所示。

1.4? 圖像采集設(shè)備

水稻飛虱蟲害圖像測(cè)報(bào)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(diào)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(shè)備安裝在水稻稻田的適當(dāng)位置上，保證圖像采集設(shè)備的鏡頭可以拍攝到水稻稻田的全景圖像。

2? 蟲害圖像測(cè)報(bào)軟件系統(tǒng)設(shè)計(jì)

在水稻飛虱蟲害圖像測(cè)報(bào)硬件系統(tǒng)設(shè)計(jì)并安裝完成的基礎(chǔ)上，對(duì)軟件系統(tǒng)進(jìn)行設(shè)計(jì)，確?？梢詫?shí)現(xiàn)水稻蟲害的測(cè)報(bào)功能。

2.1? 數(shù)據(jù)庫設(shè)計(jì)

為了實(shí)現(xiàn)水稻飛虱蟲害圖像測(cè)報(bào)功能，需要建立相關(guān)的數(shù)據(jù)庫，系統(tǒng)數(shù)據(jù)庫中主要存儲(chǔ)的數(shù)據(jù)包括相關(guān)傳感器采集到的數(shù)據(jù)以及歷史測(cè)報(bào)結(jié)果，另一類就是待測(cè)報(bào)的標(biāo)準(zhǔn)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(zhǎng)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(wù)器上，并存儲(chǔ)到數(shù)據(jù)庫當(dāng)中。水稻飛虱蟲害圖像測(cè)報(bào)系統(tǒng)數(shù)據(jù)的基本結(jié)構(gòu)框架如圖4所示。

2.2? 蟲害測(cè)報(bào)功能設(shè)計(jì)

2.2.1? 采集圖像預(yù)處理

利用硬件系統(tǒng)中的圖像采集設(shè)備進(jìn)行原始圖像采集，由于水稻稻田中設(shè)立了若干個(gè)采集設(shè)備，因此同時(shí)采集的圖像數(shù)據(jù)量較大，且為了保證蟲害測(cè)報(bào)的完整性，采集圖像之間會(huì)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(shí)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(duì)原始圖像進(jìn)行預(yù)處理。圖像預(yù)處理分為三個(gè)部分，分別為圖像增強(qiáng)、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(jìn)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(chǔ)的圖像增強(qiáng)系數(shù)。接著利用濾波處理實(shí)現(xiàn)圖像降噪，選用高斯二維濾波方式實(shí)現(xiàn)濾波預(yù)處理，高斯二維濾波函數(shù)表達(dá)式為：

[Gx，y=α-x-ux22σ2x+-y-uy22σ2y] （2）

式中：[x]與[y]分別為增強(qiáng)圖像的橫向像素點(diǎn)與縱向像素點(diǎn)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(duì)比情況如圖5所示。

接著對(duì)濾波圖像結(jié)果進(jìn)行灰度處理，將采集到的彩色圖像轉(zhuǎn)換成為灰度圖像，方便進(jìn)行圖像特征參數(shù)的提取和識(shí)別。

2.2.2? 深度學(xué)習(xí)算法識(shí)別水稻飛虱蟲害

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

利用深度學(xué)習(xí)算法經(jīng)過多次迭代對(duì)比得出圖像稻飛虱的識(shí)別結(jié)果。

2.2.3? 啟動(dòng)異常報(bào)警程序

通過軟件系統(tǒng)的識(shí)別功能啟動(dòng)異常報(bào)警程序，異常報(bào)警程序的啟動(dòng)需要滿足兩個(gè)條件：?jiǎn)挝粓D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(gè)條件中的其中一個(gè)，便立即啟動(dòng)異常報(bào)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(duì)異常報(bào)警的程度進(jìn)行分級(jí)處理，實(shí)現(xiàn)有針對(duì)性的報(bào)警，從而更加精準(zhǔn)地實(shí)現(xiàn)水稻飛虱蟲害圖像測(cè)報(bào)功能[12]。

3? 系統(tǒng)測(cè)試

為了檢測(cè)基于深度學(xué)習(xí)算法的水稻飛虱蟲害圖像測(cè)報(bào)系統(tǒng)的有效性，設(shè)計(jì)系統(tǒng)測(cè)試實(shí)驗(yàn)，分別從系統(tǒng)的功能和性能兩個(gè)方面進(jìn)行測(cè)試。在某個(gè)水稻稻田基地中建立實(shí)驗(yàn)場(chǎng)所，該場(chǎng)所離周圍最近可見光約150 m，測(cè)試的測(cè)點(diǎn)范圍主要栽培的農(nóng)作物為雙季水稻，保證測(cè)試實(shí)驗(yàn)環(huán)境符合實(shí)際稻田的選址要求。在進(jìn)行測(cè)試之前先對(duì)稻田中的每一株水稻進(jìn)行處理，保證在測(cè)試實(shí)驗(yàn)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(cè)試對(duì)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(cè)試實(shí)驗(yàn)環(huán)境當(dāng)中，為了凸顯設(shè)計(jì)的基于深度學(xué)習(xí)算法的水稻飛虱蟲害圖像測(cè)報(bào)系統(tǒng)的性能，在測(cè)試實(shí)驗(yàn)中設(shè)置傳統(tǒng)的水稻飛虱蟲害測(cè)報(bào)系統(tǒng)作為測(cè)試實(shí)驗(yàn)的對(duì)比系統(tǒng)。兩個(gè)系統(tǒng)均針對(duì)相同的實(shí)驗(yàn)環(huán)境和實(shí)驗(yàn)對(duì)象，由此來保證實(shí)驗(yàn)變量的唯一性。啟動(dòng)兩種測(cè)報(bào)系統(tǒng)，并記錄相應(yīng)的測(cè)報(bào)時(shí)間、層級(jí)以及其他的相關(guān)數(shù)據(jù)。通過數(shù)學(xué)公式對(duì)統(tǒng)計(jì)的測(cè)試數(shù)據(jù)進(jìn)行計(jì)算，從而得出測(cè)試實(shí)驗(yàn)的對(duì)比結(jié)果如表2所示。

表2中，[t1]表示基于深度學(xué)習(xí)算法的水稻飛虱蟲害系統(tǒng)工作所用的時(shí)間，而[t2]為傳統(tǒng)測(cè)報(bào)系統(tǒng)所消耗的時(shí)間。表中的數(shù)據(jù)表明，傳統(tǒng)測(cè)報(bào)系統(tǒng)與設(shè)計(jì)的基于深度學(xué)習(xí)算法的水稻飛虱蟲害測(cè)報(bào)系統(tǒng)在工作過程中存在一定的差異，經(jīng)過統(tǒng)計(jì)計(jì)算，基于深度學(xué)習(xí)算法的水稻飛虱蟲害測(cè)報(bào)系統(tǒng)比傳統(tǒng)測(cè)報(bào)系統(tǒng)的誤差率低0.19%，且消耗的時(shí)間節(jié)省了0.64 s。

4? 結(jié)? 語

基于深度學(xué)習(xí)算法的水稻飛虱蟲害圖像測(cè)報(bào)系統(tǒng)有效地解決了傳統(tǒng)測(cè)報(bào)系統(tǒng)中存在的問題，將其應(yīng)用到實(shí)際的農(nóng)業(yè)工作當(dāng)中，可以有效地防治水稻飛虱蟲害對(duì)水稻產(chǎn)量以及質(zhì)量產(chǎn)生的影響。經(jīng)過系統(tǒng)測(cè)試實(shí)驗(yàn)，可以量化地表明設(shè)計(jì)系統(tǒng)的優(yōu)勢(shì)，然而需要注意的是當(dāng)系統(tǒng)測(cè)試實(shí)驗(yàn)結(jié)束后，需要對(duì)實(shí)驗(yàn)采用的蟲類進(jìn)行回收處理，保證實(shí)驗(yàn)不會(huì)影響實(shí)際的水稻生長(zhǎng)與生產(chǎn)。

參考文獻(xiàn)

[1] 羅強(qiáng)，黃睿嵐，朱軼.基于深度學(xué)習(xí)的糧庫蟲害實(shí)時(shí)監(jiān)測(cè)預(yù)警系統(tǒng)[J].江蘇大學(xué)學(xué)報(bào)（自然科學(xué)版），2019，40（2）：203?208.

[2] 安強(qiáng)強(qiáng)，張峰，李趙興，等.基于深度學(xué)習(xí)的植物病蟲害圖像識(shí)別[J].農(nóng)業(yè)工程，2018，8（7）：38?40.

[3] 封洪強(qiáng)，姚青.農(nóng)業(yè)害蟲自動(dòng)識(shí)別與監(jiān)測(cè)技術(shù)[J].植物保護(hù)，2018，44（5）：127?133.

[4] 王獻(xiàn)鋒，張傳雷，張善文，等.基于自適應(yīng)判別深度置信網(wǎng)絡(luò)的棉花病蟲害預(yù)測(cè)[J].農(nóng)業(yè)工程學(xué)報(bào)，2018，34（14）：157?164.

[5] 李廣香，辛德育，李旭林，等.佳多蟲情圖像自動(dòng)信息采集測(cè)報(bào)燈對(duì)幾種水稻害蟲的圖像監(jiān)測(cè)效果評(píng)價(jià)[J].廣西植保，2019，32（1）：6?9.

[6] 吳宗卓.水稻病蟲害智能識(shí)別與診斷技術(shù)在病蟲害測(cè)報(bào)中的應(yīng)用[J].現(xiàn)代科學(xué)儀器，2018，13（3）：87?90.

[7] 馮珂垚，饒鵬，陸福星，等.基于神經(jīng)網(wǎng)絡(luò)的高分辨率快速目標(biāo)檢測(cè)方法[J].電子設(shè)計(jì)工程，2018，26（22）：169?173.

[8] 周杰.基于RGB統(tǒng)計(jì)特征的農(nóng)作物蟲害圖像感知系統(tǒng)設(shè)計(jì)[J].安徽農(nóng)業(yè)科學(xué)，2017，45（27）：231?234.

[9] 吳宗卓.水稻病蟲害智能識(shí)別與診斷技術(shù)在病蟲害測(cè)報(bào)中的應(yīng)用[J].現(xiàn)代科學(xué)儀器，2018，22（3）：87?90.

[10] 姚青，張超，王正，等.分布式移動(dòng)農(nóng)業(yè)病蟲害圖像采集與診斷系統(tǒng)設(shè)計(jì)與試驗(yàn)[J].農(nóng)業(yè)工程學(xué)報(bào)，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(chǎn)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(cè)報(bào)方法：CN107084756A[P].2017?08?22.

作者簡(jiǎn)介：肖? 衡（1979—），女，湖南衡陽人，碩士，副教授，研究方向?yàn)闊o線網(wǎng)絡(luò)通信、機(jī)器學(xué)習(xí)。