任惠芳

（北京天創(chuàng)金農(nóng)科技有限公司，北京 101125）

0 引 言

2018年，北京昌平“大棚房”事件被曝光，全國開展了大棚房整治行動。黨中央、國務(wù)院出臺了一系列嚴(yán)格耕地保護(hù)的政策措施。2021年，國務(wù)院印發(fā)《“十四五”推進(jìn)農(nóng)業(yè)農(nóng)村現(xiàn)代化規(guī)劃》[1]中提到堅守18億畝耕地紅線。2020年，國務(wù)院辦公室頒發(fā)了《關(guān)于堅決制止耕地“非農(nóng)化”行為的通知》，要求采取有力措施，強(qiáng)化監(jiān)督管理，落實(shí)好最嚴(yán)格的耕地保護(hù)制度，堅決制止耕地“非農(nóng)化”行為，堅決守住耕地紅線，落實(shí)“藏糧于技、藏糧于地”戰(zhàn)略?！按笈锓渴录卑l(fā)生后，全國開展了多次專項治理，但卷土重來現(xiàn)象偶有發(fā)生，只靠人工進(jìn)行設(shè)施溫室監(jiān)管存在一些短板，比如監(jiān)管滯后、耗費(fèi)大量人力等。

為此，本研究積極探索物聯(lián)網(wǎng)、人工智能等新一代信息技術(shù)在設(shè)施溫室監(jiān)管中的應(yīng)用，在設(shè)施溫室中部署圖像監(jiān)控設(shè)備采集設(shè)施溫室中的圖像，通過對圖像進(jìn)行識別，判斷設(shè)施溫室種植、休耕、撂荒、大棚房4種生產(chǎn)狀態(tài)，從而實(shí)現(xiàn)設(shè)施溫室的智能監(jiān)管，為設(shè)施溫室生產(chǎn)狀態(tài)智能監(jiān)管提供技術(shù)支撐。

1 圖像識別技術(shù)概述

圖像識別是人們獲得信息的重要途經(jīng)，目前圖像識別技術(shù)在安全、工業(yè)、醫(yī)療等領(lǐng)域得到了廣泛應(yīng)用，但在農(nóng)業(yè)領(lǐng)域的應(yīng)用發(fā)展較為緩慢[2]?；陬伾M(jìn)行圖像識別的研究相對較容易，也發(fā)展較早，如根據(jù)顏色判斷果蔬的成熟度等。李宏利等研究了圖像中成熟蘋果果實(shí)的定位方法研究，滿足快速識別成熟蘋果的需求[3]?；诩y理信息進(jìn)行圖像識別，可以在顏色不易區(qū)分的情況下進(jìn)行識別，國內(nèi)外的雜草識別研究多基于此技術(shù)。彭明霞等研究了在復(fù)雜背景下棉田雜草的高效識別方法[4]?；谛螒B(tài)的識別相對較難，伍鎣芮等得出DBSCAN圖像分割算法可以用于棚室番茄果實(shí)的識別，為番茄采摘機(jī)器人識別番茄果實(shí)提供技術(shù)支持[5]。隨著應(yīng)用場景的復(fù)雜化，單一特征的識別已經(jīng)不能滿足實(shí)際應(yīng)用，因此，利用深度學(xué)習(xí)的圖像識別方法已經(jīng)逐步應(yīng)用到農(nóng)業(yè)領(lǐng)域。

設(shè)施大棚生產(chǎn)狀態(tài)識別利用基于深度學(xué)習(xí)的圖像分類技術(shù)，深度學(xué)習(xí)通過深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)將數(shù)據(jù)從低維度映射到高維度，從而將數(shù)據(jù)從低維特征空間轉(zhuǎn)換為更高維度特征空間，并能夠從大量數(shù)據(jù)中自動學(xué)習(xí)特征，避免手工提取特征的過程，實(shí)現(xiàn)了對數(shù)據(jù)特征的自動提取，最后能夠得到表征數(shù)據(jù)的分布式表示，實(shí)現(xiàn)復(fù)雜函數(shù)的逼近[6]。

張琦等通過研究發(fā)現(xiàn)在圖像識別技術(shù)中卷積神經(jīng)網(wǎng)絡(luò)（以下簡稱CNN）技術(shù)的應(yīng)用最為廣泛，本研究應(yīng)用CNN技術(shù)對設(shè)施大棚的生產(chǎn)狀態(tài)特征進(jìn)行提取分類[7]。依托CNN技術(shù)，使用Python語言基于TensorFlow框架研發(fā)和優(yōu)化圖像識別算法，在TensorFlow框架上使用高級Keras API對設(shè)施溫室生產(chǎn)空間進(jìn)行分析。構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)（CNN）結(jié)構(gòu)模型，對卷積層進(jìn)行設(shè)計，使其更好地提取特征。激活單元采用ReLu方法，防止模型在學(xué)習(xí)過程中出現(xiàn)梯度消失的問題；對池化層進(jìn)行設(shè)計，減少網(wǎng)絡(luò)中參數(shù)的數(shù)量，減少CPU/GPU計算資源，同時有效控制過擬合；對全連接層進(jìn)行設(shè)計，在模型當(dāng)中扮演分類的角色，輸出預(yù)測結(jié)果，該層的最后一層激活單元采用Sigmoid方法。

2 需求方案設(shè)計

選取安裝了圖像監(jiān)控設(shè)備的設(shè)施溫室作為研究對象，設(shè)定設(shè)施溫室種植、休耕、撂荒和大棚房4種分類進(jìn)行特征提取，每個圖像監(jiān)控設(shè)備每天拍攝2張設(shè)施溫室圖像上傳到系統(tǒng)，拍攝時間為9:00和14:00[8]。

2.1 獲取設(shè)施溫室圖像數(shù)據(jù)

在設(shè)施溫室中安裝圖像監(jiān)控設(shè)備，對圖像監(jiān)控設(shè)備進(jìn)行合理的空間角度布置，采集設(shè)施溫室的空間圖像。

2.2 設(shè)施溫室圖像數(shù)據(jù)預(yù)處理

由人工對設(shè)施溫室的圖像數(shù)據(jù)進(jìn)行手動篩查，刪除不符合條件的圖像數(shù)據(jù)，得到有價值的原始數(shù)據(jù)集。為將原始圖像轉(zhuǎn)化為模型和算法，對設(shè)施溫室圖像進(jìn)行裁剪和歸一化預(yù)處理，并對深度學(xué)習(xí)建模的數(shù)據(jù)集進(jìn)行人工標(biāo)注。

2.3 基于深度學(xué)習(xí)的算法模型研究

針對設(shè)施溫室生產(chǎn)狀態(tài)的情況，選擇多種深度學(xué)習(xí)模型對設(shè)施溫室圖像進(jìn)行分類研究，最終確立了CNN技術(shù)，建立了設(shè)施溫室種植、休耕、撂荒、大棚房4種生產(chǎn)狀態(tài)的圖像識別模型。

2.4 構(gòu)建設(shè)施溫室生產(chǎn)動態(tài)管理平臺

在設(shè)施溫室生產(chǎn)狀態(tài)圖像識別模型建立后，采用Djang0開發(fā)方案，應(yīng)用Python開發(fā)技術(shù)，在TensorFlow框架上構(gòu)建設(shè)施溫室生產(chǎn)動態(tài)管理平臺。設(shè)施溫室生產(chǎn)動態(tài)管理平臺包含大棚房預(yù)警、設(shè)備管理等功能，可實(shí)現(xiàn)設(shè)施溫室生產(chǎn)狀態(tài)的智能化、動態(tài)化監(jiān)管。

圖像識別模型技術(shù)路線如圖1所示。

圖1 圖像識別模型技術(shù)路線

3 設(shè)施溫室圖像識別結(jié)果

以公司安裝的3 448個設(shè)施溫室圖像監(jiān)控設(shè)備為研究對象，分析3 448個設(shè)施溫室的生產(chǎn)狀態(tài)數(shù)據(jù)，將設(shè)施溫室圖像識別模型除設(shè)施溫室生產(chǎn)狀況種植、休耕、撂荒、大棚房4種狀態(tài)外，增加攝像頭損壞、拍攝角度異常2種圖像監(jiān)控設(shè)備的監(jiān)控狀態(tài)進(jìn)行分析。

3.1 平臺中設(shè)施溫室圖像識別結(jié)果

在生產(chǎn)動態(tài)管理平臺的圖像識別功能中，可直接查詢圖像識別的結(jié)果（結(jié)果如圖2～圖6所示），從圖像識別的結(jié)果圖可以看出，本項目中的圖像識別模型的識別結(jié)果均正確，可為設(shè)施溫室大棚房的監(jiān)管提供數(shù)據(jù)支撐。

圖2 圖像識別—設(shè)施溫室種植狀態(tài)圖

圖3 圖像識別—設(shè)施溫室休耕狀態(tài)圖

圖4 圖像識別—設(shè)施溫室撂荒狀態(tài)圖

圖5 攝像頭損壞圖

圖6 拍攝角度異常圖

3.2 設(shè)施溫室圖像識別結(jié)果分析

在設(shè)施溫室圖像識別中，由于攝像頭損壞、拍攝角度異常等情況無法進(jìn)行正常的圖像識別，在本項目中設(shè)施溫室圖像識別正常為1 753棟，占設(shè)施總數(shù)的53.4%；設(shè)施溫室圖像識別異常為1 530棟，占設(shè)施總數(shù)的46.60%，具體如圖7所示。

圖7 圖像識別正常、異常占比圖

本研究的設(shè)施溫室圖像識別模型，可識別設(shè)施溫室種植、休耕、撂荒、大棚房4種生產(chǎn)狀態(tài)，在圖像識別正常的1 753棟設(shè)施中，種植的為949棟，占正常設(shè)施圖像識別總數(shù)的54.14%；休耕的為673棟，占比為38.39%；撂荒的為131棟，占比為7.47%；大棚房為0棟。具體如圖8所示。

圖8 設(shè)施溫室4種生產(chǎn)狀態(tài)占比圖

本研究中設(shè)施溫室圖像識別異常的1 530棟中，攝像頭損壞為117棟，占設(shè)施溫室圖像識別異?？倲?shù)的7.65%；拍攝角度異常為1 413棟，占設(shè)施溫室圖像識別異?？倲?shù)的92.35%。具體如圖9所示。

圖9 圖像識別異常分析占比圖

4 結(jié) 語

本研究首先簡單介紹了圖像識別技術(shù)，及采用目前較成熟的卷積神經(jīng)網(wǎng)絡(luò)（CNN）技術(shù)搭建本研究的圖像識別模型。其次，從獲取設(shè)施溫室圖像數(shù)據(jù)、設(shè)施溫室圖像數(shù)據(jù)預(yù)處理、基于深度學(xué)習(xí)的算法模型研究、構(gòu)建設(shè)施溫室生產(chǎn)動態(tài)管理平臺4個方面闡述了本研究的方案。最后對設(shè)施溫室生產(chǎn)狀態(tài)結(jié)果進(jìn)行了分析。圖像識別技術(shù)對設(shè)施溫室的圖像識別從輸出結(jié)果來看較為準(zhǔn)確，可以利用圖像識別技術(shù)對設(shè)施溫室大棚房進(jìn)行監(jiān)管，有效提升監(jiān)管效率，大大降低了人力、物力的投入。

但利用圖像識別技術(shù)也存在一定的問題，如本研究中圖像識別異常情況有1 530棟，占總數(shù)的46.6%。在圖像識別異常情況中，有117棟為設(shè)備損壞，占到圖像識別異常情況的7.65%，因此圖像監(jiān)控設(shè)備的質(zhì)量有待提升。在圖像識別異常情況中，有1 413棟為拍攝角度異常，占圖像識別異常情況的92.35%。根據(jù)本研究的線下走訪，生產(chǎn)園區(qū)會因躲避監(jiān)控故意扭轉(zhuǎn)圖像監(jiān)控設(shè)備的攝像頭，因此，用圖像識別技術(shù)監(jiān)管設(shè)施溫室大棚房還需要提高生產(chǎn)園區(qū)的意識，并通過政策獎補(bǔ)、農(nóng)技服務(wù)、產(chǎn)銷對接等手段激勵生產(chǎn)園區(qū)接受新技術(shù)的監(jiān)管[9-10]。