基于深度学习算法的水稻飞虱虫害图像测报系统设计

来源:用户上传      作者:

　　摘  要： 为了实现水稻飞虱虫害诊断，解决传统测报系统中存在的误报率高的问题，利用深度学习算法从硬件和软件两个方面对水稻飞虱虫害图像测报系统进行优化设计。测报硬件系统主要由主机、分机、传感器以及图像采集设备组成，并通过电源电路为硬件设备提供电力支持。在硬件设备安装完成的基础上，建立数据库为软件功能的实现提供基础数据，并利用深度学习算法通过采集图像预处理、识别水稻飞虱虫害和启动异常报警程序三个步骤实现图像测报功能。为了检测设计的基于深度学习算法的水稻飞虱虫害图像测报系统的性能，设计系统测试实验。经过与传统测报系统的对比可以发现，设计的虫害图像测报系统的误差率降低了0.19%，且平均时间消耗节省了0.64 s。
　　关键词： 水稻飞虱虫害; 图像测报; 深度学习算法; 自动测报; 图像处理; 系统设计
　　中图分类号： TN919.5?34; TP273                   文献标识码： A                    文章编号： 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粮食，长期以来为人们的日常生活提供能量来源。为了给人们提供足够的食物，中国需要大范围的种植水稻以及其他谷类农作物。由于水稻作物的大范围种植，水稻害虫也逐渐增多，水稻害虫对水稻粮食的生产造成极大的威胁，不仅会影响粮食的质量同时还会导致水稻粮食的大幅度减产。经不完全统计，中国每年因水稻虫害影响造成的水稻粮食减产量达到了水稻一年总产量的10%～15%。其中稻飞虱是影响水稻产量和质量的主要害虫之一，主要包括褐飞虱、白背飞虱和灰飞虱三种，其中危害较重的是褐飞虱和白背飞虱。稻飞虱害虫在水稻的整个生产周期中具有繁殖速度快、周期短等特点，在水稻生长过程中通过刺吸式口器来摄取水稻中的汁液，并传播自身携带的病毒，导致多种细菌性病害在水稻中发生[1]。为了降低稻飞虱虫害对水稻产量和质量的影响，需要对稻田中的虫害情况进行预报与及时准确的防治，为此建立水稻飞虱虫害的测报系统，作为虫害防治的前提和基础。一般的虫害测报系统均以图像测报作为测报方式，这种图像测报的方式就是通过对稻田中的水稻进行实时图像采集，通过图像的处理和识别来确定当前水稻中的害虫种类和数量，以此为基础制定对应的解决防治措施。 　　现阶段常用的基本虫害测报系统包括：基于物联网技术的虫害测报系统、基于AJAX的虫害测报系统以及基于无线传感器网络的虫害测报系统，上述三种测报系统均应用了互联网以及计算机任务，实现虫害测报的智能化和自动化，然而受到相关技术的应用限制，上述三种传统系统均存在误报率高、测报时间长的问题，因此需要借助深度学习算法实现测报系统的优化设计。深度学习算法是人工智能发展下的产物，该算法在语音识别、图像与视频处理等诸多领域获得了较为成功的研究成果[2]。将深度学习算法应用到水稻飞虱虫害图像测报系统当中，可以有效地处理采集到的图像信息，并得到更加精密的识别测报结果，实现提升测报准确率的最终目的。
　　1  虫害图像测报硬件系统设计
　　水稻飞虱虫害图像测报硬件系统的设计用来为软件测报功能提供硬件实现平台，同时也可以为软件系统提供原始数据。水稻飞虱虫害图像测报硬件系统的基本组成结构如图1所示。
　　1.1  主机与分机设计
　　水稻飞虱虫害图像测报硬件系统中的主要图像处理设备分为主机和分机两个部分，其中主机上安装天线、通信口、电源接口和图像测报开发板等元件，主机上还嵌入了一个图像信号接收器。在计算机主控软件的控制下，可以向分机发布动作任务指令，并将分机的执行结果传送到计算机当中，由计算机进行相关的信息处理以及控制任务。而分机上的主要器件包括：天线、单片机、电源接口和传感器接口，分机的主要运行环境在稻田的生长环境附近，可以充分利用与其连接的传感器装置实现虫害的检测以及相关图像的采集，由内部单片机进行数据统计得出结果[3]。在硬件系统当中，主机与分机上的天线可以实现数据的远距离传输，且两个设备当中均存在电源接口但连接电源的形式不同，受到运行环境的影响，分机的电源接口主要与外接的太阳能控制器相连，白天主要通过太阳能直接对电瓶充电，在夜晚或阴雨天气由电瓶供电，最长连续供电时间为24 h。而主机的电源接口与电源电路相连，以此为硬件设备的稳定运行提供电力支持。
　　1.2  电源电路设计
　　电源电路的设计就是为了给测报硬件系统提供电力支持，电源电路主要与主机以及传感器相连，具体的电路设计结果如图2所示。
　　1.3  传感器设备
　　传感器设备主要用来采集实时水稻稻田的图像，然而不同的环境需要设置不同的图像参数，例如，当稻田环境处于阴天或光线较弱时需要调节图像采集设备的光圈以及其他参数数值，因此需要在硬件系统中设置数据传感器。其中包括温度传感器、湿度传感器、光照强度传感器、下雨情况判断传感器等[4]。多个传感器按照自身的参数采集原理通過协调工作的方式得到相关的传感数据，参考对应的传感结果提升采集图像分辨率。其中，光照强度传感器中的电路分布情况如图3所示。
　　1.4  图像采集设备
　　水稻飞虱虫害图像测报硬件系统中的图像采集系统选用的是高分辨率的摄像头，摄像头的分辨率为500万像素，且可以根据不同环境调整自身的光圈以及其他的拍摄参数[5]。需要将图像采集设备安装在水稻稻田的适当位置上，保证图像采集设备的镜头可以拍摄到水稻稻田的全景图像。
　　2  虫害图像测报软件系统设计
　　在水稻飞虱虫害图像测报硬件系统设计并安装完成的基础上，对软件系统进行设计，确保可以实现水稻虫害的测报功能。
　　2.1  数据库设计
　　为了实现水稻飞虱虫害图像测报功能，需要建立相关的数据库，系统数据库中主要存储的数据包括相关传感器采集到的数据以及历史测报结果，另一类就是待测报的标准图像，也就是田间稻飞虱不同角度上的图像[6]。稻飞虱按照其生长阶段可以分为1龄、2龄、成虫、幼虫等多种类型，因此需要将所有涉及到的数据通过系统上传到服务器上，并存储到数据库当中。水稻飞虱虫害图像测报系统数据的基本结构框架如图4所示。
　　2.2  虫害测报功能设计
　　2.2.1  采集图像预处理
　　利用硬件系统中的图像采集设备进行原始图像采集，由于水稻稻田中设立了若干个采集设备，因此同时采集的图像数据量较大，且为了保证虫害测报的完整性，采集图像之间会存在重叠的部分[7]。而且由于原始图像采集的环境不同，同时也受到其他因素的影响，使得采集的图像中存在一些噪声颗粒，因此需要对原始图像进行预处理。图像预处理分为三个部分，分别为图像增强、图像滤波处理和图像灰度处理[8]。通过主成分分析方法将原始图像中的背景区域提取出来，并将主图部分的边缘轮廓以及色彩度进行加深处理。具体的加深过程如下所示：
　　[A♁B=z（B）z?A] （1）
　　式中：[A]表示原始图像中的背景部分;[B]为原始图像中主图边缘部分;[z]表示基础的图像增强系数。接着利用滤波处理实现图像降噪，选用高斯二维滤波方式实现滤波预处理，高斯二维滤波函数表达式为：
　　[Gx，y=α-x-ux22σ2x+-y-uy22σ2y] （2）
　　式中：[x]与[y]分别为增强图像的横向像素点与纵向像素点数量;参数[α]为滤波幅值;[σx]与[σy]分别为图像的颜色方差[9]。
　　原始图像滤波前后的对比情况如图5所示。
　　接着对滤波图像结果进行灰度处理，将采集到的彩色图像转换成为灰度图像，方便进行图像特征参数的提取和识别。
　　2.2.2  深度学习算法识别水稻飞虱虫害
　　利用深度学习算法根据图像特征识别图像中的水稻飞虱虫害，识别的过程分为两个部分：识别图像中的虫害是否为稻飞虱;统计图像中所有的稻飞虱个数[10]。以数据库中存储的图像特征信息为基础，得出水稻飞虱虫害的基本识别特征如图6所示。
　　利用深度学习算法经过多次迭代对比得出图像稻飞虱的识别结果。 　　2.2.3  启动异常报警程序
　　通过软件系统的识别功能启动异常报警程序，异常报警程序的启动需要满足两个条件：单位图像中稻飞虱虫的数量[N];单位图像中稻飞虱虫聚集的密度[ρ]。只要满足两个条件中的其中一个，便立即启动异常报警程序[11]。然而由于虫害的程度不同采取的防治措施也不同，因此可以对异常报警的程度进行分级处理，实现有针对性的报警，從而更加精准地实现水稻飞虱虫害图像测报功能[12]。
　　3  系统测试
　　为了检测基于深度学习算法的水稻飞虱虫害图像测报系统的有效性，设计系统测试实验，分别从系统的功能和性能两个方面进行测试。在某个水稻稻田基地中建立实验场所，该场所离周围最近可见光约150 m，测试的测点范围主要栽培的农作物为双季水稻，保证测试实验环境符合实际稻田的选址要求。在进行测试之前先对稻田中的每一株水稻进行处理，保证在测试实验开始之前水稻中不存在任何种类的害虫。接着通过人工添加的方式加入测试对象，害虫添加的数量以及类型如表1所示。
　　将所有的害虫放入测试实验环境当中，为了凸显设计的基于深度学习算法的水稻飞虱虫害图像测报系统的性能，在测试实验中设置传统的水稻飞虱虫害测报系统作为测试实验的对比系统。两个系统均针对相同的实验环境和实验对象，由此来保证实验变量的唯一性。启动两种测报系统，并记录相应的测报时间、层级以及其他的相关数据。通过数学公式对统计的测试数据进行计算，从而得出测试实验的对比结果如表2所示。
　　表2中，[t1]表示基于深度学习算法的水稻飞虱虫害系统工作所用的时间，而[t2]为传统测报系统所消耗的时间。表中的数据表明，传统测报系统与设计的基于深度学习算法的水稻飞虱虫害测报系统在工作过程中存在一定的差异，经过统计计算，基于深度学习算法的水稻飞虱虫害测报系统比传统测报系统的误差率低0.19%，且消耗的时间节省了0.64 s。
　　4  结  语
　　基于深度学习算法的水稻飞虱虫害图像测报系统有效地解决了传统测报系统中存在的问题，将其应用到实际的农业工作当中，可以有效地防治水稻飞虱虫害对水稻产量以及质量产生的影响。经过系统测试实验，可以量化地表明设计系统的优势，然而需要注意的是当系统测试实验结束后，需要对实验采用的虫类进行回收处理，保证实验不会影响实际的水稻生长与生产。
　　参考文献
　　[1] 罗强，黄睿岚，朱轶.基于深度学习的粮库虫害实时监测预警系统[J].江苏大学学报（自然科学版），2019，40（2）：203?208.
　　[2] 安强强，张峰，李赵兴，等.基于深度学习的植物病虫害图像识别[J].农业工程，2018，8（7）：38?40.
　　[3] 封洪强，姚青.农业害虫自动识别与监测技术[J].植物保护，2018，44（5）：127?133.
　　[4] 王献锋，张传雷，张善文，等.基于自适应判别深度置信网络的棉花病虫害预测[J].农业工程学报，2018，34（14）：157?164.
　　[5] 李广香，辛德育，李旭林，等.佳多虫情图像自动信息采集测报灯对几种水稻害虫的图像监测效果评价[J].广西植保，2019，32（1）：6?9.
　　[6] 吴宗卓.水稻病虫害智能识别与诊断技术在病虫害测报中的应用[J].现代科学仪器，2018，13（3）：87?90.
　　[7] 冯珂垚，饶鹏，陆福星，等.基于神经网络的高分辨率快速目标检测方法[J].电子设计工程，2018，26（22）：169?173.
　　[8] 周杰.基于RGB统计特征的农作物虫害图像感知系统设计[J].安徽农业科学，2017，45（27）：231?234.
　　[9] 吴宗卓.水稻病虫害智能识别与诊断技术在病虫害测报中的应用[J].现代科学仪器，2018，22（3）：87?90.
　　[10] 姚青，张超，王正，等.分布式移动农业病虫害图像采集与诊断系统设计与试验[J].农业工程学报，2017，33（z1）：184?191.
　　[11] 王惠.浅谈林区病虫害数据库的建立与共享[J].中国林业产业，2017，14（2）：299?305.
　　[12] 包晓敏，周辰彦，吕文涛，等.基于树莓派的虫害图像测报方法：CN107084756A[P].2017?08?22.
　　作者简介：肖  衡（1979—），女，湖南衡阳人，硕士，副教授，研究方向为无线网络通信、机器学习。
转载注明来源:https://www.xzbu.com/8/view-15367586.htm