水稻病害智能識別APP框架的設計

方夢瑞 呂軍 姚波

摘 要：為提高水稻病害識別系統的實際應用效果，在了解當前水稻病害識別系統應用技術和功能基礎上，確定了水稻病害智能識別APP整體框架，完成了水稻病害自動識別模型和應用APP的設計。該APP可識別水稻病害、反饋病害防治信息，且通過網絡識別與反饋進行網絡優化，為快速、準確、及時地實現水稻病害智能識別和防治提供思路。

關鍵詞：水稻病害;圖像處理;智能識別;APP設計

中圖分類號 S435.11 文獻標識碼 A文章編號 1007-7731（2018）24-0051-2

Abstract：To improve the practical application of rice disease identification system，a rice disease intelligent identification APP was designed.On the basis of the current application technology and function of rice disease identification system，the overall framework of APP for rice disease intelligent identification was determined，the automatic identification model and application design of APP for rice disease were completed.The APP could identify rice disease、feedback disease prevention information and optimize the network through network identification and feedback.The APP provides ideas for realization of intelligent identification and prevention of rice diseases rapidly、accurately and timely .

Key words： Rice diseases;Image processing;Intelligent identification;APP design

1 基于圖像的水稻病害自動識別系統

水稻是我國重要的糧食作物之一，每年因病蟲害造成的損失巨大。水稻病害種類繁多，若不能進行及時、科學、有效地防治，不僅造成水稻產量下降，還會引起環境污染等。識別水稻病害種類是實現預測預報和科學防治的重要前提，傳統的水稻病害識別是根據人工經驗來判斷，該模式存在主觀性大、勞動量高、效率低、非實時性等問題。隨著人工智能等技術的不斷應用，圖像識別技術已成功應用于水稻病害識別中。劉濤[1]利用改進的mean shift算法獲取病斑區域，然后將病斑顏色、形狀、紋理和病健交界特征作為輸入建立SVM識別分類器，最終實現了水稻葉部15種主要病害的準確識別。韓強[2]利用顯著性檢測技術分割有效病斑區域的基礎上，采用相關性分析和主成分分析法優化特征組合，結合RBF神經網絡實現了水稻稻瘟病和紋枯病的有效識別。基于圖像的病害識別主要包括病斑分割、特征提取和模型識別等，主要針對于算法的有效性、普適性和魯棒性來展開，缺乏技術應用性的推進。

近年來，水稻病害診斷系統成為了研究熱點。傅卓軍[3]采用Borland C++ Builder和Microsoft SQL Server數據庫開發了一款具有智能推理診斷和圖像識別診斷功能的水稻病害診斷系統。陳祝爐[4]根據水稻各部位（根、莖、葉、穗）的癥狀特征、蟲害個體（卵、幼蟲、蛹、成蟲）的形態特征和為害狀特點建立了水稻病蟲害智能化診斷系統。林瀟[5]開發了基于本體的水稻病害診斷系統，該系統采用基于本體推理方法和相似度計算提高系統診斷的準確性。上述水稻病害識別系統能有效的實現水稻病害識別，但操作相對復雜，無法大面積的推廣實施。隨著智能手機的不斷普及，水稻病害識別APP的設計開發，將有助于提高水稻病害防治的時效性和應用價值。

2 水稻病害智能識別APP的設計

2.1 水稻病害智能識別APP整體框架 水稻病害識別系統由客戶端和服務端組成，其中服務端包括水稻病害識別系統，數據庫等。用戶登錄界面后，可以根據需求選擇病害名稱檢索或上傳圖片進行病害診斷，最終反饋病害種類和相關介紹和防治措施。水稻病害智能識別APP整體框架圖如圖1所示。

2.2 水稻病害自動識別模塊 基于圖像的水稻病害識別結果受病斑分割、特征提取和分類器影響較大，且算法的普適性較差，利用深度學習卷積神經網絡[6]可以實現水稻病害種類的自動識別，流程如圖2所示。采集不同地域、不同部位、不同環境、不同生長期、不同種類的水稻病害圖像，將圖像直接作為卷積神經網絡輸入，通過卷積層（convolutional layer）、池化層（pooling layer）自學習圖像特征，經全連接層（fully connected layer）后采用softmax進行種類識別。

2.3 基于Android的水稻病害智能識別APP設計 首先搭建Android開發環境（Android studio IDE）用于Android程序開發;其次采用SQLite數據庫創建水稻病害信息數據庫，并通過Android提供的API實現訪問。待程序編制完成后，Android studio可自動將其打包為應用程序，安裝在手機上直接運行。

2.4 服務端與客戶端通信 通過網絡協議建立客戶端與服務端的連接，由客戶端主動發送請求，服務端接受請求并反饋響應，客戶端接受服務端信息并顯示在手機屏幕，然后釋放連接請求。

2.5 水稻病害智能識別APP功能 （1）用戶可直接輸入病害名稱進行檢索，檢索結果以圖片及相關信息（特征、發生時期、防治方法等）呈現;（2）用戶可選擇拍照或者加載本地圖片的方式直接進行水稻病害智能診斷，也可以通過對病害區域進行初步的框定選擇，然后再進行診斷，診斷結果以相似概率最為接近的3種病害及相關信息進行反饋;（3）對于反饋結果存在疑問的用戶，可申請專家遠程在線診斷;（4）系統會自動保存網絡圖片、自動診斷結果和在線專家診斷結果，不斷優化識別模型。

3 總結與展望

隨著智能手機的普及，本研究提出了一款水稻病害智能識別APP軟件，用戶可以通過檢索病害名稱、上傳病害圖片和專家在線診斷獲得病害的種類和相關特征、發生時期、防治措施等。為了更好地完善和推廣APP，仍需要進一步優化與探討：一是增加病害的種類和樣本量，提高系統核心算法的魯棒性和識別準確性;二是將水稻病蟲害相關APP進行聚合，實現“超級APP”，無需單獨下載注冊，直接享受所需的內容與服務。

參考文獻

[1]劉濤，仲曉春，孫成明，等.基于計算機視覺的水稻葉部病害識別研究[J].中國農業科學，2014，47（4）：664-674.

[2]韓強.基于PCA和RBF神經網絡的水稻病害圖像識別方法研究[D].北京：中國科學院大學，2016.

[3]傅卓軍.水稻病害診斷專家系統的研究與實現[D].長沙：湖南農業大學，2010.

[4]陳祝爐.水稻病蟲害智能化咨詢與診斷服務系統的開發與實現[D].杭州：浙江大學，2010.

[5]林瀟，李紹穩，張友華，等.基于本體的水稻病害診斷專家系統研究[J].數字技術與應用，2010（11）：109-111.

[6]黃雙萍，孫超，齊龍，等.基于深度卷積神經網絡的水稻穗瘟病檢測方法[J].農業工程學報，2017，33（20）：169-176.

（責編：張宏民）