基于圖像目標檢測的茶樹病蟲害預警研究

孫 軍

（貴州工程應用技術學院土木建筑工程學院，貴州畢節(jié) 551700）

0 前言

茶樹病蟲害的發(fā)生和發(fā)展一直都是茶產(chǎn)業(yè)的發(fā)展一大難題。傳統(tǒng)的茶樹病蟲害防治基于茶農經(jīng)驗和統(tǒng)計學方法解決問題[1]。隨后遙感信息技術等現(xiàn)代科學手段[2]被應用到了茶樹病蟲害的防治之中。隨著無人機、無線視頻監(jiān)控等現(xiàn)代科技手段的發(fā)展和普及，新的茶樹病蟲害防治手段也隨之產(chǎn)生和發(fā)展。本文結合人工智能和數(shù)字圖像處理技術，把最新人工智能成果應用于茶樹病蟲害防治之中，提升了茶樹病蟲害的防治效果。

1 病蟲害預警結構

病蟲害預警網(wǎng)絡結構由視頻監(jiān)控終端，中央處理器，和報警統(tǒng)計分析裝置組成。視頻監(jiān)控終端由固定監(jiān)控裝置或移動視頻裝置（如無人機）組成。固定監(jiān)控裝置按照一定的距離比例均勻分布茶場。移動視頻裝置可對整體茶場實施動態(tài)監(jiān)測。病蟲害預警結構如圖1所示。

1.視頻監(jiān)控終端；2.基座平臺；3.微機（中央處理器）；4.控制箱；5 信息處理輸出端及報警裝置

如圖1所示，視頻監(jiān)控終端以固定的間隔時間t采集圖片f1和f2傳輸?shù)街醒胩幚砥?。中央處理器通過公式g=f2-f1對兩張圖片進行灰度值對比，可以分割出圖片中的異常區(qū)域[3]，對異常區(qū)域進行處理分析和信息匯總。在異常區(qū)域位置發(fā)生移動的情況下，可以根據(jù)異常區(qū)域移動趨勢對視頻監(jiān)控終端自動調整，對移動目標進行跟蹤分析[3]。最后確定中央處理器的報警閾值，通過報警裝置進行自動報警。

2 卷積神經(jīng)網(wǎng)絡學習(CNN)

病蟲害預警網(wǎng)絡結構的核心是中央處理器，中央處理器的核心是人工智能。通過近幾年的實驗數(shù)據(jù)表明，卷積神經(jīng)網(wǎng)絡（CNN）[4]在圖像目標檢測識別中成功率較高。隨著深度學習技術的發(fā)展和引入，卷積神經(jīng)網(wǎng)絡模型由CNN發(fā)展到了RCNN（Regions with CNN features）[5]，再由RCNN 擴展到Fast RCNN[6]和Faster RCNN[7]，最后發(fā)展到了SSD[8]模型。卷積神經(jīng)網(wǎng)絡（CNN）為特征提取和特征映射雙層結構。神經(jīng)網(wǎng)絡結構如圖2所示。

圖2 神經(jīng)網(wǎng)絡結構

RCNN基于圖像分割算法實現(xiàn)目標位置鎖定，確定閾值調整目標位置的圖像比例尺寸，再對目標屬類進行劃分。RCNN需要對所有可能的情況進行分析，極大降低了學習效率。Fast RCNN在整幅圖片中提取感興趣的區(qū)域。計算頻次低，計算效率有所提升。Faster RCNN通過添加RPN(Region Proposal Network)網(wǎng)絡實現(xiàn)圖像目標識別，無需進行圖像分割。繼Fast RCNN和Faster RCNN之后，在此二者的基礎上又提出了改進的SSD[8]算法，并在實驗檢測中有更好的實驗檢測效果。

3 卷積神經(jīng)網(wǎng)絡在茶樹病蟲害中的應用

實驗以貴州省畢節(jié)市的茶產(chǎn)業(yè)基地為背景，在同一場地使用不同卷積神經(jīng)網(wǎng)絡（CNN）模型進行實驗。實驗時間一年，預警20次。首先通過網(wǎng)絡收集和現(xiàn)場拍照等方式獲取大量的茶樹病蟲害的訓練圖片，再對訓練圖片進行人工修整，按照茶樹病蟲害的類別進行人工分類和標注，最后輸入不同的卷積神經(jīng)網(wǎng)絡（CNN）模型進行訓練，并通過實驗比較訓練得到的結果。

表1 實驗結果比較

4 結語

由于茶樹具有四季常青的性質，茶場背景光譜色澤相對單一，從圖片上易于對病變區(qū)域目標進行分割。因此，在訓練和使用卷積神經(jīng)網(wǎng)絡（CNN）模型的時候，對圖像像素要求不高。通過實驗數(shù)據(jù)表明，采用Fast RCNN模型和SSD模型具有相同的效果。考慮到圖像像素要求低的情況，F(xiàn)ast RCNN模型預警效果實際優(yōu)于其它的卷積神經(jīng)網(wǎng)絡（CNN）模型。