基于CNN算法的缺秧與漂秧圖像識別技術研究

趙德安 趙璜曄

摘 要：插秧機是現代農業向自動化方向發展過程中使用的重要工具之一，由于受到地理環境和設備等因素影響，插秧機在工作中難免會出現缺秧及漂秧等情況。傳統對缺秧和漂秧的識別主要依靠經驗與人工作業，效率低下、準確度不高，因此提出基于深度卷積神經網絡（CNN）算法的缺秧與漂秧圖像識別技術。首先計算缺秧與漂秧數據圖像樣本的質心位置，根據質心間距離是否在合理范圍內識別缺秧，然后提取秧苗樣本特征建立樣本庫，對采集的秧苗圖像數據進行分析處理，再與樣本庫進行對比，以此判斷插秧機在工作過程中是否存在缺秧和漂秧情況。通過對仿真算例進行測試，驗證了算法的有效性，其準確率達到90%以上。該方法對于農業自動化的發展具有重要意義，對于相關實踐能起到一定的推動作用。

關鍵詞：深度學習;卷積神經網絡;圖像識別;插秧機

DOI：10. 11907/rjdk. 192500 開放科學（資源服務）標識碼（OSID）：

中圖分類號：TP317.4 文獻標識碼：A 文章編號：1672-7800（2020）008-0230-04

Abstract： Transplanter is an important means in modern agricultural automation development. Due to the influence of geographical environment and equipment， ?the rice transplanter will inevitably suffer from lack of seedlings and floating seedlings. Traditional recognition of missing and floating seedlings mainly relies on experience and manual work， which is inefficient and inaccurate. Therefore， this paper proposes a recognition technology of missing and floating seedlings image based on deep convolution neural network （CNN） algorithm. Firstly， the centroid position of missing and floating seedlings data image samples are calculated to identify missing seedlings according to whether the distance between centroids is within a reasonable range， and then the characteristics of seedling samples are extracted to establish a sample database， and the collected image data are analyzed and processed. The sample databases are compared to determine whether the transplanter is lack of seedlings and floating seedlings in the process of work. This paper tests the simulation examples to verify the effectiveness of the algorithm， and its accuracy reaches more than 90%， which proves that this method is of great significance to the development of agricultural automation， and can play a certain role in promoting the relevant practice.

Key Words： deep learning; convolution neural network; image recognition; transplanter

0 引言

近年來，隨著科技的快速發展，農業生產技術作為保障人類生存最基本的環節，受到世界各國的高度重視，大力發展農業一直是我國的重要課題。如今，各種智能化農業設備被廣泛應用在生產活動中，自動化播種、插秧、收割等技術日益成熟，農業現代化、智能化與精準化已成為當前農業技術研究的熱點問題[1]。

在過去較長的一段歷史時間，我國農業種植主要依賴于人工操作，但該模式需要耗費大量人力資源，同時效率低下。插秧機的出現極大地提高了種植效率，減少了勞動人員數量，提高了生產效益。但由于我國地理地形因素以及機器運行過程中出現的各種不可控因素，導致插秧機在工作過程中，使本該插入秧苗的土地上出現秧苗缺失的現象，稱為缺秧。另外由于耕地地形深淺不一，導致秧苗沒有插入的現象稱為漂秧。這兩種情況都會導致資源浪費以及土地利用不充分，解決以上問題對于插秧機的大規模推廣與應用具有重要意義。

值得指出的是，缺秧和漂秧現象是因不可控因素導致的，因此很難從根本上抑制其發生，但如何在插秧機工作過程中有效識別出漂秧和缺秧現象是可以實現的，這也是本文研究的主要目的。

截至目前，我國針對缺秧和漂秧問題還未能提出系統的智能化解決方案，大多還是依靠人工識別或借助經驗進行操作，因此效率很低。相比之下，采用基于智能化識別及圖像處理等技術的收集與分析方法，效率將會大大提高[2-3]。目前隨著計算機技術的快速發展，圖像識別技術在交通、偵查及安全等領域取得了極大進展[4-7]，但在農業方面應用的還較少。因此，本文以插秧機采集的圖像為對象，提出一種基于深度卷積神經網絡算法的缺秧與漂秧圖像識別技術，利用深度學習技術對采集到的秧苗圖像數據進行分析與特征提取，并建立缺秧、漂秧數據庫。通過將采集的數據圖像特征與數據庫進行對比，從而進行識別，為缺秧與漂秧圖像識別研究提供了理論依據和實踐參考。

1 CNN原理

1.1 深度學習定義

深度學習（Deep Learning，DL）是機器學習（Machine Learning，ML）領域一個新的研究方向，其被引入機器學習，使其更接近最初的目標——人工智能（Artificial Intelligence，AI）。深度學習是一類模式分析方法的統稱，就具體研究內容而言，主要涉及3類方法[8]：

（1）基于卷積運算的神經網絡系統，即卷積神經網絡（Convolutional Neural Network，CNN） [8]。

（2）基于多層神經元的自編碼神經網絡，包括自編碼（ Auto encoder）與近年來受到廣泛關注的稀疏編碼兩類（Sparse Coding） [9]。

（3）以多層自編碼神經網絡方式進行預訓練，進而結合鑒別信息，進一步優化神經網絡權值的深度置信網絡（DBN）[10]。

經過多層分析與處理，逐漸將初始 “低層”特征進一步轉化為“高層”特征表示后，采用“簡單模型”就能實現復雜的分類等。因而可以把深度學習理解為進行“特征學習”（Feature Learning）或“表示學習”（Representation Learning）[11]。

1.2 深度卷積神經網絡模型

深度學習模型主要分為卷積神經網絡（CNN）、深度置信網絡（DBN）和堆棧自編碼網絡（Stacked Auto-encoder Network）模型3種。

卷積神經網絡（CNN）模型是受到視覺系統結構啟發而產生的?；谏窠浽g的局部連接和分層組織圖像轉換，將有相同參數的神經元應用于前一層神經網絡的不同位置，得到一種平移不變神經網絡結構形式。隨著研究的發展，采用誤差梯度設計并訓練卷積神經網絡，在一些模式識別任務上取得了更好性能[12]。

深度置信網絡（DBN）模型可以解釋為貝葉斯概率生成模型，由多層隨機隱變量組成，上面的兩層進行無向對稱連接，下面的層得到來自上一層自頂向下的有向連接，最底層單元狀態為可見輸入數據向量。在無監督預訓練過程中，DBN編碼輸入到頂層RBM后，解碼頂層狀態到最底層單元，實現輸入的重構。RBM作為DBN的結構單元，與每一層DBN共享參數[13-14]。

堆棧自編碼網絡模型結構與DBN類似，由若干結構單元堆棧組成，不同之處在于其結構單元為自編碼模型（ Autoencoder）而不是RBM。自編碼模型是一個兩層神經網絡，第一層稱為編碼層，第二層稱為解碼層。

1.3 CNN訓練過程

Hinton提出在非監督數據上建立多層神經網絡的一個有效方法，分為兩步：首先逐層構建單層神經元;當訓練完所有層后，使用wake-sleep算法進行調優[15-17]。

自下上升的非監督學習就是從底層開始，一層一層地往頂層訓練。采用無標定數據（有標定數據也可）分層訓練各層參數，這一步可看作是一個無監督訓練過程，也是與傳統神經網絡區別最大的部分，可以看作特征學習過程。自頂向下的監督學習就是通過帶標簽的數據訓練，誤差自頂向下傳輸，對網絡進行微調?；诘谝徊降玫降母鲗訁颠M一步優調整個多層模型參數，這一步是一個有監督訓練過程。

在CNN算法中一般采用正則化防止過度擬合，本文采用[Lp]正則化，定義損失函數如下：

其中，[u]表示特征圖轉換系數，當[Zl]與[Zl-1]不同時，轉換系數對尺寸更小的特征圖進行轉換，確保矩陣元素運算成立。

CNN可以使用與其它深度學習算法類似的加速技術提升運行效率，包括量化（quantization）、遷移學習（transfer learning）等[18-20]。

2 基于CNN的缺秧與漂秧識別算法

基于CNN算法的原理和特性，再結合本文需要自動識別缺秧和漂秧的項目任務，提出一種基于CNN算法的缺秧與漂秧圖像識別技術。該技術主要由3部分構成，每一部分都密不可分，其中最主要的內容是深度學習研究方法，也是本文研究的核心內容。卷積神經網絡是深度學習的代表算法之一，基于卷積神經網絡的缺秧與漂秧識別算法過程如圖1所示。

2.1 秧苗缺秧識別

（1）首先對采集到的圖片進行像素過濾，將除綠色外的像素都設為黑，構建掩膜。

（2）尋找每株秧苗的輪廓像素位置，按從大到小進行排序。

（3）計算每株秧苗質心坐標，并按列計算相近兩株秧苗間的距離，設定閾值判斷其中間是否缺秧。

2.2 秧苗漂秧識別

（1）基于上述步驟（2），以覆蓋最大秧苗的正方形裁剪圖形中所有秧苗并進行存儲，對每株秧苗貼標簽，漂秧貼為0，正常秧苗貼為1，以此構建秧苗漂秧樣本庫。

（2）將存儲的樣本劃分為訓練樣本集與測試樣本集，比例為0.8：0.2。

（3）構建CNN網絡對秧苗訓練樣本庫進行訓練，采用一層卷積層、一層池化層、一層過濾層。

（4）采用上述訓練好的網絡模型對秧苗測試樣本進行模型驗證，并給出相應準確率。

3 仿真測試

3.1 仿真環境

本文首先采集圖像樣本，之后對圖像樣本作初步加工，總共獲取1000張秧苗樣本圖，并在工作站的Python平臺上進行程序編譯與加工，然后對圖像進行識別與檢測處理，構建特征樣本庫進行分析驗證。經過多次比照與加工，得出最精確的實驗數據。

3.2 結果分析

本文研究主要針對缺秧和漂秧兩種情況，缺秧識別分析仿真結果如圖2-圖5所示。

其中圖2是采樣圖像中的一張，圖3-圖5表示識別出來的缺秧情況，通過CNN算法可以準確識別出缺秧情況。同樣對漂秧圖像進行識別處理，得到結果如表1所示。

多分類問題類似于二分類問題，能夠通過混淆矩陣對模型進行性能評估。采用準確率（Precision）指標測試分類精確度：

準確率是預測為正的樣本數與所有實際為正的樣本數之比。

4 結語

本文提出一種基于CNN算法的缺秧與漂秧圖像識別技術，旨在彌補計算機技術在農業領域的研究空白，同時利用計算機圖像識別技術替代人工作業，通過CNN算法對采集到的秧苗圖像數據進行分析與特征提取，并建立缺秧、漂秧數據庫。在識別過程中，通過將采集的數據圖像特征與數據庫進行對比以進行判定。仿真實驗結果表明，該算法判斷結果較為準確，為缺秧與漂秧圖像識別研究提供了理論依據和實踐參考。

本文研究主要實現了對缺秧、漂秧的判定，而如何對缺秧、漂秧事件的發生進行預測將是未來的研究方向。

參考文獻：

[1] 馬菁澤，甘詩潤，魏霖靜. 人工智能在農業領域的應用現狀與未來趨勢[J]. 軟件導刊，2019，18（10）： 8-11.

[2] 徐建國，肖海峰. 基于大數據的智慧農業物聯網系統實現[J]. 軟件導刊，2018，17（8）：129-132.

[3] 王琴，米丹，周麗. 基于CNN的人臉識別課堂考勤系統[J]. 現代計算機，2019（25）：88-91.

[4] 張琦，張榮，梅陳彬. 基于深度學習的圖像識別技術研究綜述[J]. 河北省科學院學報，2019，36（3）：28-36.

[5] 楊斌，鐘金英. 卷積神經網絡的研究進展綜述[J]. 南華大學學報（自然科學版），2016，30（3）：66-72.

[6] 張旭，王斌. CNN在農田雜草圖像識別的可行性探討[J]. 電腦知識與技術 2018，14（22）：187-189.

[7] 楊晉，丹楊，濤苗騰. 基于卷積神經網絡的草莓葉部白粉病病害識別[J]. 江蘇農業學報，2018，34（3）： 527-532.

[8] 劉方園，王水花，張煜東. 卷積神經網絡架構及其應用的研究[J]. 新型工業化，2017，7（11）：40-51.

[9] 付鵬飛，許斌. 全卷積神經網絡仿真與遷移學習[J]. 軟件，2019，40（5）： 216-221.

[10] 陳瑞森. 基于數字CNN及數學形態學的二值圖像處理系統[J]. 智能計算機與應用，2015，5（4）：19-21，25.

[11] 周壯，李盛陽，張康. 基于CNN和農作物光譜紋理特征進行作物分布制圖[J]. 遙感技術與應用 2019，34（4）：694-703.

[12] 曾向陽. 智能水中目標識別[M]. 北京：國防工業出版社，2016.

[13] 周志華. 機器學習[M]. 北京：清華大學出版社，2015.

[14] 馬慧彬. 基于機器學習的乳腺圖像輔助診斷算法研究[M]. 長沙：湖南師范大學出版社，2016.

[15] 董海鷹. 智能控制理論及應用[M]. 北京：中國鐵道出版社，2016.

[16] GUEAIEB W，MIAH M S. An intelligent mobile robot navigation technique using RFID technology[J]. IEEE Transactions on Instrumentation and Measurement，2008， 57（9）：1908-1917.

[17] 矯德余. 基于嵌入式系統的智能巡檢機器人研制[D]. 北京： 中國石油大學，2010.

[18] 何挺，楊向東，陳懇. 機器人雙目視覺目標跟蹤研究[J]. 機械設計與制造，2008（3）：161-163.

[19] 龍慧，胡利，周宴宇. 迭代卡爾曼濾波在機器人定位中的應用[J]. 現代電子技術，2010，33（22）：123-125.

[20] 楊長輝，王卓，熊龍燁. 基于Mask R-CNN的復雜背景下柑橘樹枝干識別與重建[J]. 農業機械學報 2019，50（8）：22-30，69.

（責任編輯：黃 健）