一種病蟲害檢測識別裝置的設計*

張賀凱，劉 勇，3*，楊李恒，遠浩東，劉志新，李欣怡

（1.黑龍江大學 電子工程學院，黑龍江 哈爾濱 150080；2.哈爾濱醫科大學 生物信息科學與技術學院，黑龍江 哈爾濱 150081；3.黑龍江東部節水設備有限公司研發中心，黑龍江 綏化 152000）

藥用植物在栽培管理過程中，受到有害生物的侵染或不良生活環境的影響，其正常新陳代謝能力受到嚴重干擾，從生理機能到組織內部結構上發生了一系列的變化和破壞[1]，以致在外表形態上出現異常病變現象，如枯萎、腐爛、斑點、霉粉等，統稱病害。

現有技術中，仍舊存在較多缺點，如在材料發生病害的位置不同，在檢測識別的過程中，無法觀察到材料的底部表面，不能對材料全部進行檢測[2]，難以找到病蟲害的地方。

筆者設計了一種病蟲害檢測識別裝置，解決上述因無法對材料全部進行檢測等帶來的檢測識別難題。

1 病蟲害檢測識別裝置的設計

病蟲害檢測識別裝置的設計主要圍繞全方位的病害檢測展開。

全方位的病害檢測：讓壓制板位于放置板的頂部，使得密封板進到加固板的內部，對材料進行覆蓋，減少后續發生的移動，便于進行檢測，之后通過圓桿可以對放置板以及壓制板進行轉動，讓旋轉桿在第一弧形板以及第二弧形板表面的凹槽處進行轉動，使得材料進行全面的展示，且顯微鏡與槽洞活動連接，對材料進行全面觀察，且通過照明燈讓外殼內部的亮度增加，便于詳細觀察，從而通過材料的旋轉以及顯微鏡的移動可以對材料不同位置進行詳細觀察，實現對材料全部進行病害檢測。

2 結構設計和工作流程

2.1 結構設計

病蟲害檢測識別裝置的結構見圖1。由圖1可知，外殼的頂端內部設置有堵板，堵板通過螺釘與外殼固定連接。同時，外殼的內部設置有放置板，其頂部設置有壓制版。堵板的底部設置有豎桿，其底端設置有第一弧形板，第一弧形板通過豎桿和堵板固定連接。

圖1 整體結構剖視圖

套筒結構（圖2）在外殼的內部設置有環形板，環形板的內壁與放置板的外側存在一定距離，其兩端均設置有2個圓桿，圓桿與外殼活動鏈接，外殼的內部有加固板，環形板通過加固板與放置板固定連接，提高連接穩定性。環形板的兩側均設置有推動板，圓桿貫穿推動板且與推動板活動連接，推動板靠近環形板的一側設置有限制桿，可以防止頂部的壓制板發生移動，同時限制桿的一端與推動板活動連接，最大程度地保證限制桿隨著加固板發生旋轉。內部第一弧形板的底部與第二弧形板接觸（圖3），二者的內壁表面均設置有2個凹槽，這兩個凹槽互相連通。壓制板的一側設有旋轉桿，與壓制板固定連接，也與旋轉桿的另一端與凹槽緊密活動連接。外殼的正面設置有槽洞，其內部設置有顯微鏡與槽洞活動鏈接[3]。外殼的頂端內壁均設置有多個照明燈，底端兩側表面均設置有孔槽，推動板的底端延伸至孔槽的內部，推動板的一端位于孔槽的內部，可以防止推動板發生旋轉。

圖2 套筒結構示意圖

圖3 第二弧形板與壓制板側視圖

推動板靠近外殼內部的一側設置有螺紋桿，螺紋桿與外殼螺紋連接，通過螺紋桿的轉動可以讓推動板沿著圓桿發生運動，讓限制桿進到密封板表面的凹洞中。同時，推動板與限制桿活動連接，第二弧形板的底部設置有支撐桿，第二弧形板通過支撐桿與外殼的底端內壁固定連接，對第二弧形板進行支撐，防止發生運動。

壓制板的底部設置有密封板，密封板與環形板以及放置板之間距離相適配，密封板的兩端表面均設置有凹洞，讓密封板進到環形板與放置板之間，對頂部的材料進行覆蓋。顯微鏡與槽洞活動連接，對材料進行全面觀察，且通過照明燈讓外殼內部的亮度增加，便于詳細觀察，從而通過材料的旋轉以及顯微鏡的移動可以對材料不同位置進行詳細觀察，進而對材料全部進行病害檢測（圖4）。

圖4 密封板與圓桿俯視圖

2.2 工作流程

病蟲害檢測識別裝置在使用時，將材料放在放置板上面，讓第一弧形板向下運動，使得第一弧形板進到外殼的內部，并使得壓制板位于放置板的頂部。由于旋轉桿的另一端與凹槽緊密連接，可以防止壓制板自動發生旋轉，通過堵板的持續向下運動，可以讓第一弧形板以及底部的密封板同時向下運動，第一弧形板向下運動，使得第一弧形板以及第二弧形板相接觸，防止繼續向下運動。在密封板向下運動時，可以讓密封板進到環形板與放置板之間的距離中，且通過第一弧形板的向下運動使得壓制板向下運動，對材料進行覆蓋，減少后續發生移動的情況，便于進行檢測，讓壓制板的底部表面與材料相接觸，通過放置板與壓制板可以對材料進行固定，便于后續的操作，并使得密封板進到加固板的內部，之后將螺紋桿進行旋轉。由于螺紋桿與外殼螺紋連接，通過外殼可以讓旋轉的螺紋桿發生移動，并推動了推動板發生運動，使得推動板沿著圓桿發生移動，并可以讓限制桿發生移動，因為限制桿與加固板活動連接，保證限制桿的運動，使得限制桿的一端逐漸進入到凹洞的內部。由于凹洞與限制桿合并，通過二者的合并可以防止密封板向上運動，增加了壓制板的穩定性，之后將圓桿發生轉動，讓環形板以及底部的加固板同時發生轉動。由于密封板位于加固板的內部，且與限制桿合并，可以使得放置板以及頂部的壓制板同時發生轉動，對材料進行旋轉；在壓制板進行旋轉時，帶動了旋轉桿的旋轉，使得旋轉桿在第一弧形板中的凹槽進行旋轉，讓放置板以及壓制板處于豎直狀態。當圓桿反方向進行轉動時，使得旋轉桿轉動到第二弧形板表面的凹槽中，使材料進行全面的展示。在材料進行旋轉的過程中，通過顯微鏡對材料詳細觀察，且顯微鏡與槽洞活動連接，可對材料進行全面觀察，同時通過照明燈讓外殼內部的亮度增加，更便于詳細觀察。

3 工作原理及其檢測算法

3.1 工作原理

本裝置在使用時讓壓制板位于放置板的頂部，使得密封板進到加固板的內部，對材料進行覆蓋，減少后續發生移動，便于進行檢測。之后通過圓桿可以對放置板以及壓制板進行轉動，讓旋轉桿在第一弧形板以及第二弧形板表面的凹槽處進行轉動，使得材料進行全面的展示，且顯微鏡與槽洞活動連接，對材料進行全面觀察，且通過照明燈讓外殼內部的亮度增加，便于詳細觀察，從而通過材料的旋轉以及顯微鏡的移動可以對材料不同位置進行詳細觀察，實現全面地對材料進行病害檢測。在使用時，通過螺紋桿的轉動可以讓推動板沿著圓桿發生運動，讓限制桿進到密封板表面的凹洞中，可以防止頂部的壓制板發生移動，且限制桿的一端與推動板活動連接，保證限制桿隨著加固板發生旋轉。

3.2 檢測算法

3.2.1 卷積神經網絡算法

AlexNet卷積神經網絡結構如圖5所示，共有8層，前5層為卷積層，后 3層為全連接層。它在 CNN中成功應用了 ReLU、Dropout和 LRN等。AlexNet利用ReLU代替 sigmoid提升了模型的收斂速度；通過 LRN局部響應歸一化增強模型的泛化能力；最重要的是采用Dropout方式可以有效避免小樣本數據集訓練過程中極易出現的過擬合現象[4]。本裝置采用的是AlexNet卷積神經網絡算法對材料進行全方位的圖像檢測。

圖5 AlexNet卷積神經網絡結構

3.2.2 Inception-ResNet模塊

Inception模塊將多個卷積層與一個池化層并聯在網絡中，模型在訓練的過程中自主選擇使用哪種方式獲取特征信息，不需要人為地確定參數，是一種高效的稀疏結構，有利于提取到豐富的特征[5]。使用多種尺寸的卷積核，提取不同層次的特征，增加了特征的多樣性。Inception將不同尺寸的特征融合在一起有利于后面的分類任務。并利用小卷積代替大卷積，使用1×n，n×1的非對稱卷積代替n×n的卷積核，大大減少了網絡的參數量，提升了網絡的運算速度。Inception結構增加了網絡的寬度，在深層卷積神經網絡中能提高網絡的魯棒性和泛化能力。

Inception-Resnet-v2模型是Google團隊在2016年發布的卷積神經網絡，是Szegedy在 Inception結構的基礎上與ResNet相結合提出的一種新的網絡結構，使網絡的深度進一步增加，并增強了網絡的非線性，加速了網絡的訓練。

3.2.3 Batch Normalization

批歸一化算法是由 Ioffe等提出的一種訓練優化方法，也是網絡的一層，一般在卷積層之后、激活函數之前，簡稱 BN層。BN層的作用是在訓練的過程中將每層神經元的輸入數據歸一化到均值為 0，方差為 1的高斯分布，同時添加兩個超參數，然后再進行激活函數的運算，可以有效減少網絡的訓練時間。在訓練過程中從總的訓練數據集中選取一個 mini-batch數據集對網絡進行訓練，將這個 batch的輸入進行歸一化處理。設，其中m為批次大小，n為特征圖的維度。計算每個batch的均值和方差：

對輸入歸一化處理后得：

式中：ε為一個極小值，防止分母為0；k表示當前的維度。這樣就將每個batch的輸入數據歸一化到N（0，1）的正態分布。但是只對數據進行歸一化可能會改變原本輸入數據的特性或分布，會影響到當前層所學習到的特征，所以又引入了兩個超參數對正態分布進行平移和縮放：

式中，γ表示縮放，β表示平移，一般設γ=1，β=0。

BN層使模型可以使用大的學習率，加快網絡的收斂速度[6]；有類似于Dropout和正則化的效果，能防止網絡的過擬合問題，提高模型的泛化能力。

4 設計試驗

4.1 試驗目的

以本病蟲害檢測識別裝置和AlexNet卷積神經網絡在病蟲害識別領域的效果為試驗對象，測試裝置收集圖像信息的效果以及利用AlexNet卷積神經網絡進行相應目標檢測的能力，進而判定此裝置與此算法相結合的有效性和可靠性。

4.2 試驗條件

對本識別裝置進行試驗，試驗地點在黑龍江省哈爾濱市南崗區學府路74號黑龍江大學通信工程創新實驗室，對卷積神經網絡算法的應用試驗平臺是在AI Studio平臺上進行試驗的。

4.3 試驗方法

采集圖像試驗：啟動裝置，將材料放置在識別裝置上，通過材料的旋轉和顯微鏡的移動進行全方位的圖像收集。

蟲害檢測試驗：在AI Studio平臺上將裝置收集到的圖像利用卷積神經網絡算法進行目標檢測，通過可視化方法對檢測結果進行觀察。

4.4 試驗結果

裝置運行效果良好，可有效對整個材料進行觀察，觀察效果見圖6；卷積神經網絡進行目標檢測效果良好，效果見圖7和圖8。

圖6 病蟲害檢測裝置收集的病蟲圖片

圖7 卷積神經網絡算法進行目標檢測的相關系數

圖8 卷積神經網絡算法進行目標檢測的結果圖

5 結束語

本文設計的病蟲害識別裝置結構合理，通過設有加固板和顯微鏡對材料進行覆蓋，減少后續發生移動，便于全面地對材料進行病害檢測。此外，該裝置設有密封板與限制桿，通過螺紋桿的轉動可以讓推動板沿著圓桿發生運動，讓限制桿進到密封板表面的凹洞中，可防止頂部的壓制板發生移動，保證限制桿隨著加固板發生旋轉。在檢測過程中采用了卷積神經網絡進行檢測，提高了病蟲害檢測效率，有效解決無法全面檢測材料的問題。