便攜式柑橘蟲(chóng)害實(shí)時(shí)檢測(cè)系統(tǒng)的研制與試驗(yàn)

王林惠，蘭玉彬，劉志壯，岳學(xué)軍，鄧述為，郭宜娟

（1. 湖南科技學(xué)院智能制造學(xué)院，永州 425199；2. 華南農(nóng)業(yè)大學(xué)電子工程學(xué)院、人工智能學(xué)院，廣州 510642； 3. 國(guó)家精準(zhǔn)農(nóng)業(yè)航空施藥技術(shù)國(guó)際聯(lián)合研究中心，廣州 510642）

0 引言

柑橘是中國(guó)重要的經(jīng)濟(jì)類果樹(shù)，現(xiàn)如今適宜種植柑橘的地域范圍不斷擴(kuò)大，然而柑橘蟲(chóng)害的頻繁發(fā)生，極大增加了柑橘栽培難度。柑橘紅蜘蛛和蚜蟲(chóng)是影響柑橘生長(zhǎng)的主要蟲(chóng)害，各柑橘產(chǎn)區(qū)均有分布。目前柑橘樹(shù)蟲(chóng)害防治主要以大范圍大劑量噴灑農(nóng)藥為主[1]，環(huán)境污染嚴(yán)重，且果品上的農(nóng)藥殘留對(duì)消費(fèi)者的健康產(chǎn)生較大影響。因此，根據(jù)果園中不同位置的蟲(chóng)害危害等級(jí)信息進(jìn)行精準(zhǔn)噴施，對(duì)于節(jié)約資源、保護(hù)環(huán)境、提高果品品質(zhì)和果農(nóng)增收意義重大[2]。然而果樹(shù)蟲(chóng)害級(jí)別定量化測(cè)評(píng)及實(shí)時(shí)檢測(cè)技術(shù)達(dá)不到變量噴施的要求，成為限制精確噴施農(nóng)藥的瓶頸問(wèn)題。因此，研究果樹(shù)蟲(chóng)害信息的快速定量化獲取關(guān)鍵技術(shù)對(duì)于實(shí)現(xiàn)航空噴霧自動(dòng)化、無(wú)人化具有十分重要的意義。

傳統(tǒng)蟲(chóng)害檢測(cè)方法包括聲學(xué)檢測(cè)法[3]、電子鼻技術(shù)[4-5]、光譜成像技術(shù)[6-8]和可見(jiàn)光圖像處理技術(shù)[9-11]等，前三種方法在復(fù)雜的果園環(huán)境中的使用具有局限性。隨著計(jì)算機(jī)硬件更新?lián)Q代和深度學(xué)習(xí)等智能化技術(shù)在物體檢測(cè)與識(shí)別領(lǐng)域取得突破性發(fā)展，采用數(shù)字圖像技術(shù)精準(zhǔn)分析蟲(chóng)害圖像，了解蟲(chóng)害的危害程度逐漸成為趨勢(shì)[12-13]。如李衡霞等[14]提出一種基于深度卷積神經(jīng)網(wǎng)絡(luò)的油菜蟲(chóng)害檢測(cè)方法，實(shí)現(xiàn)了對(duì)蚜蟲(chóng)、菜青蟲(chóng)幼蟲(chóng)、菜蝽、跳甲、猿葉甲等5種油菜害蟲(chóng)的快速準(zhǔn)確檢測(cè)，平均準(zhǔn)確率達(dá)94.12%；Kuzuhara等[15]提出一種基于改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks，CNN）的蟲(chóng)害兩階段檢測(cè)和識(shí)別方法，采用Xception模型對(duì)CNN輸出結(jié)果再識(shí)別。但上述蟲(chóng)害檢測(cè)案例均只停留在模型構(gòu)建方面，未實(shí)現(xiàn)具體應(yīng)用。為此，He等[16]設(shè)計(jì)了一款油菜害蟲(chóng)成像系統(tǒng)，并結(jié)合SSD模型研發(fā)了配套的安卓應(yīng)用程序，可結(jié)合無(wú)人機(jī)與物聯(lián)網(wǎng)技術(shù)實(shí)現(xiàn)油菜蟲(chóng)害監(jiān)測(cè)。類似于He等設(shè)計(jì)的檢測(cè)系統(tǒng)已有諸多案例[17-19]，但均存在的問(wèn)題是采集與處理分離，均需將采集的圖像以無(wú)線通信方式上傳至服務(wù)器處理后獲得結(jié)果，且未結(jié)合位置信息，無(wú)法實(shí)現(xiàn)地圖級(jí)查詢和顯示。

針對(duì)以上問(wèn)題，本文以柑橘樹(shù)為研究對(duì)象，以柑橘紅蜘蛛和蚜蟲(chóng)為檢測(cè)對(duì)象，結(jié)合深度學(xué)習(xí)中快速區(qū)域卷積神經(jīng)網(wǎng)絡(luò)（Faster Region Convolutional Neural Networks，F(xiàn)aster R-CNN)模型和嵌入式物聯(lián)網(wǎng)技術(shù)，研究一種基于可見(jiàn)光圖像信息的便攜式柑橘蟲(chóng)害實(shí)時(shí)檢測(cè)儀，并結(jié)合云端服務(wù)器，實(shí)現(xiàn)紅蜘蛛和蚜蟲(chóng)嚴(yán)重程度的地圖級(jí)可視化顯示。為實(shí)現(xiàn)柑橘園蟲(chóng)害信息的實(shí)時(shí)快速獲取，果園精細(xì)管理、精準(zhǔn)施肥施藥、噴霧機(jī)械的優(yōu)化設(shè)計(jì)提供理論依據(jù)。

1 材料與方法

1.1 系統(tǒng)構(gòu)成與工作原理

根據(jù)智慧農(nóng)場(chǎng)和農(nóng)業(yè)物聯(lián)網(wǎng)設(shè)計(jì)思想，系統(tǒng)由感知層、網(wǎng)絡(luò)層和應(yīng)用層組成，系統(tǒng)結(jié)構(gòu)如圖1所示。感知層以該檢測(cè)儀為主，負(fù)責(zé)蟲(chóng)害圖像數(shù)據(jù)采集；網(wǎng)絡(luò)層為檢測(cè)儀和云服務(wù)器、云服務(wù)器和用戶端之間的數(shù)據(jù)進(jìn)行編碼、認(rèn)證和傳輸；應(yīng)用層主要提供蟲(chóng)害的位置分布，實(shí)時(shí)顯示各個(gè)位置的詳細(xì)蟲(chóng)害信息和危害程度，并實(shí)現(xiàn)地圖級(jí)直觀顯示效果。整個(gè)系統(tǒng)各層緊密協(xié)作、分工明確，構(gòu)成一套完整的柑橘蟲(chóng)害實(shí)時(shí)檢測(cè)系統(tǒng)。

利用模塊化設(shè)計(jì)思想，檢測(cè)儀包括處理器、高清攝像頭（分辨率：支持 1 280×960像素，型號(hào)：RER-USB4KHDR01，廠商：銳爾威視）、北斗（Beidou Navigation Satellite System, BDS）定位模塊、Wi-Fi通信模塊以及顯示模塊。系統(tǒng)實(shí)物如圖2所示。其中處理器選用K210 AI芯片（RISC-V架構(gòu)，64位雙核；SiPEED，中國(guó)）。該實(shí)物采用手持桿的設(shè)置方式，一方面可以方便用戶握持和攜帶，增加了裝置的便攜性，另一方面將攝像頭的鏡頭設(shè)置在凹槽內(nèi)，可避免攝像頭被刮花。

檢測(cè)儀軟件工作流程如圖3所示。通過(guò)攝像頭獲取蟲(chóng)害圖像信息，經(jīng)預(yù)處理后，利用K210內(nèi)嵌的已訓(xùn)練好的Faster-RCNN進(jìn)行有無(wú)病蟲(chóng)害的識(shí)別，對(duì)于有病蟲(chóng)害的圖像，再進(jìn)行特征提取和分類，識(shí)別蟲(chóng)害類型和危害等級(jí)。通過(guò)BDS模塊獲取位置信息，并與蟲(chóng)害識(shí)別結(jié)果輸出顯示，最后通過(guò)無(wú)線通信模塊將檢測(cè)信息發(fā)送至服務(wù)器，方便用戶對(duì)蟲(chóng)害發(fā)展趨勢(shì)進(jìn)行預(yù)測(cè)，進(jìn)而方便進(jìn)行蟲(chóng)害整體管控和預(yù)防。

1.2 基于Faster-RCNN的柑橘蟲(chóng)害識(shí)別模型訓(xùn)練

Faster-RCNN最早在2016年由Ross B. Girshick提出，是二階段目標(biāo)檢測(cè)模型中最具代表性的方法[20]，擁有較好的特征提取能力和識(shí)別能力，且模型精簡(jiǎn)，適合做移動(dòng)端目標(biāo)檢測(cè)，因此本文選擇Faster-RCNN作為蟲(chóng)害檢測(cè)模型。

Faster-RCNN框架由RCNN[21]、Fast-RCNN[22]逐步發(fā)展而來(lái)，網(wǎng)絡(luò)結(jié)構(gòu)可分為卷積層、區(qū)域生成網(wǎng)絡(luò)、感興趣區(qū)域池化層以及分類器。Faster-RCNN結(jié)構(gòu)設(shè)計(jì)如圖4所示。

卷積層提取輸入圖像特征，生成特征圖；采用區(qū)域候選網(wǎng)絡(luò)（Region Proposal Network, RPN）方式生成候選區(qū)域：首先生成大量錨框，然后裁剪過(guò)濾，并利用軟最大化（Softmax）函數(shù)分類判斷其是否屬于前背景，同時(shí)用邊框回歸優(yōu)化錨框，形成候選區(qū)。值得注意的是Faster-RCNN將傳統(tǒng)選擇搜索區(qū)域生成網(wǎng)絡(luò)提升為 RPN方式，通過(guò)RPN獲取準(zhǔn)確度更高的候選區(qū)，降低了時(shí)間成本[23]；感興趣區(qū)域池化層變換建議區(qū)域尺寸，得到尺寸固定的特征圖，該特征圖作為全鏈接層輸入項(xiàng)；分類層將固定大小的特征圖進(jìn)行全鏈接操作，利用Softmax函數(shù)和邊框回歸進(jìn)行分類和修正。

1.2.1 數(shù)據(jù)采集與標(biāo)準(zhǔn)數(shù)據(jù)集制作

數(shù)據(jù)集圖像采集地點(diǎn)位于湖南省永州市新田縣富硒臍橙種植基地，采樣時(shí)間為2020年10月13日，該時(shí)間是紅蜘蛛和蚜蟲(chóng)的高發(fā)期。采樣時(shí)以該蟲(chóng)害檢測(cè)儀作為采樣工具，以單棵柑橘樹(shù)為基本單位獲取圖像數(shù)據(jù)，共采集柑橘樹(shù)100棵。基于采樣均衡性考慮，采樣點(diǎn)選擇柑橘樹(shù)中間處前（A）、后（C）、左（D）、右（B）和頂部（E）共5個(gè)位置，采樣示意圖如圖5所示。兩種蟲(chóng)害分別采集圖像500張，預(yù)處理后圖像尺寸統(tǒng)一調(diào)整為240×240像素。為了提高網(wǎng)絡(luò)模型的檢測(cè)精度，對(duì)數(shù)據(jù)集圖像采取裁剪、旋轉(zhuǎn)、平移等方式進(jìn)行數(shù)據(jù)增強(qiáng)，將兩種蟲(chóng)害數(shù)據(jù)集分別擴(kuò)增到1 000張圖像。

采用LabelImg（v1.8.3）工具對(duì)預(yù)處理后的蟲(chóng)害圖像進(jìn)行標(biāo)注，并生成xml數(shù)據(jù)源文件。將標(biāo)注后的2000張樣本圖像分成訓(xùn)練集、驗(yàn)證集和測(cè)試集3個(gè)部分，按照8:1:1的比例隨機(jī)劃分。

1.2.2 模型超參數(shù)選擇

學(xué)習(xí)率是Faster-RCNN重要的超參數(shù)，優(yōu)選合適的學(xué)習(xí)率可使損失函數(shù)快速收斂，避免震蕩和減少耗時(shí)。本文采用指數(shù)標(biāo)尺選取0.001、0.01和0.1共3組學(xué)習(xí)率，經(jīng)多次試驗(yàn)得知最佳學(xué)習(xí)率為0.001。同樣地，批量化尺寸（Batch Size）參數(shù)也會(huì)影響模型的性能及速度。經(jīng)對(duì)比試驗(yàn)確定了Batch Size最佳值為32。損失函數(shù)用來(lái)評(píng)價(jià)模型的預(yù)測(cè)值和真實(shí)值不一樣的程度。通常損失函數(shù)值越小，模型的性能越好。對(duì)于本文涉及蟲(chóng)害分類問(wèn)題，選擇交叉熵?fù)p失函數(shù)較為合適，計(jì)算公式如下：

式中i表示第i個(gè)樣本，f為模型輸出函數(shù)，j為求和變量，K為樣本總數(shù)。同時(shí)，一、二階矩估計(jì)的指數(shù)衰減率分別設(shè)為0.9和0.999，L2正則化系數(shù)設(shè)為5×10-5。

1.2.3 特征提取網(wǎng)絡(luò)優(yōu)選

經(jīng)典Faster-RCNN模型的特征提取網(wǎng)絡(luò)層為VGG16，但其參數(shù)量過(guò)于龐大。然而，MobileNet的結(jié)構(gòu)輕量化特征突出，在嵌入式系統(tǒng)要求模型精簡(jiǎn)化的前提下優(yōu)勢(shì)明顯。因此，為突出MobileNet在嵌入式終端蟲(chóng)害檢測(cè)的優(yōu)越性，選擇GoogleNet 系列的InceptionV3網(wǎng)絡(luò)模型、MobileNet模型以及VGG16，并結(jié)合Faster-RCNN框架在數(shù)據(jù)集上分別訓(xùn)練，對(duì)比三種模型的檢測(cè)效果。

1.2.4 模型訓(xùn)練環(huán)境

硬件配置：處理器為單核Intel E5-2660，內(nèi)存大小為32 GB，圖形處理器為1080ti顯卡。

軟件環(huán)境：操作系統(tǒng)為 Ubuntu 16.04，集成開(kāi)發(fā)環(huán)境為 Anaconda3，采用TensorFlow作為深度學(xué)習(xí)框架。

1.2.5 模型評(píng)價(jià)指標(biāo)

為了客觀評(píng)價(jià)不同特征網(wǎng)絡(luò)的性能，本文從算法運(yùn)行速度、模型參數(shù)量、正確率（Accuracy，ACC）和平均精準(zhǔn)率（Mean Average Precision，mAP）4個(gè)角度進(jìn)行評(píng)價(jià)。

通常分類器在訓(xùn)練和預(yù)測(cè)一幅圖像需要的時(shí)間為計(jì)算時(shí)間。為了減少誤差，采用多幅圖像的計(jì)算時(shí)間取平均值（Mean Time, MT）作為速度指標(biāo)。

模型參數(shù)量是嵌入式設(shè)備運(yùn)行深度學(xué)習(xí)模型的重要指標(biāo)之一。將每一層的權(quán)重參數(shù)相加得到參數(shù)總量，其中模型參數(shù)采用浮點(diǎn)型存儲(chǔ)，按4個(gè)字節(jié)計(jì)算，即可得到模型參數(shù)量。

正確率指被正確分類的樣本數(shù)除以總樣本數(shù)，通常來(lái)說(shuō)，正確率越高，分類器越好。為此，假設(shè)真正（True Positive，TP）表示將正樣本預(yù)測(cè)為正樣本數(shù)；真負(fù)（True Negative，TN）表示將負(fù)樣本預(yù)測(cè)為負(fù)樣本數(shù)；假正（False Positive，F(xiàn)P）)表示將負(fù)樣本預(yù)測(cè)為正樣本數(shù)；假負(fù)（False Negative，F(xiàn)N）表示將正樣本預(yù)測(cè)為負(fù)樣本數(shù)。則正確率公式可表示如下：

某些情況下正確率高并不足以說(shuō)明算法的性能優(yōu)異，因此引入mAP作為衡量指標(biāo)。在物體識(shí)別中，每一類均可根據(jù)精度（Precision）和召回率（Recall）繪制一條精度-召回率（Precision-Recall，PR）曲線，AP則是該曲線下的面積，而mAP即為平均AP，是對(duì)多個(gè)驗(yàn)證集個(gè)體求平均AP值，其計(jì)算公式如下：

式中QR代表驗(yàn)證集個(gè)數(shù)，q為某一個(gè)驗(yàn)證集。

1.3 用戶端可視化軟件設(shè)計(jì)

前端采用vue.js框架，結(jié)合elements-ui編寫(xiě)界面，導(dǎo)入Google地圖，以熱力圖顯示不同位置量化后的蟲(chóng)害情況；后端采用springboot框架，阿里云作為服務(wù)器，MySQL作為蟲(chóng)害數(shù)據(jù)庫(kù)。設(shè)計(jì)模式采用模型（Model）、視圖（View）和控制器（Controller）實(shí)現(xiàn)三層架構(gòu)（持久層、業(yè)務(wù)層、表示層），方便拓展。用戶端主界面顯示如圖6所示。

1.4 系統(tǒng)整體評(píng)價(jià)指標(biāo)

識(shí)別準(zhǔn)確率（True Positive Rate，TPR）用來(lái)表征檢測(cè)儀對(duì)不同害蟲(chóng)識(shí)別的精準(zhǔn)度，是指被預(yù)測(cè)正確的正樣本占實(shí)際總樣本的百分比，計(jì)算公式如下：

計(jì)數(shù)準(zhǔn)確率（Counting Accuracy，CA）指標(biāo)主要用于記錄檢測(cè)儀蟲(chóng)害種類識(shí)別正確且計(jì)數(shù)正確的情況，其中，計(jì)數(shù)正確是指統(tǒng)計(jì)樣本中某一類蟲(chóng)害的數(shù)量與該樣本中該類蟲(chóng)害實(shí)際數(shù)量一致的情況。為此，本文假設(shè)蟲(chóng)害種類識(shí)別正確且計(jì)數(shù)正確的樣本數(shù)占總樣本數(shù)的百分比為PP，蟲(chóng)害種類識(shí)別正確但計(jì)數(shù)不正確的樣本數(shù)占總樣本數(shù)的百分比為PN，則計(jì)數(shù)準(zhǔn)確率公式如下：

2 結(jié)果與分析

2.1 柑橘蟲(chóng)害識(shí)別模型訓(xùn)練結(jié)果分析

2.1.1 模型訓(xùn)練過(guò)程分析

選取兩種害蟲(chóng)訓(xùn)練集和驗(yàn)證集樣本數(shù)據(jù)，訓(xùn)練150次。分別記錄前20次，前50次，50～100次以及100～150次時(shí)損失（Loss）函數(shù)變化，如圖7所示。

在前10次迭代中訓(xùn)練集和驗(yàn)證集的Loss迅速下降，然后10次迭代之后逐漸趨于平穩(wěn)，說(shuō)明已經(jīng)不能再獲取更多的特征。在50次迭代之后，訓(xùn)練集的Loss不變，而驗(yàn)證集Loss緩慢上升，說(shuō)明出現(xiàn)了過(guò)擬合的現(xiàn)象，即模型為了更加擬合訓(xùn)練集的特征而變得過(guò)度嚴(yán)格，反而使模型偏離實(shí)際。為了防止過(guò)擬合現(xiàn)象發(fā)生，應(yīng)該選取合適的迭代次數(shù)，或采用權(quán)值衰減方法，即每次迭代過(guò)程中采用某個(gè)小因子降低權(quán)值。

將訓(xùn)練集樣本圖像分別輸入訓(xùn)練次數(shù)為1、2、3、4、5、10、15、20、25、50、75、100、125、150的Faster-RCNN網(wǎng)絡(luò)模型中，對(duì)兩種害蟲(chóng)檢測(cè)分類的正確率曲線如圖8所示。從正確率來(lái)看，在網(wǎng)絡(luò)模型穩(wěn)定后，紅蜘蛛的訓(xùn)練效果較好，正確率達(dá)到了92.3%，蚜蟲(chóng)的正確率為91.1%，主要原因是紅蜘蛛從形態(tài)上看比較固定，而蚜蟲(chóng)形態(tài)多變，模型泛化能力稍有不足。

2.1.2 特征網(wǎng)絡(luò)優(yōu)選結(jié)果及分析

取兩種害蟲(chóng)的訓(xùn)練集樣本，選擇GoogleNet系列InceptionV3網(wǎng)絡(luò)模型、MobileNet模型以及VGG16，對(duì)比分析三種模型的檢測(cè)效果。不同特征提取網(wǎng)絡(luò)的Loss值隨迭代次數(shù)增加的曲線變化如圖9所示。

從Loss曲線的形態(tài)來(lái)看，MobileNet和GoogleNet的Loss曲線都能夠快速收斂，且穩(wěn)定后MobileNet的Loss值小于0.1，而GoogleNet的Loss值穩(wěn)定在0.1以上。VGG16的Loss值收斂最慢，在經(jīng)過(guò)接近1 000次迭代后最終穩(wěn)定在0.2左右。

以平均精準(zhǔn)率mAP、正確率ACC、模型參數(shù)量和速度作為評(píng)價(jià)指標(biāo)，取兩種害蟲(chóng)的驗(yàn)證集樣本，對(duì)3個(gè)模型的性能進(jìn)行定量分析的結(jié)果如表1所示。

表1 不同特征提取網(wǎng)絡(luò)性能參數(shù)對(duì)比 Table 1 Comparison of performance parameters of different feature networks

由表1可知，其中MobileNet的參數(shù)量最小，約為VGG16參數(shù)量的1/38，僅為15.147 M；MobileNet的mAP和ACC指標(biāo)分別為86.40%、91.07%，兩者雖然均低于VGG16，但高于GoogleNet；從模型檢測(cè)速率來(lái)看，MobileNet的計(jì)算時(shí)間平均值為286 ms，遠(yuǎn)低于VGG16的679 ms和GoogleNet的459 ms。綜上可知，MobileNet的正確率和平均精準(zhǔn)度均低于VGG16，但前者在內(nèi)存空間上占絕對(duì)優(yōu)勢(shì)。綜合考慮處理效率和準(zhǔn)確率的前提下，采用MobileNet作為柑橘蟲(chóng)害檢測(cè)模型的特征提取網(wǎng)絡(luò)。

2.2 柑橘蟲(chóng)害實(shí)時(shí)檢測(cè)儀檢測(cè)結(jié)果分析

將上述訓(xùn)練好的模型導(dǎo)入K210 AI處理器，取兩種害蟲(chóng)的測(cè)試集樣本，分別記錄PP、PN、NN值，結(jié)果如表2所示。

表2 檢測(cè)儀檢測(cè)結(jié)果 Table 2 Detector experimental results

從成功識(shí)別的角度來(lái)看，紅蜘蛛和蚜蟲(chóng)的識(shí)別準(zhǔn)確率較高，分別為91.0%和89.0%，說(shuō)明樣本特征選取正確。從計(jì)數(shù)準(zhǔn)確率角度來(lái)看，紅蜘蛛的CA值為90.1%，蚜蟲(chóng)CA值為43.8%，主要原因在于蚜蟲(chóng)比較密集且相互遮擋，存在重疊現(xiàn)象，做標(biāo)注時(shí)難以將所有害蟲(chóng)標(biāo)注出來(lái)，造成訓(xùn)練時(shí)部分蚜蟲(chóng)樣本成為負(fù)樣本，準(zhǔn)確率降低。LCD顯示屏可視化檢測(cè)結(jié)果如圖10所示。

從兩種蟲(chóng)害的數(shù)量特性來(lái)看，紅蜘蛛的密度較小，因而計(jì)數(shù)結(jié)果較為準(zhǔn)確。而蚜蟲(chóng)密度大，在葉脈和莖上可能存在數(shù)十個(gè)蚜蟲(chóng)，而且存在互相遮蓋、對(duì)焦困難等問(wèn)題，導(dǎo)致計(jì)數(shù)準(zhǔn)確率低。因而在訓(xùn)練類似蚜蟲(chóng)的密集害蟲(chóng)模型時(shí)，應(yīng)當(dāng)盡量選擇目標(biāo)完整、遮擋少、背景單一的圖片進(jìn)行訓(xùn)練，減少誤差。

2.3 蟲(chóng)害分布可視化熱力圖測(cè)試結(jié)果分析

為便于用戶直觀查看果園蟲(chóng)害分布情況，客戶端從云數(shù)據(jù)庫(kù)讀取保存的蟲(chóng)害檢測(cè)數(shù)據(jù)，包括蟲(chóng)害類型、檢測(cè)點(diǎn)經(jīng)緯度信息、數(shù)量、危害程度等，其中將單棵柑橘樹(shù)上采樣到的某一類蟲(chóng)害總數(shù)作為熱力值，并在開(kāi)發(fā)的客戶端軟件上實(shí)現(xiàn)地圖級(jí)熱力值顯示，實(shí)現(xiàn)直觀的蟲(chóng)害分布可視化效果。如圖11所示為湖南省永州市新田縣富硒臍橙種植基地某區(qū)域內(nèi)的紅蜘蛛和蚜蟲(chóng)分布熱力圖。

由圖11可知，該熱力圖可視化了果園內(nèi)柑橘紅蜘蛛和蚜蟲(chóng)的分布狀況，效果良好，可直觀展示目標(biāo)區(qū)域內(nèi)的蟲(chóng)害嚴(yán)重狀況，以便為農(nóng)藥噴灑作業(yè)提供精準(zhǔn)信息服務(wù)。

3 結(jié) 論

本文以柑橘紅蜘蛛和蚜蟲(chóng)為研究對(duì)象，設(shè)計(jì)了一套基于深度卷積神經(jīng)網(wǎng)絡(luò)的柑橘蟲(chóng)害實(shí)時(shí)檢測(cè)系統(tǒng)。通過(guò)驗(yàn)證系統(tǒng)的有效性，得出結(jié)論如下：

1）通過(guò)對(duì)VGG16、GoogleNet和MoblieNet的參數(shù)量、準(zhǔn)確率和執(zhí)行效率等指標(biāo)的對(duì)比分析，優(yōu)選了MoblieNet作為柑橘蟲(chóng)害圖像特征提取網(wǎng)絡(luò)，參數(shù)量可減少至15.147 M，平均精準(zhǔn)率和正確率分別高達(dá)86.40%和91.07%，有利于在嵌入式系統(tǒng)運(yùn)行蟲(chóng)害檢測(cè)模型。

2）利用Faster R-CNN實(shí)現(xiàn)了紅蜘蛛、蚜蟲(chóng)的分類和計(jì)數(shù)，識(shí)別準(zhǔn)確率分別達(dá)到91.0%和89.0%，單幀圖像平均處理速度低至286 ms。檢測(cè)系統(tǒng)根據(jù)目標(biāo)圖像中蟲(chóng)害數(shù)量計(jì)算危害程度，按照正常、輕度、中度、重度4個(gè)等級(jí)判定柑橘蟲(chóng)害的嚴(yán)重程度，形成了蟲(chóng)害識(shí)別與級(jí)別定量化測(cè)評(píng)軟件。

3）利用北斗模塊獲取采樣點(diǎn)位置信息，進(jìn)一步處理，形成了可視化的蟲(chóng)害熱力圖。可為柑橘園蟲(chóng)害信息快速獲取，果園精細(xì)管理和噴霧機(jī)械的優(yōu)化設(shè)計(jì)提供有益參考。