基于微波反射法的冬筍探測器設(shè)計

王俊楠 呂 艷，2 倪忠進，2 黃政暉 倪益華，3*

(1.浙江農(nóng)林大學 工程學院，杭州 311300；2.浙江省竹資源與高效利用協(xié)同創(chuàng)新中心，杭州 311300；3.國家林業(yè)局林業(yè)感知技術(shù)與智能裝備重點實驗室，杭州 311300)

我國是竹類資源較為豐富的國家，竹林面積約641.16萬 hm2，其中毛竹林面積約467.78萬 hm2，占總竹林面積72.96%[1-2]。冬筍是夏末秋初時期由毛竹地下莖的鞭芽生長而成[3]，是一種含有豐富營養(yǎng)物質(zhì)的美味食材。由于冬筍的成竹率很低[4]，因此合理的挖取冬筍既能為農(nóng)民創(chuàng)造收入，也不會影響竹林生態(tài)平衡。但冬筍生長在地表以下，只能依靠農(nóng)民的經(jīng)驗判斷冬筍的位置，依據(jù)人工經(jīng)驗的采收方式限制了冬筍的產(chǎn)量，而且盲目的挖掘會破壞植物的根莖。

目前國內(nèi)外對于冬筍探測技術(shù)的相關(guān)研究較少，可用于探測冬筍的方法有以下幾種：電阻率法、超聲波法、微波成像法等。儲修祥等[5]發(fā)明了一種電阻式冬筍探測器，使用探針作為傳感器利用冬筍與土壤的電阻率差異來判斷地下冬筍的位置；王剛等[6]發(fā)明了一種分離式超聲波和地阻互補冬筍探測儀，利用超聲波在不同介質(zhì)中衰減的規(guī)律配合冬筍與土壤電阻率的差異協(xié)同辨別冬筍生長的位置。上述2種設(shè)備雖然制作成本低廉，但每次探測需要將探針插入泥土內(nèi)容易對冬筍造成損傷，且探測過程復雜。Butnor等[7]利用探地雷達設(shè)備對土壤內(nèi)的植物根莖進行成像處理，并構(gòu)建植物根莖地下空間分布的模型，該模型最小能分辨直徑為1 cm的地下莖。陳雨等[8]采用并行電法探測冬筍的方案，用探地雷達對土壤下進行探測，通過分析得到的3維電阻率圖像能準確呈現(xiàn)冬筍及其根系在空間上的分布，電法探測法是利用冬筍與其生長環(huán)境之間存在電性差異來確認冬筍位置，能做到高準確度和無損檢測，但是以上2種方法設(shè)備精密昂貴且操作復雜，并不適合農(nóng)業(yè)上的廣泛推廣使用。

本研究擬采用微波反射法，設(shè)計一種冬筍探測器，構(gòu)建基于卷積神經(jīng)網(wǎng)絡(luò)的冬筍探測器回波序列檢測模型驗證冬筍探測器的可行性，以期為竹林間探測冬筍提供一種準確性較高的探測儀器。

1 冬筍探測器原理

土壤和冬筍同屬于電介質(zhì)，當外加電場作用于電介質(zhì)時，其內(nèi)部可移動帶電粒子發(fā)生取向極化現(xiàn)象，通常用介電常數(shù)描述介質(zhì)在外加電場作用下的極化特性，介質(zhì)的相對復數(shù)介電常數(shù)ε定義為[9]：

ε=ε′-jε″

式中：實部ε′影響波的傳播速度；虛部ε″決定波的衰減特性。介質(zhì)的介電常數(shù)并非恒量，隨著電場頻率、溫度等因素變化而變化[10]。

土壤主要由水、礦物質(zhì)、有機質(zhì)和空氣組成，淺層土壤的含水率為10%～30%[11]。冬筍主要由水、蛋白質(zhì)、纖維素等組成，含水率高達85%[12]。兩者物質(zhì)成分中均含有水，水是強極性偶極子，在相同電場下極化程度遠大于其他物質(zhì)，常溫下，在頻率f=1010Hz微波作用下水的介電常數(shù)ε=64-j29，其他介質(zhì)在相同環(huán)境下ε′為1.5～6.0，ε″約為0.01[13-14]。

Birchak等[15]提出一種分層模型的公式，用于定義混合型含水介質(zhì)的等效介電常數(shù)：

(1)

式中：εm為介質(zhì)等效介電常數(shù)；ww為介質(zhì)中水的質(zhì)量分數(shù)(0

(2)

式中：Eim為天線發(fā)射的入射波的幅值；Erm為天線接收的反射波的幅值。將式(1)帶入式(2)：

通常情況下水的介電常數(shù)遠大于其他物質(zhì)即εw?εs，可得：

(3)

由式(3)可見，當物質(zhì)中水的比重ww越大時反射系數(shù)Γ越小，回波的能量越小。由于冬筍的含水率遠大于土壤，當電磁波照射在有冬筍的土壤中時其回波信號的幅值會相應的減小，以此作為冬筍探測器的理論依據(jù)。

竹林內(nèi)土壤含水率約為15%～34%，一般為21%。考慮到電磁波對土壤的穿透能力，使用 600～1 200 MHz頻段的電磁波依次照射含水率為15%、21%、34%的土壤與冬筍，回波的幅值與頻率關(guān)系見圖1，最終得出在800～900 MHz頻段范圍內(nèi)時冬筍和土壤差距最為明顯，本研究選用860 MHz 作為探測頻率。

圖1 不同頻率電磁波照射下冬筍和3種 含水率(w)土壤的回波幅度Fig.1 Variation curve of echo amplitude of winter bamboo shoots and soil with three moisture content (w) under different frequency electromagnetic waves

2 冬筍探測器設(shè)計

本研究設(shè)計的探測裝置由發(fā)射鏈路、接收鏈路、天線和回波信號檢測系統(tǒng)組成，原理見圖2。信號源產(chǎn)生高頻振蕩電流經(jīng)過射頻放大器與帶通濾波器再送入發(fā)射天線，并由發(fā)射天線將高頻電流轉(zhuǎn)化為無線電波向指定方向輻射；由于輻射路徑中土壤等媒介阻抗不匹配產(chǎn)生電磁波反射現(xiàn)象，反射的信號由接收天線轉(zhuǎn)化為高頻電流信號并送入接收設(shè)備中，并由接收設(shè)備對信號進行降噪、下混頻、采樣等處理；最后將信號送入回波信號檢測系統(tǒng)進行決策分類。探測器樣機見圖3。

圖2 冬筍探測器系統(tǒng)原理Fig.2 Schematic diagram of winter bamboo shoot detector system

1.手托；2握柄；3.樹莓派；4.電池；5.發(fā)送與接收模塊；6.阻尼鉸鏈；7.收發(fā)天線1.Hand rest; 2.Grip; 3.Raspbian; 4.Battery; 5.Signal sending and receiving module; 6.Damping hinge; 7.Transmitting antenna and receiving antenna圖3 冬筍探測器樣機Fig.3 Winter bamboo shoot detector prototype

2.1 發(fā)射鏈路

選用由ADI公司生產(chǎn)的ADF4350鎖相環(huán)系統(tǒng)[16](Phase Locked Loop，PLL)作為發(fā)射鏈路的頻率合成單元。并采用ST公司生產(chǎn)的STM32C8T6單片機作為控制芯片對ADF4350進行控制。發(fā)送鏈路見圖4：由單片機讀取接收樹莓派串口數(shù)據(jù)寫入其片內(nèi)緩存區(qū)，并將指令寫入ADF4350的寄存器中；ADF4350鎖相環(huán)系統(tǒng)根據(jù)指令生成相應的高頻電流脈沖信號。

圖4 發(fā)射鏈路結(jié)構(gòu)圖Fig.4 Transmission link structure diagram

ADF4350是一款集成了鑒相器(PD)和壓控振蕩器(VOC)的鎖相環(huán)系統(tǒng)[17]，鎖相環(huán)合成頻率的原理見圖5。外部晶振TXCO產(chǎn)生時鐘信號經(jīng)過參考分頻器得到fR，鑒相器比較fD與fR的相位差輸出偏差信號ue(t)，環(huán)路濾波器(LF)濾除ue(t)中高頻分量和噪聲后得到uL(t)并控制壓控振蕩器輸出，輸出信號fO經(jīng)過分頻得到fD后反饋至鑒相器中，最終fD逐漸接近輸入信號fR，直至消除兩者頻差達到鎖定狀態(tài)。可通過改變2個分頻器的分頻倍數(shù)得到目標頻率。

鎖相環(huán)系統(tǒng)輸出信號的最大功率為0 dBm，為提高整體系統(tǒng)的信噪比采用20 dB的射頻功率放大器對高頻電流信號進行放大。由于壓控振蕩器輸出信號中包含許多諧波成分，因此需要在發(fā)射鏈路中加入帶通濾波器濾除雜波。高頻電流信號經(jīng)過放大和濾波后送入發(fā)射天線。

2.2 接收鏈路

RTL-SDR[18]是一款廉價且穩(wěn)定的軟件無線電接收設(shè)備，成本通常在100元以內(nèi)。其主要任務是射頻信號向基帶信號的頻譜遷移。本研究選擇的RTL-SDR主要由調(diào)諧器R820T和解調(diào)器RTL2832組成。天線接收信號首先送至R820T進行預處理，將接收的射頻信號下變頻為中頻(IF)，中頻信號在RTL2832內(nèi)完成第2次下變頻后變?yōu)榛鶐盘栐龠M行采樣，采樣后的數(shù)字信號由USB口送至回波信號檢測系統(tǒng)中做處理。

RTL-SDR原理見圖6。R820T[17]是一款基于超外差結(jié)構(gòu)的調(diào)諧器，其可接收頻段范圍為24～1 766 MHz。R820T內(nèi)置低噪聲放大器(LNA)、混頻器(mixer)、可變增益放大器VGA、帶通濾波器BPF，所有模塊由I2C與寄存器控制，R820T與RTL2832共用1條I2C總線。

fR、fD、fO分別為參考分頻器、可變分頻器、壓控振蕩器的輸出頻率；ue(t)、uL(t)分別為鑒相器、低通濾波器輸出的電壓信號；N、M分別為可變分頻器與參考分頻器的分頻倍數(shù)。fR， fD and fO are the output frequency of the reference frequency divider, variable frequency divider, and voltage controlled oscillator respectively, Hz; ue(t) and uL(t) are the voltage signals output by the phase detector and low-pass filter respectively; N and M are frequency division multiple of the variable frequency divider and reference the frequency divider respectively.圖5 鎖相環(huán)系統(tǒng)原理圖Fig.5 Schematic diagram of phase locked loop system

圖6 RTL-SDR原理圖Fig.6 RTL-SDR schematic

RTL2832是一款高性能DVB-T解碼芯片，內(nèi)嵌高速A/D轉(zhuǎn)換器，理論上最高可采樣率為3.2 MSPS，可輸出8位IQ信號。RTL2832包含8051內(nèi)核，僅用于控制I2C傳輸?shù)炔⒉粚Σ蓸有盘栕鋈魏翁幚怼DR模式下需修改寄存器關(guān)閉解調(diào)器，使信號直接傳輸?shù)接嬎銠C中。探測器工作時，將RTL-SDR持續(xù)傳輸至樹莓派的數(shù)字信號按照固定長度截取并處理作為回波檢測模型的輸入，根據(jù)是否滿足特征要求，將信號分為存在冬筍與不存在冬筍2類結(jié)果，并輸出顯示在LCD屏幕內(nèi)。

2.3 回波序列檢測模塊

本研究選用樹莓派4B(Raspberry Pi)作為冬筍探測器的控制核心，搭載Raspbian系統(tǒng)，4 G運行內(nèi)存，在系統(tǒng)內(nèi)搭建回波序列檢測模型，并使用8.9 cm(3.5英寸)LCD觸摸屏作為探測器的人機交互界面。樹莓派主要負責控制鎖相環(huán)系統(tǒng)產(chǎn)生指定頻率的信號，并對RTL-SDR相應寄存器進行控制，使其按特定的帶寬與頻率對接收天線的回波信號進行采樣，最后將RTL-SDR持續(xù)傳輸至樹莓派的數(shù)字信號按照固定長度截取，并處理作為回波檢測模型的輸入，根據(jù)是否滿足特征要求，將信號分為存在冬筍與不存在冬筍2類結(jié)果，并輸出顯示在LCD屏幕內(nèi)。構(gòu)建回波分類模型需先采集樣本構(gòu)建數(shù)據(jù)集，將樣本導入計算機中進行模型訓練，最終將訓練完成的回波序列檢測模型安裝于冬筍探測器的樹莓派中進行實時檢測。

3 探測器回波序列檢測模型

傳統(tǒng)的信號分析方法是對數(shù)據(jù)進行處理，以頻譜圖、瀑布圖等可視化方式展現(xiàn)，并經(jīng)過人工分辨目標信號特征，這種方式對操作員的專業(yè)性要求很高并不適合作為本研究設(shè)備的目標檢測方式。為了適應冬筍復雜的生長環(huán)境，本研究選擇了基于深度學習的目標特征檢測方法，將目標檢測的問題轉(zhuǎn)化為分類問題，與傳統(tǒng)特征檢測器相比該方法具有更好的魯棒性和泛化能力。

采用卷積神經(jīng)網(wǎng)絡(luò)(Convolutional neural network, CNN)用于提取數(shù)據(jù)特征以及分類，CNN對數(shù)據(jù)進行特征提取的前提條件是數(shù)據(jù)樣本滿足局部性假設(shè)與權(quán)值共享假設(shè)。采樣獲得的回波信號序列在相鄰點之間具有關(guān)聯(lián)性，且相鄰點之間的距離越遠關(guān)聯(lián)性越小，因此滿足局部性假設(shè)條件。當探測范圍內(nèi)存在冬筍，回波序列會出現(xiàn)相應的紋理特征，在某段序列中提取的特征同樣適用于其他序列，因此也滿足權(quán)值共享條件。

本研究的卷積神經(jīng)網(wǎng)絡(luò)回波序列檢測的實現(xiàn)過程見圖7：首先使用設(shè)備采集土壤的回波信號樣本與土壤中含有冬筍的回波信號樣本，將之構(gòu)建為數(shù)據(jù)集，然后選擇CNN網(wǎng)絡(luò)模型，用訓練集對模型進行訓練，用測試集來近似模型的泛化能力，最后進行預測試驗對模型進行評估。

圖7 卷積神經(jīng)網(wǎng)絡(luò)目標分類實現(xiàn)過程Fig.7 The realization process of convolutional neural network target classification

3.1 構(gòu)建數(shù)據(jù)集

探測器的回波信號反映了探測范圍內(nèi)的物體對電磁波的吸收現(xiàn)象，當土壤中存在冬筍的情況下回波信號較弱，表現(xiàn)為信號能量衰減。

傳統(tǒng)研究對于CNN的回波信號目標分析多以頻譜圖或瀑布圖作為輸入。徐雅楠等[19]將卷積神經(jīng)網(wǎng)絡(luò)應用于海上雷達的目標檢測，將1維雷達回波信號構(gòu)建為數(shù)據(jù)集，驗證了CNN對回波信號分類的可行性。考慮到回波信號轉(zhuǎn)化為圖像的過程中可能會丟失部分特征，因此本研究選擇直接將信號作為輸入。

將SDR中的模數(shù)轉(zhuǎn)換器設(shè)置為2.4 MSPS采樣率對回波信號進行采樣，使用抗混疊濾波器濾除采樣通道以外的頻段防止信號出現(xiàn)頻率混疊。SDR設(shè)備對信號進行采集時會出現(xiàn)頻譜偏移，為了能準確的采集到信號將模數(shù)轉(zhuǎn)換器的帶寬設(shè)置為600 kHz，抽取率恒定為4。每采集0.1 s時間序列的信號為1個樣本，每個樣本由12 288個復數(shù)組成，再以16個隨機組成的英文字母命名并保存為npy格式的文件。初始采集數(shù)據(jù)記為：

χ={Χ，y}={x1,x2,…,xn,label},χ∈R

式中：xi為第i個特征采樣點對應的特征數(shù)據(jù)；n表示數(shù)據(jù)的長度，n=12 288；label為探測范圍內(nèi)是否存在冬筍的標簽，采集信號時根據(jù)探測范圍內(nèi)是否有冬筍將回波信號樣本分為2類，存在冬筍標簽記錄為1(label=1)，不存在標簽記錄為0(label=0)。

樣本采集試驗設(shè)計如下：在竹林內(nèi)尋找大小約為0.5 m×0.5 m的空地，測量該范圍內(nèi)邊緣及中心的土壤含水率，計算并記錄所測含水率平均值。成熟冬筍的單株質(zhì)量約為0.3～0.6 kg，每次試驗時選擇不同的冬筍作為測試目標，并將其以模仿冬筍生長的姿態(tài)埋于土壤內(nèi)，記錄其埋藏深度，采集信號時需將探測器天線置于土壤表面，同時在0.5 m×0.5 m范圍內(nèi)不斷移動探測器天線位置模仿探尋冬筍過程。

為防止數(shù)據(jù)樣本單一對訓練結(jié)果造成過擬合問題，在采集樣本時將土壤含水率、冬筍大小、深度以及土壤表面覆蓋竹葉、土壤內(nèi)存在竹鞭、石塊和未成形小筍等干擾設(shè)為試驗的變量。每采集1 000個樣本數(shù)據(jù)作為1組，采集的各組數(shù)據(jù)見表1。

表1 回波序列檢測模型數(shù)據(jù)集分布Table 1 Echo sequence detection model data set distribution

表1(續(xù))

以上過程獲得數(shù)據(jù)集包含40 000個樣本。將采集樣本總數(shù)的75%作為訓練集用于訓練模型，剩下的25%的樣本作為測試集用來對模型進行泛化誤差估計。采集的樣本是由復數(shù)形式的數(shù)組組成不能直接進行卷積計算，因此需要對數(shù)據(jù)集進行預處理，本研究的實時信號提取轉(zhuǎn)換過程見圖8，最終獲得96×128×2的2維矩陣作為回波序列檢測模型的輸入。

圖8 實時信號轉(zhuǎn)換為模型輸入信號的實現(xiàn)過程Fig.8 The realization process of real-time signal conversion into model input signal

3.2 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

本研究選用LeNet網(wǎng)絡(luò)結(jié)構(gòu)，并借鑒了O’shea 在文獻中[20]提出的以時域IQ采樣為輸入的信號調(diào)制方式進行分類的CNN的網(wǎng)絡(luò)參數(shù)。LeNet網(wǎng)絡(luò)共7層，原用于識別手寫數(shù)字，內(nèi)部為5×5的2維卷積核，對1維序列信號進行計算時需將卷積核修改為1×n的1維向量，以防止縱軸方向上卷積運算產(chǎn)生無效特征對結(jié)果造成干擾。

回波序列檢測模型結(jié)構(gòu)見圖9。網(wǎng)絡(luò)的輸入是信號樣本經(jīng)過重建后得到的2個96×128的數(shù)字矩陣，卷積層1與卷積層2均采用ReLU作為激活函數(shù)，其數(shù)學表達式如下：

圖9 卷積神經(jīng)網(wǎng)絡(luò)回波序列檢測模型結(jié)構(gòu)圖Fig.9 Convolutional neural network echo sequence classification model structure diagram

f(x)=max(0，x)

式中：x位輸入值；f(x)為函數(shù)輸出值。只有當輸入x≥0時輸入與輸出相等，否則輸出為0。ReLU函數(shù)使一部分神經(jīng)元輸出為0值，這樣可以降低參數(shù)之間的依存關(guān)系，一定程度上可以避免過擬合問題的出現(xiàn)。卷積核尺寸與卷積核個數(shù)分別為1×3×64、2×3×16，采用padding=same填充方式，可以使得數(shù)據(jù)在卷積計算前后尺寸保持不變。池化層1與池化層2輸出尺寸分別為48×63、23×60，其作用是將特征進行壓縮。全連接層1采用ReLU作為激活函數(shù)，輸入值為23×30×16=11 040，輸出值為1 024。全連接層2輸出值為類別數(shù)2，全連接層2采用SoftMax作為損失函數(shù)[21]，損失函數(shù)表征網(wǎng)絡(luò)的預測值與實際值之間的差異程度，其輸出值與網(wǎng)絡(luò)的魯棒性成反比。SoftMax數(shù)學表達式如下：

(4)

式中：Ls為損失函數(shù)輸出值；T為分類類別數(shù)T=2；a為全連接層輸出向量；aj為輸出向量a的第j個值。模型的準確率(A)定義如下：

(5)

式中：TP為被模型預測為正的正類數(shù)，標簽為1；TN為被模型預測為負的負類數(shù)，標簽為0；FP為被模型預測為負的正類數(shù)，標簽為1；FN為被模型預測為正的負類數(shù)，標簽為0。

3.3 模型訓練

本研究數(shù)據(jù)處理環(huán)境為：IntelCoreI5-8300處理器、NvidiaGTX1050Ti顯卡、Windows10系統(tǒng)DELL PC。在Tensorflow框架下，使用Python3.6語言搭建模型，并使用Tensorboard工具對模型訓練結(jié)果進行說明。使用訓練集對模型進行訓練，損失函數(shù)的輸出值見圖10(a)，當模型迭代次數(shù)達到55 000步時損失函數(shù)(Ls)逐漸收斂并趨于穩(wěn)定，最終接近0.432，表明回波序列分類模型適用于探測器回波信號的分類。最終訓練結(jié)果準確率達到81.13%(圖10(b))。

圖10 回波序列檢測模型訓練結(jié)果Fig.10 Echo sequence classification model training results

4 試驗結(jié)果與分析

為了驗證冬筍探測器的實用性，在浙江省杭州市臨安區(qū)某地的竹林進行試驗，此竹林土壤類型主要為亞熱帶氣候和常綠闊葉林作用下發(fā)育而成的紅壤土類。

首先使用探測器分別在含水率為16.1%的土壤表面和埋有冬筍的土壤表面采集信號樣本，將獲得的數(shù)據(jù)先濾波后進行傅里葉變換，得到頻譜圖(圖11)。有冬筍時回波信號頻譜中最大幅值為0 dB(圖11(a))，對于單純土壤樣本回波信號頻譜

圖11 土壤內(nèi)有冬筍與無冬筍的探測器回波信號頻譜圖Fig.11 Spectrum of detector echo signal with and without winter shoots in soil

的最大幅值為8.6 dB(圖11(b))，兩者幅值差異明顯由此可以得出電磁波反射法具備探測冬筍的能力。

冬筍探測器工作場景見圖12，探測器搭配8 400 mAh 電池可持續(xù)工作約2.5 h，手托配合彎曲的握柄可減輕負重感，使用者可在野外實現(xiàn)單手操作。

圖12 冬筍探測工作場景Fig.12 Winter bamboo shoot detection work scene

回波序列檢測模型工作時占用樹莓派CPU與RAM資源情況見圖13，第50 s時模型開始工作對上傳的回波信號進行檢測，約5 s后逐漸穩(wěn)定，運行時約占用50%CPU與5%RAM，表明樹莓派可帶動回波序列檢測模型穩(wěn)定運行。

圖13 系統(tǒng)運行時中央處理器(CPU)及內(nèi)存(RAM)占用率Fig.13 Central processing unit (CPU) and memory (RAM) usage when the system is running

考慮到竹林生態(tài)結(jié)構(gòu)復雜，當土壤含水率等環(huán)境因素發(fā)生變化時僅對回波頻譜設(shè)置閾值容易造成誤判，為了驗證訓練后的回波序列檢測模型是否對冬筍探測器的回波信號有良好的分類效果以及應用價值，選擇頻譜閾值法和傳統(tǒng)分類器支持向量機(SVM)2種分類方法作為對比，使用漏警率與虛警率2個指標對上述方法進行評估。漏警率M[22]與虛警率F[23]定義如下:

式中： FN為被模型預測為正的負類數(shù)，標簽為0；TP為被模型預測為正的正類數(shù)，標簽為1；FP為被模型預測為負的正類數(shù)，標簽為1；TN為被模型預測為負的負類數(shù)，標簽為0；

根據(jù)經(jīng)驗，成熟的冬筍大多位于土壤表面至20 cm 深度范圍內(nèi)。使用3.1中描述方法在竹林實地采集，每組采集1 000個樣本共采集14組數(shù)據(jù)，分別編號為A，B，…，N，各組數(shù)據(jù)分布見表2。可見，A～G組標簽為1，均為埋有冬筍樣本，H～N組標簽為0，均為無冬筍的土壤樣本，分別使用回波序列檢測模型、閾值法、支持向量機對各組數(shù)據(jù)進行分類，準確率分別為79.08%、73.76%、66.88%。

表2 回波信號預測集數(shù)據(jù)分布Table 2 Data distribution of echo signal prediction set

使用回波序列檢測模型、閾值法、支持向量機對A～G組樣本分類的平均漏警率分別為21.47%、25.45%、31.38%(圖14)，回波序列檢測模型的漏警率最低且分類結(jié)果在不同條件下表現(xiàn)穩(wěn)定，表明在探測過程中漏掉冬筍的概率最低。閾值法漏警率最高且易受土壤含水率、冬筍埋入深度及土壤表面覆蓋竹葉等外部因素影響。各組數(shù)據(jù)結(jié)果表明檢測模型的漏警率與土壤含水率與冬筍生長深度呈正相關(guān)，當土壤表面覆蓋竹葉時，對漏警率影響不大。

圖14 3種分類方法的漏警率對比Fig.14 Comparison of missing alarm of three classification methods

使用回波序列檢測模型、閾值法、支持向量機對H～N組樣本分類的平均虛警率分別為20.37%、27.03%、34.86%(圖15)。回波序列檢測模型在不同干擾場景下虛警率波動較小；支持向量機的虛警率略微高于回波序列檢測模型；閾值法的虛警率最高，當遇到不同干擾時虛警率的波動較大。各組數(shù)據(jù)表明檢測模型的虛警率與土壤含水率呈正相關(guān)，當土壤內(nèi)存在未成形的小筍、樹根、表面覆蓋竹葉等干擾時易引起虛警，土壤內(nèi)的石塊對探測結(jié)果影響較小。綜上，回波序列分類檢測模型對冬筍探測器回波序列分類具有較高的準確率，在不同環(huán)境中的漏警率與虛警率均低于SVM與閾值法，符合冬筍探測器的分類要求。

圖15 3種分類方法的虛警率對比Fig.15 Comparison of false alarm of three classification methods

5 結(jié)束語

針對冬筍采收只能依靠傳統(tǒng)的人工經(jīng)驗法的問題，本研究設(shè)計了一款冬筍探測器，該探測器硬件上選用2塊貼片天線向土壤發(fā)射并接收電磁波信號；構(gòu)建基于卷積神經(jīng)網(wǎng)絡(luò)的回波序列檢測模型，用于冬筍探測器接收的回波信號分類。回波序列檢測模型通過冬筍探測器回波信號判斷土壤內(nèi)有無冬筍的準確率為79.08%，漏警率、虛警率指標均優(yōu)于頻譜閾值法與支持向量機，同時可以適應多種復雜的環(huán)境。