基于深度學(xué)習(xí)的平菇菌蓋生長(zhǎng)數(shù)據(jù)測(cè)量研究

白冰 盧闖 侯曉磊 馬世宇 楊鎮(zhèn)

摘要：蘑菇產(chǎn)業(yè)對(duì)精準(zhǔn)農(nóng)業(yè)需求高，監(jiān)測(cè)蘑菇生長(zhǎng)數(shù)據(jù)可實(shí)現(xiàn)宏觀調(diào)控蘑菇。利用點(diǎn)云相機(jī)獲取蘑菇子實(shí)體點(diǎn)云圖像，應(yīng)用深度學(xué)習(xí)的卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行點(diǎn)云分割并計(jì)算蘑菇菌蓋生長(zhǎng)數(shù)據(jù)，與采樣時(shí)人工測(cè)量的生長(zhǎng)數(shù)據(jù)作對(duì)比，驗(yàn)證并提出一種實(shí)時(shí)測(cè)量蘑菇菌蓋尺寸的方法，可計(jì)算獲得蘑菇最優(yōu)生長(zhǎng)曲線并為溫室環(huán)境調(diào)控提供基礎(chǔ)數(shù)據(jù)。

關(guān)鍵詞：蘑菇;生長(zhǎng)數(shù)據(jù);點(diǎn)云;深度學(xué)習(xí);平菇

中圖分類號(hào)：S646.1+1? ? 文獻(xiàn)標(biāo)識(shí)碼：A? ? 文章編號(hào)：1674-1161（2022）03-0010-03

近年來(lái)，全球性氣候變化異常，導(dǎo)致農(nóng)作物質(zhì)量和產(chǎn)量下降。為了減少氣候變化對(duì)蘑菇產(chǎn)量帶來(lái)的影響，智能溫室正在得到越來(lái)越多地應(yīng)用，其發(fā)展得益于物聯(lián)網(wǎng)技術(shù)的成熟。在設(shè)施蘑菇產(chǎn)業(yè)發(fā)展過(guò)程中，如果掌握了蘑菇的最優(yōu)生長(zhǎng)條件，便可實(shí)現(xiàn)對(duì)其生長(zhǎng)環(huán)境的自動(dòng)控制。在此背景下，準(zhǔn)確獲得蘑菇的實(shí)時(shí)生長(zhǎng)數(shù)據(jù)尤為重要。平菇是一種營(yíng)養(yǎng)價(jià)值高、經(jīng)濟(jì)效益好的農(nóng)產(chǎn)品，對(duì)其菌蓋生長(zhǎng)數(shù)據(jù)進(jìn)行實(shí)時(shí)監(jiān)測(cè)，可計(jì)算獲得蘑菇最優(yōu)生長(zhǎng)曲線并為溫室環(huán)境調(diào)控提供基礎(chǔ)數(shù)據(jù)。

1 設(shè)備與方法

1.1 試驗(yàn)設(shè)備

使用點(diǎn)云相機(jī)采集生長(zhǎng)數(shù)據(jù)，型號(hào)為RVC-X2 E10 3D;計(jì)算機(jī)CPU型號(hào)為AMD-3950X，雙路RTX 2080 Super，其雙目模式下主要參數(shù)見(jiàn)表1。

1.2 試驗(yàn)方法

試驗(yàn)前廣泛采樣，隨機(jī)選取50 個(gè)不同生長(zhǎng)時(shí)期的平菇進(jìn)行相機(jī)測(cè)量及人工測(cè)量，標(biāo)注對(duì)比計(jì)算。首先使用點(diǎn)云相機(jī)采集平菇點(diǎn)云信息，如圖1所示，然后運(yùn)用PointCNN算法對(duì)點(diǎn)云圖像進(jìn)行分割。點(diǎn)云是一種無(wú)序的三維模型，而PointCNN屬于一種基于人工智能的深度學(xué)習(xí)算法，其基本思想是學(xué)習(xí)點(diǎn)云局部區(qū)域的空間特征并通過(guò)全連接層對(duì)其進(jìn)行整理。在輸入的點(diǎn)云中選取一系列候選點(diǎn)，通過(guò)多層感知機(jī)學(xué)習(xí)候選點(diǎn)的χ卷積變換矩陣，并使用該變換矩陣獲取與輸入順序無(wú)關(guān)的局部特征，進(jìn)而實(shí)現(xiàn)數(shù)據(jù)的規(guī)則化。提取點(diǎn)云中的深層特征，利用跳接結(jié)構(gòu)連接淺層特征，在深層特征和淺層特征之間進(jìn)行平衡，迭代選取不一樣的權(quán)重，實(shí)現(xiàn)模型的訓(xùn)練。

2 結(jié)果與分析

2.1 試驗(yàn)數(shù)據(jù)準(zhǔn)備

使用點(diǎn)云相機(jī)隨機(jī)拍攝不同平菇不同生長(zhǎng)時(shí)期的圖像600張，以一個(gè)平菇2 min采樣200張/次為基礎(chǔ)數(shù)據(jù)，將試驗(yàn)數(shù)據(jù)分為訓(xùn)練集、驗(yàn)證集、測(cè)試集三部分，其中訓(xùn)練集360張、驗(yàn)證集40張、測(cè)試集200張。通過(guò)人工標(biāo)注，劃分出訓(xùn)練集及驗(yàn)證集中點(diǎn)云圖像屬于平菇及不屬于平菇的空間點(diǎn)。

2.2 試驗(yàn)過(guò)程與結(jié)果

將準(zhǔn)備樣本中的訓(xùn)練集及驗(yàn)證集輸入算法中進(jìn)行訓(xùn)練。由于點(diǎn)云數(shù)據(jù)量較大，訓(xùn)練時(shí)需簡(jiǎn)化點(diǎn)云。采用最遠(yuǎn)點(diǎn)采樣法對(duì)點(diǎn)云進(jìn)行優(yōu)化，采樣個(gè)數(shù)為2 048 個(gè)，并盡可能覆蓋空間中的所有點(diǎn)，其中，batch size為8，初始學(xué)習(xí)率為0.005，學(xué)習(xí)率衰減系數(shù)為0.9，每20 000步學(xué)習(xí)率進(jìn)行一次衰減，最小學(xué)習(xí)率為

0.000 01。訓(xùn)練中采用Adam優(yōu)化器，得到最終訓(xùn)練損失迭代結(jié)果（如圖2所示），其中，train loss為訓(xùn)練集損失，val loss為驗(yàn)證集損失，smooth為平滑處理。

由圖2可得最終訓(xùn)練結(jié)果為：訓(xùn)練集損失0.009 7，驗(yàn)證集損失0.018 2，準(zhǔn)確率為97.8%。損失及準(zhǔn)確率表明訓(xùn)練完成且已擬合到最優(yōu)，故而結(jié)束訓(xùn)練階段，進(jìn)行下一步測(cè)試。

2.3 試驗(yàn)驗(yàn)證

使用訓(xùn)練后的算法對(duì)測(cè)試集中的200 張圖片進(jìn)行驗(yàn)證，其中，采樣速度為1.42 ms/張，運(yùn)算速度為0.3 s/張。采樣時(shí)間與計(jì)算時(shí)間較低，可以保證實(shí)時(shí)監(jiān)測(cè)平菇生長(zhǎng)的需求。經(jīng)試驗(yàn)算法可以很好地識(shí)別不同生長(zhǎng)時(shí)期的平菇以及重疊度比較高的平菇，且平菇表面的采樣保留信息比較完全，測(cè)試效果如圖3所示。

通過(guò)計(jì)算點(diǎn)云質(zhì)心，追蹤不同時(shí)期圖像，得到一個(gè)平菇的菌蓋分離圖，見(jiàn)圖4。根據(jù)200張測(cè)試集圖片，可計(jì)算出蘑菇生長(zhǎng)曲線，如圖5所示。

經(jīng)過(guò)與采樣時(shí)人工測(cè)量數(shù)據(jù)對(duì)比，試驗(yàn)結(jié)果與測(cè)量結(jié)果吻合度超過(guò)99%且符合正常生產(chǎn)情況，這說(shuō)明此法在平菇生長(zhǎng)數(shù)據(jù)測(cè)量中擁有良好的實(shí)時(shí)性、魯棒性和準(zhǔn)確性。

3 結(jié)論與討論

提出一種基于人工智能深度學(xué)習(xí)的實(shí)時(shí)監(jiān)測(cè)平菇生長(zhǎng)數(shù)據(jù)方法，可自動(dòng)分割出點(diǎn)云數(shù)據(jù)中交疊的菌蓋并計(jì)算菌蓋的生長(zhǎng)數(shù)據(jù)。試驗(yàn)結(jié)果表明，此法在平菇生長(zhǎng)數(shù)據(jù)測(cè)量中擁有良好的實(shí)時(shí)性、魯棒性和準(zhǔn)確性。

利用平菇菌蓋生長(zhǎng)數(shù)據(jù)，結(jié)合溫度、濕度、空氣含量、光照強(qiáng)度等生長(zhǎng)環(huán)境數(shù)據(jù)，可進(jìn)一步回歸擬合出平菇最優(yōu)生長(zhǎng)參數(shù)曲線。利用這一生長(zhǎng)曲線可進(jìn)行蘑菇生長(zhǎng)因素試驗(yàn)及環(huán)境調(diào)控，進(jìn)而提高作物產(chǎn)量及收益，實(shí)現(xiàn)最優(yōu)控制。菌蓋生長(zhǎng)數(shù)據(jù)可為蘑菇科學(xué)種植提供科學(xué)依據(jù)，填補(bǔ)智能溫室蘑菇栽培的數(shù)據(jù)空白，并作為精準(zhǔn)農(nóng)業(yè)生產(chǎn)管理的重要指標(biāo)，為蘑菇產(chǎn)業(yè)高質(zhì)量發(fā)展打下堅(jiān)實(shí)基礎(chǔ)。

參考文獻(xiàn)

[1] 管繼剛.物聯(lián)網(wǎng)技術(shù)在智能農(nóng)業(yè)中的應(yīng)用[J].通信管理與技術(shù)，2010，3（254）：27.

[2] ZHOU J， ZUO Y. Application of computer control system in the greenhouse environmental management[C]//2009 International Conference on Future BioMedical Information Engineering （FBIE）. IEEE， 2009：204-205.

[3] 姜鳳利，王譽(yù)諾，李金翰，等.基于機(jī)器視覺(jué)的雙孢蘑菇品質(zhì)在線分級(jí)系統(tǒng)[J].沈陽(yáng)農(nóng)業(yè)大學(xué)學(xué)報(bào)，2021，52（5）：633-640.

[4] LI Y， BU R， SUN M， et al. Pointcnn： Convolution on x-transformed points[J]. Advances in neural information processing systems， 2018， 31.

[5] 任玲，夏俊，翟旭軍，等.基于農(nóng)業(yè)物聯(lián)網(wǎng)技術(shù)的智能溫室系統(tǒng)實(shí)現(xiàn)[J].南方農(nóng)機(jī)，2022，53（3）：5-10.

Study on Measurement of Oyster Mushroom Cap Growth

Data Based on Deep Learning

BAI Bing1， LU Chuang1*， HOU Xiaolei1， MA Shiyu2， YANG Zhen2

（ Liaoning Academy of Agricultural Sciences， Shenyang 110161， China; Huludao Nonghan Daxuanyu Edible Fungus Wild Domestication and Breeding Co.， Ltd/Key Laboratory of Edible Fungus Straw Cultivation and Resource Utilization in Liaoning Province， Huludao Liaoning 125100， China）

Abstract： Mushroom industry has a high demand for precision agriculture， and monitoring mushroom growth data can achieve macro control of mushrooms. Point cloud image of mushroom fruiting body was obtained by point cloud camera， and point cloud segmentation was performed by deep learning convolutional neural network and mushroom cap growth data were calculated. Compared with the growth data measured manually during sampling， a real time measurement method of mushroom cap size was verified and put forward， which can calculate the optimal growth curve of mushroom and provide basic data for greenhouse environmental regulation.

Key words： muchroom; growth data; point cloud; deep learning; oyster mushroom