Darknet深度學(xué)習(xí)框架下基于YOLO v3的病蟲害識別和農(nóng)藥噴灑系統(tǒng)

朱格 徐燕 孫瑩瑩 張磊

(華北水利水電大學(xué)，河南 鄭州 450046)

引言

進入新時代，隨著當(dāng)今國際變局加速演進，各種不確定難預(yù)料因素明顯增多，習(xí)近平總書記指出，農(nóng)業(yè)關(guān)系到生命安全、生存安全，是極端重要的國家安全。習(xí)近平總書記2023年3月十四屆全國人大一次會議指出，“農(nóng)業(yè)強國是社會主義現(xiàn)代化強國的根基，推進農(nóng)業(yè)現(xiàn)代化是實現(xiàn)高質(zhì)量發(fā)展的必然要求”。農(nóng)作物病蟲害防治是農(nóng)業(yè)生產(chǎn)中十分重要的工作。近年來，我國建立了較為完善的病蟲害監(jiān)測網(wǎng)絡(luò)體系，病蟲害監(jiān)測和防治能力大幅提高，我國多年來對主要作物病蟲害進行了有效防治，農(nóng)作物病蟲害損失呈下降趨勢[1]。但受耕作制度和全球氣候變化影響，全國主要農(nóng)作物病蟲害持續(xù)發(fā)生。如果監(jiān)測和控制得不到加強或發(fā)生削弱，就可能發(fā)生局部災(zāi)害。隨著城市化進程的加快，全國植保體系整體面臨萎縮、后繼無人的局面，需要利用最新技術(shù)開發(fā)智能化植保信息服務(wù)方式，幫助農(nóng)民提高作物保護決策的能力。在國家大數(shù)據(jù)戰(zhàn)略決策實施的指導(dǎo)下[2-4]，大數(shù)據(jù)和深度學(xué)習(xí)技術(shù)的快速發(fā)展為智能植保信息服務(wù)平臺和服務(wù)終端的發(fā)展創(chuàng)造了條件[5-8]。為此，本文利用大數(shù)據(jù)、人工智能和深度學(xué)習(xí)技術(shù)開發(fā)了基于機器學(xué)習(xí)的病害蟲檢測和智能噴灑系統(tǒng)。該系統(tǒng)可安裝在智能手機上，只需用手機拍照，即可實現(xiàn)農(nóng)作物重點病蟲害的識別、分析、決策和建議。精準治理將為病蟲害監(jiān)測與防治提供更加全面的支持，推進技術(shù)進步，為提高我國農(nóng)作物病蟲害監(jiān)測與防治水平創(chuàng)造條件[9，10]。

1 系統(tǒng)方案設(shè)計

目前，農(nóng)田管理工作者對于農(nóng)作物的管護，主要包括巡視整個農(nóng)田，確保能夠及時并且無遺漏地發(fā)現(xiàn)病蟲害，識別該病蟲害的種類，并提供精準對癥的藥物治療。該系統(tǒng)致力于解決農(nóng)田病蟲害治理的應(yīng)用需求，以更加科學(xué)的方式防治病蟲害，降低防治病蟲害的學(xué)習(xí)成本，遠程控制農(nóng)藥噴灑，極大地解放勞動力。本系統(tǒng)包含的模塊信息見表1。

表1 系統(tǒng)模塊信息

2 硬件設(shè)計

2.1 硬件部分

硬件部分由樹莓派和噴藥系統(tǒng)組成，樹莓派主要負責(zé)信息傳遞及處理，噴藥系統(tǒng)主要負責(zé)農(nóng)藥噴灑。具體流程：用戶在手機上操作軟件，點擊開始檢測按鈕后，樹莓派收到來自服務(wù)器的請求；樹莓派通過攝像模塊拍攝圖片并發(fā)送給服務(wù)器；用戶點擊開始噴藥按鈕時，樹莓派同樣會收到來自服務(wù)器的請求，此時樹莓派會選擇對應(yīng)的水泵，通過控制繼電器的高低電平開關(guān)，來控制水泵工作，水泵會從藥桶中抽取藥物并從霧化噴頭噴出。設(shè)備硬件構(gòu)造見圖1。

圖1 硬件構(gòu)造圖

2.2 硬件接口

2.2.1 通用輸入/輸出接口GPIO

通過GPIO接口來控制繼電器的高低電平，從而控制每個水泵的抽水功能。

2.2.2 I2C(Inter-Integrated Circuit)

在系統(tǒng)中，使用I2C來控制PCF8591模塊，通過PCF8591模塊從水位傳感器獲取水位信息并傳送給樹莓派。

2.2.3 電源和接地

樹莓派中共提供2個5V引腳、2個3V引腳以及8個接地引腳，用來給繼電器、PCF8591模塊以及水位傳感器供電。

2.3 數(shù)據(jù)傳送協(xié)議

樹莓派和服務(wù)器之間使用基于TCP的WebSocket進行連接，當(dāng)用戶點擊某個操作時，服務(wù)器會主動向樹莓派發(fā)送請求，樹莓派接收到請求后，會做出相應(yīng)的操作。拍攝照片、實時噴藥都通過TCP來完成，拍攝交互和噴藥交互見圖2、圖3。

圖2 拍攝交互示意圖

圖3 噴藥交互示意圖

3 軟件設(shè)計

3.1 軟件設(shè)計思路

系統(tǒng)為用戶提供了網(wǎng)頁版登錄/注冊/使用界面，注冊后登錄，綁定設(shè)備，即可檢測農(nóng)田的病蟲害狀況，使用系統(tǒng)進行病蟲害清除。用戶登錄成功后，選擇進行操作的設(shè)備開始檢測，設(shè)備檢測成功后自動停止，為用戶展示檢測的結(jié)果并提出建議，顯示可能存在病蟲害的種類、概率，距上一次噴藥的天數(shù)，以及對于噴灑農(nóng)藥的建議。軟件還包含了用戶的注冊，用戶查看歷史檢測信息等功能，流程圖見圖4。

圖4 設(shè)計流程圖

3.2 軟件設(shè)計過程

軟件部分使用B/S結(jié)構(gòu)，前端通過H5實現(xiàn)，后端通過ASP.NET MVC實現(xiàn)。用戶可以在瀏覽器上訪問網(wǎng)站來進行一系列操作。用戶界面設(shè)計見圖5。

圖5 系統(tǒng)設(shè)計頁面

3.3 系統(tǒng)使用設(shè)計

用戶可使用手機進入網(wǎng)站，注冊成功后就可以使用。登錄賬號后，可以添加設(shè)備、查看所有擁有的設(shè)備信息、每個設(shè)備的詳細內(nèi)容、并開始新的檢測活動，具體的頁面設(shè)計和使用操作如下所示，見圖6。

圖6 系統(tǒng)使用說明

3.3.1 登錄與注冊

用戶打開鏈接進入登錄界面。登錄界面提供了登錄注冊功能，用戶名為手機號。登錄失敗會輸出提示，登錄成功則進入主界面。注冊頁面用戶需要輸入用戶名，2次輸入密碼。若用戶再次購買本產(chǎn)品，可在主界面設(shè)置功能中添加設(shè)備信息。

3.3.2 主界面

主界面如圖6b所示，頁面顯示了登錄用戶的所有設(shè)備編號及其防治的農(nóng)作物名稱，用戶選擇需要進行操作設(shè)備，進入開始檢測(設(shè)備信息)頁面，可以修改設(shè)備信息，或者進行檢測操作。

3.3.3 添加設(shè)備

用戶若在主頁面選擇添加設(shè)備，則彈出此頁面。輸入設(shè)備的序列號，希望每個水泵治療的病蟲害名稱，以及每個水泵對應(yīng)存儲器保存的農(nóng)藥。

3.3.4 開始檢測

用戶選擇要進行操作的設(shè)備后，點擊開始檢測按鈕，設(shè)備開始運作并將結(jié)果在檢測結(jié)果頁面顯示，點擊修改信息可以對信息進行修改。

3.3.5 檢測結(jié)果

界面上是拍攝的農(nóng)田病蟲害照片，其下有4個圓形標識，分別表示：可能存在病害蟲的種類，顯示被監(jiān)測到的病蟲害最有可能是什么種類；可能存在病蟲害的概率，點擊后顯示圖標表示含義和實際概率；距上一次噴灑農(nóng)藥的天數(shù)，點擊后顯示圖標表示含義和實際天數(shù)；是否建議噴灑，點開顯示建議。

4個圈外顯示顏色表示嚴重程度，綠色代表健康，紅色代表很有可能遭受病蟲害。

4 Darknet深度學(xué)習(xí)框架的YOLO v3

(1)

簡單求和還需考慮每個損失的貢獻。YOLO設(shè)置coordErr權(quán)重λcoord=5。在計算IOU誤差時，IOU誤差對網(wǎng)絡(luò)損失的貢獻對于有物體的網(wǎng)絡(luò)和沒有物體的網(wǎng)絡(luò)是不同的。如使用相同的權(quán)重，沒有物體的網(wǎng)格的置信度值幾乎為0，在計算網(wǎng)絡(luò)參數(shù)的梯度時掩蓋了有物體的網(wǎng)格的置信度誤差的影響。為了解決這個問題，YOLO將iouErr修改為λnoobj=0.5。這里的“包含”是指存在一個中心坐標在網(wǎng)格上的對象。給定相同的錯誤值，大對象的錯誤對檢測的影響應(yīng)該小于小對象的錯誤。這是因為具有相同位置誤差的物體具有相同小誤差的比例要小得多。YOLO通過對物體大小信息(w和h)取平方根來解決這個問題，但是并不能完美解決這個問題。

YOLO v3的結(jié)構(gòu)見圖7。

圖7 YOLOv3結(jié)構(gòu)圖

DBL：Darknetconv2d_BN_Leaky是代碼中yolo_v3的基礎(chǔ)組件。這就是卷積+BN+Leaky Relu。

Resn：n是一個包含res1，res2，…，res8等的數(shù)字，表示這個res_block中res_units的個數(shù)。

Concat：張量拼接。darknet中間層和后面特定層的上采樣展開拼接。拼接操作與余數(shù)層加法操作的不同之處在于，加法不會改變張量的維數(shù)，而拼接會增加張量的維數(shù)。

5 數(shù)據(jù)庫設(shè)計

將所得到的應(yīng)用需求抽象為信息世界的結(jié)構(gòu)(E-R模型)，用E-R圖來描述。系統(tǒng)關(guān)系到的實體主要有用戶、設(shè)備、水泵、病蟲害、農(nóng)作物，系統(tǒng)數(shù)據(jù)庫ER圖如圖8所示。

圖8 系統(tǒng)數(shù)據(jù)庫ER圖

將E-R圖向關(guān)系模式轉(zhuǎn)化，也就是將實體、實體的屬性聯(lián)系轉(zhuǎn)化為關(guān)系模式，如表2所示。

表2 系統(tǒng)數(shù)據(jù)庫匯總表及功能說明

6 系統(tǒng)應(yīng)用

實地收集各種農(nóng)作物病蟲害的照片作為訓(xùn)練集，使用Darknet進行訓(xùn)練，反復(fù)對數(shù)據(jù)進行迭代。隨著數(shù)據(jù)的迭代，損失函數(shù)會越來越小，損失函數(shù)越小代表預(yù)測值與真實值的差異越小。如果訓(xùn)練次數(shù)過少，損失函數(shù)沒有達到最小的狀態(tài)，就會出現(xiàn)欠擬合的現(xiàn)象；反之，如果訓(xùn)練次數(shù)過多，損失函數(shù)的值會上升，出現(xiàn)過擬合的現(xiàn)象。欠擬合和過擬合都會導(dǎo)致測試結(jié)果出現(xiàn)偏差。因為訓(xùn)練時并不知道第幾次迭代，所以在每迭代一定次數(shù)時就要把訓(xùn)練的模型保存下來，訓(xùn)練完成后對各個模型進行測試，尋找到一個擁有最佳測試結(jié)果的模型作為要使用的檢測模型。

表3展示了不同迭代次數(shù)導(dǎo)致的過擬合和欠擬合現(xiàn)象對識別精度的影響。對4個迭代次數(shù)不同的模型進行測試，在迭代19600次和迭代15000次時的模型都會過擬合，出現(xiàn)識別概率太高或太低的現(xiàn)象；而迭代次數(shù)為7000次的模型因為迭代次數(shù)太少導(dǎo)致欠擬合，會出現(xiàn)識別概率太低的現(xiàn)象；迭代10000次的模型在之中擬合程度最好，且所有圖片均正常識別，平均精度達到了94%，最大精度達到了99%。

表3 不同迭代次數(shù)的模型識別精度

7 結(jié)論

本文設(shè)計了一個智能檢測農(nóng)田病蟲害情況及噴藥系統(tǒng)。利用Darknet深度學(xué)習(xí)框架下的YOLO v3技術(shù)，通過攝像模塊拍攝農(nóng)田照片，對采集圖片中的病蟲害進行識別并分類；將病蟲害種類、存在概率等信息展示給用戶，并以此提出合理的建議；用戶登錄管理系統(tǒng)，可對所擁有的設(shè)備進行操作，實時檢測農(nóng)作物健康狀況，一鍵噴灑藥物。該系統(tǒng)有助于提高農(nóng)業(yè)生產(chǎn)精準化、智能化水平，推進農(nóng)業(yè)資源利用方式轉(zhuǎn)變，也為加快建設(shè)農(nóng)業(yè)強國，推進農(nóng)業(yè)農(nóng)村現(xiàn)代化提供有力支撐。