張瑞森，萬興鴻，陳子穎，高 昕，唐亞南

（成都工業(yè)學(xué)院自動化與電氣工程學(xué)院，四川 成都 611730）

0 引言

農(nóng)業(yè)農(nóng)村部種植業(yè)司的調(diào)查統(tǒng)計顯示，我國蔬菜和糧食作物的產(chǎn)量平穩(wěn)增長，但每年雜草都會造成糧食和蔬菜的減產(chǎn)，雜草是影響農(nóng)作物產(chǎn)量和食品安全的主要因素之一[1]。但目前田地里清除雜草常用的方式是人工、畜力、農(nóng)藥，這些方式存在效率低、污染大、耗時耗力、使用有局限等問題[2]。所以，利用機器視覺發(fā)展的先進成果，結(jié)合人工智能機器人的發(fā)展趨勢，精準有效地對農(nóng)田里的雜草進行識別與防治，從而提高農(nóng)業(yè)的智能裝備水平，是農(nóng)業(yè)未來發(fā)展的一條重要改革路徑。

為了使除草的效率更高，首先需要提高雜草的識別度。近年來，深度學(xué)習(xí)作為圖像識別和目標檢測的先進技術(shù)手段被廣泛使用，它具有學(xué)習(xí)能力強、覆蓋范圍廣、適應(yīng)力好等優(yōu)點，但是直接用于雜草識別存在著訓(xùn)練樣本缺乏的問題[3]。由于雜草的種類繁多，需要使機器人對雜草的識別率更高，減少機器人在除草過程中對農(nóng)作物的傷害，所以本課題采用循環(huán)一致性生成對抗網(wǎng)絡(luò)（cycle-generative adversarial networks，Cycle-GAN）的方法對較容易取得的植株樣本進行樣本擴增，再結(jié)合快速區(qū)域卷積神經(jīng)網(wǎng)絡(luò)（Faster R-CNN）算法訓(xùn)練初始化模型，在提升農(nóng)作物識別的過程中實現(xiàn)了雜草的反向識別。由于新的混合算法同時提升了識別速度和識別率，所以可用于實時檢測，在農(nóng)田除草、園林雜草清理等方面具有應(yīng)用價值。

1 機器人整體結(jié)構(gòu)

除草機器人是基于麥弗遜式懸架結(jié)構(gòu)搭建的四輪移動平臺，該結(jié)構(gòu)可以使機器人在凹凸不平的地形里較平穩(wěn)地行進以保護平臺上搭載的精密器件。平臺上搭載有視覺模組、主控模塊、機械臂等設(shè)備。視覺模組位于機器人的上方，它能俯視地面，對農(nóng)田的環(huán)境進行實時圖像采集傳送到主控模塊。主控模塊采用ARDUINO UNO R3芯片對接收到的實時視頻進行分析處理，在識別到雜草后將除草信號傳至機械臂，機械臂進行除草作業(yè)，在雜草被切除后機械臂又將信息反饋給主控模塊，此時，主控模塊進入下一輪的雜草檢測，機械臂便進入除草等待狀態(tài)。

機器人移動平臺的運動控制過程是通過主控模塊發(fā)送行進或停止信號給輔助控制模塊STM32芯片來實現(xiàn)的。在檢測到雜草時主控模塊會向輔助模塊發(fā)出停止信號，機器人原地等待；在主控模塊接收到機械臂的反饋后又會發(fā)出行進信號，輔助模塊控制機器人繼續(xù)行進。整個過程中機器人的多個控制模塊協(xié)同工作，大大提高了工作效率，可適用于多種場景的工作。該除草機器人的系統(tǒng)結(jié)構(gòu)如圖1所示，3D結(jié)構(gòu)設(shè)計圖如圖2所示[4]。

圖1 除草機器人的系統(tǒng)結(jié)構(gòu)圖

圖2 除草機器人3D結(jié)構(gòu)設(shè)計圖

2 雜草識別算法實現(xiàn)

2.1 Cycle-GAN網(wǎng)絡(luò)

生成式對抗網(wǎng)絡(luò)（GAN）是一種無監(jiān)督學(xué)習(xí)的深度學(xué)習(xí)模型[5]，由生成器和判別器兩個模型組成[6]。生成器主要通過風(fēng)格遷移、物體變形等方式生成更多的圖像數(shù)據(jù)，然后由判別器去判斷圖像是否為真實存在的，最后通過反復(fù)的固定判別器訓(xùn)練生成器、固定生成器訓(xùn)練判別器的方式對網(wǎng)絡(luò)進行訓(xùn)練，直至判別器不能區(qū)分圖片的真實性時完成訓(xùn)練。Cycle-GAN網(wǎng)絡(luò)則是包含了兩個相互對稱的GAN網(wǎng)絡(luò)，并通過共用兩個生成器和兩個判別器來實現(xiàn)圖像之間的端到端的相互映射[7]。在文獻[8]中使用了一個對抗損失函數(shù)學(xué)習(xí)映射G：X→Y，使判別器不能將圖片G(X)和圖片Y準確地區(qū)分開來，又為映射G添加一個相反映射F：Y→X，使之成對，同時還加入了一個循環(huán)一致性損失函數(shù)，以確保F(G(X))≈X。其對抗損失函數(shù)為：

式（1）、式（2）中，DX、DY分別為X和Y的判別器，Pdata為真實圖像的分布，~為服從關(guān)系，（·）為期望。

循環(huán)一致性損失函數(shù)為：

式（3）中，‖·‖表示l1范數(shù)。

2.2 改進的Faster R-CNN網(wǎng)絡(luò)

本課題將Cycle-GAN的圖像生成能力與Faster RCNN訓(xùn)練網(wǎng)絡(luò)結(jié)合，訓(xùn)練流程大致可分為樣本擴增、特征圖提取、區(qū)域生成網(wǎng)絡(luò)、ROI池化層、邊界分類與邊界框回歸五部分[9]，其流程圖如圖3所示。

圖3 改進的Faster R-CNN流程圖

1）將采集到的圖像輸入到Cycle-GAN中，通過把圖像風(fēng)格轉(zhuǎn)換的方式進行擴增，綜合兩者所得的樣本作為數(shù)據(jù)集進行圖像分類，然后將每張完整的圖片輸入到卷積層中進行特征提取，獲取特征圖。由于卷積殘差網(wǎng)絡(luò)ResNet 101只學(xué)習(xí)輸入和輸出有差別的部分，可以保護信息的完整性[10]，在一定程度上可以解決很深的網(wǎng)絡(luò)無法訓(xùn)練、梯度爆炸等問題。所以在文中采用ResNet 101作為特征圖像提取的網(wǎng)絡(luò)。

2）將經(jīng)過卷積層提取到的特征圖片發(fā)送到RPN網(wǎng)絡(luò)中生成候選區(qū)域。通過非極大值抑制網(wǎng)絡(luò)提取置信度高的檢測框，采用二分類函數(shù)對目標和背景進行裁定，獲取區(qū)域候選框的精確位置。

3）通過池化層將輸入的特征圖像轉(zhuǎn)換成固定尺寸的輸出。

4）將固定大小的特征圖進行全連接操作，訓(xùn)練其分類概率和邊框回歸，最后輸出候選區(qū)域所屬的類和在圖像中的精確位置。

3 實驗結(jié)果

3.1 數(shù)據(jù)集準備

由于實際環(huán)境中種植的植株種類遠少于生長在該環(huán)境下的雜草種類，所以本課題通過識別農(nóng)田中種植的農(nóng)作物的方式來反向識別雜草。在當(dāng)?shù)匦Q豆種植地調(diào)查得知，蠶豆的種植間距為40 cm左右，有足夠的空間供除草機器人正常工作，所以文中以蠶豆為例進行試驗。采集圖像樣本為蠶豆開花前、花期時在不同光線下的照片以及生長在其周圍的雜草和其他農(nóng)作物，每次圖像采集均在晴天、陰天不同光線狀態(tài)下進行，代表田間除草作業(yè)時可能的環(huán)境條件[11]。采集的圖像均為實際種植環(huán)境中獲得，分辨率為1 920×1 080像素，其中大部分圖像除蠶豆外還含豌豆等多種其他農(nóng)作物與多種類型的雜草，如圖4所示。由Cycle-GAN網(wǎng)絡(luò)擴增生成的圖像樣本如圖5所示，從圖5也可看出本課題所使用的Cycle-GAN網(wǎng)絡(luò)可以增加樣本的數(shù)目，達到增強樣本的效果。

圖4 不同光線下采集的蠶豆圖（左：陰天，右：晴天）

圖5 Cycle-GAN網(wǎng)絡(luò)生成的圖像樣本

將Cycle-GAN網(wǎng)絡(luò)擴增的樣本和在自然環(huán)境下采集的樣本通過MATLAB中的標注工具Image Labeler進行人工分類和標記，構(gòu)建數(shù)據(jù)庫，圖片標注界面如圖6所示。

圖6 Image Labeler標注界面

3.2 試驗過程

本課題采用MATLAB作為訓(xùn)練平臺，在訓(xùn)練集訓(xùn)練過程中，設(shè)置訓(xùn)練輪數(shù)為20輪，每輪迭代50次，學(xué)習(xí)效率均為1×10-4，訓(xùn)練時將數(shù)據(jù)集中的圖片隨機不重復(fù)地[12]輸入到Faster R-CNN或改進的Faster R-CNN網(wǎng)絡(luò)中，得到訓(xùn)練時的小批量損失曲線如圖7所示，從曲線圖可看出在改進的網(wǎng)絡(luò)中訓(xùn)練的小批量損失更小，學(xué)習(xí)效率更高。

圖7 小批量損失曲線

為了進一步探究改進的Faster R-CNN網(wǎng)絡(luò)在雜草識別方面的可靠性，接下來對兩種網(wǎng)絡(luò)的實時訓(xùn)練準確率進行了試驗，結(jié)果如圖8所示。從圖8可以看出，改進的Faster R-CNN網(wǎng)絡(luò)在樣本量缺少的環(huán)境下訓(xùn)練結(jié)果更好，準確率更高。

圖8 實時識別準確率曲線

為了檢測本課題提出的改進的Faster R-CNN網(wǎng)絡(luò)在農(nóng)田雜草識別中的適用性，在相同條件下對同一數(shù)據(jù)集處于不同的網(wǎng)絡(luò)中進行訓(xùn)練，得到結(jié)果如表1所示。

表1 不同R-CNN網(wǎng)絡(luò)試驗結(jié)果對比

表1結(jié)果表明，在訓(xùn)練樣本稀缺時三種網(wǎng)絡(luò)都能夠識別出農(nóng)田中的農(nóng)作物從而確定出雜草的位置，但是每種網(wǎng)絡(luò)的識別能力不同[12]。Fast R-CNN和Faster R-CNN在缺少訓(xùn)練樣本時的訓(xùn)練結(jié)果分別為83.56%與87.59%，而文中提出的將循環(huán)一致性生成對抗網(wǎng)絡(luò)置于Faster R-CNN網(wǎng)絡(luò)結(jié)構(gòu)前的新網(wǎng)絡(luò)識別率可以達95.06%。由此可見，本課題提出的雜草識別方法在樣本稀缺的條件下有更高的容錯率，雜草識別度更高，可以適用于農(nóng)田雜草的識別處理。

4 結(jié)論

針對農(nóng)作物中雜草識別問題的研究，本課題采用基于Cycle-GAN的圖像生成技術(shù)解決樣本不足的問題，文中還采用反向識別農(nóng)作物的方法加快雜草識別速度，大大減小了訓(xùn)練樣本的時間和種類。現(xiàn)階段平均目標的識別準確率為95.06%，后續(xù)將繼續(xù)探索提高初始化模型的訓(xùn)練速度，提高檢測精度的研究。

由于知識、技術(shù)有限，且受農(nóng)作物種植季節(jié)的影響，本課題僅針對蠶豆種植地出現(xiàn)有較多雜草的樣本進行訓(xùn)練識別，接下來將會在更多的農(nóng)作物中進行識別精度的訓(xùn)練，并將該雜草算法應(yīng)用到硬件系統(tǒng)進行實操訓(xùn)練。