劉 杰

(滁州職業(yè)技術(shù)學(xué)院機(jī)械與汽車(chē)工程學(xué)院,安徽 滁州 239000)

0 引 言

物聯(lián)網(wǎng)技術(shù)、智能植物養(yǎng)護(hù)技術(shù)的高速發(fā)展,提高了傳統(tǒng)人工種植養(yǎng)護(hù)植物的效率和精準(zhǔn)度,為植物養(yǎng)護(hù)提供了大規(guī)模的數(shù)據(jù)信息[1]。為此,農(nóng)林業(yè)類(lèi)出現(xiàn)了植物養(yǎng)護(hù)相關(guān)服務(wù)平臺(tái)解決植物生長(zhǎng)信息的綜合性、系統(tǒng)化存儲(chǔ)管理問(wèn)題[2]。但是,目前植物信息服務(wù)系統(tǒng)普遍存在信息資源提取不充分、數(shù)據(jù)存儲(chǔ)共享受阻、養(yǎng)護(hù)信息綜合性水平較差、使用難度較大等問(wèn)題,對(duì)于較低文化層次用戶而言易用性較差,為了系統(tǒng)化、可視化展示植物養(yǎng)護(hù)信息、全面掌握植物病蟲(chóng)害狀況,增強(qiáng)植物養(yǎng)護(hù)信息服務(wù)的易用性[3],本次研究基于Web服務(wù)技術(shù)開(kāi)發(fā)了植物養(yǎng)護(hù)與病蟲(chóng)害預(yù)警信息管理平臺(tái)。將智能植物養(yǎng)護(hù)設(shè)備采集的信息進(jìn)行整合分類(lèi),集中顯示,提供全面的養(yǎng)護(hù)知識(shí)與現(xiàn)狀;設(shè)計(jì)卷積神經(jīng)網(wǎng)絡(luò)模型識(shí)別植物葉片的病蟲(chóng)害,及時(shí)對(duì)管理人員進(jìn)行病蟲(chóng)害警報(bào)。以提高農(nóng)業(yè)、林業(yè)發(fā)展過(guò)程中病蟲(chóng)害信息化管理水平,降低預(yù)防大規(guī)模病蟲(chóng)害發(fā)生的概率。

1 基于Web服務(wù)的植物養(yǎng)護(hù)與病蟲(chóng)害預(yù)警信息管理平臺(tái)設(shè)計(jì)

1.1 基于Web服務(wù)的信息管理平臺(tái)總體架構(gòu)

基于Web服務(wù)的植物信息管理平臺(tái)的技術(shù)架構(gòu)如圖1所示。平臺(tái)提供植物養(yǎng)護(hù)與病蟲(chóng)害預(yù)警功能的實(shí)現(xiàn)過(guò)程如下:植物養(yǎng)護(hù)人員或遠(yuǎn)程診斷專(zhuān)家連接Internet后依據(jù)自身權(quán)限對(duì)植物狀態(tài)進(jìn)行監(jiān)測(cè)與管理,當(dāng)植物出現(xiàn)病蟲(chóng)害預(yù)警或遭遇惡劣天氣預(yù)報(bào)時(shí),需要對(duì)各種植監(jiān)測(cè)區(qū)域進(jìn)行養(yǎng)護(hù)調(diào)整,通過(guò)平臺(tái)發(fā)送植物養(yǎng)護(hù)控制指令[4];具體是基于Web網(wǎng)頁(yè)將控制命令發(fā)送到Web服務(wù)器上,服務(wù)器調(diào)用WebService服務(wù)與本地監(jiān)控中心實(shí)施信息交互,最終執(zhí)行結(jié)果將傳送到植物養(yǎng)護(hù)用戶端。Web服務(wù)器功能是Web頁(yè)面的管理;本地監(jiān)控中心數(shù)據(jù)通信、數(shù)據(jù)交互由WebService服務(wù)器完成[5];植物養(yǎng)護(hù)操作日志、系統(tǒng)日志、植物養(yǎng)護(hù)數(shù)據(jù)表下載由FTP服務(wù)器提供支持。

圖2描述了植物信息管理平臺(tái)的功能結(jié)構(gòu)。平臺(tái)包括后臺(tái)管理系統(tǒng)與信息顯示系統(tǒng)兩部分,后臺(tái)管理系統(tǒng)主要負(fù)責(zé)圖表顯示、用戶及注冊(cè)、預(yù)測(cè)模型、植物養(yǎng)護(hù)數(shù)據(jù)庫(kù)的管理[6];信息顯示系統(tǒng)負(fù)責(zé)可視化表達(dá)植物養(yǎng)護(hù)與預(yù)警信息、預(yù)測(cè)植物的病蟲(chóng)害、科普植物種植與養(yǎng)護(hù)知識(shí)、提供植物學(xué)專(zhuān)家交流機(jī)會(huì)等等。

圖1 基于Web服務(wù)的植物信息管理平臺(tái)技術(shù)架構(gòu)

圖2 基于Web服務(wù)的植物信息管理平臺(tái)功能結(jié)構(gòu)

1.2 基于知識(shí)庫(kù)的植物養(yǎng)護(hù)與生長(zhǎng)狀態(tài)信息存儲(chǔ)

平臺(tái)的知識(shí)庫(kù)負(fù)責(zé)存儲(chǔ)植物養(yǎng)護(hù)相關(guān)信息的存儲(chǔ),該平臺(tái)知識(shí)庫(kù)整理大量植物病蟲(chóng)害專(zhuān)家經(jīng)驗(yàn)知識(shí)、研究成果、學(xué)術(shù)著作等信息,采集整合大量植物生長(zhǎng)圖像、植物養(yǎng)護(hù)方法圖像、植物常見(jiàn)的病蟲(chóng)害圖像、蟲(chóng)害環(huán)境圖像。將以上內(nèi)容存儲(chǔ)在知識(shí)庫(kù)中,作為養(yǎng)護(hù)人員日常學(xué)習(xí)和工作的參考內(nèi)容,并作為植物病蟲(chóng)害識(shí)別預(yù)警的數(shù)據(jù)基礎(chǔ)。另外,編輯規(guī)則庫(kù)中的規(guī)則才能生成知識(shí)庫(kù)中知識(shí)規(guī)則,實(shí)現(xiàn)各種數(shù)據(jù)在平臺(tái)中的安全存儲(chǔ)。

平臺(tái)集成智能植物養(yǎng)護(hù)設(shè)備,通過(guò)多個(gè)傳感器采集植物生存環(huán)境的空氣溫濕度、光照強(qiáng)度、土壤濕度等生長(zhǎng)參數(shù)值,當(dāng)數(shù)據(jù)出現(xiàn)偏差時(shí)向平臺(tái)發(fā)出數(shù)據(jù)異常警報(bào)[7],控制中心將根據(jù)預(yù)設(shè)規(guī)則向養(yǎng)護(hù)設(shè)備發(fā)出光照調(diào)整、澆灌等植物指令,及時(shí)優(yōu)化植物生長(zhǎng)環(huán)境,植物養(yǎng)護(hù)完畢后該結(jié)果將反饋回管理員用戶端。平臺(tái)基于卷積神經(jīng)網(wǎng)絡(luò)模型識(shí)別植物的生長(zhǎng)狀態(tài),除了對(duì)植物生長(zhǎng)環(huán)境和病蟲(chóng)害識(shí)別預(yù)警外,還定期生成植物生長(zhǎng)狀態(tài)報(bào)告,總結(jié)階段內(nèi)植物養(yǎng)護(hù)情況,令植物生長(zhǎng)環(huán)境參數(shù)區(qū)域最合理的數(shù)值區(qū)間,從促進(jìn)植物良好生長(zhǎng)。

1.3 基于卷積神經(jīng)網(wǎng)絡(luò)模型的病蟲(chóng)害預(yù)警

Web service技術(shù)可以基于標(biāo)準(zhǔn)規(guī)范將復(fù)用植物養(yǎng)護(hù)預(yù)警模型及數(shù)據(jù)以Web服務(wù)形式進(jìn)行封裝,其他服務(wù)對(duì)象可向后臺(tái)技術(shù)管理者申請(qǐng)調(diào)用。

研究基于卷積神經(jīng)網(wǎng)絡(luò)(CNN) 模型進(jìn)行植物病蟲(chóng)害的識(shí)別與預(yù)警[8],將采集的植物生長(zhǎng)圖像預(yù)處理樣本輸入CNN模型開(kāi)始訓(xùn)練,獲得幾種常見(jiàn)的植物病害識(shí)別模型。輸入的圖像尺寸規(guī)格為50×50,網(wǎng)絡(luò)訓(xùn)練模型為AlexNet結(jié)構(gòu),具體包括6個(gè)卷積層、3個(gè)池化層、2個(gè)全連接層以及1個(gè)分類(lèi)器。最終輸出類(lèi)別數(shù)量即為分類(lèi)層的數(shù)目即為分類(lèi)器數(shù)量。

卷積神經(jīng)網(wǎng)絡(luò)模型識(shí)別植物病蟲(chóng)害過(guò)程中,由k-means算法提取植物圖像中的病斑,以植物葉片圖像為對(duì)象,因?yàn)樵摬糠值念伾卣鞑町愖顬轱@著,為此基于k-means算法在顏色空間中實(shí)施聚類(lèi)進(jìn)而提取出病斑區(qū)域?；谥参锶~片顏色空間實(shí)施病蟲(chóng)害聚類(lèi),主要是對(duì)有蟲(chóng)害和無(wú)蟲(chóng)害兩個(gè)區(qū)域的像素值區(qū)間顏色實(shí)施分類(lèi)[9],由此將兩個(gè)不同區(qū)域的質(zhì)心分布差異呈現(xiàn)出來(lái);在差異的基礎(chǔ)上基于公式(1)對(duì)分割出的圖像實(shí)施病斑提取:

(1)

式(1)中,病斑聚類(lèi)塊的像素序列號(hào)和質(zhì)心編號(hào)分別采用k,i表示,那么質(zhì)心的坐標(biāo)為(xi,yi)。

基于上述方式識(shí)別到植物病蟲(chóng)害信息后,監(jiān)測(cè)中心將自動(dòng)向管理人員發(fā)出信息警報(bào),警報(bào)信息以短信的方式發(fā)送到用戶終端,提高了病蟲(chóng)害防護(hù)與治理的效率。

2 實(shí)驗(yàn)分析

為了驗(yàn)證本文平臺(tái)在植物養(yǎng)護(hù)與病蟲(chóng)害預(yù)警方面的有效性及優(yōu)勢(shì),在植物種植基地進(jìn)行實(shí)地測(cè)試。平臺(tái)調(diào)試后正式運(yùn)行,實(shí)時(shí)顯示植物生長(zhǎng)環(huán)境的溫濕度、光照強(qiáng)度等環(huán)境參數(shù),利用本文平臺(tái)的病蟲(chóng)害識(shí)別模進(jìn)行植物病斑識(shí)別。

2.1 植物養(yǎng)護(hù)信息展示

表1展示了植物日常養(yǎng)護(hù)信息可視化信息,植物生長(zhǎng)環(huán)境的溫濕度、光照強(qiáng)度、降水量、病蟲(chóng)害指數(shù)、病蟲(chóng)害概率等關(guān)鍵信息均可詳細(xì)展示,為養(yǎng)護(hù)人員提供了便利的植物監(jiān)測(cè)方式。

表1 植物日常養(yǎng)護(hù)信息可視化

2.2 植物病蟲(chóng)害預(yù)警準(zhǔn)確度

實(shí)驗(yàn)選取8組植物葉片圖像作為病蟲(chóng)害識(shí)別的樣本,每組樣本包含20株植物的葉片圖像信息,利用本文平臺(tái)進(jìn)行植物病蟲(chóng)害識(shí)別預(yù)警。植物病蟲(chóng)害識(shí)別結(jié)果如表2所示。

表2 植物病蟲(chóng)害識(shí)別準(zhǔn)確度統(tǒng)計(jì)

分析表2數(shù)據(jù)可知,本文平臺(tái)基于卷積神經(jīng)網(wǎng)絡(luò)模型識(shí)別植物葉片病蟲(chóng)害的誤差較低,最大誤差約為0.095,最小誤差僅為0.021,說(shuō)明該方法可以基本識(shí)別出植物的病蟲(chóng)害狀況并進(jìn)行預(yù)警通報(bào),較少情況下識(shí)別錯(cuò)誤,達(dá)到了理想的植物病蟲(chóng)害預(yù)警效果。模型識(shí)別病蟲(chóng)害期間,運(yùn)行時(shí)間開(kāi)銷(xiāo)約為481s～538s,可在較短的時(shí)間內(nèi)完成葉片病斑識(shí)別。這是因?yàn)楸疚膽?yīng)用卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行植物病蟲(chóng)害識(shí)別,基于Alex Net 經(jīng)典網(wǎng)絡(luò)模型進(jìn)行病斑分類(lèi)預(yù)測(cè);同時(shí)該模型以k-means 算法提取病斑,增強(qiáng)了病斑區(qū)域與非病斑區(qū)域的分割效果,提高了模型識(shí)別植物病蟲(chóng)害的精準(zhǔn)度。

3 結(jié) 語(yǔ)

為改善植物養(yǎng)護(hù)信息管理水平,本次研究基于Web服務(wù)技術(shù)開(kāi)發(fā)了植物養(yǎng)護(hù)與病蟲(chóng)害預(yù)警信息管理平臺(tái)。該平臺(tái)具有兩個(gè)突出優(yōu)勢(shì):一是應(yīng)用Web服務(wù)技術(shù)搭建了平臺(tái)總體架構(gòu),無(wú)要專(zhuān)門(mén)處理數(shù)據(jù)收發(fā),跨平臺(tái)面向?qū)ο筮h(yuǎn)程調(diào)用技術(shù),WebService服務(wù)器提供了一種令其他計(jì)算機(jī)通過(guò)Internet使用相關(guān)服務(wù)的功能。二是使用卷積神經(jīng)網(wǎng)絡(luò)模型自動(dòng)識(shí)別植物病斑區(qū)域,檢測(cè)到病蟲(chóng)害后向管理人員發(fā)送預(yù)警信息,提高了植物病蟲(chóng)害識(shí)別準(zhǔn)確率和效率,節(jié)省了人工看護(hù)的時(shí)間成本與資金成本。