基金項目：廣東省省級大學(xué)生創(chuàng)新創(chuàng)業(yè)訓(xùn)練計劃項目（S202310576020X）；韶關(guān)市科技局項目（220607154531465）

*通信作者：彭東海（1975-），男，碩士，副教授。研究方向為人工智能、智慧農(nóng)業(yè)及高等教育。

DOI：10.20028/j.zhnydk.2024.11.001

摘" 要：針對人工手段下的柑橘病害監(jiān)護(hù)過程中存在的效率低下與成本巨大的問題，基于自主飛行器對柑橘病害監(jiān)護(hù)系統(tǒng)進(jìn)行設(shè)計與實踐。該監(jiān)護(hù)系統(tǒng)主要由感知層、應(yīng)用層、分析層3個部分組成。為了使飛行器可以準(zhǔn)確地識別柑橘病害，利用DenseNet121與EfficientNetB7深度學(xué)習(xí)模型框架訓(xùn)練出專用于識別柑橘病害的柑橘病害識別模型，并將其部署在位于自主飛行器的香橙派開發(fā)板上，從而為自主飛行器提供識別柑橘病害的能力。為了驗證該病害監(jiān)護(hù)系統(tǒng)的性能，進(jìn)行測試試驗。試驗結(jié)果表明，該病害監(jiān)護(hù)系統(tǒng)具有良好的發(fā)展?jié)撃?，模型擁有良好的檢測精度與可移植性。

關(guān)鍵詞：智慧農(nóng)業(yè)；深度學(xué)習(xí)；圖像識別；飛行器設(shè)計；病害監(jiān)護(hù)系統(tǒng)

中圖分類號：TP391.4" " " 文獻(xiàn)標(biāo)志碼：A" " " " " 文章編號：2096-9902（2024）11-0001-05

Abstract： Aiming at the problems of low efficiency and huge cost in the process of citrus disease monitoring by manual means， a citrus disease monitoring system is designed and practiced based on an autonomous aircraft. The monitoring system is mainly composed of three parts： perception layer， application layer and analysis layer. In order to enable the aircraft to accurately recognize citrus diseases， a citrus disease recognition model dedicated to recognizing citrus diseases was trained using the DenseNet121 and EfficientNetB7 deep learning model framework， and deployed on the Aroma Orange Pi development board located in the autonomous aircraft， thus providing the autonomous aircraft with the ability to recognize citrus diseases. In order to verify the performance of the disease monitoring system， tests were carried out. The experimental results show that the disease monitoring system has good development potential， and the model has good detection accuracy and portability.

Keywords： smart agriculture; deep learning; image recognition; aircraft design; disease monitoring system

近年來，農(nóng)作物病蟲害對農(nóng)業(yè)生產(chǎn)的負(fù)面影響愈發(fā)嚴(yán)重，利用科技對農(nóng)作物病蟲害進(jìn)行監(jiān)護(hù)管制已經(jīng)成為不可避開的時代話題。中國作為農(nóng)業(yè)大國，曾面臨多達(dá)1 400種重要農(nóng)作物病蟲害的困擾。病害種類多樣且具有潛在爆發(fā)性的情況下[1]，對病蟲害進(jìn)行準(zhǔn)確、實時、高效監(jiān)測，及時采取防治措施以最大限度減少作物損失，成為當(dāng)前農(nóng)作物生產(chǎn)領(lǐng)域亟需解決的重要問題。傳統(tǒng)的監(jiān)測方法主要依賴于研究人員的調(diào)查，但其耗時費(fèi)力、準(zhǔn)確性低、時效性差、研究范圍有限，且易受人為因素干擾[2]。然而，近年來圖像處理技術(shù)和機(jī)器學(xué)習(xí)為柑橘病害識別提供了新思路，摒棄了傳統(tǒng)人工調(diào)查的缺點。專家以往主要依靠觀察病斑顏色形態(tài)和經(jīng)驗判斷病害類型，而現(xiàn)在利用深度學(xué)習(xí)模型，則可以在保證高精度判斷病害的同時，減少人工調(diào)查的不足[3]。

農(nóng)業(yè)發(fā)展一直伴隨科技進(jìn)步不斷變革。自20世紀(jì)90年代以來，隨著3S（全球定位系統(tǒng)GPS、地理信息系統(tǒng)GIS、遙感RS）技術(shù)、變量控制技術(shù)、專家系統(tǒng)、 作物生長模擬系統(tǒng)以及生產(chǎn)管理決策支持系統(tǒng)等技術(shù)的研究與應(yīng)用，將傳統(tǒng)農(nóng)業(yè)技術(shù)與現(xiàn)代信息技術(shù)結(jié)合，形成了新型的先進(jìn)農(nóng)業(yè)技術(shù)體系。這一融合將人類農(nóng)業(yè)引入數(shù)字和信息時代，成為合理利用農(nóng)業(yè)資源、提高農(nóng)作物產(chǎn)量、降低生產(chǎn)成本和改善生態(tài)環(huán)境的主要農(nóng)業(yè)生產(chǎn)形式[4]。

盡管航天、航空和地面遙感技術(shù)廣泛應(yīng)用于農(nóng)田作物的生長監(jiān)測，強(qiáng)化了農(nóng)作物的精準(zhǔn)管理，提升了農(nóng)業(yè)生產(chǎn)效益。然而，這些技術(shù)卻存在著操作復(fù)雜、成本高昂、受天氣影響大等問題，限制了其進(jìn)一步應(yīng)用[5]。為了應(yīng)對這些問題，本文采用組裝的自主飛行器構(gòu)建柑橘病害監(jiān)護(hù)系統(tǒng)，自主飛行器屬于穿越機(jī)（FPV）在結(jié)合現(xiàn)代信息技術(shù)后研發(fā)的新型機(jī)器，其與無人機(jī)（UAV）相比，在兼具無人機(jī)功能的情況下，具有低成本、高性能及高度模塊化的特點。

1" 自主飛行器設(shè)計

1.1" 總體設(shè)計

該監(jiān)護(hù)系統(tǒng)的系統(tǒng)設(shè)計分為3層，分別為感知層、應(yīng)用層和分析層（如圖1所示）。

感知層是監(jiān)護(hù)系統(tǒng)中最基礎(chǔ)的一部分，主要包括D435深度相機(jī)、香橙派開發(fā)板、F4V3S Plus飛控及PC與Android客戶端4個部分。

RealSense D435深度相機(jī)是Intel公司推出的產(chǎn)品，其深度圖像頻率可達(dá)到90 Hz[6]，這項技術(shù)的基本原理是利用左右兩側(cè)的近紅外激光器，在目標(biāo)物體上投射具有特定結(jié)構(gòu)特征的光線，然后使用紅外攝像頭進(jìn)行圖像采集。這些具有特定結(jié)構(gòu)的光線，因物體不同深度區(qū)域而采集不同的圖像相位信息，再通過運(yùn)算單元將這種結(jié)構(gòu)變化轉(zhuǎn)化為深度信息。簡單來說，利用光學(xué)手段獲取目標(biāo)物體的三維結(jié)構(gòu)，并進(jìn)一步應(yīng)用所獲得的信息。一般使用特定波長的不可見紅外激光作為光源，其發(fā)出的光經(jīng)過編碼后投影在物體上，通過特定算法計算返回的編碼圖案的變形，從而獲取物體的位置和深度信息[7]。通過對D435深度相機(jī)的調(diào)用，系統(tǒng)可以實現(xiàn)自主導(dǎo)航功能和圖像采集功能（如圖2所示）。

香橙派是一款國內(nèi)自主研發(fā)的新一代ARM開發(fā)板，可支持多種操作系統(tǒng)，如Orangepi OS、Android、Ubuntu、Debian等[8]（如圖3所示）。相對于其他ARM開發(fā)板如樹莓派，香橙派擁有更多型號和種類，功能強(qiáng)大，價格也較為經(jīng)濟(jì)實惠[9]。本研究使用了香橙派5B作為機(jī)載電腦。該版本的香橙派采用了瑞芯微RK3588S最新一代的八核64位處理器，采用了8 nm工藝，主頻可達(dá)2.4 GHz。它集成了ARM Mali-G610 MP4 GPU，內(nèi)置了高性能的3D和2D圖像加速模塊，并搭載了高達(dá)6 Tops算力的AI加速器NPU。該設(shè)備內(nèi)存為16 GB RAM和128 GB eMMC，支持雙頻Wi-Fi6和BT5.0，同時兼容BLE。它具備高達(dá)8K顯示處理能力，在本監(jiān)護(hù)系統(tǒng)中，香橙派可以提供自主導(dǎo)航和圖像識別等功能的支持。

本系統(tǒng)采用Omnibus F4V3S Plus飛控作為飛行控制系統(tǒng)（如圖4所示）。飛控的設(shè)計需要清晰的優(yōu)先級結(jié)構(gòu)和可靠的定時系統(tǒng)，以確保控制循環(huán)的準(zhǔn)確執(zhí)行。它采用多線程操作系統(tǒng)和高效的驅(qū)動程序，正確調(diào)度中斷優(yōu)先級來實現(xiàn)這一目標(biāo)。飛控軟件包括導(dǎo)航、航路規(guī)劃與制導(dǎo)、飛行管理、飛行控制以及相關(guān)日志記錄數(shù)據(jù)存儲單元。目前，大多數(shù)飛控系統(tǒng)都是在開源飛控資源的基礎(chǔ)上進(jìn)行二次開發(fā)。飛控的基本邏輯包括飛行計劃、位置信息設(shè)定、姿態(tài)信息設(shè)定和電機(jī)驅(qū)動信號輸出。位置和姿態(tài)信息的數(shù)據(jù)來自傳感器系統(tǒng)的監(jiān)測數(shù)據(jù)，并通過各種融合算法輸出位置和姿態(tài)信息[10]。

PC與Android客戶端可以實現(xiàn)用戶與系統(tǒng)之間的交互，利用QGroundControl軟件（如圖5所示），在PC端，通過Ubuntu操作系統(tǒng)SSH遠(yuǎn)程連接香橙派機(jī)載電腦，可實現(xiàn)標(biāo)定航點自主導(dǎo)航、調(diào)用深度相機(jī)及進(jìn)行病害識別等功能；在Android客戶端，同樣可以進(jìn)行飛行器的路線規(guī)劃。該過程的原理為利用遙控器的接收器，實現(xiàn)通道互通，進(jìn)而再利用主機(jī)或移動設(shè)備向接收器發(fā)送信號，實現(xiàn)飛行器的自主導(dǎo)航。

1.3" 應(yīng)用層

應(yīng)用層主要的作用為對感知層獲取的信息進(jìn)行處理。該系統(tǒng)的應(yīng)用層由圖像采集模塊、病害識別模塊、自主導(dǎo)航模塊及飛行日志模塊4個部分組成[11]。

1.4" 分析層

分析層的主要作用為對感知層獲取的信息進(jìn)行分析。該系統(tǒng)的分析層主要由飛行狀態(tài)分析和識別效果分析兩部分組成。

2" 病害識別模型設(shè)計

2.1" 數(shù)據(jù)集

通過網(wǎng)絡(luò)爬蟲收集了部分柑橘葉片病害數(shù)據(jù)，整理后上傳到了Kaggle網(wǎng)站，該數(shù)據(jù)集共596張圖片，其中訓(xùn)練集496張，測試集100張，數(shù)據(jù)集中的健康葉片（healthy）43張，炭疽?。╝nthracnose）144張，潰瘍?。╟anker）132張，黃龍?。╣reening）177張。

2.2" 數(shù)據(jù)增強(qiáng)

2.2.1" 水平和垂直翻轉(zhuǎn)

圖像翻轉(zhuǎn)后，所有的主要特征均保持不變，對人類來講，這些變化可能并不顯著，但對模型算法而言，翻轉(zhuǎn)后的圖像可能看起來會完全不一樣（如圖6所示）。

2.2.2" 高斯模糊

模糊方法可以掩蓋一些并不重要的細(xì)節(jié)，平滑圖像，提高模型識別的準(zhǔn)確率（如圖7所示）。

2.2.3" 葉片的邊緣檢測

采用Canny邊緣檢測算法，根據(jù)邊界框裁剪圖像，得到葉片的整體或大部分，從而剔除原有圖像背景信息的干擾，特別是剔除大量的綠色背景，可以讓模型聚焦于葉片的關(guān)鍵特征（如圖8所示）。

2.3" 模型的定義與訓(xùn)練

DenseNet模型采用了跳連的理念，通過將網(wǎng)絡(luò)內(nèi)的所有層兩兩相連，最大化了特征信息的傳遞。這使得每一層都能接收前面所有層的特征作為輸入，增強(qiáng)了特征的傳播和重復(fù)利用，同時減輕了梯度消失的問題。

EfficientNet則是2019年由Google研究小組推出的模型，它通過對網(wǎng)絡(luò)深度、寬度和輸入分辨率進(jìn)行縮放來尋找最優(yōu)模型。從EfficientNet-B0這一基準(zhǔn)結(jié)構(gòu)開始，它在深度、寬度和分辨率3個方面進(jìn)行了迭代復(fù)合搜索。最終的EfficientNet-B7在ImageNet數(shù)據(jù)集上取得了84.4%的top1精度和97.1%的top5精度。

在本文中，采用了基于Keras框架的DenseNet121預(yù)訓(xùn)練模型作為遷移學(xué)習(xí)的基礎(chǔ)，設(shè)定了參數(shù)并完成了模型的編譯。遷移學(xué)習(xí)模型使用了基于ImageNet預(yù)訓(xùn)練的權(quán)重參數(shù)，去除了DenseNet121的頂層，并添加了一個全局平均池化層，隨后連接了一個根據(jù)數(shù)據(jù)集標(biāo)簽數(shù)量定義的Softmax全連接層，以實現(xiàn)分類邏輯。

另外，也使用了基于ImageNet數(shù)據(jù)集訓(xùn)練好的EfficientNetB7模型，重新定義了遷移學(xué)習(xí)模型的結(jié)構(gòu)。同樣去除了EfficientNetB7的頂層，添加了一個全局平均池化層，并在其后連接了一個根據(jù)數(shù)據(jù)集標(biāo)簽數(shù)量定義的Softmax全連接層，以實現(xiàn)分類邏輯。這個模型的學(xué)習(xí)參數(shù)達(dá)到了63 797 204個，是DenseNet121的9.17倍。

3" 試驗分析與結(jié)果

為了驗證系統(tǒng)的識別準(zhǔn)確性，共進(jìn)行了80次驗證測試，并對驗證結(jié)果進(jìn)行了統(tǒng)計，見表1。從表1可以看出，該系統(tǒng)具有一定的魯棒性和實用性。

4" 結(jié)束語

針對農(nóng)作物病害監(jiān)控，本文開發(fā)了柑橘病害監(jiān)護(hù)系統(tǒng)，利用先進(jìn)的感知技術(shù)和機(jī)器學(xué)習(xí)，實現(xiàn)了自主飛行器的構(gòu)建和病害識別。監(jiān)護(hù)系統(tǒng)使用了RealSense D435深度相機(jī)和香橙派開發(fā)板等設(shè)備，結(jié)合DenseNet和EfficientNet模型，成功識別柑橘葉片病害。系統(tǒng)在試驗中表現(xiàn)出了較高的準(zhǔn)確率和魯棒性，為農(nóng)業(yè)生產(chǎn)帶來智能化監(jiān)控方式。盡管技術(shù)仍有挑戰(zhàn)，但自主飛行器的低成本和高性能將為未來農(nóng)業(yè)提供更多可能性。

參考文獻(xiàn)：

[1] 張競成，袁琳，王紀(jì)華，等.作物病蟲害遙感監(jiān)測研究進(jìn)展[J].農(nóng)業(yè)工程學(xué)報，2012，28（20）：1-11.

[2] 宋勇，陳兵，王瓊，等.無人機(jī)遙感監(jiān)測作物病蟲害研究進(jìn)展[J].棉花學(xué)報，2021，33（3）：291-306.

[3] 張敏，劉杰，蔡高勇.基于卷積神經(jīng)網(wǎng)絡(luò)的柑橘潰瘍病識別方法[J].計算機(jī)應(yīng)用，2018，38（S1）：48-52，76.

[4] 王素珍，吳崇友.3S技術(shù)在精準(zhǔn)農(nóng)業(yè)中的應(yīng)用研究[J].中國農(nóng)機(jī)化，2010（6）：79-82.

[5] 汪沛，羅錫文，周志艷，等.基于微小型無人機(jī)的遙感信息獲取關(guān)鍵技術(shù)綜述[J].農(nóng)業(yè)工程學(xué)報，2014，30（18）：1-12.

[6] 方正，趙世博，李昊來.一種融合稀疏幾何特征與深度流的深度視覺SLAM算法[J].機(jī)器人，2019，41（2）：185-196，241.

[7] 李科，毋濤，劉青青.基于深度圖與改進(jìn)Canny算法的人體輪廓提取[J].計算機(jī)技術(shù)與發(fā)展，2021，31（5）：67-72.

[8] 王賽，劉子龍.基于4G網(wǎng)絡(luò)的移動機(jī)器人遠(yuǎn)程控制研究[J].軟件導(dǎo)刊，2019，18（11）：71-74.

[9] 于鐳，林再騰.基于香橙派的智能語音識別系統(tǒng)的設(shè)計[J].電子測量技術(shù)，2019，42（19）：36-40.

[10] 周飛.多旋翼無人機(jī)飛控系統(tǒng)硬件架構(gòu)設(shè)計研究[J].電子制作，2023，31（15）：112-115，119.

[11] 馬浚誠，李鑫星，溫皓杰，等.面向葉類蔬菜病害識別的溫室監(jiān)控視頻采集系統(tǒng)[J].農(nóng)業(yè)機(jī)械學(xué)報，2015，46（3）：282-287.