周繼來
(紅云紅河煙草(集團(tuán))有限責(zé)任公司 云南省昆明市 650000)
控制煙草制品中的蟲口數(shù)量,目前主要采用的是通過蟲情監(jiān)測掌握蟲情變化,結(jié)合深度清潔、物理防控、化學(xué)藥劑防治的方式進(jìn)行聯(lián)防聯(lián)控[1]。在蟲情監(jiān)測環(huán)節(jié),主要依靠人工記錄倉間或廠房內(nèi)“性信息素誘捕器”上煙草甲、煙草粉螟的新增數(shù)量和累計(jì)數(shù)量。對于該項(xiàng)工作,存在以下兩個(gè)問題:一是倉庫點(diǎn)多、面廣,人員在記錄蟲情的過程中勞動(dòng)強(qiáng)度較大。二是人員記錄過程中存在記錄不夠準(zhǔn)確、不及時(shí)等問題,對于蟲害防治的及時(shí)性和有效性提出了較大的挑戰(zhàn)[2]。
行業(yè)發(fā)展前沿的蟲情監(jiān)測手段,主要分為如下幾種:一是應(yīng)用遠(yuǎn)程拍照、遠(yuǎn)程通信、圖像處理等物聯(lián)網(wǎng)技術(shù),研發(fā)了昆蟲遠(yuǎn)程性誘測報(bào)裝置,改進(jìn)了傳統(tǒng)性誘測報(bào)方式。開發(fā)了基于Android 的害蟲蟲情田間采集APP 端(以下簡稱APP 端),實(shí)現(xiàn)田間蟲害信息采集的信息化.基于遠(yuǎn)程性誘圖像采集和APP 端,建立了蟲情數(shù)據(jù)庫,構(gòu)建了作物蟲情采集監(jiān)測預(yù)警系統(tǒng)。該系統(tǒng)的應(yīng)用便于基層植保技術(shù)人員進(jìn)行蟲情數(shù)據(jù)采集、查詢,以及蟲害預(yù)警信息的發(fā)布,實(shí)現(xiàn)作物害蟲監(jiān)測預(yù)警的信息化[3]。二是建立煙草蟲情監(jiān)控系統(tǒng),包括通過網(wǎng)絡(luò)連接通信的蟲情服務(wù)器、采集客戶端以及監(jiān)控客戶端;監(jiān)控區(qū)域內(nèi)設(shè)有多個(gè)位置不同的誘捕器;各誘捕器上分別設(shè)有記錄有相應(yīng)誘捕器位置信息的RFID 電子標(biāo)簽。采集客戶端用于誘捕器位置和蟲情信息的采集,蟲情服務(wù)器用于單點(diǎn)或區(qū)域位置蟲情的分布情況分析,蟲情服務(wù)器輸出的蟲情分布統(tǒng)計(jì)信息能夠通過監(jiān)控客戶端展示給客戶端用戶[4]。以上的兩項(xiàng)研究,主要基于移動(dòng)APP 和Web Service 的方法進(jìn)行蟲情監(jiān)測,隨著智慧物流的不斷發(fā)展,云計(jì)算、大數(shù)據(jù)、物聯(lián)網(wǎng)、AI 等技術(shù)不斷深化至各個(gè)領(lǐng)域,目前行業(yè)內(nèi)針對AI 圖像識別蟲情實(shí)現(xiàn)檢測的系統(tǒng)還處于空白,因此,本論文針對如何運(yùn)用AI 圖像識別技術(shù),針對煙草行業(yè)主要的蟲情(煙草甲、煙草粉螟)進(jìn)行識別,建立對應(yīng)的自學(xué)習(xí)機(jī)制,對今后推行AI 圖像識別蟲情監(jiān)測的相關(guān)企業(yè)來說,具有較好地參考借鑒意義。
AI 圖像識別主要基于深度學(xué)習(xí)的視覺監(jiān)測技術(shù),具體方法是通過對計(jì)算機(jī)輸入一定數(shù)量的某種信息,標(biāo)注信息具體類別,經(jīng)由卷積神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)形成訓(xùn)練模型,讓機(jī)器具有對該種信息的不同類別進(jìn)行識別和判定的能力,從而讓計(jì)算機(jī)像人腦一樣“學(xué)會(huì)”某一種判別規(guī)則,構(gòu)建一種基于歷史信息的判別機(jī)制。
圖1:基于AI 圖像的蟲情監(jiān)測系統(tǒng)構(gòu)架
圖2:SVM 建模過程
圖3:蟲情每周實(shí)時(shí)新增數(shù)據(jù)及趨勢
對于基于AI 圖像的蟲情監(jiān)測系統(tǒng)構(gòu)建,如圖1所示。
圖4:蟲情每周實(shí)時(shí)新增數(shù)據(jù)及趨勢
圖5:熏蒸計(jì)劃下達(dá)
基于SVM 向量機(jī)算法開展煙草甲、煙草粉螟的AI 智能識別,其主要實(shí)現(xiàn)如下:定義線性判別函數(shù)為f(x)=w·x+b,對應(yīng)的分類面方程為w·x+b=0,其中x 為輸入量,w 為可調(diào)權(quán)值向量,b 是偏置。將函數(shù)進(jìn)行歸一化,使兩類所有樣本都滿足|f(x)|≥1,也就是離樣本分類面最近的樣本的f(x)=1,若要求分類面所有的樣本都正確分類需滿足:
定義一個(gè)Lagrange 函數(shù):
求解上述問題后得到的最優(yōu)分類函數(shù)為:
對于線性不可分情況,可以通過引入松弛變量ξ,允許錯(cuò)分樣本的存在,此時(shí),目標(biāo)函數(shù)為:
相應(yīng)的分類函數(shù)也變?yōu)椋?/p>
從本質(zhì)上看,煙草甲識別、煙草粉螟識別等屬于二分類的范疇。所以在建模的過程中,為了提高分類器的處理速度及精度,建立了2 個(gè)二分類SVM 模型。二分類SVM 設(shè)備診斷模型的建模過程,如圖2所示。
在圖2 的建模過程中,總訓(xùn)練集包括煙草甲數(shù)據(jù)集S1、煙草粉螟數(shù)據(jù)集S2。
運(yùn)用AI 圖像識別技術(shù),與現(xiàn)有的磷化氫智能監(jiān)測系統(tǒng)相關(guān)聯(lián),實(shí)現(xiàn)了如下功能:
(1)通過AI 圖像識別技術(shù)自動(dòng)錄入庫內(nèi)性信息素誘捕器蟲情數(shù)據(jù),系統(tǒng)中可實(shí)時(shí)記錄煙草甲、煙草粉螟數(shù)量變化,可展示每周新增趨勢。如圖3所示。
(2)通過AI 圖像識別技術(shù)可細(xì)分多個(gè)庫區(qū)、不同樓層倉間內(nèi)的每周蟲情新增煙草甲、煙草粉螟相關(guān)累計(jì)數(shù)及新增數(shù),并能準(zhǔn)確導(dǎo)出蟲情監(jiān)測數(shù)據(jù)報(bào)表,如圖4所示。
(3)能夠根據(jù)蟲情的實(shí)際情況,具體為平均每周誘捕煙草甲蟲數(shù)量超過10 頭或煙草粉螟數(shù)量超過15 頭時(shí),啟動(dòng)相應(yīng)的蟲害治理流程,針對庫區(qū)、倉間、樓層設(shè)置對應(yīng)的熏蒸作業(yè),明確施藥類型和具體的施藥劑量,安全開展熏蒸作業(yè),如圖5所示。
通過基于AI 圖像識別的蟲情檢測系統(tǒng)的實(shí)現(xiàn),實(shí)現(xiàn)了煙草甲、煙草粉螟的自動(dòng)識別和實(shí)時(shí)監(jiān)測,解決了傳統(tǒng)意義上依靠人工讀數(shù)檢測醇化庫各樓層性誘捕器上蟲情數(shù)帶來的戰(zhàn)線長、時(shí)間久等問題,減輕了操作人員的勞動(dòng)強(qiáng)度。通過將蟲情的特性信息以工業(yè)相機(jī)識別的方式,采用SVM 算法,實(shí)現(xiàn)了AI 自動(dòng)檢測,智能識別性誘捕器上煙草甲、煙草粉螟的數(shù)量情況,具有較好地檢測精度,并具有廣闊的推廣價(jià)值,今后可運(yùn)用該技術(shù)識別更多類型的蟲情信息,進(jìn)行自動(dòng)檢測,更好地推廣至煙草行業(yè)以外的其他行業(yè),為全面實(shí)現(xiàn)蟲害有效的防治打下堅(jiān)實(shí)基礎(chǔ)。