任惠芳
(北京天創(chuàng)金農(nóng)科技有限公司,北京 101125)
2018年,北京昌平“大棚房”事件被曝光,全國開展了大棚房整治行動(dòng)。黨中央、國務(wù)院出臺了一系列嚴(yán)格耕地保護(hù)的政策措施。2021年,國務(wù)院印發(fā)《“十四五”推進(jìn)農(nóng)業(yè)農(nóng)村現(xiàn)代化規(guī)劃》[1]中提到堅(jiān)守18億畝耕地紅線。2020年,國務(wù)院辦公室頒發(fā)了《關(guān)于堅(jiān)決制止耕地“非農(nóng)化”行為的通知》,要求采取有力措施,強(qiáng)化監(jiān)督管理,落實(shí)好最嚴(yán)格的耕地保護(hù)制度,堅(jiān)決制止耕地“非農(nóng)化”行為,堅(jiān)決守住耕地紅線,落實(shí)“藏糧于技、藏糧于地”戰(zhàn)略。“大棚房事件”發(fā)生后,全國開展了多次專項(xiàng)治理,但卷土重來現(xiàn)象偶有發(fā)生,只靠人工進(jìn)行設(shè)施溫室監(jiān)管存在一些短板,比如監(jiān)管滯后、耗費(fèi)大量人力等。
為此,本研究積極探索物聯(lián)網(wǎng)、人工智能等新一代信息技術(shù)在設(shè)施溫室監(jiān)管中的應(yīng)用,在設(shè)施溫室中部署圖像監(jiān)控設(shè)備采集設(shè)施溫室中的圖像,通過對圖像進(jìn)行識別,判斷設(shè)施溫室種植、休耕、撂荒、大棚房4種生產(chǎn)狀態(tài),從而實(shí)現(xiàn)設(shè)施溫室的智能監(jiān)管,為設(shè)施溫室生產(chǎn)狀態(tài)智能監(jiān)管提供技術(shù)支撐。
圖像識別是人們獲得信息的重要途經(jīng),目前圖像識別技術(shù)在安全、工業(yè)、醫(yī)療等領(lǐng)域得到了廣泛應(yīng)用,但在農(nóng)業(yè)領(lǐng)域的應(yīng)用發(fā)展較為緩慢[2]?;陬伾M(jìn)行圖像識別的研究相對較容易,也發(fā)展較早,如根據(jù)顏色判斷果蔬的成熟度等。李宏利等研究了圖像中成熟蘋果果實(shí)的定位方法研究,滿足快速識別成熟蘋果的需求[3]?;诩y理信息進(jìn)行圖像識別,可以在顏色不易區(qū)分的情況下進(jìn)行識別,國內(nèi)外的雜草識別研究多基于此技術(shù)。彭明霞等研究了在復(fù)雜背景下棉田雜草的高效識別方法[4]?;谛螒B(tài)的識別相對較難,伍鎣芮等得出DBSCAN圖像分割算法可以用于棚室番茄果實(shí)的識別,為番茄采摘機(jī)器人識別番茄果實(shí)提供技術(shù)支持[5]。隨著應(yīng)用場景的復(fù)雜化,單一特征的識別已經(jīng)不能滿足實(shí)際應(yīng)用,因此,利用深度學(xué)習(xí)的圖像識別方法已經(jīng)逐步應(yīng)用到農(nóng)業(yè)領(lǐng)域。
設(shè)施大棚生產(chǎn)狀態(tài)識別利用基于深度學(xué)習(xí)的圖像分類技術(shù),深度學(xué)習(xí)通過深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)將數(shù)據(jù)從低維度映射到高維度,從而將數(shù)據(jù)從低維特征空間轉(zhuǎn)換為更高維度特征空間,并能夠從大量數(shù)據(jù)中自動(dòng)學(xué)習(xí)特征,避免手工提取特征的過程,實(shí)現(xiàn)了對數(shù)據(jù)特征的自動(dòng)提取,最后能夠得到表征數(shù)據(jù)的分布式表示,實(shí)現(xiàn)復(fù)雜函數(shù)的逼近[6]。
張琦等通過研究發(fā)現(xiàn)在圖像識別技術(shù)中卷積神經(jīng)網(wǎng)絡(luò)(以下簡稱CNN)技術(shù)的應(yīng)用最為廣泛,本研究應(yīng)用CNN技術(shù)對設(shè)施大棚的生產(chǎn)狀態(tài)特征進(jìn)行提取分類[7]。依托CNN技術(shù),使用Python語言基于TensorFlow框架研發(fā)和優(yōu)化圖像識別算法,在TensorFlow框架上使用高級Keras API對設(shè)施溫室生產(chǎn)空間進(jìn)行分析。構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)(CNN)結(jié)構(gòu)模型,對卷積層進(jìn)行設(shè)計(jì),使其更好地提取特征。激活單元采用ReLu方法,防止模型在學(xué)習(xí)過程中出現(xiàn)梯度消失的問題;對池化層進(jìn)行設(shè)計(jì),減少網(wǎng)絡(luò)中參數(shù)的數(shù)量,減少CPU/GPU計(jì)算資源,同時(shí)有效控制過擬合;對全連接層進(jìn)行設(shè)計(jì),在模型當(dāng)中扮演分類的角色,輸出預(yù)測結(jié)果,該層的最后一層激活單元采用Sigmoid方法。
選取安裝了圖像監(jiān)控設(shè)備的設(shè)施溫室作為研究對象,設(shè)定設(shè)施溫室種植、休耕、撂荒和大棚房4種分類進(jìn)行特征提取,每個(gè)圖像監(jiān)控設(shè)備每天拍攝2張?jiān)O(shè)施溫室圖像上傳到系統(tǒng),拍攝時(shí)間為9:00和14:00[8]。
在設(shè)施溫室中安裝圖像監(jiān)控設(shè)備,對圖像監(jiān)控設(shè)備進(jìn)行合理的空間角度布置,采集設(shè)施溫室的空間圖像。
由人工對設(shè)施溫室的圖像數(shù)據(jù)進(jìn)行手動(dòng)篩查,刪除不符合條件的圖像數(shù)據(jù),得到有價(jià)值的原始數(shù)據(jù)集。為將原始圖像轉(zhuǎn)化為模型和算法,對設(shè)施溫室圖像進(jìn)行裁剪和歸一化預(yù)處理,并對深度學(xué)習(xí)建模的數(shù)據(jù)集進(jìn)行人工標(biāo)注。
針對設(shè)施溫室生產(chǎn)狀態(tài)的情況,選擇多種深度學(xué)習(xí)模型對設(shè)施溫室圖像進(jìn)行分類研究,最終確立了CNN技術(shù),建立了設(shè)施溫室種植、休耕、撂荒、大棚房4種生產(chǎn)狀態(tài)的圖像識別模型。
在設(shè)施溫室生產(chǎn)狀態(tài)圖像識別模型建立后,采用Djang0開發(fā)方案,應(yīng)用Python開發(fā)技術(shù),在TensorFlow框架上構(gòu)建設(shè)施溫室生產(chǎn)動(dòng)態(tài)管理平臺。設(shè)施溫室生產(chǎn)動(dòng)態(tài)管理平臺包含大棚房預(yù)警、設(shè)備管理等功能,可實(shí)現(xiàn)設(shè)施溫室生產(chǎn)狀態(tài)的智能化、動(dòng)態(tài)化監(jiān)管。
圖像識別模型技術(shù)路線如圖1所示。
圖1 圖像識別模型技術(shù)路線
以公司安裝的3 448個(gè)設(shè)施溫室圖像監(jiān)控設(shè)備為研究對象,分析3 448個(gè)設(shè)施溫室的生產(chǎn)狀態(tài)數(shù)據(jù),將設(shè)施溫室圖像識別模型除設(shè)施溫室生產(chǎn)狀況種植、休耕、撂荒、大棚房4種狀態(tài)外,增加攝像頭損壞、拍攝角度異常2種圖像監(jiān)控設(shè)備的監(jiān)控狀態(tài)進(jìn)行分析。
在生產(chǎn)動(dòng)態(tài)管理平臺的圖像識別功能中,可直接查詢圖像識別的結(jié)果(結(jié)果如圖2~圖6所示),從圖像識別的結(jié)果圖可以看出,本項(xiàng)目中的圖像識別模型的識別結(jié)果均正確,可為設(shè)施溫室大棚房的監(jiān)管提供數(shù)據(jù)支撐。
圖2 圖像識別—設(shè)施溫室種植狀態(tài)圖
圖3 圖像識別—設(shè)施溫室休耕狀態(tài)圖
圖4 圖像識別—設(shè)施溫室撂荒狀態(tài)圖
圖5 攝像頭損壞圖
圖6 拍攝角度異常圖
在設(shè)施溫室圖像識別中,由于攝像頭損壞、拍攝角度異常等情況無法進(jìn)行正常的圖像識別,在本項(xiàng)目中設(shè)施溫室圖像識別正常為1 753棟,占設(shè)施總數(shù)的53.4%;設(shè)施溫室圖像識別異常為1 530棟,占設(shè)施總數(shù)的46.60%,具體如圖7所示。
圖7 圖像識別正常、異常占比圖
本研究的設(shè)施溫室圖像識別模型,可識別設(shè)施溫室種植、休耕、撂荒、大棚房4種生產(chǎn)狀態(tài),在圖像識別正常的1 753棟設(shè)施中,種植的為949棟,占正常設(shè)施圖像識別總數(shù)的54.14%;休耕的為673棟,占比為38.39%;撂荒的為131棟,占比為7.47%;大棚房為0棟。具體如圖8所示。
圖8 設(shè)施溫室4種生產(chǎn)狀態(tài)占比圖
本研究中設(shè)施溫室圖像識別異常的1 530棟中,攝像頭損壞為117棟,占設(shè)施溫室圖像識別異??倲?shù)的7.65%;拍攝角度異常為1 413棟,占設(shè)施溫室圖像識別異??倲?shù)的92.35%。具體如圖9所示。
圖9 圖像識別異常分析占比圖
本研究首先簡單介紹了圖像識別技術(shù),及采用目前較成熟的卷積神經(jīng)網(wǎng)絡(luò)(CNN)技術(shù)搭建本研究的圖像識別模型。其次,從獲取設(shè)施溫室圖像數(shù)據(jù)、設(shè)施溫室圖像數(shù)據(jù)預(yù)處理、基于深度學(xué)習(xí)的算法模型研究、構(gòu)建設(shè)施溫室生產(chǎn)動(dòng)態(tài)管理平臺4個(gè)方面闡述了本研究的方案。最后對設(shè)施溫室生產(chǎn)狀態(tài)結(jié)果進(jìn)行了分析。圖像識別技術(shù)對設(shè)施溫室的圖像識別從輸出結(jié)果來看較為準(zhǔn)確,可以利用圖像識別技術(shù)對設(shè)施溫室大棚房進(jìn)行監(jiān)管,有效提升監(jiān)管效率,大大降低了人力、物力的投入。
但利用圖像識別技術(shù)也存在一定的問題,如本研究中圖像識別異常情況有1 530棟,占總數(shù)的46.6%。在圖像識別異常情況中,有117棟為設(shè)備損壞,占到圖像識別異常情況的7.65%,因此圖像監(jiān)控設(shè)備的質(zhì)量有待提升。在圖像識別異常情況中,有1 413棟為拍攝角度異常,占圖像識別異常情況的92.35%。根據(jù)本研究的線下走訪,生產(chǎn)園區(qū)會(huì)因躲避監(jiān)控故意扭轉(zhuǎn)圖像監(jiān)控設(shè)備的攝像頭,因此,用圖像識別技術(shù)監(jiān)管設(shè)施溫室大棚房還需要提高生產(chǎn)園區(qū)的意識,并通過政策獎(jiǎng)補(bǔ)、農(nóng)技服務(wù)、產(chǎn)銷對接等手段激勵(lì)生產(chǎn)園區(qū)接受新技術(shù)的監(jiān)管[9-10]。
物聯(lián)網(wǎng)技術(shù)2022年12期