基于微信公眾號的農業害蟲識別系統

賈瑞

摘要：本農業害蟲識別系統本著操作簡單、實時性強、成本低原則而設計，利用微信平臺，通過微信公眾號的開發將害蟲的圖像識別技術應用在移動設備上。當農戶在田地里發現不認識的害蟲時，不需要前往病蟲害防治中心等機構去請教專家來，而只需要用手機拍下未知害蟲的圖片，然后將圖片傳給微信公眾號，經過識別系統的內部識別，系統將害蟲的相關信息及如何進行防治等方法以“消息”的形式再發給農戶。

關鍵詞：微信公眾號；圖像識別；害蟲識別

中圖分類號：TN912.34 文獻標識碼：A 文章編號：1007-9416（2018）01-0076-03

1 引言

我國是一個農業大國，農業是國民經濟的基礎產業。而在農業總產值中，種植業占到的一半以上。而隨著科學技術的發展，我國的農業處于由傳統農業向現代農業的過渡時期。在這個時期中，農業所面臨的困難和威脅，主要來源于農業害蟲及其所帶來的經濟損失。因為農業病蟲害發病率較高，發病速度較快，如果不及時進行診斷和防治，對于我國依靠農業收入的農戶將帶來嚴重的經濟損失。因此，如何進行有效、快捷地對病蟲害進行準確的分類且進行識別和防治，就顯得尤為重要。

在對農作物進行害蟲識別的歷史進程中，最傳統的方法是進行人工識別，該方法主要是根據經驗比如害蟲的外形、顏色等來進行一般的判斷，這樣就較容易出現辨識缺陷，從而導致防治措施無效。而隨著人工智能技術及物聯網技術的發展和廣泛的應用，許多學者提出了很多關于害蟲圖像識別的方法。雖然有關害蟲圖像識別的方法越來越多，但相關研究的實際利用效率卻十分有限。因為在現實操作中，農田里的農作物品種十分繁多，害蟲的種類比較繁雜，而且不同種類的害蟲在不同的發育時期所呈現的外表形態都存在一些近似度，再加上在進行拍攝過程中，拍攝者的拍攝角度、光線等的不同等都會導致對害蟲的識別準確率降低。目前農業病蟲害診斷系統大多停留在通過人工操作、選擇癥狀、比對圖像等方式診斷推理出病蟲害情況，且存在以下問題：

（1）農作物種植者不會使用，需要依靠科研人員來進行使用；

（2）在進行害蟲識別時依賴電腦網絡，無法進行立時判別，無法滿足種植者的實時性的要求；

（3）所需要的設備較為昂貴，需要的投入較大。

而隨著手機等移動設備和微信的廣泛使用，便為農業病蟲害識別提供了新的平臺。本文的研究正是在這種社會背景下，將手機、微信及圖像識別技術結合起來，提出了一種基于微信公眾號的農業病蟲害圖像智能識別系統。

2 研究方案

如圖1所示，該系統主要分為兩大塊，首先是對用戶發送的圖片進行預處理、分類識別，再利用搭建好的微信平臺將圖片信息發送給用戶。

2.1 害蟲害圖像的數據收集

以往在實驗室里進行的圖像識別系統，其數據來源往往是在比較標準的圖像庫。而農作物的害蟲則存在多維度，樣本環境復雜等特點。所以在本系統中，基于以下幾個方面考慮構建圖像集，構建原則如圖2所示。

2.2 農作物害蟲圖像的預處理

在利用電子產品設備對農作物害蟲圖像進行采集的時候，會存在一些無法避免的噪聲干擾，這樣圖像的原始信息并不能充分完全的反映出來，所以要對采集到的害蟲圖像做預處理操作。在對圖像進行預處理過程中，主要包括圖像灰度化，圖像平滑，圖像分割等幾個方面，如圖3所示。圖像的預處理，主要是將采集圖像的過程中存在的噪聲進行去除，將圖像中主體的特征信息進行加強，從而得到中間圖像。

2.3 圖像特征提取

圖像特征的提取是指運用一定的特征算法，對圖像上的每個點進行運算，檢測該點是否屬于這個圖像特征。而常用特征主要有顏色特征、形態特征和紋理特征這三種提取方法。

例如在害蟲圖像識別過程中，對于和田間背景色彩差異很大的害蟲主體可以很好地通過顏色特征提取來進行識別。

但是，圖像作為一個整體，其圖像的顏色特征、紋理特征、形態特征等雖然具有其自身優勢，但是又不可避免地存在著局限性。而在圖像識別的過程中，若只用這三者之中的單一特征對目標進行識別，例如在以顏色特征為主的提取中，不可避免地會忽略其紋理及外表形態，而僅僅依賴顏色來進行識別，必然會存在著一定的誤差，可能還會很大。因此，只有將三種特征向量進行融合，才能較為準確全面地反應出圖像的原始的信息。在本文的研究中既是對這些特征參數進行了多特征融合，特征融合的處理流程如圖4所示。

本文使用Fisher線性判別方法求上述特征融合的權值。Fisher線性判別是一種線性分類方法，其在模式分類、數據分析、降維等領域得到廣泛的應用。若設模式x在n維空間中有c個模式類，Sb為訓練樣本類間散布矩陣，Sw為訓練樣本類內散布矩陣，S為訓練樣本總體散布矩陣，均為非負定矩陣，且S=Sb+Sw，則Fisher的準則函數定義為：

Jf（X）的值越大越好，也就是類間離散度和類內離散度的化值最大時。

2.4 服務器端的病蟲害圖像匹配

在圖像分類識別過程中，需要對圖像進行樣本訓練，在樣本訓練的過程中，通過學習來對圖像進行分類識別，達到對圖像進行匹配的目的。

2.4.1 樣本訓練

樣本訓練的過程就是對樣本圖像進行學習的過程，以此來訓練出可以對害蟲圖像進行識別的分類器；圖像識別的過程既是通過分類器對害蟲進行識別，并最終達到識別目的。若識別結果可以通過事先建立好的圖像數據庫中進行匹配，則即可對害蟲進行識別同時給出針對性的治療方案；若識別結果無法和我們建立的圖像數據庫進行匹配，就說明數據庫中沒有這個害蟲，則讓系統對圖像特征進行記錄，此時尋求害蟲專家來進行指導。服務器端接收到圖像信息后，通過上述算法把診斷結果及治療方案以消息的形式發給農作物的種植者。

2.4.2 圖像識別

現代圖像識別任務要求分類系統能夠適應不同類型的識別任務，而卷積神經網絡在圖像識別上的應用極為重要。圖像分類可以直接用神經網絡預測圖像屬于每一類的概率大小。另一種常用的方式是將神經網絡做特征提取，然后用傳統的SVM進行訓練和預測。

卷積神經網絡是一個多層神經網絡，每層由多個二維平面組成，而每個平面由多個神經元組成。輸入圖像通過和三個可訓練的濾波器和可加偏置進行卷積，濾波過程如圖5所示，卷積后在C1層產生三個特征映射圖，然后特征映射圖中每組的四個像素再進行求和，加偏置，加權重，通過一個Sigmoid函數得到三個S2層的特征映射圖。這些映射圖再經過濾波得到C3層。這個層級結構再和S2一樣產生S4。最終，這些像素值被光柵化，并連接成一個向量輸入到傳統神經網絡，得到輸出。

2.5 微信平臺端的病害蟲圖像傳遞

微信（WeChat）是騰訊公司推出的一個即時通訊服務的免費應用程序，該程序支持跨通信運營商、跨操作系統平臺，而且提供即時發送語音、視頻、圖片和文字等免費服務（耗費一定的網絡流量）。微信公眾號是品牌所有者為了推廣自身的服務、提升自身對大眾的影響力而建立的平臺。農作物種植著通過關注該系統的微信公眾號，按照系統的操作步驟將害蟲的照片添加進來，圖像會經微信后臺傳輸至服務器端，服務器端通過對圖像進行分類識別，然后將匹配的具體的害蟲信息及針對此害蟲的治療方案發送給用戶，其圖像交互原理如圖6所示。

3 結語

本文提出了一種集圖像處理及識別技術和微信公眾號于一體的農業病蟲害識別系統，該系統可以對害蟲進行實時分類識別且提供出對應的診斷治療方案。此識別系統的使用，不受時間地點的限制，只要有手機等移動設備及通信網絡，便可以解決傳統農業治療蟲害的種種不足。

參考文獻

[1]耿英.基于圖像識別的作物病害診斷研究[D].中國科學技術大學，2009.

[2]張潔.基于圖像識別的農作物害蟲診斷技術研究與應用[D].中國科學技術大學，2013.

[3]屠舒妍.基于Android移動終端的煙草病蟲害圖像智能識別系統研究[D].中國科學院大學，2015.