圖像識別技術在設施溫室監管中的應用

任惠芳

（北京天創金農科技有限公司，北京 101125）

0 引 言

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。黨中央、國務院出臺了一系列嚴格耕地保護的政策措施。2021年，國務院印發《“十四五”推進農業農村現代化規劃》[1]中提到堅守18億畝耕地紅線。2020年，國務院辦公室頒發了《關于堅決制止耕地“非農化”行為的通知》，要求采取有力措施，強化監督管理，落實好最嚴格的耕地保護制度，堅決制止耕地“非農化”行為，堅決守住耕地紅線，落實“藏糧于技、藏糧于地”戰略。“大棚房事件”發生后，全國開展了多次專項治理，但卷土重來現象偶有發生，只靠人工進行設施溫室監管存在一些短板，比如監管滯后、耗費大量人力等。

為此，本研究積極探索物聯網、人工智能等新一代信息技術在設施溫室監管中的應用，在設施溫室中部署圖像監控設備采集設施溫室中的圖像，通過對圖像進行識別，判斷設施溫室種植、休耕、撂荒、大棚房4種生產狀態，從而實現設施溫室的智能監管，為設施溫室生產狀態智能監管提供技術支撐。

1 圖像識別技術概述

圖像識別是人們獲得信息的重要途經，目前圖像識別技術在安全、工業、醫療等領域得到了廣泛應用，但在農業領域的應用發展較為緩慢[2]。基于顏色進行圖像識別的研究相對較容易，也發展較早，如根據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的定位方法研究，滿足快速識別成熟蘋果的需求[3]。基于紋理信息進行圖像識別，可以在顏色不易區分的情況下進行識別，國內外的雜草識別研究多基于此技術。彭明霞等研究了在復雜背景下棉田雜草的高效識別方法[4]。基于形態的識別相對較難，伍鎣芮等得出DBSCAN圖像分割算法可以用于棚室番茄果實的識別，為番茄采摘機器人識別番茄果實提供技術支持[5]。隨著應用場景的復雜化，單一特征的識別已經不能滿足實際應用，因此，利用深度學習的圖像識別方法已經逐步應用到農業領域。

設施大棚生產狀態識別利用基于深度學習的圖像分類技術，深度學習通過深度神經網絡結構將數據從低維度映射到高維度，從而將數據從低維特征空間轉換為更高維度特征空間，并能夠從大量數據中自動學習特征，避免手工提取特征的過程，實現了對數據特征的自動提取，最后能夠得到表征數據的分布式表示，實現復雜函數的逼近[6]。

張琦等通過研究發現在圖像識別技術中卷積神經網絡（以下簡稱CNN）技術的應用最為廣泛，本研究應用CNN技術對設施大棚的生產狀態特征進行提取分類[7]。依托CNN技術，使用Python語言基于TensorFlow框架研發和優化圖像識別算法，在TensorFlow框架上使用高級Keras API對設施溫室生產空間進行分析。構建卷積神經網絡（CNN）結構模型，對卷積層進行設計，使其更好地提取特征。激活單元采用ReLu方法，防止模型在學習過程中出現梯度消失的問題；對池化層進行設計，減少網絡中參數的數量，減少CPU/GPU計算資源，同時有效控制過擬合；對全連接層進行設計，在模型當中扮演分類的角色，輸出預測結果，該層的最后一層激活單元采用Sigmoid方法。

2 需求方案設計

選取安裝了圖像監控設備的設施溫室作為研究對象，設定設施溫室種植、休耕、撂荒和大棚房4種分類進行特征提取，每個圖像監控設備每天拍攝2張設施溫室圖像上傳到系統，拍攝時間為9:00和14:00[8]。

2.1 獲取設施溫室圖像數據

在設施溫室中安裝圖像監控設備，對圖像監控設備進行合理的空間角度布置，采集設施溫室的空間圖像。

2.2 設施溫室圖像數據預處理

由人工對設施溫室的圖像數據進行手動篩查，刪除不符合條件的圖像數據，得到有價值的原始數據集。為將原始圖像轉化為模型和算法，對設施溫室圖像進行裁剪和歸一化預處理，并對深度學習建模的數據集進行人工標注。

2.3 基于深度學習的算法模型研究

針對設施溫室生產狀態的情況，選擇多種深度學習模型對設施溫室圖像進行分類研究，最終確立了CNN技術，建立了設施溫室種植、休耕、撂荒、大棚房4種生產狀態的圖像識別模型。

2.4 構建設施溫室生產動態管理平臺

在設施溫室生產狀態圖像識別模型建立后，采用Djang0開發方案，應用Python開發技術，在TensorFlow框架上構建設施溫室生產動態管理平臺。設施溫室生產動態管理平臺包含大棚房預警、設備管理等功能，可實現設施溫室生產狀態的智能化、動態化監管。

圖像識別模型技術路線如圖1所示。

圖1 圖像識別模型技術路線

3 設施溫室圖像識別結果

以公司安裝的3 448個設施溫室圖像監控設備為研究對象，分析3 448個設施溫室的生產狀態數據，將設施溫室圖像識別模型除設施溫室生產狀況種植、休耕、撂荒、大棚房4種狀態外，增加攝像頭損壞、拍攝角度異常2種圖像監控設備的監控狀態進行分析。

3.1 平臺中設施溫室圖像識別結果

在生產動態管理平臺的圖像識別功能中，可直接查詢圖像識別的結果（結果如圖2～圖6所示），從圖像識別的結果圖可以看出，本項目中的圖像識別模型的識別結果均正確，可為設施溫室大棚房的監管提供數據支撐。

圖2 圖像識別—設施溫室種植狀態圖

圖3 圖像識別—設施溫室休耕狀態圖

圖4 圖像識別—設施溫室撂荒狀態圖

圖5 攝像頭損壞圖

圖6 拍攝角度異常圖

3.2 設施溫室圖像識別結果分析

在設施溫室圖像識別中，由于攝像頭損壞、拍攝角度異常等情況無法進行正常的圖像識別，在本項目中設施溫室圖像識別正常為1 753棟，占設施總數的53.4%；設施溫室圖像識別異常為1 530棟，占設施總數的46.60%，具體如圖7所示。

圖7 圖像識別正常、異常占比圖

本研究的設施溫室圖像識別模型，可識別設施溫室種植、休耕、撂荒、大棚房4種生產狀態，在圖像識別正常的1 753棟設施中，種植的為949棟，占正常設施圖像識別總數的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 設施溫室4種生產狀態占比圖

本研究中設施溫室圖像識別異常的1 530棟中，攝像頭損壞為117棟，占設施溫室圖像識別異常總數的7.65%；拍攝角度異常為1 413棟，占設施溫室圖像識別異常總數的92.35%。具體如圖9所示。

圖9 圖像識別異常分析占比圖

4 結 語

本研究首先簡單介紹了圖像識別技術，及采用目前較成熟的卷積神經網絡（CNN）技術搭建本研究的圖像識別模型。其次，從獲取設施溫室圖像數據、設施溫室圖像數據預處理、基于深度學習的算法模型研究、構建設施溫室生產動態管理平臺4個方面闡述了本研究的方案。最后對設施溫室生產狀態結果進行了分析。圖像識別技術對設施溫室的圖像識別從輸出結果來看較為準確，可以利用圖像識別技術對設施溫室大棚房進行監管，有效提升監管效率，大大降低了人力、物力的投入。

但利用圖像識別技術也存在一定的問題，如本研究中圖像識別異常情況有1 530棟，占總數的46.6%。在圖像識別異常情況中，有117棟為設備損壞，占到圖像識別異常情況的7.65%，因此圖像監控設備的質量有待提升。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%。根據本研究的線下走訪，生產園區會因躲避監控故意扭轉圖像監控設備的攝像頭，因此，用圖像識別技術監管設施溫室大棚房還需要提高生產園區的意識，并通過政策獎補、農技服務、產銷對接等手段激勵生產園區接受新技術的監管[9-10]。