孙 军

（贵州工程应用技术学院土木建筑工程学院，贵州毕节 551700）

0 前言

茶树病虫害的发生和发展一直都是茶产业的发展一大难题。传统的茶树病虫害防治基于茶农经验和统计学方法解决问题[1]。随后遥感信息技术等现代科学手段[2]被应用到了茶树病虫害的防治之中。随着无人机、无线视频监控等现代科技手段的发展和普及，新的茶树病虫害防治手段也随之产生和发展。本文结合人工智能和数字图像处理技术，把最新人工智能成果应用于茶树病虫害防治之中，提升了茶树病虫害的防治效果。

1 病虫害预警结构

病虫害预警网络结构由视频监控终端，中央处理器，和报警统计分析装置组成。视频监控终端由固定监控装置或移动视频装置（如无人机）组成。固定监控装置按照一定的距离比例均匀分布茶场。移动视频装置可对整体茶场实施动态监测。病虫害预警结构如图1所示。

1.视频监控终端；2.基座平台；3.微机（中央处理器）；4.控制箱；5 信息处理输出端及报警装置

如图1所示，视频监控终端以固定的间隔时间t采集图片f1和f2传输到中央处理器。中央处理器通过公式g=f2-f1对两张图片进行灰度值对比，可以分割出图片中的异常区域[3]，对异常区域进行处理分析和信息汇总。在异常区域位置发生移动的情况下，可以根据异常区域移动趋势对视频监控终端自动调整，对移动目标进行跟踪分析[3]。最后确定中央处理器的报警阈值，通过报警装置进行自动报警。

2 卷积神经网络学习(CNN)

病虫害预警网络结构的核心是中央处理器，中央处理器的核心是人工智能。通过近几年的实验数据表明，卷积神经网络（CNN）[4]在图像目标检测识别中成功率较高。随着深度学习技术的发展和引入，卷积神经网络模型由CNN发展到了RCNN（Regions with CNN features）[5]，再由RCNN 扩展到Fast RCNN[6]和Faster RCNN[7]，最后发展到了SSD[8]模型。卷积神经网络（CNN）为特征提取和特征映射双层结构。神经网络结构如图2所示。

图2 神经网络结构

RCNN基于图像分割算法实现目标位置锁定，确定阈值调整目标位置的图像比例尺寸，再对目标属类进行划分。RCNN需要对所有可能的情况进行分析，极大降低了学习效率。Fast RCNN在整幅图片中提取感兴趣的区域。计算频次低，计算效率有所提升。Faster RCNN通过添加RPN(Region Proposal Network)网络实现图像目标识别，无需进行图像分割。继Fast RCNN和Faster RCNN之后，在此二者的基础上又提出了改进的SSD[8]算法，并在实验检测中有更好的实验检测效果。

3 卷积神经网络在茶树病虫害中的应用

实验以贵州省毕节市的茶产业基地为背景，在同一场地使用不同卷积神经网络（CNN）模型进行实验。实验时间一年，预警20次。首先通过网络收集和现场拍照等方式获取大量的茶树病虫害的训练图片，再对训练图片进行人工修整，按照茶树病虫害的类别进行人工分类和标注，最后输入不同的卷积神经网络（CNN）模型进行训练，并通过实验比较训练得到的结果。

表1 实验结果比较

4 结语

由于茶树具有四季常青的性质，茶场背景光谱色泽相对单一，从图片上易于对病变区域目标进行分割。因此，在训练和使用卷积神经网络（CNN）模型的时候，对图像像素要求不高。通过实验数据表明，采用Fast RCNN模型和SSD模型具有相同的效果。考虑到图像像素要求低的情况，Fast RCNN模型预警效果实际优于其它的卷积神经网络（CNN）模型。