任惠芳

（北京天创金农科技有限公司，北京 101125）

0 引 言

2018年，北京昌平“大棚房”事件被曝光，全国开展了大棚房整治行动。党中央、国务院出台了一系列严格耕地保护的政策措施。2021年，国务院印发《“十四五”推进农业农村现代化规划》[1]中提到坚守18亿亩耕地红线。2020年，国务院办公室颁发了《关于坚决制止耕地“非农化”行为的通知》，要求采取有力措施，强化监督管理，落实好最严格的耕地保护制度，坚决制止耕地“非农化”行为，坚决守住耕地红线，落实“藏粮于技、藏粮于地”战略。“大棚房事件”发生后，全国开展了多次专项治理，但卷土重来现象偶有发生，只靠人工进行设施温室监管存在一些短板，比如监管滞后、耗费大量人力等。

为此，本研究积极探索物联网、人工智能等新一代信息技术在设施温室监管中的应用，在设施温室中部署图像监控设备采集设施温室中的图像，通过对图像进行识别，判断设施温室种植、休耕、撂荒、大棚房4种生产状态，从而实现设施温室的智能监管，为设施温室生产状态智能监管提供技术支撑。

1 图像识别技术概述

图像识别是人们获得信息的重要途经，目前图像识别技术在安全、工业、医疗等领域得到了广泛应用，但在农业领域的应用发展较为缓慢[2]。基于颜色进行图像识别的研究相对较容易，也发展较早，如根据颜色判断果蔬的成熟度等。李宏利等研究了图像中成熟苹果果实的定位方法研究，满足快速识别成熟苹果的需求[3]。基于纹理信息进行图像识别，可以在颜色不易区分的情况下进行识别，国内外的杂草识别研究多基于此技术。彭明霞等研究了在复杂背景下棉田杂草的高效识别方法[4]。基于形态的识别相对较难，伍蓥芮等得出DBSCAN图像分割算法可以用于棚室番茄果实的识别，为番茄采摘机器人识别番茄果实提供技术支持[5]。随着应用场景的复杂化，单一特征的识别已经不能满足实际应用，因此，利用深度学习的图像识别方法已经逐步应用到农业领域。

设施大棚生产状态识别利用基于深度学习的图像分类技术，深度学习通过深度神经网络结构将数据从低维度映射到高维度，从而将数据从低维特征空间转换为更高维度特征空间，并能够从大量数据中自动学习特征，避免手工提取特征的过程，实现了对数据特征的自动提取，最后能够得到表征数据的分布式表示，实现复杂函数的逼近[6]。

张琦等通过研究发现在图像识别技术中卷积神经网络（以下简称CNN）技术的应用最为广泛，本研究应用CNN技术对设施大棚的生产状态特征进行提取分类[7]。依托CNN技术，使用Python语言基于TensorFlow框架研发和优化图像识别算法，在TensorFlow框架上使用高级Keras API对设施温室生产空间进行分析。构建卷积神经网络（CNN）结构模型，对卷积层进行设计，使其更好地提取特征。激活单元采用ReLu方法，防止模型在学习过程中出现梯度消失的问题；对池化层进行设计，减少网络中参数的数量，减少CPU/GPU计算资源，同时有效控制过拟合；对全连接层进行设计，在模型当中扮演分类的角色，输出预测结果，该层的最后一层激活单元采用Sigmoid方法。

2 需求方案设计

选取安装了图像监控设备的设施温室作为研究对象，设定设施温室种植、休耕、撂荒和大棚房4种分类进行特征提取，每个图像监控设备每天拍摄2张设施温室图像上传到系统，拍摄时间为9:00和14:00[8]。

2.1 获取设施温室图像数据

在设施温室中安装图像监控设备，对图像监控设备进行合理的空间角度布置，采集设施温室的空间图像。

2.2 设施温室图像数据预处理

由人工对设施温室的图像数据进行手动筛查，删除不符合条件的图像数据，得到有价值的原始数据集。为将原始图像转化为模型和算法，对设施温室图像进行裁剪和归一化预处理，并对深度学习建模的数据集进行人工标注。

2.3 基于深度学习的算法模型研究

针对设施温室生产状态的情况，选择多种深度学习模型对设施温室图像进行分类研究，最终确立了CNN技术，建立了设施温室种植、休耕、撂荒、大棚房4种生产状态的图像识别模型。

2.4 构建设施温室生产动态管理平台

在设施温室生产状态图像识别模型建立后，采用Djang0开发方案，应用Python开发技术，在TensorFlow框架上构建设施温室生产动态管理平台。设施温室生产动态管理平台包含大棚房预警、设备管理等功能，可实现设施温室生产状态的智能化、动态化监管。

图像识别模型技术路线如图1所示。

图1 图像识别模型技术路线

3 设施温室图像识别结果

以公司安装的3 448个设施温室图像监控设备为研究对象，分析3 448个设施温室的生产状态数据，将设施温室图像识别模型除设施温室生产状况种植、休耕、撂荒、大棚房4种状态外，增加摄像头损坏、拍摄角度异常2种图像监控设备的监控状态进行分析。

3.1 平台中设施温室图像识别结果

在生产动态管理平台的图像识别功能中，可直接查询图像识别的结果（结果如图2～图6所示），从图像识别的结果图可以看出，本项目中的图像识别模型的识别结果均正确，可为设施温室大棚房的监管提供数据支撑。

图2 图像识别—设施温室种植状态图

图3 图像识别—设施温室休耕状态图

图4 图像识别—设施温室撂荒状态图

图5 摄像头损坏图

图6 拍摄角度异常图

3.2 设施温室图像识别结果分析

在设施温室图像识别中，由于摄像头损坏、拍摄角度异常等情况无法进行正常的图像识别，在本项目中设施温室图像识别正常为1 753栋，占设施总数的53.4%；设施温室图像识别异常为1 530栋，占设施总数的46.60%，具体如图7所示。

图7 图像识别正常、异常占比图

本研究的设施温室图像识别模型，可识别设施温室种植、休耕、撂荒、大棚房4种生产状态，在图像识别正常的1 753栋设施中，种植的为949栋，占正常设施图像识别总数的54.14%；休耕的为673栋，占比为38.39%；撂荒的为131栋，占比为7.47%；大棚房为0栋。具体如图8所示。

图8 设施温室4种生产状态占比图

本研究中设施温室图像识别异常的1 530栋中，摄像头损坏为117栋，占设施温室图像识别异常总数的7.65%；拍摄角度异常为1 413栋，占设施温室图像识别异常总数的92.35%。具体如图9所示。

图9 图像识别异常分析占比图

4 结 语

本研究首先简单介绍了图像识别技术，及采用目前较成熟的卷积神经网络（CNN）技术搭建本研究的图像识别模型。其次，从获取设施温室图像数据、设施温室图像数据预处理、基于深度学习的算法模型研究、构建设施温室生产动态管理平台4个方面阐述了本研究的方案。最后对设施温室生产状态结果进行了分析。图像识别技术对设施温室的图像识别从输出结果来看较为准确，可以利用图像识别技术对设施温室大棚房进行监管，有效提升监管效率，大大降低了人力、物力的投入。

但利用图像识别技术也存在一定的问题，如本研究中图像识别异常情况有1 530栋，占总数的46.6%。在图像识别异常情况中，有117栋为设备损坏，占到图像识别异常情况的7.65%，因此图像监控设备的质量有待提升。在图像识别异常情况中，有1 413栋为拍摄角度异常，占图像识别异常情况的92.35%。根据本研究的线下走访，生产园区会因躲避监控故意扭转图像监控设备的摄像头，因此，用图像识别技术监管设施温室大棚房还需要提高生产园区的意识，并通过政策奖补、农技服务、产销对接等手段激励生产园区接受新技术的监管[9-10]。