一种病虫害检测识别装置的设计*

张贺凯，刘 勇，3*，杨李恒，远浩东，刘志新，李欣怡

（1.黑龙江大学 电子工程学院，黑龙江 哈尔滨 150080；2.哈尔滨医科大学 生物信息科学与技术学院，黑龙江 哈尔滨 150081；3.黑龙江东部节水设备有限公司研发中心，黑龙江 绥化 152000）

药用植物在栽培管理过程中，受到有害生物的侵染或不良生活环境的影响，其正常新陈代谢能力受到严重干扰，从生理机能到组织内部结构上发生了一系列的变化和破坏[1]，以致在外表形态上出现异常病变现象，如枯萎、腐烂、斑点、霉粉等，统称病害。

现有技术中，仍旧存在较多缺点，如在材料发生病害的位置不同，在检测识别的过程中，无法观察到材料的底部表面，不能对材料全部进行检测[2]，难以找到病虫害的地方。

笔者设计了一种病虫害检测识别装置，解决上述因无法对材料全部进行检测等带来的检测识别难题。

1 病虫害检测识别装置的设计

病虫害检测识别装置的设计主要围绕全方位的病害检测展开。

全方位的病害检测：让压制板位于放置板的顶部，使得密封板进到加固板的内部，对材料进行覆盖，减少后续发生的移动，便于进行检测，之后通过圆杆可以对放置板以及压制板进行转动，让旋转杆在第一弧形板以及第二弧形板表面的凹槽处进行转动，使得材料进行全面的展示，且显微镜与槽洞活动连接，对材料进行全面观察，且通过照明灯让外壳内部的亮度增加，便于详细观察，从而通过材料的旋转以及显微镜的移动可以对材料不同位置进行详细观察，实现对材料全部进行病害检测。

2 结构设计和工作流程

2.1 结构设计

病虫害检测识别装置的结构见图1。由图1可知，外壳的顶端内部设置有堵板，堵板通过螺钉与外壳固定连接。同时，外壳的内部设置有放置板，其顶部设置有压制版。堵板的底部设置有竖杆，其底端设置有第一弧形板，第一弧形板通过竖杆和堵板固定连接。

图1 整体结构剖视图

套筒结构（图2）在外壳的内部设置有环形板，环形板的内壁与放置板的外侧存在一定距离，其两端均设置有2个圆杆，圆杆与外壳活动链接，外壳的内部有加固板，环形板通过加固板与放置板固定连接，提高连接稳定性。环形板的两侧均设置有推动板，圆杆贯穿推动板且与推动板活动连接，推动板靠近环形板的一侧设置有限制杆，可以防止顶部的压制板发生移动，同时限制杆的一端与推动板活动连接，最大程度地保证限制杆随着加固板发生旋转。内部第一弧形板的底部与第二弧形板接触（图3），二者的内壁表面均设置有2个凹槽，这两个凹槽互相连通。压制板的一侧设有旋转杆，与压制板固定连接，也与旋转杆的另一端与凹槽紧密活动连接。外壳的正面设置有槽洞，其内部设置有显微镜与槽洞活动链接[3]。外壳的顶端内壁均设置有多个照明灯，底端两侧表面均设置有孔槽，推动板的底端延伸至孔槽的内部，推动板的一端位于孔槽的内部，可以防止推动板发生旋转。

图2 套筒结构示意图

图3 第二弧形板与压制板侧视图

推动板靠近外壳内部的一侧设置有螺纹杆，螺纹杆与外壳螺纹连接，通过螺纹杆的转动可以让推动板沿着圆杆发生运动，让限制杆进到密封板表面的凹洞中。同时，推动板与限制杆活动连接，第二弧形板的底部设置有支撑杆，第二弧形板通过支撑杆与外壳的底端内壁固定连接，对第二弧形板进行支撑，防止发生运动。

压制板的底部设置有密封板，密封板与环形板以及放置板之间距离相适配，密封板的两端表面均设置有凹洞，让密封板进到环形板与放置板之间，对顶部的材料进行覆盖。显微镜与槽洞活动连接，对材料进行全面观察，且通过照明灯让外壳内部的亮度增加，便于详细观察，从而通过材料的旋转以及显微镜的移动可以对材料不同位置进行详细观察，进而对材料全部进行病害检测（图4）。

图4 密封板与圆杆俯视图

2.2 工作流程

病虫害检测识别装置在使用时，将材料放在放置板上面，让第一弧形板向下运动，使得第一弧形板进到外壳的内部，并使得压制板位于放置板的顶部。由于旋转杆的另一端与凹槽紧密连接，可以防止压制板自动发生旋转，通过堵板的持续向下运动，可以让第一弧形板以及底部的密封板同时向下运动，第一弧形板向下运动，使得第一弧形板以及第二弧形板相接触，防止继续向下运动。在密封板向下运动时，可以让密封板进到环形板与放置板之间的距离中，且通过第一弧形板的向下运动使得压制板向下运动，对材料进行覆盖，减少后续发生移动的情况，便于进行检测，让压制板的底部表面与材料相接触，通过放置板与压制板可以对材料进行固定，便于后续的操作，并使得密封板进到加固板的内部，之后将螺纹杆进行旋转。由于螺纹杆与外壳螺纹连接，通过外壳可以让旋转的螺纹杆发生移动，并推动了推动板发生运动，使得推动板沿着圆杆发生移动，并可以让限制杆发生移动，因为限制杆与加固板活动连接，保证限制杆的运动，使得限制杆的一端逐渐进入到凹洞的内部。由于凹洞与限制杆合并，通过二者的合并可以防止密封板向上运动，增加了压制板的稳定性，之后将圆杆发生转动，让环形板以及底部的加固板同时发生转动。由于密封板位于加固板的内部，且与限制杆合并，可以使得放置板以及顶部的压制板同时发生转动，对材料进行旋转；在压制板进行旋转时，带动了旋转杆的旋转，使得旋转杆在第一弧形板中的凹槽进行旋转，让放置板以及压制板处于竖直状态。当圆杆反方向进行转动时，使得旋转杆转动到第二弧形板表面的凹槽中，使材料进行全面的展示。在材料进行旋转的过程中，通过显微镜对材料详细观察，且显微镜与槽洞活动连接，可对材料进行全面观察，同时通过照明灯让外壳内部的亮度增加，更便于详细观察。

3 工作原理及其检测算法

3.1 工作原理

本装置在使用时让压制板位于放置板的顶部，使得密封板进到加固板的内部，对材料进行覆盖，减少后续发生移动，便于进行检测。之后通过圆杆可以对放置板以及压制板进行转动，让旋转杆在第一弧形板以及第二弧形板表面的凹槽处进行转动，使得材料进行全面的展示，且显微镜与槽洞活动连接，对材料进行全面观察，且通过照明灯让外壳内部的亮度增加，便于详细观察，从而通过材料的旋转以及显微镜的移动可以对材料不同位置进行详细观察，实现全面地对材料进行病害检测。在使用时，通过螺纹杆的转动可以让推动板沿着圆杆发生运动，让限制杆进到密封板表面的凹洞中，可以防止顶部的压制板发生移动，且限制杆的一端与推动板活动连接，保证限制杆随着加固板发生旋转。

3.2 检测算法

3.2.1 卷积神经网络算法

AlexNet卷积神经网络结构如图5所示，共有8层，前5层为卷积层，后 3层为全连接层。它在 CNN中成功应用了 ReLU、Dropout和 LRN等。AlexNet利用ReLU代替 sigmoid提升了模型的收敛速度；通过 LRN局部响应归一化增强模型的泛化能力；最重要的是采用Dropout方式可以有效避免小样本数据集训练过程中极易出现的过拟合现象[4]。本装置采用的是AlexNet卷积神经网络算法对材料进行全方位的图像检测。

图5 AlexNet卷积神经网络结构

3.2.2 Inception-ResNet模块

Inception模块将多个卷积层与一个池化层并联在网络中，模型在训练的过程中自主选择使用哪种方式获取特征信息，不需要人为地确定参数，是一种高效的稀疏结构，有利于提取到丰富的特征[5]。使用多种尺寸的卷积核，提取不同层次的特征，增加了特征的多样性。Inception将不同尺寸的特征融合在一起有利于后面的分类任务。并利用小卷积代替大卷积，使用1×n，n×1的非对称卷积代替n×n的卷积核，大大减少了网络的参数量，提升了网络的运算速度。Inception结构增加了网络的宽度，在深层卷积神经网络中能提高网络的鲁棒性和泛化能力。

Inception-Resnet-v2模型是Google团队在2016年发布的卷积神经网络，是Szegedy在 Inception结构的基础上与ResNet相结合提出的一种新的网络结构，使网络的深度进一步增加，并增强了网络的非线性，加速了网络的训练。

3.2.3 Batch Normalization

批归一化算法是由 Ioffe等提出的一种训练优化方法，也是网络的一层，一般在卷积层之后、激活函数之前，简称 BN层。BN层的作用是在训练的过程中将每层神经元的输入数据归一化到均值为 0，方差为 1的高斯分布，同时添加两个超参数，然后再进行激活函数的运算，可以有效减少网络的训练时间。在训练过程中从总的训练数据集中选取一个 mini-batch数据集对网络进行训练，将这个 batch的输入进行归一化处理。设，其中m为批次大小，n为特征图的维度。计算每个batch的均值和方差：

对输入归一化处理后得：

式中：ε为一个极小值，防止分母为0；k表示当前的维度。这样就将每个batch的输入数据归一化到N（0，1）的正态分布。但是只对数据进行归一化可能会改变原本输入数据的特性或分布，会影响到当前层所学习到的特征，所以又引入了两个超参数对正态分布进行平移和缩放：

式中，γ表示缩放，β表示平移，一般设γ=1，β=0。

BN层使模型可以使用大的学习率，加快网络的收敛速度[6]；有类似于Dropout和正则化的效果，能防止网络的过拟合问题，提高模型的泛化能力。

4 设计试验

4.1 试验目的

以本病虫害检测识别装置和AlexNet卷积神经网络在病虫害识别领域的效果为试验对象，测试装置收集图像信息的效果以及利用AlexNet卷积神经网络进行相应目标检测的能力，进而判定此装置与此算法相结合的有效性和可靠性。

4.2 试验条件

对本识别装置进行试验，试验地点在黑龙江省哈尔滨市南岗区学府路74号黑龙江大学通信工程创新实验室，对卷积神经网络算法的应用试验平台是在AI Studio平台上进行试验的。

4.3 试验方法

采集图像试验：启动装置，将材料放置在识别装置上，通过材料的旋转和显微镜的移动进行全方位的图像收集。

虫害检测试验：在AI Studio平台上将装置收集到的图像利用卷积神经网络算法进行目标检测，通过可视化方法对检测结果进行观察。

4.4 试验结果

装置运行效果良好，可有效对整个材料进行观察，观察效果见图6；卷积神经网络进行目标检测效果良好，效果见图7和图8。

图6 病虫害检测装置收集的病虫图片

图7 卷积神经网络算法进行目标检测的相关系数

图8 卷积神经网络算法进行目标检测的结果图

5 结束语

本文设计的病虫害识别装置结构合理，通过设有加固板和显微镜对材料进行覆盖，减少后续发生移动，便于全面地对材料进行病害检测。此外，该装置设有密封板与限制杆，通过螺纹杆的转动可以让推动板沿着圆杆发生运动，让限制杆进到密封板表面的凹洞中，可防止顶部的压制板发生移动，保证限制杆随着加固板发生旋转。在检测过程中采用了卷积神经网络进行检测，提高了病虫害检测效率，有效解决无法全面检测材料的问题。