水稻病虫害智能识别与诊断技术在病虫害测报中的应用

黎 萍

（广西梧州市苍梧县沙头镇农业服务中心,广西 梧州 543117）

现如今，我国在水稻的病虫害测报领域尚未达到智能化要求。对于病虫害识别、诊断等也需要基层人员根据测报经验而展开，导致病虫害监测效率较低。为了达到智能化特保的要求，可通过图像作为病虫害识别、诊断重要基础，展开相关研究。

1.水稻病虫害识别和诊断的基础

在社会快速发展环境之下，更多前沿的技术被应用在农业生产当中。在水稻病虫害监测领域，图像识别这一技术主要是通过计算机对于病虫害图像展开处理，并通过分析的方式，对于图像进行识别。从人工智能、模式识别这一领域进行分析，可利用图像识别的理论算法辅助农业生产病虫害监测工作。识别系统组成部分有4个，一是图像变换；二是图像分割；三是图像描述；四是分类决策。上述组成结构关联紧密，能够对图像展开多层次处理。

2.水稻病虫害测报当中智能识别及诊断系统设计

2.1 系统结构和功能

利用图像对于水稻病虫害问题展开智能识别和诊断，该系统运用要点就是图片摄取，功能核心就是对图像当中的数据精准识别和还原。基于上述要求，本研究选择C/S架构识别系统，组成结构有三部分，第一为客户端，第二为PC端，第三为服务器端。通过客户端，用户能够随时对于水稻病虫害信息进行查看，还能灵活添加水稻图片。在图像的来源方面，可以是客户端内部相册，也可以利用客户端相机进行拍摄。当图片被添加到识别系统当中，PC端就可对图片展开预处理，处理流程包括分割图像，之后提取特征，利用TCP/IP等协议，经过客户端对图像进行处理以后，向服务器发送图像数据，同时还能对服务器返回诊断结果及时接收。服务器端能够随时保持监听状态，待客户端向服务器发送病虫害图像数据以后，服务器即可对于特征数据库展开自动化检索，调用水稻的病虫害信息识别算法，进行精准诊断，之后向客户端反馈诊断结果。利用PC端，相关人员可对图像特征进行提取，展开病虫害信息诊断，将提取内容向特征数据库内部存储，之后上传客户端，用户能够根据需求对于水稻病虫害的信息随时查看。

C/S系统框架组成结构有三个层次，第一，数据服务层，在其中存在特征数据库，能够完成特征数据的存储和提取，之后向服务器端发送，完成图像识别，通过对于特征数据相似度进行计算，进行病虫害诊断；第二，通信层，其中包含Internet和WiFi网络，负责传输水稻病虫害特点和诊断结果；第三，应用层，包括PC端、Android智能终端；在PC端主要负责病虫害图像的特征数据库建立，存储特征值、标本图像、病斑图像和增强图像，智能终端则负责对于图像识别，通过采集、预处理、分割、提取等，将对应病虫害类型信息和防治方法提取出来。

2.2 终端设计

在系统的终端设计方面，使用嵌入式相机作为客户端的采集硬件，完成水稻病虫害图像的采集，利用手持杆、手机、平板等作为辅助工具。信息采集过程，需要利用万向轮在手持杆前端固定相机，之后对于拍摄角度展开调节，由于手持杆轻便，并且容易伸缩，因此能够灵活调节相机位置，使其能够对病虫害位置全面采集。之后在手机或者平板电脑当中安装APP，即可预览相机拍摄图片。终端APP主要功能有三个，分别为网络模块、相机控制和视频预览，通过上述模块的相互作用对于手机拍照过程进行控制，完成病虫害信息的采集。

2.3 诊断过程

针对水稻病虫害的图像进行识别和诊断，需要做好图像采集、上传各项工作，服务器接收客户端上传图像之后，借助JNI技术，使用do Post算法能够调取特征数据库内部的病虫害图像信息，完成诊断和识别。具体流程如下：第一，创建本地Java类方法，之后对于病虫害图像的识别方法进行定义，使用native方法完成创建，之后使用语句“System load library”加载水稻病虫害的特征数据库。第二，利用命令完成Java源文件编译，之后生成代码；第三，发出命令，生成具备本地方法类型的头文件，即“Pest Identification”；第四，利用VC2008软件当中的“文件”、“新建”、“项目”、“Win32”等应用程序，完成数据库项目名的建立，添加头文件，上传所需软件，能够通过源文件识别水稻的病虫害图像；第五，变异图像特征的诊断和识别算法文件；第六，为保证数据库能够准确访问，应该拷贝服务器信息，对其展开实例化处理，调用特征数据库信息，完成图像识别、诊断。

2.4 数据库设计

运用Microsoft Office软件创建特征数据库，对于水稻的病虫害图像特点进行存储，数据库当中涵盖病虫害信息、图像特征信息和病虫害信息，上述信息均以表格的形式存在。而病虫害的图像信息可通过病虫害编号、图像编号、图像描述、治疗方法多种信息形式进行存储。图像特征的具体信息包括图像编号、图像亮度、图像形状、图像饱和度多种形态信息。病虫害信息同样包括编号、名称和防治方法等内容。不同数据表和实体之间相互对应，某一病虫害实体可以和多个图像实体之间相对应。

3.水稻病虫害测报智能识别诊断系统应用测试

3.1 系统功能效果

对于该系统的功能进行测试，主要是选择单一背景环境之下水稻病虫害样本，展开系统功能的验证。先将客户端启动，系统即可进入到对应界面当中，使用者可选择启动各功能模块，具体包括“虫害图片浏览”、“病害图片浏览”、“虫害拍照诊断”、“病害拍照诊断”等，所有图片都由数据库来提供，使用者可通过缩略图对于特定病虫害相关信息进行浏览和查看，当用户点击特定图片以后，系统即可将病虫害相关图片展示出来，有助于使用者掌握病虫害形态特点，并且知晓相关物理、生物和化学等防治措施。拍照诊断这一功能主要是使用者利用客户端本身携带摄像头，直接从稻田当中采集害虫图像信息，上传到系统当中，由服务器展开处理和诊断，自动化显示病虫害诊断结果。之后还可按照待测样本的检验概率从高到低逐渐排序，将病虫害图像、特点和防治措施一一展示，为用户判断提供便利。

比如：应用该系统对于二化螟虫害进行监测，用户只需要将虫害图片上传其中，系统即可自动匹配，将二化螟图片显示出来，匹配率高达86.44%，通过识别结果，能够发现二化名形态特征为雄虫前翅上方散布大量褐色小点，在中央还有紫色黑斑点，而外缘部分有小黑点。还能知晓其防治措施，即每亩稻田利用阿维菌氟酰胺，浓度10%，用量30mL，还可选择毒死蜱乳油，浓度30%，每亩用量80mL进行防治。

3.2 系统性能测试

针对该系统的性能方面进行测试，主要可通过两方面进行，一是系统的响应时间，二是系统诊断结果的准确率。响应时间主要是由客户端将图像特点向服务器发送，并且在服务器处理以后将结果向客户端反馈整个流程所消耗时间。测试阶段，系统第一次识别响应消耗时间1250.0ms，其他识别平均时间间隔180.0 ms，上下偏差在100.0ms以内。

在准确度方面的测试使用两类水稻的病虫害图像，分别为经过裁剪、未经裁剪图像。测试结果有4种，一是正确诊断；二是未诊断；三是错误诊断；四是异常诊断。异常诊断是在系统诊断期间可能出现闪退这样的异常状态，通常表现在被破坏图像特征或者图像分割等情况。如果图像大小高于1MB，那么就可出现上述异常情况。对于该系统进行测试，在图像没有经过裁剪时，其识别准确率为92.7%，而经过裁剪以后图像识别准确率在66%，结果显示该系统对于未裁剪类型图片拥有较好的诊断结果。

4.结束语

通过上文分析，水稻病虫害图像诊断时，使用图像识别管理系统对其展开智能识别、诊断等，该管理系统不但能够快速对病虫害图像信息进行读取，还可利用内置相机将病虫害图像信息进行捕捉和识别，通过测试以后，发现系统能够在极短的时间内响应，而且针对未裁剪类型的图片具有较为精准的诊断效果。使用者利用简单的交互形式，即可将病虫害信息识别，快速获取防治措施，对于水稻生产过程病虫害防治措施应用提供参考。