农作物病虫害的图像信息通过专业摄像设备的图像传感器采集并传输，所收集的农作物病虫害图像信息通过CSI摄像头的传输到嵌入式微处理器中，图像处理由树莓派微型计算机执行算法。在处理过程中树莓派微型计算机中数据存储器存储农作物病虫害图像识别处理过程中的各种数据，树莓派微型计算机迁移SD卡中的农作物病虫害图像识别基本程序到树莓派微型计算机中的程序存储器进行图像识别，触摸屏显示农作物病虫害图像识别过程中各种处理结果，整个系统有机地结合起来，完成了农作物病虫害图像识别的系统过程。病虫识别系统设计如图2。

图1 作物病虫识别训练算法

图2 作物病虫识别系统界面

3 系统程序设计

在植株诊断专家系统中，在输入为植株当前性状的表现图片时，输出为诊断结果及建议。通过不断更新网络中的权重，从而得到植株性状与诊断结果之间的内在关系。训练完成后，神经网络能够根据输入性状图片给出相应的诊断结果。

图3 程序设计思路

智慧农业专家系统的核心功能主要包括知识库管理和智能诊断等模块。

图4 专家诊断类型

3.1 智能诊断

用户可根据农作物实际生长过程中出现的状况，进行智能诊断。包括发芽期诊断、幼苗期诊断、成株期诊断、花蕾期诊断、施肥诊断。

3.2 发芽期诊断

根据农作物名称、子叶状况、叶色状况、叶缘状况、幼苗状况、胚根状况，智能地从知识管理中匹配出最优的诊断结果，并计算出其可信度。

3.3 幼苗期诊断

根据农作物名称、茎状况、叶柄状况、叶片状况、叶色状况、叶缘状况、叶脉状况，智能地从知识管理中匹配出最优的诊断结果，并计算出其可信度。

3.4 成株期诊断

根据农作物名称、茎状况、叶柄状况、叶片状况、叶色状况、叶缘状况、叶脉状况，智能地从知识管理中匹配出最优的诊断结果，并计算出其可信度。

3.5 花蕾期诊断

根据农作物名称、茎状况、叶柄状况、叶片状况、叶色状况、叶缘状况、叶脉状况、花状况，智能地从知识管理中匹配出最优的诊断结果，并计算出其可信度。

3.6 施肥营养诊断

根据农作物名称、植株状况、叶状况、茎状况、花状况、果实状况、病变位置，智能地从知识管理中匹配出最优的诊断结果，并计算出其可信度。

4 系统功能设计

目前，设施农业蔬菜生产过程中存在技术人员缺乏、生产管理水平较低、劳动生产率较低等一系列问题，基于神经网络的病虫识别系统，运用环境信息调控系统中建设的环境信息采集设备来获取的环境参数作为依据，根据地域性病虫害特点，有针对性地开发病虫害分析诊断数据库，应用数据库内病虫害详细形态信息与地域性病虫害发生规律与诱因进行比较，评估特定的某种或某几种病虫害发生概率，为预防工作提供指导意见。

图5 作物病虫智能识别结果

同时，在数据源信息充足的情况下，系统亦可以对已发生的病虫害图像信息或特点描述信息进行分析，指导管理人员快速了解病虫害详细情况，并提供治理措施。通过视频或者其它措施判断当前的植株病虫害情况，在基地部署安装针对作物生长环境害虫发生的品类的虫情测报灯，经过设备诱惑采集的数量进行统计，再经过系统的分析判断、智能决策和根据作物生产周期制定的策略，为喷药提供策略依据。对当前的总体病虫情况进行热力图展示和统计，以便管理者对于重点区域进行防治。

5 实验结果

数据集分为中心裁剪和角裁剪。在中心裁剪中，从每个图像的中心裁剪300px×300px平方的区域。因此，可以删除大多数复杂的背景，并且图像数量保持不变。在角裁剪中，将裁剪中心区域达到512px×512px分辨率，保持最复杂的背景，将图像分成4部分，分辨率为256px×256px，将这些图像分别使用双线性插值调整为2种不同的大小(AlexNet和224px×224px像素的VGGNet)。对每幅图像执行上述操作并过滤无病变区域的图像，对齐进行识别。

表1 测试结果仿真测试结果褐斑病白地蚕识别成功次数识别失败次数92识别准确率92.50%98.33%

基于神经网络的病虫害识别系统，通过图像采集的作物病虫信息进行算法分析，再根据农作物病虫害的发生特征和规律的常规知识，为用户提供农作物病虫害的远程诊断，专家决策和预报的信息化系统，经过实验验证，总体识别效果良好，识别率验证了该算法的有效性，并在陕西省重点计划中都有应用推广。

文章来源：《现代农业研究》 网址: http://www.xdnyyj.cn/qikandaodu/2021/0722/1332.html