基于微信公众号的农业害虫识别系统

贾瑞

摘要：本农业害虫识别系统本着操作简单、实时性强、成本低原则而设计，利用微信平台，通过微信公众号的开发将害虫的图像识别技术应用在移动设备上。当农户在田地里发现不认识的害虫时，不需要前往病虫害防治中心等机构去请教专家来，而只需要用手机拍下未知害虫的图片，然后将图片传给微信公众号，经过识别系统的内部识别，系统将害虫的相关信息及如何进行防治等方法以“消息”的形式再发给农户。

关键词：微信公众号；图像识别；害虫识别

中图分类号：TN912.34 文献标识码：A 文章编号：1007-9416（2018）01-0076-03

1 引言

我国是一个农业大国，农业是国民经济的基础产业。而在农业总产值中，种植业占到的一半以上。而随着科学技术的发展，我国的农业处于由传统农业向现代农业的过渡时期。在这个时期中，农业所面临的困难和威胁，主要来源于农业害虫及其所带来的经济损失。因为农业病虫害发病率较高，发病速度较快，如果不及时进行诊断和防治，对于我国依靠农业收入的农户将带来严重的经济损失。因此，如何进行有效、快捷地对病虫害进行准确的分类且进行识别和防治，就显得尤为重要。

在对农作物进行害虫识别的历史进程中，最传统的方法是进行人工识别，该方法主要是根据经验比如害虫的外形、颜色等来进行一般的判断，这样就较容易出现辨识缺陷，从而导致防治措施无效。而随着人工智能技术及物联网技术的发展和广泛的应用，许多学者提出了很多关于害虫图像识别的方法。虽然有关害虫图像识别的方法越来越多，但相关研究的实际利用效率却十分有限。因为在现实操作中，农田里的农作物品种十分繁多，害虫的种类比较繁杂，而且不同种类的害虫在不同的发育时期所呈现的外表形态都存在一些近似度，再加上在进行拍摄过程中，拍摄者的拍摄角度、光线等的不同等都会导致对害虫的识别准确率降低。目前农业病虫害诊断系统大多停留在通过人工操作、选择症状、比对图像等方式诊断推理出病虫害情况，且存在以下问题：

（1）农作物种植者不会使用，需要依靠科研人员来进行使用；

（2）在进行害虫识别时依赖电脑网络，无法进行立时判别，无法满足种植者的实时性的要求；

（3）所需要的设备较为昂贵，需要的投入较大。

而随着手机等移动设备和微信的广泛使用，便为农业病虫害识别提供了新的平台。本文的研究正是在这种社会背景下，将手机、微信及图像识别技术结合起来，提出了一种基于微信公众号的农业病虫害图像智能识别系统。

2 研究方案

如图1所示，该系统主要分为两大块，首先是对用户发送的图片进行预处理、分类识别，再利用搭建好的微信平台将图片信息发送给用户。

2.1 害虫害图像的数据收集

以往在实验室里进行的图像识别系统，其数据来源往往是在比较标准的图像库。而农作物的害虫则存在多维度，样本环境复杂等特点。所以在本系统中，基于以下几个方面考虑构建图像集，构建原则如图2所示。

2.2 农作物害虫图像的预处理

在利用电子产品设备对农作物害虫图像进行采集的时候，会存在一些无法避免的噪声干扰，这样图像的原始信息并不能充分完全的反映出来，所以要对采集到的害虫图像做预处理操作。在对图像进行预处理过程中，主要包括图像灰度化，图像平滑，图像分割等几个方面，如图3所示。图像的预处理，主要是将采集图像的过程中存在的噪声进行去除，将图像中主体的特征信息进行加强，从而得到中间图像。

2.3 图像特征提取

图像特征的提取是指运用一定的特征算法，对图像上的每个点进行运算，检测该点是否属于这个图像特征。而常用特征主要有颜色特征、形态特征和纹理特征这三种提取方法。

例如在害虫图像识别过程中，对于和田间背景色彩差异很大的害虫主体可以很好地通过颜色特征提取来进行识别。

但是，图像作为一个整体，其图像的颜色特征、纹理特征、形态特征等虽然具有其自身优势，但是又不可避免地存在著局限性。而在图像识别的过程中，若只用这三者之中的单一特征对目标进行识别，例如在以颜色特征为主的提取中，不可避免地会忽略其纹理及外表形态，而仅仅依赖颜色来进行识别，必然会存在着一定的误差，可能还会很大。因此，只有将三种特征向量进行融合，才能较为准确全面地反应出图像的原始的信息。在本文的研究中既是对这些特征参数进行了多特征融合，特征融合的处理流程如图4所示。

本文使用Fisher线性判别方法求上述特征融合的权值。Fisher线性判别是一种线性分类方法，其在模式分类、数据分析、降维等领域得到广泛的应用。若设模式x在n维空间中有c个模式类，Sb为训练样本类间散布矩阵，Sw为训练样本类内散布矩阵，S为训练样本总体散布矩阵，均为非负定矩阵，且S=Sb+Sw，则Fisher的准则函数定义为：

Jf（X）的值越大越好，也就是类间离散度和类内离散度的化值最大时。

2.4 服务器端的病虫害图像匹配

在图像分类识别过程中，需要对图像进行样本训练，在样本训练的过程中，通过学习来对图像进行分类识别，达到对图像进行匹配的目的。

2.4.1 样本训练

样本训练的过程就是对样本图像进行学习的过程，以此来训练出可以对害虫图像进行识别的分类器；图像识别的过程既是通过分类器对害虫进行识别，并最终达到识别目的。若识别结果可以通过事先建立好的图像数据库中进行匹配，则即可对害虫进行识别同时给出针对性的治疗方案；若识别结果无法和我们建立的图像数据库进行匹配，就说明数据库中没有这个害虫，则让系统对图像特征进行记录，此时寻求害虫专家来进行指导。服务器端接收到图像信息后，通过上述算法把诊断结果及治疗方案以消息的形式发给农作物的种植者。

2.4.2 图像识别

现代图像识别任务要求分类系统能够适应不同类型的识别任务，而卷积神经网络在图像识别上的应用极为重要。图像分类可以直接用神经网络预测图像属于每一类的概率大小。另一种常用的方式是将神经网络做特征提取，然后用传统的SVM进行训练和预测。

卷积神经网络是一个多层神经网络，每层由多个二维平面组成，而每个平面由多个神经元组成。输入图像通过和三个可训练的滤波器和可加偏置进行卷积，滤波过程如图5所示，卷积后在C1层产生三个特征映射图，然后特征映射图中每组的四个像素再进行求和，加偏置，加权重，通过一个Sigmoid函数得到三个S2层的特征映射图。这些映射图再经过滤波得到C3层。这个层级结构再和S2一样产生S4。最终，这些像素值被光栅化，并连接成一个向量输入到传统神经网络，得到输出。

2.5 微信平台端的病害虫图像传递

微信（WeChat）是腾讯公司推出的一个即时通讯服务的免费应用程序，该程序支持跨通信运营商、跨操作系统平台，而且提供即时发送语音、视频、图片和文字等免费服务（耗费一定的网络流量）。微信公众号是品牌所有者为了推广自身的服务、提升自身对大众的影响力而建立的平台。农作物种植着通过关注该系统的微信公众号，按照系统的操作步骤将害虫的照片添加进来，图像会经微信后台传输至服务器端，服务器端通过对图像进行分类识别，然后将匹配的具体的害虫信息及针对此害虫的治疗方案发送给用户，其图像交互原理如图6所示。

3 结语

本文提出了一种集图像处理及识别技术和微信公众号于一体的农业病虫害识别系统，该系统可以对害虫进行实时分类识别且提供出对应的诊断治疗方案。此识别系统的使用，不受时间地点的限制，只要有手机等移动设备及通信网络，便可以解决传统农业治疗虫害的种种不足。

参考文献

[1]耿英.基于图像识别的作物病害诊断研究[D].中国科学技术大学，2009.

[2]张洁.基于图像识别的农作物害虫诊断技术研究与应用[D].中国科学技术大学，2013.

[3]屠舒妍.基于Android移动终端的烟草病虫害图像智能识别系统研究[D].中国科学院大学，2015.