气象为农服务的基础来自于对农作物本身状况和特点的监测,包括发育期、生长状况、产量结构以及病虫害等,其中发育期作为反映作物发育速度和进程的信息,也是诸多农业气象指标的分界线,是气象为农服务的基础信息.现行的观测方法难以满足业务服务发展的需求.近年来随着物联网、计算机硬件尤其是GPU的出现以及机器深度学习等技术的发展,为作物发育期自动识别提供了更多的技术支持.其中机器深度学习的方法先后在语音识别、图像识别、图像分类等许多领域都得到了突破性的进展.已有的多项研究表明,利用深度学习技术在农作物识别方面有良好的应用前景和可行性. 在2018到2019年作者开展了基于图片信息的枸杞发育期自动识别技术研究,探索了机器深度学习在枸杞开花期和果实成熟期的识别能力.机器学习照片来自宁夏16套枸杞农田实景监测系统,可以实现360度水平旋转、0～90°垂直旋转和变焦拍摄,摄像头的有效像素达到了500万.照片分辨率为2560x1920,照片文件格式为24位RGB真彩色JPG格式,共20000余张照片,其中有枸杞开花期和果实成熟期特征照片共3000余张.在特征照片中去除镜头污损、拍摄视场角度不合理的图像,最后剩余照片样本数为1210张.将筛选后的样本按照PASCAL VOC2007数据集格式进行划分,试验样本数据集包括训练集图像726张,验证集图像242张,测试集图像242张.通过研究结合两个品种枸杞(宁杞1号和宁杞7号)开花与果实成熟特征,利用基于区域的卷积神经网络(Faster R-CNN)方法对图像进行训练、分类,得到了枸杞(宁杞1号和宁杞7号)开花期与果实成熟期的识别算法,以专家目视判断为标准,对机器自动判识结果进行验证,研究结果表明:基于Faster R-CNN快速卷积神经网络方法判识出的枸杞发育期误差在±5天以内.判断结果中,人工观测进入发育期的时间整体早于自动判识时间,这主要是在枸杞生长过程中,开花和果实成熟的特征有的容易被叶片遮挡,自动判断达到普遍期的时间通常比人工判断的晚.两个站的夏果成熟期判断结果是人工判断的晚于自动判断的时间,这可能是由于前期老眼枝果成熟后可能没有采摘彻底,自动判识的时候将留存有老眼枝上的果实判断为夏果成熟.夏果枝开花人工和自动判断的时间差异最大,两个站分别为4天和5天,这主要是由于枸杞属于无限花序作物,在第一批花盛开后持续开花,夏果枝开花和老眼枝开花在时间上较为接近,人工判断需要首先明确枝条是属于老眼枝还是春梢,标注以后才在上面判断花朵的开放情况.机器识别的时候从照片上难以分辨出花朵是属于老眼枝还是春梢,从而导致差异较大.本研究中构建的方法基本能够判识出枸杞的开花和果实成熟,但与人工观测结果仍然存在不同程度的差异.主要原因一是训练图像数量不足,经过筛选剩余可用的照片样本数仅为1210张,而机器学习的精度与供训练的照片数量有很大关系,增加照片数量应该还可以优化算法,从而提高判识精度.二是枸杞的生长发育特征不同于其他作物,枸杞在同一年中老眼枝、春梢、秋梢三种枝条上的生长发育特征却极为相似,这为机器判识造成了难度.另外,枸杞的无限花序的特点导致夏果开花与老眼枝开花容易混淆.由于多种原因,目前机器识别的精度尚难以达到人工观测的精度,但部分发育期的精度应该可以作为人工观测的辅助手段,在没有专业观测人员或者没有相关观测任务的区域可以尝试应用于服务.由于枸杞的生长发育特征导致其发育期中有明显的“循环性”,在后期算法优化中考虑引入时间概念,以实现更好的实际应用效果,这对其他类似作物也有一定借鉴意义.不同的田间管理如除草、采摘、灌溉等措施会明显的影响照片的背景,规范的田间管理能够减少照片的复杂程度,提高判断精度.随着服务需求的变化和各项技术的发展,自动观测将是农业气象观测技术发展的一个方向,而自动观测有着自身的特点,目前的研究大多集中于技术方法的研究上,相关标准还很少,需要同步研究或者推进制定相关标准来规范自动观测.
NETL
