基于深度学习的平菇菌盖生长数据测量研究

白冰 卢闯 侯晓磊 马世宇 杨镇

摘要：蘑菇产业对精准农业需求高，监测蘑菇生长数据可实现宏观调控蘑菇。利用点云相机获取蘑菇子实体点云图像，应用深度学习的卷积神经网络进行点云分割并计算蘑菇菌盖生长数据，与采样时人工测量的生长数据作对比，验证并提出一种实时测量蘑菇菌盖尺寸的方法，可计算获得蘑菇最优生长曲线并为温室环境调控提供基础数据。

关键词：蘑菇;生长数据;点云;深度学习;平菇

中图分类号：S646.1+1    文献标识码：A    文章编号：1674-1161（2022）03-0010-03

近年来，全球性气候变化异常，导致农作物质量和产量下降。为了减少气候变化对蘑菇产量带来的影响，智能温室正在得到越来越多地应用，其发展得益于物联网技术的成熟。在设施蘑菇产业发展过程中，如果掌握了蘑菇的最优生长条件，便可实现对其生长环境的自动控制。在此背景下，准确获得蘑菇的实时生长数据尤为重要。平菇是一种营养价值高、经济效益好的农产品，对其菌盖生长数据进行实时监测，可计算获得蘑菇最优生长曲线并为温室环境调控提供基础数据。

1 设备与方法

1.1 试验设备

使用点云相机采集生长数据，型号为RVC-X2 E10 3D;计算机CPU型号为AMD-3950X，双路RTX 2080 Super，其双目模式下主要参数见表1。

1.2 试验方法

试验前广泛采样，随机选取50 个不同生长时期的平菇进行相机测量及人工测量，标注对比计算。首先使用点云相机采集平菇点云信息，如图1所示，然后运用PointCNN算法对点云图像进行分割。点云是一种无序的三维模型，而PointCNN属于一种基于人工智能的深度学习算法，其基本思想是学习点云局部区域的空间特征并通过全连接层对其进行整理。在输入的点云中选取一系列候选点，通过多层感知机学习候选点的χ卷积变换矩阵，并使用该变换矩阵获取与输入顺序无关的局部特征，进而实现数据的规则化。提取点云中的深层特征，利用跳接结构连接浅层特征，在深层特征和浅层特征之间进行平衡，迭代选取不一样的权重，实现模型的训练。

2 结果与分析

2.1 试验数据准备

使用点云相机随机拍摄不同平菇不同生长时期的图像600张，以一个平菇2 min采样200张/次为基础数据，将试验数据分为训练集、验证集、测试集三部分，其中训练集360张、验证集40张、测试集200张。通过人工标注，划分出训练集及验证集中点云图像属于平菇及不属于平菇的空间点。

2.2 试验过程与结果

將准备样本中的训练集及验证集输入算法中进行训练。由于点云数据量较大，训练时需简化点云。采用最远点采样法对点云进行优化，采样个数为2 048 个，并尽可能覆盖空间中的所有点，其中，batch size为8，初始学习率为0.005，学习率衰减系数为0.9，每20 000步学习率进行一次衰减，最小学习率为

0.000 01。训练中采用Adam优化器，得到最终训练损失迭代结果（如图2所示），其中，train loss为训练集损失，val loss为验证集损失，smooth为平滑处理。

由图2可得最终训练结果为：训练集损失0.009 7，验证集损失0.018 2，准确率为97.8%。损失及准确率表明训练完成且已拟合到最优，故而结束训练阶段，进行下一步测试。

2.3 试验验证

使用训练后的算法对测试集中的200 张图片进行验证，其中，采样速度为1.42 ms/张，运算速度为0.3 s/张。采样时间与计算时间较低，可以保证实时监测平菇生长的需求。经试验算法可以很好地识别不同生长时期的平菇以及重叠度比较高的平菇，且平菇表面的采样保留信息比较完全，测试效果如图3所示。

通过计算点云质心，追踪不同时期图像，得到一个平菇的菌盖分离图，见图4。根据200张测试集图片，可计算出蘑菇生长曲线，如图5所示。

经过与采样时人工测量数据对比，试验结果与测量结果吻合度超过99%且符合正常生产情况，这说明此法在平菇生长数据测量中拥有良好的实时性、鲁棒性和准确性。

3 结论与讨论

提出一种基于人工智能深度学习的实时监测平菇生长数据方法，可自动分割出点云数据中交叠的菌盖并计算菌盖的生长数据。试验结果表明，此法在平菇生长数据测量中拥有良好的实时性、鲁棒性和准确性。

利用平菇菌盖生长数据，结合温度、湿度、空气含量、光照强度等生长环境数据，可进一步回归拟合出平菇最优生长参数曲线。利用这一生长曲线可进行蘑菇生长因素试验及环境调控，进而提高作物产量及收益，实现最优控制。菌盖生长数据可为蘑菇科学种植提供科学依据，填补智能温室蘑菇栽培的数据空白，并作为精准农业生产管理的重要指标，为蘑菇产业高质量发展打下坚实基础。

参考文献

[1] 管继刚.物联网技术在智能农业中的应用[J].通信管理与技术，2010，3（254）：27.

[2] ZHOU J， ZUO Y. Application of computer control system in the greenhouse environmental management[C]//2009 International Conference on Future BioMedical Information Engineering （FBIE）. IEEE， 2009：204-205.

[3] 姜凤利，王誉诺，李金翰，等.基于机器视觉的双孢蘑菇品质在线分级系统[J].沈阳农业大学学报，2021，52（5）：633-640.

[4] LI Y， BU R， SUN M， et al. Pointcnn： Convolution on x-transformed points[J]. Advances in neural information processing systems， 2018， 31.

[5] 任玲，夏俊，翟旭軍，等.基于农业物联网技术的智能温室系统实现[J].南方农机，2022，53（3）：5-10.

Study on Measurement of Oyster Mushroom Cap Growth

Data Based on Deep Learning

BAI Bing1， LU Chuang1*， HOU Xiaolei1， MA Shiyu2， YANG Zhen2

（ Liaoning Academy of Agricultural Sciences， Shenyang 110161， China; Huludao Nonghan Daxuanyu Edible Fungus Wild Domestication and Breeding Co.， Ltd/Key Laboratory of Edible Fungus Straw Cultivation and Resource Utilization in Liaoning Province， Huludao Liaoning 125100， China）

Abstract： Mushroom industry has a high demand for precision agriculture， and monitoring mushroom growth data can achieve macro control of mushrooms. Point cloud image of mushroom fruiting body was obtained by point cloud camera， and point cloud segmentation was performed by deep learning convolutional neural network and mushroom cap growth data were calculated. Compared with the growth data measured manually during sampling， a real time measurement method of mushroom cap size was verified and put forward， which can calculate the optimal growth curve of mushroom and provide basic data for greenhouse environmental regulation.

Key words： muchroom; growth data; point cloud; deep learning; oyster mushroom