基于Web服务的植物养护与病虫害预警信息管理平台①

刘 杰

(滁州职业技术学院机械与汽车工程学院,安徽 滁州 239000)

0 引 言

物联网技术、智能植物养护技术的高速发展,提高了传统人工种植养护植物的效率和精准度,为植物养护提供了大规模的数据信息[1]。为此,农林业类出现了植物养护相关服务平台解决植物生长信息的综合性、系统化存储管理问题[2]。但是,目前植物信息服务系统普遍存在信息资源提取不充分、数据存储共享受阻、养护信息综合性水平较差、使用难度较大等问题,对于较低文化层次用户而言易用性较差,为了系统化、可视化展示植物养护信息、全面掌握植物病虫害状况,增强植物养护信息服务的易用性[3],本次研究基于Web服务技术开发了植物养护与病虫害预警信息管理平台。将智能植物养护设备采集的信息进行整合分类,集中显示,提供全面的养护知识与现状;设计卷积神经网络模型识别植物叶片的病虫害,及时对管理人员进行病虫害警报。以提高农业、林业发展过程中病虫害信息化管理水平,降低预防大规模病虫害发生的概率。

1 基于Web服务的植物养护与病虫害预警信息管理平台设计

1.1 基于Web服务的信息管理平台总体架构

基于Web服务的植物信息管理平台的技术架构如图1所示。平台提供植物养护与病虫害预警功能的实现过程如下:植物养护人员或远程诊断专家连接Internet后依据自身权限对植物状态进行监测与管理,当植物出现病虫害预警或遭遇恶劣天气预报时,需要对各种植监测区域进行养护调整,通过平台发送植物养护控制指令[4];具体是基于Web网页将控制命令发送到Web服务器上,服务器调用WebService服务与本地监控中心实施信息交互,最终执行结果将传送到植物养护用户端。Web服务器功能是Web页面的管理;本地监控中心数据通信、数据交互由WebService服务器完成[5];植物养护操作日志、系统日志、植物养护数据表下载由FTP服务器提供支持。

图2描述了植物信息管理平台的功能结构。平台包括后台管理系统与信息显示系统两部分,后台管理系统主要负责图表显示、用户及注册、预测模型、植物养护数据库的管理[6];信息显示系统负责可视化表达植物养护与预警信息、预测植物的病虫害、科普植物种植与养护知识、提供植物学专家交流机会等等。

图1 基于Web服务的植物信息管理平台技术架构

图2 基于Web服务的植物信息管理平台功能结构

1.2 基于知识库的植物养护与生长状态信息存储

平台的知识库负责存储植物养护相关信息的存储,该平台知识库整理大量植物病虫害专家经验知识、研究成果、学术著作等信息,采集整合大量植物生长图像、植物养护方法图像、植物常见的病虫害图像、虫害环境图像。将以上内容存储在知识库中,作为养护人员日常学习和工作的参考内容,并作为植物病虫害识别预警的数据基础。另外,编辑规则库中的规则才能生成知识库中知识规则,实现各种数据在平台中的安全存储。

平台集成智能植物养护设备,通过多个传感器采集植物生存环境的空气温湿度、光照强度、土壤湿度等生长参数值,当数据出现偏差时向平台发出数据异常警报[7],控制中心将根据预设规则向养护设备发出光照调整、浇灌等植物指令,及时优化植物生长环境,植物养护完毕后该结果将反馈回管理员用户端。平台基于卷积神经网络模型识别植物的生长状态,除了对植物生长环境和病虫害识别预警外,还定期生成植物生长状态报告,总结阶段内植物养护情况,令植物生长环境参数区域最合理的数值区间,从促进植物良好生长。

1.3 基于卷积神经网络模型的病虫害预警

Web service技术可以基于标准规范将复用植物养护预警模型及数据以Web服务形式进行封装,其他服务对象可向后台技术管理者申请调用。

研究基于卷积神经网络(CNN) 模型进行植物病虫害的识别与预警[8],将采集的植物生长图像预处理样本输入CNN模型开始训练,获得几种常见的植物病害识别模型。输入的图像尺寸规格为50×50,网络训练模型为AlexNet结构,具体包括6个卷积层、3个池化层、2个全连接层以及1个分类器。最终输出类别数量即为分类层的数目即为分类器数量。

卷积神经网络模型识别植物病虫害过程中,由k-means算法提取植物图像中的病斑,以植物叶片图像为对象,因为该部分的颜色特征差异最为显著,为此基于k-means算法在颜色空间中实施聚类进而提取出病斑区域。基于植物叶片颜色空间实施病虫害聚类,主要是对有虫害和无虫害两个区域的像素值区间颜色实施分类[9],由此将两个不同区域的质心分布差异呈现出来;在差异的基础上基于公式(1)对分割出的图像实施病斑提取:

(1)

式(1)中,病斑聚类块的像素序列号和质心编号分别采用k,i表示,那么质心的坐标为(xi,yi)。

基于上述方式识别到植物病虫害信息后,监测中心将自动向管理人员发出信息警报,警报信息以短信的方式发送到用户终端,提高了病虫害防护与治理的效率。

2 实验分析

为了验证本文平台在植物养护与病虫害预警方面的有效性及优势,在植物种植基地进行实地测试。平台调试后正式运行,实时显示植物生长环境的温湿度、光照强度等环境参数,利用本文平台的病虫害识别模进行植物病斑识别。

2.1 植物养护信息展示

表1展示了植物日常养护信息可视化信息,植物生长环境的温湿度、光照强度、降水量、病虫害指数、病虫害概率等关键信息均可详细展示,为养护人员提供了便利的植物监测方式。

表1 植物日常养护信息可视化

2.2 植物病虫害预警准确度

实验选取8组植物叶片图像作为病虫害识别的样本,每组样本包含20株植物的叶片图像信息,利用本文平台进行植物病虫害识别预警。植物病虫害识别结果如表2所示。

表2 植物病虫害识别准确度统计

分析表2数据可知,本文平台基于卷积神经网络模型识别植物叶片病虫害的误差较低,最大误差约为0.095,最小误差仅为0.021,说明该方法可以基本识别出植物的病虫害状况并进行预警通报,较少情况下识别错误,达到了理想的植物病虫害预警效果。模型识别病虫害期间,运行时间开销约为481s～538s,可在较短的时间内完成叶片病斑识别。这是因为本文应用卷积神经网络模型进行植物病虫害识别,基于Alex Net 经典网络模型进行病斑分类预测;同时该模型以k-means 算法提取病斑,增强了病斑区域与非病斑区域的分割效果,提高了模型识别植物病虫害的精准度。

3 结 语

为改善植物养护信息管理水平,本次研究基于Web服务技术开发了植物养护与病虫害预警信息管理平台。该平台具有两个突出优势:一是应用Web服务技术搭建了平台总体架构,无要专门处理数据收发,跨平台面向对象远程调用技术,WebService服务器提供了一种令其他计算机通过Internet使用相关服务的功能。二是使用卷积神经网络模型自动识别植物病斑区域,检测到病虫害后向管理人员发送预警信息,提高了植物病虫害识别准确率和效率,节省了人工看护的时间成本与资金成本。