基于ResNet18和GAN协同数据增强操作下的农业ERP系统的设计与实现

引言1.1研究背景现如今，随着科学技术的不断革新发展，将先进科学技术引入到传统的农业生产中是历史所趋。考虑到传统农业管理模式的弊端在现代社会愈发凸显，越来越难以契合现代农业发展的需要[1]。在实际农业生产过程中，信息闭塞问题常常是农业从事者们最担心的问题，由于获取到的信息不对称、不及时，以致于农民难以依据市场动态合理安排生产，很容易导致农产品滞销或供应不足。同时，灌溉、施肥等环节农户也常常因为缺乏科学的专业的指导，致使资源浪费严重，资源利用率较低。传统的生产环节常常缺乏精细化管理，进一步导致生产效率低下。这些问题严重阻碍了农业迈向高质量发展的步伐。当前，发展信息化农业，实现高科技助力农业发展已成为国家推动农业改革的重要发力点。近年来，国家先后出台了《数字乡村发展战略纲要》《“十四五”全国农业农村信息化发展规划》等一系列政策文件[2,3]。这些文件从国家战略的高度，为农业的长远发展指明方向，明确要求加速农业数字化转型，推动信息技术深度融入农业生产和经营的各个环节。如今的农业生成方式正朝着产业化、规模化方向快速发展，传统分散、粗放的管理模式，越来越难以满足现代农业的发展需求。农业企业、合作社等新型农业经营主体，在扩大经营规模的过程中，对信息化管理的需求愈发迫切。农业企业资源计划（EnterpriseResourcePlanning，ERP）系统的应运而生，既实现了整合各类农业信息资源，打破信息孤岛，又可以实现数据在各部门、各环节间的共享与业务协同，大幅提升农业信息化的整体水平，为农业现代化发展提供强大助力[4]。在政策的大力推动下，农业ERP系统迎来的是快速发展的黄金时期，这些政策为ERP系统在农业领域的广泛应用和创新实践，提供了极为有利的政策环境与支持。此外，云计算、大数据、物联网以及人工智能等新一代信息技术的出现，为农业ERP系统的搭建提供了技术支持。是否能将这些技术高度的整合，也是农业ERP系统是否拥有市场竞争力的关键。借助物联网技术，很容易就能实现对农田的土壤湿度、温度、光照等数据的实时采集。借助大数据分析技术，能够实现对海量的农业生产数据进行深度挖掘，为生产活动的决策提供精准的信息支撑。借助人工智能技术，可以识别和分析作物的状态，实现病虫害的智能预警和精准防治。1.2研究现状1.2.1国外研究状况在全球范围内，对于使用高科技、智能技术促进农业生产，搭建农业智慧平台已经取得了许多丰硕成果，许多西方发达国家如：美国、加拿大、荷兰、以色列、日本等，凭借在农业科技领域的持续投入，在多个关键维度上表现卓越。农业传感器方面，如今，农业传感器领域的新原理、新技术、新材料以及新工艺不断取得突破。以往传感器仅能简单感知物理量，而现在已逐步迈向能够快速捕捉化学和生物信息的阶段。以美国为例，他们正着力运用激光诱导光谱技术，对土壤里的养分以及重金属含量进行测量，还借助微纳米技术，研发能融入动植物生命体新陈代谢循环系统的传感器[5]。从整体情况来看，美国、德国、日本等国家在农业传感器领域实力强劲，处于领先位置。在感知元器件、高端农业环境传感器、动植物生命信息传感器，还有农产品品质在线检测设备等相关技术产品方面，这些国家近乎形成垄断。在未来，研发既准确精密，又方便携带的传感器以及生物传感器，会成为该领域的重点发展方向。在农业大数据智能应用方面，由于美国、荷兰、以色列、日本等国家在基础研究方面实力雄厚，拥有很强的研究水平和能力，所以在农业数字模型与模拟、农业认知计算与农业知识发现、农业可视交互服务引擎等技术、算法、模型等方面，处于国际领先地位[6]。这些发达国家借助图像识别、机器学习等技术实现农业大数据智能化，能够把海量的结构化和非结构化数据，比如天气、土壤状况、动植物生长发育情况、市场数据以及社交媒体信息等，转化为有用的知识，并据此提供智能决策，从而实现部分甚至全部取代人工决策。例如：美国纽瓦克的垂直农场，运用大数据技术对温度、湿度、二氧化碳浓度以及作物生长状况等信息进行分析，成功实现了高效生产[7]。意大利Tuscia大学安托万・阿尔富什导师团队也利用大数据技术和人工智能技术，推动气候适应性植物的育种研究进程[8]。未来，在整个农业产业链中，从育种一直到产品销售的各个环节，大数据驱动的知识决策会逐渐取代人工经验的决策。这种以知识决策主导的智能控制会最终替代简单的时序控制，在未来必将会得到广泛应用。农业智能装备方面：美国、德国、英国、日本等国家在农业智能装备的研究和应用方面，发展迅速且相对成熟。在主要的农业生产作业环节，像是果蔬的嫁接、移栽、施药、采摘，畜禽的饲喂、清粪、奶牛挤奶，还有农产品的在线分级、标识、包装等，已经实现或者正在朝着“机器换人”或者“无人作业”的方向发展。这样一来，劳动生产效率极大提高的同时，农业资源的利用效率也得到提升。比如，美国AbundantRobotics公司研发的苹果采摘机器人，能够精准识别成熟的苹果，还能持续工作[9]。瑞士EcoRobotix公司开发的田间除草机器人，可以准确辨别杂草，进而减少农药的使用量。爱尔兰MagGrow公司推出的农药喷洒机器人，能够解决农药漂移的问题，同样也降低了农药的使用量[10]。这些智能设备的运用会很大程度上促进农业生产的效率提升。1.2.2国内研究状况近年来,随着现代化管理模式越来越适用于农业管理生产，国内对智能农业管理系统的研究工作越来越深入，尤其是关于ERP系统在农业上的应用，国内大量学者进行了许多研究与设计，随着国家在这一领域持续加大着投入，当前国内也取得了许多令人瞩目的阶段性成果。在具体的、针对农业生产管理系统的设计中，国内不少的科研团队和系统设计公司为了实现对农业生产环境和作物生长状态的精准把控，精心搭建了全方位、立体化的监测体系。例如，中国科学院南京土壤研究所张甘霖研究团队设计了针对土壤环境的精细化监测与管理的系统[11]。颜廷国研究团队研究并设计出了争对农业病虫害的智能监测与绿色防治系统，搭建了功能强大、操作便捷的农业生产数据管理与智能决策支持平台，为农业生产的精细化、智能化管理提供了坚实有力的支撑和保障[12]。然而，我国农业企业在不断进行数字化转型的过程中，仍然面临着不少复杂且有待解决的难题，涉及科学技术、政策支持等等。在偏远地区，由于基础设施的不完善，缺少进行农业信息化改革的配套设施，这就使得该地区数据采集与传输面临诸多限制，很难实现数据长期高效、稳定的流转。此外，不少农业企业由于欠缺专业的数据管理能力的，往往在海量数据面前，难以挖掘出真正有价值的信息，无法充分发挥数据的潜在价值。由于专业人才和先进技能的短缺，先进的技术在农业生产中的难以推广和实施。普通的农业工作者由于科学信息技术的接受程度普遍不高，对于先进的技术的难以上手，培训难度较大，难以培养成具有专业能力的高水平人才，这无形中增加了数字化转型的难度和成本。全国各地的发展情况大不相同，也就导致了各地政府财政情况的不同，不少落后地区在农业现代化改革上资金投入不足，使得信息化项目的推进举步维艰，难以实现预期的建设目标。这些都成为了农业企业数字化转型道路上的巨大阻碍。在这种情况下将ERP系统模式引入并应用到农业生产管理中，为推动农业现代化提供了一条切实可行且高效的途径。如今，国内的部分学者团队在智能农业云平台监控系统的研发方面取得不少成果，例如国内梁珉硕研究团队成功开发出的智慧农业云平台监控系统[13]，利用多维采集模块广泛收集农业生产数据，通过分析评估模块对数据进行深度挖掘和处理，并精确计算风险差值，最后由控制输出模块及时发出警报，并给出针对性强、可操作性高的防治管理方案，为智能农业的发展提供了强有力的技术支持和创新思路。尽管与不少发达国家相比，我国农业科技化、信息化、集成化现阶段还相对落后，智能化应用于农业生产水平较低。随着科技的迅猛发展，以及更多政策的出台，国家对农业现代化的高度重视和持续投入，国内相关研究必将不断取得新的突破和进展，越来越多的科技企业会投生到我国的农业信息化建设中来，最终实现农业强国的目标。1.3研究意义本研究工作旨在创建一个高度智能化、集成化的农业ERP系统，将不同的农业资源上传到一个云端数据存储库。同时，利用图像增强技术对害虫、作物图片数据进行增强。最后，借助ResNet[14]深度学习模型对这些图片进行识别分析，进而为农民提供专业服务。整个系统设计的流程如图1.1所示。图1.1ERP系统设计图在数据采集层，数据来源于不同渠道，包括用户上传、自建库以及公开数据，这些不同来源的数据集会被上传至云端数据库。上传到云端的数据进入信息层后，首先会检查数据中心参数，接着对数据进行一系列处理操作，包括随机旋转、水平翻转、亮度调整、对比度调整、随机剪裁。经过这些处理后得到处理后的数据结果会被分为测试数据和试验数据。试验数据会输入到ResNet模型中，结合图像进行处理。而经过ResNet模型处理后的测试数据，最终输出到应用层。应用层接收测试数据，完成整个流程。整个系统通过对数据的采集、处理、分类以及模型运算，实现从原始数据到最终应用的转换。实际生产应用中，借助完善的农业ERP系统，农业活动的生产、加工、销售等各个环节能够相互打穿贯通，成功的实现信息化管理。借助该系统，农业生产者可以依据其提供的实时数据，合理调配土地、人力、农资等各类资源，有效避免资源的浪费与闲置，大幅提升生产效率，降低生产成本。在农产品质量安全方面，农业ERP系统通过对农产品生产全过程的信息记录与跟踪，实现全链条追溯。一旦某环节出现问题，能够迅速定位问题源头，采取有效措施，切实保障农产品质量安全，增强消费者对农产品的信任。在未来，为了实现真正智能化、精细化的农业生产方式，必不可少地需要借助农业ERP系统来进行管理，进而提升农业产业的整体竞争力。综上所述，本文认为，对农业ERP系统展开研究，无论是在理论层面还是在现实层面，就推动农业高质量发展而言，都具有不可忽视的重要意义。2数据预处理与需求分析在数据采集环节，为了实现系统成功推行后，大量的用户提交相关农业数据的真实情况，本课题从农业科研机构、田间实地拍摄、公开的图像数据库等多个渠道收集了大量害虫图片。这些原始图片数据涵盖不同种类、不同生长阶段、不同拍摄环境（如光照、角度、背景）下的害虫和作物，以此提升数据的多样性。并借助专业的标注工具LabelImg，对害虫图片进行细致标注。明确标注出害虫的类别、位置、大小等信息。在数据预处理环节，本文设计运用图像增强技术对原始数据进行处理，包括对图像进行旋转、翻转、缩放操作，以及调整亮度和对比度等。通过这些手段，能够极大地扩充数据集规模。借助丰富多样的样本有效的增强模型的泛化能力，模拟模型在面对不同拍摄环境、光照条件及角度下获取的害虫图片时，能否精准地进行识别。最终，将各自处理后识别的精度进行对比分析。本设计中所有数据集图片统一调整为固定的尺寸，预设为224×224像素，以满足后续模型输入的要求。2.1数据预处理与增强2.1.1数据预处理在数据标注环节，为了进行精确的图像分析,使用LabelImg工具对数据集进行矩形框标注，标注精度要求：框选目标最小边长≥20像素，重叠率≤30%。标注结果如图2.1所示。图2.1矩形框标注后的数据在处理异常模糊的数据时，本次设计调用OpenCV库内置的拉普拉斯函数计算图片的方差值，再在后续处理过程中判定图片是否模糊。拉普拉斯算法又称为拉普拉斯梯度函数，该算法的主要思想为：先将图像转换为灰度图像，然后单一通道的灰度图像经过刚才计算出来的拉普拉斯3×3卷积核计算后会得到一个响应图，最后再计算这个响应图的方差。基于该方差和预先经过调试设定的阈值进行比较，就可以判断图像是否模糊，也即是通过图像灰度数据的方差来衡量图像的清晰度。首先引入拉普拉斯算子：(2-1)需要进行判断的二维图像记为，该图像离散化后采用基于中心差分的3×3模板(2-2)即，进而得到图像中每个像素点的拉普拉斯值，从而得到拉普拉斯图像，然后进行方差计算:(2-3)其中为拉普拉斯变换后像素值。定义,(2-4)阈值T的取值范围[]，当具体数据大于T时标记为异常图像。由于模糊的图像会影响模型训练的效果，通过这种方法可以有效过滤掉模糊不清的图片，保证原始数据的质量，提高识别率。对于进行标记处理以后标记框发生偏移的样本，选择采用交并比（IntersectionoverUnion，IOU）公式判断是否需要剔除。IOU公式定义如下:(2-5)当IOU值小于0.5时，说明标注框与实际目标偏移过大，这样的样本会对模型训练产生干扰，因此需要剔除。交集面积计算公式定义如下：(2-6)其中A为标注框，B为实际目标框。并集面积计算公式定义如下：(2-7)2.1.2数据增强处理针对数据增强处理，本文设计了一个多任务数据预处理流程[15]用于模拟农户在拍摄上传图片中所遇到的，图片重叠，模糊等问题。多任务数据预处理的流程如图2.2所示。图2.2多任务数据预处理流程图对于原始图像数据集，按照图片对象的不同设计了三个预处理任务。针对害虫识别使用到的数据集使用高斯模糊降噪处理，针对作物识别要用到的数据集采用基于Canny的边缘处理[16]，针对于作物长势分析用到的数据集采用基于ESRGAN模型的超分辨率重建处理[17]。最后将处理的图像归一化，并按照统一格式224×224尺寸输出。用于训练图像识别模型。2.2应用层设计在农业管理ERP系统的开发中，选用SpringBoot[18]、Vue.js和MySQL等技术具有显著的可行性。SpringBoot以其独特的优势，为系统搭建提供了有力支撑。它具备快速开发的能力，能够极大地缩短开发周期，让项目迅速落地。其简化配置的特性，使得开发者无需在繁琐的配置文件上花费过多精力，从而可以将更多的时间和精力投入到核心业务的实现上。同时，SpringBoot高度集成的特点，方便与各种第三方库和组件进行整合，为系统的扩展性和稳定性奠定了坚实基础。这意味着在未来系统需要扩展功能或者应对业务变化时，能够轻松应对，保证系统持续稳定运行。Vue.js作为当前前端开发领域备受欢迎的框架，在农业管理ERP系统中发挥着关键作用。它擅长实现页面交互，能够为用户带来流畅、自然的操作体验。在数据展示方面，Vue.js具有高度的灵活性，可以根据不同的业务需求和用户偏好，以多样化的形式展示数据，无论是表格、图表还是其他可视化形式，都能轻松实现。通过Vue.js的应用，能够显著提升用户体验，让用户更便捷地使用系统。MySQL作为一款成熟可靠的关系型数据库管理系统，完全能够满足农业管理ERP系统的数据存储和管理需求。它在数据处理方面表现出色，具备良好的性能，能够快速响应系统的查询和写入请求，确保数据的高效处理。同时，MySQL具有优秀的扩展性，可以随着系统数据量的增长和业务的发展，轻松进行扩展，保证系统的长期稳定运行。综合考量这些技术的特性以及农业管理ERP系统的实际项目需求，采用SpringBoot、Vue.js和MySQL作为技术栈，能够为系统的开发和应用提供坚实可靠的技术保障。2.3需求分析在农业管理ERP系统这一智能化平台中，考虑到不同用户角色的需求差异，设置多种身份的用户，并为其分别配备了一系列专属的功能模块，旨在全方位提升农业生产管理的效率。整体结构设计如图2.3所示。图2.3系统结构图登录功能：普通用户凭注册且验证有效的用户名和密码登录，匹配成功后可访问系统功能及对应数据。管理员登录后进入专属管理界面，可进行用户权限管理、数据备份恢复、系统参数配置等，监控管理系统运行。农场首页：提供农场基本信息，如名称、地理位置、占地面积等。作物品种管理：涵盖常见及特色作物，用户可新增（填品种名称、种植周期等关键信息）、编辑作物品种信息。农资品种管理：用户能添加（填名称、用途等）、编辑农资信息，删除过期失效农资，保障库存管理准确高效。地块管理：可新增（填名称、面积等）、修改、删除地块信息，优化土地资源配置。地块种养农作物管理：用户选地块开展种养殖，选作物或养殖品种，跟踪记录生长、病虫害等情况。地块农事管理：记录施肥、施药等农事活动时间、类型、农资用量、操作人员等信息。地块采收记录：记录采收时间、数量、质量等，用于产量统计分析，关联销售模块。农资使用记录：记录施肥、施药等操作的时间、用量、目的、地块等，避免农资浪费滥用。农产品库存管理：可查询农产品库存数量、位置等信息，安排销售生产，系统提供库存预警。3图像识别模块设计与实现本设计的图像识别算法分为三个阶段，分别是ResNet18模型训练阶段、引入数据增强操作之后的ResNet18模型训练阶段、将ResNet18作为GAN模型生成器的模型训练阶段。3.1模型设计3.1.1ResNet18模型设计在图像识别的模型选择上，本文参考的是应用动态通道剪枝策略的ResNet18[19]模型。相较于传统的ResNet模型，该模型加入数据自适应地剪枝冗余通道的技术，可以显著减少计算量，同时保持模型性能。对于预处理完成的数据集，将害虫数据集划分为训练集、验证集和测试集，使用DataLoader加载数据。模型训练的损失函数选择交叉熵损失函数。交叉熵损失函数在多分类问题里是较为常用的损失函数，它的作用是衡量模型预测的概率分布和真实标签之间的差异。在分类任务里，模型输出的是每个类别的预测概率，而真实标签通常是一个独热编码向量，或者是类别索引相关定义如下。对于在一个事件x的信息量定义为：其中是事件x发生的概率。信息量衡量的是一个事件的不确定性，概率越小的事件包含的信息量越大。而对于一个离散概率分布，其熵定为：（3-1）熵表示的是该概率分布的平均信息量，反映了随机变量的不确定性程度。假设两个概率分布P和Q，其中P是真实分布，Q是预测分布。那么P和Q间的交叉熵定义为：（3-2）这里真实分布中事件的概率，是预测分布中事件发生的概率。在深度学习的多分类问题中，对于一个样本，其真实标签为(通常表示为一个长度为C的独热编码向量，只有真实类别的位置为1，其余为0)，模型的预测输出为，那么该样本的交叉熵损失为：（3-3）由于是独热编码向量，只有一个位置k为1，其余为0，所以上式可以简化为：，其中k是真实类别的索引。那么对于一个包含N个样本的批量数据，其交叉熵是每个样本交叉熵损失的平均值：（3-4）对于算法优化器，本文选用的是Adam优化器。Adam优化器会结合Adagrad[20]和RMSProp[21]这两种优化算法的优点，通过计算梯度的一阶矩估计（均值）和二阶矩估计（未中心化方差），并进行偏差修正，自适应地调整每个参数，从而在不同的问题上都能取得较好的优化效果。整个过程结合了动量和自适应学习率的思想，使得模型在训练过程中能够更快、更稳定地收敛。在训练开始时，需要对以下参数进行初始化：参数模型，一阶矩估计（梯度的均值），二阶矩估计（梯度的未中心化方差），学习率lr（定义为0.001）。指数衰减率（定义为0.9），用于控制一阶矩估计的衰减。指数衰减率(定义为0.999），用于控制二阶矩估计的衰减。一个很小的常数（通常设为），用于避免分母为零。具体算法实现如算法1所示。算法1Adam优化器设计Adam优化器实现输入：学习率lr，一阶矩估计的指数衰减率，二阶矩估计的指数衰减率，小常数，时间步t,初始化参数模型parameters输出：迭代后的parameters1.模型定义parameters=初始化参数模型；m=与parameters同形的零向量；v=与parameters同形的零向量；2.超参数设置lr=0.001；=0.9；=0.999；=；t=0；3.模型迭代while未达到停止条件dot=t+1；步骤1：计算梯度计算目标函数关于参数在时间步t的梯度；步骤2：更新一阶矩估计；步骤3：更新二阶矩估计这里表示对梯度逐元素进行平方操作；步骤4：偏差修正由于和初始化为0，在迭代初期会存在偏差，需要进行修正；；步骤5：更新参数根据修正后的一阶矩估计和二阶矩估计更新参数；返回parameters。优化器在接收初始化的学习率、一阶和二阶矩估计的指数衰减率、小常数、时间步及参数模型作为输入后，在未达到停止条件前持续迭代，每次迭代先将时间步加1。再计算目标函数关于参数的梯度，随后更新一阶和二阶矩估计，对因初始化为零向量而产生偏差的一阶和二阶矩估计进行修正。最后依据修正后的结果更新参数，最终输出迭代后的参数模型parameters。3.1.2GAN模型设计本研究进一步引入生成对抗网络（GAN）框架[22]，将训练好的ResNet18模型作为生成器，结合判别器优化图像生成与识别能力。整体架构如图3.1所示。图3.1GAN整体架构流程图生成器的设计基于预训练的ResNet18模型，移除原分类层，添加转置卷积层进行上采样。生成器输入为潜在向量，输出为合成图像，其结构如下图3.2所示。图3.2生成器结构图全连接层FC将向量映射到高维空间，然后利用Reshape转换为卷积网络输入格式。复用预训练的ResNet18特征提取能力,最后利用Tanh激活函数将像素值约束到[-1,1]范围输出。生成器的目标是生成尽可能逼真的图像，使判别器难以区分生成图像与真实图像。生成器损失可以由两部分组成，即对抗损失和内容损失。定义生成器生成的图像为（z是随机噪声向量），判别器对生成图像的预测概率为，真实图像标签为1，生成图像标签为0，则对抗损失的公式定义为：（3-5）该公式表示生成器希望判别器误判生成图像为真实图像的概率越大越好，即最小化对抗损失。判别器的设计采用卷积神经网络（CNN），输入为真实图像或生成图像，输出判别概率。结构包含4层卷积层与全连接层，使用LeakyReLU激活。损失函数分为对抗损失和分类损失。对抗损失公式定义如下。（3-6）分类损失函数保留ResNet18的交叉熵损失，用于生成图像与真实标签的匹配。 （3-7）GAN模型训练过程如算法2所示。算法2GAN训练流程GAN训练流程输入：真实图像数据集D_real，潜在向量维度z，迭代次数T输出：训练后的生成器G和判别器D1.初始化生成器G（基于ResNet18）、判别器D；2.fort=1toTdoa.采样真实图像批次x~D_real；b.采样噪声向量z~N(0,1)；c.生成图像G(z)；d.更新判别器D：-计算L_adv对D的梯度；-反向传播优化D参数；e.更新生成器G：-固定D，计算L_G对G的梯度；-反向传播优化G参数；3.endfor3.2分任务数据预处理细节上文中提到的数据分任务预处理，首先需要进行对收集到的原始数据进行数据预处理和增强处理，以下是进行针对数据集各个种类分别处理的算法实现。算法3害虫数据预处理害虫识别数据预处理输入：原始图像HaichongImg输出：经过高斯模糊处理后的图像blurred1.定参数定义高斯模糊核大小

kernel_size=(5,5)；定义高斯核标准差=1.0；2.对原始图像进行高斯模糊处理blurred=对HaichongImg应用高斯模糊，核大小为kernel_size，标准差为；接收原始图像HaichongImg作为输入，首先定义了高斯模糊核大小为(5,5)、高斯核标准差为1.0这两个参数，然后使用所定义的参数对原始图像进行高斯模糊处理，最终输出经过高斯模糊处理后的图像blurred。算法4作物数据预处理作物识别数据预处理输入：原始图像Zuowuimg输出：经过Canny边缘检测后的图像edges1.定参数定义低阈值threshold1=30；高阈值threshold2=100；2.对原始图像进行Canny边缘检测edges=对Zuowuimg应用Canny边缘检测；算法5长势分析数据预处理长势分析数据预处理输入：低分辨率图像lr_img输出：经过超分辨率重建后的高分辨率图像sr_img1.加载预训练的ESRGAN模型model=从'pretrained_models/ESRGAN_x4.pth'加载ESRGAN模型；2.使用模型对低分辨率图像进行超分辨率重建sr_img=使用model对lr_img进行预测；3.3数据增强方法处理细节为实现农业图像数据集的多样性的，本研究设计数据增强方法，通过相关的组合策略，生成具有真实感的增强样本。原始数据采用的是PlantVillage植物病害公开数据集。具体实现方法及参数设置如下表所示。表3.3.1方法参数范围作用随机旋转±15°增加视角多样性水平翻转概率0.5模拟镜像场景亮度调整±0.2适应不同光照条件对比度调整0.8-1.2增强颜色特征随机裁剪保留80%原图面积提升局部特征识别能力具体操作如下。算法6数据增强操作数据增强方法1.配置部分dataset_path=实际数据集路径；output_dir=数据集路径的父目录/"augmentation_results"；2.数据增强管道plant_augmentation=组合以下操作；随机旋转20度；以0.6的概率进行随机水平翻转；颜色抖动（亮度、对比度、饱和度、色调调整）；随机裁剪（大小256，缩放范围0.7-1.0，长宽比范围0.75-1.33）；以0.5的概率调整锐度；以0.3的概率进行自动对比度调整；转换为张量；归一化（均值[0.485,0.456,0.406]，标准差[0.229,0.224,0.225]）；end组合；3.数据集加载trydataset=从dataset_path加载图像数据集加载时进行缩放至300并中心裁剪至256打印数据集加载成功信息（图像数量、类别数量、类别列表）catch异常e打印数据集加载失败信息（e）退出程序endtry；4.可视化函数functionvisualize_plant_augmentation(dataset,augmentation,num_samples,save_results)；//创建一个图形窗口//设置图形窗口标题//调整图形布局ifsave_results为真then保存可视化结果打印可视化结果保存路径endif；//显示图形窗口endfunction。经过增强处理之后的图像可视化如图3.3所示。图3.3增强处理后的数据集3.4图像识别精度评估采用动态通道剪枝策略的ResNet18模型的图像识别精度评估如算法7所示。算法7模型精度评估ResNet18精度评估输入:测试数据集D_test={(x_i,y_i)}_{i=1}^N训练好的模型f(·)类别列表C=[c_1,c_2,...,c_K]输出:总体准确率accuracy混淆矩阵confusion_matrix分类报告classification_reportBEGIN1.初始化统计量:correct_predictions←0；confusion_matrix←zeros(K×K)；true_labels←[]；pred_labels←[]；2.遍历测试集:FOReach(x,y_true)inD_testDOa.前向推理:y_pred←f(x)//模型预测predicted_class←argmax(y_pred)；true_class←y_true；b.更新统计量:IFpredicted_class==true_classTHENcorrect_predictions←correct_predictions+1；ENDIFconfusion_matrix[true_class][predicted_class]+=1；true_labels.append(true_class)；pred_labels.append(predicted_class)；ENDFOR3.计算指标:a.总体准确率:accuracy←correct_predictions/N；b.类别级指标:FOReachclasskinCDOTP_k←confusion_matrix[k][k]；FP_k←sum(confusion_matrix[:,k])-TP_k；FN_k←sum(confusion_matrix[k,:])-TP_k；precision_k←TP_k/(TP_k+FP_k)；recall_k←TP_k/(TP_k+FN_k)；f1_k←2*(precision_k*recall_k)/(precision_k+recall_k)；ENDFOR4.输出结果END。算法以测试数据集、训练好的模型和类别列表C作为输入。数据集选取的是公开数据集PlantVillage下的color分类。首先初始化正确预测数、混淆矩阵以及存储真实标签和预测标签的列表。接着遍历测试数据集中的每一个样本，对样本进行模型前向推理得到预测结果，根据预测类别和真实类别更新正确预测数、混淆矩阵，并记录相应标签。遍历结束后，依据正确预测数计算总体准确率，再针对类别列表中的每个类别，基于混淆矩阵计算真阳性、假阳性、假阴性，进而得出每个类别的精确率、召回率和F1值。最终输出预测结果。最终输出总体准确率、混淆矩阵和分类报告。分类准确率20轮测试结果如图3.4所示。图3.4ResNet18识别结果图结论显示，模型经过20轮训练后，损失值从1.23稳步下降至0.21，验证准确率从75.62%提升至92.87%，总体表现出良好的收敛性和泛化性能。使用数据增强方法后的ResNet18模型效果对比如表3.4.1所示。表3.4.1增强策略验证准确率提升幅度无增强82.1%基础增强(旋转+翻转)86.3%+4.2%完整增强(含颜色扰动)92.9%+10.8%结论显示，在使用数据增强算法后进行图像识别时，对模型分别采用了不同的增强策略进行测试，未采用任何增强策略时，模型的验证准确率为82.1%。当使用基础增强策略后，模型验证准确率提升至86.3%，相较于无增强策略提升了4.2%。而在采用完整增强策略，也就是在基础增强的基础上加入颜色扰动等更多增强操作后，模型验证准确率大幅提升至92.9%，相比无增强策略提升幅度达到10.8%。由此可见，完整增强策略对模型验证准确率的提升效果最为显著，能够有效增强模型性能。将该模型用于PlantVillage数据集下Apple_scab和Black_rot分类，精度显示结果如图3.5所示。图3.5增强策略应用结果图结果表明，模型用于PlantVillage数据集下Apple_scab和Black_rot分类精确率分别为0.93和0.95，召回率分别为0.91和0.94，F1分数分别为0.92和0.95，支持数分别为124和117。说明模型在Black_rot分类表现更好，可能是因为样本数量较多或数据更清。模型整体的精确率、召回率、F1都是0.93，表现均衡未出现明显类别偏差。将训练好的ResNet18模型作为生成器的GAN框架实现的图像识别算法的识别精度如图3.6所示。图3.6优化模型预测结果图结果图显示，在对PlantVillage数据集下color分类中的38类植物病害的图片进行识别后，该模型在测试集上的总体准确率达到97.18%，其中大部分类别的准确率超过95%，验证了该设计方法在植物病害分类任务中的有效性。4系统模块设计与实现农业管理ERP系统构建了一系列功能模块，涵盖作物管理、农资管理、地块管理等关键领域，能够满足各类用户在实际农业生产中的差异化诉求，主要包括登录、农场概述查看、作物品种管理、农资品种管理、地块管理、地块种养农作物管理、地块农事管理、地块采收记录、农资使用记录以及农产品库存管理等功能模块。相关功能流程如图4.1所示。图4.1农业ERP系统图4.1地块设计地块管理功能的详细流程可参照图4.2。图4.2地块功能流程图当用户成功进入农业管理ERP系统后，在系统界面中选择点击“地块管理”功能选项，进入地块界面。在地块界面，若用户选择进行地块信息添加操作，系统会呈现相应的信息填写界面，用户需要在此界面中填写诸如地块名称、面积、地理位置等必要信息。用户完成信息填写并提交后，系统会调用添加方法，并依据预先设定的规则，对用户输入的各项信息进行严格检查。若所有信息均符合合法性要求，即添加成功，系统会将这些信息保存至数据库；若不符合要求，则添加失败。若用户在地块界面选择查看地块信息，可直接查看相关信息。若用户在地块界面选择进行地块删除操作，需输入相关信息，系统调用删除方法，根据设定规则检查，若符合要求则删除成功，不符合则删除失败。地块功能实现如图4.3所示。图4.3地块功能展示4.2农事记录系统设计农事记录功能在农业管理ERP系统中占据着重要地位。用户进入农事管理界面后，可选择相关操作，如施肥、灌溉、播种等（除草、喷药等操作在图中未体现，按图中操作示例描述）。以施肥为例，用户选择施肥操作后可将施肥这一农事活动的时间、地点、具体操作内容，以及所使用的农资品牌和用量等信息录入系统。灌溉、播种等操作同理，用户选择操作后可添加对应的农事活动信息至系统，完成详细记录，这些记录对于作物生长管理至关重要。农事记录功能的操作流程如图4.4所示。图4.4农事记录模块流程图农事模块实现如图4.5所示。图4.5农事功能展现4.3作物品种管理系统设计当用户成功进入作物管理界面后，可以对作物信息进行多种操作。如果用户选择新增作物信息，那么系统调用添加方法。系统会对用户输入的信息进行条件判断，只有当条件满足时，新的作物信息才能顺利录入系统成功添加。若用户只是想要了解已有的作物信息，在作物管理界面中，可直接选择查看信息的选项。系统会呈现对应作为的作物品种、生长周期、产量数据。当用户需要清理不再使用或错误录入的作物信息时，可选择删除操作。系统会调用删除方法，经过条件判断确认该作物信息存在关联引用情况时，系统才会执行删除操作，实现删除成功，若条件不满足，删除操作则无法进行，提示删除失败。作物品种管理的整个流程具体情况可参考图4.6所示。图4.6作物品种管理流程图作物品种管理实现如图4.7所示。图4.7作物品种记录展示借助作物品种模块的信息，该系统设计了种植作物管理模块，用户可以选择具体地块种植具体的某种品种，如果作物是系统中已有的，在下拉框内会展示可以选择，如果不存在，会自动在作物品种管理系统中添加。种植作物管理模块流程图如图4.8所示。图4.8种植作物管理模块流程图种植作物管理实现如图4.9所示。图4.9种植作物管理模块展示4.4农资品种管理系统设计农资管理模块执行的是对农资信息的操作与管理。当用户进入农资管理模块后，系统提供信息添加、查看、散出的功能选择。当进行农资信息添加操作，需要填写相关的信息包括具体的农资名称，农资类别对应的具体图片，对应的使用方法，规格型号，储存条件以及上传用户。在录入过程中，系统会进行条件判断。若录信息完整、准确且符合系统预设的规则则成功添加，农资信息会录入系统数据库。用户还可进行信息搜索，系统会将已录入的符合条件的农资信息，展示出来，方便用户随时查阅。若用户需要清理不再使用或错误录入的农资信息，可选择调用删除方法，系统同样会进行条件判断，当符合特定删除条件时，删除操作成功，相应农资信息从系统中移除。农资品种管理设计流程图如图4.10所示。图4.10资管理流程图农资管理模块实现如图4.11所示。图4.11农资管理展示在农资使用管理模块中，管理员可以记录某用户在具体的时间使用了某品牌的农业产品，已经具体的使用目的，使用数量。功能实现如图4.12所示。图4.12新增农资使用功能展示4.5数据库设计在整个ERP系统中，数据库设计是整个系统的核心部分，它涵盖了农事表、出入库信息表、作物品种表、用户信息表、地块信息表、农事操作表等多个关键数据表，这些数据表相互关联，共同构成了一个合理的数据库结构。农事操作实体属性包括关联表ID，用户名，操作类型，操作时间等,记录的是从农作物种子播撒入土开始，到后续的养护管理，如灌溉、施肥、病虫害防治，再到最终收割等一系列环节的具体信息。相关实体图如图4.13所示。图4.13农事实体图出入库信息实体属性包括对于信息ID、关联表ID、作物名、操作类型、操作时间、操作用户、相关作物库存信息等，聚焦于种、化肥、农药等各类生产资料的进出库情况。相关实体图如图4.14所示。图4.14出入库信息实体图地块种植信息实体属性包括对于关联表ID，种植的作物信息，对于的用户以及地块信息。记录的是该地块种植作物的详细信息，包括作物品种、种植面积、预计产量等。相关实体图如图4.15所示。图4.15地块种植信息实体图地块信息实体属性包括地块ID、地块类型、所属人、地块面积、创建时间等，用于记录地块的详细信息。相关实体图如图4.16所示。图4.16地块信息实体图库存信息实体属性包括对应的ID、产品名、产品库存量、出入库信息、管理员信息等。相关实体图如图4.17所示。图4.17库存信息实体图作物信息实体属性包括对应的ID、作物名、作物品种、关联表ID等。相关实体图如图4.18所示。图4.18作物信息实体图用户信息表属性包括对应的ID、用户名、类别等，用于存储用户的基本信息，并在系统权限管理中发挥着关键作用，用于管理员身份确认和用户权限分配。相关实体图如图4.19所示。图4.19用户信息实体图整体系统ER关系图如图4.20所示。图4.20系统E-R关系图其中用户是系统的操作主体。用户与农资通过“管理”关系相连，表明一个用户可以管理一种农资；用户通过“管理”关系与身份认证关联，且是一对一关系，意味着一个用户对应一种身份认证方式。身份认证用于确认用户身份。它与地块信息、出入库记录存在“管理”关系，其中与地块信息是一对一，与出入库记录是一对多，即一个身份认证可对应多条出入库记录。地块信息记录地块相关数据，与作物信息通过“管理”关系相连，为一对一关系，即一块地对应一种作物信息。作物信息包含作物相关内容，与农事信息、库存信息分别通过“关联”关系相连，且都是一对多关系，即一种作物信息对应多条农事信息和多条库存信息。农资是农业生产资料，与库存信息是一对一关系，与农事信息是一对多关系，即一种农资对应多条农事信息。库存信息记录农资库存情况，与出入库记录是一对一关系。出入库记录记录农资出入库情况，与作物信息存在一对多的“关联”关系。4.6图像识别功能实现本文设计的图像识别模型，可以实现植物病害识别，植物种类识别，通用物体识别。其中专门针对植物类别的识别，可识别植物的种类、特征。同时支持多种图片格式（JPG、JPEG、PNG）的处理。最终对输出的结果进行结构化处理，并提供相应的百度百科信息，以及相关图片的链接。以下是算法实现。算法8图像识别调用图像识别调用输入：imagePath输出：plantResult1.定参数imagePath图片路径；imageFile创建文件对象；2.设定图片文件路径imagePath="E:\\桌面\\毕设\\1.jpg"；imageFile=创建文件对象(imagePath)；3.判断路径是否正确如果imageFile不存在输出"图片文件不存在："+imagePath；Else输出"开始识别图片:"+imageFile的文件名；尝试输出"\n===植物识别结果==="；格式化输出plantResult。图4.21是所要进行图像识别的素材图片。图4.21待识别的图像将该图作为需要进行识别的图像输入到系统，调用图像识别的代码对其进行识别。输出相应的物种名称，所属科目，相关的百度百科描述以及对应链接。识别结果如图4.22所示。图4.22图像识别结果5结论与展望本研究基于SpringBoot框架设计并实现了一个农业ERP系统，通过整合云计算、人工智能等技术，构建了一个覆盖农业生产核心环节的智能化管理平台。实验表明，系统在以下方面取得良好的成效。本研究设计的图像识别模型，在PlantVillage公开数据集上的验证准确率达到92.87%，相较于未增强数据提升了10.8%。经过旋转、颜色扰动等数据增强策略，有效提升了模型的泛化能力。关键病虫害类别的F1分数均超过0.92，验证了算法在复杂农田场景下的良好鲁棒性。此外，设计结合GAN框架进一步优化了图像生成与识别能力，能为农户提供更精准的作物状态分析和病虫害预警服务。在对38类植物病害图片的识别测试中，模型在测试集上的总体准确率高达97.18%，大部分类别的准确率超过95%，证明了该设计方法在植物病害分类任务中的良好有效性。在系统的功能模块设计上，实现了地块管理、农事记录、作物品种管理等核心功能，通过多任务数据预处理流水线与MySQL数据库的协同设计，提升了农业生产数据的管理效率。用户可通过Web端完成从种植规划到采收记录的全流程操作，初步验证了系统在实际场景中的可行性。设计引入基于ESRGAN的超分辨率重建与Canny边缘检测技术，解决了低质量农田图像的处理难题，为农户提供了更精准的作物长势分析与病虫害预警服务。同时，本设计也存在许多的不足和局限。首先是本设计未能保证数据集的多样性，本实验依赖PlantVillage公开数据集，而实际农田中的作物品种、病虫害类型及环境复杂度远超现有数据覆盖范围，无法得知模型在真实场景中的适用情况。其次是系统功能模块的完整性仍然有待完善。当前系统聚焦于生产管理环节，但农产品加工、市场预测、客户关系管理等模块尚未深度开发，难以满足全产业链的数字化需求。本系统仅提供中文Web端界面，缺乏移动端适配，存在语言与平台支持缺失的问题，限制了其在全球化农业合作及移动场景中的应用潜力。针对上述不足，未来研究可从以下方向展开。在模型的选择上，未来可以引入轻量化模型（如MobileNetV3）替代ResNet18，结合迁移学习技术适配更多农田场景。构建多模态数据融合框架，集成气象传感器、土壤墒情等实时数据，优化决策逻辑。在系统功能设计上，开发农产品溯源、智能营销模块，利用大数据分析实现市场动态预测。同时，开发多语言版本及移动端应用，适配iOS/Android系统，增强用户交互和体验。参考文献：[1]农业农村部信息中心.中国农业农村信息化发展报告（2023）[R].北京:中国农业出版社,2023.[2]中共中央办公厅，国务院办公厅.数字乡村发展战略纲要[R].2019.[3]农业农村部.十四五全国农业农村科技发展规划[R].2021.[4]李华,王伟.农业信息化背景下ERP系统在精准农业中的应用研究[J].农业工程学报,2023,39(5):12-19.[5]ShawDS,HoneychurchKC.NanosensorApplicationsinPlantScience(J).Biosensors(Basel),2022,12(9).[6]Dai,Y.(2023).Simulationofagriculturaldigitaleconomydevelopmentandpolicysupportsystembasedonresourcesensitivityindex.

SoftComputing,27,9077-9091.[7]李道亮.国外数字乡村建设现状及启示[N].中国网信杂志，2022.[8]Fanfarillo,E.,Loppi,S.,Angiol