【《蔬菜疾病识别农业机器人相关技术基础综述》6900字】

蔬菜疾病识别农业机器人相关技术基础综述目录TOC\o"1-3"\h\u29693蔬菜疾病识别农业机器人相关技术基础综述 180391.1移动机器人 1146901.1.1机器人自主导航方式 256871.1.2机器人控制器 3166671.2蔬菜疾病 4305201.1.1疾病症状与发病特点 5326901.1.2疾病防治 6144001.3深度学习 7249191.3.1深度学习概述 7214391.3.2InceptionV3网络模型 91.1移动机器人移动机器人是一种可操控的具有移动功能的机器，它能够接收指令并执行，完成被赋予的任务。移动机器人的基本应用场景包括移动和探索、运输，以及使用机械结构（如机械臂）完成复杂任务。随着科技的发展，移动机器人功能愈发强大，可以完成相当复杂的任务，如今已被广泛应用于各行各业。例如传统的仓库和配送领域，新兴的医疗手术、个人协助和安全、海洋和空间探索等领域。按照移动方式不同，移动机器人可以分为类人机器人、轮式机器人以及履带机器人三种。按照移动的自主性又可以划分为自主移动机器人以及非自主移动机器人。自主移动机器人是指不需要人工控制，自身就可以感知周围环境并完成有效移动的机器人，它具有更高的自主能力且更加的灵活。而非自主移动机器人则需要人工控制或引导才能够进行有效移动，自主能力较差。目前机器人领域正在从非自主向自主方向发展。机器人设计人员会根据移动机器人应用领域的不同，为其配置不同的软硬件，然而有几个基础模块则是始终存在的，包括传感器、中央控制单元、执行器以及供电系统。控制器为机器人的大脑，负责处理信息，下达指令。中央控制单元通常是微处理器、嵌入式微控制器或个人计算机（PC）。传感器通常为机器人感知外部环境的窗口，机器人所装载的传感器取决于其应用要求。如具有测距功能的超声波传感器，可以获取视觉信息的摄像头，以及通信模块等。执行器通常指移动机器人的移动装置或机械臂等结构，是机器人改造外界的装置，通常依靠其进行物品搬运等。目前机器人多为电能驱动，没有能量来源则机器人无法工作，供电系统不可或缺。下文详细介绍以本文所用的一些技术。1.1.1机器人自主导航方式对于自主移动机器人来说，要想完成工作，首先要能够进行有效移动，也就是能够移动导航到目标地点而在途中不产生碰撞。通常来说机器人需要能够感知周围障碍物并依此来规划移动路径，进行避障。移动机器人避障导航一直是机器人领域的热门研究课题，从起初的超声波、红外避障，到后来的SLAM算法、GPS地图导航，再到近几年比较火的视觉避障。这些避障算法不仅在机器人领域，如今在自动驾驶领域也开始大放异彩。下面对这几种避障方式进行简单介绍与对比。（1）超声波/红外避障：这两种避障方式的原理相似，皆是通过超声波或红外测量机器人与前方障碍物之间的距离，依此来避免碰撞。通过多个传感器配合使用，可以让机器人在多个方向上有所感知，并达成有效移动。超声波测距传感器使用频率高于20000Hz的超声波对测量周围物体距离，具有简单，快速，计算方便等优点，且在精确度方面也可满足一般要求。超声波传感器的工作原理是很重要的，因为这个传感器在检测障碍物方面有重要的作用。超声波传感器工作的基本原理是记录传感器发射超声波束和接收超声波束撞击表面后所花费的时间。然后再用公式计算距离。在进行距离测量时，超声波发生器主动向前方发射超声波，并开启计时器。超声波向外扩散，在碰到阻挡物后反射回来，并被超声波接收器所接收。当超声波接收器接收到反射回来的超声波时，停止计时器。已知超声波在空气中传播速度约为和计时器的时间，则可计算出距离信息。（2）视觉SLAM：SLAM是实时定位与地图构建的简称，此算法可以让机器人在一个完全未知的环境下逐步移动探索，并进行地图构建，随后根据地图进行导航避障。此算法比较复杂，通常分为视觉里程计，后端优化以及回环检测，地图构建四个部分。它所使用的传感器为摄像头。可以是单目摄像头，双目摄像头或是深度摄像头。算法输入视频流，根据图像之间的关联来估计机器人的位姿变换。优点是可以不对环境有任何的先验信息，适应多种环境的能力强。缺点是计算较为复杂，且在长时间运行下会出现精度漂移。（3）GPS导航避障：GPS为全球定位系统的英文简写。是上世纪70年代美国斥巨资耗时数十年建设。此导航系统原为战争所用，通过多颗卫星对地面设备进行精准打击，后逐步走向民用。多用于交通工具的导航等。GPS导航具有全球覆盖，24小时工作以及精度高等优点。但其信号容易被遮蔽，故而适用于开阔地，而不适用于有遮挡的存在的如室内等场景。1.1.2机器人控制器从广义上讲，机器人控制器是硬件和软件的组合，是机器人的大脑。它负责接收传感器以及通信模块传递的信息并处理，然后根据处理结果来指导机器人的行为。随着应用场景的复杂化，对于机器人运算模块的运算性能要求逐步提升，目前运用比较多的有STM32，树莓派等。本文采用树莓派作为机器人主控芯片。树莓派是由树莓派基金会与Broadcom联合在英国开发的一系列小型单板电脑。树莓派项目最初倾向于在学校和发展中国家推广基础计算机科学教学。因为它的成本低，模块化开放设计且采用HDMI和USB接口，为计算机和广大电子爱好者所喜爱，后被广泛应用于机器人领域。树莓派是一个手掌大小的微型计算机，其麻雀虽小五脏俱全，除了具有CPU，内存，各种接口等设备。树莓派也可以选择使用任何通用的USB电脑键盘和鼠标操作。它还可用于USB存储、USB到MIDI转换器，以及几乎任何其他具有USB功能的设备/组件，具体取决于基础操作系统中安装的设备驱动程序。树莓派的一个强大功能是沿着板的边缘排列的GPIO(通用输入/输出)引脚。在所有的树莓派板上都有一个40引脚的GPIO，其中除去个别专用引脚外，任何一个GPIO引脚可以被指定作为输入或输出引脚，具有广泛的用途。如在树莓派3b的板上有两个5V引脚和两个3.3V引脚，以及一些接地引脚，这是不可配置的，其余的引脚都是通用引脚。指定为输出引脚的GPIO可以设置为高电平或低电平，作为输入的引脚可以读取高或低电平。引脚GPIO2和GPIO3有固定的上拉电阻，但对于其他引脚，这可以在软件中配置。这些GPIO引脚的存在极大方便了树莓派连接外部传感器，实物图如图1.1所示。图1.1树莓派Fig.1.1Raspberrypi操作系统方面，树莓派基金会提供一个基于Linux的树莓派操作系统，称为Raspbian。而且它也支持第三方操作系统如Ubuntu,Windows10IoTCore,RISCOS等。它支持多种编程语言，并推广python和scratch为其主要编程语言。1.2蔬菜疾病蔬菜的疾病会对你的作物造成毁灭性的影响。它们可以完全杀死你的作物或显著降低其质量，这意味着如果其中一种疾病袭击你的温室，你会遭受巨大的损失。有几种疾病会攻击绿叶蔬菜，它们主要是由真菌、细菌或病毒引起的。如果你种植绿色蔬菜或计划种植它们，以下是叶菜常见的疾病、原因、预防、控制和治疗方法。蔬菜的疾病种类按病原体类型划分可分为真菌疾病，细菌疾病以及病毒病。据统计，目前蔬菜种植中常见的病害有1500种，其中有950种都属于真菌性病害，占到80%左右，细菌类占到10%，病毒类占到5%，其他类占到5%。这三类疾病的症状如表1.1所示。表1.1蔬菜三大类疾病症状Table1.1Symptomsofthreemajorcategoriesdiseasesofvegetables疾病种类发病症状特点细菌疾病感染叶片时一般出现黄褐色病斑且容易穿孔。根茎容易腐烂且出现臭味。感染果实时果实表面会出现疮痂性的小突起。一般为种子带菌或土壤带菌，容易从蔬菜伤口处侵入。真菌疾病叶片或果实等发病部位出现病斑，且病斑上会出现由于真菌大量繁殖而产生的霉状物或粉状物。没有臭味。疾病种类多，发病范围广，是蔬菜最常见疾病。病毒疾病叶片皱缩，扭曲，出现不规则凸凹。发病率不高但危害极大，难以治疗。1.1.1疾病症状与发病特点（1）细菌性疾病细菌病原菌引起蔬菜的许多严重疾病。它们不直接进入植物组织，但需要通过伤口或植物的天然开口进入。伤口可能是由昆虫、其他病原体以及修剪和采摘等操作过程中使用的工具造成的。细菌只有在有利它们繁殖的因素下才会变得活跃迅速繁殖并引起问题。一些有利于感染的因素包括：高湿度、糟糕的空气流通、贫瘠的土壤等。不同的细菌适合于不同的温度条件，温暖潮湿的天气有利于某些细菌性疾病的发展，而凉爽潮湿的环境则有利于其他疾病的发展，但炎热、干燥的环境往往抑制细菌繁殖，同样也会阻碍作物生长。细菌有机体可以在土壤、作物残渣、种子和其他植物部位存活。杂草可以作为细菌疾病的蓄水池。细菌通过受感染的种子、繁殖材料和作物残留物，通过水飞溅和风吹的雨水，以及受污染的设备和工人的手传播。高架灌溉有利于细菌性疾病的传播。细菌性疾病的症状可能与真菌疾病引起的症状混淆。在植物诊断实验室对患病组织进行检查，以确定引起病害的病原体类型是很重要的。细菌性病害的不同菌株影响不同类型的蔬菜作物或在同一作物上引起不同的病害。（2）真菌性疾病真菌是植物病原体中数量最多的，是一系列严重植物疾病的罪魁祸首。大多数蔬菜疾病是由真菌引起的。它们通过杀死细胞和/或引起植物应激来损害植物。真菌感染的来源是受感染的种子、土壤、作物碎片、附近的作物和杂草。真菌通过风和水飞溅传播，并通过受污染的土壤、动物、工人、机械、工具、幼苗和其他植物材料的移动传播。它们通过气孔等自然开口进入植物，通过修剪、收获、冰雹、昆虫、其他疾病和机械损伤造成的伤口进入植物。有些真菌会引起叶面疾病，如霜霉病、粉状霉、白色水疱等是一些非常普遍的叶面疾病。一些真菌类病广泛的感染各种蔬菜，包括炭疽病、葡萄孢属腐烂、霜霉、镰刀菌素腐烂、粉状霉、丝核菌腐烂等。还有一些是特定感染某一作物种群的，例如十字花科植物中的根肿病、胡萝卜中的叶枯病、豆类中的红根复合体等。（3）病毒性疾病病毒对许多澳大利亚蔬菜作物造成重大损害。它们是不动的，通常由一种称为病媒或载体的活生物体从一种植物传播到另一种植物。植物病毒最重要的载体包括蚜虫、白蝇、蓟马和叶蝉，这些昆虫有刺穿的吸吮口器，使它们能够接触并吸食植物细胞中的物质。病毒还可以通过其他昆虫、螨虫、线虫、真菌、受感染的花粉或营养繁殖材料、植物之间的接触以及受感染或污染的种子传播。通过吸树液的昆虫传播病毒的方式有两种：持续性传播和非持续性传播，这与昆虫获得和传播病毒所花的时间有关。通常，病毒、寄主植物和病媒或载体之间的复杂关系在开发有效的管理系统时造成了问题。但是，通过综合使用各种管理办法，或综合虫害管理办法，可以成功地实施疾病控制。在蔬菜大棚内种植蔬菜等作物，由于大棚内环境条件如温湿度，光照等与露地有较大区别，故而其中病害有其独特发生规律。一般来说，大棚内作物的发病情况有如下几个特点：（1）喜湿性病菌活跃。蔬菜大棚白天温度25-35度，湿度80%。这种环境不仅有利于蔬菜的生长，也为一些适合高温高湿的病原体提供了繁殖条件。（2）危害时间长。由于大棚内的反季节气候，常年保持较高温度，使得一些病菌不再需要冬眠越冬。这就使得病害发生期被拉长，甚至周年不断。（3）容易爆发。由于大棚内蔬菜种植较密集，且通风不良，病菌极易传播泛滥。1.1.2疾病防治病害管理策略旨在促进寄主植物的生长和发育，同时攻击病原菌生命周期中的脆弱阶段，以预防或限制其发育。一般来说，影响蔬菜发病的因素有三种：气候条件，耕作与栽培管理以及种子选取。综合作物保护（ICP）或综合虫害管理（IPM）方法在管理真菌病方面取得了成功。ICP将生产系统视为一个整体，包括植株，病菌，土壤，化肥农药等。气候条件包括空气温湿度，土壤温湿度以及光照，二氧化碳浓度等因素。其中影响程度最大的为空气温湿度[8]。一般来说，空气干燥会抑制真菌孢子的形成，故而真菌类疾病喜欢低温，高湿的环境。发病最适合的条件为温度19摄氏度到23摄氏度。相对湿度在90%以上。例如南方作物的霜霉病一般于4-5月份多雨的季节多发。据统计，河南省周口市大棚番茄灰霉病一般在三月底发病，主要是因为当地雨季的到来。故而灌溉时间应尽量避免高湿期（例如，在凌晨4点左右灌溉而不是黄昏，不在孢子释放的高峰期灌溉）。耕作与栽培管理包括播种时间，耕作管理，相邻作物，是否重茬以及水肥管理等。在耕作时间上，过早或过晚可能使得作物易感染期与疾病多发气候相重合，从而导致疾病多发。耕作管理方面，如果化肥使用不当，土壤肥力少，幼苗发育不良，低于病菌的能力若，也会导致疾病高发。清理农场如清除杂草及可能引起疾病的作物残留物也可以降低疾病传播风险。此外定期监测作物并使用预测模型并能够发现作物的早期症状也是减少病害影响的有力手段。由于病菌会休眠过冬，重茬会使得去年的病菌感染今年的作物，可以通过作物轮作减少病原体水平。相邻作物类似，同类容易相互感染，从而引发大面积疾病的传播。随着科技的发展，通过杂交技术，已经研制出多种抗病植株，这类植株对于特定疾病有着抵抗力，不易感染，故而可以通过使用抗病植株来降低病害。此外，使用清洁的移栽和种子可以从根源上减少发病率。1.3深度学习1.3.1深度学习概述深度学习作为人工智能领域的一个分支，其发展目的是为了让机器能够向人一样进行学习，并可以对图片、文字、声音等信息进行理解。要想计算机对于这些信息进行识别，首先要进行特征提取，因为原始数据信息繁杂，不利于识别。传统机器学习使用的是人工特征，深度学习会进行自动特征提取。人工特征的有效性依赖于特征的设计，耗时耗力且特征的有效性有限。许多特征并不能代表识别的数据。神经网络通过层层的特征提取，使得提取的特征更加复杂而有效。二者的流程对比如图1.2所示。图1.2传统机器学习与深度学习流程对比Fig.1.2Traditionalmachinelearningversusdeeplearningprocesses深度学习的实现方式为神经网络。神经网络是抽象模拟人脑神经网络而产生的模型。它包括节点和连接组成。如下图1.3所示。节点为一些函数，称为激活函数。常用的例如Sigmoid函数，Tanh函数以及ReLU函数等。它可以为神经网络带来非线性。因为如果没有激活函数的非线性，再多层的神经网络都可以简化为一层。连接为节点与节点之间具有权值的运算传递，上层节点与下层节点之间可以具有连接，同层节点之间不存在连接。在训练时，通过改变权值，从而建立输入与输出之间的关系。图1.3神经网络结构Fig.1.3Neuralnetworkstructure神经网络中比较典型的为全连接神经网络（FNN），它是一种相邻层节点之间彼此都具有连接的神经网络。其计算方程如式（1.1）。这种神经网络虽然可以比较好的进行识别，但其具有一个难以解决的问题-权值参数过多。如一个输入为25×25×1的图片，一层隐藏层的节点数为1000个。则这一层的权值数为：25×25×1000+1000=626000。这一参数爆炸问题会直接导致运算性能降低，且会引发过拟合问题。y=f(Wx+b)(1.1)上式（1.1）中W为权值矩阵，x为输入向量，b为偏置向量。为了解决此问题，出现了目前被广泛应用的卷积神经网络（CNN）。在卷积神经网络中，每一层的节点都被组织成一个三维矩阵且每一层只与上一次的部分节点连接。一个卷积神经网络通常包含下面五部分。（1）输入层：输入层时神经网络要进行识别的数据，如果需要识别的是一张图片，则输入为这张图片的三维矩阵。通常在原始数据到达输入层之前需要进行一些预处理，如裁剪，归一化等。好的预处理会极大提高神经网络的识别准确度。（2）卷积层：卷积层为神经网络的核心，不同于全连接神经网络，卷积层的一个节点只与上一层的一小块节点相连接，这一小块被称为卷积核。而且卷积神经网络还具有权值共享的特点，在对整个输入矩阵进行特征提取时，采取滑动窗口的方式进行，过程中卷积核的权值不变。如此可以极大的减少参数。卷积层具有的主要参数包括：卷积核尺寸：卷积核尺寸关系到权重数量，其大小通常为3×3或5×5。过滤器深度：输出特征向量的深度。通常包括32、64等数值。移动步长：卷积核在输入矩阵上每次移动的距离。（3）池化层：池化层可以看作是对图片进行将采样，它不会改变三维矩阵的深度，但可以改变其大小。其作用通常来说是用来减少整个神经网络的参数。池化层通常位于卷积层之后，与卷积层类似，池化层也需要一个过滤器并通过步长滑动，逐步计算前向传播的值。池化层可分为平均池化层（Average