1.湖北省烟草科学研究院 湖北武汉 430000 2.湖北省烟草公司 湖北武汉 430000 3.湖北省烟草公司襄阳市公司 湖北襄阳 441000 4.湖北省烟草公司十堰市公司 湖北十堰 442000 许汝冰1 李锡宏1 黎妍妍1 梅东海2 郭利3 张友臣4
摘要：基于AI识别技术+大数据诊断系统的烟草病虫害诊断应用，相较于传统的诊断方式，更加的快捷高效，诊断的精准度和全面性得到了提升。建立大数据诊断系统的重难点在于海量数据的获取和相关算法模型的建立，只有保证数据数量足够，才能够保证模型建立的科学性，否则就会影响模型建立以及后期的烟草病虫害诊断。所以未来还需要进一步优化算法，建立 更加智能的分析系统，提高诊断水平。
关键词：AI识别技术；大数据诊断；烟草病虫害；应用
引言：烟草作为以收获叶片为主的特殊农作物，对于农药的要求较高，并且由于是人体使用，因此对于烟草农药使用的要求越来越高，限制条件越来越多，因此必须要做到精准施药，对症下药。不同的地区，病虫害危害有所不同，病虫害种类也有所不同。如常见的“五病、四虫”，五病为黑胫病、黄瓜花叶病、烟草花叶病、野火病、赤星病，四虫为地老虎、金龟子、烟蚜、烟青虫。同时外来物种以及病虫害演化，病虫害危害呈上升趋势。
但是传统的烟草病虫害防治方式，需要安排专业的技术人员检验作物叶片或者其他根部位置是否有侵害现象，但是一旦出现病虫害症状，说明病虫害已经开始出现侵染，就需要采用一定的防治措施或者大规模喷施农药，对于烟草农药残留含量来说极为不利的。因此重要的在于如何快速诊断烟草病虫害已经成为了研究热点。
一、AI识别技术
所谓的AI识别技术即人工智能识别技术，是利用计算机对图像进行处理、分析和理解来识别各种模式的目标和对象的技术。传统的图像识别技术中，工业技术领域采用工业相机进行拍摄，然后再利用软件对图片进行识别处理，继而做出相应的特征。
因此AI识别技术在多个领域应用十分广泛，如军事领域，交通工程以及农业应用。图像识别原理主要分为四个过程，第一个过程是获取信息，主要是声音和光等信息通过传感器钻化为电信号，继而完成对目标物的基本信息获取，并且转化成计算机可识别的信息。第二步是信息的预处理，采用去噪、变换以及平滑等操作对图像进行处理，让图像特征点进一步提高；第三步是抽取和选择特征，将特有特征抽取出来；第四步就是按照预先设定好的算法或者规则对图像特征进行识别，继而对图像进行分析评价，得出决策结论，为病虫害防治提供了先进技术。
AI技术发展之初，受限于识别能力弱，只能对静态的，特征较为明显的病虫害位置进行识别，随着大数据处理技术，图像获取能力的提升，AI识别技术得到了进一步发展，AI识别技术应用到病虫害防治中有了大展身受的舞台。
二、基于AI识别技术在大数据诊断技术系统设计
该系统的设计主要分为三个模块，如图1所示，分别是AI识别系统、大数据分析系统以及控制系统。
.png)
利用AI识别系统，获取烟草个位置的图像，并且将图像特征抽取出来，对比大数据分析系统，诊断是否存在病虫害或者病虫害的种类是怎样的，继而输出相应的分析报告，为技术人员或者管理人员提供技术支撑，能够让病虫害诊断更加快速便捷。
2.1 具体应用策略
基于AI识别的大数据烟草病虫害诊断系统的技术路线如图2所示。利用AI识别技术将图像特征采集，然后将采集的相关数据发送到大数据分析预测系统中进行判断。
.png)
而我们的大数据分析系统是建立在海量的数据之上，构建的快速诊断系统。通过病虫害数据采集，并对病虫害的种类、烟草感染病虫害后显示的特征，进行大范围的收集，数据收集完成以后，利用大数据处理技术对海量数据进行甄别赛选，丢弃特征少的数据，对少量有价值数据进行二次分析，继而提高分析效率，最后形成先关的数据分析结果。根据所得数据结果，设计人员建立预测模型，通过观察烟草的前后变化，就可以做出相关预测，分析是否存在病虫害，存在怎样的病虫害。因此大数据分析系统的关键在于海量数据的收集和预测模型的建立，因此技术人员应该将重点放在这两个方面。
2.2 基于神经网络的图像识别技术
目前，基于神经网络的图像识别是一项新技术，它基于传统的图像识别方法，有效地集成了神经网络算法。对于基于神经网络的图像识别技术，在基于神经网络的图像识别技术中，遗传算法是最经典模型，通过遗传迭代算法，检测设备启动图像采集设备以获得烟草不同位置的不同特征，在烟草诊断系统中采用了基于神经网络和模糊匹配的两种算法，提高了烟草图像的识别能力，为后续的大数据分析提供了可靠的特征支撑，提高了诊断准确性。
具体内容设计为：
1）获取图像数据
图像数据采集是图像数据分析和识别的主要工作，也是首位工作，后续所有的工作都是基于此项开展。在获取图像数据时，需要调查和咨询农业专家，以了解烟草病虫害的特征和发生时间，并结合的主要内容和图像处理知识来确定病虫害叶片的采集方法。在图像采集过程中，使用照相设备采集图像数据方便，快捷，无失真。在时间选择时，选择烟草病虫害高发期，在自然光条件下，拍摄健康图像和病虫害图像，同时要多方位、多角度拍摄，保证信息获取不失真，信息获取全面。
2）图像预处理
图像预处理在野外采集烟草病虫害图像的过程中，复杂的环境可能会影响图像的采集，导致噪声污染和采集图像中光分布的不均匀。如果将噪点图像直接用于特征提取，将会影响图像识别的效果。因此，有必要在特征提取之前对图像进行预处理，以提高特征提取信息的有效性和可靠性。常用图像预处理方法有：图像几何变换，图像灰化，图像增强。所谓的图像几何变换，也称为图像空间变换，为了增加图像数据集并保证训练模型的有效性，有必要对采集的图像进行图像几何变换。常见的几何变换操作是：缩放，平移，旋转，镜像，转置等。图像缩放是根据设置的缩放系数沿坐标轴方向缩小或放大目标图像中的像素。彩色图像由三个不同的色彩通道组成。通常，图像处理时需要依次处理三个通道，因此计算量很大。因此，为了提高应用系统的处理速度，需要减少数据量。图像处理中的图像灰化是将三通道彩色图像转换为单通道灰色图像。目前，常用的彩色图像灰化方法有：单组分法，最大值法，平均值法和加权平均法。
图像增强的主要目的是使不清晰的烟草叶像更清晰，使疾病特征更加突出，并抑制不感兴趣的特征。图像增强方法可以分为频域方法和空间域方法。频域法是将目标图像增强为二维信号。低通滤波器可以消除图像中的噪声，高通滤波器可以增强图像边缘的一些高频信号，从而使图像更清晰。空间域方法是直接处理图像。常见的算法是点运算和域去噪算法。本文主要使用图像增强方法：图像去噪，对比度变换，直方图均衡化。
3）图像特征提前
图像特征主要包括颜色特征，纹理特征，形状特征等。 图像特征的提取是图像分析和图像识别的关键步骤。 提取图像中的关键信息，例如图像纹理，颜色，亮度等，或者通过某种变换获得图像的瞬间，直方图和主要成分，为后续的图像识别工作提供数据支持。 通过观察病虫害的烟叶图像，可以发现不同的病虫害图像。 基于机器学习分析烟叶的质地，颜色和形状有所不同。
2.3 病虫害诊断控制系统设计
病虫害诊断控制系统是人机互动的主界面，在这个系统界面中，技术人员可以根据需要调用任何一个时期的相关报告，并且能够给出相应的趋势图或者做出其他的参数变化来适应不同的条件。例如在阴天或者下雨天时，病虫害出现高发期，但是图像获取能力变弱，光照度变差，此时可以改换摄像机模式或者传感器的参数适应外部环境的变化，继而满足使用要求。同时病虫害诊断控制系统还要与其他外部系统共享数据，因此可将控制系统做成开放式系统，方便后续信息共享，同时为后续的系统升级提供端口。
三、大数据诊断系统的优势分析
利用AI识别+大数据诊断烟草病虫害相较于传统的人工拍照对比识别方式而言，其优势主要在于以下几个方面：
3.1 工作效率高
烟草病虫害防治本身就是一个与病虫害争时间的一个工作，发现晚了就会导致其他烟草被浸染，影响了农民收入，同时也会提高防治成本。因此工作效率至关重要，相较于传统的诊断手段，大数据诊断系统能够是计算机自动完成诊断过程，利用计算机的计算能力，速度快，提高了工作效率。
同时，AI识别可以全天候工作，根据需要获取信息，并对图像特征进行自动化处理，输入到诊断系统之中，省略了大量的中间环节，进一步简化了工作流程，提高了工作效率。
3.2 诊断精细度提升
随着数码技术，分辨率的提升，图像精度不断提升，因此对于图像特征更加明显，AI识别技术可以更快更精确的收集信息获取特征，继而完成特征识别，保证了信息传递的稳定性，避免信息失真，增加了诊断精准度。
3.3 诊断的全面性
每位技术人员进行诊断，因为专业面以及经验的不同，对于病虫害的诊断本身存在不足。而利用大数据分析系统，将所有的、现有的病虫害特征纳入到数据库进行对比，可以较为全面的进行分析，继而得出诊断结果，让诊断无死角，提高了诊断能力。
四、AI技术应用的不足
4.1 精度有待提升
鉴于目前的AI检测技术只能应用于现场，有害生物种类和相应的检测方法是相对特定的环境， AI检测技术对农业害虫或病害的隐蔽性特点也很有限。考虑到农业病虫害存在种间相似性，种内变化，态势变化，农作物阻塞等问题，从特征分析的角度来看，这将导致同一物种内部的差异较大，相似物种之间的差异较小，严重缺乏特征信息等，这将大大增加病虫害目标识别的难度。
4.2 算法使用的局限性
使用AI来检测病虫害的发生并不容易，根据农业专家观念，病虫害的发生以及相关影响因素如地理位置，气候，土壤和水等对烟草生产都会产生极大影响，同一个地区在不同的气候环境下，检测有效性都会受到影响，特定的算法也变成了无效算法，降低了检测精准度和有效性。这种生物病虫害特征的多样性和细微差距性都为AI检测病虫害带来了极大的局限性。
结束语
基于AI识别技术+大数据诊断系统的烟草病虫害诊断应用，相较于传统的诊断方式，更加的快捷高效，诊断的精准度和全面性得到了提升。建立大数据诊断系统的重难点在于海量数据的获取和相关算法模型的建立，只有保证数据数量足够，才能够保证模型建立的科学性，否则就会影响模型建立以及后期的烟草病虫害诊断。所以未来还需要进一步优化算法，建立 更加智能的分析系统，提高诊断水平。
参考文献
[1]王彦翔, 张艳, 杨成娅,等. 基于深度学习的农作物病害图像识别技术进展[J]. 浙江农业学报, 2019, 31(04):162-169.
[2]史东旭, 高德民, 薛卫,等. 基于物联网和大数据驱动的农业病虫害监测技术[J]. 南京农业大学学报, 2019, 42(5):967-974.
[3]李莉杰. 人工智能在我国现代农业中的应用研究综述[J]. 现代信息科技, 2019, 3(05):185-186.
[4]何煜. 基于计算机视觉的农作物病害叶片识别方法研究[D]. 成都大学, 2020.
[5]李建华, 郝炘, 牛明雷,等. 基于卷积神经网络的农作物病害识别[J]. 中国农业信息, 2019(3).
[6]熊方康、陆玲、曹廷荣、彭丽君. 基于生成对抗网络的农作物叶片病害识别[J]. 计算机与现代化, 2020, No.303(11):43-50.
[7]燕斌, 周鹏, 严利. 基于迁移学习的小样本农作物病害识别[J]. 现代农业科技, 2019, 000(006):87-89.
[8]张雪雪, 王斌, 田洋洋,等. 作物病虫害预测机理与方法研究进展[J]. 中国农业科技导报, 2019, 21(5):110-120.
[9]丁瑞. 典型作物叶病害远程智能诊断系统开发[D]. 浙江理工大学, 2020.