生态控草助手（APP）

项目背景：

我国杂草种类多样，分布地域广泛，为了降低田间杂草对农作物的危害，科学有效地防治杂草成为了当下农业生产中的一个重要问题。传统人工控草效率低，劳动成本高，且容易产生化学除草剂的不当使用。随着计算机技术的发展，基于深度学习和机器识别的杂草识别技术应运而生，使得信息化质控技术在精细化控草领域有了用武之地。

完成目标：

在农田杂草生态防控技术体系基础上，对整个生态防控技术体系进行信息化解构，完成生态控草溯源，杂草识别，及杂草发生量识别及专家系统四个功能模块的实验研究，并构建生态控草助手APP1.0版本。

完成情况：

自本项目开始实施，杂草研究室便开始精准生态控草的专家系统研究。本专家系统利用深度学习模型对田间杂草发生程度进行了系统训练，并借助卷积神经网络对杂草图像识别进行了优化，大大提高识别的准确度，极大地提高了实际应用的可行度。另外，通过信息化解析结果，为用户提供一对一的专家解决方案，提高了精准生态控草的可执行度（图1）。根据预期规划已经完成生态控草溯源，杂草识别，专家系统功能模块的开发，具体完成情况如下：

图1 生态控草专家系统功能构架

1、 生态控草溯源系统

基于生态控草的技术体系，对于作物各个生长时间节点，进行数据监测，并图文记录真实的田间情况，并最总通过二维码生成技术，生成基于田块的质控溯源码（图2）。

图2 溯源系统功能流程

2、 杂草识别

基于百度植物识别算法，并对常见的田间杂草进行了二次训练学习，使得针对于田间杂草的识别率大大提升（图3）。

图3 杂草识别功能流程

3、 杂草发生量识别及专家系统

以作物田间杂草为示例研究对象，基于深度学习的基本样本量为基数，收集不同杂草发生级别的田间照片（目前以水稻，小麦为主）。

将农田杂草发生级别，分为4个程度：极低low1，低low0，中middle，高high。如图4所示，其中成排规律种植的是作物，间杂其中的为杂草。将所采集到的图片分为四个等级有利于模型建立之后的训练打分，并且可以为未来采取策略推荐给予帮助。

将大田实地收集到的照片输入，进行模型的校验。根据返回来的数据结果进行学习效果的评估。首先建立学习率曲线，用一个交叉验证生成器划分整体数据集K次，每一次都有一个训练集和测试集，然后从第k次的训练集中拿出若干个数量不断增长的子集，在这些子训练集上训练模型。然后在计算模型在对应的子训练集和测试集上的得分。最后，对于在每种子训练集大小下，将K次训练集和测试集得分分别进行平均。其次，再建立一个验证曲线，当某个参数不断变化的时候，在每一个取值上计算出的模型在训练集和测试集上得分，在一个不断变化的参数上计算学习器模型的得分。在自己的田间杂草识别模型完成训练和校验之后，发布与合适的平台上，有利于用户快速部署、接入、调用相关应用，方便地使用算法模型。

根据系统智能识别结果，系统会根据杂草发生量自动给出专家除草方案（图5）。

图4农田杂草发生级别例图

图5 杂草发生量识别及专家系统