数据诊所 | 一个小案例，从图像识别技术看农业智能化……

Posted 2021-04-07 数据科学与统计研究院

数据诊所

说起图像识别，大家或多或少应该都有些耳闻，这是人工智能的一个重要领域，它是指对图像进行对象识别，以识别各种不同模式的目标和对像的技术。人脸识别和车牌识别应该听过吧？目前此技术在导航、地图与地形配准、自然资源分析、天气预报、环境监测、生理病变研究等许多领域都具有重要的应用价值。

看完这些，是不是觉得图像识别是个很高大上的技术？觉得有点高不可攀？其实它也不是这么不可接近。应用统计硕士一年级学生杨迪和王鹏用一个简单的例子讲述了它的原理。戴喆同学（大四毕业生，即将就读应用统计专业硕士）将投稿文章进行了深入浅出的编译。所以，本篇作品虽短小精悍，却是大家合作的成果（此次应有小编）。小编在此呼吁，欢迎大家多多投稿，或者提出数据问题！！

考虑农业上常见的棉花生长问题：根据形态特征和生理特性，棉花的生长过程可以分为：播种期、出苗期、三叶期、五叶期、现蕾期、开花期、裂铃期、吐絮期、停止生长期（这些时期真的是太多太复杂了……）。使用人工区分的话非常耗时耗力，如果能实现生长周期的自动识别，就能有助于自动化灌溉、施肥等。

（不同时期的棉花图像）

我们使用Faster-RCNN算法对棉花图像进行检测，它是在RCNN和Fast-RCNN算法的基础上发展而来的：RCNN将CNN（卷积神经网络）引入目标检测领域，大大提高了目标检测效果，改变了目标检测领域的主要研究思路。Fast-RCNN是在RCNN基础上改进得到的网络结构，RCNN对每一个候选区域都要做一个卷积运算，而Fast-RCNN则提出在特征映射（feature map）上进行选择性搜索来生成候选区域，这样就可以共享计算，加快计算速度，而且能将所有的特征都暂存于显存中，不占用额外的磁盘空间。Faster-RCNN在Fast-RCNN的基础上引入一个RPN（Region Proposal Network），解决了Fast-RCNN中生成候选区域时只能利用CPU的问题，如下图。

上面的解释有点晦涩难懂，没关系不用纠结，一句话来说，就是Faster-RCNN具有更高的精度和更快的速度。

我们要做的就是用这个方法来识别棉花周期！具体算法可以写成如下步骤（此处无详解……有兴趣的同学可以查阅相关资料）：

STEP1. 对整张图片输进CNN，得到特征映射；

STEP2. 卷积特征输入到RPN，得到候选框的特征信息；

STEP3. 对候选框中提取出的特征，使用分类器判别是否属于一个特定类；

STEP4. 对于属于某一特征的候选框，用回归器进一步调整其位置。

首先人工标注一批棉花不同时期的图像，然后使用算法对其进行自动识别，根据准确率来判断图像识别能否用于精准农业。下面是部分周期的检测结果示意图。

出苗期的检测：

三叶期的检测：

开花期的检测：

根据模型的预测结果来看，若图像本身的拍摄质量较好，模型能够给出准确的预测结果。

另外，若某些特征标注时框出的区域极小，需要进一步优化算法，提高小目标的准确率，进而提升整个模型的检测效果。

总而言之，若要进一步提升棉花生长周期预测的效果，既从原始图片入手，提高图片拍摄质量，又要注重提升算法的不完善之处（如小目标检测）。

看完了本期的数据诊所，你是否对图像识别和Faster-RCNN算法有了初步的了解  (●ˇ∀ˇ●)

评论区也欢迎留下你的学习心得，和其他人一起分享你的想法    (✿◕‿◕✿)

长按二维码识别关注

数据科学与统计研究院

编辑：胡宋萍