一 引言
习近平总书记在山东省农业科学院视察时强调：“要给农业插上科技的翅膀，加快构建适应高产、优质、高效、生态、安全农业发展要求的技术体系”。中央一号文件明确提出要“加强农业航空建设”以来，农用植保无人机得到了快速的发展。
在植保无人机基础上搭建边缘计算平台，并结合相关人工智能算法，以分秒级的即时响应实现对水稻病害类型的快速识别，并将决策信息实时传输给植保无人机，指导植保无人机自动工作，从而解决现有以云计算模式为基础的水稻病害飞防技术中时效性差、安全性低等不足。项目旨在保障水稻生产质量安全，提高水稻病害防治的效率，降低农药漂移的风险性，促进水稻产业增效和农民增收，加快产业结构的调整。
二 项目详细设计
2.1系统概述
项目以基于水稻病害识别模型构建。主要包括数据的收集、图像的预处理即分门别类，剔除不可用图片，并使用Labelimg进行标注，接着基于YOLOV5s构建水稻病虫害模型，进行数据集的验证，在进行多次的调试以便寻求最优算法模型。流程图如图1：
图1 流程图
2.2需求分析
（1）系统的核心功能应当实现水稻病虫害的识别的功能，即可以通过任意一张图片判断出图中水稻是否存在病虫害问题，如果是判断出为哪种病虫害，后期可以做出相应防治的反馈。
（2）系统应当具备上传图片或者调用摄像头功能，以便系统可以进行识别，并做出反馈。
2.3数据预处理
本实验所用的数据绝大部分自于网络，因为没有专门的水稻病虫害数据集，所以我们采取多种数据集混合的方式来构建应该完整的数据集。
我们的数据集共分为稻曲病、稻瘟病、水稻白叶枯病、水稻胡麻斑病、水稻纹枯病、水稻细菌性条斑病六大类。在模型训练的过程中需要使用极大数量的水稻病虫害图片，以提高目标检测模型的精确程度。因此，本次实验图像新增稻田实地图500张，并将所有图片进行旋转、反转得到约4000张图像，增加模型的泛化能力。紧接着对照水稻病害的图谱，使用Labelimg工具对水稻染病区域进行标注，其中需要剔除不规范、不可用的图像。例如一些曝光过高的图片、一些拍照角度倾斜过大的图片、一些下载损坏的图片等。
使用Labelimg软件对数据进行标注，在虚拟环境下运行该软件，将收集好的病虫害图片导入虚拟环境中。
2.4模型评估原理
学术上目标检测最常用的评价指标是mAP，是介于0到1之间的一个数字，这个数字越接近于1，就表示你的模型的性能更好。其中有两个重要指标，一个是recall召回率简称r，另一个是precision精度简称p。在计算中常涉及到的指标有TP将正样本预测为正、FN将正样本预测为负、FP将负样本预测为正、TN将负样本预测为负。
（1）Recall召回率：表示被预测为正的样本占总样本的比例。计算公式如3-1所示
（2）Precision精度：表示被预测为正的样本中，占真正的正样本的比例。计算公式如3-2所示。 
这两个指标p和r都是从一个角度上简单来判断模型的好坏，他们的值均是介于0到1之间，其中越接近于0模型性能越差，越接近1模型性能越优。为了使目标检测的性能更具有客观性，本次实验一用map即均值平均密度来进一步评估模型的好坏。计算公式如2所示。
我们通过计算模型在不同阈值下的p值和r值后发现，p值和r值绘制出来的曲线，呈现负相关的关系。如图2所示。
图2 平均密度示意图
其中曲线的面积我们称之为AP。在实验过程中每种目标均可计算出一个AP值，在对所有的AP值取均值后就可以得到模型的mAP值。以本文为例，我们可以计算正常水稻和存在病虫害的水稻两个目标的AP值，我们对两组AP值求平均，可以得到整个模型的mAP值，该值接近1表示模型的性能越好。
三 项目的功能实现
3.1 模型训练目录介绍
（1）数据集配置目录
在数据集配置目录下images 目录主要是放置一些图片，包括测试的图片和ui界面使用的图片，图片的获取可以是本机文件上传，也可以通过get_data.py 爬虫程序，从百度上爬取图片。
（2）系统整体目录
在系统整体目录中，models 目录下放置训练好的两组模型，分别是cnn模型和mobilenet的模型。results 目录下放置的是训练的训练过程的一些可视化的图，两个txt文件是训练过程中的输出，两个图是两个模型训练过程中训练集和验证集准确率和loss变化曲线。utils 主要是在测试的时候写的一些文件，对这个项目的运行没有实际的用途。
3.2 病虫害识别模型
在数据集标注完成后，我们就可以进行模型的训练了。我们首先构建数据集的目录框架。本次实验共分为6类病虫害：稻曲病、稻瘟病、白叶枯病、胡麻斑病、纹枯病、细菌性条斑病。本章使用YOLOV5s进行训练，本次实验迭代次数为100，得到了关于精度的混淆矩阵可以看出稻曲病的准确度为0.86、稻瘟病的准确度为0.75、白叶枯病的准确度为0.8、胡麻斑病的准确度为0.71、纹枯病0.93、细菌性条斑病的精确度为0.8。
结语
随着图像识别技术的发展，我们坚信在未来图像识别技术将会有更大的发展空间，而水稻病虫害技术也将依托于此得到迅速的成长。希望该项技术拓宽了边缘计算、人工智能、物联网等新一代信息技术的应用领域，也可以保障水稻生产质量安全，提高水稻病害防治的效率，降低农药漂移的风险性，促进水稻产业增效和农民增收，加快产业结构的调整，做大做强先进的信息化技术在农业病害防治方面的推广应用。
