一种基于迁移学习的茶网蝽计数装置系统 技术领域： [0001] 本实用新型涉及人工智能和农业虫害图像识别技术领域，具体涉及一种基于迁移学习的茶网蝽计数装置系统。 背景技术： [0002] 我国是茶叶的发源地，也是茶叶出口量最大的国家。早期的识别系统是基于特定硬件系统，根据收集数据的波动来确定是否出现虫害疾病。但受到时代与技术的限制，在一定程度上存在成本高、识别率低、便携性差等问题。之后的学者对识别机制进行改进，随着信息论、计算机技术的飞速发展，人工智能神经网络的问世使得诊断识别摆脱了主观因素的影响，使得准确率飞速提高。但专业图像收集设备昂贵，无法移动等特点，基于移动设备端的装置系统在实际生产和研究中具有重要意义。 [0003] 茶网蝽为我国大部分茶区的首要害虫之一，易暴发、易繁殖、易扩散，主要危害春茶导致茶叶产量减少甚至绝收。近年来，茶网蝽在陕南等茶区发生较为严重。为探究茶网蝽发生规律协助科研人员研究，试验以茶网蝽为研究对象，收集虫害茶树叶片样本，基于MobileNet网络模型实现茶树生长阶段过程中茶网蝽的识别与自动计数功能。结合数据样本以及其图像数据的特点，基于深度学习技术，完成模型搭建以及训练之后，将其部署在所研发的装置设备中，接入移动摄像头模块以及相关执行控制模块，通过实时采集图像后进行统计识别从而根据所识别的结果实现相关功能。 发明内容： [0004] 为解决上述问题，本申请采用的技术方案如下： [0005] 本实用新型提出一种基于迁移学习的茶网蝽计数装置系统，包括茶网蝽计数装置系统后台服务器，移动端装置，本地PC机，图像采集摄像头，样本收集装置，无线WIFI模块，RJ45以太网接口以及供电装置。选取茶叶首要害虫之一茶网蝽为研究试验对象。 [0006] 本实用新型解决其技术问题所采用的技术方案是：搭建茶网蝽计数装置系统后台服务器，其中包括微信小程序后台服务端，基于迁移学习的MobileNet神经网络算法模块，数据库存储器。所述的微信小程序后台服务端与MobileNet神经网络算法模块数据连接，可将后台所处理的图像特征输入模型进行训练和验证，所述的数据库存储器与神经网络算法模块数据连接并存储整个配置项信息，所述供电装置与茶网蝽计数装置系统后台服务器电连接，为整个装置系统提供电力支持。 [0007] 进一步地，所述的移动端装置还包括图像采集稳定器，移动端图像采集摄像头，微信小程序前台客户端以及显示统计结果的显示屏。所述的微信小程序前台客户端与移动端图像采集摄像头数据连接，可将摄像头获取的图像信息以指定格式的文件形式传给小程序客户端。所述移动端装置与所述茶网蝽计数装置系统后台服务器通过无线WIFI模块通信连接，所述的图像采集稳定器与移动端图像采集摄像头物理连接，辅助摄像头获取稳定最佳的数据集。 [0008] 进一步地，本地PC机还包括结果显示屏，用来显示图像采集摄像头所传送的图像信息以及模型验证识别统计结果。所述本地PC机与所述茶网蝽计数装置系统后台服务器通过RJ45以太网接口通信连接，所述图像采集摄像头与所述本地PC机数据连接。所述的样本收集装置包括诱虫板和照明器；所述样本收集装置与所述移动端装置物理连接。 [0009] 本实用新型所采用技术方案实现的有益效果如下： [0010] 本申请的一种基于迁移学习的MobileNet神经网络的茶网蝽计数装置系统，对我国陕南西乡地区茶园的主要害虫茶网蝽进行识别统计，该茶园位于陕西省汉中市西乡县境内，总占地面积为150亩。其地理坐标为北纬32°57′31″，东经107°40′30″，海拔371m。采集时摄像头设置为自动曝光模式和白平衡模式，最大像素为800万像素，拍摄时相机距离茶树冠层约0.4m，图像大小为2400×1080像素。将实地采集的约200张图像作为模型训练的原始数据源，并通过前期预处理对数据集扩充以及中心化处理，使数据分布在‑1到1之间，加快模型的拟合。对原始图像数据预处理后，按7∶1∶2将数据分为训练集、验证集、测试集。将训练集输入模型训练，用验证集监控训练过程以及协助参数调整，最后用测试集评估模型的性能。后期通过训练交叉验证形成了能够识别所研究的茶网蝽统计的神经网络结构并植入到基于迁移学习的MobileNet神经网络算法模块中。使装置系统既能够保证识别过程的精确性，同时又具备功能针对性强的特性。 附图说明： [0011] 图1是本申请实施例所提供的基于迁移学习的茶网蝽计数装置系统的总体架构图。 [0012] 图2是本申请实施例所提供的基于迁移学习的MobileNet神经网络构建和识别过程的示意图。 具体实施方式： [0013] 为了能更清楚说明本实用新型申请的技术方案，下面将结合用的附图对实施例作详细地介绍，应该强调的是下述说明仅仅是示例性的，而不是为了限制本发明的范围及其应用。 [0014] 在图1中，一种基于迁移学习的茶网蝽计数装置系统的总体架构，包括茶网蝽计数装置系统后台服务器，移动端装置，本地PC机，图像采集摄像头，样本收集装置，无线WIFI模块，RJ45以太网接口以及供电装置。本申请实施例所提供的迁移学习的MobileNet神经网络模型使用深度可分离卷积(Depthwise Separable Convlution)代替了标准卷积(Standard Convlution)。其中深度可分离卷积是由逐深度卷积(Depthwise Convolution)和逐点1×1卷积(Pointwise Convolution)构成，然后用于残差模块，可以极大地减少模型的大小和计算资源的消耗。工作过程可参见图2。 [0015] 在图2中，首先自建原始的茶网蝽数据集，人工标注收集的茶网蝽图像并进行预处理工作，然后在搭建好的识别模型上进行训练。将所训练好的模型部署在连接有移动端摄像头的后端设备中，所连接的移动端小程序调用摄象头以一定的角度实时拍摄被茶网蝽危害的茶树叶片图像，并输入训练好的模型进行识别统计，最后输出相应的检测结果。 [0016] 以上所述，仅为本实用新型较佳的具体实施方式，但本实用新型的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。