王俊楠 呂 艷，2 倪忠進(jìn)，2 黃政暉 倪益華，3*

(1.浙江農(nóng)林大學(xué) 工程學(xué)院，杭州 311300；2.浙江省竹資源與高效利用協(xié)同創(chuàng)新中心，杭州 311300；3.國(guó)家林業(yè)局林業(yè)感知技術(shù)與智能裝備重點(diǎn)實(shí)驗(yàn)室，杭州 311300)

我國(guó)是竹類資源較為豐富的國(guó)家，竹林面積約641.16萬(wàn) hm2，其中毛竹林面積約467.78萬(wàn) hm2，占總竹林面積72.96%[1-2]。冬筍是夏末秋初時(shí)期由毛竹地下莖的鞭芽生長(zhǎng)而成[3]，是一種含有豐富營(yíng)養(yǎng)物質(zhì)的美味食材。由于冬筍的成竹率很低[4]，因此合理的挖取冬筍既能為農(nóng)民創(chuàng)造收入，也不會(huì)影響竹林生態(tài)平衡。但冬筍生長(zhǎng)在地表以下，只能依靠農(nóng)民的經(jīng)驗(yàn)判斷冬筍的位置，依據(jù)人工經(jīng)驗(yàn)的采收方式限制了冬筍的產(chǎn)量，而且盲目的挖掘會(huì)破壞植物的根莖。

目前國(guó)內(nèi)外對(duì)于冬筍探測(cè)技術(shù)的相關(guān)研究較少，可用于探測(cè)冬筍的方法有以下幾種：電阻率法、超聲波法、微波成像法等。儲(chǔ)修祥等[5]發(fā)明了一種電阻式冬筍探測(cè)器，使用探針作為傳感器利用冬筍與土壤的電阻率差異來(lái)判斷地下冬筍的位置；王剛等[6]發(fā)明了一種分離式超聲波和地阻互補(bǔ)冬筍探測(cè)儀，利用超聲波在不同介質(zhì)中衰減的規(guī)律配合冬筍與土壤電阻率的差異協(xié)同辨別冬筍生長(zhǎng)的位置。上述2種設(shè)備雖然制作成本低廉，但每次探測(cè)需要將探針插入泥土內(nèi)容易對(duì)冬筍造成損傷，且探測(cè)過(guò)程復(fù)雜。Butnor等[7]利用探地雷達(dá)設(shè)備對(duì)土壤內(nèi)的植物根莖進(jìn)行成像處理，并構(gòu)建植物根莖地下空間分布的模型，該模型最小能分辨直徑為1 cm的地下莖。陳雨等[8]采用并行電法探測(cè)冬筍的方案，用探地雷達(dá)對(duì)土壤下進(jìn)行探測(cè)，通過(guò)分析得到的3維電阻率圖像能準(zhǔn)確呈現(xiàn)冬筍及其根系在空間上的分布，電法探測(cè)法是利用冬筍與其生長(zhǎng)環(huán)境之間存在電性差異來(lái)確認(rèn)冬筍位置，能做到高準(zhǔn)確度和無(wú)損檢測(cè)，但是以上2種方法設(shè)備精密昂貴且操作復(fù)雜，并不適合農(nóng)業(yè)上的廣泛推廣使用。

本研究擬采用微波反射法，設(shè)計(jì)一種冬筍探測(cè)器，構(gòu)建基于卷積神經(jīng)網(wǎng)絡(luò)的冬筍探測(cè)器回波序列檢測(cè)模型驗(yàn)證冬筍探測(cè)器的可行性，以期為竹林間探測(cè)冬筍提供一種準(zhǔn)確性較高的探測(cè)儀器。

1 冬筍探測(cè)器原理

土壤和冬筍同屬于電介質(zhì)，當(dāng)外加電場(chǎng)作用于電介質(zhì)時(shí)，其內(nèi)部可移動(dòng)帶電粒子發(fā)生取向極化現(xiàn)象，通常用介電常數(shù)描述介質(zhì)在外加電場(chǎng)作用下的極化特性，介質(zhì)的相對(duì)復(fù)數(shù)介電常數(shù)ε定義為[9]：

ε=ε′-jε″

式中：實(shí)部ε′影響波的傳播速度；虛部ε″決定波的衰減特性。介質(zhì)的介電常數(shù)并非恒量，隨著電場(chǎng)頻率、溫度等因素變化而變化[10]。

土壤主要由水、礦物質(zhì)、有機(jī)質(zhì)和空氣組成，淺層土壤的含水率為10%～30%[11]。冬筍主要由水、蛋白質(zhì)、纖維素等組成，含水率高達(dá)85%[12]。兩者物質(zhì)成分中均含有水，水是強(qiáng)極性偶極子，在相同電場(chǎng)下極化程度遠(yuǎn)大于其他物質(zhì)，常溫下，在頻率f=1010Hz微波作用下水的介電常數(shù)ε=64-j29，其他介質(zhì)在相同環(huán)境下ε′為1.5～6.0，ε″約為0.01[13-14]。

Birchak等[15]提出一種分層模型的公式，用于定義混合型含水介質(zhì)的等效介電常數(shù)：

(1)

式中：εm為介質(zhì)等效介電常數(shù)；ww為介質(zhì)中水的質(zhì)量分?jǐn)?shù)(0

(2)

式中：Eim為天線發(fā)射的入射波的幅值；Erm為天線接收的反射波的幅值。將式(1)帶入式(2)：

通常情況下水的介電常數(shù)遠(yuǎn)大于其他物質(zhì)即εw?εs，可得：

(3)

由式(3)可見，當(dāng)物質(zhì)中水的比重ww越大時(shí)反射系數(shù)Γ越小，回波的能量越小。由于冬筍的含水率遠(yuǎn)大于土壤，當(dāng)電磁波照射在有冬筍的土壤中時(shí)其回波信號(hào)的幅值會(huì)相應(yīng)的減小，以此作為冬筍探測(cè)器的理論依據(jù)。

竹林內(nèi)土壤含水率約為15%～34%，一般為21%?？紤]到電磁波對(duì)土壤的穿透能力，使用 600～1 200 MHz頻段的電磁波依次照射含水率為15%、21%、34%的土壤與冬筍，回波的幅值與頻率關(guān)系見圖1，最終得出在800～900 MHz頻段范圍內(nèi)時(shí)冬筍和土壤差距最為明顯，本研究選用860 MHz 作為探測(cè)頻率。

圖1 不同頻率電磁波照射下冬筍和3種 含水率(w)土壤的回波幅度Fig.1 Variation curve of echo amplitude of winter bamboo shoots and soil with three moisture content (w) under different frequency electromagnetic waves

2 冬筍探測(cè)器設(shè)計(jì)

本研究設(shè)計(jì)的探測(cè)裝置由發(fā)射鏈路、接收鏈路、天線和回波信號(hào)檢測(cè)系統(tǒng)組成，原理見圖2。信號(hào)源產(chǎn)生高頻振蕩電流經(jīng)過(guò)射頻放大器與帶通濾波器再送入發(fā)射天線，并由發(fā)射天線將高頻電流轉(zhuǎn)化為無(wú)線電波向指定方向輻射；由于輻射路徑中土壤等媒介阻抗不匹配產(chǎn)生電磁波反射現(xiàn)象，反射的信號(hào)由接收天線轉(zhuǎn)化為高頻電流信號(hào)并送入接收設(shè)備中，并由接收設(shè)備對(duì)信號(hào)進(jìn)行降噪、下混頻、采樣等處理；最后將信號(hào)送入回波信號(hào)檢測(cè)系統(tǒng)進(jìn)行決策分類。探測(cè)器樣機(jī)見圖3。

圖2 冬筍探測(cè)器系統(tǒng)原理Fig.2 Schematic diagram of winter bamboo shoot detector system

1.手托；2握柄；3.樹莓派；4.電池；5.發(fā)送與接收模塊；6.阻尼鉸鏈；7.收發(fā)天線1.Hand rest; 2.Grip; 3.Raspbian; 4.Battery; 5.Signal sending and receiving module; 6.Damping hinge; 7.Transmitting antenna and receiving antenna圖3 冬筍探測(cè)器樣機(jī)Fig.3 Winter bamboo shoot detector prototype

2.1 發(fā)射鏈路

選用由ADI公司生產(chǎn)的ADF4350鎖相環(huán)系統(tǒng)[16](Phase Locked Loop，PLL)作為發(fā)射鏈路的頻率合成單元。并采用ST公司生產(chǎn)的STM32C8T6單片機(jī)作為控制芯片對(duì)ADF4350進(jìn)行控制。發(fā)送鏈路見圖4：由單片機(jī)讀取接收樹莓派串口數(shù)據(jù)寫入其片內(nèi)緩存區(qū)，并將指令寫入ADF4350的寄存器中；ADF4350鎖相環(huán)系統(tǒng)根據(jù)指令生成相應(yīng)的高頻電流脈沖信號(hào)。

圖4 發(fā)射鏈路結(jié)構(gòu)圖Fig.4 Transmission link structure diagram

ADF4350是一款集成了鑒相器(PD)和壓控振蕩器(VOC)的鎖相環(huán)系統(tǒng)[17]，鎖相環(huán)合成頻率的原理見圖5。外部晶振TXCO產(chǎn)生時(shí)鐘信號(hào)經(jīng)過(guò)參考分頻器得到fR，鑒相器比較fD與fR的相位差輸出偏差信號(hào)ue(t)，環(huán)路濾波器(LF)濾除ue(t)中高頻分量和噪聲后得到uL(t)并控制壓控振蕩器輸出，輸出信號(hào)fO經(jīng)過(guò)分頻得到fD后反饋至鑒相器中，最終fD逐漸接近輸入信號(hào)fR，直至消除兩者頻差達(dá)到鎖定狀態(tài)?？赏ㄟ^(guò)改變2個(gè)分頻器的分頻倍數(shù)得到目標(biāo)頻率。

鎖相環(huán)系統(tǒng)輸出信號(hào)的最大功率為0 dBm，為提高整體系統(tǒng)的信噪比采用20 dB的射頻功率放大器對(duì)高頻電流信號(hào)進(jìn)行放大。由于壓控振蕩器輸出信號(hào)中包含許多諧波成分，因此需要在發(fā)射鏈路中加入帶通濾波器濾除雜波。高頻電流信號(hào)經(jīng)過(guò)放大和濾波后送入發(fā)射天線。

2.2 接收鏈路

RTL-SDR[18]是一款廉價(jià)且穩(wěn)定的軟件無(wú)線電接收設(shè)備，成本通常在100元以內(nèi)。其主要任務(wù)是射頻信號(hào)向基帶信號(hào)的頻譜遷移。本研究選擇的RTL-SDR主要由調(diào)諧器R820T和解調(diào)器RTL2832組成。天線接收信號(hào)首先送至R820T進(jìn)行預(yù)處理，將接收的射頻信號(hào)下變頻為中頻(IF)，中頻信號(hào)在RTL2832內(nèi)完成第2次下變頻后變?yōu)榛鶐盘?hào)再進(jìn)行采樣，采樣后的數(shù)字信號(hào)由USB口送至回波信號(hào)檢測(cè)系統(tǒng)中做處理。

RTL-SDR原理見圖6。R820T[17]是一款基于超外差結(jié)構(gòu)的調(diào)諧器，其可接收頻段范圍為24～1 766 MHz。R820T內(nèi)置低噪聲放大器(LNA)、混頻器(mixer)、可變?cè)鲆娣糯笃鱒GA、帶通濾波器BPF，所有模塊由I2C與寄存器控制，R820T與RTL2832共用1條I2C總線。

fR、fD、fO分別為參考分頻器、可變分頻器、壓控振蕩器的輸出頻率；ue(t)、uL(t)分別為鑒相器、低通濾波器輸出的電壓信號(hào)；N、M分別為可變分頻器與參考分頻器的分頻倍數(shù)。fR， fD and fO are the output frequency of the reference frequency divider, variable frequency divider, and voltage controlled oscillator respectively, Hz; ue(t) and uL(t) are the voltage signals output by the phase detector and low-pass filter respectively; N and M are frequency division multiple of the variable frequency divider and reference the frequency divider respectively.圖5 鎖相環(huán)系統(tǒng)原理圖Fig.5 Schematic diagram of phase locked loop system

圖6 RTL-SDR原理圖Fig.6 RTL-SDR schematic

RTL2832是一款高性能DVB-T解碼芯片，內(nèi)嵌高速A/D轉(zhuǎn)換器，理論上最高可采樣率為3.2 MSPS，可輸出8位IQ信號(hào)。RTL2832包含8051內(nèi)核，僅用于控制I2C傳輸?shù)炔⒉粚?duì)采樣信號(hào)做任何處理。SDR模式下需修改寄存器關(guān)閉解調(diào)器，使信號(hào)直接傳輸?shù)接?jì)算機(jī)中。探測(cè)器工作時(shí)，將RTL-SDR持續(xù)傳輸至樹莓派的數(shù)字信號(hào)按照固定長(zhǎng)度截取并處理作為回波檢測(cè)模型的輸入，根據(jù)是否滿足特征要求，將信號(hào)分為存在冬筍與不存在冬筍2類結(jié)果，并輸出顯示在LCD屏幕內(nèi)。

2.3 回波序列檢測(cè)模塊

本研究選用樹莓派4B(Raspberry Pi)作為冬筍探測(cè)器的控制核心，搭載Raspbian系統(tǒng)，4 G運(yùn)行內(nèi)存，在系統(tǒng)內(nèi)搭建回波序列檢測(cè)模型，并使用8.9 cm(3.5英寸)LCD觸摸屏作為探測(cè)器的人機(jī)交互界面。樹莓派主要負(fù)責(zé)控制鎖相環(huán)系統(tǒng)產(chǎn)生指定頻率的信號(hào)，并對(duì)RTL-SDR相應(yīng)寄存器進(jìn)行控制，使其按特定的帶寬與頻率對(duì)接收天線的回波信號(hào)進(jìn)行采樣，最后將RTL-SDR持續(xù)傳輸至樹莓派的數(shù)字信號(hào)按照固定長(zhǎng)度截取，并處理作為回波檢測(cè)模型的輸入，根據(jù)是否滿足特征要求，將信號(hào)分為存在冬筍與不存在冬筍2類結(jié)果，并輸出顯示在LCD屏幕內(nèi)。構(gòu)建回波分類模型需先采集樣本構(gòu)建數(shù)據(jù)集，將樣本導(dǎo)入計(jì)算機(jī)中進(jìn)行模型訓(xùn)練，最終將訓(xùn)練完成的回波序列檢測(cè)模型安裝于冬筍探測(cè)器的樹莓派中進(jìn)行實(shí)時(shí)檢測(cè)。

3 探測(cè)器回波序列檢測(cè)模型

傳統(tǒng)的信號(hào)分析方法是對(duì)數(shù)據(jù)進(jìn)行處理，以頻譜圖、瀑布圖等可視化方式展現(xiàn)，并經(jīng)過(guò)人工分辨目標(biāo)信號(hào)特征，這種方式對(duì)操作員的專業(yè)性要求很高并不適合作為本研究設(shè)備的目標(biāo)檢測(cè)方式。為了適應(yīng)冬筍復(fù)雜的生長(zhǎng)環(huán)境，本研究選擇了基于深度學(xué)習(xí)的目標(biāo)特征檢測(cè)方法，將目標(biāo)檢測(cè)的問(wèn)題轉(zhuǎn)化為分類問(wèn)題，與傳統(tǒng)特征檢測(cè)器相比該方法具有更好的魯棒性和泛化能力。

采用卷積神經(jīng)網(wǎng)絡(luò)(Convolutional neural network, CNN)用于提取數(shù)據(jù)特征以及分類，CNN對(duì)數(shù)據(jù)進(jìn)行特征提取的前提條件是數(shù)據(jù)樣本滿足局部性假設(shè)與權(quán)值共享假設(shè)。采樣獲得的回波信號(hào)序列在相鄰點(diǎn)之間具有關(guān)聯(lián)性，且相鄰點(diǎn)之間的距離越遠(yuǎn)關(guān)聯(lián)性越小，因此滿足局部性假設(shè)條件。當(dāng)探測(cè)范圍內(nèi)存在冬筍，回波序列會(huì)出現(xiàn)相應(yīng)的紋理特征，在某段序列中提取的特征同樣適用于其他序列，因此也滿足權(quán)值共享?xiàng)l件。

本研究的卷積神經(jīng)網(wǎng)絡(luò)回波序列檢測(cè)的實(shí)現(xiàn)過(guò)程見圖7：首先使用設(shè)備采集土壤的回波信號(hào)樣本與土壤中含有冬筍的回波信號(hào)樣本，將之構(gòu)建為數(shù)據(jù)集，然后選擇CNN網(wǎng)絡(luò)模型，用訓(xùn)練集對(duì)模型進(jìn)行訓(xùn)練，用測(cè)試集來(lái)近似模型的泛化能力，最后進(jìn)行預(yù)測(cè)試驗(yàn)對(duì)模型進(jìn)行評(píng)估。

圖7 卷積神經(jīng)網(wǎng)絡(luò)目標(biāo)分類實(shí)現(xiàn)過(guò)程Fig.7 The realization process of convolutional neural network target classification

3.1 構(gòu)建數(shù)據(jù)集

探測(cè)器的回波信號(hào)反映了探測(cè)范圍內(nèi)的物體對(duì)電磁波的吸收現(xiàn)象，當(dāng)土壤中存在冬筍的情況下回波信號(hào)較弱，表現(xiàn)為信號(hào)能量衰減。

傳統(tǒng)研究對(duì)于CNN的回波信號(hào)目標(biāo)分析多以頻譜圖或瀑布圖作為輸入。徐雅楠等[19]將卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用于海上雷達(dá)的目標(biāo)檢測(cè)，將1維雷達(dá)回波信號(hào)構(gòu)建為數(shù)據(jù)集，驗(yàn)證了CNN對(duì)回波信號(hào)分類的可行性?？紤]到回波信號(hào)轉(zhuǎn)化為圖像的過(guò)程中可能會(huì)丟失部分特征，因此本研究選擇直接將信號(hào)作為輸入。

將SDR中的模數(shù)轉(zhuǎn)換器設(shè)置為2.4 MSPS采樣率對(duì)回波信號(hào)進(jìn)行采樣，使用抗混疊濾波器濾除采樣通道以外的頻段防止信號(hào)出現(xiàn)頻率混疊。SDR設(shè)備對(duì)信號(hào)進(jìn)行采集時(shí)會(huì)出現(xiàn)頻譜偏移，為了能準(zhǔn)確的采集到信號(hào)將模數(shù)轉(zhuǎn)換器的帶寬設(shè)置為600 kHz，抽取率恒定為4。每采集0.1 s時(shí)間序列的信號(hào)為1個(gè)樣本，每個(gè)樣本由12 288個(gè)復(fù)數(shù)組成，再以16個(gè)隨機(jī)組成的英文字母命名并保存為npy格式的文件。初始采集數(shù)據(jù)記為：

χ={Χ，y}={x1,x2,…,xn,label},χ∈R

式中：xi為第i個(gè)特征采樣點(diǎn)對(duì)應(yīng)的特征數(shù)據(jù)；n表示數(shù)據(jù)的長(zhǎng)度，n=12 288；label為探測(cè)范圍內(nèi)是否存在冬筍的標(biāo)簽，采集信號(hào)時(shí)根據(jù)探測(cè)范圍內(nèi)是否有冬筍將回波信號(hào)樣本分為2類，存在冬筍標(biāo)簽記錄為1(label=1)，不存在標(biāo)簽記錄為0(label=0)。

樣本采集試驗(yàn)設(shè)計(jì)如下：在竹林內(nèi)尋找大小約為0.5 m×0.5 m的空地，測(cè)量該范圍內(nèi)邊緣及中心的土壤含水率，計(jì)算并記錄所測(cè)含水率平均值。成熟冬筍的單株質(zhì)量約為0.3～0.6 kg，每次試驗(yàn)時(shí)選擇不同的冬筍作為測(cè)試目標(biāo)，并將其以模仿冬筍生長(zhǎng)的姿態(tài)埋于土壤內(nèi)，記錄其埋藏深度，采集信號(hào)時(shí)需將探測(cè)器天線置于土壤表面，同時(shí)在0.5 m×0.5 m范圍內(nèi)不斷移動(dòng)探測(cè)器天線位置模仿探尋冬筍過(guò)程。

為防止數(shù)據(jù)樣本單一對(duì)訓(xùn)練結(jié)果造成過(guò)擬合問(wèn)題，在采集樣本時(shí)將土壤含水率、冬筍大小、深度以及土壤表面覆蓋竹葉、土壤內(nèi)存在竹鞭、石塊和未成形小筍等干擾設(shè)為試驗(yàn)的變量。每采集1 000個(gè)樣本數(shù)據(jù)作為1組，采集的各組數(shù)據(jù)見表1。

表1 回波序列檢測(cè)模型數(shù)據(jù)集分布Table 1 Echo sequence detection model data set distribution

表1(續(xù))

以上過(guò)程獲得數(shù)據(jù)集包含40 000個(gè)樣本。將采集樣本總數(shù)的75%作為訓(xùn)練集用于訓(xùn)練模型，剩下的25%的樣本作為測(cè)試集用來(lái)對(duì)模型進(jìn)行泛化誤差估計(jì)。采集的樣本是由復(fù)數(shù)形式的數(shù)組組成不能直接進(jìn)行卷積計(jì)算，因此需要對(duì)數(shù)據(jù)集進(jìn)行預(yù)處理，本研究的實(shí)時(shí)信號(hào)提取轉(zhuǎn)換過(guò)程見圖8，最終獲得96×128×2的2維矩陣作為回波序列檢測(cè)模型的輸入。

圖8 實(shí)時(shí)信號(hào)轉(zhuǎn)換為模型輸入信號(hào)的實(shí)現(xiàn)過(guò)程Fig.8 The realization process of real-time signal conversion into model input signal

3.2 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

本研究選用LeNet網(wǎng)絡(luò)結(jié)構(gòu)，并借鑒了O’shea 在文獻(xiàn)中[20]提出的以時(shí)域IQ采樣為輸入的信號(hào)調(diào)制方式進(jìn)行分類的CNN的網(wǎng)絡(luò)參數(shù)。LeNet網(wǎng)絡(luò)共7層，原用于識(shí)別手寫數(shù)字，內(nèi)部為5×5的2維卷積核，對(duì)1維序列信號(hào)進(jìn)行計(jì)算時(shí)需將卷積核修改為1×n的1維向量，以防止縱軸方向上卷積運(yùn)算產(chǎn)生無(wú)效特征對(duì)結(jié)果造成干擾。

回波序列檢測(cè)模型結(jié)構(gòu)見圖9。網(wǎng)絡(luò)的輸入是信號(hào)樣本經(jīng)過(guò)重建后得到的2個(gè)96×128的數(shù)字矩陣，卷積層1與卷積層2均采用ReLU作為激活函數(shù)，其數(shù)學(xué)表達(dá)式如下：

圖9 卷積神經(jīng)網(wǎng)絡(luò)回波序列檢測(cè)模型結(jié)構(gòu)圖Fig.9 Convolutional neural network echo sequence classification model structure diagram

f(x)=max(0，x)

式中：x位輸入值；f(x)為函數(shù)輸出值。只有當(dāng)輸入x≥0時(shí)輸入與輸出相等，否則輸出為0。ReLU函數(shù)使一部分神經(jīng)元輸出為0值，這樣可以降低參數(shù)之間的依存關(guān)系，一定程度上可以避免過(guò)擬合問(wèn)題的出現(xiàn)。卷積核尺寸與卷積核個(gè)數(shù)分別為1×3×64、2×3×16，采用padding=same填充方式，可以使得數(shù)據(jù)在卷積計(jì)算前后尺寸保持不變。池化層1與池化層2輸出尺寸分別為48×63、23×60，其作用是將特征進(jìn)行壓縮。全連接層1采用ReLU作為激活函數(shù)，輸入值為23×30×16=11 040，輸出值為1 024。全連接層2輸出值為類別數(shù)2，全連接層2采用SoftMax作為損失函數(shù)[21]，損失函數(shù)表征網(wǎng)絡(luò)的預(yù)測(cè)值與實(shí)際值之間的差異程度，其輸出值與網(wǎng)絡(luò)的魯棒性成反比。SoftMax數(shù)學(xué)表達(dá)式如下：

(4)

式中：Ls為損失函數(shù)輸出值；T為分類類別數(shù)T=2；a為全連接層輸出向量；aj為輸出向量a的第j個(gè)值。模型的準(zhǔn)確率(A)定義如下：

(5)

式中：TP為被模型預(yù)測(cè)為正的正類數(shù)，標(biāo)簽為1；TN為被模型預(yù)測(cè)為負(fù)的負(fù)類數(shù)，標(biāo)簽為0；FP為被模型預(yù)測(cè)為負(fù)的正類數(shù)，標(biāo)簽為1；FN為被模型預(yù)測(cè)為正的負(fù)類數(shù)，標(biāo)簽為0。

3.3 模型訓(xùn)練

本研究數(shù)據(jù)處理環(huán)境為：IntelCoreI5-8300處理器、NvidiaGTX1050Ti顯卡、Windows10系統(tǒng)DELL PC。在Tensorflow框架下，使用Python3.6語(yǔ)言搭建模型，并使用Tensorboard工具對(duì)模型訓(xùn)練結(jié)果進(jìn)行說(shuō)明。使用訓(xùn)練集對(duì)模型進(jìn)行訓(xùn)練，損失函數(shù)的輸出值見圖10(a)，當(dāng)模型迭代次數(shù)達(dá)到55 000步時(shí)損失函數(shù)(Ls)逐漸收斂并趨于穩(wěn)定，最終接近0.432，表明回波序列分類模型適用于探測(cè)器回波信號(hào)的分類。最終訓(xùn)練結(jié)果準(zhǔn)確率達(dá)到81.13%(圖10(b))。

圖10 回波序列檢測(cè)模型訓(xùn)練結(jié)果Fig.10 Echo sequence classification model training results

4 試驗(yàn)結(jié)果與分析

為了驗(yàn)證冬筍探測(cè)器的實(shí)用性，在浙江省杭州市臨安區(qū)某地的竹林進(jìn)行試驗(yàn)，此竹林土壤類型主要為亞熱帶氣候和常綠闊葉林作用下發(fā)育而成的紅壤土類。

首先使用探測(cè)器分別在含水率為16.1%的土壤表面和埋有冬筍的土壤表面采集信號(hào)樣本，將獲得的數(shù)據(jù)先濾波后進(jìn)行傅里葉變換，得到頻譜圖(圖11)。有冬筍時(shí)回波信號(hào)頻譜中最大幅值為0 dB(圖11(a))，對(duì)于單純土壤樣本回波信號(hào)頻譜

圖11 土壤內(nèi)有冬筍與無(wú)冬筍的探測(cè)器回波信號(hào)頻譜圖Fig.11 Spectrum of detector echo signal with and without winter shoots in soil

的最大幅值為8.6 dB(圖11(b))，兩者幅值差異明顯由此可以得出電磁波反射法具備探測(cè)冬筍的能力。

冬筍探測(cè)器工作場(chǎng)景見圖12，探測(cè)器搭配8 400 mAh 電池可持續(xù)工作約2.5 h，手托配合彎曲的握柄可減輕負(fù)重感，使用者可在野外實(shí)現(xiàn)單手操作。

圖12 冬筍探測(cè)工作場(chǎng)景Fig.12 Winter bamboo shoot detection work scene

回波序列檢測(cè)模型工作時(shí)占用樹莓派CPU與RAM資源情況見圖13，第50 s時(shí)模型開始工作對(duì)上傳的回波信號(hào)進(jìn)行檢測(cè)，約5 s后逐漸穩(wěn)定，運(yùn)行時(shí)約占用50%CPU與5%RAM，表明樹莓派可帶動(dòng)回波序列檢測(cè)模型穩(wěn)定運(yùn)行。

圖13 系統(tǒng)運(yùn)行時(shí)中央處理器(CPU)及內(nèi)存(RAM)占用率Fig.13 Central processing unit (CPU) and memory (RAM) usage when the system is running

考慮到竹林生態(tài)結(jié)構(gòu)復(fù)雜，當(dāng)土壤含水率等環(huán)境因素發(fā)生變化時(shí)僅對(duì)回波頻譜設(shè)置閾值容易造成誤判，為了驗(yàn)證訓(xùn)練后的回波序列檢測(cè)模型是否對(duì)冬筍探測(cè)器的回波信號(hào)有良好的分類效果以及應(yīng)用價(jià)值，選擇頻譜閾值法和傳統(tǒng)分類器支持向量機(jī)(SVM)2種分類方法作為對(duì)比，使用漏警率與虛警率2個(gè)指標(biāo)對(duì)上述方法進(jìn)行評(píng)估。漏警率M[22]與虛警率F[23]定義如下:

式中： FN為被模型預(yù)測(cè)為正的負(fù)類數(shù)，標(biāo)簽為0；TP為被模型預(yù)測(cè)為正的正類數(shù)，標(biāo)簽為1；FP為被模型預(yù)測(cè)為負(fù)的正類數(shù)，標(biāo)簽為1；TN為被模型預(yù)測(cè)為負(fù)的負(fù)類數(shù)，標(biāo)簽為0；

根據(jù)經(jīng)驗(yàn)，成熟的冬筍大多位于土壤表面至20 cm 深度范圍內(nèi)。使用3.1中描述方法在竹林實(shí)地采集，每組采集1 000個(gè)樣本共采集14組數(shù)據(jù)，分別編號(hào)為A，B，…，N，各組數(shù)據(jù)分布見表2?？梢?，A～G組標(biāo)簽為1，均為埋有冬筍樣本，H～N組標(biāo)簽為0，均為無(wú)冬筍的土壤樣本，分別使用回波序列檢測(cè)模型、閾值法、支持向量機(jī)對(duì)各組數(shù)據(jù)進(jìn)行分類，準(zhǔn)確率分別為79.08%、73.76%、66.88%。

表2 回波信號(hào)預(yù)測(cè)集數(shù)據(jù)分布Table 2 Data distribution of echo signal prediction set

使用回波序列檢測(cè)模型、閾值法、支持向量機(jī)對(duì)A～G組樣本分類的平均漏警率分別為21.47%、25.45%、31.38%(圖14)，回波序列檢測(cè)模型的漏警率最低且分類結(jié)果在不同條件下表現(xiàn)穩(wěn)定，表明在探測(cè)過(guò)程中漏掉冬筍的概率最低。閾值法漏警率最高且易受土壤含水率、冬筍埋入深度及土壤表面覆蓋竹葉等外部因素影響。各組數(shù)據(jù)結(jié)果表明檢測(cè)模型的漏警率與土壤含水率與冬筍生長(zhǎng)深度呈正相關(guān)，當(dāng)土壤表面覆蓋竹葉時(shí)，對(duì)漏警率影響不大。

圖14 3種分類方法的漏警率對(duì)比Fig.14 Comparison of missing alarm of three classification methods

使用回波序列檢測(cè)模型、閾值法、支持向量機(jī)對(duì)H～N組樣本分類的平均虛警率分別為20.37%、27.03%、34.86%(圖15)?；夭ㄐ蛄袡z測(cè)模型在不同干擾場(chǎng)景下虛警率波動(dòng)較??；支持向量機(jī)的虛警率略微高于回波序列檢測(cè)模型；閾值法的虛警率最高，當(dāng)遇到不同干擾時(shí)虛警率的波動(dòng)較大。各組數(shù)據(jù)表明檢測(cè)模型的虛警率與土壤含水率呈正相關(guān)，當(dāng)土壤內(nèi)存在未成形的小筍、樹根、表面覆蓋竹葉等干擾時(shí)易引起虛警，土壤內(nèi)的石塊對(duì)探測(cè)結(jié)果影響較小。綜上，回波序列分類檢測(cè)模型對(duì)冬筍探測(cè)器回波序列分類具有較高的準(zhǔn)確率，在不同環(huán)境中的漏警率與虛警率均低于SVM與閾值法，符合冬筍探測(cè)器的分類要求。

圖15 3種分類方法的虛警率對(duì)比Fig.15 Comparison of false alarm of three classification methods

5 結(jié)束語(yǔ)

針對(duì)冬筍采收只能依靠傳統(tǒng)的人工經(jīng)驗(yàn)法的問(wèn)題，本研究設(shè)計(jì)了一款冬筍探測(cè)器，該探測(cè)器硬件上選用2塊貼片天線向土壤發(fā)射并接收電磁波信號(hào)；構(gòu)建基于卷積神經(jīng)網(wǎng)絡(luò)的回波序列檢測(cè)模型，用于冬筍探測(cè)器接收的回波信號(hào)分類。回波序列檢測(cè)模型通過(guò)冬筍探測(cè)器回波信號(hào)判斷土壤內(nèi)有無(wú)冬筍的準(zhǔn)確率為79.08%，漏警率、虛警率指標(biāo)均優(yōu)于頻譜閾值法與支持向量機(jī)，同時(shí)可以適應(yīng)多種復(fù)雜的環(huán)境。