于 強(qiáng)， 陳 青，2*

(1.南京林業(yè)大學(xué)機(jī)械電子工程學(xué)院，江蘇 南京 210037；2.南京林業(yè)大學(xué)林業(yè)資源高效加工利用協(xié)同創(chuàng)新中心，江蘇 南京 210037)

我國是水果生產(chǎn)大國，蘋果、梨、柑橘等水果產(chǎn)量居全球前列。然而，隨著生態(tài)環(huán)境的改善，鳥類數(shù)量增多，果園鳥害問題日益突出。2020年，四川廣安市鳥害發(fā)生面積7.54 萬hm2，損失經(jīng)濟(jì)作物436 t[1]。2021年，冀西北地區(qū)的鮮食葡萄鳥害受災(zāi)率達(dá)產(chǎn)量的15%[2]。被麻雀、喜鵲等鳥啄食后的水果表面會留下疤痕，非常不利于水果的品質(zhì)化發(fā)展，鳥喙中的病菌也可能通過果實傳染果樹甚至整個果園[3]。因此，鳥害防治對于保持林果經(jīng)濟(jì)健康、高質(zhì)量發(fā)展具有關(guān)鍵作用。

目前，人們根據(jù)鳥的視覺、聽覺等生理特點(diǎn)研發(fā)出多款驅(qū)鳥產(chǎn)品。Brown[4]等設(shè)計了一種直徑14 mm的激光器，并在農(nóng)田防治害鳥入侵試驗中效果良好。Glahn[5]等研發(fā)了一種波長632.8 nm的激光器，發(fā)現(xiàn)對驅(qū)趕魚塘附近的鸕鶿、大雁效果顯著。Wong[6]等設(shè)計了一款驅(qū)鳥無人機(jī)，揚(yáng)聲器中不斷播放鳥類間的求救叫聲，一架不斷移動的無人機(jī)能保護(hù)0.25 hm2的葡萄園。激光驅(qū)鳥器使用效果容易受天氣干擾，在果園中使用也容易被遮擋，因此果園中常用的驅(qū)鳥器為聲波驅(qū)鳥器，相較于其他驅(qū)鳥方法具有不受地域、時間限制的特點(diǎn)。當(dāng)前聲波驅(qū)鳥器大多按固定程序循環(huán)工作，一段時間后容易被鳥類適應(yīng)，在沒有害鳥時也一直工作，能源利用率低。

本文將計算機(jī)視覺技術(shù)、物聯(lián)網(wǎng)技術(shù)、聲波技術(shù)結(jié)合，設(shè)計了一款聲波驅(qū)鳥器，可以實現(xiàn)有鳥即驅(qū)，驅(qū)鳥更有針對性且節(jié)約能源，為果園鳥害防治提供參考。

1 聲波驅(qū)鳥器工作原理

大部分鳥類對16～25 kHz頻率間的聲波極度敏感，利用這一特點(diǎn)人們制作出聲波驅(qū)鳥器(如圖1所示)，從聽覺刺激鳥類，使其感到恐懼遠(yuǎn)離，對鳥沒有生命危害[7]。

圖1 聲波驅(qū)鳥器

聲波驅(qū)鳥器由信號發(fā)生模塊、功率放大模塊、電源管理模塊、輸出模塊等構(gòu)成。信號發(fā)生模塊為NE555芯片組成的多諧振蕩器，振蕩器輸出頻率為f的方波，f可由外部引腳連接的可變電阻改變。功率放大模塊為LM386音頻放大器，工作電壓3.3～5.3 V，具有功耗低、諧波失真小等優(yōu)點(diǎn)。NE555振蕩器輸出16～25 kHz的方波，經(jīng)過LM386放大以后通過高頻壓電陶瓷喇叭發(fā)出高強(qiáng)度刺激性聲波。

2 聲波驅(qū)鳥器改進(jìn)設(shè)計

鳥類具有極強(qiáng)的適應(yīng)能力，研究表明，驅(qū)鳥器工作時間過長，會導(dǎo)致驅(qū)鳥效果變差。因此，驅(qū)鳥器使用時應(yīng)盡量設(shè)置工作間歇，合理減少工作時間[8]。然而市場上的驅(qū)鳥器大多只能按照固定程序執(zhí)行，如果設(shè)置成隔一段時間工作就會存在驅(qū)鳥真空期，就會出現(xiàn)有害鳥卻沒工作的情況[9]。針對這一問題，一系列主動監(jiān)測式驅(qū)鳥器被發(fā)開出來?？聴頪10]等設(shè)計了一款基于紅外感應(yīng)的智能驅(qū)鳥器，紅外感應(yīng)器接收鳥類身體反射回的紅外線，根據(jù)波長判斷識別鳥類控制驅(qū)鳥器運(yùn)行。楊敏[11]等設(shè)計了一款基于多普勒微波探測的智能驅(qū)鳥器，監(jiān)測區(qū)域有移動物體時，探測器接收微波并根據(jù)微波特征識別鳥類。上述學(xué)者利用紅外感應(yīng)器、多普勒微波探測器檢測鳥類的方法存在不足，誤識別情況較嚴(yán)重，在果園復(fù)雜環(huán)境中實際使用效果差。

本設(shè)計利用計算機(jī)視覺技術(shù)取代紅外以及微波探測器，直接對圖像中的鳥類進(jìn)行識別，具有魯棒性好、識別準(zhǔn)確等優(yōu)點(diǎn)。目標(biāo)識別技術(shù)計算量較大，因此攝像頭監(jiān)視的果園畫面先輸入到服務(wù)器端的目標(biāo)檢測算法模型中，經(jīng)服務(wù)器運(yùn)算識別害鳥后，通過物聯(lián)網(wǎng)技術(shù)實現(xiàn)驅(qū)鳥器與服務(wù)器之間的通信和控制。建立物聯(lián)網(wǎng)通信時，服務(wù)器端與客戶端具有一對多的特點(diǎn)。因此，多個物聯(lián)網(wǎng)驅(qū)鳥器可以同時與服務(wù)器間建立通信，當(dāng)識別害鳥時可以同時工作，增加驅(qū)鳥器之間的協(xié)同工作能力?；谟嬎銠C(jī)視覺與物聯(lián)網(wǎng)的驅(qū)鳥器具體工作示意圖如圖2所示。

圖2 基于計算機(jī)視覺與物聯(lián)網(wǎng)的驅(qū)鳥器工作示意圖

2.1 計算機(jī)視覺模塊

選用大華P40A2-WT攝像機(jī)作為驅(qū)鳥器的視頻輸入，使用樂橙APP對其配網(wǎng)，記錄設(shè)備IP地址與端口號。服務(wù)器端的目標(biāo)識別算法為YOLOv5神經(jīng)網(wǎng)絡(luò)框架，它將目標(biāo)檢測問題轉(zhuǎn)變?yōu)閿?shù)學(xué)回歸問題。相較于SSD、RCNN、FasterRCNN等算法，YOLOv5具有明顯的速度和精度優(yōu)勢。圖3為YOLOv5的網(wǎng)絡(luò)結(jié)構(gòu)圖，主要包括輸入層(input)、骨干網(wǎng)絡(luò)(backbone)、頸部網(wǎng)絡(luò)(neck)和檢測頭(head)四部分，支持端到端的檢測[12]。輸入層包含數(shù)據(jù)增強(qiáng)、自適應(yīng)錨框計算和圖片自適應(yīng)縮放三部分。骨干網(wǎng)絡(luò)負(fù)責(zé)圖像特征的提取；頸部網(wǎng)絡(luò)使用FPN+PAN結(jié)構(gòu)，接收自上而下的強(qiáng)語義信息和自下而上的強(qiáng)空間信息，負(fù)責(zé)圖像特征的融合；檢測層根據(jù)損失函數(shù)(loss)估算檢測目標(biāo)矩形框的識別損失值，對目標(biāo)進(jìn)行定位和識別。

圖3 YOLOv5的網(wǎng)絡(luò)結(jié)構(gòu)圖

將加州理工學(xué)院發(fā)布的CUB200-2011鳥類數(shù)據(jù)集、阿里云天池實驗室的bird species classification_datasets鳥類數(shù)據(jù)集組合成新的鳥類數(shù)據(jù)集，對YOLOv5訓(xùn)練。該數(shù)據(jù)集中的部分圖片如圖4所示，數(shù)據(jù)集中包含多種不同種類的鳥類照片，且鳥類姿態(tài)、環(huán)境、光照均有差異。對數(shù)據(jù)集中的所有圖片使用雙邊濾波、改變亮度等數(shù)據(jù)增強(qiáng)方法，增強(qiáng)模型的泛化能力。

圖4 數(shù)據(jù)集中的部分圖片

預(yù)處理后的圖片導(dǎo)入labelImg中，對圖片中所有鳥類做目標(biāo)標(biāo)記，最終保存為XML格式文件。將所有圖片、XML文件放入YOLOv5相應(yīng)文件夾下，按照9∶1劃分訓(xùn)練集與驗證集，訓(xùn)練批量大小(batchsize)為32，用最小的s網(wǎng)絡(luò)共訓(xùn)練800訓(xùn)練周期(epoch)。

圖5 labelImg標(biāo)記目標(biāo)

為強(qiáng)化YOLOv5目標(biāo)識別算法對于遠(yuǎn)處小目標(biāo)鳥類和復(fù)雜環(huán)境下鳥類的識別能力，對YOLOv5原算法進(jìn)行改進(jìn)。將YOLOv5頸部網(wǎng)絡(luò)中特征融合金字塔結(jié)構(gòu)進(jìn)行修改，在17層C3模塊得到的80×80尺度的特征圖2倍上采樣并與淺層160×160尺度的特征圖融合，充分利用淺層特征圖中的豐富位置信息[13]。同時，使用卷積塊注意力模塊(CBAM)替換網(wǎng)絡(luò)原結(jié)構(gòu)中第1、3層conv模塊，使整個目標(biāo)識別網(wǎng)絡(luò)更關(guān)注于感興趣特征，弱化不相干特征對模型識別鳥類目標(biāo)能力的影響[14]。改進(jìn)后的YOLOv5訓(xùn)練過程Loss如圖6所示。

圖6 YOLOv5訓(xùn)練過程Loss圖

2.2 物聯(lián)網(wǎng)模塊

物聯(lián)網(wǎng)模塊選用ESP8266-01s模組，體積小、價格便宜。ESP8266-01s支持三種工作模式，分別為STA、AP、STA/AP，工作電壓5 V，使用LM7812電源穩(wěn)壓模塊為其供電。使用arduino軟件燒錄源程序，工作模式設(shè)置為STA。圖7為搭載ESP8266-01s模組的繼電器，當(dāng)wifi模組收到控制信號時，變換其GPIO0引腳為低電平，繼電器收到低電平信號后觸發(fā)。繼電器在驅(qū)鳥器電路的COM公共端、NO常開端與電源串聯(lián)，控制電路通斷。

圖7 ESP8266-01s繼電器

服務(wù)器端調(diào)用Socket庫，并從路由器連接設(shè)備中找到繼電器的IP地址，將其與服務(wù)器IP地址及端口號綁定，實現(xiàn)互相通信。Socket又稱套接字，它的功能函數(shù)是從TCP、UDP兩個傳輸層協(xié)議中抽象出來的，是實現(xiàn)網(wǎng)絡(luò)通信的重要工具[15]。將綁定了通信的Socket代碼嵌入到Y(jié)OLOv5目標(biāo)識別模型的detect.py文件中，即可實現(xiàn)對果園視頻中的鳥類識別并控制繼電器工作。

3 測試與結(jié)果

經(jīng)過800個epoch訓(xùn)練后，YOLOv5的平均精度(AP)達(dá)到92%，權(quán)重文件大小15 MB。用訓(xùn)練集之外的鳥類圖片對訓(xùn)練好的目標(biāo)識別模型測試，識別測試結(jié)果如圖8所示。

圖8 識別測試

改進(jìn)后的YOLOv5算法在面對樹枝遮擋、重合的鳥類時，依然能準(zhǔn)確識別，且單張圖片的預(yù)測時間僅為0.016 ms，滿足實時性要求，兼具識別速度與精度，能夠滿足果園實際使用需求。

經(jīng)過軟硬件的最終調(diào)試，最后實現(xiàn)了計算機(jī)視覺技術(shù)與物聯(lián)網(wǎng)技術(shù)對驅(qū)鳥器的改進(jìn)，如圖9所示。服務(wù)器端的代碼開始運(yùn)行時，首先自動接入局域網(wǎng)內(nèi)的所有可接入的物聯(lián)網(wǎng)驅(qū)鳥器，之后開始進(jìn)行鳥類識別和控制。

圖9 物聯(lián)網(wǎng)驅(qū)鳥器接入服務(wù)器

4 總結(jié)

本研究增加了聲波驅(qū)鳥器主動識別果園害鳥的功能，實時性好且識別率高，只有當(dāng)害鳥出現(xiàn)時才會工作，節(jié)約能源且不易被鳥類適應(yīng)。采用ESP8266-01s物聯(lián)網(wǎng)芯片實現(xiàn)局域網(wǎng)內(nèi)與服務(wù)器即時通信，且支持多個驅(qū)鳥器同時接入，增加了驅(qū)鳥器間的協(xié)同工作能力，提高驅(qū)鳥器覆蓋面積和驅(qū)鳥效率。該設(shè)計具有較好的實用性和應(yīng)用前景，能夠滿足實際使用需求。