基于深度學(xué)習(xí)技術(shù)的農(nóng)作物病蟲害檢測識別系統(tǒng)的研究

收稿日期：2023-12-01

基金項目：2022年度福建省中青年教師教育科研項目（科技類）“基于深度學(xué)習(xí)的農(nóng)作物病蟲害檢測識別系統(tǒng)的研究”（JAT220611）。

作者簡介：王偉莉（1989—），女，山西大同人，工程師，研究方向為計算機應(yīng)用技術(shù)。

摘 要：傳統(tǒng)的病蟲害監(jiān)測方法依賴于人工視覺識別，缺乏客觀性和準確性，且效率低下、成本高昂，深度學(xué)習(xí)技術(shù)的發(fā)展為農(nóng)作物病蟲害監(jiān)測識別提供了新的解決方案。闡述了深度學(xué)習(xí)技術(shù)在農(nóng)作物病蟲害識別中的應(yīng)用優(yōu)勢，探討了基于深度學(xué)習(xí)技術(shù)的農(nóng)作物病蟲害監(jiān)測識別系統(tǒng)構(gòu)建，介紹了深度學(xué)習(xí)技術(shù)在農(nóng)作物病蟲害監(jiān)測中的應(yīng)用。

關(guān)鍵詞：農(nóng)作物病蟲害；檢測識別系統(tǒng)；深度學(xué)習(xí)技術(shù)

中圖分類號：S43 文獻標志碼：B 文章編號：2095–3305（2024）04–00-03

當前，農(nóng)作物病蟲害問題已成為制約農(nóng)業(yè)發(fā)展的重要因素之一，傳統(tǒng)的病蟲害監(jiān)測方法往往依賴于人工目視或簡單的圖像處理技術(shù)，檢測速度慢、準確率低。隨著農(nóng)業(yè)科技的不斷發(fā)展，基于深度學(xué)習(xí)的農(nóng)作物病蟲害監(jiān)測識別系統(tǒng)在農(nóng)業(yè)領(lǐng)域的應(yīng)用越來越廣泛，該系統(tǒng)利用先進的計算機視覺和深度學(xué)習(xí)技術(shù)，能夠快速、準確地檢測和識別農(nóng)作物病蟲害，為農(nóng)業(yè)生產(chǎn)的科學(xué)管理和病蟲害防治提供有力支持。深入探討基于深度學(xué)習(xí)技術(shù)的農(nóng)作物病蟲害監(jiān)測識別系統(tǒng)的研究，為農(nóng)業(yè)生產(chǎn)提供更加高效、智能化的解決

方案。

1 深度學(xué)習(xí)技術(shù)在農(nóng)作物病蟲害識別中的優(yōu)勢

1.1 自動化和智能化

深度學(xué)習(xí)技術(shù)可以通過訓(xùn)練神經(jīng)網(wǎng)絡(luò)自動識別病蟲害，實現(xiàn)對作物病蟲害的快速、準確判斷，提高農(nóng)作物病蟲害識別的效率，同時減少人工干預(yù)[1]。

此外，深度學(xué)習(xí)技術(shù)還可以實時監(jiān)測病蟲害，借助遙感技術(shù)和無人機等設(shè)備，可以獲取農(nóng)田的高分辨率圖像，結(jié)合深度學(xué)習(xí)模型自動識別和定位圖像中的病蟲害，既可以及時發(fā)現(xiàn)病蟲害的發(fā)生，還可以預(yù)測病蟲害的發(fā)展趨勢，為農(nóng)業(yè)生產(chǎn)提供科學(xué)依據(jù)。

1.2 高效性和準確性

由于深度學(xué)習(xí)模型可以自動學(xué)習(xí)圖像中的特征，因此在大規(guī)模訓(xùn)練數(shù)據(jù)的支持下，識別病蟲害的準確性得到顯著提高，相較于傳統(tǒng)方法，深度學(xué)習(xí)技術(shù)具有更高的識別準確率，可以減少農(nóng)業(yè)工作者在病蟲害識別過程中的誤判和漏判現(xiàn)象。此外，深度學(xué)習(xí)模型具有較強的泛化能力，可以在不同場景和環(huán)境下準確識別病蟲害，針對不同作物和病蟲害類型，只需對模型進行相應(yīng)的訓(xùn)練和調(diào)整，便可適應(yīng)不同情況[2]。

1.3 節(jié)省人力資源和降低成本

傳統(tǒng)農(nóng)作物病蟲害識別方法需要投入大量的人力物力，而深度學(xué)習(xí)技術(shù)的應(yīng)用可以有效地節(jié)省人力資源和降低成本，通過自動化和智能化的識別過程，減少農(nóng)業(yè)工作者在病蟲害識別、監(jiān)測和防治過程中的工作量，避免盲目使用農(nóng)藥和資源浪費，農(nóng)業(yè)工作者可以更好地分配精力，從事其他相關(guān)工作，不僅有利于降低農(nóng)業(yè)生產(chǎn)成本，還可以保護環(huán)境[3]。

2 基于深度學(xué)習(xí)技術(shù)的農(nóng)作物病蟲害監(jiān)測識別系統(tǒng)構(gòu)建

2.1 數(shù)據(jù)集的準備

在構(gòu)建基于深度學(xué)習(xí)技術(shù)的農(nóng)作物病蟲害監(jiān)測識別系統(tǒng)前，需要一個包含多個類別的圖像數(shù)據(jù)集，每個類別代表一種病蟲害，這些圖像數(shù)據(jù)應(yīng)覆蓋不同的農(nóng)作物種類和病蟲害類型，并且應(yīng)有足夠的樣本數(shù)量充分訓(xùn)練模型。為了獲得這樣的數(shù)據(jù)集，可以采用以下3種方式：一是可以通過現(xiàn)場調(diào)研和采集的方式，自行收集圖像數(shù)據(jù)；二是可以借助已有的農(nóng)作物病蟲害圖像數(shù)據(jù)集；三是可以考慮使用數(shù)據(jù)增強技術(shù)擴充數(shù)據(jù)集。

2.2 深度學(xué)習(xí)模型的選擇與訓(xùn)練

在農(nóng)作物病蟲害監(jiān)測識別系統(tǒng)中，深度學(xué)習(xí)模型應(yīng)具備對圖像數(shù)據(jù)進行有效特征提取和分類的能力，并且應(yīng)該適用于農(nóng)作物病蟲害的識別任務(wù)，常用的深度學(xué)習(xí)模型包括卷積神經(jīng)網(wǎng)絡(luò)（CNN）、循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）和深度殘差網(wǎng)絡(luò)（ResNet）等[4]。對于農(nóng)作物病蟲害監(jiān)測識別任務(wù)而言，通常采用卷積神經(jīng)網(wǎng)絡(luò)作為基礎(chǔ)模型進行訓(xùn)練和測試，卷積神經(jīng)網(wǎng)絡(luò)可以通過卷積層和池化層提取圖像數(shù)據(jù)中的空間特征，并通過全連接層進行分類，常見的卷積神經(jīng)網(wǎng)絡(luò)模型包括LeNet、AlexNet、VGG、GoogLeNet和ResNet等，根據(jù)數(shù)據(jù)集的規(guī)模和復(fù)雜度，可以選擇不同層數(shù)和參數(shù)量的卷積神經(jīng)網(wǎng)絡(luò)模型進行訓(xùn)練，在訓(xùn)練過程中，可以考慮使用學(xué)習(xí)率衰減和正則化等技術(shù)防止過擬合和提高模型的泛化能力。在模型訓(xùn)練完成后，可以對訓(xùn)練好的模型進行評估和測試，評估主要包括計算模型的準確率、精確性、召回率和F1值等指標，以評估模型對農(nóng)作物病蟲害的檢測和識別能力，可以使用混淆矩陣和ROC曲線等工具繪制結(jié)果并進行可視化。

2.3 系統(tǒng)架構(gòu)的設(shè)計

基于深度學(xué)習(xí)技術(shù)的農(nóng)作物病蟲害監(jiān)測識別系統(tǒng)的架構(gòu)是一個復(fù)雜的多層次結(jié)構(gòu)，該系統(tǒng)通過深度學(xué)習(xí)模型從大量的農(nóng)作物病蟲害圖像數(shù)據(jù)中學(xué)習(xí)并提取特征，實現(xiàn)病蟲害的準確檢測和識別，該系統(tǒng)通常使用卷積神經(jīng)網(wǎng)絡(luò)作為主要的深度學(xué)習(xí)模型，輸入是農(nóng)作物病蟲害的圖像數(shù)據(jù)集，經(jīng)過預(yù)處理后送入卷積神經(jīng)網(wǎng)絡(luò)進行特征提取[5]。

卷積層通過應(yīng)用一系列卷積核來檢測圖像中的局部特征，同時利用非線性激活函數(shù)進行非線性映射，池化層用于減小特征圖的尺寸，提高模型的魯棒性和計算效率。全連接層將提取到的特征映射至輸出類別空間。在訓(xùn)練過程中，深度學(xué)習(xí)模型通過優(yōu)化算法調(diào)整權(quán)重和偏置，以最小化模型在訓(xùn)練集上的預(yù)測錯誤，為了防止過擬合，常使用正則化方法如dropout隨機丟棄一部分神經(jīng)元，同時數(shù)據(jù)增強也是一個常用的技術(shù)，通過對訓(xùn)練集進行旋轉(zhuǎn)、縮放和平移等操作，提高模型的泛化能力。在系統(tǒng)的部署階段，用戶通過手機或相機等設(shè)備拍攝病蟲害圖像，上傳圖片至服務(wù)器端。服務(wù)器端系統(tǒng)對圖像進行預(yù)處理和分類識別，返回檢測結(jié)果給用戶，同時系統(tǒng)將檢測結(jié)果保存至數(shù)據(jù)庫。

2.4 模型的優(yōu)化與調(diào)整

基于深度學(xué)習(xí)技術(shù)的農(nóng)作物病蟲害監(jiān)測識別系統(tǒng)中，模型的優(yōu)化與調(diào)整是提升系統(tǒng)性能和準確性的關(guān)鍵步驟，模型優(yōu)化包括調(diào)整深度學(xué)習(xí)模型的超參數(shù)和結(jié)構(gòu)，以提高模型的泛化能力和增強訓(xùn)練效果，模型調(diào)整則是通過重新訓(xùn)練和微調(diào)模型，進一步提升模型性能[6]。

在模型優(yōu)化階段，可以通過調(diào)整超參數(shù)改善模型的表現(xiàn)，超參數(shù)包括學(xué)習(xí)率、迭代次數(shù)、批次大小、正則化參數(shù)等，通過優(yōu)化和調(diào)整這些超參數(shù)，提高模型的泛化能力，也可以通過調(diào)整深度學(xué)習(xí)模型的結(jié)構(gòu)提升模型性能，可以增加模型的網(wǎng)絡(luò)層數(shù)、調(diào)整卷積核大小和通道數(shù)，或者增加額外的全連接層等。

在模型調(diào)整階段，可以考慮使用遷移學(xué)習(xí)利用已訓(xùn)練好的模型權(quán)重，遷移學(xué)習(xí)通過將已訓(xùn)練好的模型權(quán)重導(dǎo)入新模型，提供了更好的初始參數(shù)，從而加速新模型的訓(xùn)練和提升模型性能，通過遷移學(xué)習(xí)可以利用之前訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)模型在大規(guī)模圖像數(shù)據(jù)上學(xué)習(xí)到的高層次特征，用于農(nóng)作物病蟲害特征的提取。

3 深度學(xué)習(xí)技術(shù)在農(nóng)作物病蟲害監(jiān)測中的應(yīng)用

3.1 卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)（CNN）是廣泛應(yīng)用于計算機視覺和圖像處理領(lǐng)域的深度學(xué)習(xí)模型，尤其是在農(nóng)作物病蟲害監(jiān)測中，其用于病蟲害圖像的特征提取和分類識別具有顯著效果[7]。VGGNet通過增加網(wǎng)絡(luò)深度、結(jié)構(gòu)簡單，使用一系列卷積層和池化層，可有效識別病蟲害并進行準確分類；GoogLeNet通過Inception模塊，同時進行多尺度特征提取，提升病蟲害分類準確性；ResNet通過殘差連接解決深度網(wǎng)絡(luò)訓(xùn)練問題，使病蟲害分類準確性和穩(wěn)定性得到提升；DenseNet通過密集連接，學(xué)習(xí)到豐富和復(fù)雜的特征表示，提升病蟲害分類準確性；EfficientNet通過復(fù)合系數(shù)平衡模型的復(fù)雜性和性能，節(jié)省計算資源和時間。上述多個模型在農(nóng)作物病蟲害監(jiān)測中表現(xiàn)出色，為農(nóng)業(yè)生產(chǎn)提供了一種高效、準確的檢測方法，對農(nóng)作物病蟲害的檢測具有重要意義。

3.2 循環(huán)神經(jīng)網(wǎng)絡(luò)

除了上面提到的CNN，深度學(xué)習(xí)技術(shù)還可以使用循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）進行農(nóng)作物病蟲害監(jiān)測，RNN是一種能夠捕捉時間序列數(shù)據(jù)中隱藏信息的神經(jīng)網(wǎng)絡(luò)模型，對于處理序列數(shù)據(jù)具有良好的效果，在病蟲害監(jiān)測中，可以利用RNN捕捉時間序列圖像中特征的變化，實現(xiàn)對病蟲害的連續(xù)檢測和預(yù)警。在應(yīng)用中可以將多張相鄰時間的農(nóng)作物圖像輸入RNN模型中，捕捉圖像中病蟲害特征的變化，并輸出預(yù)測結(jié)果，通過不斷更新模型參數(shù)和輸入數(shù)據(jù)，提升模型的準確性和實時性，還可以利用RNN的記憶特性，將歷史圖像信息進行串聯(lián)和整合，進一步提升模型的性能。

3.3 生成對抗網(wǎng)絡(luò)

生成對抗網(wǎng)絡(luò)（GAN）是一種深度學(xué)習(xí)中的新型網(wǎng)絡(luò)結(jié)構(gòu)，由一個生成器和多個判別器組成，生成器負責生成假數(shù)據(jù)以欺騙判別器，判別器則負責判斷輸入數(shù)據(jù)是真實數(shù)據(jù)還是生成器生成的假數(shù)據(jù)，通過不斷訓(xùn)練和優(yōu)化，GAN能夠生成高質(zhì)量的圖像數(shù)據(jù)。在農(nóng)作物病蟲害監(jiān)測中，可以利用GAN生成對抗網(wǎng)絡(luò)來生成假圖像數(shù)據(jù)，用于訓(xùn)練病蟲害監(jiān)測模型，通過生成大量的假數(shù)據(jù)和真實數(shù)據(jù)混合訓(xùn)練，可以提高模型的泛化能力和魯棒性，還可以利用GAN的判別器對輸入圖像進行質(zhì)量評估和分類，進一步提升病蟲害監(jiān)測的準確性和實時性。

3.4 遷移學(xué)習(xí)

遷移學(xué)習(xí)是一種將已掌握的知識和技能應(yīng)用于新領(lǐng)域中的學(xué)習(xí)方法，在農(nóng)作物病蟲害監(jiān)測中，可以利用遷移學(xué)習(xí)將其他領(lǐng)域中的深度學(xué)習(xí)模型應(yīng)用于病蟲害監(jiān)測，如可以將計算機視覺領(lǐng)域中的CNN模型遷移至病蟲害監(jiān)測，利用CNN自動提取圖像特征的能力，實現(xiàn)對病蟲害的準確識別。遷移學(xué)習(xí)可以通過微調(diào)其他領(lǐng)域的深度學(xué)習(xí)模型，將其應(yīng)用于農(nóng)作物病蟲害監(jiān)測，通過利用其他領(lǐng)域的數(shù)據(jù)集進行訓(xùn)練和優(yōu)化，進一步提升模型的性能和準確性，還可以融合和改進其他領(lǐng)域的算法和策略，應(yīng)用于農(nóng)作物病蟲害監(jiān)測，進一步增強模型效果[8]。

4 基于深度學(xué)習(xí)技術(shù)的農(nóng)作物病蟲害監(jiān)測識別系統(tǒng)未來的發(fā)展趨勢

4.1 模型性能進一步提升

隨著深度學(xué)習(xí)技術(shù)的不斷發(fā)展，基于深度學(xué)習(xí)技術(shù)的農(nóng)作物病蟲害監(jiān)測識別系統(tǒng)的模型性能也在不斷提升。隨著計算能力的提高和數(shù)據(jù)量的增加，模型性能也會得到進一步提升，可以通過更先進的優(yōu)化算法和超參數(shù)調(diào)整，進一步增強模型的訓(xùn)練效果和提高泛化能力。同時，可以嘗試使用更復(fù)雜的深度學(xué)習(xí)模型，如深度殘差網(wǎng)絡(luò)、注意力機制等，進一步提升模型的性能和準確性[9]。

4.2 跨領(lǐng)域和多模態(tài)信息融合

隨著傳感器技術(shù)和圖像處理技術(shù)的發(fā)展，可以獲取更多的農(nóng)作物病蟲害信息，如光譜信息、紋理信息、聲音信息等，通過將不同領(lǐng)域和不同模態(tài)的信息進行融合，可以進一步提升病蟲害監(jiān)測的準確性和魯棒性。在今后的研究中可以嘗試將多種傳感器和模態(tài)的信息進行融合，構(gòu)建多模態(tài)的病蟲害監(jiān)測系統(tǒng)，提升系統(tǒng)的性能和準確性。

4.3 天空地一體化監(jiān)測技術(shù)的整合

隨著無人機技術(shù)和遙感技術(shù)的發(fā)展，可以實現(xiàn)天空地一體化監(jiān)測，將無人機、衛(wèi)星遙感、地面監(jiān)測等技術(shù)進行整合，構(gòu)建天空地一體化病蟲害監(jiān)測系統(tǒng)，通過將不同技術(shù)的優(yōu)勢互補和整合，可以提升病蟲害監(jiān)測的全面性和準確性，為農(nóng)作物的保護和管理提供更好的支持。

4.4 面向農(nóng)業(yè)物聯(lián)網(wǎng)的智能化拓展

隨著物聯(lián)網(wǎng)技術(shù)的發(fā)展，農(nóng)業(yè)物聯(lián)網(wǎng)逐漸普及，在今后的研究中基于深度學(xué)習(xí)技術(shù)的農(nóng)作物病蟲害監(jiān)測識別系統(tǒng)可以面向農(nóng)業(yè)物聯(lián)網(wǎng)進行智能化拓展，整合系統(tǒng)與農(nóng)業(yè)物聯(lián)網(wǎng)平臺，實現(xiàn)病蟲害信息的實時監(jiān)測和預(yù)警，為農(nóng)作物的智能化管理提供更好的支持。同時，可以利用農(nóng)業(yè)物聯(lián)網(wǎng)的數(shù)據(jù)和信息，對病蟲害監(jiān)測模型進行訓(xùn)練和優(yōu)化，進一步提升模型的性能和準確性。

5 結(jié)束語

基于深度學(xué)習(xí)技術(shù)的農(nóng)作物病蟲害監(jiān)測識別系統(tǒng)的應(yīng)用價值較高，通過深度學(xué)習(xí)技術(shù)，可以實現(xiàn)對病蟲害的精確檢測和識別，提高農(nóng)作物的產(chǎn)量和質(zhì)量，以及保障農(nóng)業(yè)的可持續(xù)發(fā)展。然而，該領(lǐng)域仍面臨一些挑戰(zhàn)，如何提高模型的泛化能力、如何處理復(fù)雜的背景信息，以及如何提高檢測識別的效率和準確性等。隨著深度學(xué)習(xí)技術(shù)的進一步發(fā)展，基于深度學(xué)習(xí)技術(shù)的農(nóng)作物病蟲害監(jiān)測識別系統(tǒng)將更加成熟和完善，為農(nóng)業(yè)的智能化發(fā)展提供更多的技術(shù)支持。

參考文獻

[1] 王影，程磊.基于深度學(xué)習(xí)的農(nóng)作物病態(tài)葉片識別算法[J].信息技術(shù)與信息化，2023（4）：195-198.

[2] 陶治，孔建磊，金學(xué)波，等.基于深度學(xué)習(xí)的農(nóng)作物病蟲害圖像識別APP系統(tǒng)設(shè)計[J].計算機應(yīng)用與軟件，2022，39 （3）：341-345.

[3] 劉天賜，劉鈺，韓逸軒，等.智慧農(nóng)業(yè)病蟲害巡檢系統(tǒng)設(shè)計與實現(xiàn)[J].福建電腦，2022，38（1）：89-92.

[4] 陳自宏，鄧干然，崔振德，等.基于深度學(xué)習(xí)的農(nóng)作物檢測識別研究現(xiàn)狀及展望[J].現(xiàn)代農(nóng)業(yè)裝備，2022，43（2）：2-7.

[5] 余小東，楊孟輯，張海清，等.基于遷移學(xué)習(xí)的農(nóng)作物病蟲害監(jiān)測方法研究與應(yīng)用[J].農(nóng)業(yè)機械學(xué)報，2020，51（10）：252 -258.

[6] 李正，李寶喜，李志豪，等.基于深度學(xué)習(xí)的農(nóng)作物病蟲害識別研究進展[J].湖北農(nóng)業(yè)科學(xué)，2023，62（11）：165-169.

[7] 孫奧，吳冬燕，吳陽江，等.深度學(xué)習(xí)在農(nóng)作物病蟲害識別中應(yīng)用初探[J].電子測試，2019（6）：68-70.

[8] 陳天嬌，曾娟，謝成軍，等.基于深度學(xué)習(xí)的病蟲害智能化識別系統(tǒng)[J].中國植保導(dǎo)刊，2019，39（4）：26-34.

[9] 賈少鵬，高紅菊，杭瀟.基于深度學(xué)習(xí)的農(nóng)作物病蟲害圖像識別技術(shù)研究進展[J].農(nóng)業(yè)機械學(xué)報，2019，50（S1）：313-317.