基于無人機智能視覺和多尺度U-Net的大田作物病蟲害檢測方法

摘 要：作物病蟲害的防治是國家生物安全體系的重大課題之一，病蟲害早期檢測、預警對于病蟲害防治具有重要的意義。文中提出一種基于農(nóng)業(yè)無人機（AUAV）和多尺度U-Net（MSU-Net）的作物病蟲害檢測方法，該方法使用AUAV采集大田作物圖像，借助MSU-Net檢測作物病蟲害。系統(tǒng)利用AUAV在智能農(nóng)業(yè)中的機動性，在多變的天氣條件下采集病蟲害作物葉部圖像；利用MSU-Net提取作物病蟲害葉片圖像的分類特征，再進行病蟲害葉片圖像分割，由此進行病蟲害檢測、分類、識別，以及田間病蟲害危害的分析和估計；確定病蟲害葉片圖像中的病蟲害區(qū)域，實現(xiàn)高精度的作物病蟲害可視化檢測與類型識別。實驗結(jié)果表明，該方法能夠用于大田背景下的作物病蟲害檢測系統(tǒng)，提高了AUAV視覺系統(tǒng)的病蟲害檢測能力。該方法有助于作物病蟲害AUAV遙感檢測的標準化、信息化、精準化和智能化。

關鍵詞：農(nóng)業(yè)無人機；智能視覺；作物病蟲害；病蟲害檢測；多尺度U-Net；遙感檢測

中圖分類號：TP273 文獻標識碼：A 文章編號：2095-1302（2024）08-00-03

DOI：10.16667/j.issn.2095-1302.2024.08.006

0 引 言

農(nóng)作物病蟲害是農(nóng)業(yè)生產(chǎn)過程中影響糧食產(chǎn)量和品質(zhì)的重要生物災害。目前，中國農(nóng)作物病蟲害的監(jiān)測方法主要是點狀地面調(diào)查，無法快速獲取大面積作物病蟲害的發(fā)生狀況和空間分布信息，難以滿足大規(guī)模作物病蟲害的科學監(jiān)測和防治需要[1-3]。近年來，隨著國內(nèi)外衛(wèi)星光譜、時空分辨率的不斷提高，利用遙感開展高效、無損的病蟲害監(jiān)測已成為中國有效提高病蟲害檢測水平的重要手段[4-5]。病蟲害的早期檢測、分類和分析以及可能的解決方案，有助于控制病蟲害和增加作物產(chǎn)量，提升作物質(zhì)量。作物病蟲害檢測主要集中在高光譜成像、聚合酶鏈反應、熱成像、熒光原位雜交和酶聯(lián)免疫吸附試驗等?；谌~片圖像的病蟲害檢測和分類是數(shù)字農(nóng)業(yè)中的一項重要任務，與傳統(tǒng)機器學習方法相關的計算機輔助圖像檢測系統(tǒng)大多使用深度學習模型。深度學習模型在診斷農(nóng)業(yè)生產(chǎn)中的作物病蟲害問題方面取得了成功，因此利用深度學習模型進行作物病蟲害監(jiān)測、診斷和預防，并通過微調(diào)以提高深度學習模型的準確性[6-7]。目前出現(xiàn)了很多基于深度學習的作物病蟲害監(jiān)測、診斷、預防平臺和系統(tǒng)。AUAV、遙感傳感器、遙測、通信、GPS差分定位等技術被廣泛運用于作物病蟲害檢測領域。遙感技術已成為收集各種農(nóng)業(yè)應用數(shù)據(jù)的有效工具，然而，目前使用的遙感傳感器成本高，識別理想特征的空間分辨率低。為了評估不同遙感技術在小塊土地上的田間表型分析的精度和效率，將AUAV、近端遙感和衛(wèi)星遙感三種遙感方法進行比較。結(jié)果表明，AUAV遙感可以通過無線電遙控設備和自動控制系統(tǒng)來執(zhí)行任務，病蟲害監(jiān)測效果最好，可以以接近實時和動態(tài)的方式對大量地塊和田間進行高通量表型分析[8-9]。張超等[10]

從作物病蟲害遙感監(jiān)測概況、相應病蟲害生理機制和作物病蟲害遙感監(jiān)測原理等方面，綜述了作物病蟲害遙感監(jiān)測技術的研究進展。楊國峰等[11]介紹了利用AUAV遙感監(jiān)測進行作物病蟲害檢測的相關背景，綜述了利用AUAV遙感進行作物病蟲害和有害生物檢測的方法，重點討論了數(shù)據(jù)采集和數(shù)據(jù)處理方法，并指出了利用AUAV進行作物病蟲害遙感監(jiān)測的主要難點和未來的發(fā)展方向。劉易雪等[12]提出了一種細粒度分類與生成拮抗網(wǎng)絡相結(jié)合的方法，提高了AUAV遙感圖像中葡萄卷葉病的分類性能，該方法為利用AUAV進行病蟲害遙感監(jiān)測提供了新的思路和技術手段。Raj等[13]研究了物聯(lián)網(wǎng)在作物病蟲害檢測方面的應用，并使用通信協(xié)議推動了AUAV在作物病蟲害檢測中的應用，同時利用大數(shù)據(jù)和GPS進行作物管理，提高了農(nóng)業(yè)生產(chǎn)率。Nathan等[14]介紹了利用AUAV檢測病蟲害問題和面向應用的案例研究，以及機器學習和數(shù)據(jù)可視化方面的空間數(shù)據(jù)管理和分析的相關研究進展。Fernando等[15]提出了一種AUAV作物病蟲害檢測方法，用于病蟲害智能檢測系統(tǒng)，獲取和處理作物反射率數(shù)據(jù)，并以數(shù)字地圖的形式傳輸，為確定害蟲熱點提供解決方案，例如精確釋放天敵或精確噴灑農(nóng)藥。趙小虎等[16]針對當前農(nóng)作物病蟲害分割與識別模型病斑分割精度低、數(shù)據(jù)集不充分、訓練速度過慢等問題，構(gòu)建了一種基于改進的U-Net多尺度番茄葉部病蟲害分割算法。本文在該方法的啟發(fā)下，提出了一種基于AUAV和MSU-Net的作物病蟲害檢測

方法。

1 大田作物病蟲害檢測方法

基于AUAV智能視覺和MSU-Net的作物病蟲害檢測方法的主要步驟為：通過AUAV搭載的設備拍攝病蟲害作物圖像，利用MSU-Net提取病蟲害圖像特征，并使用Softmax分類器進行病蟲害圖像像素定性檢測，從而獲得病蟲害圖像。基于AUAV智能視覺和MSU-Net的作物病蟲害檢測方法示意圖如圖1所示。

作物病蟲害檢測方法示意圖

檢測方法實施步驟如下：

（1）圖像采集與預處理。利用AUAV搭載的相機獲取清晰的病蟲害葉片圖像，然后采用機載傳感器軟件調(diào)整遙感圖像格式，利用AUAV測繪攝影測量軟件拼接和校正遙感圖像。

（2）MSU-Net構(gòu)建。在原始的U-Net中，每個塊由兩個卷積層組成。將原U-Net編碼器中的卷積塊替換為多尺度塊，得到MSU-Net。它是一個基于多尺度卷積的全卷積編碼器-解碼器網(wǎng)絡，全卷積神經(jīng)網(wǎng)絡結(jié)構(gòu)可以實現(xiàn)多尺度圖像的輸入和分割。

（3）模型優(yōu)化。在MSU-Net中，采用多尺度塊代替原U-Net中的全卷積塊。多尺度塊使編碼器能夠提取更詳細的信息，使得解碼器復原的特征更加完備。將殘差應用于MSU-Net，使多尺度塊的前向和后向傳播更加平滑。在前向傳播中，輸入信號可以直接從底部傳播到頂部，緩解網(wǎng)絡退化。在反向傳播中，誤差可以不經(jīng)過中間權矩陣變換直接傳播到下一層，梯度分散的問題可以得到緩解。該結(jié)構(gòu)還可以增強網(wǎng)絡的泛化能力。

作物病蟲害參數(shù)檢測與評價流程如圖2所示。作物病蟲害檢測流程包括：AUAV視覺圖像采集、作物病蟲害圖像區(qū)域選擇、作物病蟲害圖像預處理、基于MSU-Net的作物病蟲害圖像分割、病蟲害檢測與評估。作物病蟲害圖像預處理包括：灰度化、濾波去噪、對比度增強等。利用圖像邊緣檢測常用的Canny和Sobel算子，對圖像進行顯著性檢測，剔除偽病蟲害圖像，并估計作物病蟲害圖像檢測模型的

參數(shù)。

多尺度模塊使用不同大小的卷積核，在不損失圖像清晰度的前提下，系統(tǒng)提取和整合不同尺度的多個上下文信息，使不同的卷積核在不同圖像學習過程中學習到深度特征，解決圖像的可變性問題。

多尺度卷積模塊如圖3所示。Inception模塊包含多個不同大小的卷積核，將3×3卷積核變?yōu)?×3和3×1卷積核，其計算成本比標準卷積低33%。圖3中的Inception模塊可以解決模型訓練復雜度高、訓練時間長等問題，通過提取多尺度特征，從而更有效地分割作物病蟲害葉片圖像，提高網(wǎng)絡的整體性能和效率。通過堆疊多尺度模塊Inception的卷積層，最終得到高層次的多尺度分類特征。

2 病蟲害圖像的定性檢測實驗

為驗證本文方法的有效性，構(gòu)建了一個多樣化的訓練樣本集，包含200張大田簡單病蟲害圖像、60張大田較復雜病蟲害圖像以及40張大田復雜病蟲害圖像（部分病蟲害圖像如圖4所示）。由于這些圖像樣本的多樣性，對模型提出了更高的檢測要求。為實現(xiàn)精準的圖像分割，不僅要捕獲圖像的強語義信息，還要有效關聯(lián)物體的局部和全局特征。這意味著需要融合不同尺寸感受野的特征信息，使模型能夠全面理解圖像內(nèi)容。采用全局平均池化來計算全局特征，這有助于模型更好地表征圖像的上下文信息，以增強每個像素的特征表達能力。在處理輸入圖像時，統(tǒng)一將圖像大小調(diào)整為256×256，并通過4個擴展的Inception層來高效提取特征。這些層的內(nèi)核數(shù)量分別為32、64、128和256，有助于模型捕捉不同尺度的特征信息。

在模型編碼部分，利用卷積層、批處理歸一化和ReLU激活函數(shù)構(gòu)建初始模塊。每一層都由具有不同擴張速率、步進速率和輸入-輸出特征圖的核組成，這樣的設計顯著增強了模型的表達能力。初始模塊的主要功能是降低圖像的空間分辨率并提取關鍵特征圖，為后續(xù)處理奠定堅實基礎。采用下采樣操作，降低特征圖的維數(shù)，同時將通道數(shù)增加兩倍，以提取更高級別的特征并減少計算量。在解碼部分進行上采樣操作，以提高空間分辨率，最終生成與輸入圖像大小相同的處理圖像。這種設計有助于模型恢復圖像的細節(jié)信息，提高檢測精度。為實現(xiàn)對病蟲害葉片圖像的準確檢測，將編碼部分和解碼部分的特征圖進行集成，有助于模型充分利用不同層次的特征信息，進一步提高分割的準確性，生成與分段類數(shù)量相等的特征映射，為后續(xù)的圖像分割提供有力支撐。

基于MSU-Net的病蟲害檢測方法采用TensorFlow深度學習框架，并利用GPU加速訓練。在訓練過程中，對圖像進行了一系列預處理操作，包括調(diào)整圖像大小、中心裁剪等，以優(yōu)化模型輸入。為優(yōu)化網(wǎng)絡參數(shù)，選擇了AdamW優(yōu)化器，并通過設置合適的beta參數(shù)、eps和權重衰減，使模型在訓練過程中更好地收斂。學習率的動態(tài)調(diào)整策略以及提前停止訓練的策略有助于避免模型過擬合，提高泛化能力。

為驗證本文方法的有效性，與基于U-Net[17]和CNN[18]的病蟲害檢測方法進行了對比實驗。實驗結(jié)果表明，本文所提出的作物病蟲害檢測方法在檢測準確率方面表現(xiàn)優(yōu)異，檢測準確率均高于其他兩種方法。這主要得益于MSU-Net能充分利用多尺度卷積特征有效捕捉不同大小的目標圖像特征?；赨-Net、CNN和MSU-Net的病蟲害圖像檢測結(jié)果如圖5所示。

3 結(jié) 語

及早發(fā)現(xiàn)病蟲害并采取防治措施是有效處理病蟲害的前提。傳統(tǒng)的病蟲害檢測方法需要農(nóng)業(yè)從業(yè)者定期巡視農(nóng)田，實地取樣，但此舉耗時耗力，難以滿足大規(guī)模農(nóng)作物病蟲害的檢測需求。AUAV遙感技術在數(shù)字農(nóng)業(yè)中的應用，極大地促進了農(nóng)業(yè)管理效率的提升。文中提出了一種基于AUAV智能視覺和MSU-Net的作物病蟲害檢測方法。該方法通過AUAV采集作物病蟲害葉片圖像，由MSU-Net提取病蟲害圖像的分類特征，實現(xiàn)了作物病蟲害的非接觸、高精度檢測與識別。實驗結(jié)果表明，該方法有效提高了AUAV視覺系統(tǒng)的病蟲害檢測能力，能夠滿足大田背景下病蟲害的高精度檢測要求。

參考文獻

[1]李疆，郝夢潔，任顯丞，等.機器學習在農(nóng)作物病蟲害識別上的應用綜述[J]. 河南農(nóng)業(yè)，2021，32（5）：49-50.

[2] BADRINARAYANAN V，KENDALL A，CIPOLLA R. Segnet：a deep convolutional encoder-decoder architecture for image segmentation [J]. IEEE transactions on pattern analysis and machine intelligence，2017，39：2481-2495.

[3] CHEN L C，PAPANDREOU G，KOKKINOS I，et al. DeepLab：semantic image segmentation with deep convolutional nets，dilated convolution，and fully connected CRFs [J]. IEEE transactions on pattern analysis and machine intelligence，2018，40（4）：834-848.

[4] CHITHAMBARATHANU M，JEYAKUMAR M. Survey on crop pest detection using deep learning and machine learning approaches [J]. Multimed tools appl.，2023：1-34.

[5] DINKLA A M，WOLTERINK J M，MASPERO M，et al. MR-only brain radiation therapy：dosimetric evaluation of synthetic cts generated by a dilated convolutional neural network [J]. International journal of radiation oncology，biology，physics，2018，102（4）：801-812.

[6] ER M J，ZHANG Y，WANG N，et al. Attention pooling-based convolutional neural network for sentence modeling [J]. Information Sciences，2016，373（12）：388-403.

[7] GALPHAT Y，PATANGE V R，TALREJA P，et al. Survey and analysis of pest detection in agricultural field [J]. Lecture notes on data engineering and communications technologies，2018，19（12）：976-983.

[8]龍佳寧，張昭，劉曉航，等.利用改進EfficientNetV2和無人機圖像檢測小麥倒伏類型[J]. 智慧農(nóng)業(yè)（中英文），2023，5（3）：62-74.

[9]封偉祎，朱俊科，彭文宇，等. 無人機多光譜遙感在農(nóng)作物生長監(jiān)測中的應用綜述[J]. 農(nóng)業(yè)與技術，2023，43（21）：42-46.

[10]張超，康秦. 無人機遙感監(jiān)測作物病蟲害研究進展[J]. 農(nóng)業(yè)與技術，2022，43（3）：47-49.

[11]楊國峰，何勇，馮旭萍，等. 無人機遙感檢測作物病蟲害檢測方法與最新研究進展[J]. 智慧農(nóng)業(yè)（中英文），2022，4（1）：1-16.

[12]劉易雪，宋育陽，崔萍，等.基于無人機遙感和深度學習的葡萄卷葉病感染程度診斷方法[J]. 智慧農(nóng)業(yè)（中英文），2023，5（3）：49-61.

[13] RAJ K M，BALAJI N，VAIRAVEL K S，et al. IoT based agricultural drones for pest control [C]// 1st International Conference on Computational Science and Technology（ICCST）. Chennai，India：[s.n.]，2022：134-137.

[14] NATHAN M G，MICHAEL J B. A special collection：drones to improve insect pest management [J]. Journal of economic entomology，2021，114（5）：1853-1856.

[15] FERNANDO H，WIEKE B，ZHAODAN K，et al. Drones：innovative technology for use in precision pest management [J]. Journal of economic entomology，2020，113（1）：1-25.

[16]趙小虎，李曉，葉圣，等. 基于改進U-Net網(wǎng)絡的多尺度番茄病蟲害分割算法[J]. 計算機工程與應用，2022，58（10）：

216-223.

[17]張瑞瑞，夏浪，陳立平，等. 基于U-Net網(wǎng)絡和無人機影像的松材線蟲病變色木識別[J]. 農(nóng)業(yè)工程學報，2020，36（12）：

61-68.

[18]蔣心璐，陳天恩，王聰，等.農(nóng)業(yè)害蟲檢測的深度學習算法綜述

[J]. 計算機工程與應用，2023，59（6）：30-44.

收稿日期：2024-02-07 修回日期：2024-03-15

基金項目：河南省科技廳科技攻關項目（242102210007）；河南省科技廳科技攻關項目（242102110377）

作者簡介：邵"彧（1977—），女，碩士，教授，研究方向為計算機科學技術及其應用。