基于機(jī)器學(xué)習(xí)的甘蔗種植區(qū)域精準(zhǔn)識(shí)別研究

摘要：文章探討了機(jī)器學(xué)習(xí)在甘蔗種植區(qū)域精準(zhǔn)識(shí)別中的應(yīng)用，旨在解決傳統(tǒng)人工識(shí)別方法耗時(shí)費(fèi)力、易受主觀因素影響的問(wèn)題。鑒于甘蔗種植面積分散、統(tǒng)計(jì)易重疊的現(xiàn)狀，文章提出利用無(wú)人機(jī)高光譜成像結(jié)合 Python 網(wǎng)絡(luò)爬蟲(chóng)技術(shù)的圖像采集方法，以獲取高精度、多樣化的圖像數(shù)據(jù)。通過(guò)采用 YOLO 算法進(jìn)行模型訓(xùn)練，實(shí)現(xiàn)了對(duì)甘蔗種植區(qū)域的快速識(shí)別和統(tǒng)計(jì)。實(shí)驗(yàn)結(jié)果表明，該方法能夠有效識(shí)別甘蔗種植區(qū)域，為甘蔗種植戶、農(nóng)業(yè)管理部門及科研機(jī)構(gòu)提供科學(xué)依據(jù)和技術(shù)支持，從而推動(dòng)農(nóng)業(yè)智能化的發(fā)展。

關(guān)鍵詞：機(jī)器學(xué)習(xí)；甘蔗；遙感影像；目標(biāo)檢測(cè)；圖像處理；智能農(nóng)業(yè)；無(wú)人機(jī)高光譜成像；YOLO算法

中圖分類號(hào)：TP319 文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1009-3044（2024）31-0001-04

開(kāi)放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（OSID） ：

0 引言

隨著農(nóng)業(yè)現(xiàn)代化的不斷推進(jìn)，人工智能的信息技術(shù)成為提升農(nóng)作物產(chǎn)量與質(zhì)量及優(yōu)化資源配置的重要途徑。甘蔗作為重要的經(jīng)濟(jì)作物之一，其種植區(qū)域的精準(zhǔn)識(shí)別尤為關(guān)鍵。然而，傳統(tǒng)的人工識(shí)別方法存在效率低、精度不高、易受主觀因素影響等問(wèn)題，難以滿足現(xiàn)代農(nóng)業(yè)大規(guī)模、高效化的管理需求。因此，本文采用機(jī)器學(xué)習(xí)技術(shù)構(gòu)建一種高效、可靠的甘蔗種植區(qū)域識(shí)別方法，以提高甘蔗生產(chǎn)的智能化水平，并推動(dòng)農(nóng)業(yè)產(chǎn)業(yè)向更加智能化、精細(xì)化方向發(fā)展[1]。

1 研究背景

本研究使用 YOLO 算法實(shí)現(xiàn)對(duì)甘蔗種植區(qū)域的識(shí)別和標(biāo)注。YOLO（You Only Look Once） 是一種快速、高效的目標(biāo)檢測(cè)算法，能夠通過(guò)單次前向傳播完成目標(biāo)檢測(cè)和分類。與傳統(tǒng)目標(biāo)檢測(cè)算法相比，YOLO 不需要對(duì)圖像進(jìn)行多次掃描，因此速度更快，更適合實(shí)時(shí)應(yīng)用場(chǎng)景[2]。YOLO 基于 Darknet 框架開(kāi)發(fā)，Darknet 為 YOLO 提供了底層支持和優(yōu)化，使得YOLO 能夠?qū)崿F(xiàn)快速且準(zhǔn)確的目標(biāo)檢測(cè)。這需要在實(shí)驗(yàn)平臺(tái)上安裝和配置 Darknet 環(huán)境。為了提高YOLO 算法的訓(xùn)練和推理速度，本研究使用 CUDA 和CUDNN 進(jìn)行 GPU 加速。CUDA 是 NVIDIA 推出的一種并行計(jì)算平臺(tái)，而 CUDNN 是專為深度學(xué)習(xí)設(shè)計(jì)的GPU 加速庫(kù)[3]。通過(guò) CUDA 和 CUDNN，可以充分利用 GPU 的計(jì)算能力，大幅提升 YOLO 算法的性能。

2 環(huán)境配置

實(shí)驗(yàn)環(huán)境所需的關(guān)鍵工具包括：Visual Studio、Git、CMake、vcpkg、OpenCV、Darknet、CUDA、CUDNN 等。Visual Studio 作為開(kāi)發(fā)環(huán)境，負(fù)責(zé)資源包的導(dǎo)入和重新編譯；Git 負(fù)責(zé)版本控制；CMake 管理項(xiàng)目依賴，確?？缙脚_(tái)構(gòu)建的一致性；vcpkg 負(fù)責(zé)自動(dòng)化構(gòu)建和包管理；OpenCV 提供豐富的圖像處理功能；Dark?net 用于實(shí)時(shí)目標(biāo)檢測(cè)；CUDA 加速深度學(xué)習(xí)的訓(xùn)練和推理過(guò)程；CUDNN 優(yōu)化深度學(xué)習(xí)操作，進(jìn)一步提升訓(xùn)練和推理效率。這些工具共同構(gòu)成了深度學(xué)習(xí)開(kāi)發(fā)環(huán)境的基礎(chǔ)，從代碼管理、構(gòu)建優(yōu)化到硬件加速和圖像處理，每個(gè)工具都發(fā)揮著不可替代的作用。需要注意的是，CUDA 和 CUDNN 的兼容性直接影響到深度學(xué)習(xí)框架的安裝和運(yùn)行效果，因此需要特別注意版本匹配問(wèn)題。安裝 CUDA 時(shí)，應(yīng)選擇不高于顯卡驅(qū)動(dòng)支持版本但與深度學(xué)習(xí)框架兼容的版本。安裝CUDNN 時(shí)，應(yīng)在 CUDNN 的下載頁(yè)面中查詢每個(gè)版本支持的 CUDA 版本，選擇匹配的版本下載。優(yōu)先選擇穩(wěn)定版本而非最新版本，可以保證系統(tǒng)具有更好的兼容性和穩(wěn)定性（詳見(jiàn)表 1） 。

3 模型訓(xùn)練與評(píng)估

3.1 數(shù)據(jù)集準(zhǔn)備

3.1.1 采集圖像

甘蔗田地圖像的采集是一個(gè)關(guān)鍵環(huán)節(jié)，它直接影響機(jī)器學(xué)習(xí)模型的訓(xùn)練效果和識(shí)別精度。為了實(shí)現(xiàn)高效、精準(zhǔn)的圖像采集，本實(shí)驗(yàn)結(jié)合了無(wú)人機(jī)高光譜成像技術(shù)與 Python 網(wǎng)絡(luò)爬蟲(chóng)技術(shù)，兩者共同構(gòu)成了圖像數(shù)據(jù)采集體系。無(wú)人機(jī)高光譜成像技術(shù)因其高效、靈活和非接觸式的特點(diǎn)，廣泛應(yīng)用于農(nóng)業(yè)遙感領(lǐng)域。本研究選用了具備高信噪比超高速 CCD 成像器件的無(wú)人機(jī)高光譜相機(jī)，該設(shè)備能以較高的光譜分辨率捕獲甘蔗田地的圖像數(shù)據(jù)。無(wú)人機(jī)能夠覆蓋大面積的甘蔗田地，不受地形限制，快速獲取多光譜和高光譜圖像。這些圖像包含豐富的光譜和空間信息[4]，能夠精準(zhǔn)反映甘蔗的生長(zhǎng)狀態(tài)、分布情況以及土壤、植被覆蓋等環(huán)境特征。由無(wú)人機(jī)采集的圖像數(shù)據(jù)可用于進(jìn)一步分析甘蔗的光譜反射率、植被指數(shù)等關(guān)鍵參數(shù)，為機(jī)器學(xué)習(xí)模型的訓(xùn)練提供豐富的數(shù)據(jù)支持[5]。

與此同時(shí)，Python 網(wǎng)絡(luò)爬蟲(chóng)技術(shù)也作為數(shù)據(jù)采集的重要工具。雖然無(wú)人機(jī)高光譜成像技術(shù)能直接獲取現(xiàn)場(chǎng)圖像數(shù)據(jù)，但結(jié)合網(wǎng)絡(luò)爬蟲(chóng)技術(shù)，可以進(jìn)一步拓寬數(shù)據(jù)來(lái)源，提高數(shù)據(jù)的多樣性和豐富度。Python 網(wǎng)絡(luò)爬蟲(chóng)能夠自動(dòng)化地從農(nóng)業(yè)相關(guān)網(wǎng)站、政府?dāng)?shù)據(jù)平臺(tái)、科研機(jī)構(gòu)等處抓取甘蔗種植區(qū)域的分布圖、歷史產(chǎn)量數(shù)據(jù)、土壤質(zhì)量報(bào)告等間接信息。這些信息雖然不直接反映甘蔗田地的實(shí)時(shí)圖像，但能為機(jī)器學(xué)習(xí)模型提供背景知識(shí)和上下文信息，有助于模型更全面地理解甘蔗種植區(qū)域的特征，提高識(shí)別的準(zhǔn)確性和魯棒性。無(wú)人機(jī)技術(shù)保證了數(shù)據(jù)的準(zhǔn)確性和實(shí)時(shí)性，而網(wǎng)絡(luò)爬蟲(chóng)技術(shù)則增強(qiáng)了數(shù)據(jù)的多樣性和全面性。

對(duì)采集到的甘蔗田地圖像進(jìn)行預(yù)處理是提高標(biāo)注效率和檢測(cè)精度的關(guān)鍵步驟，包括裁剪、縮放、去噪等操作。裁剪操作旨在去除圖像中不必要的背景信息，保留甘蔗田地的核心區(qū)域，從而簡(jiǎn)化后續(xù)處理流程，提高處理效率。裁剪可以通過(guò)圖像編輯軟件或?qū)I(yè)的圖像處理庫(kù)（如 OpenCV） 中的工具手動(dòng)完成，適用于圖像數(shù)量較少或邊界較清晰的情況。也可利用圖像識(shí)別技術(shù)來(lái)自動(dòng)識(shí)別甘蔗田地的邊界并進(jìn)行裁剪，這通常需要通過(guò)訓(xùn)練一個(gè)圖像分割模型來(lái)實(shí)現(xiàn)，該模型能夠識(shí)別出圖像中的甘蔗田地部分并將其與背景分離。自動(dòng)裁剪方法在處理大量圖像時(shí)更為高效。

縮放操作用于調(diào)整圖像的大小，以滿足后續(xù)處理或分析的要求。在機(jī)器學(xué)習(xí)模型的訓(xùn)練過(guò)程中，需要將圖像縮放到固定的尺寸，以保證輸入數(shù)據(jù)的一致性。等比例縮放和非等比例縮放是常見(jiàn)的縮放方法，通常通過(guò)圖像處理軟件或庫(kù)中的縮放函數(shù)實(shí)現(xiàn)。

去噪操作旨在去除圖像中的噪聲，提高圖像的清晰度和質(zhì)量。噪聲可能來(lái)源于圖像采集過(guò)程中的各種干擾因素。通過(guò)對(duì)采集到的甘蔗田地圖像進(jìn)行裁剪、縮放和去噪等預(yù)處理，可以顯著提高圖像的標(biāo)注效率和檢測(cè)精度。這些預(yù)處理操作不僅有助于去除圖像中的冗余信息和噪聲干擾，還能使圖像更符合后續(xù)處理（如圖 1 所示）。

3.1.2 圖形的標(biāo)注

本研究采用 Yolo_mark 作為甘蔗田地圖像的標(biāo)注工具。Yolo_mark 是一個(gè)專為 YOLO 系列目標(biāo)檢測(cè)算法設(shè)計(jì)的圖像標(biāo)注工具，它允許用戶通過(guò)簡(jiǎn)單的圖形界面快速標(biāo)注圖像中的目標(biāo)物體，并生成 YOLO 訓(xùn)練所需的標(biāo)簽文件。這些標(biāo)簽文件包含了目標(biāo)物體的類別、位置以及歸一化后的坐標(biāo)信息。Yolo_mark 依賴于 OpenCV 庫(kù)，可以在 Windows 和 Linux 系統(tǒng)上運(yùn)行，但安裝過(guò)程可能因系統(tǒng)而異。這里采用 Win?dows 系統(tǒng)進(jìn)行安裝和部署。首先，訪問(wèn) Yolo_mark 的GitHub 頁(yè)面，并獲取 Yolo_mark 資源文件。其次，使用 Visual Studio 打開(kāi) Yolo_mark 的解決方案文件，重定目標(biāo)解決方案。再次，編譯項(xiàng)目并最終生成Yolo_mark 的可執(zhí)行文件。最后，將需要標(biāo)注的甘蔗田地的圖片放入 Yolo_mark 指定的文件夾中，在Yolo_mark 中配置需要標(biāo)注的物體類別，并設(shè)置相應(yīng)的參數(shù)。利用 Yolo_mark 的可執(zhí)行文件進(jìn)行標(biāo)注工作。標(biāo)注完成后，Yolo_mark 生成包含標(biāo)注信息的 txt 文件和 train.txt 文件，這些文件可用于 YOLO 模型的訓(xùn)練。

3.2 模型訓(xùn)練

獲得 Yolo_mark 生成的包含標(biāo)注信息的 txt 文件和 train.txt 文件后，采用 YOLO 算法對(duì)甘蔗田地圖像進(jìn)行訓(xùn)練以生成權(quán)重文件。對(duì)甘蔗田地圖像的訓(xùn)練需要借助 CUDA、CUDNN、OpenCV 等庫(kù)，并配置好深度學(xué)習(xí)框架。這里采用 Darknet 框架作為本次的深度學(xué)習(xí)框架。在訓(xùn)練和評(píng)估機(jī)器學(xué)習(xí)模型時(shí)，要合理劃分訓(xùn)練集、驗(yàn)證集和測(cè)試集。訓(xùn)練集包含模型需要學(xué)習(xí)的所有特征和模式。通過(guò)在訓(xùn)練集上的迭代訓(xùn)練，模型可以逐漸優(yōu)化其權(quán)重和參數(shù)，以更好地?cái)M合數(shù)據(jù)。驗(yàn)證集用于評(píng)估模型的性能，以發(fā)現(xiàn)模型是否過(guò)擬合或欠擬合。通過(guò)性能反饋，來(lái)調(diào)整模型的參數(shù)和結(jié)構(gòu)，從而提高模型的泛化能力。測(cè)試集用于最終評(píng)估模型的性能，確保模型在實(shí)際應(yīng)用中具有良好的泛化能力。訓(xùn)練集通常占總數(shù)據(jù)集的 60%～80%，本次實(shí)驗(yàn)取 70%。驗(yàn)證集通常占總數(shù)據(jù)集的 10%～20%，本次實(shí)驗(yàn)取15%。測(cè)試集通常占總數(shù)據(jù)集的 10%～20%，本次實(shí)驗(yàn)取 15%。通過(guò)修改obj.names、obj.data、yolov3.cfg等配置文件以適應(yīng)數(shù)據(jù)集的訓(xùn)練需求。將甘蔗田地圖片數(shù)據(jù)和對(duì)應(yīng)的標(biāo)注信息組織到相應(yīng)的文件夾中，并確保 train.txt 文件包含了所有用于訓(xùn)練的圖片的路徑，最后通過(guò)腳本調(diào)用 Darknet 的可執(zhí)行文件進(jìn)行訓(xùn)練。由于數(shù)據(jù)集大小和硬件配置不同，訓(xùn)練過(guò)程可能需要數(shù)小時(shí)到數(shù)天不等。在訓(xùn)練過(guò)程中，Darknet 會(huì)定期保存模型的權(quán)重文件，以便隨時(shí)中斷訓(xùn)練并恢復(fù)（如圖 2 所示）。

3.3 模型評(píng)估

訓(xùn)練完成后，理論上可以使用此模型來(lái)識(shí)別甘蔗田地。但在真實(shí)應(yīng)用之前，通常需要進(jìn)行適當(dāng)?shù)臏y(cè)試和調(diào)優(yōu)。因此，首先使用測(cè)試集來(lái)驗(yàn)證模型的性能。將待檢測(cè)的圖片放置在指定文件夾中，在模型配置文件內(nèi)定義網(wǎng)絡(luò)的結(jié)構(gòu)和參數(shù)，并確保權(quán)重文件路徑配置正確。然后，通過(guò) Darknet 的命令行工具來(lái)加載模型。在此過(guò)程中，需要設(shè)定一個(gè)置信度閾值，用于決定哪些預(yù)測(cè)目標(biāo)應(yīng)被視為“可信”或“有效”的檢測(cè)結(jié)果。

在目標(biāo)檢測(cè)任務(wù)中，模型會(huì)分析輸入圖片，并預(yù)測(cè)出可能存在的目標(biāo)的位置（通常通過(guò)邊界框給出）、類別及其預(yù)測(cè)可信度（即置信度）。置信度是一個(gè)介于 0 和 1 之間的數(shù)值，表示模型對(duì)其預(yù)測(cè)結(jié)果的自信程度。設(shè)定置信度閾值意味著指定一個(gè)數(shù)值，只有當(dāng)模型對(duì)某個(gè)目標(biāo)的預(yù)測(cè)置信度高于或等于此閾值時(shí)，該目標(biāo)才會(huì)被視為有效監(jiān)測(cè)結(jié)果，并在最終輸出中包括。如果預(yù)測(cè)置信度低于閾值，則該目標(biāo)通常會(huì)被忽略，因?yàn)槠浔徽J(rèn)為不夠可靠。此次選擇 0.5 作為置信度閾值，因?yàn)樵谠S多情況下，它被證明是一個(gè)合理的起點(diǎn)，能夠在精確率和召回率之間提供相對(duì)平衡的折中。

在命令行中，通過(guò) -i 參數(shù)或直接在命令末尾添加圖片路徑來(lái)指定待檢測(cè)的圖片。加載模型并輸入圖片后，Darknet 會(huì)自動(dòng)進(jìn)行前向傳播，利用權(quán)重文件中的參數(shù)對(duì)圖片進(jìn)行目標(biāo)檢測(cè)。在檢測(cè)過(guò)程中，模型會(huì)輸出每個(gè)檢測(cè)到的目標(biāo)的類別、邊界框等信息。Darknet 會(huì)將檢測(cè)結(jié)果以文本形式輸出至命令行中，同時(shí)可能在指定目錄生成包含檢測(cè)結(jié)果的可視化圖片。在這些可視化圖片中，檢測(cè)到的目標(biāo)將以邊界框標(biāo)注出來(lái)（如圖 3 所示）。

為了量化目標(biāo)檢測(cè)的準(zhǔn)確度，將甘蔗田地圖片劃分為測(cè)試集和驗(yàn)證集。然后對(duì)測(cè)試集中的每張圖片進(jìn)行目標(biāo)檢測(cè)，將檢測(cè)結(jié)果與真實(shí)標(biāo)注進(jìn)行對(duì)比[6]。通過(guò)計(jì)算精確度（Precision） 、召回率（Recall） 、平均精確度均值（mAP） 等指標(biāo)評(píng)估甘蔗田地識(shí)別的準(zhǔn)確度。

精確度（Precision） 是指在所有被模型預(yù)測(cè)為正類的樣本中，真正是正類的樣本所占的比例[7]。計(jì)算公式如下：

Precision = TP/TP + FP （1）

式中：TP 為真陽(yáng)性的樣本數(shù)，F(xiàn)P 為假陽(yáng)性的樣本數(shù)。

召回率是指在所有真正的正類樣本中，被模型正確預(yù)測(cè)為正類的樣本所占的比例[8]。計(jì)算公式如下：

Recall = TP/TP + FN （2）

式中：FN 為假陰性的樣本數(shù)。

平均精確度均值（mAP） 用于評(píng)估模型在所有類別上的整體性能。它是所有類別的平均精確度值的均值。平均精確度值可以通過(guò)插值法近似得到不同召回率下的精確度的平均值。所有類別的平均精確度值的均值即為平均精確度均值。

在本研究中，模型的精確率為 0.712 1，召回率為0.784 3，mAP 為 0.693 2。這些指標(biāo)表明模型具有較好的識(shí)別能力，能夠較準(zhǔn)確地檢測(cè)并識(shí)別甘蔗田地圖像中的目標(biāo)（如表 2 所示）。

4 結(jié)束語(yǔ)

機(jī)器學(xué)習(xí)技術(shù)在現(xiàn)代農(nóng)業(yè)管理中具有巨大的應(yīng)用潛力和價(jià)值。本文綜合運(yùn)用深度學(xué)習(xí)算法和遙感影像處理技術(shù)，實(shí)現(xiàn)了對(duì)甘蔗種植區(qū)域的高效、精準(zhǔn)識(shí)別。這不僅為甘蔗產(chǎn)業(yè)的精準(zhǔn)化、智能化管理提供了技術(shù)支持，也為其他農(nóng)作物的種植區(qū)域監(jiān)測(cè)提供了參考。隨著算法的不斷優(yōu)化和數(shù)據(jù)資源的日益豐富，基于機(jī)器學(xué)習(xí)的農(nóng)業(yè)監(jiān)測(cè)技術(shù)將在提升作物產(chǎn)量、優(yōu)化資源配置、保護(hù)生態(tài)環(huán)境等方面發(fā)揮更加重要的作用。

甘蔗種植區(qū)域的識(shí)別只是本研究的第一步。未來(lái)的研究將進(jìn)一步探討基于語(yǔ)義分割的甘蔗種植區(qū)域精確分割和面積統(tǒng)計(jì)方法，以提高識(shí)別精度和應(yīng)用的廣泛性。這將為農(nóng)業(yè)管理提供更為詳盡的數(shù)據(jù)支持，推動(dòng)農(nóng)業(yè)生產(chǎn)的智能化進(jìn)程。

參考文獻(xiàn)：

[1] 高成，王鵬，張亞玲.基于物聯(lián)網(wǎng)技術(shù)環(huán)境監(jiān)測(cè)系統(tǒng)的設(shè)計(jì)及其在農(nóng)業(yè)上的應(yīng)用[J].貴州農(nóng)業(yè)科學(xué)，2017，45（4）：120-123.

[2] 汪恭志.無(wú)人艇水面障礙物檢測(cè)及避障系統(tǒng)研究[D].鎮(zhèn)江：江蘇科技大學(xué)，2023.

[3] 茍攀.基于深度學(xué)習(xí)的防控指揮系統(tǒng)的實(shí)現(xiàn)[D].成都：電子科技大學(xué)，2019.

[4] 石亞鵬.基于空譜聯(lián)合的高光譜圖像分類方法研究[D].南昌：華東交通大學(xué)，2021.

[5] 胡智勇，于千城，王之賜，等.基于多目標(biāo)優(yōu)化的聯(lián)邦學(xué)習(xí)進(jìn)化算法[J].計(jì)算機(jī)應(yīng)用研究，2024，41（2）：415-420，437.

[6] 胡世洋，劉威.機(jī)器學(xué)習(xí)在農(nóng)產(chǎn)品價(jià)格預(yù)測(cè)方面的研究與應(yīng)用[J].電腦知識(shí)與技術(shù)，2023，19（33）：14-17.

[7] 張紫鵬，王偉.基于混合回歸算法的電子鼻無(wú)創(chuàng)血糖檢測(cè)技術(shù)研究[J].國(guó)外電子測(cè)量技術(shù)，2023，42（10）：126-132.

[8] 雷榮智.基于深度學(xué)習(xí)的無(wú)人機(jī)遙感影像農(nóng)村地物分類研究[D].蘭州：蘭州交通大學(xué)，2022.

【通聯(lián)編輯：唐一東】

基金項(xiàng)目：廣西壯族自治區(qū)教育廳廣西高校中青年教師科研基礎(chǔ)能力提升項(xiàng)目資助（No.2023KY0736）