深度學習技術在農業病蟲害管理中的調研啟示

南亞平，徐運紅

（河北工程大學，河北 邯鄲 056000）

隨著世界人口的增加，提高農作物的質量和產量變得十分迫切。隨著以信息技術為基礎的現代工具被廣泛運用，加快了實現這一目標的進程。然而，相關成績的取得是以增加作物病蟲害的數量和類型為代價。在早期發現植物葉片病變可使農民采用適當的處理方法，精確地調整和把控農作物質量和數量，對農業的智能管理具有重要意義[1]。

現階段，世界上大部分地區葉片病變需要通過人工實地調查來檢測，既耗時費力又容易出錯。此外，人工實地勘察要求在第一時間指出受感染的病變類型，專業性極高。隨著人工智能技術的迅速發展，可以在病變早期進行診斷，使農民能較早發現和識別出病蟲害類型和階段，從而及時采取預防措施，降低調查人員農業勘察的工作難度，提高農業勘察的效率和準確率[2]。

1 深度學習技術在植物疾病診斷中的應用

隨著現代農業的發展，迫切需要一個詳細的調查技術用于鑒別在各種植物中發現的病蟲害，從而更早、更快、更準地對農作物病蟲害進行科學預判和干預，從而判斷病蟲害災情，采取科學、智能的管理方式，降低植物病蟲害的發生概率和導致的風險。

在自動化技術中，基于植物葉片圖像的智能處理方法是解決植物疾病診斷的最佳方法。在各種圖像處理的基礎上，使用基于端到端深度學習的模型成功地解決了常規的圖像分類問題，取得了巨大的成功[3]。近年來，深度學習技術在農業中得到了廣泛應用，包括識別雜草、分類土地覆被、識別植物類型、計數果實以及檢測植物葉片病變等諸多問題[4]。

隨著GPU 的廣泛使用，各種圖像處理應用中使用深度學習技術的比例也極大增加，使得利用深度學習技術智能診斷植物葉片的病蟲害類型成為了可能，對智慧農業中的智能農業管理具有重要意義。但是，其重點是使用不同的網絡架構，很少關注不同植物的病變。因此基于深度學習的葉片植物病變分類技術的詳細綜述存在研究空白。

在近期提出的針對各種植物病變的研究中，深入調研基于深度學習技術的可用性及其對農業管理的啟示是文章的研究動機。早期的一些工作主要利用圖像處理技術來識別植物葉片病變。國外對植物果實和葉片病變進行了另一項調查，主要包括利用傳統的特征提取和分類模型。

文章重點介紹了不同的卷積神經網絡（CNN）模型，對基于深度學習的方法進行了全面回顧。文章闡述了針對各種蔬菜、水果和雜類植物葉片病變的深度學習技術，概括了近年來提出的用于檢測田間感染葉片病蟲害程度的深度學習方法，分別從植物類型、數據采集及預處理、方法設計（訓練與測試）、評估指標和性能等方面，對不同類型的卷積神經網絡方法及其對農業管理的啟示進行了分析。

2 方法設計和試驗驗證

2.1 數據集及預處理

Plant Village 是使用計算機視覺識別植物葉片病變領域中使用最廣泛的數據集[5]。該數據集由美國賓夕法尼亞州立大學采集，其收集病蟲害和健康作物中收集成千上萬的圖像，包含來自24 種不同植物的葉圖像，分為55 類。大多數研究者使用Plant Village 數據集作為圖像源訓練、測試和驗證數據。然而，這些圖像是在不同的光照和背景條件下拍攝的，給研究人員帶來了更大的挑戰。

使用深度學習技術意味著需要大量數據來訓練模型。通常而言，擁有成千上萬的訓練圖像很容易達到高精度。與植物病變識別相關的其他問題相比，收集大量的真實野外數據是一個很大的困難。因此，要使用一些適當的預處理方法豐富圖像數據。調研國內外主要農作物病蟲害公開數據集，包括數據集規模、來源、用途以及農作物的類型和主要病蟲害的種類等，例如農作物種類有大豆、咖啡、大米、豆類、小麥、玉米和其他水果品種等，病蟲害類型有赤霉病、白粉病等。此外，調研農作物數據集圖像預處理方法。該操作對原始數據集進行了大量的平移、縮放、倒置等擴充方法，從而擴充訓練數據集[6]。

通過觀察主要的經濟作物，確定其病蟲害癥狀下存在的圖像特征。構建農作物病蟲害的智能診斷模型，從而達到智能診斷農作物的目的，判斷農作物是否生病以及生病的類型。

2.2 方法設計

文章采用了一種由預先訓練和從零開始訓練的CNN 模型組成的方法，識別蘋果葉片病變的4 種嚴重程度。為了節省計算量，通過大規模常規圖像數據集Image Net 進行預訓練，然后將模型遷移到蘋果葉病蟲害識別中，具體而言，將VGG16、VGG19、inception -v3和ResNet50 進行微調。將不同的病蟲害類型直接當成不同的圖像類別，采用分類任務中常用的交叉熵損失函數來進行訓練。初始學習率為0.01，優化算法采用隨機梯度下降法[7]，其識別準確率如表1 所示。

今年，青海油田計劃生產66億立方米天然氣，比上年預計增產1.99億立方米。東坪、尖北氣田屬于基巖氣藏，埋藏深、鉆井周期長、產建速度慢、開發難度大。為了彌補今冬明春天然氣資源保供區的缺口，青海油田追加了采氣三廠產氣量，產能建設計劃由1.85億立方米增加至2.35億立方米，并一改以往產能建設冬休的機制，采取不停工連續生產模式，推進天然氣產能建設提速提效，厚實天然氣資源根基。

表1 不同網絡準確率 單位：%

結果表明，傳統機器學習的分類方法僅能取得70%左右的準確率，而試驗所驗證的深度學習方法普遍可以取得80%以上的病蟲害識別準確率，大幅領先于傳統的機器學習分類方法。此外，對比深度學習的不同神經網絡，VGG16 的準確率略高于90%，是所有模型中準確率最高的，為將來農作物病蟲害智能識別模型的設計提供了思路，更加準確地識別病蟲害性能意味著更加有利于農業管理人員制訂相應的防治措施，從而減少損失。然而，在相同的訓練和測試機制下，從頭訓練的8 層CNN 準確率只有80%。

2.3 試驗結果討論

深度學習技術是圖像處理領域的熱門話題。通過利用人工智能技術建立智能診斷模型，檢測農作物病蟲害為農業智能管理提供輔助決策，從而探索病蟲害提前干預的措施和方法。利用智能化的管理手段，減少病蟲害的發生概率。

近年來，由于深度學習技術在基于圖像處理的應用領域具有許多優勢，在農業上的應用大大增加。盡管最近有幾十種基于深度學習方法識別植物葉片病變，但仍存在一些挑戰，比如使用真實世界數據、自動背景消除以及使用手持設備來訓練和測試包含數百萬個參數的復雜卷積神經網絡。大量已發表的研究對Google Net、VGG Net 或Alex Net 等預先訓練過的網絡的訓練數據進行了微調。

研究發現，與從頭訓練網絡的情況相比，基于遷移學習的方法產生了更好的識別精度。這些技術的一些明顯優勢如下。

1）該方法允許設計基于端到端特性學習的解決方案，從而簡化所提出的方法架構。最近在這一領域提出的深度網絡對幾乎所有類型的植物都有很高的識別精度（一般在90%以上），大幅優于傳統的機器學習分類方法。

2）一些研究人員已經將高光譜、熱成像和多光譜成像用于識別植物葉片病蟲害。目前，高光譜成像在檢測應激類型、健康狀況、蟲害、螨蟲和雜草等方面顯示出了很有前景的結果，但需要借助傳統的機器學習模型。卷積神經網絡為所有基于圖像處理的應用提供了一個新方向，這些網絡可以用于未來的高光譜作物圖像，特別是檢測早期的病蟲害。

3）合理利用新型計算機新型圖片數據處理技術，充分運用病蟲害數據集。Plant Village 是目前使用計算機視覺識別植物葉片病變領域中使用最廣泛的數據集，除此之外還有其他許多公開的數據集，涉及的植物種類包括大豆、咖啡、大米、豆類、小麥、玉米和其他水果，病蟲害類型有赤霉病、白粉病等。隨著工作的推進，數據集的內容也會逐漸擴大，包含的植物種類和病蟲害類型也會更加全面。

3 病蟲害的監測、干預和治理啟示

可以從以下幾個方向監測干預和管理病蟲害。

1）利用新型計算機技術，充分運用數據集。運用先進的計算機圖片處理技術，提高病蟲害甄辨的速度。基于CNN 模型的可用性使開發工作快速和容易，只需修改、再訓練最后幾層，就可以根據目標應用對給定的網絡進行優化，從而節省訓練整個神經網絡模型的時間，在實際應用中可大幅縮減訓練學習時間，為提高農業管理效率提供了技術支撐。

2）提高監測圖片的樣本容量，國際公開的病蟲害數據庫是很好的內容借鑒，但可能會存在地域差異，造成病蟲害階段性診斷和分析的差異。當樣本實踐的內容和樣本本身的容量對比越大時，差異度就更加明顯，監測更加準確。但是擴大樣本數據需要根據自身的需求運用符合國情的病蟲害數據庫，因此有必要構建和完善我國病蟲害的數據庫。只有不斷完善數據庫內容，病蟲害數據分析才會更加準確，監管措施才會更加地完善。

3）需要完善調研農作物數據集圖像預處理方法。有了大量的數據庫后，需要對數據具體分析、提取特征。只有采用合理的方法，才能更快、更準確地提取植物病蟲害的特征。可能涉及對原始數據集進行大量的平移、縮放、倒置等擴充方法，因此擴充訓練數據集十分必要。

4）運用多種圖片檢測方法，提高病蟲害的診斷準確率。同一植物、不同病蟲害類型的生命周期不同，如何將智能識別的病蟲害結果用于優化智能化的農業管理，是亟待解決的問題。因此需要能檢測和分類病蟲害的所有階段、嚴重程度的深度學習模型，以便能在早期發現和治愈病變。利用實操圖片分析數據，對病蟲害的確切時期進行診斷分類，提出針對早、中、晚期不同的診治方法。充分考慮植物病蟲害的特征和影響、當地的經濟水平和環境特征，再結合生物防治、化學防治、機械防治等防治措施對病蟲害進行干預，從而選擇最優防治方案。

4 結論與研究展望

4.1 深度學習技術面臨的挑戰

通過大量的文獻調研和試驗驗證發現，應用深度學習技術進行植物病蟲害識別所面臨的一些挑戰如下。

1）缺乏大型數據集一直是深度學習方法在植物葉片脅迫識別領域應用的一大障礙。雖然已經公開了包含數千張圖片的大型數據集Plant Village 供研究者使用，但是包含真實應用場景、面向不同農作物品種不同病蟲害類型的數據集仍然較為缺乏。

2）大多數作者使用了來自公開數據集剪切之后的圖像，而來自真實場景的原始圖像數據則不可避免地會存在很多噪聲。一些研究者使用了來自雜亂背景的圖像集，但收集的小數據集也需要經過必要的預處理。因此提出了基于深度學習方法，利用實驗室的圖像模擬不同光照環境的植物葉片圖像，評估不同角度和距離的變化，識別病蟲害精度的影響。使用該方法必須對自采集的野外圖像進行預處理，以提高圖像的編碼精度。

3）如何將農作物病蟲害智能識別的準確率與農業管理的技術政策相結合是亟待研究的關鍵問題。同時，在領域專家的幫助下標注收集的數據是具有計算機科學背景的深度學習研究人員面臨的另一個問題。

4）植物病害的早期發現是該領域研究的重要方面。在早期階段發現被感染的植物，使農民能以較低的成本采取糾正措施。相比較而言，采用超廣譜的影像識別已被用于這一場景，但使用熱傳感器和光反射器傳感器在地面捕獲的區域非常大，使得疾病或感染區域的精確檢測也成為一個難題。

4.2 深度學習技術的研究熱點

根據本調查所查閱的研究論文以及試驗分析，列出該領域新研究者的一些未來發展方向，也是未來利用深度學習技術在農業病蟲害管理上的可能研究熱點。

1）一片葉子在同一時間可以受到多種病蟲害的影響。如果寄主已經缺乏營養或已經存在其他非生物病變，寄主會變得更加脆弱。這種多重病蟲害的共存現象在現實中很常見，但現在的研究還沒有給予過多關注，現有的文獻很少討論這個問題。因此，可以作為未來的研究方向。

2）深度學習網絡的性能因作物的不同而具有差異，也會因為病蟲害類型的改變而產生變化。如果能搜索一組作物分析其性能，并提供大識別精度的統一深度網絡是未來的研究方向。

3）隨著深度學習模型的不斷改進，研究人員需尋找最優參數。不同的傳統優化算法在高維數據上表現不佳。已經訓練好的網絡和使用集成學習技術來獲得最優參數相關問題也是未來的研究方向。

4）充分結合具體的防治措施，對病蟲害診斷進行干預。利用圖片對病蟲害進行分析診斷后，結合復雜的社會環境、當地的經濟消費水平以及生物多樣性等問題，再充分利用化學防治、生物防治和物理防治的各自特點進行病蟲害診斷工作。