基于卷積神經網絡的農作物病蟲害檢測綜述

摘 "要：農作物在生長過程中，作物的莖、葉和果實每時每刻都可能遭受病蟲害的侵襲，因此實時檢測作物病蟲害情況并采取相應措施，有助于保證農業糧食生產的穩定，對于智慧農業發展有著重要意義。在近幾年里，卷積神經網絡（CNN）技術憑借其自動提取特征的客觀性與高效性成為農作物檢測領域的熱點。該文首先介紹典型卷積神經網絡的結構，從卷積神經網絡在作物病蟲害分類與病蟲害目標檢測2個方面的應用回顧該領域的發展現狀，最后提出未來發展方向。

關鍵詞：農作物；病蟲害檢測；智慧農業；卷積神經網絡；目標檢測

中圖分類號：TP391 " " "文獻標志碼：A " " " " "文章編號：2096-9902（2023）06-0006-04

Abstract： In the process of crop growth， the stems， leaves and fruits of crops may be attacked by diseases and insect pests all the time， so real-time detection of crop diseases and insect pests and taking corresponding measures will help to ensure the stability of agricultural food production. It is of great significance for the development of smart agriculture. In recent years， convolution neural network（CNN） technology has become a hot spot in the field of crop detection because of its objectivity and efficiency of automatic feature extraction. This paper first introduces the structure of typical convolution neural network， reviews the development status of this field from the application of convolution neural network in crop pest classification and pest object detection， and finally puts forward the future development direction.

Keywords： crop; pest detection; smart agriculture; Convolution Neural Network; object detection

黨的二十大報告提出：“全方位夯實糧食安全根基，全面落實糧食安全黨政同責，牢牢守住十八億畝耕地紅線，逐步把永久基本農田全部建成高標準農田，深入實施種業振興行動，強化農業科技和裝備支撐，健全種糧農民收益保障機制和主產區利益補償機制，確保中國人的飯碗牢牢端在自己手中。[1]”在農業生產中對作物病蟲害狀況的實時檢測，對保證糧食安全有著重要影響。通過實時檢測得到作物的病蟲害情況，并及時利用反饋的信息制定相應的管理方案，可以保障農作物的正常生長[2]。但傳統的農作物病蟲害識別技術過于依賴人工提取特征，病蟲害檢測效率低，而隨著卷積神經網絡在圖像特征提取上的不俗表現，眾多研究人員開始將卷積神經網絡運用于農作物病蟲害檢測領域，并取得了不錯的成果。

1 "卷積神經網絡在作物病蟲害檢測方面的應用

運用卷積神經網絡實現對農作物病蟲害的檢測成為農業植保領域的研究熱點。卷積神經網絡在植物病蟲害檢測應用方面可以避免人工選擇病斑特征帶來的弊端，使植物病蟲害特征的提取更加客觀，提高研究效率與技術轉化速度。

1.1 "基于卷積神經網絡的病蟲害分類算法

卷積神經網絡（CNN）是眾多研究領域中的重要大數據分析深度學習方法，典型的深度卷積神經網絡結構在病蟲害檢測領域的應用如圖1所示，最左側是輸入層；之后是卷積層，其激活函數使用ReLU；之后的池化層不具有激活功能；最后是全連接層，將學習到的特征映射到樣本標簽空間，得到分類結果，如蘋果赤霉病、蘋果黑腐病和玉米銹病等病癥[3]。

CNN中包含著一系列的網絡結構，用于分類或回歸任務的CNN架構示例包括LeNet[4]、AlexNet[5]、VGGNet[6]、GoogLeNet[7]和ResNet[8]，典型的CNN架構見表1。不少國內外研究者利用這些網絡模型實現對農作物的病蟲害分類檢測。例如Ma 等[9]提出了一種基于LeNet的DCNN模型，該方法對4種黃瓜病害（即霜霉病、炭疽病、白粉病和葉斑病）進行癥狀檢測，檢測準確率達到93.4%，相較于傳統分類器SVM提高了12%。Nasiri等[10]提出了一種基于VGG-16網絡的CNN棗果分類模型，該模型對于Khalal、Rutab、Tamar及缺陷棗這4種棗的分類準確度可以達到98.49%，能較好的將缺陷棗與健康棗進行準確分類。Mohanty等[11]訓練了一個基于GoogLeNet的卷積神經網絡模型來檢測14種作物和26種作物疾病。經過訓練的模型在測試集上達到了99.35%的準確率，但該模型對于不同條件下的同一個圖像分類準確率會大大降低，還需要設置更多訓練數據來提高準確率。

雖然理想狀態下增加神經網絡卷積層數與池化層數可以提高神經網絡特征提取能力，但隨著卷積層與池化層層數的增加，往往會伴隨著模型梯度消失、梯度爆炸及模型退化等問題。He等[8]提出了殘差網絡（ResNet）。殘差網絡（ResNet）結合了局部殘差連接，有效緩解了算法梯度退化與梯度爆炸問題，提高了學習速度，并將網絡變得更深，以提取更多高級特征，使得ResNet具有更高的預測能力。殘差網絡目前已被國內外學者廣泛地應用于農作物病蟲害的識別檢測研究中。計雪偉等[12]提出了一種基于殘差神經網絡改進的卷積神經網絡對農作物病蟲害進行識別，該方法的識別準確率達到了98.6%，高于VGG-16的95%與Xception的93%，具有較高的準確率和識別速度。但用于訓練數據較少，還需要更多數據對模型進行訓練，實際應用效果還需進一步研究。Ai等[3]提出一種基于Inception-ResNet-v2模型的植物病蟲害檢測方法，該方法在Inception-ResNet-v2網絡的迭代網絡中加入殘差單元，有效解決了梯度消失和梯度爆炸的問題，并使模型收斂速度加快，提高了訓練效率和小范圍推廣能力。該模型總體識別準確率達到86.1%，識別率高于傳統模型，可以有效對植物病蟲害進行識別檢測。但該研究中病蟲害實驗集數量較少，在實際場景中的應用還有待發展。Tian等[13]提出了一種基于殘差神經網絡（ResNet）的蜜柚病蟲害識別算法，該算法可準確檢測出蜜柚潰瘍病葉、炭疽病葉、黑斑病葉和黃龍病葉等病癥。并且該模型的識別準確率達到了95.83%，高于傳統CNN模型的89.27%，也高于SVM模型的87.65%。

1.2 "基于卷積神經網絡的病蟲害目標檢測算法

1.2.1 "二階段目標檢測算法

基于CNN，設計人員設計了眾多目標檢測的算法模型，其中R-CNN、Fast R-CNN等的二階段目標檢測算法會在第一階段尋找到目標出現的位置，得到建議框，保證較高的準確率，在第二階段將建議框進行分類，尋找更加精確的目標位置。二階段目標檢測算法的精度通常較高。這些模型在農作物病蟲害檢測領域得到了廣泛地應用，且表現出高水平的性能。Dai等[14]基于R-CNN算法提出了一種級聯R-CNN柑橘木虱檢測模型，該模型利用在HRNet中增輕量關注機制CBAM，使網絡更多地關注柑橘木木類特征，增加了ASPP結構，從不同尺度提取高分辨率特征，并利用FPN結構將不同尺度的特征進行整合，達到更好檢測小目標的目的。結果表明，該模型的平均精度（mAP）達到了90.21%，大大優于其他模型對于小目標的檢測效果。但在復雜背景下，該模型的檢測精度就會大大降低。Li等[15]基于Fast R-CNN提出了一種水稻病蟲害檢測算法，該算法對于水稻紋枯病、水稻褐斑病和水稻螟蟲癥狀3類病蟲害有著良好的檢測效果，檢測準確率達到了90.9%。

1.2.2 "一階段目標檢測算法

盡管二階段目標檢測算法已在眾多學者的文獻中報道了非常好的結果，但其處理速度較慢。為了提高實時性，Redmon等[16]在2015年基于CNN提出了YOLO（You Look Only Once）算法。YOLO算法具有快速識別檢測的優點，在Titan X GPU上的檢測速度能達到45幀/s，可滿足實時要求。YOLO算法屬于一階段目標算法，這類算法不需要得到建議框階段，直接生成物體的類別概率與位置坐標，通過一次檢測就可以得到最終的檢測結果，因此速度往往比二階段目標檢測算法更快。近年來，已有許多研究人員致力于YOLO算法及其衍生算法在農作物病蟲害識別檢測方面的應用。但使用圖像較為簡單且數量較少，并沒有在實際場景中使用模型進行分類診斷，有待進一步擴展。Dawei等[17]基于YOLO模型提出了一種用于檢測黃麻病蟲害的YOLO-JD方法，該方法在定性和定量方面均要優于YOLO家族的其他方法，可以在多種病蟲害類別中準確檢測到黃麻病，平均mAP達到96.63，F1分數達到95.83%，具有良好的檢測準確性。Liu等[18]提出了一種改進YOLO v3方法，實現對于番茄病蟲害位置和種類地快速準確檢測。該方法利用圖像金字塔對YOLO v3特征層進行優化，實現多尺度特征檢測，提高模型的檢測精度和速度。該算法的檢測準確率可以達到92.39%，檢測時間僅為20.39 ms，相較于R-CNN、原YOLO v3模型，該方法有著更好的速度與準確率。Li等[19]基于YOLO v4算法，提出了一種可以準確檢測草莓白粉病的DAC-YOLO v4算法，該方法可以在復雜背景下精確檢測發病葉片與發病區域，并根據草莓白粉病發病情況計算得出病情指數，為后續治療提供參考。該方法的平均精度（mAP）達到了72.7%，相較于Fast R-CNN、YOLO v3-tiny、YOLO v4-tiny、YOLO v4-tiny-31和YOLO v5s，該算法具有良好的性能。但該算法僅使用圖片數據進行檢測，在實際動態視頻中的檢測效果還有待驗證。

2 "卷積神經網絡在作物病蟲害領域的未來發展趨勢

2.1 "提高圖像分割精度

在對作物進行實地圖像采集時，由于作物種植密度較大，拍攝后得到的作物不可避免地受到葉片或莖稈的遮擋，影響后續對作物病蟲害狀況的檢測。在復雜的背景下利用人工進行輔助可以提高檢測能力，但是生產效率低。因此進一步研究如何優化圖像分割算法，提高圖像分割精度，更好地在復雜背景下提取到作物特征信息，是實現農作物病蟲害自動化檢測的關鍵步驟。

2.2 "加強對農作物生長周期的動態檢測研究

目前許多實驗的圖像數據只在農作物的某一生長時期獲取，而農作物會隨生長周期的進行產生不同的外觀參數，因此不能只針對某個特定時期的作物狀況進行識別檢測，而應該利用所提出的模型對于作物整個的生長過程進行動態檢測，得到不同時期下作物的病蟲害狀況，建立數據庫，得到全周期下的通用模型，這樣開展的研究更有意義。

2.3 "卷積神經網絡與高光譜成像技術相結合

卷積神經網絡進行農作物病蟲害檢測時，往往只對農作物的外部圖像信息進行分析，難以反映出農作物的內部成分變化。高光譜成像技術可以根據得到的農作物光譜信息，反映出作物的內部結構與外部特征，憑借其實時、快速、精確和無損的檢測特征，可更加立體深入地檢測農作物病蟲害情況，實現對病蟲害的盡早干預，提高農作物產量。因此研究如何將這2種方法更好地結合是未來農作物病蟲害檢測領域的難點與熱點。

3 "結束語

卷積神經網絡已經成為農作物病蟲害檢測領域一個新的研究熱點，本文從基于卷積神經網絡的分類算法與基于卷積神經網絡的目標檢測算法2個方面總結了近年來國內外研究人員在農作物病蟲害領域的研究進展，并提出未來發展趨勢。卷積神經網絡在農作物病蟲害檢測領域中的應用取得了一定的成果，利用好這些科技創新成果，有助于進一步推進國家實現農業智慧化與農業現代化進程。

參考文獻：

[1] 習近平：高舉中國特色社會主義偉大旗幟 為全面建設社會主義現代化國家而 團結奮斗——在中國共產黨第二十次全國代表大會上的報告[EB/OL].http：//jhsjk.people.cn/article/32551583.

[2] 朱滿德，趙琴，程國強.新時代中國糧食安全風險識別與治理策略[J].中國經濟報告，2022（5）：5-13.

[3] AI Y，SUN C，TIE J，et al.Research on Recognition Model of Crop Diseases and Insect Pests Based on Deep Learning in Harsh Environments[J]. IEEE ACCESS，2020（8）：171686-171693.

[4] LECUN Y，BOTTOU L.Gradient-based learning applied to document recognition[J]. Proceedings of the IEEE，1998，86（11）：2278-2324.

[5] KRIZHEVSKY A，SUTSKEVER I，HINTON G. ImageNet classification with deep convolutional neural networks[J]. Communications of the ACM，2017，60（6）：84-90.

[6] SIMONYAN K， ZISSERMAN A. Very deep convolutional networks for large-scale image recognition[J].Computer Science， 2014.

[7] SZEGEDY C， WEI L， JIA Y， et al. Going deeper with convolutions[C]//Proceedings of the IEEE conference on computer vision and pattern recognition，2015：1-9.

[8] HE K， ZHANG X， REN S， et al. Deep residual learning for image recognition[C]//Proceedings of the IEEE conference on computer vision and pattern recognition，2016：770-778.

[9] MA J，DU K，ZHENG F，et al.A recognition method for cucumber diseases using leaf symptom images based on deep convolutional neural network[J]. Computers and Electronics in Agriculture，2018，154：18-24.

[10] NASIRI A，TAHERI G A，ZHANG Y D.Image-based deep learning automated sorting of date fruit[J].Postharvest Biology and Technology，2019（153）：133-141.

[11] MOHANTY S P，HUGHES D P，SALATHE M. Using Deep Learning for Image-Based Plant Disease Detection[J].Frontiers in plant science，2016（7）：1419.

[12] 計雪偉，霍興贏，薛端，等.基于深度學習的農作物病蟲害識別方法[J].南方農機，2020，51（23）：182-183.

[13] TIAN L G，LIU C，LIU Y，et al. Research on plant diseases and insect pests identification based on CNN[J]. IOP Conference Series： Earth and Environmental Science，2020，594（1）：012009.

[14] DAI F，WANG F，YANG D，et al. Detection Method of Citrus Psyllids With Field High-Definition Camera Based on Improved Cascade Region-Based Convolution Neural Networks [J].Frontiers in Plant Science，2022（12）：816272.

[15] LI D， WANG R，XIE C，et al. A Recognition Method for Rice Plant Diseases and Pests Video Detection Based on Deep Convolutional Neural Network[J]. Sensors，2020，20（3）：578.

[16] REDMON J， DIVVALA S， GIRSHICK R， et al. You only look once： Unified， real-time object detection[J].Proceedings of the IEEE conference on computer vision and pattern recognition，2016：779-788.

[17] DAWEI L，AHMED F，NAILONG W，et al. YOLO-JD： A Deep Learning Network for Jute Diseases and Pests Detection from Images[J]. Plants，2022，11（7）：937-937.

[18] LIU J，WANG X. Tomato Diseases and Pests Detection Based on Improved Yolo V3 Convolutional Neural Network.[J]. Frontiers in plant science，2020（11）：898.

[19] LI Y，WANG J，WU H，et al. Detection of powdery mildew on strawberry leaves based on DAC-YOLOv4 model[J]. Computers and Electronics in Agriculture，2022（202）：107418.