基于深度學習技術的農作物病蟲害檢測識別系統的研究

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）“基于深度學習的農作物病蟲害檢測識別系統的研究”（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用技術。

摘 要：傳統的病蟲害監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，深度學習技術的發展為農作物病蟲害監測識別提供了新的解決方案。闡述了深度學習技術在農作物病蟲害識別中的應用優勢，探討了基于深度學習技術的農作物病蟲害監測識別系統構建，介紹了深度學習技術在農作物病蟲害監測中的應用。

關鍵詞：農作物病蟲害；檢測識別系統；深度學習技術

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

當前，農作物病蟲害問題已成為制約農業發展的重要因素之一，傳統的病蟲害監測方法往往依賴于人工目視或簡單的圖像處理技術，檢測速度慢、準確率低。隨著農業科技的不斷發展，基于深度學習的農作物病蟲害監測識別系統在農業領域的應用越來越廣泛，該系統利用先進的計算機視覺和深度學習技術，能夠快速、準確地檢測和識別農作物病蟲害，為農業生產的科學管理和病蟲害防治提供有力支持。深入探討基于深度學習技術的農作物病蟲害監測識別系統的研究，為農業生產提供更加高效、智能化的解決

方案。

1 深度學習技術在農作物病蟲害識別中的優勢

1.1 自動化和智能化

深度學習技術可以通過訓練神經網絡自動識別病蟲害，實現對作物病蟲害的快速、準確判斷，提高農作物病蟲害識別的效率，同時減少人工干預[1]。

此外，深度學習技術還可以實時監測病蟲害，借助遙感技術和無人機等設備，可以獲取農田的高分辨率圖像，結合深度學習模型自動識別和定位圖像中的病蟲害，既可以及時發現病蟲害的發生，還可以預測病蟲害的發展趨勢，為農業生產提供科學依據。

1.2 高效性和準確性

由于深度學習模型可以自動學習圖像中的特征，因此在大規模訓練數據的支持下，識別病蟲害的準確性得到顯著提高，相較于傳統方法，深度學習技術具有更高的識別準確率，可以減少農業工作者在病蟲害識別過程中的誤判和漏判現象。此外，深度學習模型具有較強的泛化能力，可以在不同場景和環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的訓練和調整，便可適應不同情況[2]。

1.3 節省人力資源和降低成本

傳統農作物病蟲害識別方法需要投入大量的人力物力，而深度學習技術的應用可以有效地節省人力資源和降低成本，通過自動化和智能化的識別過程，減少農業工作者在病蟲害識別、監測和防治過程中的工作量，避免盲目使用農藥和資源浪費，農業工作者可以更好地分配精力，從事其他相關工作，不僅有利于降低農業生產成本，還可以保護環境[3]。

2 基于深度學習技術的農作物病蟲害監測識別系統構建

2.1 數據集的準備

在構建基于深度學習技術的農作物病蟲害監測識別系統前，需要一個包含多個類別的圖像數據集，每個類別代表一種病蟲害，這些圖像數據應覆蓋不同的農作物種類和病蟲害類型，并且應有足夠的樣本數量充分訓練模型。為了獲得這樣的數據集，可以采用以下3種方式：一是可以通過現場調研和采集的方式，自行收集圖像數據；二是可以借助已有的農作物病蟲害圖像數據集；三是可以考慮使用數據增強技術擴充數據集。

2.2 深度學習模型的選擇與訓練

在農作物病蟲害監測識別系統中，深度學習模型應具備對圖像數據進行有效特征提取和分類的能力，并且應該適用于農作物病蟲害的識別任務，常用的深度學習模型包括卷積神經網絡（CNN）、循環神經網絡（RNN）和深度殘差網絡（ResNet）等[4]。對于農作物病蟲害監測識別任務而言，通常采用卷積神經網絡作為基礎模型進行訓練和測試，卷積神經網絡可以通過卷積層和池化層提取圖像數據中的空間特征，并通過全連接層進行分類，常見的卷積神經網絡模型包括LeNet、AlexNet、VGG、GoogLeNet和ResNet等，根據數據集的規模和復雜度，可以選擇不同層數和參數量的卷積神經網絡模型進行訓練，在訓練過程中，可以考慮使用學習率衰減和正則化等技術防止過擬合和提高模型的泛化能力。在模型訓練完成后，可以對訓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曲線等工具繪制結果并進行可視化。

2.3 系統架構的設計

基于深度學習技術的農作物病蟲害監測識別系統的架構是一個復雜的多層次結構，該系統通過深度學習模型從大量的農作物病蟲害圖像數據中學習并提取特征，實現病蟲害的準確檢測和識別，該系統通常使用卷積神經網絡作為主要的深度學習模型，輸入是農作物病蟲害的圖像數據集，經過預處理后送入卷積神經網絡進行特征提取[5]。

卷積層通過應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。在訓練過程中，深度學習模型通過優化算法調整權重和偏置，以最小化模型在訓練集上的預測錯誤，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元，同時數據增強也是一個常用的技術，通過對訓練集進行旋轉、縮放和平移等操作，提高模型的泛化能力。在系統的部署階段，用戶通過手機或相機等設備拍攝病蟲害圖像，上傳圖片至服務器端。服務器端系統對圖像進行預處理和分類識別，返回檢測結果給用戶，同時系統將檢測結果保存至數據庫。

2.4 模型的優化與調整

基于深度學習技術的農作物病蟲害監測識別系統中，模型的優化與調整是提升系統性能和準確性的關鍵步驟，模型優化包括調整深度學習模型的超參數和結構，以提高模型的泛化能力和增強訓練效果，模型調整則是通過重新訓練和微調模型，進一步提升模型性能[6]。

在模型優化階段，可以通過調整超參數改善模型的表現，超參數包括學習率、迭代次數、批次大小、正則化參數等，通過優化和調整這些超參數，提高模型的泛化能力，也可以通過調整深度學習模型的結構提升模型性能，可以增加模型的網絡層數、調整卷積核大小和通道數，或者增加額外的全連接層等。

在模型調整階段，可以考慮使用遷移學習利用已訓練好的模型權重，遷移學習通過將已訓練好的模型權重導入新模型，提供了更好的初始參數，從而加速新模型的訓練和提升模型性能，通過遷移學習可以利用之前訓練好的卷積神經網絡模型在大規模圖像數據上學習到的高層次特征，用于農作物病蟲害特征的提取。

3 深度學習技術在農作物病蟲害監測中的應用

3.1 卷積神經網絡

卷積神經網絡（CNN）是廣泛應用于計算機視覺和圖像處理領域的深度學習模型，尤其是在農作物病蟲害監測中，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通過增加網絡深度、結構簡單，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絡訓練問題，使病蟲害分類準確性和穩定性得到提升；DenseNet通過密集連接，學習到豐富和復雜的特征表示，提升病蟲害分類準確性；EfficientNet通過復合系數平衡模型的復雜性和性能，節省計算資源和時間。上述多個模型在農作物病蟲害監測中表現出色，為農業生產提供了一種高效、準確的檢測方法，對農作物病蟲害的檢測具有重要意義。

3.2 循環神經網絡

除了上面提到的CNN，深度學習技術還可以使用循環神經網絡（RNN）進行農作物病蟲害監測，RNN是一種能夠捕捉時間序列數據中隱藏信息的神經網絡模型，對于處理序列數據具有良好的效果，在病蟲害監測中，可以利用RNN捕捉時間序列圖像中特征的變化，實現對病蟲害的連續檢測和預警。在應用中可以將多張相鄰時間的農作物圖像輸入RNN模型中，捕捉圖像中病蟲害特征的變化，并輸出預測結果，通過不斷更新模型參數和輸入數據，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和整合，進一步提升模型的性能。

3.3 生成對抗網絡

生成對抗網絡（GAN）是一種深度學習中的新型網絡結構，由一個生成器和多個判別器組成，生成器負責生成假數據以欺騙判別器，判別器則負責判斷輸入數據是真實數據還是生成器生成的假數據，通過不斷訓練和優化，GAN能夠生成高質量的圖像數據。在農作物病蟲害監測中，可以利用GAN生成對抗網絡來生成假圖像數據，用于訓練病蟲害監測模型，通過生成大量的假數據和真實數據混合訓練，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量評估和分類，進一步提升病蟲害監測的準確性和實時性。

3.4 遷移學習

遷移學習是一種將已掌握的知識和技能應用于新領域中的學習方法，在農作物病蟲害監測中，可以利用遷移學習將其他領域中的深度學習模型應用于病蟲害監測，如可以將計算機視覺領域中的CNN模型遷移至病蟲害監測，利用CNN自動提取圖像特征的能力，實現對病蟲害的準確識別。遷移學習可以通過微調其他領域的深度學習模型，將其應用于農作物病蟲害監測，通過利用其他領域的數據集進行訓練和優化，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域的算法和策略，應用于農作物病蟲害監測，進一步增強模型效果[8]。

4 基于深度學習技術的農作物病蟲害監測識別系統未來的發展趨勢

4.1 模型性能進一步提升

隨著深度學習技術的不斷發展，基于深度學習技術的農作物病蟲害監測識別系統的模型性能也在不斷提升。隨著計算能力的提高和數據量的增加，模型性能也會得到進一步提升，可以通過更先進的優化算法和超參數調整，進一步增強模型的訓練效果和提高泛化能力。同時，可以嘗試使用更復雜的深度學習模型，如深度殘差網絡、注意力機制等，進一步提升模型的性能和準確性[9]。

4.2 跨領域和多模態信息融合

隨著傳感器技術和圖像處理技術的發展，可以獲取更多的農作物病蟲害信息，如光譜信息、紋理信息、聲音信息等，通過將不同領域和不同模態的信息進行融合，可以進一步提升病蟲害監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的信息進行融合，構建多模態的病蟲害監測系統，提升系統的性能和準確性。

4.3 天空地一體化監測技術的整合

隨著無人機技術和遙感技術的發展，可以實現天空地一體化監測，將無人機、衛星遙感、地面監測等技術進行整合，構建天空地一體化病蟲害監測系統，通過將不同技術的優勢互補和整合，可以提升病蟲害監測的全面性和準確性，為農作物的保護和管理提供更好的支持。

4.4 面向農業物聯網的智能化拓展

隨著物聯網技術的發展，農業物聯網逐漸普及，在今后的研究中基于深度學習技術的農作物病蟲害監測識別系統可以面向農業物聯網進行智能化拓展，整合系統與農業物聯網平臺，實現病蟲害信息的實時監測和預警，為農作物的智能化管理提供更好的支持。同時，可以利用農業物聯網的數據和信息，對病蟲害監測模型進行訓練和優化，進一步提升模型的性能和準確性。

5 結束語

基于深度學習技術的農作物病蟲害監測識別系統的應用價值較高，通過深度學習技術，可以實現對病蟲害的精確檢測和識別，提高農作物的產量和質量，以及保障農業的可持續發展。然而，該領域仍面臨一些挑戰，如何提高模型的泛化能力、如何處理復雜的背景信息，以及如何提高檢測識別的效率和準確性等。隨著深度學習技術的進一步發展，基于深度學習技術的農作物病蟲害監測識別系統將更加成熟和完善，為農業的智能化發展提供更多的技術支持。

參考文獻

[1] 王影，程磊.基于深度學習的農作物病態葉片識別算法[J].信息技術與信息化，2023（4）：195-198.

[2] 陶治，孔建磊，金學波，等.基于深度學習的農作物病蟲害圖像識別APP系統設計[J].計算機應用與軟件，2022，39 （3）：341-345.

[3] 劉天賜，劉鈺，韓逸軒，等.智慧農業病蟲害巡檢系統設計與實現[J].福建電腦，2022，38（1）：89-92.

[4] 陳自宏，鄧干然，崔振德，等.基于深度學習的農作物檢測識別研究現狀及展望[J].現代農業裝備，2022，43（2）：2-7.

[5] 余小東，楊孟輯，張海清，等.基于遷移學習的農作物病蟲害監測方法研究與應用[J].農業機械學報，2020，51（10）：252 -258.

[6] 李正，李寶喜，李志豪，等.基于深度學習的農作物病蟲害識別研究進展[J].湖北農業科學，2023，62（11）：165-169.

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

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

[9] 賈少鵬，高紅菊，杭瀟.基于深度學習的農作物病蟲害圖像識別技術研究進展[J].農業機械學報，2019，50（S1）：313-317.