基于YOLOv5的農林蟲害檢測系統設計

彭懷鋒 許鎖鵬

摘要：病蟲害對穩定糧食產量、增加油料自給率等方面造成了嚴重威脅，需要引起廣泛關注和高度重視。早期病蟲害精準識別是預警和防控的關鍵，長期以來，對大多數傳統農作物的蟲害識別主要依賴于人工檢測。文章為提升農作物病蟲害檢測的準確性與效率，設計了一種基于YOLOv5的農林害蟲檢測系統。該系統采用深度學習實現農林蟲害檢測，具有可視化界面，方便使用者操作，并可對農林中檢測出的蟲害給出提示和警報。

關鍵詞：YOLOv5；蟲害檢測；模型；預警

中圖分類號：TP29? 文獻標志碼：A

0 引言

傳統的害蟲檢測識別主要是通過田間調查法和物理誘捕法。田間調查法主要是依靠人工走訪判斷，由相關的專業人員到蟲害現場進行害蟲取樣，并對其進行分析，從而得出水稻的蟲害類別及其危害情況。物理誘捕法則是通過提前在農林中布防相關的誘捕器，使用這些誘捕器收集的害蟲樣本，進行分析。這2種方法的使用都需要大量的人力和物力，且方法的準確率低、主觀性強，難以滿足當前農作物健康生長的需要。

農作物產量和質量的穩定受到蟲害問題的嚴重威脅。確保有效防治蟲害的首要任務是對蟲害的高效、準確識別與定位［1］，因此，開展半自動或全自動大規模病蟲害精準識別研究與應用尤為重要。隨著人工智能技術的不斷進步，深度學習在蟲害檢測與定位領域的應用日益受到學者們的關注。深度學習技術通過提取圖像特征，結合可視化方法，實現了對目標對象的精準識別與定位［2］。目前，以 Faster-RCNN［3］為代表的Two-Stage目標檢測方法和以YOLO系列為代表的 One-Stage目標檢測方法，在目標檢測識別領域均得到了廣泛應用，為提高農林蟲害識別的準確性和效率提供了有力支持。為了提高農作物病蟲害檢測的精確度和效率，本文深入探討了基于YOLOv5技術的農林害蟲檢測系統。該系統配備了直觀的用戶界面，旨在簡化操作流程，使得使用者能夠便捷地運用，從而輔助農戶采取相應措施。

1 系統整體設計

軟件系統的整體設計方案如下：首先，對設計過程中涉及的關鍵技術進行剖析；其次，針對目標用戶群體的具體需求，詳盡分析各項功能要求；最后，確定軟件設計的整體邏輯與思路。

1.1 技術分析

該檢測系統以Python語言為核心進行構建，并采用PyTorch框架進行模型的訓練。PyTorch框架憑借靈活性、穩定性和高效性，顯著提升了系統的開發效率和性能穩定性。在模型選擇方面，本文采用YOLOv5模型。YOLOv5模型檢測精度高，所占存儲空間小，僅占用27 MB的存儲空間［4］。作為一款One-Stage類模型，YOLOv5的運行速度迅捷，并支持在GPU上運行，從而大幅縮減了訓練時間。為了方便用戶操作，該系統采用了PyQt5模塊設計圖像用戶界面。PyQt5是一組由Python編寫的模塊，作為一個跨平臺工具集，能夠在多種主流操作系統上運行［5］。

1.2 功能需求

該系統主要用于農林，其用戶為管理人員和普通用戶，因此，該系統需要有以下功能：實現對視頻進行檢測和實時監測；對發現的蟲害做出提示；對視頻的分析和檢測速度應該盡可能快，減少延遲；系統界面應該簡潔直觀，方便使用者操作［6］。

1.3 視頻檢測設計

首先，啟動軟件運行程序。該程序將調用設備的攝像頭功能，以獲取實時的視頻流數據。其次，程序將對獲取的視頻流進行判斷，確認是否存在有效的視頻輸入［7］。若視頻流正常，程序將進一步對視頻流中的每一幀圖像進行讀取和識別處理。在此過程中，若識別到任何蟲害跡象，系統將立即發出報警提示，同時繼續捕獲并處理后續的實時視頻流數據。然而，若系統無法檢測到有效的視頻流，則將自動退出檢測程序。視頻流檢測流程如圖1所示。

2 模型的訓練

2.1 數據獲取

在數據獲取階段，數據集是從Roboflow［8］上的universe中收集的，總共有4200張圖片。其中，類別標號1～12為longicorn（天牛）；13～24為grasshopper（蝗蟲）；25～36為bee（蜜蜂）；37～48為fly（蒼蠅）；49～60為mantis（螳螂）。

2.2 數據集格式轉化和分類

鑒于在Roboflow上收集的數據集未經標注，而YOLOv5的訓練要求每張圖片有對應YOLO（TXT格式）的標簽文件，因此，需進行手動打標簽。筆者利用Roboflow平臺的內置標注功能，在此平臺完成了標注。此外，在模型訓練之前，需將數據集劃分為測試集、訓練集和驗證集3類。在本次數據集中，分配了790張圖片作為測試集，3100張圖片作為訓練集以及310張圖片作為驗證集。

2.3 獲得預訓練權重并訓練模型

為了優化模型訓練的效率，首先加載預訓練的權值，并啟動網絡訓練。YOLOv5框架提供了多種不同尺寸規格的預訓練權重，這些權重經過精心設計和訓練，滿足了用戶多樣化的需求。用戶可以根據自身需求，選擇最合適的預訓練權重版本。

一般而言，預訓練模型的權值文件體積越大，其在后續訓練過程中的精度通常會越高。然而，這也意味著訓練過程可能會消耗更多的計算資源，導致訓練時長相應延長。在本訓練數據集的實踐中，本文選用了yolov5s.pt作為預訓練權重文件。

2.4 模型評估

精確率（Precision）和召回率（Recall）是衡量模型性能的指標，取值范圍為0～1［8］。當這2個指標的值越接近0時，表示模型的質量越差；而越接近1時，則表示模型的質量越高。然而，這2個指標僅從單一角度評價模型性能，因此，在進一步評估模型時，通常會采用均值平均精度（mAP）這一指標。通常，精確率和召回率之間存在負相關關系，當mAP值趨近于0.8時，可以認為該模型的性能相對較好。

3 系統的實現與測試

3.1 系統開發環境測試

經過嚴格篩選和測試，本系統的開發采用了GeForce GTX 3060這一高性能PC級GPU，同時輔以64位Windows11操作系統，確保系統的穩定性和兼容性達到最佳狀態。深度學習庫選用PyTorch作為計算框架，使用anaconda創建虛擬環境；圖形化界面設計采用PyQt5框架實現；系統的開發環境則使用PyCharm集成開發環境進行代碼編輯與調試。

3.2 系統功能實現

通過選擇視頻文件檢測選項，并將待檢測視頻上傳至系統，用戶可在軟件界面上直接查看檢測結果。如圖2所示，檢測結果將標注出每個檢測到的害蟲，并同時展示其置信度。此外，系統將在檢測到蟲害時發出報警，以便用戶及時采取應對措施。

4 結語

農林蟲害檢測是農林治理和解決農林蟲害的基礎，如何快速準確地檢測并識別蟲害是難點之一。采用深度學習技術進行蟲害檢測已經成為害蟲檢測領域的發展趨勢。為了推動深度學習方法在水稻蟲害檢測領域的應用，本文設計了一種基于YOLOv5技術的農林害蟲檢測系統。該系統的實現有效地提高了蟲害預警的效率，降低了農林監管的人工成本。后續，筆者還將繼續研究以下內容：（1）鑒于未來需求的持續演變，該系統將持續進行功能與性能的優化與拓展，旨在提升功能的完備性，以滿足多樣化的使用場景需求。（2）在檢測視頻時，從出現蟲害至系統彈出報警信息，系統會有一定的延時，因此，系統實時性還需要繼續提高。

參考文獻

［1］李嬌，葛艷，劉玉鵬.基于改進YOLOv5的昏暗小目標交通標志識別［J］.計算機系統應用，2023（5）：172-179.

［2］陳輝東，丁小燕，劉艷霞.基于深度學習的目標檢測算法綜述［J］.北京聯合大學學報，2021（3）：39-46.

［3］李映松，楊愛英，劉軒，等.基于Transformer改進的Faster-Rcnn倉儲箱體檢測算法［J］.自動化與儀器儀表，2022（8）：1-6.

［4］李青云，李燕，盧崢松，等.輕量化超參數卷積神經網絡的安全帽檢測算法［J］.現代計算機，2022（11）：60-66.

［5］劉佳梁.基于Qt5開發的面向工業設備的狀態監視及控制軟件［J］.電腦知識與技術，2023（20）：70-72.

［6］徐炳文.基于C#的遠程智能視頻監控系統的設計與實現［J］.網絡安全技術與應用，2023（10）：49-52.

［7］雷明.機器學習：原理，算法與應用［M］.北京：清華大學出版社，2019.

［8］COOK J A，RAMADAS V.When to consult precision-recall curves［J］.The Stata Journal，2020（1）：131-148.

（編輯 王雪芬）

Design of agricultural and forestry pest detection system based on YOLOv5

PENG? Huaifeng， XU? Suopeng

（School of Intelligent Equipment Engineering， Wuxi Taihu University， Wuxi 214064， China）

Abstract：? Diseases and insect pests pose a serious threat to stable grain production and increase the self-sufficiency rate of oil， which needs to be widely concerned and highly valued. Early accurate identification of pests and diseases is the key to early warning and control， for a long time， the pest identification of most traditional crops mainly relies on manual detection. In order to improve the accuracy and efficiency of crop pest detection， a YOLOv5 based agricultural and forestry pest detection system was studied in this paper. The system use deep learning for pest detection in agriculture and forestry， has a visual interface， which is convenient for users to operate， and at the same time gives tips and alerts for detected pests in agriculture and forestry.

Key words： YOLOv5; pest detection; model; warning