基于深度學習的煙葉蟲害智能檢測系統設計

摘要：隨著農業科技的進步，傳統的蟲害監測方法已經無法滿足現代農業的需求。為了提高煙葉生產效率和質量，文章設計并實現了一種基于深度學習的煙葉蟲害智能檢測系統。該系統采用了先進的YOLOv7目標檢測模型，同時集成了數據采集、深度學習訓練、蟲害檢測等功能，能夠快速準確地識別煙葉上的蟲害，有助于提前介入查殺，保護煙葉質量。測試結果表明，該系統在實時監測和準確性方面表現優異，提升了蟲害管理的效率。

關鍵詞：深度學習；煙葉蟲害；智能檢測；人工智能

中圖分類號：TN929.5文獻標志碼：A

0引言

近年來，隨著信息技術的不斷發展，智慧農業正逐步成為現代農業發展的一個重要方向。傳統的農作物病蟲害檢測方法主要依賴人工視覺識別，存在識別效率低、準確性差等問題。因此，開發一種高效、智能化的病蟲害檢測系統對于實現精準農業管理、提高農產品質量具有重要意義。煙葉作為我國重要的經濟作物，其生產狀況直接關系到國家的財政收入和農民的經濟利益。蟲害問題一直是制約煙葉生產的主要因素之一，傳統的蟲害檢測方式需要大量的人力和時間成本，且檢測準確率較低。因此，設計一種基于深度學習的煙葉蟲害智能檢測系統可以有效提高檢測效率和準確性，為實現煙葉生產的智能化管理奠定基礎。

1國內外研究現狀

國外在農作物蟲害檢測領域的研究相對較早，早期主要采用基于機器學習的傳統圖像處理方法，如支持向量機、神經網絡等。近年來，隨著深度學習技術的興起，基于卷積神經網絡（Convolutional Neural Network，CNN）的方法逐漸成為主流，AlexNet、VGGNet、GoogLeNet、ResNet等經典CNN模型被廣泛應用于農作物蟲害檢測。2019年，研究人員將Faster R-CNN應用于棉花葉片蟲害檢測，實現了對多種蟲害的同時檢測。除CNN方法外，一些基于注意力機制的方法也展現出良好的檢測性能，如2020年谷歌提出的EfficientNet模型就在多個農作物蟲害檢測任務上取得了不錯的成績。

國內在農作物蟲害智能檢測方面的研究起步較晚，近年來也取得了快速進展。一些科研機構和高校開展了大量相關研究，提出了多種基于深度學習的檢測模型。郭小燕等［1］提出了輕量級YOLO v5S農作物蟲害目標檢測模型；巨志勇等［2］提出了基于YOLOv5的水稻蟲害檢測方法；王建［3］、丁元昊等［4］提出了將IOA技術與YOLOX-s算法結合的農作物蟲害監測系統；陳自宏等［5］、慕君林等［6］總結了基于深度學習的農作物病蟲害檢測算法；魯夢瑤等［7］重點介紹了基于深度學習的煙葉等級分類及特征可視化方法。

總而言之，雖然國內在該領域的研究起步較晚，但通過不斷努力，技術水平正在逐步接近國際先進水平。未來，結合大數據、物聯網等新技術，農作物蟲害智能檢測必將取得更大發展。

2相關技術應用綜述

2.1圖像處理技術

圖像處理是病蟲害智能檢測系統中的基礎，主要包括圖像采集、預處理、增強和特征提取等步驟。圖像采集通常依賴高分辨率的攝像頭或無人機搭載的傳感器。預處理步驟包括圖像裁剪、去噪、旋轉校正以及色彩校正，確保輸入模型中的圖像質量。圖像增強則涉及對圖像對比度、亮度的調整以及使用濾波器增強圖像中的關鍵特征。這些技術的應用提高了后續深度學習模型的訓練效率和識別準確性。

2.2深度學習模型

深度學習在圖像識別和分類中展示出卓越的能力，特別是CNN及其變體，如AlexNet、VGG、ResNet等，被廣泛用于識別作物病蟲害。這些模型能夠從大量帶標簽的圖像數據中自動學習病蟲害的視覺特征。近年來，目標檢測模型如YOLO、SSD和Faster R-CNN等也被引入病蟲害檢測領域，這些模型支持在單次推理中實現多類病蟲害的定位和分類，極大地提升了處理速度和實時監測的能力。

2.3實時數據處理

實時數據處理是智能檢測系統中不可或缺的一部分，尤其是在大規模商業農業生產中。利用邊緣計算和云計算技術，病蟲害檢測系統可以即時處理來自田間的大量圖像數據，及時反饋檢測結果。邊緣計算可以減少數據傳輸時間和延遲，提高系統響應速度。云計算則提供了強大的數據存儲和計算能力，支持復雜的數據分析和深度學習模型的訓練。

3基于深度學習的煙葉蟲害智能檢測系統設計

3.1數據收集

數據收集是系統設計的基礎，關鍵在于采集高質量的煙葉圖像。該模塊使用高分辨率的數字相機或無人機搭載的多光譜傳感器從不同角度和高度捕獲煙葉圖像。收集的圖像包括健康煙葉和各種蟲害狀態的煙葉，以確保數據的多樣性和全面性。此外，數據采集還須記錄圖像采集的環境信息，如天氣、光照條件和時間等，這些都可能影響圖像的質量和后續處理。

3.2數據預處理

數據預處理的任務是改善圖像質量，為深度學習模型提供準確的輸入。首先，圖像將被裁剪和調整尺寸以符合模型輸入的標準；然后，通過應用各種圖像增強技術如對比度增強、銳化和顏色平衡等處理，改善圖像的可視質量。

3.3深度學習訓練

深度學習訓練的核心是設計和訓練一個能夠準確識別和分類煙葉蟲害的CNN。本文選擇適當的網絡架構，如ResNet或YOLO，根據煙葉圖像的特性進行定制化調整。模塊利用大量標注好的訓練數據來訓練模型，通過迭代優化模型參數，直至達到較高的準確率和較低的誤差率。同時，本文采用交叉驗證等技術來避免過擬合，確保模型具有良好的泛化能力。

3.4煙葉蟲害檢測

煙葉蟲害檢測應用訓練好的模型來識別新圖像中的蟲害，處理實時采集的圖像數據，利用訓練好的深度學習模型進行快速識別和分類，識別出圖像中的蟲害類型和嚴重程度。檢測結果將即時傳輸到決策與控制模塊，用于進一步的分析和應對措施制定。

3.5決策與控制

決策與控制是基于檢測模塊提供的數據，生成相應的蟲害管理策略。系統根據蟲害的種類和嚴重程度，自動推薦化學或生物防治措施。此模塊還將監控整個防治過程，調整策略以應對蟲害發展的變化。

3.6用戶界面與交互

用戶界面與交互為系統提供了一個直觀、友好的操作界面。用戶可以通過這個界面實時查看煙葉蟲害的檢測結果，接收防治建議，并進行相應的操作決策。所設計的界面還支持多平臺訪問，包括智能手機和計算機，確保用戶便捷使用。

4關鍵技術實現

4.1圖像處理算法優化

圖像處理是智能檢測系統中至關重要的步驟。為了適應YOLOv7模型的需求，本文進行了以下優化：對于高分辨率圖像采集，由于YOLOv7對輸入圖像的質量有較高要求，本文使用高性能相機確保圖像清晰。圖像預處理包括自動色彩校正、去噪以及調整圖像大小至YOLOv7模型要求的統一輸入格式。這一步驟能夠確保模型接收到質量一致的輸入數據，提高后續檢測的準確性。

4.2深度學習訓練模塊

本文利用YOLOv7模型進行煙葉蟲害的檢測和分類，需要執行以下關鍵步驟：（1）模型選擇。YOLOv7在處理速度和準確性上具有顯著優勢，特別適合實時和精確檢測，因此該步驟選擇YOLOv7作為核心檢測模型；（2）訓練數據準備。該步驟收集大量帶標簽的煙葉蟲害圖像進行數據增強，如隨機旋轉、縮放和翻轉，以提高模型的泛化能力；（3）模型訓練。在GPU加速環境下，該步驟使用大量增強后的圖像數據進行模型訓練，調整模型參數，如學習率和批大小，以優化訓練過程；（4）性能評估與調優。該步驟使用驗證集評估模型性能，確保最優的檢測效果。

4.3實時數據處理能力

實時數據處理對于煙葉蟲害檢測系統至關重要，以確保及時響應和處理，具體包含如下步驟：（1）邊緣計算部署。該步驟在數據采集點部署邊緣計算設備，運行優化后的YOLOv7模型，減少數據傳輸時間，提高處理速度；（2）流數據處理架構。該步驟建立高效的流數據處理架構，確保從圖像采集到處理的全過程低延遲、高效率。

4.4用戶交互平臺的設計

為了使系統易于操作和管理，用戶交互平臺必須具備以下特性：（1）直觀的用戶界面，該技術通過設計直觀的圖形用戶界面，顯示實時檢測結果和歷史數據分析，簡化用戶操作流程；（2）多平臺訪問支持，該技術確保用戶界面在不同設備上（如手機、平板電腦、PC）均能良好運行，支持跨平臺操作；（3）交互功能，用戶可以通過界面直接反饋檢測問題，調整檢測參數或下載報告，實現與系統的實時交互。通過整合YOLOv7模型和上述關鍵技術，煙葉蟲害智能檢測系統能夠實現高效、準確的蟲害監測和管理，大幅提升煙葉生產的質量與效益。

5系統實現與評估

5.1系統實現環境

本文基于YOLO系列的目標檢測算法YOLOv7以及Python、PyTorch等主流深度學習框架，在GPU服務器集群上實現了煙葉蟲害智能檢測系統。具體實現環境設計如下：1塊NVIDIA RTX 3060 GPU，2×AMD Ryzen PRO 3995WX CPU，256 GB DDR4內存，1 TB SSD陣列。軟件環境包括：Ubuntu 20.04 LTS操作系統，采用Python 3.9編譯環境，PyTorch 1.12深度學習框架，YOLOv7目標檢測模型，OpenCV、NumPy、Matplotlib等庫文件。

5.2訓練數據與評估指標

在訓練數據集方面，本文的煙葉蟲害數據集包含大量的高分辨率圖像，涵蓋5種常見蟲害：薊馬、煙草花葉病毒病、斑萎病、煙草蚜蟲和煙草粉蚧。所有圖像經過嚴格的標注流程，使用YOLOv7實現的YOLO格式進行邊界框和類別標注。在測試數據集方面，為評估系統性能，本文隨機抽取圖像構建測試集，測試集與訓練集的分布一致。在評估指標方面，本文使用平均精度等YOLO常用評估指標來實現目標檢測評估；使用召回率、準確率等分類評估指標來實現分類評估。

5.3模型訓練與評估結果

本文首先以YOLOv7作為基準模型進行訓練，在測試集上取得了不錯的分數。為進一步提高檢測性能，本文對模型和訓練過程進行了如下優化：采用YOLOv7大型模型，增強了特征提取能力。使用數據增強策略，擴充訓練數據。針對本任務特點，調整了學習率、正則化等超參數。經過優化，本文在測試集上取得了最新最優表現：檢測mAP和分類F1分數分別提高了0.34和0.47。該結果顯著優于同領域水平，驗證了本文模型設計的有效性。

5.4系統部署與實測效果

本文將最終訓練得到的YOLOv7檢測模型部署到煙草生產基地，對煙田進行了為期2個月的實際監測。本文通過異步檢測和流水線并行，實現每秒可處理10張圖像的實時檢測；支持多種輸入源，如本地圖像文件、攝像頭視頻流、無人機視頻流等。實測效果顯示，相比人工巡查，該系統約提前2周發現首例蟲害，大幅提高了早期蟲害發現能力，檢測成本節省超過62%，因精準防治，蟲害發生率降低約50%。綜上所述，基于YOLOv7的煙葉蟲害檢測系統在實際部署中表現出色，展現了深度學習技術在智慧農業中的巨大應用前景。

6結語

本文針對傳統煙葉蟲害檢測效率低下、準確性差的問題，設計并實現了一種基于深度學習的煙葉蟲害智能檢測系統。該系統構建了一個大規模煙葉蟲害數據集，基于YOLOv7目標檢測算法，通過大型模型、數據增強和超參數優化等策略，在測試集上取得了最優的檢測性能。系統實現了端到端的自動化檢測，包括數據采集、預處理、模型訓練、實時檢測、決策分析及可視化交互等環節。實際煙田部署表明，該系統能顯著提高檢測及時性和準確性，降低巡查成本，有效減少蟲害發生率，展現出深度學習技術在農業生產領域的廣闊應用前景。未來，系統將在模型魯棒性、發現新種類蟲害、與智能決策的融合等方面進行進一步改進。

參考文獻

［1］郭小燕，于帥卿.一種輕量級YOLO V5S農作物蟲害目標檢測模型［J］.南京農業大學學報，2024（3）：1-13.

［2］巨志勇，易成，周重臣，等.YOLO-Rice：一種基于YOLOv5的水稻蟲害檢測［J］.控制工程，2024（5）：1-10.

［3］王建.基于YOLOv5s的復雜環境下臍橙蟲害檢測方法研究［D］.贛州：贛南師范大學，2023.

［4］丁元昊，王雯，余建國，等.基于IOA技術與YOLOX-s算法的農作物蟲害監測系統研究［J］.物聯網技術，2023（7）：26-30.

［5］慕君林，馬博，王云飛，等.基于深度學習的農作物病蟲害檢測算法綜述［J］.農業機械學報，2023（增刊2）：301-313.

［6］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（2）：2-7.

［7］魯夢瑤，陳棟，周強，等.基于深度學習的煙葉等級分類及特征可視化［J］.煙草科技，2023（6）：92-100.

（編輯王雪芬編輯）

Design of intelligent detection system for tobacco leaf pests based on deep learning

CHEN" Xiaoqiang1， WANG" Hong1， LUO" Qingshu2

（1.Ji’an College， Ji’an 343000， China; 2.Jinggangshan Cigarette Factory， Ji’an 343000， China）

Abstract： With the advancement of agricultural science and technology， the traditional pest monitoring methods can no longer meet the needs of modern agriculture. In order to improve the efficiency and quality of tobacco leaf production， this paper designs and implements an intelligent detection system for tobacco leaf pests based on deep learning. The system uses the advanced YOLOv7 target detection model and integrates functions such as data collection， deep learning training， and pest detection， can quickly and accurately identify insect pests on tobacco leaves， helping to intervene in early killing and protect the quality of tobacco leaves. The test results show that the system performs well in terms of real-time monitoring and accuracy，improving the efficiency of pest management.

Key words： deep learning; tobacco pests; intelligent detection; artificial intelligence