基于深度学习的计算机视觉技术的智慧农业应用 原创

本文整理自福建农林大学计算机与信息学院/农林大数据中心杨长才副教授团队的研究成果，抛砖引玉为智慧农业的发展提供一些思路。

1.背景

随着农业现代化进程的推进，人工智能技术在农作物病虫害识别领域展现出广阔的应用前景。我国每年因病虫害导致的果品蔬菜损失高达25%以上，化学农药滥用现象严重，并对生态环境造成破坏。本文基于深度学习技术，提出了一种高效的植物虫害识别方法，旨在实现快速、准确、智能的病虫害诊断，为农民提供科学指导，推动绿色农业发展。
农作物病虫害是影响农业生产的重要因素之一。传统的病虫害识别方法依赖人工检测和经验判断，存在成本高、效率低、对专业知识要求高等问题。近年来，深度学习技术在图像识别领域取得显著进展，为农业病虫害智能识别提供了新的解决方案。本研究聚焦柑橘常见病虫害，构建了一个基于卷积神经网络的识别模型，并结合实际应用场景进行了系统验证。

2.现状

农作物病虫害的识别，主要有三种方法：

• 人工检测：成本高，不易推广。
• 机器学习算法：传统的农作物病害识别方法主要基于机器学习算法，需要人工设计特征，对专业知识和经验要求较高，且识别准确率有限。
• 深度学习：能够自动学习图像中的特征表征，具有更强的表达能力和泛化性能。然而，深度学习模型需要大量标注数据作为支撑，在农业领域数据采集面临如下困难：
• 采集成本高、采集难度大、采集周期长。
• 标注难度大、类别不平衡等挑战。
• 不同病害间特征有相似性。

具体说来，果树树干高大、树叶茂密，会相互遮掩，难以用高空假设的摄像机获取到病害图像。前期采集数据都是人工手机拍摄的，所以需要耗费大量的人力。
柑橘潜叶蛾是溃疡病诱发主要因素之一，潜叶蛾喜高温、喜湿，在低温低湿情况下，活跃度不高、病害发生概率低，主要危害柑橘新梢嫩叶。3-11月左右均有病害发生，3至5月的时候病害较少，主要发病时间集中在8至9月和秋梢形成后。
在6、7月份闽清高温雨少时期，柑桔锈壁虱数量会暴增、数量暴增后大约在8月份将出现柑橘锈壁虱病害高峰。所以采集图像时间线往往需要更久；且由于病害的防治措施、力度和效果不一，有些防治得较好的，采集病害图像更是“可遇不可求”，会出现病害图像数据分布不均匀的问题。

3.数据分析

本研究共收集了3305张柑橘图像，包括1040张溃疡病图像、299张疮痂病图像、320张潜叶蛾图像、210张锈壁虱图像以及202张正常叶果图像。

柑橘溃疡病病叶和病果

柑橘疮痂病病叶和病果

柑橘潜叶蛾病叶

柑橘锈壁虱病果

柑橘正常叶果图例

数据特点表现为样本量有限且分布不均衡，这对模型训练提出了挑战。

针对数据不足的问题，研究采用了数据增强技术，通过对原始图像进行旋转、缩放、裁剪等操作扩充数据集。同时，针对光照不均等问题，进行了相应的预处理工作，以提高模型鲁棒性。

4.深度学习应用

相关概念了解-深度学习
深度学习是机器学习的一个子集，其核心是使用被称为“深度神经网络”的复杂结构来学习数据中的层次化特征。

• 工作原理：通过多层处理层（输入层、隐藏层、输出层）进行非线性变换，逐层提取从低级到高级的特征。例如，在图像识别中，底层可能识别边缘和角点，中间层识别纹理和部件，最高层则识别完整的物体（如猫脸、车轮）。
• 关键要求：需要大量的标注数据和强大的计算资源（如GPU）来训练数以百万计的参数。
• 例子：下文中的13层的卷积神经网络（CNN）就是一个深度学习模型。它被设计用来直接从柑橘图像中学习如何分类病虫害。

相关概念了解-迁移学习

• 工作原理：找到一个在大规模数据集（如ImageNet，包含1400多万张各种物体的图片）上预训练好的成熟模型（如VGG16、ResNet）。这个模型已经学会了提取图像的通用特征（如边缘、纹理、形状）。我们保留这个模型的特征提取部分，只替换和重新训练最后的分类层，使其适应我们特定的、数据量少的新任务（如柑橘病虫害识别）。
• 关键优势：避免了从零开始训练，节省了大量时间、计算资源和数据需求。它特别适合像农业病虫害识别这种标注数据难以获取的领域。
• 例子：下文中，研究人员发现自己的柑橘数据集“数据量少，数据分布不均衡”，导致模型效果不佳。于是他们引入了迁移学习，使用在ImageNet上预训练好的VGG16模型作为起点，大幅提升了所有病虫害类别的识别准确率。

实际应用

本研究设计了一个13层的深度卷积神经网络，其中包含6层卷积层和3层全连接层。

网络采用了一系列先进设计：

• 一个段内有多个3 ×3的卷积层堆叠
• 使用ReLU作为激活函数：ReLU为非饱和函数，在较深的网络超过了Sigmoid，成功解决了Sigmoid在网络较深时的梯度弥散问题。
• 重叠的最大池化（Max-pooling）：池化的步长小于核尺寸；最大池化，避免平均池化的模糊化效果。
• Dropout避免模型过拟合（减少过拟合的主要方法）
• 数据增强（DataAugmentation）（减少过拟合的主要方法）
• 使用GPU加快计算速度

5.实验结果与分析

基准模型性能

实验结果1

实验结果2

迁移学习应用

为解决数据不平衡问题，本研究引入了迁移学习技术，使用在ImageNet数据集上预训练的VGG16模型作为特征提取器，仅微调最后几层网络以适应病虫害识别任务。

迁移学习显著提升了模型性能：

溃疡病：F值从0.91提升至0.99

潜叶蛾：F值从0.79提升至0.93

锈壁虱：F值从0.85提升至0.95

疮痂病：F值从0.71提升至0.96

正常叶果：F值从0.68提升至0.94

平均F值从0.788提升至0.954，证明迁移学习有效解决了小样本和不平衡数据问题。

引进迁移学习后的实验结果

6.结论与展望

本研究提出了一种基于深度学习的柑橘虫害识别方法，通过设计合适的网络架构和引入迁移学习技术，有效解决了农业图像数据量少、不平衡等问题，实现了高精度的病虫害识别。

未来工作可从以下几方面展开：

• 收集更多病虫害图像数据，进一步优化模型性能
• 探索轻量级网络架构，便于移动端部署
• 扩展识别种类，覆盖更多农作物病虫害类型
• 结合气象、土壤等多源数据，构建更加全面的病虫害预警系统

本研究为农业生产中的病虫害智能识别提供了有效解决方案，对减少农药滥用、保护生态环境、提高农业生产效率具有重要意义。