基于深度學(xué)習(xí)的計(jì)算機(jī)視覺(jué)技術(shù)的智慧農(nóng)業(yè)應(yīng)用

作者：涂承燁 2025-09-28 07:23:46

本文整理自福建農(nóng)林大學(xué)計(jì)算機(jī)與信息學(xué)院/農(nóng)林大數(shù)據(jù)中心楊長(zhǎng)才副教授團(tuán)隊(duì)的研究成果，拋磚引玉為智慧農(nóng)業(yè)的發(fā)展提供一些思路。

整理 | 涂承燁

審校 | 重樓

1.背景

隨著農(nóng)業(yè)現(xiàn)代化進(jìn)程的推進(jìn)，人工智能技術(shù)在農(nóng)作物病蟲(chóng)害識(shí)別領(lǐng)域展現(xiàn)出廣闊的應(yīng)用前景。我國(guó)每年因病蟲(chóng)害導(dǎo)致的果品蔬菜損失高達(dá)25%以上，化學(xué)農(nóng)藥濫用現(xiàn)象嚴(yán)重，并對(duì)生態(tài)環(huán)境造成破壞。本文基于深度學(xué)習(xí)技術(shù)，提出了一種高效的植物蟲(chóng)害識(shí)別方法，旨在實(shí)現(xiàn)快速、準(zhǔn)確、智能的病蟲(chóng)害診斷，為農(nóng)民提供科學(xué)指導(dǎo)，推動(dòng)綠色農(nóng)業(yè)發(fā)展。
農(nóng)作物病蟲(chóng)害是影響農(nóng)業(yè)生產(chǎn)的重要因素之一。傳統(tǒng)的病蟲(chóng)害識(shí)別方法依賴人工檢測(cè)和經(jīng)驗(yàn)判斷，存在成本高、效率低、對(duì)專業(yè)知識(shí)要求高等問(wèn)題。近年來(lái)，深度學(xué)習(xí)技術(shù)在圖像識(shí)別領(lǐng)域取得顯著進(jìn)展，為農(nóng)業(yè)病蟲(chóng)害智能識(shí)別提供了新的解決方案。本研究聚焦柑橘常見(jiàn)病蟲(chóng)害，構(gòu)建了一個(gè)基于卷積神經(jīng)網(wǎng)絡(luò)的識(shí)別模型，并結(jié)合實(shí)際應(yīng)用場(chǎng)景進(jìn)行了系統(tǒng)驗(yàn)證。

2.現(xiàn)狀

農(nóng)作物病蟲(chóng)害的識(shí)別，主要有三種方法：

人工檢測(cè)：成本高，不易推廣。
機(jī)器學(xué)習(xí)算法：傳統(tǒng)的農(nóng)作物病害識(shí)別方法主要基于機(jī)器學(xué)習(xí)算法，需要人工設(shè)計(jì)特征，對(duì)專業(yè)知識(shí)和經(jīng)驗(yàn)要求較高，且識(shí)別準(zhǔn)確率有限。
深度學(xué)習(xí)：能夠自動(dòng)學(xué)習(xí)圖像中的特征表征，具有更強(qiáng)的表達(dá)能力和泛化性能。然而，深度學(xué)習(xí)模型需要大量標(biāo)注數(shù)據(jù)作為支撐，在農(nóng)業(yè)領(lǐng)域數(shù)據(jù)采集面臨如下困難：
采集成本高、采集難度大、采集周期長(zhǎng)。
標(biāo)注難度大、類別不平衡等挑戰(zhàn)。
不同病害間特征有相似性。

具體說(shuō)來(lái)，果樹(shù)樹(shù)干高大、樹(shù)葉茂密，會(huì)相互遮掩，難以用高空假設(shè)的攝像機(jī)獲取到病害圖像。前期采集數(shù)據(jù)都是人工手機(jī)拍攝的，所以需要耗費(fèi)大量的人力。
柑橘潛葉蛾是潰瘍病誘發(fā)主要因素之一，潛葉蛾喜高溫、喜濕，在低溫低濕情況下，活躍度不高、病害發(fā)生概率低，主要危害柑橘新梢嫩葉。3-11月左右均有病害發(fā)生，3至5月的時(shí)候病害較少，主要發(fā)病時(shí)間集中在8至9月和秋梢形成后。
在6、7月份閩清高溫雨少時(shí)期，柑桔銹壁虱數(shù)量會(huì)暴增、數(shù)量暴增后大約在8月份將出現(xiàn)柑橘銹壁虱病害高峰。所以采集圖像時(shí)間線往往需要更久；且由于病害的防治措施、力度和效果不一，有些防治得較好的，采集病害圖像更是“可遇不可求”，會(huì)出現(xiàn)病害圖像數(shù)據(jù)分布不均勻的問(wèn)題。

3.數(shù)據(jù)分析

本研究共收集了3305張柑橘圖像，包括1040張潰瘍病圖像、299張瘡痂病圖像、320張潛葉蛾圖像、210張銹壁虱圖像以及202張正常葉果圖像。

柑橘潰瘍病病葉和病果

柑橘瘡痂病病葉和病果

柑橘潛葉蛾病葉

柑橘銹壁虱病果

柑橘正常葉果圖例

數(shù)據(jù)特點(diǎn)表現(xiàn)為樣本量有限且分布不均衡，這對(duì)模型訓(xùn)練提出了挑戰(zhàn)。

針對(duì)數(shù)據(jù)不足的問(wèn)題，研究采用了數(shù)據(jù)增強(qiáng)技術(shù)，通過(guò)對(duì)原始圖像進(jìn)行旋轉(zhuǎn)、縮放、裁剪等操作擴(kuò)充數(shù)據(jù)集。同時(shí)，針對(duì)光照不均等問(wèn)題，進(jìn)行了相應(yīng)的預(yù)處理工作，以提高模型魯棒性。

4.深度學(xué)習(xí)應(yīng)用

相關(guān)概念了解-深度學(xué)習(xí)
深度學(xué)習(xí)是機(jī)器學(xué)習(xí)的一個(gè)子集，其核心是使用被稱為“深度神經(jīng)網(wǎng)絡(luò)”的復(fù)雜結(jié)構(gòu)來(lái)學(xué)習(xí)數(shù)據(jù)中的層次化特征。

工作原理：通過(guò)多層處理層（輸入層、隱藏層、輸出層）進(jìn)行非線性變換，逐層提取從低級(jí)到高級(jí)的特征。例如，在圖像識(shí)別中，底層可能識(shí)別邊緣和角點(diǎn)，中間層識(shí)別紋理和部件，最高層則識(shí)別完整的物體（如貓臉、車輪）。
關(guān)鍵要求：需要大量的標(biāo)注數(shù)據(jù)和強(qiáng)大的計(jì)算資源（如GPU）來(lái)訓(xùn)練數(shù)以百萬(wàn)計(jì)的參數(shù)。
例子：下文中的13層的卷積神經(jīng)網(wǎng)絡(luò)（CNN）就是一個(gè)深度學(xué)習(xí)模型。它被設(shè)計(jì)用來(lái)直接從柑橘圖像中學(xué)習(xí)如何分類病蟲(chóng)害。

實(shí)際應(yīng)用

本研究設(shè)計(jì)了一個(gè)13層的深度卷積神經(jīng)網(wǎng)絡(luò)，其中包含6層卷積層和3層全連接層。

網(wǎng)絡(luò)采用了一系列先進(jìn)設(shè)計(jì)：

一個(gè)段內(nèi)有多個(gè)3 ×3的卷積層堆疊
使用ReLU作為激活函數(shù)：ReLU為非飽和函數(shù)，在較深的網(wǎng)絡(luò)超過(guò)了Sigmoid，成功解決了Sigmoid在網(wǎng)絡(luò)較深時(shí)的梯度彌散問(wèn)題。
重疊的最大池化（Max-pooling）：池化的步長(zhǎng)小于核尺寸；最大池化，避免平均池化的模糊化效果。
Dropout避免模型過(guò)擬合（減少過(guò)擬合的主要方法）
數(shù)據(jù)增強(qiáng)（DataAugmentation）（減少過(guò)擬合的主要方法）
使用GPU加快計(jì)算速度

5.實(shí)驗(yàn)結(jié)果與分析

基準(zhǔn)模型性能

在不使用遷移學(xué)習(xí)的情況下，模型在測(cè)試集上的整體表現(xiàn)如下：潰瘍病識(shí)別效果最佳（F值=0.91），其次是銹壁虱（F值=0.85）和潛葉蛾（F值=0.79），瘡痂病和正常葉果的識(shí)別效果相對(duì)較差（F值分別為0.71和0.68）。結(jié)果表明，模型性能與樣本數(shù)量呈正相關(guān)關(guān)系。

實(shí)驗(yàn)結(jié)果1

實(shí)驗(yàn)結(jié)果2

遷移學(xué)習(xí)應(yīng)用

為解決數(shù)據(jù)不平衡問(wèn)題，本研究引入了遷移學(xué)習(xí)技術(shù)，使用在ImageNet數(shù)據(jù)集上預(yù)訓(xùn)練的VGG16模型作為特征提取器，僅微調(diào)最后幾層網(wǎng)絡(luò)以適應(yīng)病蟲(chóng)害識(shí)別任務(wù)。

遷移學(xué)習(xí)顯著提升了模型性能：

潰瘍病：F值從0.91提升至0.99

潛葉蛾：F值從0.79提升至0.93

銹壁虱：F值從0.85提升至0.95

瘡痂病：F值從0.71提升至0.96

正常葉果：F值從0.68提升至0.94

平均F值從0.788提升至0.954，證明遷移學(xué)習(xí)有效解決了小樣本和不平衡數(shù)據(jù)問(wèn)題。

引進(jìn)遷移學(xué)習(xí)后的實(shí)驗(yàn)結(jié)果

6.結(jié)論與展望

本研究提出了一種基于深度學(xué)習(xí)的柑橘蟲(chóng)害識(shí)別方法，通過(guò)設(shè)計(jì)合適的網(wǎng)絡(luò)架構(gòu)和引入遷移學(xué)習(xí)技術(shù)，有效解決了農(nóng)業(yè)圖像數(shù)據(jù)量少、不平衡等問(wèn)題，實(shí)現(xiàn)了高精度的病蟲(chóng)害識(shí)別。

未來(lái)工作可從以下幾方面展開(kāi)：