深度学习技术在农作物病虫害识别中的应用综述

□文/谭智峰 贺志磊 张磊 苗娟

关键字：深度学习；病虫害；图像识别

农作物病虫害是影响农业生产和粮食安全的重要因素之一。及时、准确地识别和监测农作物病虫害，采取有效的防控措施，对保护农作物健康有重要的作用。随着深度学习技术的迅速发展，基于深度学习的农作物病虫害识别正成为农业智能化的重要研究焦点［1］。

一、深度学习技术在农作物病虫害识别中的应用

深度学习技术在农作物病虫害识别中的应用已经取得了显著的进展，对于提高农作物病虫害早期检测和精准诊断具有重要意义。以下将介绍几个典型的深度学习模型在农作物病虫害识别上的应用。

首先，卷积神经网络（CNN）模型是最常用的深度学习模型之一，在农作物病虫害识别中取得了重要成就。通过多层卷积和池化操作，CNN 模型可以自动从图像中提取关键的特征信息。如ResNet、Yolo 系列等经典的CNN模型在农作物病虫害识别任务上取得了良好的效果。

其次，循环神经网络（RNN）模型被应用在农作物病虫害识别预测中。RNN 模型能够处理时序信息，适合于处理农作物病虫害的时间序列数据。长短期记忆网络（LSTM）和门控循环单元（GRU）等RNN 模型在农作物病虫害分类和预测方面取得了不错的结果。

此外，融合模型和迁移学习在农作物病虫害识别中也得到了广泛应用。融合模型结合多种深度学习模型或特征提取方法，充分利用各自的优势来提高分类准确率。迁移学习则是将已经训练好的深度学习模型应用于新的农作物病虫害识别任务上，通过调整参数或微调网络来适应新的数据集，提高分类效果。

二、深度学习的农作物病虫害图像识别处理流程

基于深度学习的农作物病虫害图像处理流程通常包括图像获取、数据预处理、网络模型构建与训练，以及结果评估和应用四个主要步骤。流程如下图所示。

（一）图像获取。目前绝大多数深度学习研究所采用的数据集规模庞大，图像的数量达到数千，甚至上万［2］。基于深度学习的农作物病虫害图像识别研究中涉及的数据集获取主要分为两类：一类是自主获取，另一类来源于公开数据集。

1.自主获取。主要包括使用高分辨率相机或智能手机进行拍摄，从互联网获取并进行裁剪合成，以及借助高光谱成像仪捕获图像或运用农业互联网传感器收集昆虫数据信息。

2.公开数据集。目前网络上有非常多公开的农作物病虫害识别数据集，如农业病虫害研究图库（IDADP）是由中国科学院合肥智能机械研究所牵头，整合了大量的农业病虫害图像样本资源，每种病虫害具有几百到几千张高质量图像。该数据集数量最大，作物类别、病虫害类别最齐全，数据量超过200G，包括水稻、小麦、玉米等作物。以水稻为例，提供了水稻白叶枯病、水稻稻曲病等病害，东方蝼蛄、稻蝗、稻棘缘蝽等十几种虫害的数据。AI Challenger 2018 病虫害分类数据集，这个数据集是AI Challenger 2018竞赛的数据，包含10种不同植物（苹果、樱桃、番茄、辣椒、玉米、马铃薯等）的5万张图像数据集，27 种不同的病害，总共有61 个分类，分类基于“物种－病害－程度”来划分。Large Wheat Disease Classification Dataset （LWDCD） 小麦病害分类数据集，包含12000张照片，其中9个病害类别和1个健康类别［3］。

（二）数据预处理。为了实现最优的识别效果，在将图像输入深度学习模型之前，通常需要对图像进行预处理。其中，图像的亮度、对比度等属性在图像识别方面具有显著影响，不同亮度和对比度下的相同物体差异很大。农业病虫害图像检测识别中常遇到阴影、光照等因素，这些因素不应该影响最终的识别结果，因此需要对图像进行预处理，使实验结果尽可能减少无关因素的影响。

（三）网络模型构建与训练。常用的模型包括卷积神经网络（CNN）、循环神经网络（RNN）和融合模型等。模型的构建一般分为网络结构设计、参数初始化和损失函数选取等步骤。然后，使用已标注的训练集对模型进行训练，利用梯度下降等优化算法来不断调整网络参数以最小化损失函数。训练过程中需要控制模型的过拟合问题，可以采用正则化、dropout等技术来提高模型的泛化能力。

（四）结果评估和应用。在模型训练完成后，需要对其性能进行评估。通常会使用测试集中的图像进行预测和分类，并计算准确度、召回率、精确率以及F1-score等指标来评价模型的表现。如果模型达到了预期的性能要求，就可以将其应用于实际农作物病虫害识别场景中。

三、存在的问题

（一）复杂的环境因素。由于农田环境复杂，变化多样，例如农作物遮挡、灰尘等因素，这些因素会对图像数据采集产生带来困难。从而导致数据集的质量不高，使得直接将深度学习技术应用于田间变得困难［4］。

（二）模型优化问题。在开发深度神经网络模型时，提高模型的识别准确率是至关重要的目标。这要求模型能够有效地提取数据的特征信息，并且需要进行理论分析以确保模型的稳健性。同时，深度神经网络模型的架构也需要进一步研究，以适应不同的应用问题，研究人员正在积极尝试新的模型架构。

（三）研发及推广成本问题。深度学习技术现在主要在学术和工业领域中应用。将深度学习技术应用于农业领域时，成本问题是一个重要考虑因素。深度学习模型的研发需要大规模样本数据和GPU 资源。与传统检测方法相比，使用深度学习技术的成本明显增加。

四、深度学习技术在农作物病虫害识别中的未来发展方向

深度学习技术在农作物病虫害识别领域已经取得了重要的成果，但仍然存在一些挑战和改进空间。未来的发展趋势将集中于以下几个方面：

（一）数据增强与模型优化：在农作物病虫害图像数据不足或不平衡的情况下，如何通过数据增强策略来扩充和改善数据集，以提高模型的鲁棒性和泛化能力，将是一个重要的研究方向。此外，还需要对现有的深度学习模型进行优化，设计更加轻量级和高效的网络结构，以满足实时性和计算效率的要求。

（二）联合学习和迁移学习方法：联合学习是一种多任务学习方法，在农作物病虫害识别中可以通过同时学习多个相关任务（如病害分类、病程监测等）来提高整体性能。迁移学习则是将在大规模数据集上训练好的模型参数应用于新的农作物病虫害识别任务中，以加速模型的收敛速度和提升性能。

（三）结合传感器技术进行无监督学习：传感器技术可以实时采集和监测农作物的物理和生理信息，结合深度学习，能够更全面地了解农作物的生长和病虫害情况。这种结合可以提供更为准确的农作物病虫害监测和预警能力。

总之，未来发展的方向将是进一步提高农作物病虫害识别和预测的准确性、实时性和可操作性。深度学习技术将与其他技术结合，构建完整的农业智能化系统，为农民提供实用、快速和精确的农作物病虫害管理工具，推动农业可持续发展。

五、结束语

本文介绍了基于深度学习的农作物病虫害识别的应用情况。通过深度学习算法，特别是卷积神经网络（CNN）和循环神经网络（RNN）模型在农作物病虫害识别任务中表现出较高的准确率和鲁棒性，有助于及早发现病虫害问题并采取有效的防治措施。但深度学习农作物病虫害识别领域仍面临一些挑战。数据集的不平衡和缺乏多样性，模型的泛化能力与实时性等问题仍需要进一步解决。未来的研究可以从优化数据集的构建与扩充，设计轻量级且高效的深度学习模型，加强深度学习与传感器技术的结合等方面入手，以提高农作物病虫害识别的准确性、实时性和可操作性。