基于深度学习的农场虫情检测算法研究及实现

摘要：传统的病虫害防治手段需要消耗大量人力、物力，且达不到很高的精确度，为了更科学、高效地做好农场病虫害防治工作，本文结合深度学习技术和物联网技术研发了虫情检测系统进行病虫害的远程检测，提高防治工作的效率。该系统采用YOLO-v5 网络模型，结合迁移学习，训练学习了林业常见害虫和农田常见害虫的特征，实现了高效的检测识别。基于物联网技术实现远程控制拍摄病虫害图像，并通过Wi-Fi 传输到计算机端进行识别，通过可视化界面呈现出农田中虫害的种类和数量，对减少人力、物力消耗以及实现科学防虫具有良好的实际应用价值。

关键词：农场虫情检测；深度学习；物联网技术；YOLO-v5 网络模型；图像处理识别

中图分类号：TP393 文献标志码：A

为了使农作物生长过程中尽可能减少病虫害的影响，进而提高农作物产出率，对农作物进行虫情的测报和预防是十分必要的。随着现代计算机技术的发展，人工智能技术和物联网技术也被逐步应用于智慧农业当中[1]。

早在20 世纪70 年代，美国已经开始研究应用于农作物病虫害检测诊断的专家系统。美国伊利诺斯大学针对大豆作物研制了世界上第1 个运用于诊断病虫害的专家系统PLANT/ds[2]。美国棉花委员会和农业部[3] 研发了棉花作物专家系统COMAX/GOSSYM。此后相继有苹果病虫害治理[4] 和管理[5]专家系统、棉花灌溉[6] 和害虫鉴定[7] 等众多专家系统服务于农业生产。Ding 等[8] 采用信息素诱捕方法捕获农田间的害虫，并采用深度学习方法进行害虫的检测识别，最终得出害虫数量，达到了自动、实时地检测害虫情况的效果。Jozsef[9] 在硬件方面设计了更多配备摄像头的嵌入式系统来远程捕捉和上传害虫捕捉图像；在软件方面，借助机器视觉和机器学习方法检测农田中的害虫信息，显著降低了害虫防治的成本。Balakrishnan 等[10] 采用基于区域的卷积神经网络及残差神经网络构建检测框架，并部署在物联网系统上检测昆虫种类及数量，结果表明，此检测系统的平均准确率为94%。王明红等[11] 基于B/S（Browser/Server）结构设计的农作物病虫害远程预警系统在北京实现应用，此系统利用移动物联网给农作物生产者和病虫害专家系统搭建了桥梁。贾桂霞等[12] 研发的基于Android 的病虫害移动查询系统为广大基层农业工作者提供病虫害信息检索以及防治方案，运用移动互联网技术普及病虫害知识。近几年随着人工智能技术的普及，应用新技术检测农作物病虫害的研究者也越来越多。张恩迪等[13]采用Kmeans聚类算法从拍摄图片背景中提取稻飞虱并与最小二乘法椭圆拟合，用椭圆率区分虫体和杂质，再统计稻飞虱数目。

农业专家系统以及病虫害预测模型在加强病虫害预测和综合管理农田方面起到了重要作用。以往的研究在害虫检测的实时性、识别害虫种类的多样性、使用的方便直观性等方面尚无法同时兼顾，为此，本文结合深度学习技术研发了基于物联网的虫情检测系统来进行害虫的远程检测，采用YOLOv5检测框架实时、多样性地检测害虫，并且设计了计算机端可视化界面，实现了便捷的使用效果。