基于卷积神经网络的玉米叶片病虫害识别研究

摘" 要：玉米是中国重要的粮食、饲料和工业原料作物，但病虫害会严重威胁玉米的品质和产量，需开展玉米病虫害识别研究。该文主要基于ResNet18卷积神经网络，使用PlantVillage数据集中玉米叶片数据，针对玉米常见的普通锈病、灰斑病、大斑病和健康叶片开展玉米叶片病虫害图像识别研究。研究结果表明，玉米叶片病虫害识别模型准确率为98.05%，普通锈病、灰斑病、大斑病和健康叶片的召回率分别为100%、92.97%、99.22%和100%，针对4种类型叶片的精准率分别为100%、100%、100%和92.75%，F1分数为98.12%。模型能够较好识别玉米叶片病虫害类型，对于玉米病虫害的早期检测和防治具有重要意义。

关键词：卷积神经网络；玉米叶片；病虫害类型；图像识别；检测和防治

中图分类号：S435.13" " " 文献标志码：A" " " " " 文章编号：2096-9902（2025）03-0034-04

Abstract： Corn is an important grain， feed and industrial raw material crop in China， but pests and diseases can seriously threaten the quality and yield of corn， so research on the identification of corn pests and diseases is needed. This paper is mainly based on ResNet18 convolutional neural network（CNN） and using corn leaf data from the PlantVillage dataset to carry out image recognition research on corn leaf pests and diseases for common rust， gray leaf， large leaf and healthy leaves in corn. The research results show that the accuracy rate of the corn leaf pest identification model is 98.05%， and the recall rates of common rust， gray leaf spot， large leaf spot and healthy leaves are 100%， 92.97%， 99.22% and 100%， respectively. The accuracy rates for the four types of leaves are 100%， 100%， 100% and 92.75%， respectively， and the F1 score is 98.12%. The model can better identify the types of corn leaf pests and diseases， which is of great significance for early detection and control of corn pests and diseases.

Keywords： convolutional neural network（CNN）; corn leaf; pest type; image recognition; detection and control

玉米是重要的粮食、饲料和工业原料作物，在我国农业生产中占据着重要的地位。根据国家统计局公布数据，2023年我国玉米产量达到28 884.2万t，占全年粮食总产量的41.5%，在保障国家粮食安全方面发挥着至关重要的作用[1]。但病虫害对玉米产生了极大危害，轻则导致植株受损、组织破坏，重则导致直接坏死，颗粒无收，严重影响玉米品质与产量[2]。据全国农技中心预测分析，预计2024年全国玉米病虫害总体偏重发生，发生面积5.8亿亩次（1亩约等于667 m2）[3]。因此开展玉米病虫害识别研究对于保障玉米健康生长，提升玉米产量具有重大的现实意义。

近些年，随着信息技术的发展，国内外众多农业工作者纷纷投身于玉米病虫害的研究。王超等[4]针对玉米叶片利用聚类算法和中值滤波方法进行病虫害识别研究，并用支持向量机进行差异诊断。Resti等[5]基于朴素贝叶斯和K近邻算法对玉米植物病虫害进行分类，结果表明识别准度超过92.7%，但这些传统的图像识别和机械学习方法仅在有限的情况下表现良好[6]。张正超等[7]针对青藏高原地区常见的玉米病虫害进行识别应用研究，结合退火衰减算法，利用ResNet模型搭建了玉米病虫害识别系统，研究结果表明，所建立的模型识别准确度达到81%以上。Dewi等[8]研究分析了ResNet模型在农作物害虫识别、检测和分类方面的应用效果，研究结果表明ResNet在农作物病虫害识别方面是一种有效且可靠的方法，特别是在将预训练模型与有限的标记数据集结合使用情况下，其识别准确度远远超过其他的卷积神经网络算法。

1" 玉米病虫的种类

玉米常见病虫种类可分为玉米普通锈病、玉米灰斑病、玉米大斑病等，常见病虫害种类如图1所示。

1.1" 玉米普通锈病

玉米普通锈病是由真菌高粱柄锈菌浸染引发的一种病害，该病害通常在玉米叶片上显现，同时也可侵染叶鞘、茎秆以及苞叶。发生初期，在叶片上呈现乳白色的夏孢子堆，随着时间推移由乳白色转变为红褐色锈状，发病末期形成长椭圆形冬孢子堆。

1.2" 玉米灰斑病

灰斑病是由真菌玉米尾孢、高粱尾孢浸染引发的一种病害，该病害通常在玉米叶片上显现，同时也可侵染叶鞘、茎秆以及苞叶。发病初期为水渍状淡褐色斑点，后逐渐扩展为浅褐色条纹或不规则灰色至灰褐色长条斑，病斑与叶脉平行延伸，病斑中间灰色，边缘有褐色线条，病斑大小（4～20） mm×（2～5） mm[9]。

1.3" 玉米大斑病

玉米大斑病是由真菌大斑病凸脐蠕孢浸染引发的一种病害，该病害通常在玉米叶片上显现，同时也可侵染叶鞘、茎秆以及苞叶。发病初期通常从植株下部叶片发病，病斑呈长梭形，长10 cm以内，宽1 cm左右，颜色显现灰褐色或黄褐色，严重时叶片枯焦，发病后期病斑沿着叶脉呈现条状纵裂，叶片会出现枯死现象。

2" 实验数据和方法

2.1" 实验数据集

PlantVillage 数据集[10]是目前在农作物病虫害识别应用中使用最多的一个数据集，其提供的玉米病虫害数据集具有较高的可靠性和权威性，因此本文采用PlantVillage数据集中的玉米病虫害数据集。按照平均选取原则，选取数据集中有健康叶片、普通锈病叶片、灰斑病叶片和大斑病叶片4类，共计5 120张作为训练集和测试集，按照8∶2比例进行划分，另外在数据集中随机选取512张作为测试集。验证集可以用来调整模型的超参数，确定玉米叶片病虫害识别模型的网络结构，并对模型的效果进行初步评价；测试集用于检验最终模型的泛化能力。

2.2" 数据准备

对玉米叶片病虫害图像进行有效的增强处理，可以突出图像特征，抑制噪音干扰，提高病虫害识别的准确度。基于数据库采集到的玉米叶片病虫害图像，通过高斯滤波平滑图像，减少随机噪声的影响，同时尽可能地保留病虫害图像的特征。由于光照不均匀或其他原因导致对比度较低，可能导致叶片病虫害特征不明显，通过直方图均衡化等对比度增强算法，可以提高图像的对比度，使病虫害的特征更加突出，提高病虫害识别算法的准确性。高斯滤波和直方图均衡化处理后图像如图2所示。

2.3" 数据预处理

图像归一化处理在图像识别中扮演着非常重要的角色，它是对数据进行预处理的一种方法，通过将数据转换为统一的尺度，可有效避免较大数值范围的特征对模型的训练产生较大影响，导致模型过于关注某些特征而忽略其他特征。在卷积神经网络中，对输入图像进行归一化可以提高模型的训练速度和准确性[11]。

3" 卷积神经网络模型

3.1" 卷积神经网络原理

卷积神经网络主要由数据输入层、卷积层、池化层、全连接层和输出层组成[12]，卷积神经网络示意图如图3所示。

1）数据输入层：接收图像等数据，通常是一个多维数组，如彩色图像为三维数组（高度、宽度、颜色通道）。

2）卷积层：通过卷积核对输入数据展开卷积操作，以此提取图像的局部特征。卷积核在图像上滑动，针对每个局部区域实施加权求和，进而获得特征图。

3）池化层：对卷积得到的特征图进行下采样处理，在降低数据维度、减少计算量的同时，又尽可能保留主要特征。常见的池化方式包括最大池化与平均池化。

4）全连接层：将经过多次卷积和池化后的特征进行整合，通过全连接的方式与输出层相连，实现对图像的分类或回归等任务。

5）输出层：输出层依照任务要求输出分类结果或者预测数值。

3.2" 残差神经网络

卷积神经网络在图像识别、目标检测等领域有着优异的表现[13]，然而，随着神经网络层数的不断加深，传统的卷积神经网络模型会面临梯度分散或爆炸的问题[14]，为了解决这些难题，残差网络模型（ResNet）应运而生[15]。ResNet 通过引入残差学习的概念，极大地改善了深度神经网络的性能。在ResNet模型中，每个残差块包含了一个跳跃连接，使得网络可以更容易地学习输入与输出之间的残差映射。这种设计使得网络在训练过程中能够更加有效地传递梯度，避免了深度增加带来的梯度消失问题。同时，残差块的结构也有助于缓解网络退化现象，使得更深的网络能够获得比浅层网络更好的性能表现。

4" 结果与分析

4.1" 模型训练

基于PlantVillage 数据集中所选择的病虫害图像，以ResNet18残差神经网络模型为例，开展玉米叶片病虫害识别研究，将模型迭代训练50次，结果如图4和图5所示。准确率是模型预测正确数量占总量的比例，模型经过50轮迭代训练后，训练集和验证集准确率均保持在97%以上，且趋于收敛，在训练40轮以后，准确率变化值在较小范围内，可认为模型训练结果有效，不存在过拟合现象。损失值用于衡量模型预测值与真实值之间的差异，损失值的计算采用交叉熵损失函数进行计算，其目的是通过最小化损失函数来优化模型的参数，使模型能够更好地拟合训练数据，从图5可以发现，在训练过程中，训练集和验证集的损失值虽然略有波动，但总体趋于收敛，且随着迭代轮次的增加，波动逐渐减小且趋于平缓，说明训练模型的可靠性相对较高。

4.2" 实验结果

为客观评价模型在各类病虫害中的准确性，利用训练好的模型对测试集中4类玉米叶片病虫害数据集共计512张进行识别，实验得到的混淆矩阵结果见表1。基于表1的结果，对实验的评价指标进行计算，结果见表2，计算得到所训练的玉米叶片病虫害识别模型准确率为98.05%，普通锈病、灰斑病、大斑病和健康叶片的召回率分别为100%、92.97%、99.22%和100%，针对4种类型叶片的精准率分别为100%、100%、100%和92.75%，F1分数为98.12%。

5" 结论和展望

5.1" 结论

本文基于卷积神经网络对PlantVillage 数据集中玉米叶片病虫害图像数据进行了识别研究，所训练的模型能够准确识别玉米叶片病虫害类型，对于降低病虫害对玉米产量和质量的影响，提高病虫害识别的效率具有一定指导意义，主要研究结论如下：

1）对选择的玉米叶片病虫害数据集通过高斯滤波和直方图均衡化处理，能够凸显图像特征，抑制噪音干扰，提高病虫害识别的准确度，并通过图像归一化处理将数据转换为统一的尺度。

2）训练模型经过50轮迭代后，训练结果有效且可靠性相对较高，模型准确率为98.05%，4类不同叶片数据集平均召回率和精准率分别为98.05%和98.19%，F1分数为98.12%，表明模型的综合性能较高，训练模型对于玉米叶片的病虫害识别具有较高的准确度。

5.2" 展望

随着信息技术的发展，卷积神经网络在农作物病虫害图像识别方面显示出巨大的潜力，基于卷积神经网络的病虫害识别技术大大提高了农业生产的效率，对保障农业生产、促进农业经济发展具有重要意义。未来，随着技术的不断进步和创新，智慧农业和无人农场逐渐成为现代农业发展的新方向，基于卷积神经网络的病虫害识别技术将发挥更加关键的作用，通过在线监测农作物生长状态，实时采集农作物叶片图像，实现病虫害精准识别和及时防治，不仅推动了农业智能化发展，提高农业生产效率和质量，还为保障粮食安全提供了有力支持。

参考文献：

[1] 国家统计局关于2023年粮食产量数据的公告[N].中国信息报，2023-12-12（001）.

[2] 宋珂.基于农业信息技术的玉米病虫害监测与防治[J].农业工程技术，2023，43（23）：69-70.

[3] 农业农村部办公厅关于印发《2024年“虫口夺粮”保丰收行动方案》的通知[J].中华人民共和国农业农村部公报，2024（4）：38-41.

[4] 王超，张勇，王淼，等.基于机器视觉的网络化玉米病害检测方法研究[J].江苏科技信息，2020，37（5）：27-28.

[5] RESTI Y， IRSAN C， PUTRI M T， et al. Identification of corn plant diseases and pests based on digital images using multinomial na？ve bayes and k-nearest neighbor[J]. Science and Technology Indonesia， 2022，7（1）：29-35.

[6] SALMAN Z， MUHAMMAD A， PIRAN M J， et al. Crop-saving with AI： latest trends in deep learning techniques for plant pathology[J]. Frontiers in Plant Science， 2023（14）： 1224709.

[7] 张正超，方文博，郭永刚.基于Resnet50的西藏高原地区玉米病害识别系统[J].高原农业，2022，6（2）：164-172，212.

[8] DEWI C， CHRISTANTO H J， DAI G W. Automated identification of insect pests： a deep transfer learning approach using resnet[J]. Acadlore Trans. Mach. Learn， 2023，2（4）： 194-203.

[9] 周慧升.玉米灰斑病的发生及综合防治[J].云南农业，2020（8）：56-58.

[10] HUGHES D， SALATH？魪 M. An open access repository of images on plant health to enable the development of mobile disease diagnostics[J]. arxiv preprint arxiv：1511.08060， 2015.

[11] 张娜，刘坤，杨国栋.基于AlexNet的农作物病虫害识别研究[J].计算机与数字工程，2024，52（2）：554-558，621.

[12] 李正，李宝喜，李志豪，等.基于深度学习的农作物病虫害识别研究进展[J].湖北农业科学，2023，62（11）：165-169.

[13] AHMAD I， HAMID M， YOUSAF S， et al. Optimizing pretrained convolutional neural networks for tomato leaf disease detection[J]. Complexity， 2020， 2020（1）： 8812019.

[14] XU W， LI W， WANG L， et al. Enhancing corn pest and disease recognition through deep learning： A comprehensive analysis[J]. Agronomy， 2023， 13（9）： 2242.

[15] HE K， ZHANG X， REN S， et al. Deep residual learning for image recognition[C]//Proceedings of the IEEE conference on computer vision and pattern recognition，2016：770-778.