本文整理自福建農林大學計算機與信息學院/農林大數據中心楊長才副教授團隊的研究成果，拋磚引玉為智慧農業的發展提供一些思路。

1.背景

隨著農業現代化進程的推進，人工智能技術在農作物病蟲害識別領域展現出廣闊的應用前景。我國每年因病蟲害導致的果品蔬菜損失高達25%以上，化學農藥濫用現象嚴重，并對生態環境造成破壞。本文基于深度學習技術，提出了一種高效的植物蟲害識別方法，旨在實現快速、準確、智能的病蟲害診斷，為農民提供科學指導，推動綠色農業發展。
農作物病蟲害是影響農業生產的重要因素之一。傳統的病蟲害識別方法依賴人工檢測和經驗判斷，存在成本高、效率低、對專業知識要求高等問題。近年來，深度學習技術在圖像識別領域取得顯著進展，為農業病蟲害智能識別提供了新的解決方案。本研究聚焦柑橘常見病蟲害，構建了一個基于卷積神經網絡的識別模型，并結合實際應用場景進行了系統驗證。

2.現狀

農作物病蟲害的識別，主要有三種方法：

• 人工檢測：成本高，不易推廣。
• 機器學習算法：傳統的農作物病害識別方法主要基于機器學習算法，需要人工設計特征，對專業知識和經驗要求較高，且識別準確率有限。
• 深度學習：能夠自動學習圖像中的特征表征，具有更強的表達能力和泛化性能。然而，深度學習模型需要大量標注數據作為支撐，在農業領域數據采集面臨如下困難：
• 采集成本高、采集難度大、采集周期長。
• 標注難度大、類別不平衡等挑戰。
• 不同病害間特征有相似性。

具體說來，果樹樹干高大、樹葉茂密，會相互遮掩，難以用高空假設的攝像機獲取到病害圖像。前期采集數據都是人工手機拍攝的，所以需要耗費大量的人力。
柑橘潛葉蛾是潰瘍病誘發主要因素之一，潛葉蛾喜高溫、喜濕，在低溫低濕情況下，活躍度不高、病害發生概率低，主要危害柑橘新梢嫩葉。3-11月左右均有病害發生，3至5月的時候病害較少，主要發病時間集中在8至9月和秋梢形成后。
在6、7月份閩清高溫雨少時期，柑桔銹壁虱數量會暴增、數量暴增后大約在8月份將出現柑橘銹壁虱病害高峰。所以采集圖像時間線往往需要更久；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”，會出現病害圖像數據分布不均勻的問題。

3.數據分析

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

數據特點表現為樣本量有限且分布不均衡，這對模型訓練提出了挑戰。

針對數據不足的問題，研究采用了數據增強技術，通過對原始圖像進行旋轉、縮放、裁剪等操作擴充數據集。同時，針對光照不均等問題，進行了相應的預處理工作，以提高模型魯棒性。

4.深度學習應用

相關概念了解-深度學習
深度學習是機器學習的一個子集，其核心是使用被稱為“深度神經網絡”的復雜結構來學習數據中的層次化特征。

• 工作原理：通過多層處理層（輸入層、隱藏層、輸出層）進行非線性變換，逐層提取從低級到高級的特征。例如，在圖像識別中，底層可能識別邊緣和角點，中間層識別紋理和部件，最高層則識別完整的物體（如貓臉、車輪）。
• 關鍵要求：需要大量的標注數據和強大的計算資源（如GPU）來訓練數以百萬計的參數。
• 例子：下文中的13層的卷積神經網絡（CNN）就是一個深度學習模型。它被設計用來直接從柑橘圖像中學習如何分類病蟲害。

相關概念了解-遷移學習

• 工作原理：找到一個在大規模數據集（如ImageNet，包含1400多萬張各種物體的圖片）上預訓練好的成熟模型（如VGG16、ResNet）。這個模型已經學會了提取圖像的通用特征（如邊緣、紋理、形狀）。我們保留這個模型的特征提取部分，只替換和重新訓練最后的分類層，使其適應我們特定的、數據量少的新任務（如柑橘病蟲害識別）。
• 關鍵優勢：避免了從零開始訓練，節省了大量時間、計算資源和數據需求。它特別適合像農業病蟲害識別這種標注數據難以獲取的領域。
• 例子：下文中，研究人員發現自己的柑橘數據集“數據量少，數據分布不均衡”，導致模型效果不佳。于是他們引入了遷移學習，使用在ImageNet上預訓練好的VGG16模型作為起點，大幅提升了所有病蟲害類別的識別準確率。

實際應用

本研究設計了一個13層的深度卷積神經網絡，其中包含6層卷積層和3層全連接層。

網絡采用了一系列先進設計：

• 一個段內有多個3 ×3的卷積層堆疊
• 使用ReLU作為激活函數：ReLU為非飽和函數，在較深的網絡超過了Sigmoid，成功解決了Sigmoid在網絡較深時的梯度彌散問題。
• 重疊的最大池化（Max-pooling）：池化的步長小于核尺寸；最大池化，避免平均池化的模糊化效果。
• Dropout避免模型過擬合（減少過擬合的主要方法）
• 數據增強（DataAugmentation）（減少過擬合的主要方法）
• 使用GPU加快計算速度

5.實驗結果與分析

基準模型性能

實驗結果1

實驗結果2

遷移學習應用

為解決數據不平衡問題，本研究引入了遷移學習技術，使用在ImageNet數據集上預訓練的VGG16模型作為特征提取器，僅微調最后幾層網絡以適應病蟲害識別任務。

遷移學習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，證明遷移學習有效解決了小樣本和不平衡數據問題。

引進遷移學習后的實驗結果

6.結論與展望

本研究提出了一種基于深度學習的柑橘蟲害識別方法，通過設計合適的網絡架構和引入遷移學習技術，有效解決了農業圖像數據量少、不平衡等問題，實現了高精度的病蟲害識別。

未來工作可從以下幾方面展開：

• 收集更多病蟲害圖像數據，進一步優化模型性能
• 探索輕量級網絡架構，便于移動端部署
• 擴展識別種類，覆蓋更多農作物病蟲害類型
• 結合氣象、土壤等多源數據，構建更加全面的病蟲害預警系統

本研究為農業生產中的病蟲害智能識別提供了有效解決方案，對減少農藥濫用、保護生態環境、提高農業生產效率具有重要意義。