深度学习在农业病虫害检测识别中的应用综述

　　摘要：深度学习是一种新兴的图像处理和数据分析技术，其中深度卷积网络在处理图像、视频、语音和音频方面取得突破性进展，其在农业领域的应用引起广泛关注。对采用深度学习技术的39项农业病虫害检测识别研究成果进行研究，分析其数据来源、预处理和增强技术、应用领域、采用的模型和框架、性能指标，并与其它研究方法作对比。研究结果表明，深度学习具有良好的自动特征提取功能，提供了更好的分类效果，优于传统的机器学习方法，且数据采集的多样性、数据规模和完整性对深度学习性能有重要影响。

　　关键词：深度学习；病虫害；图像识别；特征提取；智能农业

　　引言

　　目前，国内大多数农民对农作物病虫害的判别方法停留在传统的实地目测上，通过农作物的外观表面形态等进行判断，多依赖于个人经验。专家对于病虫害识别具有丰富经验，但往往不能及时赶往现场，或者因有限的人力资源不能进行大型区域识别，容易导致误判和漏判。如何有效、快捷地防治农作物病虫害，成为当前智能农业必须考虑的问题。

　　计算机视觉技术在农业应用中最为广泛，主要研究方向有作物病害检测与诊断［1］、农产品采摘预测［2］、农产品品质检测［3］、农产品分级等。使用计算机视觉技术在不影响农作物本身生长的前提下对农业病虫害进行检测识别，具有无损、快速、实时等特点。国内外专家学者在病虫害图像识别领域的研究工作主要集中在图像分割、图像特征提取、图像分类和识别等［4］。

　　1深度学习

　　深度学习方法是一种特征表示方法，它能将原数据通过简单的多种非线性模型组合转变为更高层次的抽象形式，而其核心是各层特征而不再是人工设计，通过通用的学习过程自主获得［5-8］。正是由于深度学习能自动提取高层次特征的特点，采用它进行图像处理时极大减免了特征工程的复杂操作，减少了模型训练时间［9-10］，使得模型分析结果更精准［11］，运行效率也相对较高［12］。并且，深度学习模型可以开发模拟数据集以解决实际问题［13］。

　　2农业病虫害检测识别中的深度学习应用本文对39项农业病虫害相关研究工作进行分析，并介绍它们的数据来源、所使用的数据预处理技术和数据增强技术、研究对象、选择的深度学习模型和体系结构、采用的性能指标。

　　2.1数据源

　　观察所研究文章的数据集，如表1所示，大部分研究使用的数据集规模较大，图像数目多达千张甚至上万张。

　　研究中涉及的数据集分为两类：一类是自主获取，包括采用高清相机或手机进行拍摄获取；网上获取并裁剪合成；使用高普光成像仪获取图像或使用农业互联网传感器采集昆虫数据信息；另一类来源于公开数据集，其中使用最为广泛的是Imagenet和PlantVillage等。ImageNet数据集是为了促进计算机图像识别技术发展而设立的一个大型图像数据集，其中已经超过千万张图片，每一张图片都被手工标定好类别。PlantVillage是一个公开数据集，已经收集成千上万健康和患病作物图片，并公开和免费提供这些图片。

　　2.2数据预处理

　　部分研究（32篇论文，80%）为了实现识别效果最优化，在图像或图像的特定特征输入到深度学习模型之前对图像作预处理。在使用深度学习对图像进行分类识别时，图像的亮度、对比度等属性对图像识别效果影响非常大，相同物体在不同亮度和对比度下的差别非常大。在农业病害图像检测识别问题中，经常会遇到阴影、强曝光之类的图片，这些因素都不应该影响最后的识别结果，因此要对图像作预处理，使得到的实验结果尽可能小地被无关因素所影响。调整图像大小是最常见的预处理过程，深度学习模型常用尺寸有：256×256、227×227、224×224等。图像分割也是图像预处理的一种较流行的做法，可以增加数据集规模，也可以通过突出感兴趣的区域促进学习过程，使专家和志愿者更容易对数据进行注释。研究表明，采用分割图像的平均识别精度相比原始图像取得了更好的识别效果，其余数据预处理方法如表2所示。

　　3讨论

　　分析表明，在每篇论文中，将基于深度学习的方法性能与其它技术进行比较时，最重要的是要坚持相同的实验条件（数据集和性能度量），并将基于传统机器学习的方法和其它每篇论文中所解决的特定问题而采用的先进技术进行比较。

　　每篇论文涉及不同的数据集、预处理技术、度量、模型和参数，因此每篇论文中使用的技术受到严格限制。基于这些约束条件可知，深度学习比传统的SVM、DecisionTree等分类器有更好的分类表现。在特征提取方面，相较于尺度不变特征变换、纹理、颜色和形状等传统方法，深度学习模型的自动特征提取更有效。

　　本文研究表明，一些研究工作取得了较好成果，因为其数据集具有较高的真实性和较大的规模性，而对于部分真实数据集则较少研究，观察其对模型的迁移学习预训练并在真实数据上进行测试，其中数据集中真实数据所占比率越高，分类效果越好。因此可以得出，迁移学习是深度学习的重要内容，它是解决各种研究问题中真实数据集不存在或不够大的关键，但其中数据集中真实数据所占比率仍是影响其实验效果的关键因素，真实数据比率越高，分类效果越好。

　　参考文献：

　　［1］QUF，WUYJ，LIUP.Researchprogressofcomputervisiontechnol?ogyincroppestcontrol［J］.JournalofAnhuiAgriculturalSciences，2011，39（9）：5570-5571.屈赟，吴玉洁，刘盼.计算机视觉技术在农作物病虫草害防治中的研究进展［J］.安徽农业科学，2011，39（9）：5570-5571.

　　［2］BAOG，XUNY，QILY.Applicationofmachinevisionincucumberpickingrobot［J］.JournalofZhejiangUniversityofTechnology，2010，38（1）：114-118.鲍官军，荀一，戚利勇.机器视觉在黄瓜采摘机器人中的应用研究［J］.浙江工业大学学报，2010，38（1）：114-118.

　　［3］YINGYB，RAOXQ，ZHAOY，etal.Applicationofmachinevisiontechnologyinautomaticidentificationofagriculturalproductquality（I）［J］.TransactionsoftheChineseSocietyofAgriculturalEngi?neering，2000，1（1）：103-108.应义斌，饶秀勤，赵匀，等.机器视觉技术在农产品品质自动识别中的应用（I）［J］.农业工程学报，2000，1（1）：103-108.

　　边柯橙，杨海军，路永华

《深度学习在农业病虫害检测识别中的应用综述》

上一篇：浅析农业种植中现代化技术的应用

下一篇：农用无人机自主飞行技术研究与趋势