基于深度學習的水稻病蟲害智能識別系統研究

摘" 要：針對傳統人工識別水稻病蟲害存在的主觀性問題，本文提出基于深度學習的水稻病蟲害智能識別系統，以實現水稻病蟲害的精準識別。本文先將坐標注意力機制引入殘差神經網絡中，提高其特征提取能力。然后，在神經網絡結構中增設全連接層以擴大特征提取范圍，同時在全連接層中引入Dropout策略，以降低模型過擬合風險。最后，提出改進YOLOv3檢測模型，來解決殘差神經網絡對小病斑識別不準確的問題。實驗結果表明，與傳統殘差神經網絡模型比較，改進模型的F1-score提高了3.7%。與YOLOv5相比較，改進YOLOv3模型的檢測準確率提高6.6%，檢測速度提高13%。因此，本文提出的識別系統對水稻病蟲害具有較高識別能力，減少了種植者對專家的依賴，為水稻病蟲害識別提供了有力的技術支持。

關鍵詞：水稻；病害識別；深度學習；注意力機制；特征提取

中圖分類號：S126" " " " " " " " " " " " " " " "文獻標志碼：A文章編號：1673-6737（2024）06-0063-04

水稻是人類主食來源之一。中國人口眾多，對水稻有著極高的需求，因此準確識別水稻病蟲害是非常重要的[1，2]。傳統水稻病蟲害識別主要靠專業人士依據病蟲害樣本或種植者根據經驗來進行識別，人工識別病蟲害易受主觀因素影響，可能出現誤識別[3，4]。在深度學習技術中，常基于卷積神經網絡進行農作物病蟲害特征提取及識別[5]。基于深度學習的水稻病害識別模型，需要大量數據進行網絡訓練，以此識別病蟲害[6]。目前多數研究是從病葉圖像中提取出最佳病蟲害識別特征，對于多種相似病害出現在同一片葉子的情況無法進行病害檢測，也忽略了對輕微病斑的研究。綜上所述，本文提出改進殘差神經網絡的水稻病害識別模型和改進YOLOv3的水稻病害檢測模型，對水稻常見病害，如稻瘟病、稻曲病、褐斑病和百葉枯病進行識別與檢測，以期提高水稻病害識別的準確性和高效性，并實現相似病害和小病斑的精準識別。本次研究的創新性體現在，提出了改進的殘差神經網絡的水稻病害識別模型和基于改進YOLOv3的水稻病害檢測模型。引入的坐標注意力機制和Mish激活函數，提高了模型的魯棒性和準確性。同時，采用K-means++聚類算法優化錨框規格，并在網絡結構中加入不同的注意力機制模塊，提高了檢測速度和精度。

1" 基于深度學習的水稻病害智能識別系統設計

1.1" 改進的殘差神經網絡的水稻病害識別模型

水稻常見病害有稻瘟病、稻曲病、褐斑病和百葉枯病[7]。稻瘟病是由子囊菌引起的，水稻植株任何位置均可發生感染，傳染性極強，是限制水稻產量的嚴重疾病。稻曲病是指稻谷受到真菌感染，出現綠色或黃色天鵝絨的孢子。為了提高水稻病害識別速度和準確性，本文對深度殘差神經網絡（Deep Residual Network，ResNet）進行改進，以獲取性能更優的水稻病害識別模型。ResNet50主要由卷積殘差塊和標識殘差塊堆疊構成，標識殘差塊的輸入與輸出維度一致，可進行串聯。ResNet50在進行圖像特征提取時，如果受到環境干擾，識別準確率就會降低。為了降低識別誤差，提高模型魯棒性，本文利用坐標注意力機制（Coordinate Attention Mechanism，CAM）來校正模型提取的特征。為了提取到更多特征信息，本文在原有網絡結構上添加全連接層，同時將Dropout正則化加入全連接層，以降低分類泛化誤差。改進ResNet50模型由1個卷積塊、4個殘差塊、1個池化塊和1個Softmax組成。特征圖像經卷積層和最大池化層處理后，輸出的特征圖經殘差塊處理后，經過平均池化層和全連接層，最后由Softmax層處理輸出分類預測結果。Dropout正則化能夠解決過擬合問題，提高模型的泛化能力，正則化計算如式（1）所示。

（1）

式中， yi表示目標值； L1和L2表示L1和L2正則化函數； f （xi）表示估計值。Softmax分類器利用概率分布Softmax函數對輸出范圍不確定的值進行歸一化處理，將其壓縮為[0，1]的實數向量，計算如式（2）所示。

（2）

式中， Sj表示輸出概率； Zj表示前向輸出； n表示類別數。

1.2" 基于改進YOLOv3的水稻病害檢測模型

當水稻某個部位出現多種病害和小病斑時，上述改進ResNet50的網絡水稻病害識別模型在識別水稻病害時會出現識別不準確的問題。為了解決該問題，本文采用改進YOLOv3的水稻病害檢測模型，以提高水稻小病斑檢測能力。YOLOv3屬于一階目標檢測算法，將識別任務和定位任務合并，直接預測目標位置和類別，檢測速度快。YOLOv3通過邊界框網絡確定聚類錨框。邊界框網絡預測坐標如式（3）所示。

（3）

式中（ax，ay，aw，ah），表示邊界框坐標位置； tx、ty、 tw和th表示網絡預測偏移值；δ（·）表示Sigmoid函數，且|δ（·）|∈（0，1）； （bx，by）表示單元偏移坐標；

pw和ph表示邊界框的寬和高。YOLOv3的主干網絡為Darknet53，由53個卷積層、53個批量正則化（Batch Normalization，BN）層和53個激活函數（ReLU）層構成[8]。2個卷積層和1個鏈路層構成1個殘差模塊。針對水稻病害聚集和環境干擾問題，本文在圖像特征提取網絡中加入注意力機制，提高網絡檢測精度，改進YOLOv3的水稻病害檢測模型如圖1所示。

為了提高水稻病斑檢測精度，本文采用K-means++聚類算法，計算水稻病害數據集的錨框規格。ReLU函數對較小值的處理方式較為激進，對水稻小病斑檢測具有較大誤差。Mish激活函數具有非單調函數特性，確保小目標信息不會丟失，具體計算如式（4）所示。

Mish=x×tanh［ln（1+ex）］（4）

因此，將ReLU函數替換為Mish函數，當Mish函數與YOLOv3的主干網絡Darknet53聯合使用時，能夠極大提高模型檢測的準確性。ECAM模塊是對SENet模塊的改進，通道數計算如式（5）所示。

（5）

式中， C表示ECAM模塊通道數量; k表示卷積核大小；r和c表示常數，取r=2和c=1。為了更精準識別水稻病蟲害，本文將上述水稻病害識別模型和水稻病害檢測模型結合，設計了一套水稻病蟲害智能識別系統，以實現水稻病害圖像精準識別。

2" 水稻病害智能識別系統實驗及結果分析

2.1" 水稻病害分類模型實驗及分析

為了測試改進ResNet50的水稻病害識別模型性能，本文對模型訓練準確率和損失值進行分析，設置特征圖尺寸為224×224，學習率為0.1，最大迭代次數為500，不同迭代次數下的準確率和損失值如圖2所示。

由圖2（a）可知，訓練和驗證精度的平均準確率分別為91.8%和92.3%，最大準確率為97.8%和97.5%。圖2（b）中，訓練和驗證精度的平均損失值分別為35.7%和34.8%，最大損失值為64.8%和64.6%。為了進一步測試改進ResNet50的水稻病害識別模型性能，本文對其進行消融實驗，通過檢測目標的識別準確率和F1-score，對ResNet50、VGG-16、CAM-ResNet50和改進ResNet50模型進行分析，不同算法的消融實驗對比結果如圖3所示。

由圖3（a）可知，ResNet50、VGG-16、CAM-Res

Net50和改進ResNet50模型的平均識別準確率為95.3%、95.8%、96.8%和97.2%，與ResNet50、VGG-16、CAM-ResNet50模型比較，改進ResNet50模型的識別準確率分別提高2.0%、1.5%和0.4%。CAM-ResNet50比VGG-16模型識別準確率提高1%，說明微調ResNet50網絡具有良好性能。圖3（b）中，ResNet50、VGG-16、CAM-ResNet50和改進ResNet50模型的平均F1-score為92.4%、93.2%、93.9%和95.8%，與ResNet50、VGG-16、CAM-ResNet50模型比較，改進ResNet50模型的F1-score分別提高3.7%、2.8%和2.0%。因此，加入坐標注意力機制的模型的識別精度最高，水稻病害識別效果最好。

2.2" 水稻病害檢測模型實驗及分析

為了測試改進YOLOv3的水稻病害檢測模型的有效性，本文通過消融實驗對YOLOv3、YOLOv3-Mish和改進YOLOv3模型的檢測準確率和檢測速度進行分析。不同算法監測網絡下，不同病害的檢測準確率和檢測速度對比結果如圖4所示。

由圖4（a）可知，YOLOv3、YOLOv3-Mish和改進YOLOv3模型對4種水稻病害的平均檢測準確率分別為87.1%、87.8%和90.6%，與YOLOv3和YOLOv3-Mish比較，改進YOLOv3模型的檢測準確率分別提高4%和3.2%。圖4（b）中，YOLOv3、YOLOv3-Mish和改進YOLOv3檢測模型對4種水稻病害的檢測速度分別為15.5fps/s、19.1fps/s和13.3fps/s，與YOLOv3和YOLOv3-Mish相比，改進YOLOv3模型的檢測速度分別提升14.2%和30.3%，說明Mish函數能夠確保小信息不丟失，增加了檢測準確率，損失了一定的檢測速度，CSPNet（跨階段局部網絡）結構增強了模型學習性能，確保信息不丟失的同時對檢測準確率具有一定提升效果。為了進一步測試改進YOLOv3模型的性能，本文對RetinaNet、FasterRCNN、YOLOv5和改進YOLOv3模型的水稻病害檢測準確率和檢測速度進行分析，不同目標檢測模型的性能對比結果如圖5所示。

由圖5（a）可知，RetinaNet、FasterRCNN、YOLOv5和改進YOLOv3模型對不同水稻病蟲害的平均檢測準確率分別為61.8%、87.6%、87.4%和93.2%，與RetinaNet、FasterRCNN和YOLOv5相比較，改進YOLOv3模型的檢測準確率分別提高50.8%、6.4%和6.6%。這是由于CSPX模塊在提高準確率的同時降低了計算量。圖5（b）中，RetinaNet、FasterRCNN、YOLOv5和改進YOLOv3模型的檢測速度分別為23.2fps/s、18.5fps/s、20.8fps/s和18.1fps/s，改進YOLOv3模型的檢測速度比RetinaNet、FasterRCNN和YOLOv5提升22%、2.2%和13%。整體而言，本文的研究算法對多種病害密集區域和小病斑具有良好的監測效果。

3" 結論

水稻是中國乃至世界的重要糧食作物，隨著人類活動、氣候等的不斷變化，水稻病蟲害愈加嚴重。為了正確、及時識別出水稻病害，本文提出基于深度學習的水稻病蟲害智能識別系統，以提高水稻病害識別準確率。該方法結合改進ResNet50網絡來識別水稻病害，結合改進YOLOv3模型對不同病害進行檢測。實驗結果表明，改進ResNet50的水稻病害識別模型的訓練精度為91.8%，與驗證精度基本一致。與ResNet50模型相比，改進ResNet50模型的識別準確率提高2.0%；與YOLOv3模型相比，改進YOLOv3模型的檢測準確率提高4%。因此，本文的研究模型具有更高準確度和實時性，能夠很好地識別和檢測水稻病害。

參考文獻：

[1] 徐廣春，徐鹿，石偉山，等.植保無人機施藥防治水稻病蟲害的研究進展[J].江蘇農業科學，2023，51（7）：1-7.

[2] 袁德寶，張冰瑞，葉回春，等.水稻病蟲害遙感監測與預測研究進展[J].遙感技術與應用，2023，38（1）：97-107.

[3] 熊清華，雷良輝，黃玉紅，等.水稻主要病蟲害防治農藥減量增效技術應用成效[J].中國植保導刊，2021，41（4）：88-92.

[4] 黃芊，龍麗萍，吳鋒，等.廣西越冬稻螟種類及其空間分布型研究[J].中國水稻科學，2024，38（1）：91-98.

[5] 陳愛蓮，朱玉霞，孫偉，等.遙感技術在農業保險病蟲害定損中的應用：以雙河農場稻瘟病為例[J].遙感信息，2021，36（6）：44-50.

[6] 謝州益，馮亞枝，胡彥蓉，等.基于ResNet18特征編碼器的水稻病蟲害圖像描述生成[J].農業工程學報，2022，38（12）：197-206.

[7] 周維，牛永真，王亞煒，等.基于改進的YOLOv4-GhostNet水稻病蟲害識別方法[J].江蘇農業學報，2022，38（3）：685-695.

[8] Haggui O，Bayd H，Magnier B.Centroid human tracking via oriented detection in overhead fisheye sequences[J].The Visual Computer，2023，40（1）：407-425.