深度學習在農作物病害識別中的研究進展

岳喜申

（塔里木大學信息工程學院，新疆 阿拉爾 843300）

在農業生產中，農作物病蟲害對農作物產量等造成巨大威脅。農作物病害的發生會阻礙農作物的健康生長，導致其產量和品質下降，影響糧食安全[1]。近年來，受氣候、農業用水資源和耕地等因素的影響，植物病害的發生較為頻繁[2]，為農業生產帶來難題。

部分農作物病蟲害檢測和識別基于現場診斷進行，比較依賴人工或半自動方式，由農業專家或有經驗的農戶進行現場觀察和判斷，這種方法簡單易行，但效率和時效性都有待提高，識別結果受個人經驗和技術水平影響，無法完全滿足快速發展的現代農業需求[3]。因此，亟須開發一種新的農作物病害識別方法來適應現代農業的發展。近年來，隨著智慧農業迅猛發展，越來越多的學者致力于研究將深度學習技術應用于農作物病蟲害的檢測與識別。深度學習技術通過學習大量數據，能夠有效模擬人腦神經網絡進行分析和判斷，在圖像識別、聲音識別和自然語言處理等方面表現突出。常用的深度學習網絡模型主要有卷積神經網絡（CNN）、遞歸神經網絡（RNN）和生成對抗網絡（GAN）。基于深度學習的農作物病害識別方法成為當前的研究熱點。

本文探討深度學習在農作物病害識別中的應用，詳細介紹了其相關研究進展，并探討利用深度學習進行病害識別所面臨的主要挑戰，提出了可能的解決方案。為相關領域的進一步研究提供參考。

1 深度學習在病蟲害識別中存在的問題分析

1.1 田間環境方面

農田中存在各種復雜因素，如田間遮擋物、灰塵等，這些因素會對農作物病害圖像的采集產生影響，導致圖像輸入的質量參差不齊，使得某些圖像中可能會缺失關鍵病害信息。農田環境中土壤、植物殘渣等顆粒物質的存在，容易導致圖像出現模糊、噪點或者光線反射等問題，降低了圖像質量，使得深度學習技術無法直接應用于田間農作物病害識別。

1.2 成本方面

實踐中，深度學習技術在工業領域的應用較為廣泛。將深度學習技術應用于農業領域時，成本控制非常關鍵。農作物檢測需要運用大量的農田圖像數據，相關數據需要由專業人員通過田間調查和圖像采集等方式獲取，這增加了數據獲取的成本和復雜度。同時，深度學習模型通常需要在大規模的數據集上進行訓練，這需要高性能的計算設備和大量的計算時間，尤其是對于復雜的模型和大規模的數據集，訓練周期可能需要數天甚至數周，增加了訓練模型的時間成本。此外，深度學習模型的部署和維護需要考慮成本，將模型應用于農田時，可能需要部署大量的傳感器設備和計算設備來收集和處理農田數據，并實時檢測農作物的生長狀態。這加大了設備的購買、安裝、維護和更新等成本。

1.3 數據量方面

對于野外環境下的病害識別任務，需要建立大規模、多種類和多類型的公開病害數據庫。研究者通常有兩種主要的數據采集方式：自行去田間采集數據，搜集互聯網上的圖片資源。

自行去田間采集數據較為常見，但也面臨許多挑戰。首先，需要投入大量的人力資源，因為病害的發生通常是季節性、地域性的，需要在特定時間和地點進行采集。其次，田間環境的復雜性導致數據采集存在困難，包括光照條件變化、遮擋物、病害程度和種類多樣性等因素，都會對數據集的質量產生影響，使數據的標注和清洗存在困難。

從互聯網上搜集圖片資源時，部分圖片質量可能參差不齊，部分圖片的準確性和標注的一致性可能無法保證。此外，許多數據集不對外公開，這限制了不同深度學習模型之間的客觀比較和驗證，使得原有模型的優化和升級變得困難。

2 深度學習在農作物病害識別中的應用分析

2.1 應用優勢

病蟲害是農作物生產過程中導致產量與質量下降的重要因素之一。因此，對病蟲害進行有效防治至關重要[4]。隨著圖像識別技術的廣泛應用[5]，基于機器視覺的農作物病害圖像識別方法備受關注。與傳統識別方法相比，基于機器視覺的的農作物病害圖像識別方法具有諸多優勢。首先，具有較強的可移植性，可以在不同的農作物種類、農田環境以及拍攝設備下應用，無須大幅度調整或重新訓練模型。其次，具有較高的時效性，可以快速對大量農作物圖像進行分析，實時監測和檢測作物的健康狀況，及時采取相應的防治措施，從而避免病害的擴散和影響作物的產量和質量。最后，具有較高的準確率。通過利用大規模的訓練數據和深度學習算法，可以學習和識別不同病害的特征和模式，從而提高識別的準確性，減少對特征設計的依賴。

2.2 主要技術

根據使用方法的不同，可以選擇兩種主要的農作物病害圖像識別技術：基于傳統機器學習算法的病害識別和基于深度學習的病害識別。

第一，傳統機器學習算法的病害識別方法。該方法需要依靠人工設計的特征來進行分類和識別，這些特征的質量直接影響模型的性能[6]。在復雜、真實的自然環境下，由于農作物的生長狀態和病害表現具有多樣性，該方法往往無法準確捕捉到所有特征，導致識別結果不夠理想[7]。

第二，基于深度學習的農作物病害圖像識別方法。該方法在互聯網、大數據等技術的支持下取得明顯進展。深度學習模型能夠通過大規模的訓練數據自動學習特征，利用多層神經網絡進行特征提取和分類，能夠從圖像中學習到更高級別的抽象特征，從而實現更準確的病害識別。

基于深度學習的農作物病害圖像識別方法在性能上優于傳統機器學習方法。現有的病蟲害分類網絡大多使用深度學習中的成熟網絡結構，包括AlexNet、VGGNet 和ResNet 等。深度學習模型具有強大的表達能力和泛化能力，能夠適應復雜、真實的自然環境，并在不同數據集上取得較好的泛化效果。隨著深度學習技術的發展和硬件計算能力的提升，該方法在速度和準確性方面也得到了明顯提升。

2.3 應用價值

基于深度學習的農作物病害圖像識別方法具有較高的研究價值和廣闊的應用前景[8]。它可以廣泛應用于農業生產中的病害監測、預警和防治等工作，為農業工作者提供快速、準確的病害識別手段，提高作物產量和質量，減少農藥的使用，推動農業可持續發展。

Kawasaki等[9]較早采用CNN 進行農作物病害識別，使用800 幅黃瓜病害圖像，包括健康葉片和兩種不同病害葉片類型，同時，使用4-fold 交叉驗證方法進行訓練，最終實現了94.9%的識別準確率。Karlekar 等[10]基于深度學習技術提出了一種用于復雜背景下的大豆葉片病害識別方法，設計了一個圖像處理模塊（IPM），訓練在CNN 網絡之前去除圖像中的復雜背景，并分割出葉片部分，該模型的識別準確率達到了98.14%。這項研究結果表明，基于深度學習的方法在復雜背景下的大豆葉片病害識別方面取得了較好成果。這種方法不僅能識別常見的大豆病害，還能檢測未知種類的病害，為大豆病害的早期預警和精準防治提供有力支持。王春山等[11]提出了一種改進型多尺度殘差網絡，用于農作物病害識別。該方法通過改變殘差層的連接方式和對大卷積核進行分解，來減少模型的參數量，并設計一種輕量級的病害識別模型。首先，改變殘差層的連接方式，采用新的結構，使得網絡能更好地學習和表示復雜的病害特征。其次，對大卷積核進行分解，將其分解為多個小卷積核，從而減少模型的參數量，在保持較高識別準確率的同時，降低了模型的復雜度和對計算資源的消耗。王丹丹等[12]為解決蘋果疏果期背景情況復雜、光照條件不穩定、障礙物和果實遮擋等問題，提出了一種基于RFCN 神經網絡模型的蘋果識別方法，取得了較高的準確率。該研究的優化在于采用R-FCN 神經網絡模型，自動學習和提取蘋果的特征，且具有較強的目標檢測能力，能夠應對光照條件不穩定、障礙物和果實遮擋等復雜情況，對復雜背景下的蘋果進行準確檢測和識別。孫俊等[13]在AlexNet 的基礎上進行改進，采用批歸一化方法，加入全局池化層以及縮減特征圖數目的方法，共得到了8 種改進模型。利用改進的模型，對PlantVillage 數據庫中的14 種植物的26 種病害進行識別，最優模型的平均測試識別準確率高達99.56%。這項研究的優化在于對AlexNet 進行了改進，通過引入批歸一化方法，加快網絡的收斂速度，提高模型的穩定性和準確性。此外，加入全局池化層可以提取更全局的特征信息，有助于更好地捕捉病害的特征。同時，縮減特征圖數目可以降低模型的計算復雜度，提高模型的運行效率。

3 結論與討論

在傳統農業向現代農業轉型的關鍵時期，農業生產將逐步從依賴單純人力勞動和經驗逐漸向數字化、智能化和自動化發展。隨著信息技術的快速發展，智慧農業逐漸推廣。基于深度學習實現農作物病害圖像識別是未來的研究重點之一，包括將模型應用于實際場景中，與農業工作者緊密合作，實現技術轉化和農業實踐的推廣。

基于深度學習的植物病害檢測與識別技術已取得進展，實踐中在自然環境下實施時會面臨眾多挑戰，包括數據量不足、成本高昂、田間環境復雜和數據集獲取困難等。為此，研究者需要共同努力，通過與農業機構、農民合作，共享田間數據等方式，建立大規模、多種類和多類型的公開病害數據庫，利用充足的訓練數據和實用模型，推動農業綠色可持續發展[14]。統一標準和協議，確保數據集的準確性和一致性。公開數據庫可以為研究者提供更好的基準和參考，促進深度學習模型在農作物病害識別任務中的發展和優化。同時，可以采用高效的深度學習算法和模型架構[15]，減少計算資源的需求；利用分布式計算和云計算等技術，加速模型訓練和推理過程；探索低成本的圖像采集和傳感器技術，以降低設備部署和維護的成本。

綜上，本文對基于深度學習的農作物病害識別方法進行綜述，介紹深度學習在農作物病害識別中的應用，從田間環境、成本和數據量等方面入手探討其需要解決的一些問題，并對其發展進行了展望，為今后農作物病害識別的深入研究與發展提供參考。