一種適用于無人機植保的玉米病蟲害檢測方法

趙玲娜

摘要：長期以來，玉米生產一直面臨著病蟲草害的威脅，從而導致品質和產量下降，增加了生產成本，使得種植的綜合收益降低。相比于傳統的防治方式，利用無人機進行玉米病蟲害的防控植保具有防治效果好、對環境污染影響少、使用成本低等特點，因此該手段尤其適合用于應對暴發性病蟲害。經過研究提出一種適用于無人機植保的玉米病蟲害檢測方法，可以通過無人機采集的玉米葉圖像，利用卷積神經網絡進行實時處理，并判斷區域內玉米的健康狀況。同時，無人機可以在玉米田范圍內自動巡航，并記錄時間、地點、可能的病因及 GPS 坐標，減少了人工巡查，提高了巡檢效率。農民可以直接依靠無人機反饋的信息前往患病玉米區域進行治療，從而促進玉米產量和質量的提高。

關鍵詞：卷積神經網絡；無人機植保；玉米病蟲害

中圖分類號：TP29 文獻標識碼：A

文章編號：1009-3044（2024）13-0045-04 開放科學（資源服務）標識碼（OSID） ：

0 引言

玉米生長常受天氣條件、栽培方法、管理技術等各種因素的制約[1]。在玉米的生長周期中，通常主要的病蟲害包括小斑病、大斑病、絲黑穗病、花莖基腐病、玉米螟等，玉米植株從根部到穗部都可能受到不同程度的病蟲害侵襲。由于玉米種植密度較大，農田之間的封閉性較高，大約60% 的玉米在生長中后期都有病蟲害發生 [2]。如果采用人工檢測進行玉米病蟲害的防治，難度較大，作業效率較低，農藥利用率也低。

因此，許多玉米的病蟲害防治采用了無人機植保。無人機植保是指利用無人機作為載體，搭載農藥噴灑系統，對農作物進行病蟲害防治的技術。無人機植保具有高效、靈活、安全、環保等優點，是農業現代化的重要標志之一。未來，無人機植保的新技術手段將在地面遙感信息反演、作業效率優化、作業過程管控智能化等方面帶來革命性的進步，使植保作業數據化和透明化，全過程可視化和可控化，推動農業生產管理從機械化向智能化和智慧化邁進[3]。

然而，目前植保領域的無人機大多僅能夠實現農藥噴灑等智能化較低的功能。因為目前農作物識別的方法主要有：1） 利用RGB顏色直方圖波峰分布位置，來提取葉片的顏色特征[4]，但此方法提取的特征不明顯，較難區分不同農作物所患疾病。2） 利用遺傳算法優化神經網絡的結構和參數來識別植物病蟲害圖像[5]，然而這種方式大多并未基于卷積神經網絡（CNN） ，而是基于循環神經網絡（RNN） 、極限學習機（ELM） 等，因此計算量大，實時性較差，難以搭載在嵌入式系統上。

為了提高無人機在玉米植保中的自動化和智能化程度，本文提出了一種適用于無人機植保的玉米病蟲害檢測方法。該方法利用無人機攝像頭遠程采集玉米作物的圖像，基于卷積神經網絡實時處理并判斷區域內玉米的健康狀況。同時，無人機在玉米田范圍內進行自動巡航，并記錄時間、地點和可能的病因及GPS 坐標，以此來減少人工巡查，提高巡檢效率，從而進行有效準確的噴灑。

1 玉米病蟲害檢測方法

在玉米的病蟲害疾病中，大斑病是玉米最易患的一種病，有其獨特的患病特征。為了正確識別這些特征，需要提取相應的特征向量，并訓練出具有高準確度的識別模型，以便無人機能夠進行正確判斷。同時，這個模型還需要具有較快的識別速度，以滿足無人機的需求?？紤]到YOLO擁有準確性與速度兼具，且網絡結構簡單的特點，基于YOLOv5進行識別模型訓練可以較好地滿足上述需求。

1.1 獲得數據集

數據集主要由已有的開源病蟲害玉米葉片數據集和通過Python在網絡上爬取的圖像組成。其中，病蟲害玉米葉片數據集主要包括麥白粉病、葉銹病、花生黑斑病和大斑病等。在獲得數據集后，我們對其進行了標記，并對錯標或漏標的圖片進行重新標注或刪除；對于質量低下的圖片進行了刪除，并將圖片格式轉換為jpg，以適應模型。

為了提高算法在不同條件下的識別率，我們對數據集進行了擴充：重新爬取了高質量的圖片，并進行了標注，以擴充數據集。利用圖像增強技術，對原有圖片進行了變換，以增強算法的魯棒性。由于實際環境的復雜多變，為了增強算法在各類場景下的檢測效率，我們通過改變亮度、圖片翻轉等方式使得圖像更加多樣化。將改變后的圖片放入神經網絡進行訓練可以提高網絡的魯棒性，降低各方面額外因素對識別的影響。

為了達到訓練目標，我們在確定了玉米葉片圖像集合后，首先對其健康狀況進行記錄，并將圖片文件與標簽文件一一對應。標簽文件被放置在Annotation 文件夾中，而圖片文件則被放置在JPEGImages文件夾中。為了隨機劃分數據集，我們將所有玉米葉片圖像集合的60% 設置為訓練集，20% 設置為驗證集，最后20% 設置為測試集。

1.2 對數據進行預處理

在機器視覺中，通常需要對圖形進行一些隨機的改變，形成相同而又不完全一致的樣本[3]。其功能為擴展訓練信息集合，抑制過擬合現象，提高模型的泛化水平，該項目采用的主要方法是灰度拉伸[4]。

灰度拉伸需要采用的轉換函數有：

其中，r 是變換前的灰度;T 是變換后的像素；[l1，l2 ] 為原灰度級范圍，[l3，l4 ]為目標灰度級范圍，由此可以提高圖像的對比度，使圖像得到增強。

數據預處理是訓練神經網絡時非常重要的步驟。合適的預處理方法可以幫助模型更好地收斂，并防止過擬合。

1.3 特征提取及檢測網絡搭建

基于Tensorflow的YOLOv5算法可以通過無人機傳輸的視頻數據流信息實現基本的實時檢測。但為了加快YOLOv5算法的檢測速度，提高檢測效率和準確率，需要對其中的Backbone算法進行優化，采用性能更優越的CNN網絡。我們采用了MobileNet v3網絡結構，并將最后的激活函數Rule 換成了h-swish。Swish具備無上界有下界、平滑、非單調的特性，并且在深層模型上的效果優于ReLU。僅僅使用Swish單元替換ReLU就能在ImageNet上的top-1分類準確率提高0.9%。h-swish 是用一個近似函數來逼近這個Swish，使得模型幾乎可以在所有的軟件和硬件框架上都可以使用，具體轉化如下：

f （x） = x × sigmoid （ βx） （2）

在深度學習中，學習率的調整非常重要。學習率較大時，可以加快學習效率，有助于跳出局部最優值。然而，過大的學習率可能導致模型不精確，甚至導致模型訓練不收斂。相反，學習率較小時，有利于模型的收斂，可以幫助模型細化，提高模型精度，但收斂速度較慢，可能導致無法跳出局部最優值。因此，學習率大和學習率小的功能幾乎是相反的。為了最大程度地提高訓練性能，我們需要適當地調整學習率。我們利用Callback類來實現學習率的指數型下降。指數型下降意味著學習率會隨著指數函數的不斷下降，具體公式如下：

learning_rate = learning_rate_base × decay_rateglobal_epoch

其中，learning_rate 為當前的學習率，learn?ing_rate_base為基礎學習率，decay_rate為衰減系數。

1.4 模型訓練

通過卷積層網絡獲取數據，然后再利用全連結層得到預測值。在網絡結構上，采用了GooLeNet模型[5]，其中包含了24個卷積層級和2個全連接層級。對于卷積層，通常使用1×1卷積來做共波干道消融，并緊跟3×3 卷積。而對于卷積層和全連接層，通常使用Leaky ReLU激活函數[6]：

f （x） = max （αx，x） （4）

其中，α是負斜率的系數，一般取值為0.01-0.1。

構造損失函數可以確定神經網絡的特性，并針對不同的部分選擇了不同的權重系數。首先是定位誤差和分類偏差。針對定位誤差，如邊框位置的偏差，一般選擇最大的權重。然后將它劃分成不含有目標的邊框和含有目標的邊框間的置信度，并針對前者，一般選擇最少的權重值。其他數值設為一。

損失函數計算如下：

其中，1objij 指代第ij個單元格的存在目標，第1項為邊界框中心位置的偏差項，而第2項則為邊界框的高度與寬度的偏差項。第3項是包含目標的邊界框的置信度計算偏差項，而第4項則是不含目標邊界的置信度計算偏差項。最后，第5項是含目標單元格的分類偏差項。默認λcoord = 5，λnoobj = 0.5。

利用玉米病蟲害樣本訓練集圖像對構建的神經網絡進行訓練，并在訓練過程中利用遺傳算法對神經網絡的參數進行更新優化，從而得到基于YOLOv5 [7]的玉米病蟲害識別模型。

2 實驗與分析

玉米病蟲害識別模型訓練的預定計劃包括三個階段：數據收集和預處理、模型訓練和優化、模型評估。在第一階段，我們計劃從公共數據集中采集數據，對數據進行清洗、標注和增強處理。在第二階段，我們將使用YOLOv5模型對數據進行訓練和優化，并測試不同的網絡結構、超參數和損失函數。在第三階段，我們將對模型進行評估，測試模型的準確率。

2.1 實驗準備

由于原始圖片來源于網頁爬取，包含多種不同分辨率，為了獲取較好的實驗效果，我們將數據集中的圖片數據裁剪并壓縮到統一分辨率。我們使用的玉米葉片圖像數據集，每張圖片除了包含類別標簽外，還需要一個標注的物體邊框，涉及的病蟲害種類主要有麥白粉病、葉銹病、花生黑斑病和大斑病等。

玉米葉片病蟲害數據集中，訓練集含有741張圖片，驗證集含有217張圖片，測試集包含239張圖片。在實驗開始前，我們對每張圖像都使用LabelImg工具進行了標注，標注出圖像中玉米葉片的物體邊框，以及玉米葉片的局部關鍵信息和病蟲害屬性信息。

將YOLOv5模型部署到Jetson Nano上，此過程主要分為三個階段：第一階段，在Nano 上安裝好Py?Torch、OpenCV等YOLOv5模型所需要的依賴庫；第二階段，安裝ONNX Runtime 和TensorRT，通過使用torch.onnx.export（）函數將PyTorch 模型轉換為ONNX 格式的模型文件，再使用ONNX Runtime將ONNX格式的模型轉換為TensorRT格式，并最終保存轉換后的TensorRT模型。第二階段的模型轉換主要是為了提高模型的推理速度。第三階段是將轉換后的模型部署到Jetson Nano上，使用圖像和視頻數據對模型進行測試，評估模型的準確率和性能。

2.2 實驗結果

我們已完成了數據收集和預處理階段，并針對模型訓練和優化階段出現的問題進行了解決。采用了深度學習的方法，結合卷積神經網絡和目標檢測技術，對玉米的病蟲害進行識別和分類。我們從公共數據集中選取了部分圖像進行訓練，使用voc格式數據集，將訓練集和相應的配置文件上傳至云端，并利用Colab云端服務器實現了云端訓練。隨后，下載訓練得到的權重文件，運行YOLOv5網絡，實現對目標的識別。

模型召回率是指模型正確辨識的樣本數量與測試的相應物體總量的百分比，是衡量某疾病辨識模型效果優劣的一項關鍵參數，即該模型在不同置信率下對相關病人的召回次數。

在不同置信度下，本模型識別玉米黃葉病和大斑病的回調率?？梢钥闯鲈谥眯哦燃s為0.6時，本模型對兩種疾病的平均召回率超過60%，說明本模型對目標疾病的識別效果較好，滿足實際應用需要（如圖2 所示）。

總體而言，本模型對玉米疾病的識別效果較好，但對不同疾病之間的識別效果也存在一定的差異。表1 對本模型識別不同疾病時的各項指標進行了比較。

通過上述指標可以看出，該模型在識別兩種疾病的患病位置時表現良好，對大斑病的識別正確率較高，并且穩定性也較好。

圖3為模型對大斑病的實際識別效果?？梢钥闯觯撃Ｐ驼_識別了大斑病，并且對患病區域的定位較為準確?？傮w而言，該模型可以較好地滿足實際應用中的需求。

3 結論

在目標識別和分類方面，深度學習模型，如卷積神經網絡（CNN） ，是一種常用的技術。CNN 可以通過對大量的圖像數據進行訓練來實現高精度的目標檢測。針對玉米病蟲害的檢測與防治，本文提出了一種適用于無人機植保的玉米病蟲害檢測方法。該方法采用YOLOv5算法，通過對大量的玉米葉病蟲害圖像進行卷積神經網絡的訓練，得到了一個高效準確的病蟲害識別模型。經實驗驗證，該模型可以實時地對無人機拍攝的玉米田圖像進行分析，判斷玉米葉片是否存在病蟲害，以及病蟲害的類型和程度。

未來，希望將該方法部署在無人機的機載運算平臺上，開發一套玉米病蟲害智能化的無人機植保系統。該系統可以根據預設的航線，自動地控制無人機在玉米田內進行巡航，實現對大面積玉米田的快速覆蓋，節省人力資源，提高檢測效率。此外，該系統還可以根據檢測結果，為農民提供專業的防治建議，指導農民采取合理的施藥措施，降低農藥用量，提高玉米產量和質量。

參考文獻：

[1] 韓鼎，陳喬，王暉，等. 植保無人機在玉米生產中的應用[J]. 種子科技，2020，38（17）：139-140.

[2] 趙勝利. 玉米病蟲害防治與種植技術應用研究[J]. 農家參謀，2022（9）：52-54.

[3] 徐旻，張瑞瑞，陳立平，等. 智能化無人機植保作業關鍵技術及研究進展[J]. 智慧農業，2019，1（2）：20-33.

[4] 汪京京，張武，劉連忠，等. 農作物病蟲害圖像識別技術的研究綜述[J]. 計算機工程與科學，2014，36（7）：1363-1370.

[5] 孫亮，柯宇航，劉輝，等. 計算機視覺技術在植物病蟲害識別上的研究進展[J]. 熱帶生物學報，2022，13（6）：651-658.

[6] 王萬亮，江高飛，嚴江偉，等. 基于卷積評價及對抗網絡的花粉、孢子圖像增廣算法[J]. 江蘇農業學報，2021，37（5）：1190-1198.

[7] 唐圣凱. 基于Otsu 可控灰度拉伸的直方均衡化算法[D]. 蘭州：蘭州大學，2019.

[8] HUANG J， HU Y， YANG W L.Adapted GooLeNet for visual ques?tion answering[C]//2018 3rd Interna?tional Conference on Mechanical，Control and Computer Engineering（ICMCCE）. Huhhot， China. IEEE，2018：603-606.

[9] ZHANG X H，ZOU Y X，SHI W. Dilated convolution neural net?work with LeakyReLU for environmental sound classification[C]//2017 22nd International Conference on Digital Signal Pro?cessing （DSP）. London，UK. IEEE，2017：1-5.

[10] JIANG P Y，ERGU D J，LIU F Y，et al.A review of yolo algo?rithm developments[J].Procedia Computer Science，2022，199：1066-1073.

【通聯編輯：梁書】

基金項目：2022—2024 安徽高校自然科學研究項目（2022AH052300）