基于深度學(xué)習(xí)的農(nóng)場(chǎng)蟲情檢測(cè)算法研究及實(shí)現(xiàn)

摘要：傳統(tǒng)的病蟲害防治手段需要消耗大量人力、物力，且達(dá)不到很高的精確度，為了更科學(xué)、高效地做好農(nóng)場(chǎng)病蟲害防治工作，本文結(jié)合深度學(xué)習(xí)技術(shù)和物聯(lián)網(wǎng)技術(shù)研發(fā)了蟲情檢測(cè)系統(tǒng)進(jìn)行病蟲害的遠(yuǎn)程檢測(cè)，提高防治工作的效率。該系統(tǒng)采用YOLO-v5 網(wǎng)絡(luò)模型，結(jié)合遷移學(xué)習(xí)，訓(xùn)練學(xué)習(xí)了林業(yè)常見害蟲和農(nóng)田常見害蟲的特征，實(shí)現(xiàn)了高效的檢測(cè)識(shí)別。基于物聯(lián)網(wǎng)技術(shù)實(shí)現(xiàn)遠(yuǎn)程控制拍攝病蟲害圖像，并通過Wi-Fi 傳輸?shù)接?jì)算機(jī)端進(jìn)行識(shí)別，通過可視化界面呈現(xiàn)出農(nóng)田中蟲害的種類和數(shù)量，對(duì)減少人力、物力消耗以及實(shí)現(xiàn)科學(xué)防蟲具有良好的實(shí)際應(yīng)用價(jià)值。

關(guān)鍵詞：農(nóng)場(chǎng)蟲情檢測(cè)；深度學(xué)習(xí)；物聯(lián)網(wǎng)技術(shù)；YOLO-v5 網(wǎng)絡(luò)模型；圖像處理識(shí)別

中圖分類號(hào)：TP393 文獻(xiàn)標(biāo)志碼：A

為了使農(nóng)作物生長(zhǎng)過程中盡可能減少病蟲害的影響，進(jìn)而提高農(nóng)作物產(chǎn)出率，對(duì)農(nóng)作物進(jìn)行蟲情的測(cè)報(bào)和預(yù)防是十分必要的。隨著現(xiàn)代計(jì)算機(jī)技術(shù)的發(fā)展，人工智能技術(shù)和物聯(lián)網(wǎng)技術(shù)也被逐步應(yīng)用于智慧農(nóng)業(yè)當(dāng)中[1]。

早在20 世紀(jì)70 年代，美國(guó)已經(jīng)開始研究應(yīng)用于農(nóng)作物病蟲害檢測(cè)診斷的專家系統(tǒng)。美國(guó)伊利諾斯大學(xué)針對(duì)大豆作物研制了世界上第1 個(gè)運(yùn)用于診斷病蟲害的專家系統(tǒng)PLANT/ds[2]。美國(guó)棉花委員會(huì)和農(nóng)業(yè)部[3] 研發(fā)了棉花作物專家系統(tǒng)COMAX/GOSSYM。此后相繼有蘋果病蟲害治理[4] 和管理[5]專家系統(tǒng)、棉花灌溉[6] 和害蟲鑒定[7] 等眾多專家系統(tǒng)服務(wù)于農(nóng)業(yè)生產(chǎn)。Ding 等[8] 采用信息素誘捕方法捕獲農(nóng)田間的害蟲，并采用深度學(xué)習(xí)方法進(jìn)行害蟲的檢測(cè)識(shí)別，最終得出害蟲數(shù)量，達(dá)到了自動(dòng)、實(shí)時(shí)地檢測(cè)害蟲情況的效果。Jozsef[9] 在硬件方面設(shè)計(jì)了更多配備攝像頭的嵌入式系統(tǒng)來遠(yuǎn)程捕捉和上傳害蟲捕捉圖像；在軟件方面，借助機(jī)器視覺和機(jī)器學(xué)習(xí)方法檢測(cè)農(nóng)田中的害蟲信息，顯著降低了害蟲防治的成本。Balakrishnan 等[10] 采用基于區(qū)域的卷積神經(jīng)網(wǎng)絡(luò)及殘差神經(jīng)網(wǎng)絡(luò)構(gòu)建檢測(cè)框架，并部署在物聯(lián)網(wǎng)系統(tǒng)上檢測(cè)昆蟲種類及數(shù)量，結(jié)果表明，此檢測(cè)系統(tǒng)的平均準(zhǔn)確率為94%。王明紅等[11] 基于B/S（Browser/Server）結(jié)構(gòu)設(shè)計(jì)的農(nóng)作物病蟲害遠(yuǎn)程預(yù)警系統(tǒng)在北京實(shí)現(xiàn)應(yīng)用，此系統(tǒng)利用移動(dòng)物聯(lián)網(wǎng)給農(nóng)作物生產(chǎn)者和病蟲害專家系統(tǒng)搭建了橋梁。賈桂霞等[12] 研發(fā)的基于Android 的病蟲害移動(dòng)查詢系統(tǒng)為廣大基層農(nóng)業(yè)工作者提供病蟲害信息檢索以及防治方案，運(yùn)用移動(dòng)互聯(lián)網(wǎng)技術(shù)普及病蟲害知識(shí)。近幾年隨著人工智能技術(shù)的普及，應(yīng)用新技術(shù)檢測(cè)農(nóng)作物病蟲害的研究者也越來越多。張恩迪等[13]采用Kmeans聚類算法從拍攝圖片背景中提取稻飛虱并與最小二乘法橢圓擬合，用橢圓率區(qū)分蟲體和雜質(zhì)，再統(tǒng)計(jì)稻飛虱數(shù)目。

農(nóng)業(yè)專家系統(tǒng)以及病蟲害預(yù)測(cè)模型在加強(qiáng)病蟲害預(yù)測(cè)和綜合管理農(nóng)田方面起到了重要作用。以往的研究在害蟲檢測(cè)的實(shí)時(shí)性、識(shí)別害蟲種類的多樣性、使用的方便直觀性等方面尚無法同時(shí)兼顧，為此，本文結(jié)合深度學(xué)習(xí)技術(shù)研發(fā)了基于物聯(lián)網(wǎng)的蟲情檢測(cè)系統(tǒng)來進(jìn)行害蟲的遠(yuǎn)程檢測(cè)，采用YOLOv5檢測(cè)框架實(shí)時(shí)、多樣性地檢測(cè)害蟲，并且設(shè)計(jì)了計(jì)算機(jī)端可視化界面，實(shí)現(xiàn)了便捷的使用效果。