基于卷積神經(jīng)網(wǎng)絡(luò)的玉米葉片病蟲害識別研究

摘" 要：玉米是中國重要的糧食、飼料和工業(yè)原料作物，但病蟲害會嚴重威脅玉米的品質(zhì)和產(chǎn)量，需開展玉米病蟲害識別研究。該文主要基于ResNet18卷積神經(jīng)網(wǎng)絡(luò)，使用PlantVillage數(shù)據(jù)集中玉米葉片數(shù)據(jù)，針對玉米常見的普通銹病、灰斑病、大斑病和健康葉片開展玉米葉片病蟲害圖像識別研究。研究結(jié)果表明，玉米葉片病蟲害識別模型準確率為98.05%，普通銹病、灰斑病、大斑病和健康葉片的召回率分別為100%、92.97%、99.22%和100%，針對4種類型葉片的精準率分別為100%、100%、100%和92.75%，F(xiàn)1分數(shù)為98.12%。模型能夠較好識別玉米葉片病蟲害類型，對于玉米病蟲害的早期檢測和防治具有重要意義。

關(guān)鍵詞：卷積神經(jīng)網(wǎng)絡(luò)；玉米葉片；病蟲害類型；圖像識別；檢測和防治

中圖分類號：S435.13" " " 文獻標志碼：A" " " " " 文章編號：2096-9902（2025）03-0034-04

Abstract： Corn is an important grain， feed and industrial raw material crop in China， but pests and diseases can seriously threaten the quality and yield of corn， so research on the identification of corn pests and diseases is needed. This paper is mainly based on ResNet18 convolutional neural network（CNN） and using corn leaf data from the PlantVillage dataset to carry out image recognition research on corn leaf pests and diseases for common rust， gray leaf， large leaf and healthy leaves in corn. The research results show that the accuracy rate of the corn leaf pest identification model is 98.05%， and the recall rates of common rust， gray leaf spot， large leaf spot and healthy leaves are 100%， 92.97%， 99.22% and 100%， respectively. The accuracy rates for the four types of leaves are 100%， 100%， 100% and 92.75%， respectively， and the F1 score is 98.12%. The model can better identify the types of corn leaf pests and diseases， which is of great significance for early detection and control of corn pests and diseases.

Keywords： convolutional neural network（CNN）; corn leaf; pest type; image recognition; detection and control

玉米是重要的糧食、飼料和工業(yè)原料作物，在我國農(nóng)業(yè)生產(chǎn)中占據(jù)著重要的地位。根據(jù)國家統(tǒng)計局公布數(shù)據(jù)，2023年我國玉米產(chǎn)量達到28 884.2萬t，占全年糧食總產(chǎn)量的41.5%，在保障國家糧食安全方面發(fā)揮著至關(guān)重要的作用[1]。但病蟲害對玉米產(chǎn)生了極大危害，輕則導(dǎo)致植株受損、組織破壞，重則導(dǎo)致直接壞死，顆粒無收，嚴重影響玉米品質(zhì)與產(chǎn)量[2]。據(jù)全國農(nóng)技中心預(yù)測分析，預(yù)計2024年全國玉米病蟲害總體偏重發(fā)生，發(fā)生面積5.8億畝次（1畝約等于667 m2）[3]。因此開展玉米病蟲害識別研究對于保障玉米健康生長，提升玉米產(chǎn)量具有重大的現(xiàn)實意義。

近些年，隨著信息技術(shù)的發(fā)展，國內(nèi)外眾多農(nóng)業(yè)工作者紛紛投身于玉米病蟲害的研究。王超等[4]針對玉米葉片利用聚類算法和中值濾波方法進行病蟲害識別研究，并用支持向量機進行差異診斷。Resti等[5]基于樸素貝葉斯和K近鄰算法對玉米植物病蟲害進行分類，結(jié)果表明識別準度超過92.7%，但這些傳統(tǒng)的圖像識別和機械學習方法僅在有限的情況下表現(xiàn)良好[6]。張正超等[7]針對青藏高原地區(qū)常見的玉米病蟲害進行識別應(yīng)用研究，結(jié)合退火衰減算法，利用ResNet模型搭建了玉米病蟲害識別系統(tǒng)，研究結(jié)果表明，所建立的模型識別準確度達到81%以上。Dewi等[8]研究分析了ResNet模型在農(nóng)作物害蟲識別、檢測和分類方面的應(yīng)用效果，研究結(jié)果表明ResNet在農(nóng)作物病蟲害識別方面是一種有效且可靠的方法，特別是在將預(yù)訓(xùn)練模型與有限的標記數(shù)據(jù)集結(jié)合使用情況下，其識別準確度遠遠超過其他的卷積神經(jīng)網(wǎng)絡(luò)算法。

1" 玉米病蟲的種類

玉米常見病蟲種類可分為玉米普通銹病、玉米灰斑病、玉米大斑病等，常見病蟲害種類如圖1所示。

1.1" 玉米普通銹病

玉米普通銹病是由真菌高粱柄銹菌浸染引發(fā)的一種病害，該病害通常在玉米葉片上顯現(xiàn)，同時也可侵染葉鞘、莖稈以及苞葉。發(fā)生初期，在葉片上呈現(xiàn)乳白色的夏孢子堆，隨著時間推移由乳白色轉(zhuǎn)變?yōu)榧t褐色銹狀，發(fā)病末期形成長橢圓形冬孢子堆。

1.2" 玉米灰斑病

灰斑病是由真菌玉米尾孢、高粱尾孢浸染引發(fā)的一種病害，該病害通常在玉米葉片上顯現(xiàn)，同時也可侵染葉鞘、莖稈以及苞葉。發(fā)病初期為水漬狀淡褐色斑點，后逐漸擴展為淺褐色條紋或不規(guī)則灰色至灰褐色長條斑，病斑與葉脈平行延伸，病斑中間灰色，邊緣有褐色線條，病斑大小（4～20） mm×（2～5） mm[9]。

1.3" 玉米大斑病

玉米大斑病是由真菌大斑病凸臍蠕孢浸染引發(fā)的一種病害，該病害通常在玉米葉片上顯現(xiàn)，同時也可侵染葉鞘、莖稈以及苞葉。發(fā)病初期通常從植株下部葉片發(fā)病，病斑呈長梭形，長10 cm以內(nèi)，寬1 cm左右，顏色顯現(xiàn)灰褐色或黃褐色，嚴重時葉片枯焦，發(fā)病后期病斑沿著葉脈呈現(xiàn)條狀縱裂，葉片會出現(xiàn)枯死現(xiàn)象。

2" 實驗數(shù)據(jù)和方法

2.1" 實驗數(shù)據(jù)集

PlantVillage 數(shù)據(jù)集[10]是目前在農(nóng)作物病蟲害識別應(yīng)用中使用最多的一個數(shù)據(jù)集，其提供的玉米病蟲害數(shù)據(jù)集具有較高的可靠性和權(quán)威性，因此本文采用PlantVillage數(shù)據(jù)集中的玉米病蟲害數(shù)據(jù)集。按照平均選取原則，選取數(shù)據(jù)集中有健康葉片、普通銹病葉片、灰斑病葉片和大斑病葉片4類，共計5 120張作為訓(xùn)練集和測試集，按照8∶2比例進行劃分，另外在數(shù)據(jù)集中隨機選取512張作為測試集。驗證集可以用來調(diào)整模型的超參數(shù)，確定玉米葉片病蟲害識別模型的網(wǎng)絡(luò)結(jié)構(gòu)，并對模型的效果進行初步評價；測試集用于檢驗最終模型的泛化能力。

2.2" 數(shù)據(jù)準備

對玉米葉片病蟲害圖像進行有效的增強處理，可以突出圖像特征，抑制噪音干擾，提高病蟲害識別的準確度。基于數(shù)據(jù)庫采集到的玉米葉片病蟲害圖像，通過高斯濾波平滑圖像，減少隨機噪聲的影響，同時盡可能地保留病蟲害圖像的特征。由于光照不均勻或其他原因?qū)е聦Ρ榷容^低，可能導(dǎo)致葉片病蟲害特征不明顯，通過直方圖均衡化等對比度增強算法，可以提高圖像的對比度，使病蟲害的特征更加突出，提高病蟲害識別算法的準確性。高斯濾波和直方圖均衡化處理后圖像如圖2所示。

2.3" 數(shù)據(jù)預(yù)處理

圖像歸一化處理在圖像識別中扮演著非常重要的角色，它是對數(shù)據(jù)進行預(yù)處理的一種方法，通過將數(shù)據(jù)轉(zhuǎn)換為統(tǒng)一的尺度，可有效避免較大數(shù)值范圍的特征對模型的訓(xùn)練產(chǎn)生較大影響，導(dǎo)致模型過于關(guān)注某些特征而忽略其他特征。在卷積神經(jīng)網(wǎng)絡(luò)中，對輸入圖像進行歸一化可以提高模型的訓(xùn)練速度和準確性[11]。

3" 卷積神經(jīng)網(wǎng)絡(luò)模型

3.1" 卷積神經(jīng)網(wǎng)絡(luò)原理

卷積神經(jīng)網(wǎng)絡(luò)主要由數(shù)據(jù)輸入層、卷積層、池化層、全連接層和輸出層組成[12]，卷積神經(jīng)網(wǎng)絡(luò)示意圖如圖3所示。

1）數(shù)據(jù)輸入層：接收圖像等數(shù)據(jù)，通常是一個多維數(shù)組，如彩色圖像為三維數(shù)組（高度、寬度、顏色通道）。

2）卷積層：通過卷積核對輸入數(shù)據(jù)展開卷積操作，以此提取圖像的局部特征。卷積核在圖像上滑動，針對每個局部區(qū)域?qū)嵤┘訖?quán)求和，進而獲得特征圖。

3）池化層：對卷積得到的特征圖進行下采樣處理，在降低數(shù)據(jù)維度、減少計算量的同時，又盡可能保留主要特征。常見的池化方式包括最大池化與平均池化。

4）全連接層：將經(jīng)過多次卷積和池化后的特征進行整合，通過全連接的方式與輸出層相連，實現(xiàn)對圖像的分類或回歸等任務(wù)。

5）輸出層：輸出層依照任務(wù)要求輸出分類結(jié)果或者預(yù)測數(shù)值。

3.2" 殘差神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)在圖像識別、目標檢測等領(lǐng)域有著優(yōu)異的表現(xiàn)[13]，然而，隨著神經(jīng)網(wǎng)絡(luò)層數(shù)的不斷加深，傳統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)模型會面臨梯度分散或爆炸的問題[14]，為了解決這些難題，殘差網(wǎng)絡(luò)模型（ResNet）應(yīng)運而生[15]。ResNet 通過引入殘差學習的概念，極大地改善了深度神經(jīng)網(wǎng)絡(luò)的性能。在ResNet模型中，每個殘差塊包含了一個跳躍連接，使得網(wǎng)絡(luò)可以更容易地學習輸入與輸出之間的殘差映射。這種設(shè)計使得網(wǎng)絡(luò)在訓(xùn)練過程中能夠更加有效地傳遞梯度，避免了深度增加帶來的梯度消失問題。同時，殘差塊的結(jié)構(gòu)也有助于緩解網(wǎng)絡(luò)退化現(xiàn)象，使得更深的網(wǎng)絡(luò)能夠獲得比淺層網(wǎng)絡(luò)更好的性能表現(xiàn)。

4" 結(jié)果與分析

4.1" 模型訓(xùn)練

基于PlantVillage 數(shù)據(jù)集中所選擇的病蟲害圖像，以ResNet18殘差神經(jīng)網(wǎng)絡(luò)模型為例，開展玉米葉片病蟲害識別研究，將模型迭代訓(xùn)練50次，結(jié)果如圖4和圖5所示。準確率是模型預(yù)測正確數(shù)量占總量的比例，模型經(jīng)過50輪迭代訓(xùn)練后，訓(xùn)練集和驗證集準確率均保持在97%以上，且趨于收斂，在訓(xùn)練40輪以后，準確率變化值在較小范圍內(nèi)，可認為模型訓(xùn)練結(jié)果有效，不存在過擬合現(xiàn)象。損失值用于衡量模型預(yù)測值與真實值之間的差異，損失值的計算采用交叉熵損失函數(shù)進行計算，其目的是通過最小化損失函數(shù)來優(yōu)化模型的參數(shù)，使模型能夠更好地擬合訓(xùn)練數(shù)據(jù)，從圖5可以發(fā)現(xiàn)，在訓(xùn)練過程中，訓(xùn)練集和驗證集的損失值雖然略有波動，但總體趨于收斂，且隨著迭代輪次的增加，波動逐漸減小且趨于平緩，說明訓(xùn)練模型的可靠性相對較高。

4.2" 實驗結(jié)果

為客觀評價模型在各類病蟲害中的準確性，利用訓(xùn)練好的模型對測試集中4類玉米葉片病蟲害數(shù)據(jù)集共計512張進行識別，實驗得到的混淆矩陣結(jié)果見表1。基于表1的結(jié)果，對實驗的評價指標進行計算，結(jié)果見表2，計算得到所訓(xùn)練的玉米葉片病蟲害識別模型準確率為98.05%，普通銹病、灰斑病、大斑病和健康葉片的召回率分別為100%、92.97%、99.22%和100%，針對4種類型葉片的精準率分別為100%、100%、100%和92.75%，F(xiàn)1分數(shù)為98.12%。

5" 結(jié)論和展望

5.1" 結(jié)論

本文基于卷積神經(jīng)網(wǎng)絡(luò)對PlantVillage 數(shù)據(jù)集中玉米葉片病蟲害圖像數(shù)據(jù)進行了識別研究，所訓(xùn)練的模型能夠準確識別玉米葉片病蟲害類型，對于降低病蟲害對玉米產(chǎn)量和質(zhì)量的影響，提高病蟲害識別的效率具有一定指導(dǎo)意義，主要研究結(jié)論如下：

1）對選擇的玉米葉片病蟲害數(shù)據(jù)集通過高斯濾波和直方圖均衡化處理，能夠凸顯圖像特征，抑制噪音干擾，提高病蟲害識別的準確度，并通過圖像歸一化處理將數(shù)據(jù)轉(zhuǎn)換為統(tǒng)一的尺度。

2）訓(xùn)練模型經(jīng)過50輪迭代后，訓(xùn)練結(jié)果有效且可靠性相對較高，模型準確率為98.05%，4類不同葉片數(shù)據(jù)集平均召回率和精準率分別為98.05%和98.19%，F(xiàn)1分數(shù)為98.12%，表明模型的綜合性能較高，訓(xùn)練模型對于玉米葉片的病蟲害識別具有較高的準確度。

5.2" 展望

隨著信息技術(shù)的發(fā)展，卷積神經(jīng)網(wǎng)絡(luò)在農(nóng)作物病蟲害圖像識別方面顯示出巨大的潛力，基于卷積神經(jīng)網(wǎng)絡(luò)的病蟲害識別技術(shù)大大提高了農(nóng)業(yè)生產(chǎn)的效率，對保障農(nóng)業(yè)生產(chǎn)、促進農(nóng)業(yè)經(jīng)濟發(fā)展具有重要意義。未來，隨著技術(shù)的不斷進步和創(chuàng)新，智慧農(nóng)業(yè)和無人農(nóng)場逐漸成為現(xiàn)代農(nóng)業(yè)發(fā)展的新方向，基于卷積神經(jīng)網(wǎng)絡(luò)的病蟲害識別技術(shù)將發(fā)揮更加關(guān)鍵的作用，通過在線監(jiān)測農(nóng)作物生長狀態(tài)，實時采集農(nóng)作物葉片圖像，實現(xiàn)病蟲害精準識別和及時防治，不僅推動了農(nóng)業(yè)智能化發(fā)展，提高農(nóng)業(yè)生產(chǎn)效率和質(zhì)量，還為保障糧食安全提供了有力支持。

參考文獻：

[1] 國家統(tǒng)計局關(guān)于2023年糧食產(chǎn)量數(shù)據(jù)的公告[N].中國信息報，2023-12-12（001）.

[2] 宋珂.基于農(nóng)業(yè)信息技術(shù)的玉米病蟲害監(jiān)測與防治[J].農(nóng)業(yè)工程技術(shù)，2023，43（23）：69-70.

[3] 農(nóng)業(yè)農(nóng)村部辦公廳關(guān)于印發(fā)《2024年“蟲口奪糧”保豐收行動方案》的通知[J].中華人民共和國農(nóng)業(yè)農(nóng)村部公報，2024（4）：38-41.

[4] 王超，張勇，王淼，等.基于機器視覺的網(wǎng)絡(luò)化玉米病害檢測方法研究[J].江蘇科技信息，2020，37（5）：27-28.

[5] RESTI Y， IRSAN C， PUTRI M T， et al. Identification of corn plant diseases and pests based on digital images using multinomial na？ve bayes and k-nearest neighbor[J]. Science and Technology Indonesia， 2022，7（1）：29-35.

[6] SALMAN Z， MUHAMMAD A， PIRAN M J， et al. Crop-saving with AI： latest trends in deep learning techniques for plant pathology[J]. Frontiers in Plant Science， 2023（14）： 1224709.

[7] 張正超，方文博，郭永剛.基于Resnet50的西藏高原地區(qū)玉米病害識別系統(tǒng)[J].高原農(nóng)業(yè)，2022，6（2）：164-172，212.

[8] DEWI C， CHRISTANTO H J， DAI G W. Automated identification of insect pests： a deep transfer learning approach using resnet[J]. Acadlore Trans. Mach. Learn， 2023，2（4）： 194-203.

[9] 周慧升.玉米灰斑病的發(fā)生及綜合防治[J].云南農(nóng)業(yè)，2020（8）：56-58.

[10] HUGHES D， SALATH？魪 M. An open access repository of images on plant health to enable the development of mobile disease diagnostics[J]. arxiv preprint arxiv：1511.08060， 2015.

[11] 張娜，劉坤，楊國棟.基于AlexNet的農(nóng)作物病蟲害識別研究[J].計算機與數(shù)字工程，2024，52（2）：554-558，621.

[12] 李正，李寶喜，李志豪，等.基于深度學習的農(nóng)作物病蟲害識別研究進展[J].湖北農(nóng)業(yè)科學，2023，62（11）：165-169.

[13] AHMAD I， HAMID M， YOUSAF S， et al. Optimizing pretrained convolutional neural networks for tomato leaf disease detection[J]. Complexity， 2020， 2020（1）： 8812019.

[14] XU W， LI W， WANG L， et al. Enhancing corn pest and disease recognition through deep learning： A comprehensive analysis[J]. Agronomy， 2023， 13（9）： 2242.

[15] HE K， ZHANG X， REN S， et al. Deep residual learning for image recognition[C]//Proceedings of the IEEE conference on computer vision and pattern recognition，2016：770-778.