基于深度學習的鷹嘴桃病蟲害監測技術研究

摘" 要：針對傳統病害鑒定方法效率不高、操作復雜等的問題，提出了一種基于深度學習的鷹嘴桃病蟲害識別算法。該算法基于ResNet50網絡架構，運用圖像識別技術與深度學習相結合的方式，構建了一套高效的病蟲害監測系統，能夠迅速且準確地識別各類病蟲害。首先針對河源連平地區鷹嘴桃的14種常見病蟲害，建立了專門的數據集；其次利用深度殘差網絡模型進行了訓練；最后利用PyQt5開發了圖形化用戶界面，實現了病蟲害的自動診斷。這一自動診斷系統不僅高效、省力，而且環保，符合智慧農業的發展趨勢，為用戶提供了精準的病蟲害防治手段。

關鍵詞：圖像識別技術；病蟲害監測；深度學習；病蟲害數據集；智慧農業；鷹嘴桃病蟲害

中圖分類號：T391" " 文獻標識碼：A" " 文章編號：2096-4706（2025）01-0035-05

Research on Pest and Disease Monitoring Technology for Yingzui Peach Based on Deep Learning

Abstract： Aiming at the problems of low efficiency and complex operation of traditional disease identification methods， the pest and disease identification algorithm of Yingzui peach based on Deep Learning is proposed. Based on the ResNet50 network architecture， the algorithm uses the method of combining image recognition technology and Deep Learning to establish a high efficiency pest and disease monitoring system， which can quickly and accurately identify various types of pests and diseases. Firstly， a specialized dataset is established for 14 common pests and diseases of Yingzui peach in Lianping area of Heyuan. Secondly， the Deep Residual Network Model is used for training. Finally， the Graphical User Interface is developed using PyQt5 to realize the automatic diagnosis of pest and disease. This automatic diagnosis system is not only efficient and labor-saving but also environmentally friendly. It conforms to the development trend of smart agriculture and provides users with accurate control methods of pest and disease.

Keywords： image recognition technology; pest and disease monitoring; Deep Learning; pest and disease dataset; smart agriculture; Yingzui peach pest and disease

0" 引" 言

在現代農林業發展中，果樹病蟲害問題一直是影響果實質量和產量的重要因素。傳統的病蟲害診斷方法依賴于經驗豐富的專家進行實地觀察和診斷，但這種方法不僅效率低下，而且受到地域、時間和人力資源的限制。隨著科技的進步，特別是圖像識別技術的快速發展，為果樹病蟲害的自動診斷提供了新的研究方向。文中旨在探討基于深度學習的鷹嘴桃病蟲害監測技術研究，以實現對果樹病蟲害的快速、準確識別，并為病蟲害的防治提供科學依據。

近年來，深度學習技術在圖像識別領域取得了顯著進展，其強大的特征提取和分類能力為病蟲害的自動識別提供了可能。結合河源連平地區鷹嘴桃的主要病蟲害，通過無人機影像、固定位攝像頭、手機拍照等圖像設備采集果樹及果實圖像，建立了包含多種病蟲害的數據集。在此基礎上，利用深度殘差網絡（ResNet）和遷移學習等技術，訓練了病蟲害識別模型，實現了對病蟲害的高效識別。

研究的意義在于，通過開發基于圖像識別技術的病蟲害監測系統，可以實現對果樹病蟲害的實時監控和預警，提高病蟲害防治的效率和準確性。同時，該系統不受地域和時間的限制，可以廣泛應用于各種果樹種植區域，為農民提供更加便捷、高效的病蟲害防治服務。此外，該系統的開發也符合智慧農業的發展趨勢，為推動現代農業的轉型升級提供了有力支持。

文中將從系統設計的思路、關鍵技術、實現過程、實驗結果等方面進行詳細闡述，以期為相關領域的研究和應用提供參考和借鑒。

1" 相關研究

在農作物病蟲害識別技術領域，研究者們探索了多種基于先進計算機視覺方法的應用。具體而言，蔡國慶等[1]開發了一種利用卷積神經網絡（CNN）的農作物病蟲害檢測技術，此技術在圖像識別與物體識別領域內展現出了廣泛的適用性。另一方面，陳浩等[2]則采取了遷移學習的策略，他們利用在ImageNet數據集上預訓練的VGG19模型，并通過微調使其適應于蘋果樹葉片病蟲害數據集，進而構建了一個新的分類模型。劉鵬等[3]則在水稻病蟲害檢測方面提出了PBM-YOLOv8方法，這是一種基于YOLOv8框架的改進版本。該方法通過在模型頸部網絡增加平衡特征融合層并重構特征金字塔，實現了在水稻病蟲害數據集上性能的提升。與此同時，李冰等[4]聚焦于小麥病蟲害圖像識別，他們采用深度學習特征融合技術，構建了一個能夠從已分割的病蟲害目標區域中提取關鍵特征的識別模型，為小麥的健康種植提供了有力的技術支持。此外，管博倫等[5]致力于研發基于計算機視覺的水稻病蟲害監測平臺。該平臺結合了周圍環境信息與圖像識別技術，實現了對水稻病蟲害的監測預警功能，有效提高了水稻病蟲害的防治效率。這些研究不僅展示了計算機視覺技術在農作物病蟲害識別領域的巨大潛力，也為農業生產的智能化管理提供了有益的參考。

2" 基于深度學習的鷹嘴桃病蟲害檢測

2.1" 深度殘差網絡

本文在搭建卷積神經網絡（CNN）的過程中，仔細權衡了多個設計參數，僅對高層參數進行迭代式的優化[6]。越深的網絡提取的特征越抽象，就越具有語義信息[7]。在傳統卷積神經網絡架構中，單純增加網絡深度往往引發梯度消失與梯度爆炸的問題[8]。為此，本文采用殘差網絡模型作為解決方案，該模型通過結合前饋神經網絡與shortcut連接實現殘差學習，使得輸入信息能夠直接傳遞到后續層級，從而允許這些層級直接學習輸入與輸出之間的殘差。相較于傳統的卷積層或全連接層，在信息傳遞過程中，信息丟失或損耗的問題在一定程度上得到了緩解。特別是ResNet50版本，通過實現輸入信息的直接傳遞至輸出，有效維護了信息的完整性。這樣，整個網絡僅需專注于學習輸入與輸出之間的差異部分，從而簡化了學習目標和降低了學習難度[9]。圖1為ResNet網絡結構圖[10]。

殘差網絡的核心在于其獨特的殘差單元設計，具體結構如圖2所示。在殘差單元中，跨層鏈接扮演了至關重要的角色，它使得輸入信號能夠繞過多個層次直接傳遞，實現了輸入的直接映射，并最終與卷積層處理后的輸出相融合。若輸入圖像為x，輸出為H（x），經過卷積層處理并應用非線性函數的中間輸出為F（x），則輸出表達式為H（x） = F（x）+x。這種輸出還可以進一步進行非線性處理。在這里，殘差指的是“差異”，即F（x），因此網絡的學習目標轉變為求解殘差函數F（x） = H（x）-x。與直接學習H（x）相比，求解F（x）通常更為簡單，這提高了網絡優化的效率[10]。

ResNet50網絡架構由49個卷積層和一個全連接層構成。根據圖3可知[10]，其結構可以細分為七個模塊。首個模塊不包含殘差塊，主要負責執行輸入數據的卷積操作、正則化處理、激活函數應用以及最大池化。接下來的第二、三、四、五模塊均融入了殘差塊設計。在這些模塊中，綠色模塊的作用在于調整殘差塊的維度，而不改變其尺寸。值得注意的是，ResNet50中的每個殘差塊均包含三層卷積，因此整個網絡中共有1+3×（3+4+6+3）=49個卷積層，再加上最終的全連接層，共計50層，這也是ResNet50命名的原因所在。在網絡的前五個模塊中，輸入數據經過卷積計算后，由池化層將其轉換為特征向量。最終，該特征向量被送入分類器，分類器對其進行處理并輸出類別概率。

2.2" 遷移學習

遷移學習是計算機領域中的一項重要學習技術，它允許將預訓練好的模型重新應用于不同的任務上。該方法通常涉及首先利用某些數據集（例如ImageNet數據集）對模型進行初步訓練，隨后對模型進行調整，以便將其應用于其他數據集。之所以需要遷移知識，是因為監督式機器學習通常需要大量的標注數據，而且標注信息是一項耗時且復雜的工作，遷移知識能夠把已經掌握的強大知識轉移到相應位置上。遷移學習能夠幫助網絡更快、更好地獲取特性。但是，由于樣本量較小會使得卷積式神經網絡學習的特性較為粗略，且細粒度也不足，從而無法表現病蟲害防治的特點。模型學習需要相當漫長的時間，所以通過遷移練習能夠縮短模型學習的時限，卷積神經網絡模型在復雜場景下的訓練與測試表現優異。當樣本數據具備豐富的多樣性和充足的數量時，該網絡能夠有效地學習到具有判別能力的特征表征。圖4為遷移學習過程圖。

遷移學習技術能夠將源領域中獲取的知識，借助特征轉換策略，有效地遷移至目標領域，進而增強目標領域的特征描述能力。通常情況下，源領域是指那些含有大量且高標注質量樣本的數據集，通過設計復雜的卷積神經網絡結構，可以學習到具有高度鑒別性的特征。而目標領域則通常與特定的應用場景相關，其訓練樣本數量較少，因此短時間內構建大規模標注數據集是一項挑戰。在實時應用場景中，往往需要使用輕量級的卷積神經網絡模型，而這些模型仍需保持從源領域復雜模型中獲取的知識表示。為了滿足這一需求，遷移學習技術提供了一種切實可行的解決途徑。

在實際應用環境中，迅速收集并標注大量樣本往往是一項難以完成的任務。如何在僅具備有限標注樣本的條件下，有效利用在公開數據集上訓練得到的網絡模型，并將其應用于特定場景而不降低性能，是一個亟待解決的問題。此外，隨著網絡模型結構的日益復雜，其識別能力雖然得到提升，但在計算資源受限的環境中部署這些模型卻變得愈發困難。因此，將復雜模型所學知識高效地轉移到簡單模型上，以確保簡單模型能夠擁有與復雜模型相媲美的特征表達能力，是目前研究中的一個主要挑戰。為了解決這些問題，本文進行了深入的研究和實驗，并開發了一種基于遷移學習的深度殘差網絡算法，用于識別鷹嘴桃的病蟲害。

3" 實驗過程與結果分析

3.1" 整體實驗流程

病蟲害監測對于農業生產至關重要，為了提升鷹嘴桃病蟲害類型與嚴重程度的識別效率，將卷積神經網絡的結構規劃、訓練過程及優化策略緊密融入至該識別系統之中。完成識別任務后，系統會迅速將病蟲害的詳盡數據傳送至預警系統，確保病蟲害情況的即時監控。本文的整體技術流程如圖5所示。

3.2" 實驗環境

本實驗的軟件環境配置為Windows 10操作系統，采用PyTorch框架，編程語言選用Python 3.8.8版本，并利用CUDA 11.1作為編程平臺。硬件環境方面，實驗設備配備了64 GB內存，搭載NVIDIA GeForce RTX 3060顯卡以及Intel Core i9-10900處理器。在訓練參數設置上，本文選擇了300個epoch，batch size設為4，學習率設定為0.003，采用Adam優化器，并選用ReLU作為激活函數。

3.3" 數據集構建及數據處理

根據河源連平地區鷹嘴桃主要病蟲害，選取了生理落果、缺鈣、幺蚰蟲害、缺鉀、缺硼缺鋅、桔小實蠅蟲害、桃褐腐病（菌核病）、桃炭疽病、桃細菌性穿孔病、枝條潰瘍癥狀、紅褐斑病、天牛蟲害、瘡痂病、食心蟲害共14種病蟲害，數據集樣本示例如圖6所示。本文設計并實現了一個圖片爬蟲軟件，以此選取圖片建立數據集。

另外，隨著互聯網技術日新月異的發展，網絡信息量正以驚人的速度激增。在這一背景下，如何從浩瀚的網絡數據海洋中精確且高效地篩選出所需信息，已成為當前亟須解決的重要課題。爬蟲技術作為一種自動化的數據采集工具，在數據分析和信息檢索等領域發揮著重要作用。爬蟲軟件如圖7所示。

網絡爬蟲，亦稱作網頁抓取程序或網頁蜘蛛，是一種依據特定規則和算法自動搜集萬維網數據的軟件工具或腳本程序[11]。這類工具能夠按照預設的邏輯自動遍歷并提取互聯網上的信息。該軟件通過多線程技術實現圖片的批量下載，并提供用戶友好的圖形界面（GUI）供用戶操作。用戶可以通過輸入關鍵詞搜索圖片，選擇保存路徑，清空已下載圖片，以及隨時停止爬蟲進程。下面詳細闡述軟件的設計思路、關鍵技術及實現過程：

1）GUI設計。使用Tkinter庫設計圖形用戶界面，包括輸入框、按鈕等控件，實現用戶與軟件的交互。

2）網絡請求與解析。利用Requests庫向百度圖片搜索API發送請求，獲取圖片列表的JSON數據，并解析出圖片URL。

3）多線程爬蟲。使用Threading庫創建爬蟲線程，實現圖片的并發下載。通過Event對象控制線程的啟動與停止，確保用戶可以隨時中斷爬蟲進程。

4）圖片保存與清空。將下載的圖片保存到用戶指定的目錄中，并提供清空已下載圖片的功能。

最終，基于上述構建的數據集，為提升深度卷積神經網絡對語義特征的區分能力，增強模型于不同場景的適應性與泛化能力，需進一步擴充數據集的多樣性。運用多種技術方法，如圖片裁剪、水平翻轉、灰度調整、高斯濾波平滑、對比度平衡、對比度調整（增減）、隨機加入噪聲、背景隨機混合以及樣本融合等技術，以實現上述目標[6]。

3.4" 模型訓練及評估

實驗首先利用大型數據集ImageNet-1K對模型進行預訓練，隨后將預訓練模型中的分類器從原有的1 000個類別修改為與鷹嘴桃病蟲害數據集相匹配的14個類別。鷹嘴桃病蟲害數據集共包含6 769張圖片，本文將其按照80%訓練集和20%測試集的比例進行劃分。隨后，將處理后的數據集輸入到ResNet50模型中。

本實驗還運用了遷移學習的策略，這是當前深度學習領域的一種常用方法。遷移學習的應用使得模型在小型數據集上也能表現出良好的泛化性能，有效緩解了因數據集規模較小而導致的過擬合問題[12]。

將訓練好的模型權重保存用于預測，試驗結果表明，模型在測試集上表現良好，識別率達到98.4%。泛化性能優異，在其他地區的桃病蟲害圖像測試實驗中，預測結果仍然準確，具有識別14種病蟲害的分類能力。

采用精確率（Precision）與召回率（Recall）對模型予以評估，相應結果呈現為如圖8、圖9所示的曲線。

3.5" 檢測系統設計

基于建立的模型，為了發展模型的可利用性，開發了基于圖像識別技術病蟲害監測系統。利用Python的圖形界面開發庫PyQt5構建圖形化界面，如圖10所示，實現上傳圖片和對模型進行推理的功能，為病蟲害防治提供合理化建議。

4" 結" 論

文中主要介紹了基于深度學習的病蟲害監測系統在果樹病蟲害管理領域系統研究和開發。該系統不僅提升了病蟲害檢測的精確度和速度，還減少了人力資源和物質投入，為智慧農業的進步提供了堅實的技術支持。未來將持續改進算法模型，拓寬病蟲害識別的種類，增強系統的智能化程度，以更有效地服務于果樹種植業及現代農業的發展需求。

參考文獻：

[1] 蔡國慶，吳建軍，祝玉華，等.基于卷積神經網絡的農作物病蟲害檢測研究進展 [J].山東農業科學，2024，56（11）：170-180.

[2] 陳浩，唐柳青.基于遷移學習和VGG19卷積神經網絡的蘋果樹葉片病蟲害圖像分類方法 [J].南方農機，2024，55（20）：6-9.

[3] 劉鵬，張天翼，冉鑫，等.基于PBM-YOLOv8的水稻病蟲害檢測 [J].農業工程學報，2024，40（20）：147-156.

[4] 李冰，李紀云，賈猛.基于深度學習特征融合技術的小麥病蟲害圖像識別準確性研究 [J].信息技術與信息化，2024（8）：83-87.

[5] 管博倫，董偉，張立平，等.基于計算機視覺的水稻病蟲害監測平臺研發 [J].安徽農業科學，2024，52（16）：211-216.

[6] 鄭果.基于機器視覺的水稻病蟲害監測預警技術研究 [D].重慶：重慶三峽學院，2023.

[7] 岳建.基于深度學習的視頻編碼環路濾波方法 [D].成都：電子科技大學，2022.

[8] 孫汝杰.基于卷積神經網絡的短波信道質量分類 [J].現代信息科技，2021，5（6）：70-72+76.

[9] 劉洋.一種高精度航拍圖像目標檢測算法研究與實現 [J].中國管理信息化，2019，22（19）：149-151.

[10] 錢茹雪.基于深度神經網絡的花朵圖像識別及分類 [J].信息技術與信息化，2022（3）：210-213.

[11] 陶冶.基于Map/Reduce的分布式Web服務搜索引擎研究與實現 [D].湘潭：湖南科技大學，2012.

[12] 曹歡，方睿.基于深度學習的芒果病蟲害分類識別 [J].計算機技術與發展，2023，33（10）：115-119.