基于卷積神經(jīng)網(wǎng)絡的農作物病蟲害識別研究

常瑞揚 楊海斌

摘要：農業(yè)生產中較為嚴重的問題之一便是農作物的病蟲害，為降低農作物病蟲害對糧食生產帶來的減產等影響，文章借助網(wǎng)絡化數(shù)據(jù)集的處理、通過卷積神經(jīng)網(wǎng)絡識別農作物病蟲害，幫助廣大的農業(yè)生產者。文章分析了卷積神經(jīng)網(wǎng)絡的AlexNet模型，以此來增強數(shù)據(jù)算法網(wǎng)絡化處理；借助數(shù)據(jù)集的構建與處理，進一步提高農作物病蟲害的識別與研究，使得農作物病蟲害識別更高效化、科技化、信息化，最終達到高精準度識別農作物病蟲害，降低農作物病蟲害對產量的影響。

關鍵詞：卷積神經(jīng)網(wǎng)絡；農作物病蟲害；病蟲害識別

中圖分類號：TP389? 文獻標志碼：A

0 引言

近年來，生態(tài)環(huán)境的不斷惡化，使得其結構更加脆弱，農作物病蟲害常有大規(guī)模暴發(fā)。農作物病蟲害的頻繁爆發(fā)直接影響農產品的產量和質量，給農戶造成不必要的經(jīng)濟損失。根據(jù)農業(yè)農村部統(tǒng)計數(shù)據(jù)顯示，中國農業(yè)目前在植物病蟲害防治方面技術存在很大的缺陷，每年因病蟲害導致糧食大量減產，在人工防治植物病蟲害過程中會出現(xiàn)識別準確率低，不能“對癥下藥”等技術問題。目前對于植物病蟲害治理仍有很大進步空間，該如何科學高效的減少病蟲害對農作物帶來的減產問題顯得尤其重要［1-2］。

1 研究背景

據(jù)不完全統(tǒng)計，植物病蟲害造成了全球平均每年高達16%的農作物產量減產，有的土地甚至顆粒無收［3-4］。針對植物病蟲害對農作物所帶來的減產的影響，大部分地區(qū)農民還是依靠傳統(tǒng)方法，使用噴灑農藥等危害環(huán)境的殺蟲方法。但對于一些不常見的植物病蟲來說，種植者難以判別該病原菌種類，從而會給農作物病蟲害防治帶來不小的麻煩。

針對上述問題，本文采用深度學習算法和機器視覺技術，用于植物病蟲害的識別當中。深度學習算法和機器視覺在農業(yè)上的應用不僅可以減少病蟲害，更是直接推動了智慧農業(yè)的深入發(fā)展，因為其簡便的操作性、自我學習的能力，面對更多病蟲害時的泛化性和對復雜環(huán)境的適應性，有助于人工智能系統(tǒng)的在農業(yè)上的發(fā)展。將深度學習的方法用在農作物病蟲害識別上，可以加快檢測的速度，提高工作效率，圖像識別技術的高效運用，不僅可以降低傳統(tǒng)人工檢測的主觀性，還可以降低檢測成本，提高識別的準確率，同時具有更強的時效性［5-7］。

通過分析當前國內研究現(xiàn)狀及存在的問題，針對不同地區(qū)多種典型農作物病蟲害圖像，基于分析各類算法基礎之上，可從以下幾個方面開展研究：（1）分析卷積神經(jīng)網(wǎng)絡——AlexNet模型；（2）病蟲害數(shù)據(jù)集的構建與預處理；（3）改進AlexNet模型。

2 卷積神經(jīng)網(wǎng)絡

2.1 卷積神經(jīng)網(wǎng)絡模型

Lenet卷積神經(jīng)網(wǎng)絡分為兩部分，一部分是自學習特征提取模型，另外一部分則是分類模型。

特征提取模型主要由卷積層和池化層構成，池化層是卷積神經(jīng)網(wǎng)絡從輸入圖像中獲得不同層次特征的部分。對輸入層來說卷積神經(jīng)網(wǎng)絡的圖像輸入層定義了輸入圖像的大小，并包含圖像的原始像素值，圖像大小對應于該圖像的高度、寬度和顏色通道數(shù)。

卷積層存在的目的就是從輸入的原始圖像中把圖像特征提取出來，它是 CNN 結構體系中的一個基本單元，由一組可學習的過濾器（卷積核）組成，過濾器的大小作為感受野，此外卷積核的個數(shù)決定了獲得特征圖的個數(shù)，通過使每個過濾器用滑動窗口的這種方式用于該圖像原始像素值，再通過一系列函數(shù)來計算出相關非線性數(shù)據(jù)，借助網(wǎng)絡函數(shù)模型來引入到網(wǎng)絡中。

2.2 卷積層

卷積為數(shù)學算法分析體系中一種運算，同加減乘除類似，這種運算可以理解為借助一個函數(shù)n、q經(jīng)過一系列計算來生成函數(shù)y的一種數(shù)學算子。將它應用到神經(jīng)網(wǎng)絡當中就可以稱之為卷積層，簡單來說就是數(shù)學分析中的一種卷積算法通過借助實際問題來分析研究論證等。由圖1分析得知，在神經(jīng)網(wǎng)絡中的卷積過程是一種濾波運算。

2.3 池化層

池化層存在于連續(xù)的卷積層中間，用于減少數(shù)據(jù)和參數(shù)的量，防止在運算中出現(xiàn)過擬合現(xiàn)象。簡而言之，如果輸入是圖像的話，那么池化層的最主要作用就是壓縮圖像。池化層分為3類：平均池化、最大池化和隨機池化。目前主要應用的池化的操作為最大池化和平均池化，如圖2所示。

2.4 全連接層

全連接層在全部的CNN過程中起到的是分類器的作用。前者卷積層與池化層可以看作是將原始信息圖像收集起來，再利用計算網(wǎng)絡方法將其輸入到更深的空間提供一個更為簡便的整合方法。

2.5 輸出層

輸出層在計算網(wǎng)絡中所起的作用是將前面的分? 類結果進行輸出，其所在位置為計算網(wǎng)絡中的最后一層。在編碼、聚類等無監(jiān)督學習過程中，輸入?yún)?shù)跟輸出參數(shù)是相同的，然而對于圖像識別等問題進行分析時，輸入?yún)?shù)跟輸出參數(shù)是不同的，根據(jù)不同的分類結果輸出層N個神經(jīng)元作為N種分類結果。

感知器在不同的條件下，根據(jù)輸入問題的不同會影響輸出層結果。在輸出層會用損失函數(shù)來對模型評估優(yōu)化，數(shù)據(jù)函數(shù)會通過根據(jù)預測值與實際值的差別來修正模型以此來提高網(wǎng)絡模擬非線性系統(tǒng)的能力，同時也會在隱含層加入激活函數(shù)增加網(wǎng)絡的復雜性。

3 卷積神經(jīng)網(wǎng)絡算法

模型建設過程中往往會產生大量的數(shù)據(jù)，對于在學習過程中的各項參數(shù)也越來越多。在本研究的卷積神經(jīng)網(wǎng)絡學習過程中，加入了遷移學習算法。遷移學習卷積神經(jīng)網(wǎng)絡分為兩部分，主要包括模型遷移和特征遷移［9-10］。

準確鑒別農作物病蟲應遵循以下幾個步驟，要從數(shù)據(jù)的獲取、數(shù)據(jù)的整理以及數(shù)據(jù)的應用這3個基本步驟來操作進行鑒別。這3個基本操作步驟中所涉及的關鍵性技術，主要包括病蟲害的數(shù)據(jù)獲取、病蟲害的數(shù)據(jù)處理以及病蟲害的數(shù)據(jù)應用性關鍵技術，遷移學習卷積神經(jīng)網(wǎng)絡如圖3所示。

在研究農作物病蟲害的過程中，要想獲得更為精確的數(shù)據(jù)、做出更為精確的判斷，就要借助更專業(yè)的設備以及專業(yè)網(wǎng)絡數(shù)據(jù)整理方法。農作物病蟲害的數(shù)據(jù)來源可以分成以下兩種來源：一種是利用現(xiàn)有的公開數(shù)據(jù)集訓練網(wǎng)絡;另一種則是根據(jù)實際應用需求，自行采集病蟲害數(shù)據(jù)，進而再通過數(shù)據(jù)集進行相關的專業(yè)性技術分析。這兩種數(shù)據(jù)方法都能較為模型提供基礎數(shù)據(jù)［11］。數(shù)據(jù)預處理就是在數(shù)據(jù)正式輸入到網(wǎng)絡中之前對數(shù)據(jù)的一個簡要分析，通過預處理，可以更好地篩選一些不必要的雜亂數(shù)據(jù)，以此來提高數(shù)據(jù)的精確性。

4 結語

本文通過基于卷積神經(jīng)網(wǎng)絡的農作物病蟲害識別與防治的方法進行分析研究。從國內外農作物產量現(xiàn)狀進行著手分析，借助卷積神經(jīng)網(wǎng)絡、遷移學習卷積神經(jīng)網(wǎng)絡、農作物的病蟲害識別技術等方面來分析研究。通過構建神經(jīng)網(wǎng)絡識別模型訓練基于生成式對抗網(wǎng)絡而生成的農作物病蟲害圖像，可以更好地擴充農作物病蟲害樣本集。最終將現(xiàn)場采集的圖像、隨機化旋轉處理等技術生成的圖像和基于生成對抗網(wǎng)絡合成的農作物病蟲害圖像數(shù)據(jù)進行整理和分類標記，可以有效增強深度學習模型的泛化性能。利用大量不同地區(qū)的特有農作物病蟲害圖像建模，實現(xiàn)有針對性地診斷不同地區(qū)特有的病蟲害目標。

參考文獻

［1］范海紅.卷積神經(jīng)網(wǎng)絡在茶樹病蟲害防治中的應用［J］.福建茶葉，2022（4）：34-36.

［2］李玲，李艷樂，郭海麗，等.基于卷積神經(jīng)網(wǎng)絡的蘋果樹病蟲害識別［J］.南方農機，2022（8）：16-19.

［3］姚建斌，張英娜，劉建華.基于卷積神經(jīng)網(wǎng)絡和遷移學習的小麥病蟲害識別［J］.華北水利水電大學學報（自然科學版），2022（2）：102-108.

［4］張樹曉.基于大數(shù)據(jù)平臺的新能源智能化運營監(jiān)管技術［J］.分布式能源，2022（1）：74-82.

［5］駱潤玫，王衛(wèi)星.基于卷積神經(jīng)網(wǎng)絡的植物病蟲害識別研究綜述［J］.自動化與信息工程，2021（5）：1-10.

［6］曾弟先，王宇，吳宏佳.基于卷積神經(jīng)網(wǎng)絡的水稻病蟲害識別分類系統(tǒng)設計與實現(xiàn)［J］.電腦與信息技術，2021（3）：16-20.

［7］陶國柱.基于卷積神經(jīng)網(wǎng)絡的茉莉花病蟲害識別算法研究［D］.南寧：廣西民族大學，2021.

［8］李哲，潘維，張赟.基于深度卷積神經(jīng)網(wǎng)絡的植物病蟲害識別［J］.電子技術與軟件工程，2020（23）：194-195.

［9］陳朝軍.基于卷積神經(jīng)網(wǎng)絡的農作物病蟲害識別方法研究［D］.桂林：桂林理工大學，2020.

［10］魏宇軒.基于卷積神經(jīng)網(wǎng)絡的農作物病蟲害圖像識別研究［D］.武漢：武漢輕工大學，2020.

［11］李童.基于改進深度卷積神經(jīng)網(wǎng)絡的西葫蘆病蟲害識別研究［D］.太原：山西農業(yè)大學，2020.

（編輯 傅金睿）

Research on crop pest identification based on convolution neural network

Chang? Ruiyang， Yang Haibin*

（Electrical and Information Engineering College， JiLin Agricultural Science and Technology University， Jilin 132101， China）

Abstract：? One of the more serious problems in agricultural production is crop diseases and insect pests. In order to reduce the impact of crop diseases and insect pests on grain production， this study uses the treatment of network data set， through the convolution neural network， to help the majority of agricultural producers. This paper analyzes the AlexNet model of convolutional neural network， so as to enhance the identification and research of crop diseases and insect pests， to make it more efficient， scientific and information， and finally to achieve highly accurate identification of crop diseases and insect pests， and to reduce the influence of crop diseases and insect pests on yield.

Key words： convolutional neural network; crop pests and diseases; identification of pests and diseases