基于深度學(xué)習(xí)的甘蔗生長(zhǎng)監(jiān)測(cè)模型設(shè)計(jì)

唐偉萍 黃欣 陳泳锨

摘 要：蔗糖作為重要的食用糖和再生能源，在世界糖產(chǎn)業(yè)鏈中占有舉足輕重的地位。文章旨在通過設(shè)計(jì)一個(gè)準(zhǔn)確、高效的模型來監(jiān)測(cè)甘蔗生長(zhǎng)狀況，進(jìn)而有效指導(dǎo)科學(xué)培育，這是提高甘蔗產(chǎn)量的重要途徑。利用深度學(xué)習(xí)方法構(gòu)建甘蔗生長(zhǎng)監(jiān)測(cè)模型，以解決傳統(tǒng)監(jiān)測(cè)方式存在的問題。通過調(diào)研了解蔗糖的重要性及傳統(tǒng)的甘蔗生長(zhǎng)監(jiān)測(cè)方法，詳細(xì)分析深度學(xué)習(xí)在計(jì)算機(jī)視覺等領(lǐng)域的應(yīng)用，提出基于卷積神經(jīng)網(wǎng)絡(luò)（CNN）的甘蔗生長(zhǎng)監(jiān)測(cè)模型架構(gòu)；設(shè)計(jì)基于CNN的圖像分類模型監(jiān)測(cè)甘蔗生長(zhǎng)，并通過試驗(yàn)對(duì)比驗(yàn)證模型的有效性。最后總結(jié)基于CNN的深度學(xué)習(xí)模型監(jiān)測(cè)甘蔗生長(zhǎng)的有效性，并探討如何進(jìn)一步提高甘蔗生長(zhǎng)監(jiān)測(cè)的準(zhǔn)確性。

關(guān)鍵詞：蔗糖；甘蔗生長(zhǎng)監(jiān)測(cè)；深度學(xué)習(xí)；計(jì)算機(jī)視覺；卷積神經(jīng)網(wǎng)絡(luò)

中圖分類號(hào)：S566.1；S126? ? ? ? ? ? ? ? ? ? ? ? 文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：2095-820X（2023）03-0014-06

0 引言

甘蔗是重要的糖料作物和能源作物［1］，作為世界上主要的糖源，對(duì)于全球食品產(chǎn)業(yè)具有重要意義。我國(guó)是世界第一蔗糖生產(chǎn)國(guó)和消費(fèi)國(guó)，甘蔗糖業(yè)在保障我國(guó)食糖安全中的地位舉足輕重［2］，蔗糖產(chǎn)業(yè)對(duì)促進(jìn)國(guó)民經(jīng)濟(jì)發(fā)展和保障農(nóng)村經(jīng)濟(jì)穩(wěn)定具有重要作用，對(duì)廣西的農(nóng)業(yè)經(jīng)濟(jì)和社會(huì)發(fā)展而言同樣意義重大。據(jù)統(tǒng)計(jì)，2022年廣西年甘蔗種植面積超過666666.7 hm2（1000萬畝），位居全國(guó)第一；蔗糖產(chǎn)量600萬t，占全國(guó)蔗糖產(chǎn)量一半以上，年產(chǎn)值達(dá)到數(shù)百億元。甘蔗的種植、加工和銷售形成了完整的產(chǎn)業(yè)鏈，涉及到農(nóng)業(yè)生產(chǎn)、食品加工、糖業(yè)、酒業(yè)和生物燃料等多個(gè)領(lǐng)域，為廣西經(jīng)濟(jì)發(fā)展帶來了巨大的貢獻(xiàn)。

甘蔗生產(chǎn)受氣候變化、病蟲害等多種因素的影響，因此甘蔗生長(zhǎng)監(jiān)測(cè)尤為重要。我國(guó)作為甘蔗生產(chǎn)大國(guó)，近年來甘蔗糖量已得到明顯提升［3］。甘蔗種植的全程機(jī)械化和自動(dòng)化是產(chǎn)業(yè)發(fā)展的趨勢(shì)［4］，提高甘蔗糖產(chǎn)量和糖分離不開強(qiáng)化甘蔗生長(zhǎng)的監(jiān)測(cè)、及時(shí)防治病蟲害及科學(xué)合理的方式培育和管理甘蔗作物。傳統(tǒng)的甘蔗生長(zhǎng)監(jiān)測(cè)方法主要依賴于人工觀察和定期抽樣，效率低、耗時(shí)長(zhǎng)且容易受人為因素的影響。因此，開發(fā)一種高效、準(zhǔn)確的甘蔗生長(zhǎng)監(jiān)測(cè)方法對(duì)于提高甘蔗產(chǎn)量和優(yōu)化農(nóng)業(yè)資源配置具有重要意義。

1 甘蔗生長(zhǎng)監(jiān)測(cè)模型設(shè)計(jì)的概述

1.1 甘蔗生長(zhǎng)監(jiān)測(cè)信息化概述

長(zhǎng)期以來，傳統(tǒng)的甘蔗生長(zhǎng)監(jiān)測(cè)方法主要依賴于人工觀察和定期抽樣，該方法優(yōu)點(diǎn)在于直觀、易于操作，但存在諸多局限性，如效率低、耗時(shí)長(zhǎng)、容易受到人為因素影響等，很難保證結(jié)果的準(zhǔn)確可靠。同時(shí)，人工監(jiān)測(cè)方式勞動(dòng)強(qiáng)度大且成本高，難以實(shí)現(xiàn)對(duì)大規(guī)模甘蔗種植區(qū)域的實(shí)時(shí)監(jiān)測(cè)，限制了其在現(xiàn)代農(nóng)業(yè)生產(chǎn)中的應(yīng)用。

近年來，遙感技術(shù)的發(fā)展為甘蔗生長(zhǎng)監(jiān)測(cè)提供了新的手段。通常使用光學(xué)和SAR衛(wèi)星數(shù)據(jù)監(jiān)測(cè)甘蔗生育狀況、病蟲害發(fā)生情況及應(yīng)對(duì)措施效果。這些方法可定量化和客觀化地獲取作物生育參數(shù)信息，但也面臨一定的問題，比如光學(xué)數(shù)據(jù)容易受天氣影響，其中云層覆蓋會(huì)極大降低監(jiān)測(cè)精度；SAR數(shù)據(jù)分辨率有限，難以精確提取甘蔗生育參數(shù)；衛(wèi)星數(shù)據(jù)存在時(shí)滯性，精度較高的監(jiān)測(cè)，圖像通常難以及時(shí)獲取。

1.2 深度學(xué)習(xí)技術(shù)

深度學(xué)習(xí)是通過神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)方法對(duì)數(shù)據(jù)進(jìn)行有效處理分析。深度學(xué)習(xí)模型通過大量的訓(xùn)練數(shù)據(jù)來學(xué)習(xí)數(shù)據(jù)的規(guī)律與特征，還可通過反向傳播算法來調(diào)整網(wǎng)絡(luò)參數(shù)，從而提升模型的準(zhǔn)確性和泛化能力。近年來，深度學(xué)習(xí)在計(jì)算機(jī)視覺和自然語(yǔ)言處理等領(lǐng)域取得了重要的成果。在計(jì)算機(jī)視覺領(lǐng)域，深度學(xué)習(xí)模型可實(shí)現(xiàn)圖像分類、物體檢測(cè)、語(yǔ)義分割等任務(wù)，已經(jīng)成為了許多實(shí)際應(yīng)用的核心技術(shù)。在自然語(yǔ)言處理領(lǐng)域，深度學(xué)習(xí)模型可實(shí)現(xiàn)文本分類、情感分析和機(jī)器翻譯等任務(wù)，為人工智能技術(shù)的發(fā)展提供了重要支持。

隨著計(jì)算能力的提高和大數(shù)據(jù)的匯集，深度學(xué)習(xí)模型已經(jīng)超過人類在圖像分類比賽中的識(shí)別準(zhǔn)確率，著名的深度學(xué)習(xí)模型如LeNet［5］、AlexNet［6］、VGG［7］、ResNet8］、Inception［9］等相繼提出，有效推動(dòng)了機(jī)器視覺的發(fā)展。卷積神經(jīng)網(wǎng)絡(luò)（Convolutional neural networks，CNN）是一種深度學(xué)習(xí)模型，能有效地進(jìn)行圖像分類和物體檢測(cè)等任務(wù)。2012年Alex Krizhevsky等提出了AlexNet模型，利用CNN進(jìn)行圖像分類和物體檢測(cè)，在ImageNet數(shù)據(jù)集上測(cè)試取得了顯著的結(jié)果［10］，標(biāo)志著深度學(xué)習(xí)在計(jì)算機(jī)視覺領(lǐng)域的崛起。除CNN之外，目標(biāo)檢測(cè)和語(yǔ)義分割也是深度學(xué)習(xí)在計(jì)算機(jī)視覺領(lǐng)域的重要應(yīng)用。目標(biāo)檢測(cè)是計(jì)算機(jī)視覺中的一個(gè)重要任務(wù)，可識(shí)別圖像中物體并確定其位置。深度學(xué)習(xí)在目標(biāo)檢測(cè)領(lǐng)域的應(yīng)用主要有2個(gè)重要的發(fā)展方向：一是Faster R-CNN，一種基于區(qū)域提取的目標(biāo)檢測(cè)框架，能在準(zhǔn)確率和速度之間取得良好的平衡［11］；二是YOLO（You only look once），一種端到端的目標(biāo)檢測(cè)模型，可在較短時(shí)間內(nèi)實(shí)現(xiàn)高精度的目標(biāo)檢測(cè)［12］。語(yǔ)義分割任務(wù)旨在將圖像中的每個(gè)像素進(jìn)行分類，從而實(shí)現(xiàn)對(duì)圖像的完全理解。深度學(xué)習(xí)在語(yǔ)義分割領(lǐng)域的應(yīng)用主要有2種方法：一是基于CNN的全卷積網(wǎng)絡(luò)（Fully convolutional networks，F(xiàn)CNs），可對(duì)整個(gè)圖像進(jìn)行像素級(jí)的分類［13］；二是基于編碼器—解碼器（Encoder-Decoder）［14］結(jié)構(gòu)的模型，可對(duì)圖像進(jìn)行分層解碼，從而實(shí)現(xiàn)更加準(zhǔn)確的語(yǔ)義分割。

深度學(xué)習(xí)模型采用CNN能自動(dòng)學(xué)習(xí)數(shù)據(jù)的特征并進(jìn)行分類或識(shí)別，但也存在一定的局限性。采用傳感器技術(shù)的方法受到傳感器的精度和數(shù)量限制，同時(shí)需要進(jìn)行復(fù)雜的數(shù)據(jù)處理和分析。采用圖像處理技術(shù)的方法需要高質(zhì)量的甘蔗圖像，且對(duì)于甘蔗生長(zhǎng)過程中的其他因素（氣候、土壤等）的影響不夠敏感。

1.3 基于深度學(xué)習(xí)的農(nóng)作物生長(zhǎng)監(jiān)測(cè)研究

深度學(xué)習(xí)在農(nóng)業(yè)上的應(yīng)用前景非常廣闊，近年來在農(nóng)業(yè)方面取得了不少的成就［15］，其中計(jì)算機(jī)視覺技術(shù)在農(nóng)業(yè)應(yīng)用中最廣泛［16］，涵蓋農(nóng)業(yè)生產(chǎn)的各方面。如幫助農(nóng)民進(jìn)行農(nóng)業(yè)生產(chǎn)管理，通過識(shí)別農(nóng)田中的作物種植情況，預(yù)測(cè)作物的生長(zhǎng)趨勢(shì)等，此外，深度學(xué)習(xí)還可幫助農(nóng)民優(yōu)化農(nóng)業(yè)生產(chǎn)的各環(huán)節(jié)，從而提高整個(gè)農(nóng)業(yè)生產(chǎn)系統(tǒng)的效率和質(zhì)量，為基于深度學(xué)習(xí)的甘蔗生長(zhǎng)監(jiān)測(cè)模型提供了有力的技術(shù)基礎(chǔ)。

隨著深度學(xué)習(xí)技術(shù)的發(fā)展，越來越多的研究者開始關(guān)注基于深度學(xué)習(xí)的農(nóng)作物生長(zhǎng)監(jiān)測(cè)。通過利用衛(wèi)星遙感圖像、無人機(jī)航拍圖像等數(shù)據(jù)，設(shè)計(jì)多種基于深度學(xué)習(xí)的農(nóng)作物生長(zhǎng)監(jiān)測(cè)模型，運(yùn)用于預(yù)測(cè)農(nóng)作物生長(zhǎng)、檢測(cè)病蟲害等方面。深度學(xué)習(xí)對(duì)甘蔗生長(zhǎng)檢測(cè)模型發(fā)展的影響主要包含2個(gè)方面：（1）深度學(xué)習(xí)模型可利用其強(qiáng)大的特征提取和分類能力，對(duì)甘蔗生長(zhǎng)過程中的圖像進(jìn)行準(zhǔn)確的分類和檢測(cè)，從而提高甘蔗生長(zhǎng)檢測(cè)模型的準(zhǔn)確率；（2）深度學(xué)習(xí)模型可實(shí)現(xiàn)對(duì)甘蔗生長(zhǎng)過程中的圖像進(jìn)行自動(dòng)化檢測(cè)，從而極大減少人工操作的時(shí)間和成本，并實(shí)現(xiàn)實(shí)時(shí)監(jiān)測(cè)，及時(shí)發(fā)現(xiàn)甘蔗生長(zhǎng)過程中的問題。

但現(xiàn)階段針對(duì)甘蔗的深度學(xué)習(xí)監(jiān)測(cè)模型研究仍相對(duì)較少，因此文章提出建立一種使用深度學(xué)習(xí)方法自動(dòng)監(jiān)測(cè)和分類甘蔗生長(zhǎng)圖像的方法，以實(shí)現(xiàn)更加準(zhǔn)確、高效的生育監(jiān)測(cè)。構(gòu)建基于CNN的深度學(xué)習(xí)模型，采用甘蔗生長(zhǎng)期的高光譜圖像作為模型的訓(xùn)練和測(cè)試數(shù)據(jù)，建立甘蔗生長(zhǎng)階段分類模型，從而達(dá)到監(jiān)測(cè)甘蔗生長(zhǎng)動(dòng)態(tài)的目的，以提高甘蔗生產(chǎn)效率并為農(nóng)業(yè)生產(chǎn)提供科學(xué)依據(jù)。

2 甘蔗生長(zhǎng)監(jiān)測(cè)模型設(shè)計(jì)方法

本研究提出的甘蔗生長(zhǎng)監(jiān)測(cè)模型，能及時(shí)發(fā)現(xiàn)并解決可能影響生長(zhǎng)效率的問題，指導(dǎo)農(nóng)民在合適的時(shí)間和地點(diǎn)進(jìn)行灌溉和施肥，分析生長(zhǎng)環(huán)境和甘蔗生長(zhǎng)狀態(tài)的變化，及早發(fā)現(xiàn)病蟲害的存在并預(yù)測(cè)其發(fā)展趨勢(shì)，提前采取相應(yīng)的防治措施，幫助農(nóng)民做出科學(xué)合理的決策，從而提高甘蔗的產(chǎn)量、質(zhì)量和農(nóng)業(yè)可持續(xù)發(fā)展水平。

2.1 總體思路

采集甘蔗從萌發(fā)期到成熟期不同生育階段的高光譜圖像作為模型的訓(xùn)練集。采用基于CNN的模型對(duì)這些圖像進(jìn)行分類訓(xùn)練，建立甘蔗生育分類模型。將新采集的待測(cè)圖像輸入模型，模型可判斷圖像屬于哪個(gè)生育階段，從而實(shí)現(xiàn)對(duì)甘蔗生長(zhǎng)的監(jiān)測(cè)。

2.2 數(shù)據(jù)獲取與預(yù)處理

為了訓(xùn)練和驗(yàn)證甘蔗生長(zhǎng)監(jiān)測(cè)模型，首先需要獲取大量的甘蔗生長(zhǎng)圖像數(shù)據(jù)。本研究將利用無人機(jī)航拍圖像作為數(shù)據(jù)來源，并對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，包括圖像裁剪、縮放和旋轉(zhuǎn)等操作，以增強(qiáng)模型的泛化能力。同時(shí)采集甘蔗的生長(zhǎng)數(shù)據(jù)，包括溫度、濕度和光照等環(huán)境因素及甘蔗的生長(zhǎng)狀態(tài)。最后將這些數(shù)據(jù)劃分為訓(xùn)練集和測(cè)試集，其中訓(xùn)練集占總數(shù)據(jù)量的80%，測(cè)試集占20%。在數(shù)據(jù)預(yù)處理階段，對(duì)數(shù)據(jù)進(jìn)行歸一化處理，將所有數(shù)據(jù)縮放到0～1，以便于模型的訓(xùn)練和預(yù)測(cè)。

2.3 模型架構(gòu)

采用CNN作為基礎(chǔ)架構(gòu)，設(shè)計(jì)甘蔗生長(zhǎng)監(jiān)測(cè)模型。CNN是一類用于圖像識(shí)別和分類的深層神經(jīng)網(wǎng)絡(luò)，其包括輸入層、卷積層、池化層、全連接層和輸出層。卷積層采用卷積核對(duì)輸入數(shù)據(jù)進(jìn)行特征抽取；池化層用于進(jìn)一步提取圖像的空間信息；全連接層對(duì)抽取的特征進(jìn)行分類或回歸。CNN具有強(qiáng)大的圖像特征提取能力，能有效地捕捉甘蔗生長(zhǎng)過程的關(guān)鍵信息。具體而言，模型將包括多個(gè)卷積層、池化層和全連接層等組件，以實(shí)現(xiàn)對(duì)甘蔗生長(zhǎng)狀態(tài)的自動(dòng)識(shí)別和預(yù)測(cè)。

如圖1所示，甘蔗生長(zhǎng)監(jiān)測(cè)模型包括以下7層：（1）輸入層。輸入甘蔗生長(zhǎng)的圖片數(shù)據(jù)和時(shí)間序列數(shù)據(jù)。（2）卷積層。用于提取圖像特征，包括多個(gè)卷積核和激活函數(shù)。（3）池化層。用于降低特征圖的維度和大小，減少參數(shù)數(shù)量。（4）LSTM層。用于處理時(shí)間序列數(shù)據(jù)，捕捉序列中的時(shí)序信息。（5）GRU層。用于處理時(shí)間序列數(shù)據(jù)，與LSTM相似，但計(jì)算復(fù)雜度更小。（6）全連接層。用于將卷積和時(shí)序的特征進(jìn)行融合和分類。（7）輸出層。輸出甘蔗生長(zhǎng)狀態(tài)的預(yù)測(cè)結(jié)果。

2.4 訓(xùn)練與優(yōu)化

在獲取并預(yù)處理數(shù)據(jù)后，將使用隨機(jī)梯度下降（Stochastic gradient descent，SGD）等優(yōu)化算法對(duì)模型進(jìn)行訓(xùn)練。SGD算法的迭代更新過程如下：

Step 1：隨機(jī)初始化模型參數(shù)；

Step 2：對(duì)每個(gè)訓(xùn)練樣本作如下工作：（1）計(jì)算損失函數(shù)關(guān)于參數(shù)的梯度，（2）根據(jù)學(xué)習(xí)率和梯度方向更新模型參數(shù)。

Step 3：是否達(dá)到最大迭代次數(shù)或損失函數(shù)收斂。是則停止，否則重復(fù)執(zhí)行Step 2。

在訓(xùn)練過程中，模型將根據(jù)損失函數(shù)的梯度信息不斷調(diào)整參數(shù)，以提高對(duì)甘蔗生長(zhǎng)狀態(tài)的預(yù)測(cè)準(zhǔn)確性。

此外，為防止過擬合現(xiàn)象，還采用正則化（Regularization）和dropout等技術(shù)對(duì)模型進(jìn)行優(yōu)化，幫助提高模型的泛化能力，并在處理復(fù)雜數(shù)據(jù)集時(shí)減少過擬合問題的發(fā)生。

3 甘蔗生長(zhǎng)檢測(cè)試驗(yàn)與評(píng)估

3.1 試驗(yàn)設(shè)置

為評(píng)估甘蔗生長(zhǎng)監(jiān)測(cè)模型的性能而進(jìn)行多組試驗(yàn)。試驗(yàn)數(shù)據(jù)將分為訓(xùn)練集、驗(yàn)證集和測(cè)試集，用于模型的訓(xùn)練、參數(shù)調(diào)整和評(píng)估。模型包括4個(gè)模塊：輸入模塊、特征提取模塊、深度學(xué)習(xí)模塊和輸出模塊（圖2）。試驗(yàn)步驟如下：

Step 1：將采集到的萌發(fā)期到成熟期不同生育階段的高光譜圖像作為模型的訓(xùn)練集，結(jié)合時(shí)間序列數(shù)據(jù)作為模型的訓(xùn)練數(shù)據(jù)。

Step 2：對(duì)高光譜圖像使用主成分分析（PCA）降維，將降維后的數(shù)據(jù)作為特征提取模塊的輸入。

Step 3：將特征提取后的數(shù)據(jù)和甘蔗生長(zhǎng)周期數(shù)據(jù)作為模型訓(xùn)練數(shù)據(jù)集，進(jìn)行模型的訓(xùn)練。

Step 4：使用訓(xùn)練后的模型對(duì)測(cè)試集數(shù)據(jù)進(jìn)行預(yù)測(cè)，從而得到甘蔗生長(zhǎng)周期預(yù)測(cè)結(jié)果。

通過將樣本分為5個(gè)子集，進(jìn)行5折交叉驗(yàn)證，每次選擇其中一折作為驗(yàn)證集，其余的折作為訓(xùn)練集。重復(fù)5次，每次使用不同的驗(yàn)證集，最后將5次評(píng)估結(jié)果進(jìn)行平均，得到模型的性能評(píng)估。

將訓(xùn)練的Epoch設(shè)為200輪，隨著訓(xùn)練次數(shù)的增加，該模型的邊界損失、目標(biāo)損失、分類精度和召回率如圖3所示，通過該圖可見，在訓(xùn)練150輪后，模型開始逐漸收斂，精度在95%以上。訓(xùn)練出來的模型可對(duì)甘蔗的生長(zhǎng)周期做出判斷，分別為萌芽期、幼苗期、分蘗期、伸長(zhǎng)期和成熟期。農(nóng)場(chǎng)主更具甘蔗不同的生長(zhǎng)周期做出合理的決策，從而提高甘蔗作物產(chǎn)量。

3.2 試驗(yàn)結(jié)果

為了驗(yàn)證所提出的深度學(xué)習(xí)模型相較于其他方法的優(yōu)勢(shì)，將本研究提出的模型與1D-CNN、2D-CNN和ResNet進(jìn)行對(duì)比。所提出方法與其他3種方法的算法準(zhǔn)確率，試驗(yàn)對(duì)比如圖4所示。通過試驗(yàn)發(fā)現(xiàn)，文章所構(gòu)建的深度學(xué)習(xí)模型通過結(jié)合ResNet和2D-CNN，在提升分類精度的同時(shí)，減少了模型的復(fù)雜度，實(shí)現(xiàn)較高精度地分類甘蔗生育階段。相對(duì)于2D-CNN和ResNet，該模型在測(cè)試集上精度提升幅度分別為5.1%和2.4%。同時(shí)將訓(xùn)練好的甘蔗生長(zhǎng)監(jiān)測(cè)模型應(yīng)用于實(shí)際場(chǎng)景中，對(duì)甘蔗的生長(zhǎng)狀態(tài)進(jìn)行了預(yù)測(cè)，結(jié)果表明，該模型具有較高的準(zhǔn)確率，能有效監(jiān)測(cè)和判斷甘蔗的生長(zhǎng)階段，為科學(xué)培育甘蔗提供了重要依據(jù)。

4 結(jié)語(yǔ)

本研究基于分析蔗糖的重要性及傳統(tǒng)監(jiān)測(cè)方法的不足，提出利用深度學(xué)習(xí)自動(dòng)監(jiān)測(cè)和分類甘蔗生長(zhǎng)圖像的方法，構(gòu)建了基于CNN的深度學(xué)習(xí)模型，并進(jìn)行驗(yàn)證其監(jiān)測(cè)甘蔗生長(zhǎng)的有效性。就進(jìn)一步提升深度學(xué)習(xí)模型的能力，提出以下幾點(diǎn)建議：（1）采用更大規(guī)模和多樣化的數(shù)據(jù)集訓(xùn)練深度學(xué)習(xí)模型，提高模型的泛化能力?？山Y(jié)合更長(zhǎng)時(shí)間跨度的甘蔗生育數(shù)據(jù)，同時(shí)加入不同品種、不同區(qū)域等數(shù)據(jù)進(jìn)行訓(xùn)練。（2）采用更深和復(fù)雜的網(wǎng)絡(luò)架構(gòu)，如DenseNet等［17］，提高模型的特征學(xué)習(xí)能力，也可在原模型基礎(chǔ)上加入注意力機(jī)制或記憶機(jī)制，進(jìn)一步優(yōu)化模型。（3）將深度學(xué)習(xí)模型與時(shí)間序列模型或推薦系統(tǒng)相結(jié)合，實(shí)現(xiàn)對(duì)甘蔗全生育周期的精準(zhǔn)監(jiān)測(cè)和預(yù)警。如利用廣西某地區(qū)甘蔗歷史生育數(shù)據(jù)預(yù)測(cè)生育趨勢(shì)，一旦發(fā)現(xiàn)異常情況及時(shí)發(fā)出預(yù)警。（4）將深度學(xué)習(xí)模型部署至終端設(shè)備，實(shí)現(xiàn)實(shí)時(shí)監(jiān)測(cè)。通過邊緣計(jì)算的方式，將模型運(yùn)行在現(xiàn)場(chǎng)的終端設(shè)備上，可減少數(shù)據(jù)傳輸和提高監(jiān)測(cè)響應(yīng)速度。（5）探索將深度學(xué)習(xí)與遙感監(jiān)測(cè)相結(jié)合，發(fā)揮兩者優(yōu)勢(shì)。深度學(xué)習(xí)模型可高精度提取生育參數(shù)，而遙感可定期監(jiān)測(cè)較大范圍內(nèi)甘蔗生長(zhǎng)狀況，結(jié)合使用能實(shí)現(xiàn)對(duì)更加廣泛區(qū)域內(nèi)甘蔗高效和精準(zhǔn)監(jiān)測(cè)。

綜上所述，本研究構(gòu)建的深度學(xué)習(xí)模型為高效和精準(zhǔn)監(jiān)測(cè)甘蔗生長(zhǎng)提供了可能。模型具有較高的準(zhǔn)確率和精確度，能有效地監(jiān)測(cè)甘蔗的生長(zhǎng)狀態(tài)，為甘蔗生長(zhǎng)管理和決策提供了參考依據(jù)。今后不斷改進(jìn)模型的性能，將其應(yīng)用于更廣泛的農(nóng)業(yè)領(lǐng)域中，以提高作物生產(chǎn)的效率和質(zhì)量。

參考文獻(xiàn)

［1］ 楊婷， 沈石妍， 王智能，等. 100份甘蔗種質(zhì)資源營(yíng)養(yǎng)品質(zhì)分析及評(píng)價(jià)［J］. 熱帶作物學(xué)報(bào)，2023，44（3）：484-493.

［2］ 張華， 羅俊， 袁照年，等. 甘蔗機(jī)械化種植的農(nóng)藝技術(shù)分析［J］. 中國(guó)農(nóng)機(jī)化學(xué)報(bào)，2013，34（1）：78-81.

［3］ 馮麗鋼. 農(nóng)藝技術(shù)在甘蔗機(jī)械化種植中的應(yīng)用［J］. 廣西農(nóng)業(yè)機(jī)械化，2023（1）：5-7.

［4］ 凡云雷， 周德強(qiáng)， 鄧干然， 等. 基于機(jī)器視覺的甘蔗切種裝備設(shè)計(jì)與試驗(yàn)［J］. 農(nóng)機(jī)化研究，2021，43（5）：55-60.

［5］ LeCun Y， Bottou L， Bengio Y， et al. Gradient-based learning applied to document recognition［J］. Procee-dings of the IEEE，1998，86（11）：2278-2324.

［6］ Krizhevsky A， Sutskever I， Hinton G E. Imagenet classification with deep convolutional neural networks［J］. Communications of the ACM，2017，60（6）：84-90.

［7］ Simonyan K， Zisserman A. Very deep convolutional networks for large-scale image recognition［C］//Computational and Biological Learning Society. International Conference on Learning Representations，2015. doi：10.48550/arXiv.1409.1556.

［8］ He K M， Zhang X Y， Ren S Q， et al. Deep residual learning for image recognition［C］//IEEE. 2016 IEEE Conference on Computer Vision and Pattern Recognition （CVPR），2016. doi：10.1109/CVPR.2016.90.

［9］ Szegedy C， Vanhoucke V， Ioffe S， et al. Rethinking the inception architecture for computer vision［C］//IEEE. 2016 IEEE Conference on Computer Vision and Pattern Recognition （CVPR），2016. doi：10.1109/CVPR. 2016.308.

［10］ Ballester P， Araú R M. On the performance of GoogLeNet and AlexNet applied to ketches［C］//AAAI. AAAI'16： Proceedings of the Thirtieth AAAI Confe-rence on Artificial Intelligence，2016：1124-1128.

［11］ Ren S Q， He K M， Girshick R， et al. Faster R-CNN： Towards real-time object detection with region propo-sal networks［J］. IEEE Transactions on Pattern Analysis & Machine Intelligence，2017，39（6）：1137-1149.

［12］ Redmon J， Divvala S， Girshick R， et al. You only look once： Unified， real-time object detection［C］//IEEE. 2016 IEEE Conference on Computer Vision and Pattern Recognition （CVPR），2016. doi：10.1109/CVPR. 2016.91.

［13］ Long J， Shelhamer E， Darrell T. Fully convolutional networks for semantic segmentation［C］//IEEE. IEEE Conference on Computer Vision and Pattern Recognition （CVPR 2015），2015. doi：10.1109/TPAMI.2016. 2572683.

［14］ Badrinarayanan V， Kendall A， Cipolla R. Segnet： A deep convolutional encoder-decoder architecture for image segmentation［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence，2017，39（12）：2481-2495.

［15］ 徐衍向，張敬智，蘭玉彬，等. 基于紅外熱成像和機(jī)器學(xué)習(xí)的作物早期病害識(shí)別研究進(jìn)展［J］. 中國(guó)農(nóng)機(jī)化學(xué)報(bào)，2023，44（5）：188-197.

［16］ 邊柯橙，楊海軍，路永華. 深度學(xué)習(xí)在農(nóng)業(yè)病蟲害檢測(cè)識(shí)別中的應(yīng)用綜述［J］. 軟件導(dǎo)刊，2021，20（3）：26-33.

［17］ Huang G， Liu Z， van der Maaten L， et al. Densely connected convolutional networks［C］//IEEE. 2017 IEEE Conference on Computer Vision and Pattern Recognition （CVPR），2017：751-759.

（責(zé)任編輯 鄧慧靈）