一種適用于無人機植保的玉米病蟲害檢測方法

趙玲娜

摘要：長期以來，玉米生產(chǎn)一直面臨著病蟲草害的威脅，從而導致品質和產(chǎn)量下降，增加了生產(chǎn)成本，使得種植的綜合收益降低。相比于傳統(tǒng)的防治方式，利用無人機進行玉米病蟲害的防控植保具有防治效果好、對環(huán)境污染影響少、使用成本低等特點，因此該手段尤其適合用于應對暴發(fā)性病蟲害。經(jīng)過研究提出一種適用于無人機植保的玉米病蟲害檢測方法，可以通過無人機采集的玉米葉圖像，利用卷積神經(jīng)網(wǎng)絡進行實時處理，并判斷區(qū)域內玉米的健康狀況。同時，無人機可以在玉米田范圍內自動巡航，并記錄時間、地點、可能的病因及 GPS 坐標，減少了人工巡查，提高了巡檢效率。農(nóng)民可以直接依靠無人機反饋的信息前往患病玉米區(qū)域進行治療，從而促進玉米產(chǎn)量和質量的提高。

關鍵詞：卷積神經(jīng)網(wǎng)絡；無人機植保；玉米病蟲害

中圖分類號：TP29 文獻標識碼：A

文章編號：1009-3044（2024）13-0045-04 開放科學（資源服務）標識碼（OSID） ：

0 引言

玉米生長常受天氣條件、栽培方法、管理技術等各種因素的制約[1]。在玉米的生長周期中，通常主要的病蟲害包括小斑病、大斑病、絲黑穗病、花莖基腐病、玉米螟等，玉米植株從根部到穗部都可能受到不同程度的病蟲害侵襲。由于玉米種植密度較大，農(nóng)田之間的封閉性較高，大約60% 的玉米在生長中后期都有病蟲害發(fā)生 [2]。如果采用人工檢測進行玉米病蟲害的防治，難度較大，作業(yè)效率較低，農(nóng)藥利用率也低。

因此，許多玉米的病蟲害防治采用了無人機植保。無人機植保是指利用無人機作為載體，搭載農(nóng)藥噴灑系統(tǒng)，對農(nóng)作物進行病蟲害防治的技術。無人機植保具有高效、靈活、安全、環(huán)保等優(yōu)點，是農(nóng)業(yè)現(xiàn)代化的重要標志之一。未來，無人機植保的新技術手段將在地面遙感信息反演、作業(yè)效率優(yōu)化、作業(yè)過程管控智能化等方面帶來革命性的進步，使植保作業(yè)數(shù)據(jù)化和透明化，全過程可視化和可控化，推動農(nóng)業(yè)生產(chǎn)管理從機械化向智能化和智慧化邁進[3]。

然而，目前植保領域的無人機大多僅能夠實現(xiàn)農(nóng)藥噴灑等智能化較低的功能。因為目前農(nóng)作物識別的方法主要有：1） 利用RGB顏色直方圖波峰分布位置，來提取葉片的顏色特征[4]，但此方法提取的特征不明顯，較難區(qū)分不同農(nóng)作物所患疾病。2） 利用遺傳算法優(yōu)化神經(jīng)網(wǎng)絡的結構和參數(shù)來識別植物病蟲害圖像[5]，然而這種方式大多并未基于卷積神經(jīng)網(wǎng)絡（CNN） ，而是基于循環(huán)神經(jīng)網(wǎng)絡（RNN） 、極限學習機（ELM） 等，因此計算量大，實時性較差，難以搭載在嵌入式系統(tǒng)上。

為了提高無人機在玉米植保中的自動化和智能化程度，本文提出了一種適用于無人機植保的玉米病蟲害檢測方法。該方法利用無人機攝像頭遠程采集玉米作物的圖像，基于卷積神經(jīng)網(wǎng)絡實時處理并判斷區(qū)域內玉米的健康狀況。同時，無人機在玉米田范圍內進行自動巡航，并記錄時間、地點和可能的病因及GPS 坐標，以此來減少人工巡查，提高巡檢效率，從而進行有效準確的噴灑。

1 玉米病蟲害檢測方法

在玉米的病蟲害疾病中，大斑病是玉米最易患的一種病，有其獨特的患病特征。為了正確識別這些特征，需要提取相應的特征向量，并訓練出具有高準確度的識別模型，以便無人機能夠進行正確判斷。同時，這個模型還需要具有較快的識別速度，以滿足無人機的需求。考慮到YOLO擁有準確性與速度兼具，且網(wǎng)絡結構簡單的特點，基于YOLOv5進行識別模型訓練可以較好地滿足上述需求。

1.1 獲得數(shù)據(jù)集

數(shù)據(jù)集主要由已有的開源病蟲害玉米葉片數(shù)據(jù)集和通過Python在網(wǎng)絡上爬取的圖像組成。其中，病蟲害玉米葉片數(shù)據(jù)集主要包括麥白粉病、葉銹病、花生黑斑病和大斑病等。在獲得數(shù)據(jù)集后，我們對其進行了標記，并對錯標或漏標的圖片進行重新標注或刪除；對于質量低下的圖片進行了刪除，并將圖片格式轉換為jpg，以適應模型。

為了提高算法在不同條件下的識別率，我們對數(shù)據(jù)集進行了擴充：重新爬取了高質量的圖片，并進行了標注，以擴充數(shù)據(jù)集。利用圖像增強技術，對原有圖片進行了變換，以增強算法的魯棒性。由于實際環(huán)境的復雜多變，為了增強算法在各類場景下的檢測效率，我們通過改變亮度、圖片翻轉等方式使得圖像更加多樣化。將改變后的圖片放入神經(jīng)網(wǎng)絡進行訓練可以提高網(wǎng)絡的魯棒性，降低各方面額外因素對識別的影響。

為了達到訓練目標，我們在確定了玉米葉片圖像集合后，首先對其健康狀況進行記錄，并將圖片文件與標簽文件一一對應。標簽文件被放置在Annotation 文件夾中，而圖片文件則被放置在JPEGImages文件夾中。為了隨機劃分數(shù)據(jù)集，我們將所有玉米葉片圖像集合的60% 設置為訓練集，20% 設置為驗證集，最后20% 設置為測試集。

1.2 對數(shù)據(jù)進行預處理

在機器視覺中，通常需要對圖形進行一些隨機的改變，形成相同而又不完全一致的樣本[3]。其功能為擴展訓練信息集合，抑制過擬合現(xiàn)象，提高模型的泛化水平，該項目采用的主要方法是灰度拉伸[4]。

灰度拉伸需要采用的轉換函數(shù)有：

其中，r 是變換前的灰度;T 是變換后的像素；[l1，l2 ] 為原灰度級范圍，[l3，l4 ]為目標灰度級范圍，由此可以提高圖像的對比度，使圖像得到增強。

數(shù)據(jù)預處理是訓練神經(jīng)網(wǎng)絡時非常重要的步驟。合適的預處理方法可以幫助模型更好地收斂，并防止過擬合。

1.3 特征提取及檢測網(wǎng)絡搭建

基于Tensorflow的YOLOv5算法可以通過無人機傳輸?shù)囊曨l數(shù)據(jù)流信息實現(xiàn)基本的實時檢測。但為了加快YOLOv5算法的檢測速度，提高檢測效率和準確率，需要對其中的Backbone算法進行優(yōu)化，采用性能更優(yōu)越的CNN網(wǎng)絡。我們采用了MobileNet v3網(wǎng)絡結構，并將最后的激活函數(shù)Rule 換成了h-swish。Swish具備無上界有下界、平滑、非單調的特性，并且在深層模型上的效果優(yōu)于ReLU。僅僅使用Swish單元替換ReLU就能在ImageNet上的top-1分類準確率提高0.9%。h-swish 是用一個近似函數(shù)來逼近這個Swish，使得模型幾乎可以在所有的軟件和硬件框架上都可以使用，具體轉化如下：

f （x） = x × sigmoid （ βx） （2）

在深度學習中，學習率的調整非常重要。學習率較大時，可以加快學習效率，有助于跳出局部最優(yōu)值。然而，過大的學習率可能導致模型不精確，甚至導致模型訓練不收斂。相反，學習率較小時，有利于模型的收斂，可以幫助模型細化，提高模型精度，但收斂速度較慢，可能導致無法跳出局部最優(yōu)值。因此，學習率大和學習率小的功能幾乎是相反的。為了最大程度地提高訓練性能，我們需要適當?shù)卣{整學習率。我們利用Callback類來實現(xiàn)學習率的指數(shù)型下降。指數(shù)型下降意味著學習率會隨著指數(shù)函數(shù)的不斷下降，具體公式如下：

learning_rate = learning_rate_base × decay_rateglobal_epoch

其中，learning_rate 為當前的學習率，learn?ing_rate_base為基礎學習率，decay_rate為衰減系數(shù)。

1.4 模型訓練

通過卷積層網(wǎng)絡獲取數(shù)據(jù)，然后再利用全連結層得到預測值。在網(wǎng)絡結構上，采用了GooLeNet模型[5]，其中包含了24個卷積層級和2個全連接層級。對于卷積層，通常使用1×1卷積來做共波干道消融，并緊跟3×3 卷積。而對于卷積層和全連接層，通常使用Leaky ReLU激活函數(shù)[6]：

f （x） = max （αx，x） （4）

其中，α是負斜率的系數(shù)，一般取值為0.01-0.1。

構造損失函數(shù)可以確定神經(jīng)網(wǎng)絡的特性，并針對不同的部分選擇了不同的權重系數(shù)。首先是定位誤差和分類偏差。針對定位誤差，如邊框位置的偏差，一般選擇最大的權重。然后將它劃分成不含有目標的邊框和含有目標的邊框間的置信度，并針對前者，一般選擇最少的權重值。其他數(shù)值設為一。

損失函數(shù)計算如下：

其中，1objij 指代第ij個單元格的存在目標，第1項為邊界框中心位置的偏差項，而第2項則為邊界框的高度與寬度的偏差項。第3項是包含目標的邊界框的置信度計算偏差項，而第4項則是不含目標邊界的置信度計算偏差項。最后，第5項是含目標單元格的分類偏差項。默認λcoord = 5，λnoobj = 0.5。

利用玉米病蟲害樣本訓練集圖像對構建的神經(jīng)網(wǎng)絡進行訓練，并在訓練過程中利用遺傳算法對神經(jīng)網(wǎng)絡的參數(shù)進行更新優(yōu)化，從而得到基于YOLOv5 [7]的玉米病蟲害識別模型。

2 實驗與分析

玉米病蟲害識別模型訓練的預定計劃包括三個階段：數(shù)據(jù)收集和預處理、模型訓練和優(yōu)化、模型評估。在第一階段，我們計劃從公共數(shù)據(jù)集中采集數(shù)據(jù)，對數(shù)據(jù)進行清洗、標注和增強處理。在第二階段，我們將使用YOLOv5模型對數(shù)據(jù)進行訓練和優(yōu)化，并測試不同的網(wǎng)絡結構、超參數(shù)和損失函數(shù)。在第三階段，我們將對模型進行評估，測試模型的準確率。

2.1 實驗準備

由于原始圖片來源于網(wǎng)頁爬取，包含多種不同分辨率，為了獲取較好的實驗效果，我們將數(shù)據(jù)集中的圖片數(shù)據(jù)裁剪并壓縮到統(tǒng)一分辨率。我們使用的玉米葉片圖像數(shù)據(jù)集，每張圖片除了包含類別標簽外，還需要一個標注的物體邊框，涉及的病蟲害種類主要有麥白粉病、葉銹病、花生黑斑病和大斑病等。

玉米葉片病蟲害數(shù)據(jù)集中，訓練集含有741張圖片，驗證集含有217張圖片，測試集包含239張圖片。在實驗開始前，我們對每張圖像都使用LabelImg工具進行了標注，標注出圖像中玉米葉片的物體邊框，以及玉米葉片的局部關鍵信息和病蟲害屬性信息。

將YOLOv5模型部署到Jetson Nano上，此過程主要分為三個階段：第一階段，在Nano 上安裝好Py?Torch、OpenCV等YOLOv5模型所需要的依賴庫；第二階段，安裝ONNX Runtime 和TensorRT，通過使用torch.onnx.export（）函數(shù)將PyTorch 模型轉換為ONNX 格式的模型文件，再使用ONNX Runtime將ONNX格式的模型轉換為TensorRT格式，并最終保存轉換后的TensorRT模型。第二階段的模型轉換主要是為了提高模型的推理速度。第三階段是將轉換后的模型部署到Jetson Nano上，使用圖像和視頻數(shù)據(jù)對模型進行測試，評估模型的準確率和性能。

2.2 實驗結果

我們已完成了數(shù)據(jù)收集和預處理階段，并針對模型訓練和優(yōu)化階段出現(xiàn)的問題進行了解決。采用了深度學習的方法，結合卷積神經(jīng)網(wǎng)絡和目標檢測技術，對玉米的病蟲害進行識別和分類。我們從公共數(shù)據(jù)集中選取了部分圖像進行訓練，使用voc格式數(shù)據(jù)集，將訓練集和相應的配置文件上傳至云端，并利用Colab云端服務器實現(xiàn)了云端訓練。隨后，下載訓練得到的權重文件，運行YOLOv5網(wǎng)絡，實現(xiàn)對目標的識別。

模型召回率是指模型正確辨識的樣本數(shù)量與測試的相應物體總量的百分比，是衡量某疾病辨識模型效果優(yōu)劣的一項關鍵參數(shù)，即該模型在不同置信率下對相關病人的召回次數(shù)。

在不同置信度下，本模型識別玉米黃葉病和大斑病的回調率?？梢钥闯鲈谥眯哦燃s為0.6時，本模型對兩種疾病的平均召回率超過60%，說明本模型對目標疾病的識別效果較好，滿足實際應用需要（如圖2 所示）。

總體而言，本模型對玉米疾病的識別效果較好，但對不同疾病之間的識別效果也存在一定的差異。表1 對本模型識別不同疾病時的各項指標進行了比較。

通過上述指標可以看出，該模型在識別兩種疾病的患病位置時表現(xiàn)良好，對大斑病的識別正確率較高，并且穩(wěn)定性也較好。

圖3為模型對大斑病的實際識別效果。可以看出，該模型正確識別了大斑病，并且對患病區(qū)域的定位較為準確?？傮w而言，該模型可以較好地滿足實際應用中的需求。

3 結論

在目標識別和分類方面，深度學習模型，如卷積神經(jīng)網(wǎng)絡（CNN） ，是一種常用的技術。CNN 可以通過對大量的圖像數(shù)據(jù)進行訓練來實現(xiàn)高精度的目標檢測。針對玉米病蟲害的檢測與防治，本文提出了一種適用于無人機植保的玉米病蟲害檢測方法。該方法采用YOLOv5算法，通過對大量的玉米葉病蟲害圖像進行卷積神經(jīng)網(wǎng)絡的訓練，得到了一個高效準確的病蟲害識別模型。經(jīng)實驗驗證，該模型可以實時地對無人機拍攝的玉米田圖像進行分析，判斷玉米葉片是否存在病蟲害，以及病蟲害的類型和程度。

未來，希望將該方法部署在無人機的機載運算平臺上，開發(fā)一套玉米病蟲害智能化的無人機植保系統(tǒng)。該系統(tǒng)可以根據(jù)預設的航線，自動地控制無人機在玉米田內進行巡航，實現(xiàn)對大面積玉米田的快速覆蓋，節(jié)省人力資源，提高檢測效率。此外，該系統(tǒng)還可以根據(jù)檢測結果，為農(nóng)民提供專業(yè)的防治建議，指導農(nóng)民采取合理的施藥措施，降低農(nóng)藥用量，提高玉米產(chǎn)量和質量。

參考文獻：

[1] 韓鼎，陳喬，王暉，等. 植保無人機在玉米生產(chǎn)中的應用[J]. 種子科技，2020，38（17）：139-140.

[2] 趙勝利. 玉米病蟲害防治與種植技術應用研究[J]. 農(nóng)家參謀，2022（9）：52-54.

[3] 徐旻，張瑞瑞，陳立平，等. 智能化無人機植保作業(yè)關鍵技術及研究進展[J]. 智慧農(nóng)業(yè)，2019，1（2）：20-33.

[4] 汪京京，張武，劉連忠，等. 農(nóng)作物病蟲害圖像識別技術的研究綜述[J]. 計算機工程與科學，2014，36（7）：1363-1370.

[5] 孫亮，柯宇航，劉輝，等. 計算機視覺技術在植物病蟲害識別上的研究進展[J]. 熱帶生物學報，2022，13（6）：651-658.

[6] 王萬亮，江高飛，嚴江偉，等. 基于卷積評價及對抗網(wǎng)絡的花粉、孢子圖像增廣算法[J]. 江蘇農(nóng)業(yè)學報，2021，37（5）：1190-1198.

[7] 唐圣凱. 基于Otsu 可控灰度拉伸的直方均衡化算法[D]. 蘭州：蘭州大學，2019.

[8] HUANG J， HU Y， YANG W L.Adapted GooLeNet for visual ques?tion answering[C]//2018 3rd Interna?tional Conference on Mechanical，Control and Computer Engineering（ICMCCE）. Huhhot， China. IEEE，2018：603-606.

[9] ZHANG X H，ZOU Y X，SHI W. Dilated convolution neural net?work with LeakyReLU for environmental sound classification[C]//2017 22nd International Conference on Digital Signal Pro?cessing （DSP）. London，UK. IEEE，2017：1-5.

[10] JIANG P Y，ERGU D J，LIU F Y，et al.A review of yolo algo?rithm developments[J].Procedia Computer Science，2022，199：1066-1073.

【通聯(lián)編輯：梁書】

基金項目：2022—2024 安徽高校自然科學研究項目（2022AH052300）