基于深度學(xué)習(xí)技術(shù)的農(nóng)業(yè)圖像處理研究綜述

摘要：農(nóng)業(yè)是國民經(jīng)濟(jì)的一個(gè)重要產(chǎn)業(yè)，推進(jìn)農(nóng)業(yè)農(nóng)村現(xiàn)代化建設(shè)是社會(huì)主義現(xiàn)代化建設(shè)的重大任務(wù)。隨著智慧農(nóng)業(yè)的發(fā)展，深度學(xué)習(xí)技術(shù)在農(nóng)業(yè)圖像數(shù)據(jù)分析中的應(yīng)用越來越廣泛。深度學(xué)習(xí)技術(shù)在農(nóng)業(yè)圖像處理方面的應(yīng)用，有效地降低生產(chǎn)成本，提高農(nóng)業(yè)生產(chǎn)效率，加快農(nóng)業(yè)現(xiàn)代化的發(fā)展進(jìn)程。系統(tǒng)介紹了目標(biāo)檢測、圖像識(shí)別和圖像分割3種常見的深度學(xué)習(xí)技術(shù)在農(nóng)業(yè)圖像處理中的應(yīng)用現(xiàn)狀，希望能為后續(xù)研究者提供幫助。

關(guān)鍵詞：深度學(xué)習(xí)農(nóng)業(yè)圖像處理目標(biāo)檢測圖像分類圖像分割

中圖分類號(hào)：TP391

ReviewofResearchonAgriculturalImageProcessingBasedonDeepLearningTechnology

WANGWanwan

CollegeofComputerandInformationEngineering，HenanNormalUniversity，Xinxiang，He’nanProvince，453007China

Abstract：Agricultureisanimportantindustryinthenationaleconomy，andpromotingthemodernizationofagricultureandruralareasisamajortaskofsocialistmodernization.Withthedevelopmentofsmartagriculture，DeepLearningtechnologyismoreandmorewidelyappliedinagriculturalimagedataanalysis.TheapplicationofDeepLearningtechnologyinagriculturalimageprocessinghaseffectivelyreduced?;productioncosts，improvedagriculturalproductionefficiency，andacceleratedthedevelopmentprocessofagriculturalmodernization.ThearticlesystematicallyintroducesthecurrentapplicationstatusofthreecommonDeepLearningtechnologies，includingobjectdetection，imagerecognition，andimagesegmentation，inagriculturalimageprocessing.Itishopedtoprovideassistanceforfutureresearchers.

KeyWords：DeepLearning;Agriculturalimageprocessing;Objectdetection;Imagesegmentation;Imagesegmentation

隨著物聯(lián)網(wǎng)與人工智能技術(shù)的發(fā)展，我國已經(jīng)進(jìn)入了智慧農(nóng)業(yè)時(shí)代。智慧農(nóng)業(yè)的發(fā)展使得農(nóng)業(yè)物聯(lián)網(wǎng)和智能農(nóng)機(jī)裝備越來越先進(jìn)，農(nóng)業(yè)圖像數(shù)量急劇增加。如何從大量的圖像數(shù)據(jù)中提取出有用的信息，為農(nóng)業(yè)生產(chǎn)提供技術(shù)支持，成為迫切需要解決的問題。近年來，深度學(xué)習(xí)技術(shù)在數(shù)字圖像處理領(lǐng)域取得了令人矚目的進(jìn)步。深度學(xué)習(xí)不需要過多的數(shù)據(jù)預(yù)處理操作，就可以自主學(xué)習(xí)數(shù)據(jù)的特征，并且其具有特征表達(dá)能力優(yōu)、魯棒性高和泛化性強(qiáng)的特點(diǎn)，因此逐漸被應(yīng)用到農(nóng)業(yè)圖像數(shù)據(jù)分析的研究中。

1基于深度學(xué)習(xí)的農(nóng)業(yè)目標(biāo)檢測

目標(biāo)檢測主要是在圖像中找到所關(guān)注目標(biāo)對(duì)象，用矩形框?qū)⒛繕?biāo)錨定，對(duì)目標(biāo)進(jìn)行分類并且標(biāo)記目標(biāo)的位置。目標(biāo)檢測在目標(biāo)跟蹤和農(nóng)業(yè)智能化領(lǐng)域有著重要的應(yīng)用。

目前基于深度學(xué)習(xí)的目標(biāo)檢測方法主要分為兩大類：第一類是以FasterR-CNN算法為代表的雙階段（two-stage）目標(biāo)檢測算法，該類算法首先需要找出含有目標(biāo)對(duì)象的候選區(qū)域，然后通過對(duì)候選區(qū)域分類和回歸操作進(jìn)而得到目標(biāo)檢測結(jié)果。該類算法的檢測精度較高，但是實(shí)時(shí)性較差。李佳俊等人[1]使用ResNet50替代傳統(tǒng)FasterR-CNN模型的主干特征提取網(wǎng)絡(luò)，在草莓果實(shí)識(shí)別任務(wù)中表現(xiàn)出了較好的檢測性能與技術(shù)能力。李翠明等人[2]提出改進(jìn)的FasterR-CNN模型，該模型使用ResNet50作為特征提取網(wǎng)絡(luò)，并在每一層的卷積后引入高效通道注意力機(jī)制進(jìn)行通道特征加強(qiáng)，最后將不同尺度特征輸入征金字塔實(shí)現(xiàn)多尺度融合。該算法提高了果實(shí)采摘機(jī)器人在自然環(huán)境下果實(shí)分布密集、枝葉遮擋等情況下對(duì)可抓取蘋果的精度。

第二類是基于回歸的單階段（one-stage）目標(biāo)檢測算法，該算法不需要找出候選區(qū)域，而是直接通過卷積神經(jīng)網(wǎng)絡(luò)提取圖像特征，同時(shí)對(duì)目標(biāo)物體的分類和定位進(jìn)行預(yù)測。該算法檢測速度快，準(zhǔn)確率較高，適合農(nóng)業(yè)實(shí)時(shí)檢測場景。YOLO算法是一種one-stage目標(biāo)檢測算法，該算法于2015年被提出，經(jīng)過一代一代的發(fā)展更新，截至目前已經(jīng)更新到Y(jié)OLOv9。YOLO算法被廣泛應(yīng)用于植物葉片和果實(shí)的檢測和識(shí)別。張震等人[3]將部分卷積和ECA模塊引入YOLOv7模型中，不僅將模型進(jìn)行了輕量化改進(jìn)，還增強(qiáng)了模型的特征提取能力。在模型訓(xùn)練過程中，使用麻雀搜索算法（Sparrowsearchalgorithm，SSA）的學(xué)習(xí)率優(yōu)化策略提高了模型的檢測精度。改進(jìn)后的模型可以在復(fù)雜的果園環(huán)境下準(zhǔn)確地識(shí)別出蘋果，有利于蘋果采摘的智能化進(jìn)程。劉莫塵等人[4]在YOLOv8－Pose網(wǎng)絡(luò)的Neck部分加入Slim-neck模塊，并在特征提取層融入了卷積塊注意力模塊。改進(jìn)后的模型不僅能提升對(duì)草莓這種小目標(biāo)的檢測能力，還能提高對(duì)草莓果柄檢測的準(zhǔn)確性?；谏疃葘W(xué)習(xí)技術(shù)的目標(biāo)檢測可以做到提前防治病蟲害，提高農(nóng)產(chǎn)品的生產(chǎn)質(zhì)量，有利于推動(dòng)農(nóng)業(yè)智能化和自動(dòng)化的發(fā)展。

2基于深度學(xué)習(xí)的農(nóng)業(yè)圖像分類

圖像分類算法性能不斷地提高，越來越多的網(wǎng)絡(luò)模型被應(yīng)用到農(nóng)業(yè)圖像的分類中。陳善雄等人[5]采用最大穩(wěn)定極值區(qū)域與卷積神經(jīng)網(wǎng)絡(luò)結(jié)合的方法，實(shí)現(xiàn)對(duì)蕎麥發(fā)病區(qū)域的精確檢測，分離病害與非病害區(qū)域，準(zhǔn)確定位病灶。同時(shí)，將兩級(jí)inception結(jié)構(gòu)引入傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)的框架上，并采用基于余弦相似度的卷積代替?zhèn)鹘y(tǒng)的卷積運(yùn)算。最終，該模型在苦蕎病害的識(shí)別中取得了97.54%的準(zhǔn)確率。張艷等人[6]采用ResNet12提取RGB茶葉病害特征和灰度茶葉病害特征，并基于這兩個(gè)特征構(gòu)建圖神經(jīng)網(wǎng)絡(luò)的兩個(gè)子節(jié)點(diǎn)和兩條邊，交替更新雙節(jié)點(diǎn)和雙邊，提高邊特征對(duì)節(jié)點(diǎn)度量的準(zhǔn)確性，該模型在數(shù)據(jù)集樣本不充足條件下提高了對(duì)茶葉病害分類的準(zhǔn)確性。姜紅花等人[7]在ResNet18網(wǎng)絡(luò)中引入通道注意力和空間注意力模塊，增強(qiáng)了蘋果葉部病斑區(qū)域的特征提取能力，進(jìn)而提高了蘋果病害的分類準(zhǔn)確率。同時(shí)，通過引入特征圖隨機(jī)裁剪分支對(duì)模型進(jìn)行優(yōu)化，提升了模型的識(shí)別實(shí)時(shí)性。姜晟久等人[8]將可分離擴(kuò)張卷積塊應(yīng)用于MobileNetv2模型中，擴(kuò)大感受野以增強(qiáng)番茄葉部病害特征提取。通過替換PReLU激活函數(shù)并應(yīng)用通道剪枝技術(shù)，在減少參數(shù)的同時(shí)增強(qiáng)網(wǎng)絡(luò)的魯棒性，提高了對(duì)番茄葉部病害的識(shí)別能力。袁培森等人[9]采用注意力機(jī)制改進(jìn)MobileNetv3Small模型，并使用遷移學(xué)習(xí)，將PlantVillage數(shù)據(jù)集上訓(xùn)練好的模型遷移到水稻病害數(shù)據(jù)集上，提高了病害的識(shí)別準(zhǔn)確率。

3基于深度學(xué)習(xí)的農(nóng)業(yè)圖像分割

近幾年深度學(xué)習(xí)成為計(jì)算機(jī)視覺的研究熱點(diǎn)，這些新的方法也被應(yīng)用到圖像分割領(lǐng)域中來。目前在圖像分割任務(wù)中應(yīng)用最廣泛的是U-Net和全卷積神經(jīng)網(wǎng)絡(luò)。Li等人[10]將殘差塊和門控卷積應(yīng)用到U-Net模型中來提取邊緣信息，為了進(jìn)一步提升分割效果，模型還引入空洞卷積。最后，采用了空洞空間金字塔池化結(jié)構(gòu)，將U-Net的邊緣特征與其高層次特征相融合，顯著地提高了青蘋果果實(shí)的分割精度和模型的泛化能力。韋鈣興等人[11]在U-Net網(wǎng)絡(luò)的編碼器上使用BAResNeXt模塊，用來增強(qiáng)每層分割對(duì)象特征并減少計(jì)算參數(shù)，網(wǎng)絡(luò)中引入交叉注意力模塊和SE注意力機(jī)制提高網(wǎng)絡(luò)對(duì)于水稻葉片的分割能力，改進(jìn)后的網(wǎng)絡(luò)模型各評(píng)價(jià)指標(biāo)均有不同程度的提升。侯文慧等人[12]將MobileNet-v3Large和U-Net網(wǎng)絡(luò)相結(jié)合用于草莓壟間圖像實(shí)時(shí)分割，并將模型遷移學(xué)習(xí)到藍(lán)莓和葡萄壟間分割中以驗(yàn)證模型的泛化性和準(zhǔn)確性，該模型在果實(shí)壟間路徑的實(shí)時(shí)提取準(zhǔn)確性較高。

除了以上最常用的網(wǎng)絡(luò)模型外，其他的模型結(jié)構(gòu)在農(nóng)業(yè)圖像分割中也有優(yōu)越的表現(xiàn)。董婭蘭等人[13]提出了以殘差網(wǎng)絡(luò)和特征金字塔網(wǎng)絡(luò)為主干特征提取網(wǎng)絡(luò)的MaskR-CNN模型，用于葡萄藤關(guān)鍵結(jié)構(gòu)的分割，該模型具有較好的擬合性和泛化性能。Peng等人[14]將DeepLabV3+語義分割模型和Xception深度可分離卷積特征有效融合，采用了空間金字塔池化技術(shù)以更精確地捕捉語義像素的位置信息。此外，還借助數(shù)據(jù)增強(qiáng)和遷移學(xué)習(xí)的方法，顯著加速了模型的收斂速度，并增強(qiáng)了模型的魯棒性，該模型在荔枝樹枝語義分割中表現(xiàn)出色。李旭青等人[15]將OCR模塊（object-contextualrepresentations）入CAHRNet模型中，對(duì)輸出特征進(jìn)行粗略的類別區(qū)域分割，并采用坐標(biāo)注意力機(jī)制來提高模型邊緣細(xì)節(jié)信息的提取能力，提高了冬小麥作物田塊分割的準(zhǔn)確性。

4結(jié)語

深度學(xué)習(xí)技術(shù)的應(yīng)用促進(jìn)了農(nóng)業(yè)智能化的發(fā)展，加快了智慧農(nóng)業(yè)的發(fā)展進(jìn)程。但是深度學(xué)習(xí)在農(nóng)業(yè)圖像處理中的應(yīng)用也存在一些問題：深度學(xué)習(xí)模型的性能受預(yù)訓(xùn)練數(shù)據(jù)量影響，在數(shù)據(jù)量充足和數(shù)據(jù)質(zhì)量較好的情況下，模型的性能也更好。然而實(shí)際的數(shù)據(jù)集中，由于光照、背景和角度等因素的影響會(huì)導(dǎo)致數(shù)據(jù)的質(zhì)量參差不齊，如何綜合考慮以上問題并構(gòu)建典型的公開數(shù)據(jù)集，是促進(jìn)深度學(xué)習(xí)技術(shù)在農(nóng)業(yè)發(fā)展的關(guān)鍵。由于深度學(xué)習(xí)對(duì)計(jì)算資源的要求比較高，這就增加了實(shí)際生產(chǎn)應(yīng)用中的成本，如何能夠在保證檢測精度的同時(shí)降低成本，在硬件水平不高的情況下，網(wǎng)絡(luò)模型也能夠穩(wěn)定運(yùn)行，是研究者需要進(jìn)一步探索的方向。

參考文獻(xiàn)

[1].李佳俊，朱子峰，劉洪鑫，等.基于改進(jìn)FasterR-CNN模型的草莓果實(shí)識(shí)別算法[J].湖北農(nóng)業(yè)科學(xué)，2023，62（11）：183-190.

[2].李翠明，楊柯，申濤，等.基于改進(jìn)FasterR-CNN的蘋果采摘視覺定位與檢測方法[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2024，55（1）：47-54.

[3].張震，周俊，江自真，等.基于改進(jìn)YOLOv7輕量化模型的自然果園環(huán)境下蘋果識(shí)別方法[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2024，55（3）：231-242，262.

[4].劉莫塵，褚鎮(zhèn)源，崔明詩，等.基于改進(jìn)YOLOv8-Pose的紅熟期草莓識(shí)別和果柄檢測[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2023，54（S2）：244-251.

[5].陳善雄，伍勝，于顯平，等.基于卷積神經(jīng)網(wǎng)絡(luò)結(jié)合圖像處理技術(shù)的蕎麥病害識(shí)別[J].農(nóng)業(yè)工程學(xué)報(bào)，2021，37（3）：155-163.

[6].張艷，車迅，汪芃，等.基于雙節(jié)點(diǎn)-雙邊圖神經(jīng)網(wǎng)絡(luò)的茶葉病害分類方法[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2024，55（3）：252-262.

[7].姜紅花，楊祥海，丁睿柔，等.基于改進(jìn)ResNet18的蘋果葉部病害多分類算法研究[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2023，54（4）：295-303.

[8].姜晟久，鐘國韻.基于可分離擴(kuò)張卷積和通道剪枝的番茄病害分類方法[J].江蘇農(nóng)業(yè)科學(xué)，2024，52（2）：182-189.

[9].袁培森，歐陽柳江，翟肇裕，等.基于MobileNetV3Small-ECA的水稻病害輕量級(jí)識(shí)別研究[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2024，55（1）：253-262.

[10].LiQ，JiaW，SunM，etal.AnovelgreenapplesegmentationalgorithmbasedonensembleU-Netundercomplexorchardenvironment[J].ComputersandElectronicsin?;Agriculture，2021，180：105900.

[11].韋鈣興，易文龍，劉昱成，等.基于改進(jìn)U-Net的水稻葉片細(xì)胞分割方法研究[J].河南農(nóng)業(yè)科學(xué)，2023，52（3）：153-160.

[12].侯文慧，周傳起，程炎，等.基于輕量化U-Net網(wǎng)絡(luò)的果實(shí)壟間路徑識(shí)別方法[J/OL].農(nóng)業(yè)機(jī)械學(xué)報(bào)，1-13[2024-06-17].http：//kns.cnki.net/kcms/detail/11.1964.S.20240103.0955.011.html.

[13].董婭蘭，胡國玉，劉廣，等.基于MaskR-CNN模型的葡萄藤關(guān)鍵結(jié)構(gòu)分割方法[J].中國農(nóng)機(jī)化學(xué)報(bào)，2024，45（2）：207-214.

[14].PengH，XueC，ShaoY，etal.SemanticsegmentationoflitchibranchesusingDeepLabV3+model[J].IEEEAccess，2020，8：164546-164555.

[15].李旭青，吳冬雪，王玉博，等.基于改進(jìn)HRNet的遙感影像冬小麥語義分割方法[J].農(nóng)業(yè)工程學(xué)報(bào)，2024，40（3）：193-200.