基于農(nóng)業(yè)大數(shù)據(jù)和深度學(xué)習(xí)的稻田雜草識(shí)別

摘要：為在稻田中準(zhǔn)確高效識(shí)別雜草，從而支持選擇性噴藥或機(jī)器人除草，基于農(nóng)業(yè)大數(shù)據(jù)技術(shù)和深度學(xué)習(xí)技術(shù)提出改進(jìn)的YOLO v8雜草檢測模型，即采用CBAM（convolution block attention module）注意力機(jī)制來增強(qiáng)YOLO v8網(wǎng)絡(luò)對(duì)復(fù)雜環(huán)境中雜草特征的提取能力，同時(shí)使用EIOU（expected intersection over union）+DFL（distribution focal loss）提高YOLO v8檢測框的回歸效率，并通過模型對(duì)比試驗(yàn)驗(yàn)證了改進(jìn)YOLO v8模型的有效性。結(jié)果表明，改進(jìn)YOLO v8模型在測試集上的均值平均精度（mean average precision，mAP）達(dá)到98.2%，相比YOLO v8提高了4.4百分點(diǎn)，且在參數(shù)量和計(jì)算量方面僅有微小增加。相比YOLO v3、YOLO v4、YOLO v5、YOLOX、YOLO v7，其mAP分別提高24.8、21.9、14.8、21.3、8百分點(diǎn)。在模擬不同光照條件的測試中，改進(jìn)YOLO v8模型表現(xiàn)出較強(qiáng)的泛化能力，精度（precision，P）、召回率（recall，R）和mAP保持在88.1%以上。此外，在測試環(huán)境復(fù)雜的條件下，改進(jìn)YOLO v8模型對(duì)6種雜草的識(shí)別顯示出卓越的魯棒性和泛化能力，P達(dá)到94.2%以上，R達(dá)到95.7%以上，AP均達(dá)到95.2%以上。綜上，本研究提出的改進(jìn)YOLO v8具有更少的參數(shù)和計(jì)算量，同時(shí)克服了現(xiàn)有稻田中雜草識(shí)別方法的局限性，可為稻田中的雜草控制工作提供技術(shù)支持。

關(guān)鍵詞：稻田；雜草識(shí)別；農(nóng)業(yè)大數(shù)據(jù)；深度學(xué)習(xí)；YOLO v8模型；魯棒性；泛化能力

中圖分類號(hào)：TP391.41；S126 文獻(xiàn)標(biāo)志碼：A

文章編號(hào)：1002-1302（2024）18-0215-07

收稿日期：2024-05-28

基金項(xiàng)目：山東省水稻產(chǎn)業(yè)技術(shù)體系濟(jì)寧綜合試驗(yàn)站建設(shè)項(xiàng)目（編號(hào)：SDAIT-17-11）；山東省科技特派員創(chuàng)新創(chuàng)業(yè)及科技服務(wù)鄉(xiāng)村振興典型案例項(xiàng)目（編號(hào)：2022DXAL0117）；國家重點(diǎn)研發(fā)計(jì)劃（編號(hào)：2022YFD2001501）。

作者簡介：高發(fā)瑞（1982—），男，山東濟(jì)寧人，碩士，高級(jí)農(nóng)藝師，主要從事水稻栽培育種、農(nóng)業(yè)大數(shù)據(jù)研究。E-mail：gaofarui@163.com。

通信作者：管憲魯，博士研究生，主要從事農(nóng)業(yè)信息化及智能化研究，E-mail：guanxl@stu.scau.edu.cn；高國良，碩士，高級(jí)農(nóng)藝師，主要從事水稻栽培育種研究，E-mail：haishuig@163.com。

水稻生產(chǎn)受雜草競爭生長的嚴(yán)重影響，其產(chǎn)量和品質(zhì)大幅下降^［1-2］。傳統(tǒng)的除草方法采用人工大面積噴施除草劑，然而這種方式勞動(dòng)強(qiáng)度大、危險(xiǎn)性高^［3］。為了提高效率，農(nóng)業(yè)領(lǐng)域逐漸引入了無人機(jī)和農(nóng)機(jī)進(jìn)行噴施農(nóng)藥，但同時(shí)也帶來了環(huán)境污染和食品安全的問題^［4］。隨著精準(zhǔn)農(nóng)業(yè)和綠色農(nóng)業(yè)理念的興起，研究者們積極探索準(zhǔn)確高效的雜草識(shí)別方法，以應(yīng)對(duì)環(huán)境污染和食品安全問題^［5-8］。

傳統(tǒng)的基于圖像處理的識(shí)別方法雖然在一定程度上有效，但在復(fù)雜多變的自然環(huán)境下存在著諸多問題，如光照條件影響、計(jì)算量大和檢測速度慢等^［9-13］。近年來，卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural networks，CNN）等模型在雜草識(shí)別領(lǐng)域有很多應(yīng)用。這些模型能夠自動(dòng)提取圖像高級(jí)特征，對(duì)光照、角度等變化具有強(qiáng)魯棒性，從而提高了識(shí)別的準(zhǔn)確性和穩(wěn)定性。已有多種基于深度學(xué)習(xí)的雜草識(shí)別模型被提出，例如Yu等的CNN模型^［14］、Babu等改進(jìn)的深度殘差網(wǎng)絡(luò)^［15］、張樂等提出的Faster R-CNN模型等^［16-17］。在稻田雜草識(shí)別方面，鄧向武等采用多特征融合和深度置信網(wǎng)絡(luò)^［18］，李彧等使用U-Net模型實(shí)現(xiàn)了高準(zhǔn)確度識(shí)別^［19］，Peng等通過改進(jìn)RetinaNet，提高了模型的魯棒性和檢測速度^［20］。

基于圖像自動(dòng)識(shí)別水稻田中雜草種類的方法非常有必要，而且圖像作為農(nóng)業(yè)大數(shù)據(jù)的重要部分^［21］可以用來進(jìn)行數(shù)據(jù)挖掘與分析，從而用于指導(dǎo)農(nóng)業(yè)生產(chǎn)。在大量田間雜草圖像數(shù)據(jù)的支撐下，基于深度學(xué)習(xí)技術(shù)對(duì)稻田雜草數(shù)據(jù)進(jìn)行特征提取和模型訓(xùn)練對(duì)于精準(zhǔn)除草具有重要意義。然而，水面反射、土壤背景、不同的生長和光照變化使得這種方法的開發(fā)具有挑戰(zhàn)性^［22］。此外，為了實(shí)際應(yīng)用，還需要考慮模型的計(jì)算成本和識(shí)別速率。因此，本研究的目的是開發(fā)一種輕量級(jí)的稻田雜草種類識(shí)別模型。為此，本試驗(yàn)的具體目標(biāo)為收集水稻田中6種主要雜草的數(shù)據(jù)，建立雜草數(shù)據(jù)集；通過改進(jìn)YOLO v8模型，提出一種輕量級(jí)的雜草識(shí)別模型，并測試該模型的魯棒性。

1 材料與方法

1.1 數(shù)據(jù)集構(gòu)建與預(yù)處理

雜草圖像是于2022年6—10月在山東省濟(jì)寧市農(nóng)業(yè)科學(xué)研究院水稻試驗(yàn)田中，使用蘋果iPhone 11智能手機(jī)拍攝的。選取水稻田中的鱧腸（Eclipta prostrata）、千金子（Leptochloa chinensis）、異型莎草（Cyperus difformis）、水莧菜（Ammannia baccifera）、稗（Echinochloa crusgalli）和野慈姑（Sagittaria trifolia）作為研究對(duì)象，采集圖像并構(gòu)建了包括3 210張雜草圖像的數(shù)據(jù)集。隨后本研究在農(nóng)藝專家的指導(dǎo)下將數(shù)據(jù)中的圖像劃分為相應(yīng)的雜草類別。圖像被裁剪為640像素×640像素（圖1），訓(xùn)練集、驗(yàn)證集和測試集的劃分如表1所示。

1.2 改進(jìn)的YOLO v8模型

本研究提出了一種改進(jìn)的YOLO v8檢測模型，用于復(fù)雜環(huán)境中識(shí)別水稻田中的雜草。YOLO v8是目前主流的目標(biāo)檢測模型之一，采用基于無錨的檢測方法，這意味著它直接預(yù)測目標(biāo)的中心點(diǎn)和寬高比，而不是預(yù)測框的位置和大小。這種方法可以減少預(yù)測框的數(shù)量，并提高檢測速度和準(zhǔn)確性。其原理可分為兩部分：特征提取和目標(biāo)檢測。然而，在實(shí)際檢測中，在處理圖像對(duì)象密集、目標(biāo)之間相互遮擋、對(duì)象多尺度檢測等問題方面仍存在一些不足^［23］。為了解決這些問題，本研究基于YOLO v8進(jìn)行了一系列改進(jìn)，如引入CBAM（convolution block attention module）注意力機(jī)制、改進(jìn)損失函數(shù)等方法。改進(jìn)YOLO v8模型的基本架構(gòu)如圖2所示。

1.3 CBAM注意力機(jī)制

在計(jì)算機(jī)視覺中，增加的注意力機(jī)制使圖像或特征圖的不同部分能夠以不同的方式加權(quán)。這允許網(wǎng)絡(luò)在另一個(gè)程度上關(guān)注特征圖的不同區(qū)域，從而使網(wǎng)絡(luò)能夠更好地關(guān)注感興趣的目標(biāo)區(qū)域。注意力機(jī)制可以增強(qiáng)圖像信息提取，提高對(duì)檢測目標(biāo)的聚焦。CBAM注意力機(jī)制由通道和空間注意力機(jī)制組成，其結(jié)構(gòu)如圖3所示。給定1個(gè)輸入特征圖，該模塊首先沿通道和空間2個(gè)維度依次推斷注意力權(quán)重。接著，將它們與輸入特征圖相乘，以進(jìn)行自適應(yīng)特征修改^［24］。在本研究中，CBAM注意力機(jī)制被嵌入到SPPF（spatial pyramid pooling fast）模塊，進(jìn)一步增強(qiáng)YOLO v8主干的特征提取能力。

1.4 改進(jìn)的預(yù)測框回歸損失函數(shù)

YOLO v8原始的預(yù)測框回歸損失為CIoU（complete intersection over union）+DFL（distribution focal loss）^［25］。如圖4所示，CIoU和EIoU（expected intersection over union）在不同的迭代時(shí)期所展現(xiàn)出的效果存在明顯差異。CIoU預(yù)測框的尺度無法快速跟隨目標(biāo)自適應(yīng)變化，而EIoU的預(yù)測框可以快速向真實(shí)框擬合。因此，本研究將YOLO v8的損失函數(shù)由CIoU改進(jìn)為EIoU。EIoU的計(jì)算過程由3部分組成：IoU損失（L_IoU）、中心距離損失（L_dis）和縱橫比損失（L_asp）。EIoU損失（L_EIoU）可由公式（1）表示：

L_EIoU=L_IoU+L_dis+L_asp=1-IoU+ρ²（b，b^gt）c²+ρ²（w，w^gt）c²_w+ρ²（h，h^gt）c²_h。（1）

式中：IoU表示交并比，表示預(yù)測框和真實(shí)框的交集和并集的比值；ρ為預(yù)測框與真實(shí)框之間的歐氏距離；b、w、h分別為預(yù)測框的中心點(diǎn)、寬度、高度；b^gt、w^gt、h^gt分別為真實(shí)框的中心點(diǎn)、寬度、高度；c、c_w、c_h分別為包含預(yù)測框與真實(shí)框的最小邊界矩形框的對(duì)角線長度、寬度、高度。

分布焦點(diǎn)損失（distribution focal loss，DFL）的原理在于它同時(shí)考慮了分類難度和圖像中對(duì)象實(shí)例的空間分布，建立在焦點(diǎn)損失的基礎(chǔ)上，可以通過降低分類良好的例子的損失貢獻(xiàn)來解決類別失衡問題。如圖5所示，分布焦點(diǎn)損失通過將空間信息（如對(duì)象密度圖或區(qū)域建議）納入損失計(jì)算中。這樣，分布焦點(diǎn)損失引導(dǎo)模型能夠讓網(wǎng)絡(luò)更快地聚焦于目標(biāo)y附近的值，以交叉熵的形式去優(yōu)化目標(biāo)y最接近的左右2個(gè)位置的概率?？偟膩碚f，分布焦點(diǎn)損失能夠有效地利用空間上下文，增強(qiáng)對(duì)象檢測模型的穩(wěn)健性和性能。

1.5 試驗(yàn)環(huán)境及模型評(píng)估

試驗(yàn)所用計(jì)算機(jī)的GPU型號(hào)為NVIDIA RTX3060，并利用CUDA 10.2加快模型收斂速度。模型訓(xùn)練參數(shù)設(shè)置如下：初始學(xué)習(xí)率為0.01，批量大小設(shè)置為6，訓(xùn)練周期為50個(gè)迭代。使用保留的測試集評(píng)估改進(jìn)的YOLO v8模型的雜草識(shí)別準(zhǔn)確率，同時(shí)考慮模型的計(jì)算復(fù)雜性來評(píng)估其性能。模型的評(píng)價(jià)指標(biāo)主要如下：精度（precision，P）、召回率（recall，R）、平均精度（average precision，AP）、平均精度均值（mean average precision，mAP）、參數(shù)量以及每秒浮點(diǎn)操作數(shù)（FLOPs）。這些指標(biāo)的定義如公式（2）、公式（3）、公式（4）和公式（5）所示。

P=TPTP+FP×100%；（2）

R=TPTP+FN×100%；（3）

AP=（∫2₀PRdR）×100%；（4）

mAP=∑6n=1AP_n6×100%。（5）

式中：TP、FP和FN分別表示真正例、假正例和假負(fù)例；n表示第n種雜草。

2 結(jié)果與分析

2.1 模型訓(xùn)練過程

如圖6-a所示，改進(jìn)YOLO v8模型的平均精度值均值在大約3次迭代后開始迅速提高，約在50次迭代時(shí)，模型的平均精度均值提高至98%左右。如圖6-b所示，改進(jìn)YOLO v8模型的損失值在訓(xùn)練開始即快速降低，在模型訓(xùn)練至50次時(shí)降低至1.25以下。訓(xùn)練結(jié)果表明，改進(jìn)的YOLO v8模型在訓(xùn)練過程中表現(xiàn)穩(wěn)定，模型在訓(xùn)練過程中沒有過擬合或欠擬合，并具有較強(qiáng)的泛化能力。

2.2 模型對(duì)比試驗(yàn)

模型對(duì)比試驗(yàn)可證明改進(jìn)模型的有效性，因此本研究將提出的改進(jìn)YOLO v8模型與目前流行的模型進(jìn)行對(duì)比，結(jié)果見表2，本研究提出的改進(jìn)YOLO v8模型的mAP可以達(dá)到98.2%，其mAP相比于YOLO v8模型提高了4.4百分點(diǎn)，而參數(shù)量和計(jì)算量相比YOLO v8僅有微小的增加。此外，本研究提出的改進(jìn)YOLO v8模型的mAP相比YOLO v3、YOLO v4、YOLO v5、YOLOX、YOLO v7分別提高24.8、21.9、14.8、21.3、8.0百分點(diǎn)，在參數(shù)量和FLOPs方面總體來看也具有明顯的優(yōu)勢。

2.3 對(duì)不同光照條件下的雜草識(shí)別

在多云和晴天的不同光照條件下，雜草的顏色、紋理和形狀可能會(huì)發(fā)生顯著變化，導(dǎo)致識(shí)別準(zhǔn)確度降低。為了驗(yàn)證改進(jìn)YOLO v8模型對(duì)不同光照條件下雜草的識(shí)別效果，本研究通過調(diào)節(jié)測試圖像的亮度以模擬不同光照條件測試模型。如圖7所示，本研究分別將圖像的亮度降低和提高40%來模擬不同光照度。由圖8可以看出，在不同光照條件下的雜草所展現(xiàn)的顏色有明顯差異，這給模型的識(shí)別帶來了極大的挑戰(zhàn)。圖8顯示了使用亮度調(diào)節(jié)后的測試集測試改進(jìn)YOLO v8模型的結(jié)果?？梢杂^察到，當(dāng)光線變強(qiáng)或變?nèi)鯐r(shí)，模型的檢測精度有所下降。盡管光照度的變化會(huì)影響雜草識(shí)別的準(zhǔn)確性，但P、R和mAP仍在88.1%以上，這表明改進(jìn)YOLO v8模型在不同光照條件下具有較強(qiáng)的泛化能力。

2.4 改進(jìn)YOLO v8模型的魯棒性測試

不同雜草在其生長過程中顏色和形態(tài)會(huì)有顯著的變化，而且雜草也經(jīng)常被水稻葉片所遮擋，這十分考驗(yàn)?zāi)Ｐ偷姆夯芰汪敯粜?。如圖9所示，本研究使用鱧腸、千金子、異型莎草、水莧菜、稗和野慈姑的圖像來測試改進(jìn)YOLO v8模型的魯棒性。觀察識(shí)別結(jié)果發(fā)現(xiàn)，圖像中被水稻葉片遮擋的鱧腸、千金子、稗和野慈姑可以被準(zhǔn)確地檢測，而且模糊圖像中的異型莎草也被準(zhǔn)確檢測出。當(dāng)水莧菜、千金子和異型莎草等多種雜草同時(shí)存在于同一圖像中時(shí)，改進(jìn)YOLO v8模型仍然具有良好的識(shí)別能力。而且從表3的識(shí)別結(jié)果可以看出，改進(jìn)的YOLO v8對(duì)復(fù)雜環(huán)境中的6種雜草實(shí)現(xiàn)了令人滿意的識(shí)別性能，P達(dá)到94.2％以上，R達(dá)到95.7％以上，AP均達(dá)到95.2％以上，這表明本研究提出的改進(jìn)YOLO v8模型具有較強(qiáng)的魯棒性和泛化能力。

3 結(jié)論

本研究旨在開發(fā)一種輕量級(jí)的雜草識(shí)別模型。為實(shí)現(xiàn)這一目標(biāo)，本研究基于農(nóng)h674N6z4XnZB7X0mlLNnSUzIVUwvC1AFh6V0N8TR96Q=業(yè)大數(shù)據(jù)技術(shù)和深度學(xué)習(xí)技術(shù)，收集了稻田中的雜草樣本，構(gòu)建了1個(gè)雜草數(shù)據(jù)集，并提出改進(jìn)YOLO v8模型用于檢測稻田雜草。結(jié)果表明，改進(jìn)YOLO v8模型能夠準(zhǔn)確識(shí)別稻田中的雜草種類，對(duì)測試集的mAP達(dá)到98.2％。改進(jìn)YOLO v8模型對(duì)復(fù)雜環(huán)境中的雜草具有良好的識(shí)別準(zhǔn)確率，P均高于94.2％，R均高于95.7％。本研究提出的改進(jìn)YOLO v8模型在輕量級(jí)屬性和模型大小等方面優(yōu)于其他深度學(xué)習(xí)模型，同時(shí)獲得了高準(zhǔn)確性，因此在精確噴藥和智能除草方面具有極高的潛力。

參考文獻(xiàn)：

［1］高 婷，王紅春，石旭旭，等. 水稻機(jī)械化插秧栽培及其草害防除［J］. 江蘇農(nóng)業(yè)科學(xué)，2013，41（9）：60-62.

［2］劉延剛，馬宗國，張明紅，等. 除草藥肥對(duì)稻田雜草的防效及水稻生長發(fā)育的影響［J］. 山東農(nóng)業(yè)科學(xué)，2013，45（3）：104-106.

［3］李璐存. 植保技術(shù)在小麥高產(chǎn)栽培中的有效應(yīng)用［J］. 種子科技，2023，41（13）：111-113.

［4］安小康，李富根，閆曉靜，等. 植保無人飛機(jī)施用農(nóng)藥應(yīng)用研究進(jìn)展及管理現(xiàn)狀［J］. 農(nóng)藥學(xué)學(xué)報(bào)，2023，25（2）：282-294.

［5］申繼忠，余武秀. 作物保護(hù)面臨的挑戰(zhàn)和新技術(shù)進(jìn)展［J］. 世界農(nóng)藥，2023，45（7）：1-18.

［6］張宇泉，曹正偉，錫林圖雅. 美國精準(zhǔn)農(nóng)業(yè)技術(shù)推廣經(jīng)驗(yàn)及對(duì)我國啟示［J］. 上海農(nóng)業(yè)學(xué)報(bào)，2020，36（3）：119-125.

［7］劉 翔，何人可，季 鐵. 基于精準(zhǔn)農(nóng)業(yè)的農(nóng)產(chǎn)品綠色可持續(xù)設(shè)計(jì)研究［J］. 包裝工程，2021，42（8）：328-333.

［8］方向明，李姣媛. 精準(zhǔn)農(nóng)業(yè)：發(fā)展效益、國際經(jīng)驗(yàn)與中國實(shí)踐［J］. 農(nóng)業(yè)經(jīng)濟(jì)問題，2018，39（11）：28-37.

［9］Pasqual G M. Development of an expert system for the identification and control of weeds in wheat，triticale，barley and oat crops［J］. Computers and Electronics in Agriculture，1994，10（2）：117-134.

［10］AhmadU，Kondo N，Arima S，et al. Weed detection in lawn field using machine vision［J］. Journal of the Japanese Society of Agricultural Machinery，1999，61（2）：61-69.

［11］毛文華，王一鳴，張小超，等. 實(shí)時(shí)識(shí)別行間雜草的機(jī)器視覺系統(tǒng)［J］. 農(nóng)業(yè)工程學(xué)報(bào)，2003，19（5）：114-117.

［12］沈維政，張長利，劉振恒. 基于計(jì)算機(jī)視覺的田間雜草識(shí)別方法研究［J］. 農(nóng)機(jī)化研究，2006，28（7）：163-165.

［13］胡迎思，于 躍，朱鳳武. 基于圖像處理的田間雜草識(shí)別定位技術(shù)的研究［J］. 農(nóng)業(yè)與技術(shù)，2018，38（3）：17-20.

［14］Yu J L，Sharpe S M，Schumann A W，et al. Detection of broadleaf weeds growing in turfgrass with convolutional neural networks［J］. Pest Management Science，2019，75（8）：2211-2218.

［15］Babu V S，Ram N V. Deep residual CNN with contrast limited adaptive histogram equalization for weed detection in soybean crops［J］. Traitement du Signal，2022，39（2）：717-722.

［16］張 樂，金 秀，傅雷揚(yáng)，等. 基于Faster R-CNN深度網(wǎng)絡(luò)的油菜田間雜草識(shí)別方法［J］. 激光與光電子學(xué)進(jìn)展，2020，57（2）：304-312.

［17］李開敬，許 燕，周建平，等. 基于Faster R-CNN和數(shù)據(jù)增強(qiáng)的棉田苗期雜草識(shí)別方法［J］. 新疆大學(xué)學(xué)報(bào)（自然科學(xué)版）（中英文），2021，38（4）：450-456.

［18］鄧向武，齊 龍，馬 旭，等. 基于多特征融合和深度置信網(wǎng)絡(luò)的稻田苗期雜草識(shí)別［J］. 農(nóng)業(yè)工程學(xué)報(bào)，2018，34（14）：165-172.

［19］李 彧，余心杰，郭俊先. 基于全卷積神經(jīng)網(wǎng)絡(luò)方法的玉米田間雜草識(shí)別［J］. 江蘇農(nóng)業(yè)科學(xué)，2022，50（6）：93-100.

［20］Peng H X，Li Z H，Zhou Z Y，et al. Weed detection in paddy field using an improved RetinaNet network［J］. Computers and Electronics in Agriculture，2022，199：107179.

［21］顏廷國. 農(nóng)業(yè)大數(shù)據(jù)環(huán)境下的農(nóng)作物病蟲害智能化監(jiān)測預(yù)警［J］. 農(nóng)業(yè)工程技術(shù)，2023，43（20）：51-52.

［22］Rakhmatulin I，Kamilaris A，Andreasen C. Deep neural networks to detect weeds from crops in agricultural environments in real-time：A review［J］. Remote Sensing，2021，13（21）：4486.

［23］Yang，S X，Yao J F，Teng G F. Corn leaf spot disease recognition based on improved YOLO v8［J］. Agriculture，2024，14（5）：666.

［24］Li J W，Qiao Y L，Liu S，et al. An improved YOLO v5-based vegetable disease detection method［J］. Computers and Electronics in Agriculture，2022，202：107345.

［25］周 濤，王 驥，麥仁貴. 基于改進(jìn)YOLO v8的實(shí)時(shí)菠蘿成熟度目標(biāo)檢測方法［J/OL］. 華中農(nóng)業(yè)大學(xué)學(xué)報(bào)，2024：1-11（2024-04-24）［2024-05-10］. https：//link.cnki.net/urlid/42.1181.S.20240422.1423.006.