基于深度學(xué)習(xí)的煙葉蟲害智能檢測系統(tǒng)設(shè)計(jì)

摘要：隨著農(nóng)業(yè)科技的進(jìn)步，傳統(tǒng)的蟲害監(jiān)測方法已經(jīng)無法滿足現(xiàn)代農(nóng)業(yè)的需求。為了提高煙葉生產(chǎn)效率和質(zhì)量，文章設(shè)計(jì)并實(shí)現(xiàn)了一種基于深度學(xué)習(xí)的煙葉蟲害智能檢測系統(tǒng)。該系統(tǒng)采用了先進(jìn)的YOLOv7目標(biāo)檢測模型，同時(shí)集成了數(shù)據(jù)采集、深度學(xué)習(xí)訓(xùn)練、蟲害檢測等功能，能夠快速準(zhǔn)確地識別煙葉上的蟲害，有助于提前介入查殺，保護(hù)煙葉質(zhì)量。測試結(jié)果表明，該系統(tǒng)在實(shí)時(shí)監(jiān)測和準(zhǔn)確性方面表現(xiàn)優(yōu)異，提升了蟲害管理的效率。

關(guān)鍵詞：深度學(xué)習(xí)；煙葉蟲害；智能檢測；人工智能

中圖分類號：TN929.5文獻(xiàn)標(biāo)志碼：A

0引言

近年來，隨著信息技術(shù)的不斷發(fā)展，智慧農(nóng)業(yè)正逐步成為現(xiàn)代農(nóng)業(yè)發(fā)展的一個(gè)重要方向。傳統(tǒng)的農(nóng)作物病蟲害檢測方法主要依賴人工視覺識別，存在識別效率低、準(zhǔn)確性差等問題。因此，開發(fā)一種高效、智能化的病蟲害檢測系統(tǒng)對于實(shí)現(xiàn)精準(zhǔn)農(nóng)業(yè)管理、提高農(nóng)產(chǎn)品質(zhì)量具有重要意義。煙葉作為我國重要的經(jīng)濟(jì)作物，其生產(chǎn)狀況直接關(guān)系到國家的財(cái)政收入和農(nóng)民的經(jīng)濟(jì)利益。蟲害問題一直是制約煙葉生產(chǎn)的主要因素之一，傳統(tǒng)的蟲害檢測方式需要大量的人力和時(shí)間成本，且檢測準(zhǔn)確率較低。因此，設(shè)計(jì)一種基于深度學(xué)習(xí)的煙葉蟲害智能檢測系統(tǒng)可以有效提高檢測效率和準(zhǔn)確性，為實(shí)現(xiàn)煙葉生產(chǎn)的智能化管理奠定基礎(chǔ)。

1國內(nèi)外研究現(xiàn)狀

國外在農(nóng)作物蟲害檢測領(lǐng)域的研究相對較早，早期主要采用基于機(jī)器學(xué)習(xí)的傳統(tǒng)圖像處理方法，如支持向量機(jī)、神經(jīng)網(wǎng)絡(luò)等。近年來，隨著深度學(xué)習(xí)技術(shù)的興起，基于卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）的方法逐漸成為主流，AlexNet、VGGNet、GoogLeNet、ResNet等經(jīng)典CNN模型被廣泛應(yīng)用于農(nóng)作物蟲害檢測。2019年，研究人員將Faster R-CNN應(yīng)用于棉花葉片蟲害檢測，實(shí)現(xiàn)了對多種蟲害的同時(shí)檢測。除CNN方法外，一些基于注意力機(jī)制的方法也展現(xiàn)出良好的檢測性能，如2020年谷歌提出的EfficientNet模型就在多個(gè)農(nóng)作物蟲害檢測任務(wù)上取得了不錯(cuò)的成績。

國內(nèi)在農(nóng)作物蟲害智能檢測方面的研究起步較晚，近年來也取得了快速進(jìn)展。一些科研機(jī)構(gòu)和高校開展了大量相關(guān)研究，提出了多種基于深度學(xué)習(xí)的檢測模型。郭小燕等［1］提出了輕量級YOLO v5S農(nóng)作物蟲害目標(biāo)檢測模型；巨志勇等［2］提出了基于YOLOv5的水稻蟲害檢測方法；王建［3］、丁元昊等［4］提出了將IOA技術(shù)與YOLOX-s算法結(jié)合的農(nóng)作物蟲害監(jiān)測系統(tǒng)；陳自宏等［5］、慕君林等［6］總結(jié)了基于深度學(xué)習(xí)的農(nóng)作物病蟲害檢測算法；魯夢瑤等［7］重點(diǎn)介紹了基于深度學(xué)習(xí)的煙葉等級分類及特征可視化方法。

總而言之，雖然國內(nèi)在該領(lǐng)域的研究起步較晚，但通過不斷努力，技術(shù)水平正在逐步接近國際先進(jìn)水平。未來，結(jié)合大數(shù)據(jù)、物聯(lián)網(wǎng)等新技術(shù)，農(nóng)作物蟲害智能檢測必將取得更大發(fā)展。

2相關(guān)技術(shù)應(yīng)用綜述

2.1圖像處理技術(shù)

圖像處理是病蟲害智能檢測系統(tǒng)中的基礎(chǔ)，主要包括圖像采集、預(yù)處理、增強(qiáng)和特征提取等步驟。圖像采集通常依賴高分辨率的攝像頭或無人機(jī)搭載的傳感器。預(yù)處理步驟包括圖像裁剪、去噪、旋轉(zhuǎn)校正以及色彩校正，確保輸入模型中的圖像質(zhì)量。圖像增強(qiáng)則涉及對圖像對比度、亮度的調(diào)整以及使用濾波器增強(qiáng)圖像中的關(guān)鍵特征。這些技術(shù)的應(yīng)用提高了后續(xù)深度學(xué)習(xí)模型的訓(xùn)練效率和識別準(zhǔn)確性。

2.2深度學(xué)習(xí)模型

深度學(xué)習(xí)在圖像識別和分類中展示出卓越的能力，特別是CNN及其變體，如AlexNet、VGG、ResNet等，被廣泛用于識別作物病蟲害。這些模型能夠從大量帶標(biāo)簽的圖像數(shù)據(jù)中自動學(xué)習(xí)病蟲害的視覺特征。近年來，目標(biāo)檢測模型如YOLO、SSD和Faster R-CNN等也被引入病蟲害檢測領(lǐng)域，這些模型支持在單次推理中實(shí)現(xiàn)多類病蟲害的定位和分類，極大地提升了處理速度和實(shí)時(shí)監(jiān)測的能力。

2.3實(shí)時(shí)數(shù)據(jù)處理

實(shí)時(shí)數(shù)據(jù)處理是智能檢測系統(tǒng)中不可或缺的一部分，尤其是在大規(guī)模商業(yè)農(nóng)業(yè)生產(chǎn)中。利用邊緣計(jì)算和云計(jì)算技術(shù)，病蟲害檢測系統(tǒng)可以即時(shí)處理來自田間的大量圖像數(shù)據(jù)，及時(shí)反饋檢測結(jié)果。邊緣計(jì)算可以減少數(shù)據(jù)傳輸時(shí)間和延遲，提高系統(tǒng)響應(yīng)速度。云計(jì)算則提供了強(qiáng)大的數(shù)據(jù)存儲和計(jì)算能力，支持復(fù)雜的數(shù)據(jù)分析和深度學(xué)習(xí)模型的訓(xùn)練。

3基于深度學(xué)習(xí)的煙葉蟲害智能檢測系統(tǒng)設(shè)計(jì)

3.1數(shù)據(jù)收集

數(shù)據(jù)收集是系統(tǒng)設(shè)計(jì)的基礎(chǔ)，關(guān)鍵在于采集高質(zhì)量的煙葉圖像。該模塊使用高分辨率的數(shù)字相機(jī)或無人機(jī)搭載的多光譜傳感器從不同角度和高度捕獲煙葉圖像。收集的圖像包括健康煙葉和各種蟲害狀態(tài)的煙葉，以確保數(shù)據(jù)的多樣性和全面性。此外，數(shù)據(jù)采集還須記錄圖像采集的環(huán)境信息，如天氣、光照條件和時(shí)間等，這些都可能影響圖像的質(zhì)量和后續(xù)處理。

3.2數(shù)據(jù)預(yù)處理

數(shù)據(jù)預(yù)處理的任務(wù)是改善圖像質(zhì)量，為深度學(xué)習(xí)模型提供準(zhǔn)確的輸入。首先，圖像將被裁剪和調(diào)整尺寸以符合模型輸入的標(biāo)準(zhǔn)；然后，通過應(yīng)用各種圖像增強(qiáng)技術(shù)如對比度增強(qiáng)、銳化和顏色平衡等處理，改善圖像的可視質(zhì)量。

3.3深度學(xué)習(xí)訓(xùn)練

深度學(xué)習(xí)訓(xùn)練的核心是設(shè)計(jì)和訓(xùn)練一個(gè)能夠準(zhǔn)確識別和分類煙葉蟲害的CNN。本文選擇適當(dāng)?shù)木W(wǎng)絡(luò)架構(gòu)，如ResNet或YOLO，根據(jù)煙葉圖像的特性進(jìn)行定制化調(diào)整。模塊利用大量標(biāo)注好的訓(xùn)練數(shù)據(jù)來訓(xùn)練模型，通過迭代優(yōu)化模型參數(shù)，直至達(dá)到較高的準(zhǔn)確率和較低的誤差率。同時(shí)，本文采用交叉驗(yàn)證等技術(shù)來避免過擬合，確保模型具有良好的泛化能力。

3.4煙葉蟲害檢測

煙葉蟲害檢測應(yīng)用訓(xùn)練好的模型來識別新圖像中的蟲害，處理實(shí)時(shí)采集的圖像數(shù)據(jù)，利用訓(xùn)練好的深度學(xué)習(xí)模型進(jìn)行快速識別和分類，識別出圖像中的蟲害類型和嚴(yán)重程度。檢測結(jié)果將即時(shí)傳輸?shù)經(jīng)Q策與控制模塊，用于進(jìn)一步的分析和應(yīng)對措施制定。

3.5決策與控制

決策與控制是基于檢測模塊提供的數(shù)據(jù)，生成相應(yīng)的蟲害管理策略。系統(tǒng)根據(jù)蟲害的種類和嚴(yán)重程度，自動推薦化學(xué)或生物防治措施。此模塊還將監(jiān)控整個(gè)防治過程，調(diào)整策略以應(yīng)對蟲害發(fā)展的變化。

3.6用戶界面與交互

用戶界面與交互為系統(tǒng)提供了一個(gè)直觀、友好的操作界面。用戶可以通過這個(gè)界面實(shí)時(shí)查看煙葉蟲害的檢測結(jié)果，接收防治建議，并進(jìn)行相應(yīng)的操作決策。所設(shè)計(jì)的界面還支持多平臺訪問，包括智能手機(jī)和計(jì)算機(jī)，確保用戶便捷使用。

4關(guān)鍵技術(shù)實(shí)現(xiàn)

4.1圖像處理算法優(yōu)化

圖像處理是智能檢測系統(tǒng)中至關(guān)重要的步驟。為了適應(yīng)YOLOv7模型的需求，本文進(jìn)行了以下優(yōu)化：對于高分辨率圖像采集，由于YOLOv7對輸入圖像的質(zhì)量有較高要求，本文使用高性能相機(jī)確保圖像清晰。圖像預(yù)處理包括自動色彩校正、去噪以及調(diào)整圖像大小至YOLOv7模型要求的統(tǒng)一輸入格式。這一步驟能夠確保模型接收到質(zhì)量一致的輸入數(shù)據(jù)，提高后續(xù)檢測的準(zhǔn)確性。

4.2深度學(xué)習(xí)訓(xùn)練模塊

本文利用YOLOv7模型進(jìn)行煙葉蟲害的檢測和分類，需要執(zhí)行以下關(guān)鍵步驟：（1）模型選擇。YOLOv7在處理速度和準(zhǔn)確性上具有顯著優(yōu)勢，特別適合實(shí)時(shí)和精確檢測，因此該步驟選擇YOLOv7作為核心檢測模型；（2）訓(xùn)練數(shù)據(jù)準(zhǔn)備。該步驟收集大量帶標(biāo)簽的煙葉蟲害圖像進(jìn)行數(shù)據(jù)增強(qiáng)，如隨機(jī)旋轉(zhuǎn)、縮放和翻轉(zhuǎn)，以提高模型的泛化能力；（3）模型訓(xùn)練。在GPU加速環(huán)境下，該步驟使用大量增強(qiáng)后的圖像數(shù)據(jù)進(jìn)行模型訓(xùn)練，調(diào)整模型參數(shù)，如學(xué)習(xí)率和批大小，以優(yōu)化訓(xùn)練過程；（4）性能評估與調(diào)優(yōu)。該步驟使用驗(yàn)證集評估模型性能，確保最優(yōu)的檢測效果。

4.3實(shí)時(shí)數(shù)據(jù)處理能力

實(shí)時(shí)數(shù)據(jù)處理對于煙葉蟲害檢測系統(tǒng)至關(guān)重要，以確保及時(shí)響應(yīng)和處理，具體包含如下步驟：（1）邊緣計(jì)算部署。該步驟在數(shù)據(jù)采集點(diǎn)部署邊緣計(jì)算設(shè)備，運(yùn)行優(yōu)化后的YOLOv7模型，減少數(shù)據(jù)傳輸時(shí)間，提高處理速度；（2）流數(shù)據(jù)處理架構(gòu)。該步驟建立高效的流數(shù)據(jù)處理架構(gòu)，確保從圖像采集到處理的全過程低延遲、高效率。

4.4用戶交互平臺的設(shè)計(jì)

為了使系統(tǒng)易于操作和管理，用戶交互平臺必須具備以下特性：（1）直觀的用戶界面，該技術(shù)通過設(shè)計(jì)直觀的圖形用戶界面，顯示實(shí)時(shí)檢測結(jié)果和歷史數(shù)據(jù)分析，簡化用戶操作流程；（2）多平臺訪問支持，該技術(shù)確保用戶界面在不同設(shè)備上（如手機(jī)、平板電腦、PC）均能良好運(yùn)行，支持跨平臺操作；（3）交互功能，用戶可以通過界面直接反饋檢測問題，調(diào)整檢測參數(shù)或下載報(bào)告，實(shí)現(xiàn)與系統(tǒng)的實(shí)時(shí)交互。通過整合YOLOv7模型和上述關(guān)鍵技術(shù)，煙葉蟲害智能檢測系統(tǒng)能夠?qū)崿F(xiàn)高效、準(zhǔn)確的蟲害監(jiān)測和管理，大幅提升煙葉生產(chǎn)的質(zhì)量與效益。

5系統(tǒng)實(shí)現(xiàn)與評估

5.1系統(tǒng)實(shí)現(xiàn)環(huán)境

本文基于YOLO系列的目標(biāo)檢測算法YOLOv7以及Python、PyTorch等主流深度學(xué)習(xí)框架，在GPU服務(wù)器集群上實(shí)現(xiàn)了煙葉蟲害智能檢測系統(tǒng)。具體實(shí)現(xiàn)環(huán)境設(shè)計(jì)如下：1塊NVIDIA RTX 3060 GPU，2×AMD Ryzen PRO 3995WX CPU，256 GB DDR4內(nèi)存，1 TB SSD陣列。軟件環(huán)境包括：Ubuntu 20.04 LTS操作系統(tǒng)，采用Python 3.9編譯環(huán)境，PyTorch 1.12深度學(xué)習(xí)框架，YOLOv7目標(biāo)檢測模型，OpenCV、NumPy、Matplotlib等庫文件。

5.2訓(xùn)練數(shù)據(jù)與評估指標(biāo)

在訓(xùn)練數(shù)據(jù)集方面，本文的煙葉蟲害數(shù)據(jù)集包含大量的高分辨率圖像，涵蓋5種常見蟲害：薊馬、煙草花葉病毒病、斑萎病、煙草蚜蟲和煙草粉蚧。所有圖像經(jīng)過嚴(yán)格的標(biāo)注流程，使用YOLOv7實(shí)現(xiàn)的YOLO格式進(jìn)行邊界框和類別標(biāo)注。在測試數(shù)據(jù)集方面，為評估系統(tǒng)性能，本文隨機(jī)抽取圖像構(gòu)建測試集，測試集與訓(xùn)練集的分布一致。在評估指標(biāo)方面，本文使用平均精度等YOLO常用評估指標(biāo)來實(shí)現(xiàn)目標(biāo)檢測評估；使用召回率、準(zhǔn)確率等分類評估指標(biāo)來實(shí)現(xiàn)分類評估。

5.3模型訓(xùn)練與評估結(jié)果

本文首先以YOLOv7作為基準(zhǔn)模型進(jìn)行訓(xùn)練，在測試集上取得了不錯(cuò)的分?jǐn)?shù)。為進(jìn)一步提高檢測性能，本文對模型和訓(xùn)練過程進(jìn)行了如下優(yōu)化：采用YOLOv7大型模型，增強(qiáng)了特征提取能力。使用數(shù)據(jù)增強(qiáng)策略，擴(kuò)充訓(xùn)練數(shù)據(jù)。針對本任務(wù)特點(diǎn)，調(diào)整了學(xué)習(xí)率、正則化等超參數(shù)。經(jīng)過優(yōu)化，本文在測試集上取得了最新最優(yōu)表現(xiàn)：檢測mAP和分類F1分?jǐn)?shù)分別提高了0.34和0.47。該結(jié)果顯著優(yōu)于同領(lǐng)域水平，驗(yàn)證了本文模型設(shè)計(jì)的有效性。

5.4系統(tǒng)部署與實(shí)測效果

本文將最終訓(xùn)練得到的YOLOv7檢測模型部署到煙草生產(chǎn)基地，對煙田進(jìn)行了為期2個(gè)月的實(shí)際監(jiān)測。本文通過異步檢測和流水線并行，實(shí)現(xiàn)每秒可處理10張圖像的實(shí)時(shí)檢測；支持多種輸入源，如本地圖像文件、攝像頭視頻流、無人機(jī)視頻流等。實(shí)測效果顯示，相比人工巡查，該系統(tǒng)約提前2周發(fā)現(xiàn)首例蟲害，大幅提高了早期蟲害發(fā)現(xiàn)能力，檢測成本節(jié)省超過62%，因精準(zhǔn)防治，蟲害發(fā)生率降低約50%。綜上所述，基于YOLOv7的煙葉蟲害檢測系統(tǒng)在實(shí)際部署中表現(xiàn)出色，展現(xiàn)了深度學(xué)習(xí)技術(shù)在智慧農(nóng)業(yè)中的巨大應(yīng)用前景。

6結(jié)語

本文針對傳統(tǒng)煙葉蟲害檢測效率低下、準(zhǔn)確性差的問題，設(shè)計(jì)并實(shí)現(xiàn)了一種基于深度學(xué)習(xí)的煙葉蟲害智能檢測系統(tǒng)。該系統(tǒng)構(gòu)建了一個(gè)大規(guī)模煙葉蟲害數(shù)據(jù)集，基于YOLOv7目標(biāo)檢測算法，通過大型模型、數(shù)據(jù)增強(qiáng)和超參數(shù)優(yōu)化等策略，在測試集上取得了最優(yōu)的檢測性能。系統(tǒng)實(shí)現(xiàn)了端到端的自動化檢測，包括數(shù)據(jù)采集、預(yù)處理、模型訓(xùn)練、實(shí)時(shí)檢測、決策分析及可視化交互等環(huán)節(jié)。實(shí)際煙田部署表明，該系統(tǒng)能顯著提高檢測及時(shí)性和準(zhǔn)確性，降低巡查成本，有效減少蟲害發(fā)生率，展現(xiàn)出深度學(xué)習(xí)技術(shù)在農(nóng)業(yè)生產(chǎn)領(lǐng)域的廣闊應(yīng)用前景。未來，系統(tǒng)將在模型魯棒性、發(fā)現(xiàn)新種類蟲害、與智能決策的融合等方面進(jìn)行進(jìn)一步改進(jìn)。

參考文獻(xiàn)

［1］郭小燕，于帥卿.一種輕量級YOLO V5S農(nóng)作物蟲害目標(biāo)檢測模型［J］.南京農(nóng)業(yè)大學(xué)學(xué)報(bào)，2024（3）：1-13.

［2］巨志勇，易成，周重臣，等.YOLO-Rice：一種基于YOLOv5的水稻蟲害檢測［J］.控制工程，2024（5）：1-10.

［3］王建.基于YOLOv5s的復(fù)雜環(huán)境下臍橙蟲害檢測方法研究［D］.贛州：贛南師范大學(xué)，2023.

［4］丁元昊，王雯，余建國，等.基于IOA技術(shù)與YOLOX-s算法的農(nóng)作物蟲害監(jiān)測系統(tǒng)研究［J］.物聯(lián)網(wǎng)技術(shù)，2023（7）：26-30.

［5］慕君林，馬博，王云飛，等.基于深度學(xué)習(xí)的農(nóng)作物病蟲害檢測算法綜述［J］.農(nóng)業(yè)機(jī)械學(xué)報(bào)，2023（增刊2）：301-313.

［6］陳自宏，鄧干然，崔振德，等.基于深度學(xué)習(xí)的農(nóng)作物檢測識別研究現(xiàn)狀及展望［J］.現(xiàn)代農(nóng)業(yè)裝備，2022（2）：2-7.

［7］魯夢瑤，陳棟，周強(qiáng)，等.基于深度學(xué)習(xí)的煙葉等級分類及特征可視化［J］.煙草科技，2023（6）：92-100.

（編輯王雪芬編輯）

Design of intelligent detection system for tobacco leaf pests based on deep learning

CHEN" Xiaoqiang1， WANG" Hong1， LUO" Qingshu2

（1.Ji’an College， Ji’an 343000， China; 2.Jinggangshan Cigarette Factory， Ji’an 343000， China）

Abstract： With the advancement of agricultural science and technology， the traditional pest monitoring methods can no longer meet the needs of modern agriculture. In order to improve the efficiency and quality of tobacco leaf production， this paper designs and implements an intelligent detection system for tobacco leaf pests based on deep learning. The system uses the advanced YOLOv7 target detection model and integrates functions such as data collection， deep learning training， and pest detection， can quickly and accurately identify insect pests on tobacco leaves， helping to intervene in early killing and protect the quality of tobacco leaves. The test results show that the system performs well in terms of real-time monitoring and accuracy，improving the efficiency of pest management.

Key words： deep learning; tobacco pests; intelligent detection; artificial intelligence