常瑞揚(yáng) 楊海斌

摘要：農(nóng)業(yè)生產(chǎn)中較為嚴(yán)重的問題之一便是農(nóng)作物的病蟲害，為降低農(nóng)作物病蟲害對(duì)糧食生產(chǎn)帶來的減產(chǎn)等影響，文章借助網(wǎng)絡(luò)化數(shù)據(jù)集的處理、通過卷積神經(jīng)網(wǎng)絡(luò)識(shí)別農(nóng)作物病蟲害，幫助廣大的農(nóng)業(yè)生產(chǎn)者。文章分析了卷積神經(jīng)網(wǎng)絡(luò)的AlexNet模型，以此來增強(qiáng)數(shù)據(jù)算法網(wǎng)絡(luò)化處理；借助數(shù)據(jù)集的構(gòu)建與處理，進(jìn)一步提高農(nóng)作物病蟲害的識(shí)別與研究，使得農(nóng)作物病蟲害識(shí)別更高效化、科技化、信息化，最終達(dá)到高精準(zhǔn)度識(shí)別農(nóng)作物病蟲害，降低農(nóng)作物病蟲害對(duì)產(chǎn)量的影響。

關(guān)鍵詞：卷積神經(jīng)網(wǎng)絡(luò)；農(nóng)作物病蟲害；病蟲害識(shí)別

中圖分類號(hào)：TP389? 文獻(xiàn)標(biāo)志碼：A

0 引言

近年來，生態(tài)環(huán)境的不斷惡化，使得其結(jié)構(gòu)更加脆弱，農(nóng)作物病蟲害常有大規(guī)模暴發(fā)。農(nóng)作物病蟲害的頻繁爆發(fā)直接影響農(nóng)產(chǎn)品的產(chǎn)量和質(zhì)量，給農(nóng)戶造成不必要的經(jīng)濟(jì)損失。根據(jù)農(nóng)業(yè)農(nóng)村部統(tǒng)計(jì)數(shù)據(jù)顯示，中國農(nóng)業(yè)目前在植物病蟲害防治方面技術(shù)存在很大的缺陷，每年因病蟲害導(dǎo)致糧食大量減產(chǎn)，在人工防治植物病蟲害過程中會(huì)出現(xiàn)識(shí)別準(zhǔn)確率低，不能“對(duì)癥下藥”等技術(shù)問題。目前對(duì)于植物病蟲害治理仍有很大進(jìn)步空間，該如何科學(xué)高效的減少病蟲害對(duì)農(nóng)作物帶來的減產(chǎn)問題顯得尤其重要［1-2］。

1 研究背景

據(jù)不完全統(tǒng)計(jì)，植物病蟲害造成了全球平均每年高達(dá)16%的農(nóng)作物產(chǎn)量減產(chǎn)，有的土地甚至顆粒無收［3-4］。針對(duì)植物病蟲害對(duì)農(nóng)作物所帶來的減產(chǎn)的影響，大部分地區(qū)農(nóng)民還是依靠傳統(tǒng)方法，使用噴灑農(nóng)藥等危害環(huán)境的殺蟲方法。但對(duì)于一些不常見的植物病蟲來說，種植者難以判別該病原菌種類，從而會(huì)給農(nóng)作物病蟲害防治帶來不小的麻煩。

針對(duì)上述問題，本文采用深度學(xué)習(xí)算法和機(jī)器視覺技術(shù)，用于植物病蟲害的識(shí)別當(dāng)中。深度學(xué)習(xí)算法和機(jī)器視覺在農(nóng)業(yè)上的應(yīng)用不僅可以減少病蟲害，更是直接推動(dòng)了智慧農(nóng)業(yè)的深入發(fā)展，因?yàn)槠浜啽愕牟僮餍?、自我學(xué)習(xí)的能力，面對(duì)更多病蟲害時(shí)的泛化性和對(duì)復(fù)雜環(huán)境的適應(yīng)性，有助于人工智能系統(tǒng)的在農(nóng)業(yè)上的發(fā)展。將深度學(xué)習(xí)的方法用在農(nóng)作物病蟲害識(shí)別上，可以加快檢測的速度，提高工作效率，圖像識(shí)別技術(shù)的高效運(yùn)用，不僅可以降低傳統(tǒng)人工檢測的主觀性，還可以降低檢測成本，提高識(shí)別的準(zhǔn)確率，同時(shí)具有更強(qiáng)的時(shí)效性［5-7］。

通過分析當(dāng)前國內(nèi)研究現(xiàn)狀及存在的問題，針對(duì)不同地區(qū)多種典型農(nóng)作物病蟲害圖像，基于分析各類算法基礎(chǔ)之上，可從以下幾個(gè)方面開展研究：（1）分析卷積神經(jīng)網(wǎng)絡(luò)——AlexNet模型；（2）病蟲害數(shù)據(jù)集的構(gòu)建與預(yù)處理；（3）改進(jìn)AlexNet模型。

2 卷積神經(jīng)網(wǎng)絡(luò)

2.1 卷積神經(jīng)網(wǎng)絡(luò)模型

Lenet卷積神經(jīng)網(wǎng)絡(luò)分為兩部分，一部分是自學(xué)習(xí)特征提取模型，另外一部分則是分類模型。

特征提取模型主要由卷積層和池化層構(gòu)成，池化層是卷積神經(jīng)網(wǎng)絡(luò)從輸入圖像中獲得不同層次特征的部分。對(duì)輸入層來說卷積神經(jīng)網(wǎng)絡(luò)的圖像輸入層定義了輸入圖像的大小，并包含圖像的原始像素值，圖像大小對(duì)應(yīng)于該圖像的高度、寬度和顏色通道數(shù)。

卷積層存在的目的就是從輸入的原始圖像中把圖像特征提取出來，它是 CNN 結(jié)構(gòu)體系中的一個(gè)基本單元，由一組可學(xué)習(xí)的過濾器（卷積核）組成，過濾器的大小作為感受野，此外卷積核的個(gè)數(shù)決定了獲得特征圖的個(gè)數(shù)，通過使每個(gè)過濾器用滑動(dòng)窗口的這種方式用于該圖像原始像素值，再通過一系列函數(shù)來計(jì)算出相關(guān)非線性數(shù)據(jù)，借助網(wǎng)絡(luò)函數(shù)模型來引入到網(wǎng)絡(luò)中。

2.2 卷積層

卷積為數(shù)學(xué)算法分析體系中一種運(yùn)算，同加減乘除類似，這種運(yùn)算可以理解為借助一個(gè)函數(shù)n、q經(jīng)過一系列計(jì)算來生成函數(shù)y的一種數(shù)學(xué)算子。將它應(yīng)用到神經(jīng)網(wǎng)絡(luò)當(dāng)中就可以稱之為卷積層，簡單來說就是數(shù)學(xué)分析中的一種卷積算法通過借助實(shí)際問題來分析研究論證等。由圖1分析得知，在神經(jīng)網(wǎng)絡(luò)中的卷積過程是一種濾波運(yùn)算。

2.3 池化層

池化層存在于連續(xù)的卷積層中間，用于減少數(shù)據(jù)和參數(shù)的量，防止在運(yùn)算中出現(xiàn)過擬合現(xiàn)象。簡而言之，如果輸入是圖像的話，那么池化層的最主要作用就是壓縮圖像。池化層分為3類：平均池化、最大池化和隨機(jī)池化。目前主要應(yīng)用的池化的操作為最大池化和平均池化，如圖2所示。

2.4 全連接層

全連接層在全部的CNN過程中起到的是分類器的作用。前者卷積層與池化層可以看作是將原始信息圖像收集起來，再利用計(jì)算網(wǎng)絡(luò)方法將其輸入到更深的空間提供一個(gè)更為簡便的整合方法。

2.5 輸出層

輸出層在計(jì)算網(wǎng)絡(luò)中所起的作用是將前面的分? 類結(jié)果進(jìn)行輸出，其所在位置為計(jì)算網(wǎng)絡(luò)中的最后一層。在編碼、聚類等無監(jiān)督學(xué)習(xí)過程中，輸入?yún)?shù)跟輸出參數(shù)是相同的，然而對(duì)于圖像識(shí)別等問題進(jìn)行分析時(shí)，輸入?yún)?shù)跟輸出參數(shù)是不同的，根據(jù)不同的分類結(jié)果輸出層N個(gè)神經(jīng)元作為N種分類結(jié)果。

感知器在不同的條件下，根據(jù)輸入問題的不同會(huì)影響輸出層結(jié)果。在輸出層會(huì)用損失函數(shù)來對(duì)模型評(píng)估優(yōu)化，數(shù)據(jù)函數(shù)會(huì)通過根據(jù)預(yù)測值與實(shí)際值的差別來修正模型以此來提高網(wǎng)絡(luò)模擬非線性系統(tǒng)的能力，同時(shí)也會(huì)在隱含層加入激活函數(shù)增加網(wǎng)絡(luò)的復(fù)雜性。

3 卷積神經(jīng)網(wǎng)絡(luò)算法

模型建設(shè)過程中往往會(huì)產(chǎn)生大量的數(shù)據(jù)，對(duì)于在學(xué)習(xí)過程中的各項(xiàng)參數(shù)也越來越多。在本研究的卷積神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)過程中，加入了遷移學(xué)習(xí)算法。遷移學(xué)習(xí)卷積神經(jīng)網(wǎng)絡(luò)分為兩部分，主要包括模型遷移和特征遷移［9-10］。

準(zhǔn)確鑒別農(nóng)作物病蟲應(yīng)遵循以下幾個(gè)步驟，要從數(shù)據(jù)的獲取、數(shù)據(jù)的整理以及數(shù)據(jù)的應(yīng)用這3個(gè)基本步驟來操作進(jìn)行鑒別。這3個(gè)基本操作步驟中所涉及的關(guān)鍵性技術(shù)，主要包括病蟲害的數(shù)據(jù)獲取、病蟲害的數(shù)據(jù)處理以及病蟲害的數(shù)據(jù)應(yīng)用性關(guān)鍵技術(shù)，遷移學(xué)習(xí)卷積神經(jīng)網(wǎng)絡(luò)如圖3所示。

在研究農(nóng)作物病蟲害的過程中，要想獲得更為精確的數(shù)據(jù)、做出更為精確的判斷，就要借助更專業(yè)的設(shè)備以及專業(yè)網(wǎng)絡(luò)數(shù)據(jù)整理方法。農(nóng)作物病蟲害的數(shù)據(jù)來源可以分成以下兩種來源：一種是利用現(xiàn)有的公開數(shù)據(jù)集訓(xùn)練網(wǎng)絡(luò);另一種則是根據(jù)實(shí)際應(yīng)用需求，自行采集病蟲害數(shù)據(jù)，進(jìn)而再通過數(shù)據(jù)集進(jìn)行相關(guān)的專業(yè)性技術(shù)分析。這兩種數(shù)據(jù)方法都能較為模型提供基礎(chǔ)數(shù)據(jù)［11］。數(shù)據(jù)預(yù)處理就是在數(shù)據(jù)正式輸入到網(wǎng)絡(luò)中之前對(duì)數(shù)據(jù)的一個(gè)簡要分析，通過預(yù)處理，可以更好地篩選一些不必要的雜亂數(shù)據(jù)，以此來提高數(shù)據(jù)的精確性。

4 結(jié)語

本文通過基于卷積神經(jīng)網(wǎng)絡(luò)的農(nóng)作物病蟲害識(shí)別與防治的方法進(jìn)行分析研究。從國內(nèi)外農(nóng)作物產(chǎn)量現(xiàn)狀進(jìn)行著手分析，借助卷積神經(jīng)網(wǎng)絡(luò)、遷移學(xué)習(xí)卷積神經(jīng)網(wǎng)絡(luò)、農(nóng)作物的病蟲害識(shí)別技術(shù)等方面來分析研究。通過構(gòu)建神經(jīng)網(wǎng)絡(luò)識(shí)別模型訓(xùn)練基于生成式對(duì)抗網(wǎng)絡(luò)而生成的農(nóng)作物病蟲害圖像，可以更好地?cái)U(kuò)充農(nóng)作物病蟲害樣本集。最終將現(xiàn)場采集的圖像、隨機(jī)化旋轉(zhuǎn)處理等技術(shù)生成的圖像和基于生成對(duì)抗網(wǎng)絡(luò)合成的農(nóng)作物病蟲害圖像數(shù)據(jù)進(jìn)行整理和分類標(biāo)記，可以有效增強(qiáng)深度學(xué)習(xí)模型的泛化性能。利用大量不同地區(qū)的特有農(nóng)作物病蟲害圖像建模，實(shí)現(xiàn)有針對(duì)性地診斷不同地區(qū)特有的病蟲害目標(biāo)。

參考文獻(xiàn)

［1］范海紅.卷積神經(jīng)網(wǎng)絡(luò)在茶樹病蟲害防治中的應(yīng)用［J］.福建茶葉，2022（4）：34-36.

［2］李玲，李艷樂，郭海麗，等.基于卷積神經(jīng)網(wǎng)絡(luò)的蘋果樹病蟲害識(shí)別［J］.南方農(nóng)機(jī)，2022（8）：16-19.

［3］姚建斌，張英娜，劉建華.基于卷積神經(jīng)網(wǎng)絡(luò)和遷移學(xué)習(xí)的小麥病蟲害識(shí)別［J］.華北水利水電大學(xué)學(xué)報(bào)（自然科學(xué)版），2022（2）：102-108.

［4］張樹曉.基于大數(shù)據(jù)平臺(tái)的新能源智能化運(yùn)營監(jiān)管技術(shù)［J］.分布式能源，2022（1）：74-82.

［5］駱潤玫，王衛(wèi)星.基于卷積神經(jīng)網(wǎng)絡(luò)的植物病蟲害識(shí)別研究綜述［J］.自動(dòng)化與信息工程，2021（5）：1-10.

［6］曾弟先，王宇，吳宏佳.基于卷積神經(jīng)網(wǎng)絡(luò)的水稻病蟲害識(shí)別分類系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)［J］.電腦與信息技術(shù)，2021（3）：16-20.

［7］陶國柱.基于卷積神經(jīng)網(wǎng)絡(luò)的茉莉花病蟲害識(shí)別算法研究［D］.南寧：廣西民族大學(xué)，2021.

［8］李哲，潘維，張赟.基于深度卷積神經(jīng)網(wǎng)絡(luò)的植物病蟲害識(shí)別［J］.電子技術(shù)與軟件工程，2020（23）：194-195.

［9］陳朝軍.基于卷積神經(jīng)網(wǎng)絡(luò)的農(nóng)作物病蟲害識(shí)別方法研究［D］.桂林：桂林理工大學(xué)，2020.

［10］魏宇軒.基于卷積神經(jīng)網(wǎng)絡(luò)的農(nóng)作物病蟲害圖像識(shí)別研究［D］.武漢：武漢輕工大學(xué)，2020.

［11］李童.基于改進(jìn)深度卷積神經(jīng)網(wǎng)絡(luò)的西葫蘆病蟲害識(shí)別研究［D］.太原：山西農(nóng)業(yè)大學(xué)，2020.

（編輯 傅金睿）

Research on crop pest identification based on convolution neural network

Chang? Ruiyang， Yang Haibin*

（Electrical and Information Engineering College， JiLin Agricultural Science and Technology University， Jilin 132101， China）

Abstract：? One of the more serious problems in agricultural production is crop diseases and insect pests. In order to reduce the impact of crop diseases and insect pests on grain production， this study uses the treatment of network data set， through the convolution neural network， to help the majority of agricultural producers. This paper analyzes the AlexNet model of convolutional neural network， so as to enhance the identification and research of crop diseases and insect pests， to make it more efficient， scientific and information， and finally to achieve highly accurate identification of crop diseases and insect pests， and to reduce the influence of crop diseases and insect pests on yield.

Key words： convolutional neural network; crop pests and diseases; identification of pests and diseases