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(dǎo)致品質(zhì)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(jī)進(jìn)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(diǎn)，因此該手段尤其適合用于應(yīng)對暴發(fā)性病蟲害。經(jīng)過研究提出一種適用于無人機(jī)植保的玉米病蟲害檢測方法，可以通過無人機(jī)采集的玉米葉圖像，利用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行實(shí)時(shí)處理，并判斷區(qū)域內(nèi)玉米的健康狀況。同時(shí)，無人機(jī)可以在玉米田范圍內(nèi)自動(dòng)巡航，并記錄時(shí)間、地點(diǎn)、可能的病因及 GPS 坐標(biāo)，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(jī)反饋的信息前往患病玉米區(qū)域進(jìn)行治療，從而促進(jìn)玉米產(chǎn)量和質(zhì)量的提高。

關(guān)鍵詞：卷積神經(jīng)網(wǎng)絡(luò)；無人機(jī)植保；玉米病蟲害

中圖分類號：TP29 文獻(xiàn)標(biāo)識碼：A

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

0 引言

玉米生長常受天氣條件、栽培方法、管理技術(shù)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(jìn)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(jī)植保。無人機(jī)植保是指利用無人機(jī)作為載體，搭載農(nóng)藥噴灑系統(tǒng)，對農(nóng)作物進(jìn)行病蟲害防治的技術(shù)。無人機(jī)植保具有高效、靈活、安全、環(huán)保等優(yōu)點(diǎn)，是農(nóng)業(yè)現(xiàn)代化的重要標(biāo)志之一。未來，無人機(jī)植保的新技術(shù)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(jìn)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(dòng)農(nóng)業(yè)生產(chǎn)管理從機(jī)械化向智能化和智慧化邁進(jìn)[3]。

然而，目前植保領(lǐng)域的無人機(jī)大多僅能夠?qū)崿F(xiàn)農(nóng)藥噴灑等智能化較低的功能。因?yàn)槟壳稗r(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(luò)的結(jié)構(gòu)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(luò)（CNN） ，而是基于循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN） 、極限學(xué)習(xí)機(jī)（ELM） 等，因此計(jì)算量大，實(shí)時(shí)性較差，難以搭載在嵌入式系統(tǒng)上。

為了提高無人機(jī)在玉米植保中的自動(dòng)化和智能化程度，本文提出了一種適用于無人機(jī)植保的玉米病蟲害檢測方法。該方法利用無人機(jī)攝像頭遠(yuǎn)程采集玉米作物的圖像，基于卷積神經(jīng)網(wǎng)絡(luò)實(shí)時(shí)處理并判斷區(qū)域內(nèi)玉米的健康狀況。同時(shí)，無人機(jī)在玉米田范圍內(nèi)進(jìn)行自動(dòng)巡航，并記錄時(shí)間、地點(diǎn)和可能的病因及GPS 坐標(biāo)，以此來減少人工巡查，提高巡檢效率，從而進(jìn)行有效準(zhǔn)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(dú)特的患病特征。為了正確識別這些特征，需要提取相應(yīng)的特征向量，并訓(xùn)練出具有高準(zhǔn)確度的識別模型，以便無人機(jī)能夠進(jìn)行正確判斷。同時(shí)，這個(gè)模型還需要具有較快的識別速度，以滿足無人機(jī)的需求?？紤]到Y(jié)OLO擁有準(zhǔn)確性與速度兼具，且網(wǎng)絡(luò)結(jié)構(gòu)簡單的特點(diǎn)，基于YOLOv5進(jìn)行識別模型訓(xùn)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(luò)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(jìn)行了標(biāo)記，并對錯(cuò)標(biāo)或漏標(biāo)的圖片進(jìn)行重新標(biāo)注或刪除；對于質(zhì)量低下的圖片進(jìn)行了刪除，并將圖片格式轉(zhuǎn)換為jpg，以適應(yīng)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(jìn)行了擴(kuò)充：重新爬取了高質(zhì)量的圖片，并進(jìn)行了標(biāo)注，以擴(kuò)充數(shù)據(jù)集。利用圖像增強(qiáng)技術(shù)，對原有圖片進(jìn)行了變換，以增強(qiáng)算法的魯棒性。由于實(shí)際環(huán)境的復(fù)雜多變，為了增強(qiáng)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(zhuǎn)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(luò)進(jìn)行訓(xùn)練可以提高網(wǎng)絡(luò)的魯棒性，降低各方面額外因素對識別的影響。

為了達(dá)到訓(xùn)練目標(biāo)，我們在確定了玉米葉片圖像集合后，首先對其健康狀況進(jìn)行記錄，并將圖片文件與標(biāo)簽文件一一對應(yīng)。標(biāo)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(jī)劃分?jǐn)?shù)據(jù)集，我們將所有玉米葉片圖像集合的60% 設(shè)置為訓(xùn)練集，20% 設(shè)置為驗(yàn)證集，最后20% 設(shè)置為測試集。

1.2 對數(shù)據(jù)進(jìn)行預(yù)處理

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

灰度拉伸需要采用的轉(zhuǎn)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(biāo)灰度級范圍，由此可以提高圖像的對比度，使圖像得到增強(qiáng)。

數(shù)據(jù)預(yù)處理是訓(xùn)練神經(jīng)網(wǎng)絡(luò)時(shí)非常重要的步驟。合適的預(yù)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(luò)搭建

基于Tensorflow的YOLOv5算法可以通過無人機(jī)傳輸?shù)囊曨l數(shù)據(jù)流信息實(shí)現(xiàn)基本的實(shí)時(shí)檢測。但為了加快YOLOv5算法的檢測速度，提高檢測效率和準(zhǔn)確率，需要對其中的Backbone算法進(jìn)行優(yōu)化，采用性能更優(yōu)越的CNN網(wǎng)絡(luò)。我們采用了MobileNet v3網(wǎng)絡(luò)結(jié)構(gòu)，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(diào)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(zhǔn)確率提高0.9%。h-swish 是用一個(gè)近似函數(shù)來逼近這個(gè)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(zhuǎn)化如下：

f （x） = x × sigmoid （ βx） （2）

在深度學(xué)習(xí)中，學(xué)習(xí)率的調(diào)整非常重要。學(xué)習(xí)率較大時(shí)，可以加快學(xué)習(xí)效率，有助于跳出局部最優(yōu)值。然而，過大的學(xué)習(xí)率可能導(dǎo)致模型不精確，甚至導(dǎo)致模型訓(xùn)練不收斂。相反，學(xué)習(xí)率較小時(shí)，有利于模型的收斂，可以幫助模型細(xì)化，提高模型精度，但收斂速度較慢，可能導(dǎo)致無法跳出局部最優(yōu)值。因此，學(xué)習(xí)率大和學(xué)習(xí)率小的功能幾乎是相反的。為了最大程度地提高訓(xùn)練性能，我們需要適當(dāng)?shù)卣{(diào)整學(xué)習(xí)率。我們利用Callback類來實(shí)現(xiàn)學(xué)習(xí)率的指數(shù)型下降。指數(shù)型下降意味著學(xué)習(xí)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(dāng)前的學(xué)習(xí)率，learn?ing_rate_base為基礎(chǔ)學(xué)習(xí)率，decay_rate為衰減系數(shù)。

1.4 模型訓(xùn)練

通過卷積層網(wǎng)絡(luò)獲取數(shù)據(jù)，然后再利用全連結(jié)層得到預(yù)測值。在網(wǎng)絡(luò)結(jié)構(gòu)上，采用了GooLeNet模型[5]，其中包含了24個(gè)卷積層級和2個(gè)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(fù)斜率的系數(shù)，一般取值為0.01-0.1。

構(gòu)造損失函數(shù)可以確定神經(jīng)網(wǎng)絡(luò)的特性，并針對不同的部分選擇了不同的權(quán)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(quán)重。然后將它劃分成不含有目標(biāo)的邊框和含有目標(biāo)的邊框間的置信度，并針對前者，一般選擇最少的權(quán)重值。其他數(shù)值設(shè)為一。

損失函數(shù)計(jì)算如下：

其中，1objij 指代第ij個(gè)單元格的存在目標(biāo)，第1項(xiàng)為邊界框中心位置的偏差項(xiàng)，而第2項(xiàng)則為邊界框的高度與寬度的偏差項(xiàng)。第3項(xiàng)是包含目標(biāo)的邊界框的置信度計(jì)算偏差項(xiàng)，而第4項(xiàng)則是不含目標(biāo)邊界的置信度計(jì)算偏差項(xiàng)。最后，第5項(xiàng)是含目標(biāo)單元格的分類偏差項(xiàng)。默認(rèn)λcoord = 5，λnoobj = 0.5。

利用玉米病蟲害樣本訓(xùn)練集圖像對構(gòu)建的神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，并在訓(xùn)練過程中利用遺傳算法對神經(jīng)網(wǎng)絡(luò)的參數(shù)進(jìn)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(shí)驗(yàn)與分析

玉米病蟲害識別模型訓(xùn)練的預(yù)定計(jì)劃包括三個(gè)階段：數(shù)據(jù)收集和預(yù)處理、模型訓(xùn)練和優(yōu)化、模型評估。在第一階段，我們計(jì)劃從公共數(shù)據(jù)集中采集數(shù)據(jù)，對數(shù)據(jù)進(jìn)行清洗、標(biāo)注和增強(qiáng)處理。在第二階段，我們將使用YOLOv5模型對數(shù)據(jù)進(jìn)行訓(xùn)練和優(yōu)化，并測試不同的網(wǎng)絡(luò)結(jié)構(gòu)、超參數(shù)和損失函數(shù)。在第三階段，我們將對模型進(jìn)行評估，測試模型的準(zhǔn)確率。

2.1 實(shí)驗(yàn)準(zhǔn)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(shí)驗(yàn)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(biāo)簽外，還需要一個(gè)標(biāo)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(xùn)練集含有741張圖片，驗(yàn)證集含有217張圖片，測試集包含239張圖片。在實(shí)驗(yàn)開始前，我們對每張圖像都使用LabelImg工具進(jìn)行了標(biāo)注，標(biāo)注出圖像中玉米葉片的物體邊框，以及玉米葉片的局部關(guān)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(gè)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(zhuǎn)換為ONNX 格式的模型文件，再使用ONNX Runtime將ONNX格式的模型轉(zhuǎn)換為TensorRT格式，并最終保存轉(zhuǎn)換后的TensorRT模型。第二階段的模型轉(zhuǎn)換主要是為了提高模型的推理速度。第三階段是將轉(zhuǎn)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(jìn)行測試，評估模型的準(zhǔn)確率和性能。

2.2 實(shí)驗(yàn)結(jié)果

我們已完成了數(shù)據(jù)收集和預(yù)處理階段，并針對模型訓(xùn)練和優(yōu)化階段出現(xiàn)的問題進(jìn)行了解決。采用了深度學(xué)習(xí)的方法，結(jié)合卷積神經(jīng)網(wǎng)絡(luò)和目標(biāo)檢測技術(shù)，對玉米的病蟲害進(jìn)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(jìn)行訓(xùn)練，使用voc格式數(shù)據(jù)集，將訓(xùn)練集和相應(yīng)的配置文件上傳至云端，并利用Colab云端服務(wù)器實(shí)現(xiàn)了云端訓(xùn)練。隨后，下載訓(xùn)練得到的權(quán)重文件，運(yùn)行YOLOv5網(wǎng)絡(luò)，實(shí)現(xiàn)對目標(biāo)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(yīng)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(xiàng)關(guān)鍵參數(shù)，即該模型在不同置信率下對相關(guān)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(diào)率?？梢钥闯鲈谥眯哦燃s為0.6時(shí)，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(biāo)疾病的識別效果較好，滿足實(shí)際應(yīng)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(shí)的各項(xiàng)指標(biāo)進(jìn)行了比較。

通過上述指標(biāo)可以看出，該模型在識別兩種疾病的患病位置時(shí)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(shí)際識別效果?？梢钥闯?，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(zhǔn)確?？傮w而言，該模型可以較好地滿足實(shí)際應(yīng)用中的需求。

3 結(jié)論

在目標(biāo)識別和分類方面，深度學(xué)習(xí)模型，如卷積神經(jīng)網(wǎng)絡(luò)（CNN） ，是一種常用的技術(shù)。CNN 可以通過對大量的圖像數(shù)據(jù)進(jìn)行訓(xùn)練來實(shí)現(xiàn)高精度的目標(biāo)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(jī)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(jìn)行卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，得到了一個(gè)高效準(zhǔn)確的病蟲害識別模型。經(jīng)實(shí)驗(yàn)驗(yàn)證，該模型可以實(shí)時(shí)地對無人機(jī)拍攝的玉米田圖像進(jìn)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(jī)的機(jī)載運(yùn)算平臺上，開發(fā)一套玉米病蟲害智能化的無人機(jī)植保系統(tǒng)。該系統(tǒng)可以根據(jù)預(yù)設(shè)的航線，自動(dòng)地控制無人機(jī)在玉米田內(nèi)進(jìn)行巡航，實(shí)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(jié)果，為農(nóng)民提供專業(yè)的防治建議，指導(dǎo)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(zhì)量。

參考文獻(xiàn)：

[1] 韓鼎，陳喬，王暉，等. 植保無人機(jī)在玉米生產(chǎn)中的應(yīng)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(shù)應(yīng)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(jī)植保作業(yè)關(guān)鍵技術(shù)及研究進(jìn)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(shù)的研究綜述[J]. 計(jì)算機(jī)工程與科學(xué)，2014，36（7）：1363-1370.

[5] 孫亮，柯宇航，劉輝，等. 計(jì)算機(jī)視覺技術(shù)在植物病蟲害識別上的研究進(jìn)展[J]. 熱帶生物學(xué)報(bào)，2022，13（6）：651-658.

[6] 王萬亮，江高飛，嚴(yán)江偉，等. 基于卷積評價(jià)及對抗網(wǎng)絡(luò)的花粉、孢子圖像增廣算法[J]. 江蘇農(nóng)業(yè)學(xué)報(bào)，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(xué)，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(xiàng)目：2022—2024 安徽高校自然科學(xué)研究項(xiàng)目（2022AH052300）