摘" 要：為幫助人們解決農(nóng)作物健康問題，提升農(nóng)業(yè)生產(chǎn)的效率和質(zhì)量，該研究基于ResNet50與YOLOv5深度學(xué)習(xí)算法，設(shè)計(jì)并實(shí)現(xiàn)一個應(yīng)用于農(nóng)業(yè)領(lǐng)域的多模塊圖像檢測系統(tǒng)，并使用PyQt5技術(shù)進(jìn)行可視化。通過數(shù)據(jù)增強(qiáng)、學(xué)習(xí)率優(yōu)化、超參數(shù)調(diào)整以及遷移學(xué)習(xí)操作，實(shí)現(xiàn)ResNet50與YOLOv5模型對農(nóng)作物病蟲害和健康的準(zhǔn)確檢測；驗(yàn)證結(jié)果表明該系統(tǒng)在病害識別、缺水識別、缺微量元素識別、毒性植株識別和雜草檢測等模塊均達(dá)到良好的識別水平，證明該系統(tǒng)的可行性與實(shí)用性。

關(guān)鍵詞：深度學(xué)習(xí)；ResNet50；YOLOv5；病害識別；雜草檢測

中圖分類號：TP18" " " 文獻(xiàn)標(biāo)志碼：A" " " " " 文章編號：2096-9902（2024）24-0021-04

Abstract： In order to help people solve crop health problems and improve the efficiency and quality of agricultural production， this research designed and implemented a multi-module image detection system for agricultural field based on ResNet50 and YOLOv5 deep learning algorithms， and used PyQt5 technology for visualization. Through data enhancement， learning rate optimization， hyperparameter adjustment and transfer learning operations， the ResNet50 and YOLOv5 models have achieved accurate detection of crop pests， diseases and health; the verification results show that the system has achieved a good recognition level in disease identification， water shortage identification， trace element deficiency identification， toxic plant identification and weed detection modules， which proves the feasibility and practicality of the system.

Keywords： deep learning; ResNet50; YOLOv5; disease identification; weed detection

農(nóng)作物的健康狀況直接關(guān)系到農(nóng)業(yè)生產(chǎn)的產(chǎn)量和質(zhì)量，進(jìn)而影響糧食安全和經(jīng)濟(jì)發(fā)展。準(zhǔn)確檢測農(nóng)作物的缺水情況、缺微量元素、病害、植株毒性和雜草等問題，對于及時采取相應(yīng)的防治措施至關(guān)重要。通過有效的健康檢測，可以提高農(nóng)作物的成活率和品質(zhì)，降低因病蟲害等問題導(dǎo)致的損失。此外，農(nóng)作物健康檢測還可以為農(nóng)業(yè)資源的合理分配提供依據(jù)，例如根據(jù)檢測結(jié)果精準(zhǔn)施肥、澆水，提高資源利用效率，減少對環(huán)境的污染。同時，對農(nóng)產(chǎn)品品質(zhì)的檢測以及病蟲害的預(yù)警，能夠保障食品安全，提升農(nóng)產(chǎn)品的市場競爭力，增加農(nóng)民收益，為農(nóng)村經(jīng)濟(jì)發(fā)展注入強(qiáng)大動力。

傳統(tǒng)的農(nóng)作物健康檢測方法主要依賴人工觀察和經(jīng)驗(yàn)判斷，存在著諸多局限性。一方面，人工檢測效率低下，難以滿足大規(guī)模農(nóng)業(yè)生產(chǎn)的需求；另一方面，人工檢測的準(zhǔn)確性和可靠性受主觀因素影響較大，容易出現(xiàn)誤判和漏判。此外，傳統(tǒng)檢測方法往往無法及時發(fā)現(xiàn)潛在的問題，導(dǎo)致病蟲害等問題在大面積擴(kuò)散后才被察覺，此時采取措施往往效果不佳，且成本較高。隨著農(nóng)業(yè)生產(chǎn)規(guī)模的不斷擴(kuò)大和對農(nóng)產(chǎn)品質(zhì)量要求的日益提高，傳統(tǒng)檢測方法已無法適應(yīng)現(xiàn)代農(nóng)業(yè)發(fā)展的需要[1]。

深度學(xué)習(xí)算法的出現(xiàn)為農(nóng)作物健康檢測帶來了新的機(jī)遇。它推動了計(jì)算機(jī)視覺領(lǐng)域的發(fā)展，使得計(jì)算機(jī)視覺技術(shù)在農(nóng)作物健康檢測中越來越成熟和普及。深度學(xué)習(xí)算法能夠自動學(xué)習(xí)和提取圖像中的特征，具有更高的準(zhǔn)確性和魯棒性。與傳統(tǒng)方法相比，深度學(xué)習(xí)可以快速處理大量的圖像數(shù)據(jù)，實(shí)現(xiàn)對農(nóng)作物健康狀況的實(shí)時監(jiān)測[2-3]。本研究基于ResNet50與YOLOv5深度學(xué)習(xí)算法，設(shè)計(jì)并實(shí)現(xiàn)了一個應(yīng)用于農(nóng)業(yè)領(lǐng)域的多模塊圖像檢測系統(tǒng)，如圖1所示，為農(nóng)業(yè)生產(chǎn)提供了智能化的解決方案。該系統(tǒng)在病害識別、缺水識別、缺微量元素識別、毒性植株識別和雜草檢測等模塊均達(dá)到了良好的識別水平，證明了其可行性與實(shí)用性。

1" 材料與方法

1.1" 數(shù)據(jù)采集與標(biāo)注

分類數(shù)據(jù)集的數(shù)據(jù)集包括筆者獨(dú)自制作的數(shù)據(jù)集和采用Kaggle數(shù)據(jù)集。其中病害識別模塊共有蘋果種類3種病害數(shù)據(jù)集9 000余張，葡萄種類3種病害數(shù)據(jù)集4 000余張，玉米種類3種病害數(shù)據(jù)集4 000余張；缺微量元素識別模塊數(shù)據(jù)集共有5 000余張；缺水識別模塊數(shù)據(jù)集共4 000余張；毒性植株識別模塊數(shù)據(jù)集11 000余張；雜草檢測模塊數(shù)據(jù)集共5 000余份。本系統(tǒng)中的雜草檢測模塊的實(shí)現(xiàn)，除了要提供雜草圖片的數(shù)據(jù)集，還需要對作物圖片中需要檢測的雜草目標(biāo)采用labelimg圖像標(biāo)注工具進(jìn)行處理，如圖2所示。

1.2" 模型構(gòu)建

本研究利用深度學(xué)習(xí)分類算法ResNet50[4]對農(nóng)作物進(jìn)行缺水情況識別、缺微量元素識別、病害識別和植株毒性識別，并利用YOLOv5[5]目標(biāo)檢測算法對作物進(jìn)行雜草檢測，從而實(shí)現(xiàn)對農(nóng)作物健康的實(shí)時監(jiān)測和管理。ResNet50是一種深度殘差網(wǎng)絡(luò)，如圖3所示。它通過引入殘差塊，有效解決了隨著網(wǎng)絡(luò)深度增加而出現(xiàn)的梯度消失問題。在圖像分類等任務(wù)中表現(xiàn)出色，能夠自動學(xué)習(xí)圖像特征，對農(nóng)作物健康檢測中的病害等分類任務(wù)有很強(qiáng)的適用性。

YOLOv5是一種目標(biāo)檢測算法。它具有快速、準(zhǔn)確的特點(diǎn)，能夠?qū)崟r檢測圖像中的目標(biāo)物體。YOLOv5的原理是將輸入圖像劃分為多個網(wǎng)格。每個網(wǎng)格負(fù)責(zé)預(yù)測中心點(diǎn)落在該網(wǎng)格內(nèi)的目標(biāo)[6]。它通過卷積神經(jīng)網(wǎng)絡(luò)提取圖像特征，生成不同尺度的特征圖以檢測不同大小的目標(biāo)。在特征圖上，每個網(wǎng)格會預(yù)測多個邊界框以及對應(yīng)的類別概率和置信度。通過非極大值抑制等后處理操作，去除冗余的邊界框，得到最終的目標(biāo)檢測結(jié)果[7]。YOLOv5在農(nóng)作物健康檢測中可準(zhǔn)確檢測病蟲害、雜草等目標(biāo)，為農(nóng)業(yè)生產(chǎn)提供有力支持。

2" 結(jié)果與分析

2.1" 模型訓(xùn)練結(jié)果

ResNet50模型的batch_size設(shè)置為4，learng-rate設(shè)置為0.001，Epochs為30，weight_decay為0.000 01。訓(xùn)練過程的曲線如圖4所示，展示的是病害識別模塊蘋果種類病害的ResNet50模型訓(xùn)練曲線，包括訓(xùn)練集和驗(yàn)證集的準(zhǔn)確率信息以及誤差信息。

YOLOv5模型訓(xùn)練時，batch_size設(shè)置為4，learng-rate設(shè)置為0.01，Epochs為100，weight_decay為0.000 5。以雜草檢測的訓(xùn)練過程為例，圖5展示的是訓(xùn)練過程中訓(xùn)練集與驗(yàn)證集的loss值以及mAP值。

2.2" 模型檢測結(jié)果

系統(tǒng)病害識別結(jié)果如圖6所示，雜草檢測模塊的結(jié)果如圖7所示。

結(jié)果顯示ResNet50對常見的病害識別、缺水識別、缺微量元素識別、毒性植株識別都能達(dá)到99%的檢測準(zhǔn)確率。YOLOv5在進(jìn)行雜草檢測時，mAP 0.5達(dá)到了0.74，這均說明了本研究方法的準(zhǔn)確性。

3" 結(jié)論

本研究基于ResNet50與YOLOv5深度學(xué)習(xí)算法實(shí)現(xiàn)了對農(nóng)作物健康檢測的準(zhǔn)確檢測。為農(nóng)業(yè)生產(chǎn)提供了智能化的解決方案。該系統(tǒng)在病害識別、缺水識別、缺微量元素識別、毒性植株識別和雜草檢測等模塊均達(dá)到了良好的識別水平，具有較好的實(shí)用性。

參考文獻(xiàn)：

[1] 李瑩.基于深度學(xué)習(xí)的農(nóng)作物病害識別研究綜述[J].科技與創(chuàng)新，2024（17）：93-96.

[2] 周善良，李銳.基于卷積神經(jīng)網(wǎng)絡(luò)的農(nóng)作物病蟲害識別研究綜述[J].智慧農(nóng)業(yè)導(dǎo)刊，2024，4（17）：39-45.

[3] 岳喜申.深度學(xué)習(xí)在農(nóng)作物病害識別中的研究進(jìn)展[J].安徽農(nóng)學(xué)通報(bào)，2024，30（6）：100-103.

[4] 張金夢，張倩，王明，等.卷積神經(jīng)網(wǎng)絡(luò)及其在田間雜草管理中應(yīng)用的研究進(jìn)展[J].蔬菜，2024（7）：28-36.

[5] 李鳳妹，龔青松，李奔奔，等.基于改進(jìn)YOLO v5s模型的水稻病蟲害監(jiān)測系統(tǒng)[J].農(nóng)業(yè)工程技術(shù)，2024，44（20）：17-20.

[6] 左昊軒，黃祺成，楊佳昊，等.基于改進(jìn)YOLOv5s的番茄黃化曲葉病檢測方法[J/OL].農(nóng)業(yè)機(jī)械學(xué)報(bào)，1-11[2024-12-18].http：//kns.cnki.net/kcms/detail/11.1964.S.20230914.1408.025.html.

[7] 施杰，林雙雙，張威，等.基于輕量化改進(jìn)型YOLOv5s的玉米病蟲害檢測方法[J].江蘇農(nóng)業(yè)學(xué)報(bào)，2024，40（3）：427-437.

基金項(xiàng)目：廣東省教育廳重點(diǎn)領(lǐng)域?qū)ｍ?xiàng)（2022ZDZX4019）

第一作者簡介：吳霆（1985-），男，博士，副教授。研究方向?yàn)檗r(nóng)機(jī)信息化。