田间病虫害监测智能识别.docx

摘要

我国是一个农业大国，有多种农作物在大规模种植，虽然历史悠久，但还是存在部分问题制约着农业的发展。其中农作物的病虫害就是限制农业发展的一大因素。例如，番茄和马铃薯的产量都会受到早疫病、晚疫病等数十种病害的影响，还有玉米也会受到灰斑病和叶枯病等病害的影响。及时采取措施对病株进行针对性治疗，便可以在一定程度上减少农作物产量的损失。目前，我国大多数农民对农作物病虫害的判别方法只停留在传统的实地目测上，通过农作物的外观表面形态等进行判断，往往多依赖于个人经验。所以如何快速、准确地判断农作物病虫害，已经成为智慧农业必须考虑的问题。为了解决上述问题，本文设计了多尺寸卷积核及最大值池化的轻量级卷积神经网络，一定程度减少了参数量，提高了识别正确率。为了进一步提高识别正确率，选取ImageNet进行迁移学习，提出了对卷积层进行批量归一化，加快了收敛速度，减轻了计算负担，并且通过训练最终能达到较高的准确率。本文通过对卷积神经网络进行迁移学习，设计并实现了能够快速、准确地判断农作物病虫害的模型，可以较好地解决农民在种植农作物的过程中遇到病虫害诊断准确率导致农作物产量减少等问题。

关键词：病害识别深度学习卷积神经网络迁移学习

1前言

1.1研究目的和意义

长期以来，农业生产在现代社会中都占据着重要地位，农作物的产量以及质品质接影响人们的生产生活。因此，在农业生产中田间农作物病虫害的有效识别和防治显得尤为重要。准确识别病虫害的类型是监视种群动态，揭

示灾难规律并科学指导预防和控制的基础(杨红珍，张建伟，李湘涛，2008；NeethirajanS,KarunakaranC,JayasDS,2007；张红涛,毛罕平，2008)。目前对植物病虫害的检测和鉴定主要依靠少数植物保护专家和农业技术人员来完成，通常的方法是使用人眼根据有害生物的形态特征，比如颜色、大小、形状等进行识别，然而人的视觉系统也往往存在各种不足,如主观性、局限性、缺乏持久性等（方如明，蔡健荣，许俐，2008），这都将大大降低病虫害识别的准确度。鉴于多种病虫害，每位植物保护专家或农业技术人员只能使用其专业知识识别部分病虫害;对于一些不常见的病虫害,往往需要充分了解其危害状况,还要查阅相关资料,甚至要结合显微镜才能进行准确的判断，这通常会延迟最佳的防治时间。此外,具备专业的农作物病虫害诊断知识的植保研究人员人数有限,所以往往无法满足广大农业生产者的实际需求（刘立波，2010）。因此,如何能够快速准确的诊断病虫害并及时做出相应的措施变得尤为重要。1.2国内外研究现状

数字图像处理技术在20世纪50年代出现，在60年代初成为正式的学科。在过去的20年中，随着数字图像处理技

术越来越专业和各种识别技术的日渐成熟，数字图像处理技术在农作物营养成分的诊断和识别，农产品质量检验等方面进行了广泛研究，并且在农业领域中显示出极大的发展潜力。但是图像识别技术在农作物病虫害方面的研究起步相对较晚,文献较少（王娜，2009）。

1.2.1国外研究现状国外对田间农作物病虫害的识别诊断研究开始于20世纪80年代。

YuatakaSASAKI研究了黄瓜炭疽病的自动识别技术。针对不同的光谱反射特性和各种光学滤波对病虫害识别的影响，并且采用遗传算法，从分光反射特性和形状特特征的角度出发，建立了识别参数,对黄瓜炭疽病进行了识别。

因为他们没有充分利用病害的颜色及纹理等特征信息,所以识别精度不高（YutakaSASAKI，TsuguoOkamoto，1999）。

MohammadSammany等利用遗传算法优化神经网络的参数和结构来识别农作物病虫害图像;同时使用支持向量机和神经网络两种方法来识别植物病害。后来,他们使用粗糙集来减少神经网络分类器的输入特征向量,从而高分类效率

（E1-HellyM.,El-BeltagyS.,andRafeaA.，2004）。

深度学习是一种自动识别植物病害的有前途的方法。利用卷积网络的参数共享，稀疏交互和变量表示，可以有效地减少网络参数，节省模型存储需求，提高网络的统计效率。近年来，利用深度学习方法在植物物种识别和害虫识别方面取得了一些进展。Geetharamani提出了一个9层的深度卷积神经网络的植物病害识别模型，该模型在开源数据集PlantVillage上对39个不同植物不同病害进行识别，最后该模型达到了96.46%的分类精度（GeetharamaniG,PandianA，2019）。Hang利用VGG16模型，Inception模块,SE模块,和全池平均化相结合的模型，对樱桃，苹果，玉米共10种病害进行识别，准确率达到91.7%,同时大大减少了训练时间和模型参数（HangJ,