DOI：10.16627/j.cnki.cn22-1215/s.2024.03.079

摘 要：大白菜是農(nóng)業(yè)生產(chǎn)中重要的蔬菜作物之一，蟲(chóng)害會(huì)嚴(yán)重威脅到大白菜的生長(zhǎng)，也會(huì)影響到產(chǎn)量與種植者的經(jīng)濟(jì)收入。傳統(tǒng)大白菜蟲(chóng)害識(shí)別技術(shù)存在對(duì)圖像特定特征依賴性強(qiáng)、識(shí)別效率低等問(wèn)題。為此，針對(duì)大白菜蟲(chóng)害目標(biāo)檢測(cè)和分類過(guò)程中最常見(jiàn)的幾類問(wèn)題，研究了常見(jiàn)典型蟲(chóng)害進(jìn)行智能識(shí)別的深度學(xué)習(xí)方法，進(jìn)一步通過(guò)實(shí)驗(yàn)驗(yàn)證有效性。本文的主要研究?jī)?nèi)容可概括如下：

針對(duì)已有目標(biāo)檢測(cè)方法準(zhǔn)確率有待提高的問(wèn)題，本文在建立了大白菜蟲(chóng)害數(shù)據(jù)集的基礎(chǔ)之上，1、通過(guò)引入CBAM注意力機(jī)制，使得研究中能夠明確不同特征之間的關(guān)系，提高整體的精確度。2、改進(jìn)Yolov8主干網(wǎng)絡(luò)，將國(guó)產(chǎn)曠視科技團(tuán)隊(duì)在 2018 年提出的輕量級(jí)網(wǎng)絡(luò)ShuffleNetV2替換Yolov8主干網(wǎng)絡(luò)。 實(shí)驗(yàn)結(jié)果表明所提出的方法的識(shí)別精度達(dá)到了 98.8%，推斷速度上達(dá)到8.30it/s，對(duì)比實(shí)驗(yàn)證明了基于改進(jìn)的YOLOV8深度學(xué)習(xí)模型的大白菜害蟲(chóng)識(shí)別方法的有效性。

關(guān)鍵詞：大白菜；蟲(chóng)害；深度學(xué)習(xí)；YOLOV8；算法

1 引言

大白菜是我國(guó)重要蔬菜之一，但常遭蟲(chóng)害，影響產(chǎn)量和品質(zhì)[1]。傳統(tǒng)的蟲(chóng)害檢測(cè)方法依賴人工，效率低，準(zhǔn)確度差[2]。近年來(lái)，視覺(jué)設(shè)計(jì)與深度計(jì)算機(jī)學(xué)習(xí)大力發(fā)展，可以通過(guò)分析圖像中的特征，自動(dòng)定位、分類和評(píng)估蟲(chóng)害。這種方法具有高效、準(zhǔn)確和智能的優(yōu)勢(shì)。

本文提出了一種基于深度學(xué)習(xí)的大白菜蟲(chóng)害識(shí)別方法，利用YOLOV8實(shí)現(xiàn)目標(biāo)檢測(cè)，提取并分類蟲(chóng)害特征，實(shí)現(xiàn)對(duì)不同種類的蟲(chóng)害的準(zhǔn)確識(shí)別，為病蟲(chóng)害防治提供了參考依據(jù)。

2 深度學(xué)習(xí)在病害蟲(chóng)識(shí)別中的研究現(xiàn)狀

在國(guó)內(nèi)，張博提出使用卷積神經(jīng)網(wǎng)絡(luò)識(shí)別害蟲(chóng)，通過(guò)網(wǎng)絡(luò)識(shí)別技術(shù)能夠有效采集害蟲(chóng)信息，從種類、習(xí)性等了解害蟲(chóng)的實(shí)際情況，并通過(guò)實(shí)驗(yàn)進(jìn)行驗(yàn)證，識(shí)別度高達(dá)88%以上[3]。國(guó)外學(xué)者Kawasaki也提出使用神經(jīng)網(wǎng)絡(luò)識(shí)別系統(tǒng)，精準(zhǔn)率高達(dá)90%以上[4]。

對(duì)比近些年來(lái)，此方面研究文獻(xiàn)及期刊，目前研究者們主要還是以糧食作物研究為主，發(fā)現(xiàn)以深度學(xué)習(xí)為基礎(chǔ)研究大白菜病蟲(chóng)害的研究人員極少。

2.1 YOLOV8

本文使用YOLOV8檢測(cè)圖像中的目標(biāo)，YOLOV8將圖像分成網(wǎng)格，每個(gè)網(wǎng)格都可以用來(lái)檢測(cè)類別概率[5]。YOLOV8網(wǎng)絡(luò)分成了三部分，分別是Backbone主干網(wǎng)絡(luò)、Neck層網(wǎng)絡(luò)、Head層網(wǎng)絡(luò)。Backbone（主干網(wǎng)絡(luò)）負(fù)責(zé)從輸入圖像中提取特征，將圖像轉(zhuǎn)化為具有豐富語(yǔ)義信息的特征表示。Neck（頸部，連接部）是一個(gè)中間層，用于對(duì)來(lái)自 backbone 的特征進(jìn)行融合，以提升模型的性能。Head（任務(wù)頭）是模型的最后一層，其結(jié)構(gòu)會(huì)根據(jù)不同的任務(wù)而有所不同。

2.2 主干網(wǎng)絡(luò)改進(jìn)

主干網(wǎng)絡(luò)改進(jìn)是一種新的運(yùn)算方式，簡(jiǎn)化圖形特征并分為兩個(gè)維度，在此基礎(chǔ)上，左邊作為映射，右邊連續(xù)卷積，輸入輸出通道相似。

2.3 特征加強(qiáng)提取網(wǎng)絡(luò)改進(jìn)

在特征加強(qiáng)提取網(wǎng)絡(luò)引入混合域注意力機(jī)制CBAM。CBAM注意力機(jī)制是由通道注意力機(jī)制（channel）和空間注意力機(jī)制（spatial）組成。

3 大白菜蟲(chóng)害圖像數(shù)據(jù)集

為了實(shí)現(xiàn)基于深度學(xué)習(xí)的大白菜蟲(chóng)害識(shí)別，本文首先需要構(gòu)建一個(gè)包含多種大白菜品種和蟲(chóng)害類型的圖像數(shù)據(jù)集。本文收集了來(lái)自不同地區(qū)、不同季節(jié)、不同環(huán)境的大白菜圖像，共計(jì)約3000張，涵蓋了大白菜的生長(zhǎng)周期和病蟲(chóng)害發(fā)生過(guò)程。研究通過(guò)對(duì)圖像進(jìn)行收集預(yù)處理，還通過(guò)剪裁、旋轉(zhuǎn)、縮放、增強(qiáng)等操作，以提高圖像的質(zhì)量和多樣性。本文還對(duì)圖像進(jìn)行了標(biāo)注，包括邊界框和類別標(biāo)簽。本文標(biāo)注了以下幾種大白菜蟲(chóng)害類型：蚜蟲(chóng)（Aphid）、鼻涕蟲(chóng)（slug）、尺蛾（lep）、甜菜夜蛾（beet army worm）。本文將收集并標(biāo)注好的圖像數(shù)據(jù)集分為訓(xùn)練集、驗(yàn)證集和測(cè)試集三個(gè)部分，比例為8：1：1，用于訓(xùn)練、驗(yàn)證和測(cè)試深度學(xué)習(xí)模型。

4 實(shí)驗(yàn)結(jié)果與分析

4.1 實(shí)驗(yàn)配置

研究中采用 py～ torch 作為平臺(tái)，實(shí)驗(yàn)硬件環(huán)境為 ： Inter core i9～11800" CPU、16GB內(nèi)存、NVIDIA GeForce RTX 4060 Laptop GPU顯卡。

4.2 實(shí)驗(yàn)結(jié)果與分析

αmAP是指所有圖片內(nèi)所有類別平均精度的平均值，it/s指所有圖片內(nèi)所有類別平均推理速度的平均值。

4.2.1 實(shí)驗(yàn)結(jié)果與分析改進(jìn)模型的可視化檢測(cè)結(jié)果

為了更加直觀地看出 YOLOv8 模型與最終改進(jìn) YOLOv8 模型對(duì)大白菜蟲(chóng)害的識(shí)別效果，選擇了帶有蟲(chóng)害的大白菜葉片進(jìn)行檢測(cè)。 圖 1、2 是兩種模型對(duì)大白菜蟲(chóng)害檢測(cè)的效果。

4.2.2 消融實(shí)驗(yàn)

進(jìn)行數(shù)據(jù)采集，在此基礎(chǔ)上進(jìn)行消融實(shí)驗(yàn)，確保網(wǎng)絡(luò)設(shè)置、訓(xùn)練、平臺(tái)等多方面保持一致，從而通過(guò)增加模塊版本，進(jìn)一步通過(guò)實(shí)驗(yàn)實(shí)現(xiàn)整體的設(shè)計(jì)與對(duì)比，結(jié)果如表 1 所示。

5 總結(jié)和展望

本文提出了一種基于深度學(xué)習(xí)的大白菜蟲(chóng)害識(shí)別方法，主要包括目標(biāo)檢測(cè)、特征提取和分類等步驟。本文的主要貢獻(xiàn)和創(chuàng)新點(diǎn)有以下幾個(gè)方面：（1）本文提出了一種基于深度學(xué)習(xí)的大白菜蟲(chóng)害識(shí)別方法，是一種端到端的深度學(xué)習(xí)模型，能夠?qū)崿F(xiàn)從輸入圖像到輸出結(jié)果的自動(dòng)化處理。（2）本文使用了改進(jìn)的YOLOV8算法進(jìn)行目標(biāo)檢測(cè)，YOLOV8是目前最先進(jìn)的目標(biāo)檢測(cè)算法之一，具有檢測(cè)速度快、準(zhǔn)確率高、泛化能力強(qiáng)等優(yōu)點(diǎn)，能夠適應(yīng)不同的場(chǎng)景和任務(wù)。（3）本文構(gòu)建了一個(gè)包含多種大白菜品種和蟲(chóng)害類型的圖像數(shù)據(jù)集，為大白菜蟲(chóng)害識(shí)別提供了豐富的數(shù)據(jù)資源，同時(shí)也為其他相關(guān)研究提供了參考。

本文的不足和局限性有以下幾個(gè)方面：（1）本文所構(gòu)建的數(shù)據(jù)集規(guī)模還不夠大，可能存在一些噪聲和偏差，影響模型的泛化能力。未來(lái)可以通過(guò)收集更多的數(shù)據(jù)，對(duì)數(shù)據(jù)進(jìn)行清洗和增強(qiáng)，提高數(shù)據(jù)集的質(zhì)量和多樣性。（2）本文所使用的深度學(xué)習(xí)模型還有一些參數(shù)需要調(diào)整和優(yōu)化，可能存在一些過(guò)擬合或欠擬合的情況，影響模型的穩(wěn)定性和效率。未來(lái)可以通過(guò)使用更先進(jìn)的優(yōu)化算法、正則化方法、損失函數(shù)等技術(shù)，提高模型的優(yōu)化效果和性能。（3）本文所實(shí)現(xiàn)的蟲(chóng)害識(shí)別任務(wù)還比較簡(jiǎn)單，只涉及到幾種常見(jiàn)的蟲(chóng)害類型。未來(lái)可以通過(guò)擴(kuò)展更多的蟲(chóng)害類型、考慮更多的影響因素、引入更多的輔助信息等方式，提高蟲(chóng)害識(shí)別任務(wù)的復(fù)雜性和實(shí)用性。

參考文獻(xiàn)

[1]馬平，王輝. 大白菜蟲(chóng)害綜合防治[J]．吉林農(nóng)業(yè)C版，2011（8）：73.

[2]馬秀英，馬松林. 大白菜蟲(chóng)害的防治技術(shù)[J]．河北農(nóng)業(yè)，2004（9）：14.

[3]程曦， 吳云志， 張友華， 等. 基于深度卷積神經(jīng)網(wǎng)絡(luò)的儲(chǔ)糧害蟲(chóng)圖像識(shí)別[J]．中國(guó)農(nóng)學(xué)通報(bào)， 2018，34（01）：154-158.

[4]Kawasaki Y， Uga H， Kagiwada S， et al. Basic study of automated diagnosis of viral plant diseasesusing convolutional neural networks[C]//International Symposium on Visual Computing. Springer，Cham， 2015： 638-645.

[5]杜寶俠，唐友，辛鵬，等. 基于改進(jìn)YOLOv8的蘋(píng)果檢測(cè)方法[J]． 無(wú)線互聯(lián)科技，2023，20（13）：119-122.

收稿日期：2024.07.11

作者簡(jiǎn)介：魏靜（1987.8- ），女 ，漢族 ，山東濰坊，碩士 ，研究方向：深度學(xué)習(xí)、智慧農(nóng)業(yè)。