深度学习在农作物病害识别中的研究进展

岳喜申

（塔里木大学信息工程学院，新疆 阿拉尔 843300）

在农业生产中，农作物病虫害对农作物产量等造成巨大威胁。农作物病害的发生会阻碍农作物的健康生长，导致其产量和品质下降，影响粮食安全[1]。近年来，受气候、农业用水资源和耕地等因素的影响，植物病害的发生较为频繁[2]，为农业生产带来难题。

部分农作物病虫害检测和识别基于现场诊断进行，比较依赖人工或半自动方式，由农业专家或有经验的农户进行现场观察和判断，这种方法简单易行，但效率和时效性都有待提高，识别结果受个人经验和技术水平影响，无法完全满足快速发展的现代农业需求[3]。因此，亟须开发一种新的农作物病害识别方法来适应现代农业的发展。近年来，随着智慧农业迅猛发展，越来越多的学者致力于研究将深度学习技术应用于农作物病虫害的检测与识别。深度学习技术通过学习大量数据，能够有效模拟人脑神经网络进行分析和判断，在图像识别、声音识别和自然语言处理等方面表现突出。常用的深度学习网络模型主要有卷积神经网络（CNN）、递归神经网络（RNN）和生成对抗网络（GAN）。基于深度学习的农作物病害识别方法成为当前的研究热点。

本文探讨深度学习在农作物病害识别中的应用，详细介绍了其相关研究进展，并探讨利用深度学习进行病害识别所面临的主要挑战，提出了可能的解决方案。为相关领域的进一步研究提供参考。

1 深度学习在病虫害识别中存在的问题分析

1.1 田间环境方面

农田中存在各种复杂因素，如田间遮挡物、灰尘等，这些因素会对农作物病害图像的采集产生影响，导致图像输入的质量参差不齐，使得某些图像中可能会缺失关键病害信息。农田环境中土壤、植物残渣等颗粒物质的存在，容易导致图像出现模糊、噪点或者光线反射等问题，降低了图像质量，使得深度学习技术无法直接应用于田间农作物病害识别。

1.2 成本方面

实践中，深度学习技术在工业领域的应用较为广泛。将深度学习技术应用于农业领域时，成本控制非常关键。农作物检测需要运用大量的农田图像数据，相关数据需要由专业人员通过田间调查和图像采集等方式获取，这增加了数据获取的成本和复杂度。同时，深度学习模型通常需要在大规模的数据集上进行训练，这需要高性能的计算设备和大量的计算时间，尤其是对于复杂的模型和大规模的数据集，训练周期可能需要数天甚至数周，增加了训练模型的时间成本。此外，深度学习模型的部署和维护需要考虑成本，将模型应用于农田时，可能需要部署大量的传感器设备和计算设备来收集和处理农田数据，并实时检测农作物的生长状态。这加大了设备的购买、安装、维护和更新等成本。

1.3 数据量方面

对于野外环境下的病害识别任务，需要建立大规模、多种类和多类型的公开病害数据库。研究者通常有两种主要的数据采集方式：自行去田间采集数据，搜集互联网上的图片资源。

自行去田间采集数据较为常见，但也面临许多挑战。首先，需要投入大量的人力资源，因为病害的发生通常是季节性、地域性的，需要在特定时间和地点进行采集。其次，田间环境的复杂性导致数据采集存在困难，包括光照条件变化、遮挡物、病害程度和种类多样性等因素，都会对数据集的质量产生影响，使数据的标注和清洗存在困难。

从互联网上搜集图片资源时，部分图片质量可能参差不齐，部分图片的准确性和标注的一致性可能无法保证。此外，许多数据集不对外公开，这限制了不同深度学习模型之间的客观比较和验证，使得原有模型的优化和升级变得困难。

2 深度学习在农作物病害识别中的应用分析

2.1 应用优势

病虫害是农作物生产过程中导致产量与质量下降的重要因素之一。因此，对病虫害进行有效防治至关重要[4]。随着图像识别技术的广泛应用[5]，基于机器视觉的农作物病害图像识别方法备受关注。与传统识别方法相比，基于机器视觉的的农作物病害图像识别方法具有诸多优势。首先，具有较强的可移植性，可以在不同的农作物种类、农田环境以及拍摄设备下应用，无须大幅度调整或重新训练模型。其次，具有较高的时效性，可以快速对大量农作物图像进行分析，实时监测和检测作物的健康状况，及时采取相应的防治措施，从而避免病害的扩散和影响作物的产量和质量。最后，具有较高的准确率。通过利用大规模的训练数据和深度学习算法，可以学习和识别不同病害的特征和模式，从而提高识别的准确性，减少对特征设计的依赖。

2.2 主要技术

根据使用方法的不同，可以选择两种主要的农作物病害图像识别技术：基于传统机器学习算法的病害识别和基于深度学习的病害识别。

第一，传统机器学习算法的病害识别方法。该方法需要依靠人工设计的特征来进行分类和识别，这些特征的质量直接影响模型的性能[6]。在复杂、真实的自然环境下，由于农作物的生长状态和病害表现具有多样性，该方法往往无法准确捕捉到所有特征，导致识别结果不够理想[7]。

第二，基于深度学习的农作物病害图像识别方法。该方法在互联网、大数据等技术的支持下取得明显进展。深度学习模型能够通过大规模的训练数据自动学习特征，利用多层神经网络进行特征提取和分类，能够从图像中学习到更高级别的抽象特征，从而实现更准确的病害识别。

基于深度学习的农作物病害图像识别方法在性能上优于传统机器学习方法。现有的病虫害分类网络大多使用深度学习中的成熟网络结构，包括AlexNet、VGGNet 和ResNet 等。深度学习模型具有强大的表达能力和泛化能力，能够适应复杂、真实的自然环境，并在不同数据集上取得较好的泛化效果。随着深度学习技术的发展和硬件计算能力的提升，该方法在速度和准确性方面也得到了明显提升。

2.3 应用价值

基于深度学习的农作物病害图像识别方法具有较高的研究价值和广阔的应用前景[8]。它可以广泛应用于农业生产中的病害监测、预警和防治等工作，为农业工作者提供快速、准确的病害识别手段，提高作物产量和质量，减少农药的使用，推动农业可持续发展。

Kawasaki等[9]较早采用CNN 进行农作物病害识别，使用800 幅黄瓜病害图像，包括健康叶片和两种不同病害叶片类型，同时，使用4-fold 交叉验证方法进行训练，最终实现了94.9%的识别准确率。Karlekar 等[10]基于深度学习技术提出了一种用于复杂背景下的大豆叶片病害识别方法，设计了一个图像处理模块（IPM），训练在CNN 网络之前去除图像中的复杂背景，并分割出叶片部分，该模型的识别准确率达到了98.14%。这项研究结果表明，基于深度学习的方法在复杂背景下的大豆叶片病害识别方面取得了较好成果。这种方法不仅能识别常见的大豆病害，还能检测未知种类的病害，为大豆病害的早期预警和精准防治提供有力支持。王春山等[11]提出了一种改进型多尺度残差网络，用于农作物病害识别。该方法通过改变残差层的连接方式和对大卷积核进行分解，来减少模型的参数量，并设计一种轻量级的病害识别模型。首先，改变残差层的连接方式，采用新的结构，使得网络能更好地学习和表示复杂的病害特征。其次，对大卷积核进行分解，将其分解为多个小卷积核，从而减少模型的参数量，在保持较高识别准确率的同时，降低了模型的复杂度和对计算资源的消耗。王丹丹等[12]为解决苹果疏果期背景情况复杂、光照条件不稳定、障碍物和果实遮挡等问题，提出了一种基于RFCN 神经网络模型的苹果识别方法，取得了较高的准确率。该研究的优化在于采用R-FCN 神经网络模型，自动学习和提取苹果的特征，且具有较强的目标检测能力，能够应对光照条件不稳定、障碍物和果实遮挡等复杂情况，对复杂背景下的苹果进行准确检测和识别。孙俊等[13]在AlexNet 的基础上进行改进，采用批归一化方法，加入全局池化层以及缩减特征图数目的方法，共得到了8 种改进模型。利用改进的模型，对PlantVillage 数据库中的14 种植物的26 种病害进行识别，最优模型的平均测试识别准确率高达99.56%。这项研究的优化在于对AlexNet 进行了改进，通过引入批归一化方法，加快网络的收敛速度，提高模型的稳定性和准确性。此外，加入全局池化层可以提取更全局的特征信息，有助于更好地捕捉病害的特征。同时，缩减特征图数目可以降低模型的计算复杂度，提高模型的运行效率。

3 结论与讨论

在传统农业向现代农业转型的关键时期，农业生产将逐步从依赖单纯人力劳动和经验逐渐向数字化、智能化和自动化发展。随着信息技术的快速发展，智慧农业逐渐推广。基于深度学习实现农作物病害图像识别是未来的研究重点之一，包括将模型应用于实际场景中，与农业工作者紧密合作，实现技术转化和农业实践的推广。

基于深度学习的植物病害检测与识别技术已取得进展，实践中在自然环境下实施时会面临众多挑战，包括数据量不足、成本高昂、田间环境复杂和数据集获取困难等。为此，研究者需要共同努力，通过与农业机构、农民合作，共享田间数据等方式，建立大规模、多种类和多类型的公开病害数据库，利用充足的训练数据和实用模型，推动农业绿色可持续发展[14]。统一标准和协议，确保数据集的准确性和一致性。公开数据库可以为研究者提供更好的基准和参考，促进深度学习模型在农作物病害识别任务中的发展和优化。同时，可以采用高效的深度学习算法和模型架构[15]，减少计算资源的需求；利用分布式计算和云计算等技术，加速模型训练和推理过程；探索低成本的图像采集和传感器技术，以降低设备部署和维护的成本。

综上，本文对基于深度学习的农作物病害识别方法进行综述，介绍深度学习在农作物病害识别中的应用，从田间环境、成本和数据量等方面入手探讨其需要解决的一些问题，并对其发展进行了展望，为今后农作物病害识别的深入研究与发展提供参考。