基于YOLOv5的农林虫害检测系统设计

彭怀锋 许锁鹏

摘要：病虫害对稳定粮食产量、增加油料自给率等方面造成了严重威胁，需要引起广泛关注和高度重视。早期病虫害精准识别是预警和防控的关键，长期以来，对大多数传统农作物的虫害识别主要依赖于人工检测。文章为提升农作物病虫害检测的准确性与效率，设计了一种基于YOLOv5的农林害虫检测系统。该系统采用深度学习实现农林虫害检测，具有可视化界面，方便使用者操作，并可对农林中检测出的虫害给出提示和警报。

关键词：YOLOv5；虫害检测；模型；预警

中图分类号：TP29  文献标志码：A

0 引言

传统的害虫检测识别主要是通过田间调查法和物理诱捕法。田间调查法主要是依靠人工走访判断，由相关的专业人员到虫害现场进行害虫取样，并对其进行分析，从而得出水稻的虫害类别及其危害情况。物理诱捕法则是通过提前在农林中布防相关的诱捕器，使用这些诱捕器收集的害虫样本，进行分析。这2种方法的使用都需要大量的人力和物力，且方法的准确率低、主观性强，难以满足当前农作物健康生长的需要。

农作物产量和质量的稳定受到虫害问题的严重威胁。确保有效防治虫害的首要任务是对虫害的高效、准确识别与定位［1］，因此，开展半自动或全自动大规模病虫害精准识别研究与应用尤为重要。随着人工智能技术的不断进步，深度学习在虫害检测与定位领域的应用日益受到学者们的关注。深度学习技术通过提取图像特征，结合可视化方法，实现了对目标对象的精准识别与定位［2］。目前，以 Faster-RCNN［3］为代表的Two-Stage目标检测方法和以YOLO系列为代表的 One-Stage目标检测方法，在目标检测识别领域均得到了广泛应用，为提高农林虫害识别的准确性和效率提供了有力支持。为了提高农作物病虫害检测的精确度和效率，本文深入探讨了基于YOLOv5技术的农林害虫检测系统。该系统配备了直观的用户界面，旨在简化操作流程，使得使用者能够便捷地运用，从而辅助农户采取相应措施。

1 系统整体设计

软件系统的整体设计方案如下：首先，对设计过程中涉及的关键技术进行剖析；其次，针对目标用户群体的具体需求，详尽分析各项功能要求；最后，确定软件设计的整体逻辑与思路。

1.1 技术分析

该检测系统以Python语言为核心进行构建，并采用PyTorch框架进行模型的训练。PyTorch框架凭借灵活性、稳定性和高效性，显著提升了系统的开发效率和性能稳定性。在模型选择方面，本文采用YOLOv5模型。YOLOv5模型检测精度高，所占存储空间小，仅占用27 MB的存储空间［4］。作为一款One-Stage类模型，YOLOv5的运行速度迅捷，并支持在GPU上运行，从而大幅缩减了训练时间。为了方便用户操作，该系统采用了PyQt5模块设计图像用户界面。PyQt5是一组由Python编写的模块，作为一个跨平台工具集，能够在多种主流操作系统上运行［5］。

1.2 功能需求

该系统主要用于农林，其用户为管理人员和普通用户，因此，该系统需要有以下功能：实现对视频进行检测和实时监测；对发现的虫害做出提示；对视频的分析和检测速度应该尽可能快，减少延迟；系统界面应该简洁直观，方便使用者操作［6］。

1.3 视频检测设计

首先，启动软件运行程序。该程序将调用设备的摄像头功能，以获取实时的视频流数据。其次，程序将对获取的视频流进行判断，确认是否存在有效的视频输入［7］。若视频流正常，程序将进一步对视频流中的每一帧图像进行读取和识别处理。在此过程中，若识别到任何虫害迹象，系统将立即发出报警提示，同时继续捕获并处理后续的实时视频流数据。然而，若系统无法检测到有效的视频流，则将自动退出检测程序。视频流检测流程如图1所示。

2 模型的训练

2.1 数据获取

在数据获取阶段，数据集是从Roboflow［8］上的universe中收集的，总共有4200张图片。其中，类别标号1～12为longicorn（天牛）；13～24为grasshopper（蝗虫）；25～36为bee（蜜蜂）；37～48为fly（苍蝇）；49～60为mantis（螳螂）。

2.2 数据集格式转化和分类

鉴于在Roboflow上收集的数据集未经标注，而YOLOv5的训练要求每张图片有对应YOLO（TXT格式）的标签文件，因此，需进行手动打标签。笔者利用Roboflow平台的内置标注功能，在此平台完成了标注。此外，在模型训练之前，需将数据集划分为测试集、训练集和验证集3类。在本次数据集中，分配了790张图片作为测试集，3100张图片作为训练集以及310张图片作为验证集。

2.3 获得预训练权重并训练模型

为了优化模型训练的效率，首先加载预训练的权值，并启动网络训练。YOLOv5框架提供了多种不同尺寸规格的预训练权重，这些权重经过精心设计和训练，满足了用户多样化的需求。用户可以根据自身需求，选择最合适的预训练权重版本。

一般而言，预训练模型的权值文件体积越大，其在后续训练过程中的精度通常会越高。然而，这也意味着训练过程可能会消耗更多的计算资源，导致训练时长相应延长。在本训练数据集的实践中，本文选用了yolov5s.pt作为预训练权重文件。

2.4 模型评估

精确率（Precision）和召回率（Recall）是衡量模型性能的指标，取值范围为0～1［8］。当这2个指标的值越接近0时，表示模型的质量越差；而越接近1时，则表示模型的质量越高。然而，这2个指标仅从单一角度评价模型性能，因此，在进一步评估模型时，通常会采用均值平均精度（mAP）这一指标。通常，精确率和召回率之间存在负相关关系，当mAP值趋近于0.8时，可以认为该模型的性能相对较好。

3 系统的实现与测试

3.1 系统开发环境测试

经过严格筛选和测试，本系统的开发采用了GeForce GTX 3060这一高性能PC级GPU，同时辅以64位Windows11操作系统，确保系统的稳定性和兼容性达到最佳状态。深度学习库选用PyTorch作为计算框架，使用anaconda创建虚拟环境；图形化界面设计采用PyQt5框架实现；系统的开发环境则使用PyCharm集成开发环境进行代码编辑与调试。

3.2 系统功能实现

通过选择视频文件检测选项，并将待检测视频上传至系统，用户可在软件界面上直接查看检测结果。如图2所示，检测结果将标注出每个检测到的害虫，并同时展示其置信度。此外，系统将在检测到虫害时发出报警，以便用户及时采取应对措施。

4 结语

农林虫害检测是农林治理和解决农林虫害的基础，如何快速准确地检测并识别虫害是难点之一。采用深度学习技术进行虫害检测已经成为害虫检测领域的发展趋势。为了推动深度学习方法在水稻虫害检测领域的应用，本文设计了一种基于YOLOv5技术的农林害虫检测系统。该系统的实现有效地提高了虫害预警的效率，降低了农林监管的人工成本。后续，笔者还将继续研究以下内容：（1）鉴于未来需求的持续演变，该系统将持续进行功能与性能的优化与拓展，旨在提升功能的完备性，以满足多样化的使用场景需求。（2）在检测视频时，从出现虫害至系统弹出报警信息，系统会有一定的延时，因此，系统实时性还需要继续提高。

参考文献

［1］李娇，葛艳，刘玉鹏.基于改进YOLOv5的昏暗小目标交通标志识别［J］.计算机系统应用，2023（5）：172-179.

［2］陈辉东，丁小燕，刘艳霞.基于深度学习的目标检测算法综述［J］.北京联合大学学报，2021（3）：39-46.

［3］李映松，杨爱英，刘轩，等.基于Transformer改进的Faster-Rcnn仓储箱体检测算法［J］.自动化与仪器仪表，2022（8）：1-6.

［4］李青云，李燕，卢峥松，等.轻量化超参数卷积神经网络的安全帽检测算法［J］.现代计算机，2022（11）：60-66.

［5］刘佳梁.基于Qt5开发的面向工业设备的状态监视及控制软件［J］.电脑知识与技术，2023（20）：70-72.

［6］徐炳文.基于C#的远程智能视频监控系统的设计与实现［J］.网络安全技术与应用，2023（10）：49-52.

［7］雷明.机器学习：原理，算法与应用［M］.北京：清华大学出版社，2019.

［8］COOK J A，RAMADAS V.When to consult precision-recall curves［J］.The Stata Journal，2020（1）：131-148.

（编辑 王雪芬）

Design of agricultural and forestry pest detection system based on YOLOv5

PENG  Huaifeng， XU  Suopeng

（School of Intelligent Equipment Engineering， Wuxi Taihu University， Wuxi 214064， China）

Abstract：  Diseases and insect pests pose a serious threat to stable grain production and increase the self-sufficiency rate of oil， which needs to be widely concerned and highly valued. Early accurate identification of pests and diseases is the key to early warning and control， for a long time， the pest identification of most traditional crops mainly relies on manual detection. In order to improve the accuracy and efficiency of crop pest detection， a YOLOv5 based agricultural and forestry pest detection system was studied in this paper. The system use deep learning for pest detection in agriculture and forestry， has a visual interface， which is convenient for users to operate， and at the same time gives tips and alerts for detected pests in agriculture and forestry.

Key words： YOLOv5; pest detection; model; warning