基于深度学习的农作物健康检测实现

摘" 要：为帮助人们解决农作物健康问题，提升农业生产的效率和质量，该研究基于ResNet50与YOLOv5深度学习算法，设计并实现一个应用于农业领域的多模块图像检测系统，并使用PyQt5技术进行可视化。通过数据增强、学习率优化、超参数调整以及迁移学习操作，实现ResNet50与YOLOv5模型对农作物病虫害和健康的准确检测；验证结果表明该系统在病害识别、缺水识别、缺微量元素识别、毒性植株识别和杂草检测等模块均达到良好的识别水平，证明该系统的可行性与实用性。

关键词：深度学习；ResNet50；YOLOv5；病害识别；杂草检测

中图分类号：TP18" " " 文献标志码：A" " " " " 文章编号：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

农作物的健康状况直接关系到农业生产的产量和质量，进而影响粮食安全和经济发展。准确检测农作物的缺水情况、缺微量元素、病害、植株毒性和杂草等问题，对于及时采取相应的防治措施至关重要。通过有效的健康检测，可以提高农作物的成活率和品质，降低因病虫害等问题导致的损失。此外，农作物健康检测还可以为农业资源的合理分配提供依据，例如根据检测结果精准施肥、浇水，提高资源利用效率，减少对环境的污染。同时，对农产品品质的检测以及病虫害的预警，能够保障食品安全，提升农产品的市场竞争力，增加农民收益，为农村经济发展注入强大动力。

传统的农作物健康检测方法主要依赖人工观察和经验判断，存在着诸多局限性。一方面，人工检测效率低下，难以满足大规模农业生产的需求；另一方面，人工检测的准确性和可靠性受主观因素影响较大，容易出现误判和漏判。此外，传统检测方法往往无法及时发现潜在的问题，导致病虫害等问题在大面积扩散后才被察觉，此时采取措施往往效果不佳，且成本较高。随着农业生产规模的不断扩大和对农产品质量要求的日益提高，传统检测方法已无法适应现代农业发展的需要[1]。

深度学习算法的出现为农作物健康检测带来了新的机遇。它推动了计算机视觉领域的发展，使得计算机视觉技术在农作物健康检测中越来越成熟和普及。深度学习算法能够自动学习和提取图像中的特征，具有更高的准确性和鲁棒性。与传统方法相比，深度学习可以快速处理大量的图像数据，实现对农作物健康状况的实时监测[2-3]。本研究基于ResNet50与YOLOv5深度学习算法，设计并实现了一个应用于农业领域的多模块图像检测系统，如图1所示，为农业生产提供了智能化的解决方案。该系统在病害识别、缺水识别、缺微量元素识别、毒性植株识别和杂草检测等模块均达到了良好的识别水平，证明了其可行性与实用性。

1" 材料与方法

1.1" 数据采集与标注

分类数据集的数据集包括笔者独自制作的数据集和采用Kaggle数据集。其中病害识别模块共有苹果种类3种病害数据集9 000余张，葡萄种类3种病害数据集4 000余张，玉米种类3种病害数据集4 000余张；缺微量元素识别模块数据集共有5 000余张；缺水识别模块数据集共4 000余张；毒性植株识别模块数据集11 000余张；杂草检测模块数据集共5 000余份。本系统中的杂草检测模块的实现，除了要提供杂草图片的数据集，还需要对作物图片中需要检测的杂草目标采用labelimg图像标注工具进行处理，如图2所示。

1.2" 模型构建

本研究利用深度学习分类算法ResNet50[4]对农作物进行缺水情况识别、缺微量元素识别、病害识别和植株毒性识别，并利用YOLOv5[5]目标检测算法对作物进行杂草检测，从而实现对农作物健康的实时监测和管理。ResNet50是一种深度残差网络，如图3所示。它通过引入残差块，有效解决了随着网络深度增加而出现的梯度消失问题。在图像分类等任务中表现出色，能够自动学习图像特征，对农作物健康检测中的病害等分类任务有很强的适用性。

YOLOv5是一种目标检测算法。它具有快速、准确的特点，能够实时检测图像中的目标物体。YOLOv5的原理是将输入图像划分为多个网格。每个网格负责预测中心点落在该网格内的目标[6]。它通过卷积神经网络提取图像特征，生成不同尺度的特征图以检测不同大小的目标。在特征图上，每个网格会预测多个边界框以及对应的类别概率和置信度。通过非极大值抑制等后处理操作，去除冗余的边界框，得到最终的目标检测结果[7]。YOLOv5在农作物健康检测中可准确检测病虫害、杂草等目标，为农业生产提供有力支持。

2" 结果与分析

2.1" 模型训练结果

ResNet50模型的batch_size设置为4，learng-rate设置为0.001，Epochs为30，weight_decay为0.000 01。训练过程的曲线如图4所示，展示的是病害识别模块苹果种类病害的ResNet50模型训练曲线，包括训练集和验证集的准确率信息以及误差信息。

YOLOv5模型训练时，batch_size设置为4，learng-rate设置为0.01，Epochs为100，weight_decay为0.000 5。以杂草检测的训练过程为例，图5展示的是训练过程中训练集与验证集的loss值以及mAP值。

2.2" 模型检测结果

系统病害识别结果如图6所示，杂草检测模块的结果如图7所示。

结果显示ResNet50对常见的病害识别、缺水识别、缺微量元素识别、毒性植株识别都能达到99%的检测准确率。YOLOv5在进行杂草检测时，mAP 0.5达到了0.74，这均说明了本研究方法的准确性。

3" 结论

本研究基于ResNet50与YOLOv5深度学习算法实现了对农作物健康检测的准确检测。为农业生产提供了智能化的解决方案。该系统在病害识别、缺水识别、缺微量元素识别、毒性植株识别和杂草检测等模块均达到了良好的识别水平，具有较好的实用性。

参考文献：

[1] 李莹.基于深度学习的农作物病害识别研究综述[J].科技与创新，2024（17）：93-96.

[2] 周善良，李锐.基于卷积神经网络的农作物病虫害识别研究综述[J].智慧农业导刊，2024，4（17）：39-45.

[3] 岳喜申.深度学习在农作物病害识别中的研究进展[J].安徽农学通报，2024，30（6）：100-103.

[4] 张金梦，张倩，王明，等.卷积神经网络及其在田间杂草管理中应用的研究进展[J].蔬菜，2024（7）：28-36.

[5] 李凤妹，龚青松，李奔奔，等.基于改进YOLO v5s模型的水稻病虫害监测系统[J].农业工程技术，2024，44（20）：17-20.

[6] 左昊轩，黄祺成，杨佳昊，等.基于改进YOLOv5s的番茄黄化曲叶病检测方法[J/OL].农业机械学报，1-11[2024-12-18].http：//kns.cnki.net/kcms/detail/11.1964.S.20230914.1408.025.html.

[7] 施杰，林双双，张威，等.基于轻量化改进型YOLOv5s的玉米病虫害检测方法[J].江苏农业学报，2024，40（3）：427-437.

基金项目：广东省教育厅重点领域专项（2022ZDZX4019）

第一作者简介：吴霆（1985-），男，博士，副教授。研究方向为农机信息化。