彭懷鋒 許鎖鵬

摘要：病蟲(chóng)害對(duì)穩(wěn)定糧食產(chǎn)量、增加油料自給率等方面造成了嚴(yán)重威脅，需要引起廣泛關(guān)注和高度重視。早期病蟲(chóng)害精準(zhǔn)識(shí)別是預(yù)警和防控的關(guān)鍵，長(zhǎng)期以來(lái)，對(duì)大多數(shù)傳統(tǒng)農(nóng)作物的蟲(chóng)害識(shí)別主要依賴于人工檢測(cè)。文章為提升農(nóng)作物病蟲(chóng)害檢測(cè)的準(zhǔn)確性與效率，設(shè)計(jì)了一種基于YOLOv5的農(nóng)林害蟲(chóng)檢測(cè)系統(tǒng)。該系統(tǒng)采用深度學(xué)習(xí)實(shí)現(xiàn)農(nóng)林蟲(chóng)害檢測(cè)，具有可視化界面，方便使用者操作，并可對(duì)農(nóng)林中檢測(cè)出的蟲(chóng)害給出提示和警報(bào)。

關(guān)鍵詞：YOLOv5；蟲(chóng)害檢測(cè)；模型；預(yù)警

中圖分類號(hào)：TP29? 文獻(xiàn)標(biāo)志碼：A

0 引言

傳統(tǒng)的害蟲(chóng)檢測(cè)識(shí)別主要是通過(guò)田間調(diào)查法和物理誘捕法。田間調(diào)查法主要是依靠人工走訪判斷，由相關(guān)的專業(yè)人員到蟲(chóng)害現(xiàn)場(chǎng)進(jìn)行害蟲(chóng)取樣，并對(duì)其進(jìn)行分析，從而得出水稻的蟲(chóng)害類別及其危害情況。物理誘捕法則是通過(guò)提前在農(nóng)林中布防相關(guān)的誘捕器，使用這些誘捕器收集的害蟲(chóng)樣本，進(jìn)行分析。這2種方法的使用都需要大量的人力和物力，且方法的準(zhǔn)確率低、主觀性強(qiáng)，難以滿足當(dāng)前農(nóng)作物健康生長(zhǎng)的需要。

農(nóng)作物產(chǎn)量和質(zhì)量的穩(wěn)定受到蟲(chóng)害問(wèn)題的嚴(yán)重威脅。確保有效防治蟲(chóng)害的首要任務(wù)是對(duì)蟲(chóng)害的高效、準(zhǔn)確識(shí)別與定位［1］，因此，開(kāi)展半自動(dòng)或全自動(dòng)大規(guī)模病蟲(chóng)害精準(zhǔn)識(shí)別研究與應(yīng)用尤為重要。隨著人工智能技術(shù)的不斷進(jìn)步，深度學(xué)習(xí)在蟲(chóng)害檢測(cè)與定位領(lǐng)域的應(yīng)用日益受到學(xué)者們的關(guān)注。深度學(xué)習(xí)技術(shù)通過(guò)提取圖像特征，結(jié)合可視化方法，實(shí)現(xiàn)了對(duì)目標(biāo)對(duì)象的精準(zhǔn)識(shí)別與定位［2］。目前，以 Faster-RCNN［3］為代表的Two-Stage目標(biāo)檢測(cè)方法和以YOLO系列為代表的 One-Stage目標(biāo)檢測(cè)方法，在目標(biāo)檢測(cè)識(shí)別領(lǐng)域均得到了廣泛應(yīng)用，為提高農(nóng)林蟲(chóng)害識(shí)別的準(zhǔn)確性和效率提供了有力支持。為了提高農(nóng)作物病蟲(chóng)害檢測(cè)的精確度和效率，本文深入探討了基于YOLOv5技術(shù)的農(nóng)林害蟲(chóng)檢測(cè)系統(tǒng)。該系統(tǒng)配備了直觀的用戶界面，旨在簡(jiǎn)化操作流程，使得使用者能夠便捷地運(yùn)用，從而輔助農(nóng)戶采取相應(yīng)措施。

1 系統(tǒng)整體設(shè)計(jì)

軟件系統(tǒng)的整體設(shè)計(jì)方案如下：首先，對(duì)設(shè)計(jì)過(guò)程中涉及的關(guān)鍵技術(shù)進(jìn)行剖析；其次，針對(duì)目標(biāo)用戶群體的具體需求，詳盡分析各項(xiàng)功能要求；最后，確定軟件設(shè)計(jì)的整體邏輯與思路。

1.1 技術(shù)分析

該檢測(cè)系統(tǒng)以Python語(yǔ)言為核心進(jìn)行構(gòu)建，并采用PyTorch框架進(jìn)行模型的訓(xùn)練。PyTorch框架憑借靈活性、穩(wěn)定性和高效性，顯著提升了系統(tǒng)的開(kāi)發(fā)效率和性能穩(wěn)定性。在模型選擇方面，本文采用YOLOv5模型。YOLOv5模型檢測(cè)精度高，所占存儲(chǔ)空間小，僅占用27 MB的存儲(chǔ)空間［4］。作為一款One-Stage類模型，YOLOv5的運(yùn)行速度迅捷，并支持在GPU上運(yùn)行，從而大幅縮減了訓(xùn)練時(shí)間。為了方便用戶操作，該系統(tǒng)采用了PyQt5模塊設(shè)計(jì)圖像用戶界面。PyQt5是一組由Python編寫的模塊，作為一個(gè)跨平臺(tái)工具集，能夠在多種主流操作系統(tǒng)上運(yùn)行［5］。

1.2 功能需求

該系統(tǒng)主要用于農(nóng)林，其用戶為管理人員和普通用戶，因此，該系統(tǒng)需要有以下功能：實(shí)現(xiàn)對(duì)視頻進(jìn)行檢測(cè)和實(shí)時(shí)監(jiān)測(cè)；對(duì)發(fā)現(xiàn)的蟲(chóng)害做出提示；對(duì)視頻的分析和檢測(cè)速度應(yīng)該盡可能快，減少延遲；系統(tǒng)界面應(yīng)該簡(jiǎn)潔直觀，方便使用者操作［6］。

1.3 視頻檢測(cè)設(shè)計(jì)

首先，啟動(dòng)軟件運(yùn)行程序。該程序?qū)⒄{(diào)用設(shè)備的攝像頭功能，以獲取實(shí)時(shí)的視頻流數(shù)據(jù)。其次，程序?qū)?duì)獲取的視頻流進(jìn)行判斷，確認(rèn)是否存在有效的視頻輸入［7］。若視頻流正常，程序?qū)⑦M(jìn)一步對(duì)視頻流中的每一幀圖像進(jìn)行讀取和識(shí)別處理。在此過(guò)程中，若識(shí)別到任何蟲(chóng)害跡象，系統(tǒng)將立即發(fā)出報(bào)警提示，同時(shí)繼續(xù)捕獲并處理后續(xù)的實(shí)時(shí)視頻流數(shù)據(jù)。然而，若系統(tǒng)無(wú)法檢測(cè)到有效的視頻流，則將自動(dòng)退出檢測(cè)程序。視頻流檢測(cè)流程如圖1所示。

2 模型的訓(xùn)練

2.1 數(shù)據(jù)獲取

在數(shù)據(jù)獲取階段，數(shù)據(jù)集是從Roboflow［8］上的universe中收集的，總共有4200張圖片。其中，類別標(biāo)號(hào)1～12為longicorn（天牛）；13～24為grasshopper（蝗蟲(chóng)）；25～36為bee（蜜蜂）；37～48為fly（蒼蠅）；49～60為mantis（螳螂）。

2.2 數(shù)據(jù)集格式轉(zhuǎn)化和分類

鑒于在Roboflow上收集的數(shù)據(jù)集未經(jīng)標(biāo)注，而YOLOv5的訓(xùn)練要求每張圖片有對(duì)應(yīng)YOLO（TXT格式）的標(biāo)簽文件，因此，需進(jìn)行手動(dòng)打標(biāo)簽。筆者利用Roboflow平臺(tái)的內(nèi)置標(biāo)注功能，在此平臺(tái)完成了標(biāo)注。此外，在模型訓(xùn)練之前，需將數(shù)據(jù)集劃分為測(cè)試集、訓(xùn)練集和驗(yàn)證集3類。在本次數(shù)據(jù)集中，分配了790張圖片作為測(cè)試集，3100張圖片作為訓(xùn)練集以及310張圖片作為驗(yàn)證集。

2.3 獲得預(yù)訓(xùn)練權(quán)重并訓(xùn)練模型

為了優(yōu)化模型訓(xùn)練的效率，首先加載預(yù)訓(xùn)練的權(quán)值，并啟動(dòng)網(wǎng)絡(luò)訓(xùn)練。YOLOv5框架提供了多種不同尺寸規(guī)格的預(yù)訓(xùn)練權(quán)重，這些權(quán)重經(jīng)過(guò)精心設(shè)計(jì)和訓(xùn)練，滿足了用戶多樣化的需求。用戶可以根據(jù)自身需求，選擇最合適的預(yù)訓(xùn)練權(quán)重版本。

一般而言，預(yù)訓(xùn)練模型的權(quán)值文件體積越大，其在后續(xù)訓(xùn)練過(guò)程中的精度通常會(huì)越高。然而，這也意味著訓(xùn)練過(guò)程可能會(huì)消耗更多的計(jì)算資源，導(dǎo)致訓(xùn)練時(shí)長(zhǎng)相應(yīng)延長(zhǎng)。在本訓(xùn)練數(shù)據(jù)集的實(shí)踐中，本文選用了yolov5s.pt作為預(yù)訓(xùn)練權(quán)重文件。

2.4 模型評(píng)估

精確率（Precision）和召回率（Recall）是衡量模型性能的指標(biāo)，取值范圍為0～1［8］。當(dāng)這2個(gè)指標(biāo)的值越接近0時(shí)，表示模型的質(zhì)量越差；而越接近1時(shí)，則表示模型的質(zhì)量越高。然而，這2個(gè)指標(biāo)僅從單一角度評(píng)價(jià)模型性能，因此，在進(jìn)一步評(píng)估模型時(shí)，通常會(huì)采用均值平均精度（mAP）這一指標(biāo)。通常，精確率和召回率之間存在負(fù)相關(guān)關(guān)系，當(dāng)mAP值趨近于0.8時(shí)，可以認(rèn)為該模型的性能相對(duì)較好。

3 系統(tǒng)的實(shí)現(xiàn)與測(cè)試

3.1 系統(tǒng)開(kāi)發(fā)環(huán)境測(cè)試

經(jīng)過(guò)嚴(yán)格篩選和測(cè)試，本系統(tǒng)的開(kāi)發(fā)采用了GeForce GTX 3060這一高性能PC級(jí)GPU，同時(shí)輔以64位Windows11操作系統(tǒng)，確保系統(tǒng)的穩(wěn)定性和兼容性達(dá)到最佳狀態(tài)。深度學(xué)習(xí)庫(kù)選用PyTorch作為計(jì)算框架，使用anaconda創(chuàng)建虛擬環(huán)境；圖形化界面設(shè)計(jì)采用PyQt5框架實(shí)現(xiàn)；系統(tǒng)的開(kāi)發(fā)環(huán)境則使用PyCharm集成開(kāi)發(fā)環(huán)境進(jìn)行代碼編輯與調(diào)試。

3.2 系統(tǒng)功能實(shí)現(xiàn)

通過(guò)選擇視頻文件檢測(cè)選項(xiàng)，并將待檢測(cè)視頻上傳至系統(tǒng)，用戶可在軟件界面上直接查看檢測(cè)結(jié)果。如圖2所示，檢測(cè)結(jié)果將標(biāo)注出每個(gè)檢測(cè)到的害蟲(chóng)，并同時(shí)展示其置信度。此外，系統(tǒng)將在檢測(cè)到蟲(chóng)害時(shí)發(fā)出報(bào)警，以便用戶及時(shí)采取應(yīng)對(duì)措施。

4 結(jié)語(yǔ)

農(nóng)林蟲(chóng)害檢測(cè)是農(nóng)林治理和解決農(nóng)林蟲(chóng)害的基礎(chǔ)，如何快速準(zhǔn)確地檢測(cè)并識(shí)別蟲(chóng)害是難點(diǎn)之一。采用深度學(xué)習(xí)技術(shù)進(jìn)行蟲(chóng)害檢測(cè)已經(jīng)成為害蟲(chóng)檢測(cè)領(lǐng)域的發(fā)展趨勢(shì)。為了推動(dòng)深度學(xué)習(xí)方法在水稻蟲(chóng)害檢測(cè)領(lǐng)域的應(yīng)用，本文設(shè)計(jì)了一種基于YOLOv5技術(shù)的農(nóng)林害蟲(chóng)檢測(cè)系統(tǒng)。該系統(tǒng)的實(shí)現(xiàn)有效地提高了蟲(chóng)害預(yù)警的效率，降低了農(nóng)林監(jiān)管的人工成本。后續(xù)，筆者還將繼續(xù)研究以下內(nèi)容：（1）鑒于未來(lái)需求的持續(xù)演變，該系統(tǒng)將持續(xù)進(jìn)行功能與性能的優(yōu)化與拓展，旨在提升功能的完備性，以滿足多樣化的使用場(chǎng)景需求。（2）在檢測(cè)視頻時(shí)，從出現(xiàn)蟲(chóng)害至系統(tǒng)彈出報(bào)警信息，系統(tǒng)會(huì)有一定的延時(shí)，因此，系統(tǒng)實(shí)時(shí)性還需要繼續(xù)提高。

參考文獻(xiàn)

［1］李嬌，葛艷，劉玉鵬.基于改進(jìn)YOLOv5的昏暗小目標(biāo)交通標(biāo)志識(shí)別［J］.計(jì)算機(jī)系統(tǒng)應(yīng)用，2023（5）：172-179.

［2］陳輝東，丁小燕，劉艷霞.基于深度學(xué)習(xí)的目標(biāo)檢測(cè)算法綜述［J］.北京聯(lián)合大學(xué)學(xué)報(bào)，2021（3）：39-46.

［3］李映松，楊愛(ài)英，劉軒，等.基于Transformer改進(jìn)的Faster-Rcnn倉(cāng)儲(chǔ)箱體檢測(cè)算法［J］.自動(dòng)化與儀器儀表，2022（8）：1-6.

［4］李青云，李燕，盧崢?biāo)?，?輕量化超參數(shù)卷積神經(jīng)網(wǎng)絡(luò)的安全帽檢測(cè)算法［J］.現(xiàn)代計(jì)算機(jī)，2022（11）：60-66.

［5］劉佳梁.基于Qt5開(kāi)發(fā)的面向工業(yè)設(shè)備的狀態(tài)監(jiān)視及控制軟件［J］.電腦知識(shí)與技術(shù)，2023（20）：70-72.

［6］徐炳文.基于C#的遠(yuǎn)程智能視頻監(jiān)控系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)［J］.網(wǎng)絡(luò)安全技術(shù)與應(yīng)用，2023（10）：49-52.

［7］雷明.機(jī)器學(xué)習(xí)：原理，算法與應(yīng)用［M］.北京：清華大學(xué)出版社，2019.

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

（編輯 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