doi：10.15889/j.issn.1002-1302.2024.20.003

摘要：農(nóng)作物圖像識別是一項(xiàng)重要的農(nóng)業(yè)技術(shù)，它能夠通過分析農(nóng)田中的圖像數(shù)據(jù)來快速、準(zhǔn)確地識別不同作物的生長狀態(tài)和健康狀況。隨著深度學(xué)習(xí)技術(shù)的快速發(fā)展，基于深度學(xué)習(xí)的農(nóng)作物圖像識別研究取得了顯著的進(jìn)展。梳理近年來該領(lǐng)域的研究進(jìn)展，總結(jié)不同深度學(xué)習(xí)模型在農(nóng)作物圖像識別任務(wù)中的應(yīng)用。首先，回顧農(nóng)作物圖像識別技術(shù)的發(fā)展進(jìn)程，從基于特征選擇的傳統(tǒng)方法到近年來基于深度學(xué)習(xí)的方法；其次，討論神經(jīng)網(wǎng)絡(luò)、生成對抗網(wǎng)絡(luò)、目標(biāo)檢測、知識蒸餾等深度學(xué)習(xí)算法在農(nóng)作物圖像識別中的應(yīng)用，包括對不同農(nóng)作物品種、病蟲害和生長階段的識別；最后，分析該領(lǐng)域存在的問題與挑戰(zhàn)，并提出未來可探索的研究方向，進(jìn)而為農(nóng)業(yè)科技的進(jìn)一步發(fā)展提供參考，促進(jìn)農(nóng)作物圖像識別技術(shù)的應(yīng)用和推廣，推動我國農(nóng)業(yè)生產(chǎn)的智能化和可持續(xù)發(fā)展。

關(guān)鍵詞：深度學(xué)習(xí)；農(nóng)作物圖像識別；卷積神經(jīng)網(wǎng)絡(luò)；目標(biāo)檢測

中圖分類號：S126；TP391.41" 文獻(xiàn)標(biāo)志碼：A

文章編號：1002-1302（2024）20-0018-07

收稿日期：2023-11-23

基金項(xiàng)目：中央引導(dǎo)地方科技發(fā)展資金（編號：XZ202101YD0014C）。

作者簡介：方曉捷（1998—），女，安徽滁州人，碩士研究生，主要從事農(nóng)作物圖像識別研究。E-mail：fangxiaojie2021@163.com。

通信作者：嚴(yán)李強(qiáng)，碩士，教授，主要從事智能控制研究。E-mail：158201730@qq.com。

我國是世界上最大的農(nóng)業(yè)國之一，擁有豐富的農(nóng)作物資源。根據(jù)地理和氣候條件的不同，各地域的農(nóng)作物種植模式也不盡相同。在南方地區(qū)，水稻是主要的糧食作物；北方地區(qū)以小麥為主要糧食作物，油菜籽、大豆和玉米是主要的油料和飼料作物，棉花則是重要的紡織原料。此外，番茄、花生、甘蔗、葡萄、蘋果等也得到廣泛種植［1］。我國農(nóng)業(yè)不斷發(fā)展創(chuàng)新，致力于提高農(nóng)作物品質(zhì)和產(chǎn)量，農(nóng)業(yè)技術(shù)的應(yīng)用和農(nóng)作物圖像識別等領(lǐng)域的研究也日益重要。隨著農(nóng)業(yè)科技的快速發(fā)展和農(nóng)業(yè)生產(chǎn)的轉(zhuǎn)型升級，農(nóng)作物圖像識別在智能農(nóng)業(yè)領(lǐng)域扮演著越來越重要的角色。傳統(tǒng)的農(nóng)作物圖像識別方法主要依賴于手工設(shè)計(jì)的特征提取和分類算法，這種方法的局限性和瓶頸逐漸顯現(xiàn)出來［2］。近年來，深度學(xué)習(xí)的興起給農(nóng)作物圖像識別帶來了突破性的改變。這些新技術(shù)不僅可以自動提取和學(xué)習(xí)圖像中的特征，還具有優(yōu)秀的分類性能，可以大大提升農(nóng)作物圖像識別的精度和效率［1-2］。本研究通過總結(jié)基于深度學(xué)習(xí)的農(nóng)作物圖像識別的發(fā)展，探討其在解決農(nóng)作物管理過程中實(shí)際問題的潛力和應(yīng)用，進(jìn)而促進(jìn)對農(nóng)作物圖像識別技術(shù)的深入理解，為未來的研究和應(yīng)用提供指導(dǎo)和參考，推動智能農(nóng)業(yè)的發(fā)展，并最終提高農(nóng)業(yè)生產(chǎn)效益和可持續(xù)發(fā)展水平。

1" 農(nóng)作物圖像識別的發(fā)展進(jìn)程

20世紀(jì)80年代，美國率先提出“精確農(nóng)業(yè)”的構(gòu)想，并在此后多年的實(shí)踐中成為“精確農(nóng)業(yè)”績效最好的國家，這為“智慧農(nóng)業(yè)”奠定了良好的發(fā)展基礎(chǔ)［3］。國內(nèi)由于圖像識別技術(shù)不夠成熟，農(nóng)作物圖像識別一直處于較低水平。直到2010年左右，隨著計(jì)算機(jī)視覺和深度學(xué)習(xí)等技術(shù)的快速發(fā)展，農(nóng)作物圖像識別開始成為一個熱門研究領(lǐng)域，其通過分析和識別農(nóng)作物圖像，實(shí)現(xiàn)對農(nóng)作物生長狀態(tài)、病害檢測和農(nóng)田管理等方面的有效監(jiān)測和診斷。

傳統(tǒng)的機(jī)器視覺技術(shù)對農(nóng)作物圖像識別需要進(jìn)行繁瑣的預(yù)處理，不僅耗時長，還增加了建模工作量，識別效果不夠精確。隨著科技的發(fā)展，2006年Hinton等提出“深度學(xué)習(xí)”的概念，并在之后的研究中逐步發(fā)展了基于深度學(xué)習(xí)的各種模型和算法［4］。近年來，研究人員利用深度學(xué)習(xí)進(jìn)行農(nóng)作物圖像識別，相較于之前的識別方法，可以直接將圖像輸入到網(wǎng)絡(luò)中，自動逐層提取高級視覺特征，不僅更快速準(zhǔn)確，還減少了人工設(shè)計(jì)特征產(chǎn)生的不完備性。隨著網(wǎng)絡(luò)結(jié)構(gòu)的不斷改進(jìn)，在卷積神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上，衍生出多種不同網(wǎng)絡(luò)深度的卷積神經(jīng)網(wǎng)絡(luò)模型，如GoogLeNet、VGGNet、Resnet、YOLO、Faster R-CNN等，這些改進(jìn)在目標(biāo)檢測、圖像識別中具有較好的效果［5］。

2" 基于深度學(xué)習(xí)的圖像識別技術(shù)

2.1" 卷積神經(jīng)網(wǎng)絡(luò)

作為深度學(xué)習(xí)的代表算法之一，卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural networks，CNN）是一類包含卷積計(jì)算且具有深度結(jié)構(gòu)的前饋神經(jīng)網(wǎng)絡(luò)。CNN的設(shè)計(jì)靈感來自于生物學(xué)中視覺皮層對視覺信息處理的模擬。卷積神經(jīng)網(wǎng)絡(luò)的主要優(yōu)勢是利用卷積和池化操作的局部感知能力，減少參數(shù)數(shù)量，并通過共享權(quán)重提取平移不變的特征［6］。這使得CNN在圖像識別、語義分割等計(jì)算機(jī)視覺任務(wù)中具有良好的效果和廣泛的應(yīng)用。卷積神經(jīng)網(wǎng)絡(luò)主要由卷積層、池化層、分類輸出層構(gòu)成，它們分別負(fù)責(zé)提取圖像的局部特征、降低特征維度、進(jìn)行最終分類或預(yù)測［7］（圖1）。

在圖像識別中常用的卷積神經(jīng)網(wǎng)絡(luò)模型有LeNet、AleXNet、GoogLeNet、VGGNet、ResNet等。郭小燕等采用VGG16作為嵌入單元提取蟲害樣本特征與類別特征，解決植物蟲害小樣本分類問題［8］；廖露等針對傳統(tǒng)水稻病害分類方法效率低、準(zhǔn)確度不高等問題，提出一種聯(lián)合VGG19卷積神經(jīng)網(wǎng)絡(luò)和遷移學(xué)習(xí)模型的水稻病害圖像分類方法，正確率達(dá)到99%以上［9］；Nandi等使用ResNet對14個不同品種的植物葉片圖像組成的數(shù)據(jù)集進(jìn)行識別任務(wù)，準(zhǔn)確率高達(dá)99.53%［10］；李玉芳通過改造GoogLeNet的Inception模塊，減少網(wǎng)絡(luò)中的Inception模塊數(shù)量，結(jié)果顯示，改造后的分類網(wǎng)絡(luò)在9分類的農(nóng)作物病害分類中的精度達(dá)到98.4%［11］。

2.2" 基于單雙階段的目標(biāo)檢測算法

在圖像識別技術(shù)中，目標(biāo)檢測是一項(xiàng)重要任務(wù)，用于在圖像中定位和分類出不同類別的目標(biāo)物體。目標(biāo)檢測算法可以根據(jù)其基本思想和實(shí)現(xiàn)方式分為單階段和雙階段目標(biāo)檢測算法［1］。雙階段目標(biāo)檢測方法的提出主要是為了解決準(zhǔn)確度的問題。在傳統(tǒng)方法中，通常使用滑動窗口的方式進(jìn)行目標(biāo)識別，但這種方法效率較低，且容易產(chǎn)生大量的冗余計(jì)算，雙階段方法通過引入候選框生成的策略，能夠更準(zhǔn)確地定位和分類目標(biāo)，且具有較高的檢測精度。但雙階段目標(biāo)檢測算法的速度相對較慢，并不適用于一些實(shí)時應(yīng)用場景。因此，單階段目標(biāo)檢測方法的提出是為了解決速度問題。單階段目標(biāo)檢測方法通過在不同尺度的特征圖上進(jìn)行目標(biāo)預(yù)測，可以在1次前向傳遞中同時完成檢測任務(wù)，從而實(shí)現(xiàn)實(shí)時目標(biāo)檢測的需求，是端到端的過程［12］（表1）。

2.2.1" 雙階段目標(biāo)檢測

雙階段目標(biāo)檢測算法是指將目標(biāo)檢測問題拆分為2個階段進(jìn)行處理。第一階段是目標(biāo)建議生成，它生成一組候選目標(biāo)框；第二階段是目標(biāo)框分類和細(xì)化，它對候選目標(biāo)框進(jìn)行分類和位置精修。雙階段目標(biāo)檢測算法通常具有更高的準(zhǔn)確性，但計(jì)算代價也更高［2］。其中幾個常見的雙階段目標(biāo)檢測算法包括：R-CNN（region-based convolutional neural networks），它首先生成一組候選框，再通過卷積神經(jīng)網(wǎng)絡(luò)提取每個框中的特征，最后進(jìn)行分類和邊界框回歸； FastR-CNN通過

引入感興趣區(qū)RoI（region of interest）池化操作，將整個圖像轉(zhuǎn)化為特征圖，可以提高目標(biāo)檢測的速度和準(zhǔn)確性；Faster R-CNN引入?yún)^(qū)域建議網(wǎng)絡(luò)RPN（region proposal network），用于生成候選目標(biāo)框，再通過共享卷積層提取特征并進(jìn)行框的分類和精修（圖2）。

Widiyanto等使用Faster R-CNN模型進(jìn)行訓(xùn)練，可以通過番茄圖像中的顏色來識別番茄成熟度，其檢測平均精確度高達(dá)98.7%［13］；岑霄對Faster R-CNN加以改進(jìn)，提出融合空洞卷積和特征金字塔網(wǎng)絡(luò)的Faster R-CNN模型來檢測柑橘害蟲類別，對比原模型，準(zhǔn)確率提高至91.72%［14］；劉闐宇等在基于Faster R-CNN檢測結(jié)構(gòu)的基礎(chǔ)上，改進(jìn)檢測結(jié)構(gòu)中區(qū)域建議網(wǎng)絡(luò)，提高建議區(qū)域質(zhì)量，該方法對自然條件下多姿態(tài)葡萄葉片檢測精度更高［15-17］；劉亞恒利用Faster R-CNN模型并加以改進(jìn)，骨干網(wǎng)絡(luò)為ResNet-50，將特征金字塔網(wǎng)絡(luò)與骨干網(wǎng)絡(luò)相結(jié)合，搭建蘋果葉部病害的檢測模型［18］；趙越等認(rèn)為，F(xiàn)aster R-CNN和VGG16組合的結(jié)構(gòu)對馬鈴薯葉片病害識別取得了較高的精度，檢測精度高達(dá)99.5%，明顯優(yōu)于YOLO v3、YOLO v4網(wǎng)絡(luò)［19］。

2.2.2" 單階段目標(biāo)檢測

單階段目標(biāo)檢測算法是指直接從輸入圖像中預(yù)測目標(biāo)位置和類別的算法。它將目標(biāo)檢測問題視為一個回歸問題，并使用一個網(wǎng)絡(luò)結(jié)構(gòu)來直接回歸目標(biāo)的邊界框和類別概率。單階段目標(biāo)檢測算法一般具有簡單、快速的特點(diǎn)［2］。其中幾個常見的單階段目標(biāo)檢測算法包括：YOLO（you only look once）系列，它們通過將圖像分為不同的網(wǎng)格單元，每個單元預(yù)測目標(biāo)的邊界框和類別概率；SSD（single shot multi box detector）使用多尺度卷積特征圖來預(yù)測不同大小的目標(biāo)，通過在不同層級進(jìn)行預(yù)測來提高檢測的準(zhǔn)確性；Retina Net通過使用一種稱為Focal Loss的損失函數(shù)來解決目標(biāo)檢測中類別不平衡的問題，可以提高小目標(biāo)檢測的精度（圖3）。

葉中華等采用SSD算法對自建數(shù)據(jù)集進(jìn)行復(fù)雜背景下的作物病害檢測，檢測平均精度為83.90%［20］；俞佩仕設(shè)計(jì)基于殘差網(wǎng)絡(luò)的水稻紋枯病病斑SSD檢測算法，為了提高網(wǎng)絡(luò)提取特征的能力，將VGG16網(wǎng)絡(luò)替換為ResNet50，實(shí)現(xiàn)了水稻紋枯病的病害檢測，檢測精度高達(dá)81.2%［21］；李康順等提出一種基于卷積注意力機(jī)制改進(jìn)的YOLOX-Nano智能檢測與識別模型，大大提高了病害檢測的精度［22］；Agbulos等利用YOLO算法成功識別水稻葉片是否患有褐斑病或葉瘟?。?3］；Mohandas等提出YOLO v4-tiny模型，用于檢測番茄、草莓、馬鈴薯、豆類和芒果的相關(guān)病害，精度高且耗時短［24］；公徐路等提出一種基于YOLO v5s的蘋果葉片小目標(biāo)病害輕量化檢測方法，將YOLO v5s的骨干網(wǎng)絡(luò)更改為ShuffleNet v2輕量化網(wǎng)絡(luò)，引入CBAM注意力模塊使模型關(guān)注蘋果葉片小目標(biāo)病害， 提高蘋果葉

片病害檢測精度，該方法對小目標(biāo)的檢測準(zhǔn)確率提高了3百分點(diǎn)［25］。

2.3" 生成對抗網(wǎng)絡(luò)

生成對抗網(wǎng)絡(luò)（generative adversarial network，GAN）是一種深度學(xué)習(xí)模型，由生成器（generator）和判別器（discriminator）2個互相競爭的神經(jīng)網(wǎng)絡(luò)組成。生成器的目標(biāo)是從隨機(jī)噪聲中生成與訓(xùn)練數(shù)據(jù)相似的新樣本。它將隨機(jī)噪聲作為輸入，并通過一系列的轉(zhuǎn)換層逐漸生成逼真的樣本圖像。生成器的目標(biāo)是盡可能地欺騙判別器，使其將生成器生成的樣本誤認(rèn)為是真實(shí)的；判別器的任務(wù)是將生成器生成的樣本與真實(shí)樣本區(qū)分開來。它接收生成器生成的樣本和真實(shí)樣本作為輸入，并輸出1個概率值來表示輸入樣本是真實(shí)樣本的可能性。判別器的目標(biāo)是有效識別生成器生成的假樣本，并準(zhǔn)確地區(qū)分真實(shí)樣本和生成的樣本［26］。通過不斷地競爭和訓(xùn)練，生成器逐漸提升生成樣本的質(zhì)量，而判別器則逐漸提高區(qū)分真實(shí)和生成樣本的能力。當(dāng)生成器和判別器達(dá)到平衡時，生成器可以生成與訓(xùn)練數(shù)據(jù)相似的逼真樣本，且判別器無法準(zhǔn)確區(qū)分真實(shí)和生成的樣本［27］（圖4）。

Sharma等針對沒有廣泛的數(shù)據(jù)集可用于訓(xùn)練模型問題，訓(xùn)練了3種算法，以手動收集的芒果葉數(shù)據(jù)集為輸入創(chuàng)建1個全新的數(shù)據(jù)集，再將Wasserstein生成對抗網(wǎng)絡(luò)（WGAN）、深度卷積生成對抗網(wǎng)絡(luò)（DCGAN）以及生成對抗網(wǎng)絡(luò)（GAN）等3種算法進(jìn)行比較，以找到產(chǎn)生新數(shù)據(jù)集的最佳算法，結(jié)果表明，WGAN算法能得到最好的圖像質(zhì)量［28］；Kamohara等提出一種無監(jiān)督學(xué)習(xí)方法的對抗性生成網(wǎng)絡(luò)GANomaly，使用未標(biāo)記的健康葉片圖像作為訓(xùn)練數(shù)據(jù)，結(jié)果表明，該模型可以減少診斷的時間成本，且各評價指標(biāo)都較好［29］；Ramadan等使用SRGAN作為一種水稻病害數(shù)據(jù)增強(qiáng)方法，獲得新的數(shù)據(jù)集，且新創(chuàng)建的數(shù)據(jù)集在分類模型上準(zhǔn)確率高達(dá)94.30%［30］；陶賢鵬提出ViT-PWGAN-GP網(wǎng)絡(luò)，生成模型利用ViT模塊對目標(biāo)樣本的特征空間進(jìn)行全局特征學(xué)習(xí)，并逐步提高生成圖像的分辨率，結(jié)果表明，使用ViT-PWGAN-GP進(jìn)行圖像數(shù)據(jù)增強(qiáng)對VGG-16、GooLeNet、ResNet-50的水稻病害識別準(zhǔn)確率分別提升15.3%、14.7%、14.3%［31］。

2.4" 遷移學(xué)習(xí)

遷移學(xué)習(xí)（transfer learning）是一種在圖像識別技術(shù)中廣泛應(yīng)用的方法，它可以將一個任務(wù)中學(xué)到的知識遷移到另一個相關(guān)任務(wù)上，以提升性能并加快學(xué)習(xí)速度。遷移學(xué)習(xí)利用已經(jīng)訓(xùn)練好的模型在新任務(wù)上進(jìn)行初始化，然后通過微調(diào)模型的參數(shù)，以適應(yīng)新任務(wù)的特性［32］。

遷移學(xué)習(xí)通常會有1個源域Ds、1個學(xué)習(xí)任務(wù)Ts和1個目標(biāo)域Dt、1個學(xué)習(xí)任務(wù)t，其中源域用Ds=｛xi，yi｝Nsi表示，xi、yi分別表示數(shù)據(jù)樣本和對應(yīng)的類別標(biāo)簽，目標(biāo)域用Dt=｛xi，yi｝Nti表示，遷移學(xué)習(xí)的目的就是獲取源域Ds和學(xué)習(xí)任務(wù)Ts中的知識以幫助提升目標(biāo)域中學(xué)習(xí)任務(wù)Tt的完成（圖5）。

萬軍杰等探究遷移學(xué)習(xí)技術(shù)和GoogLeNet模型相結(jié)合的方法，針對果園病蟲害樣本的識別并對它們的危害程度進(jìn)行分類研究，得到較高的準(zhǔn)確率，平均識別精度達(dá)到99.35%［33］；Arshad等為提高植物葉片病害的檢測率，利用ResNet50和遷移學(xué)習(xí)識別馬鈴薯、番茄和玉米的病害，準(zhǔn)確率達(dá)到98.93%［34］；Song等針對蘋果樹病害圖像數(shù)據(jù)集樣本量較小的問題，采用遷移學(xué)習(xí)的思想對網(wǎng)絡(luò)模型訓(xùn)練過程進(jìn)行升級，進(jìn)一步提高了果樹病害圖像的分類精度［35］；王大慶等為解決域遷移和過擬合問題，提出一種兩階段遷移學(xué)習(xí)訓(xùn)練方法，使得玉米葉部病害識別準(zhǔn)確率大大提高［36］；鄧朋飛等以提高玉米病害圖像的準(zhǔn)確率、降低網(wǎng)絡(luò)參數(shù)和模型大小為目的，提出一種結(jié)合遷移學(xué)習(xí)和模型壓縮的卷積神經(jīng)網(wǎng)絡(luò)用于玉米病害識別，通過遷移學(xué)習(xí)，平均識別準(zhǔn)確率達(dá)到93.38%［37］。

2.5" 知識蒸餾

知識蒸餾（knowledge distillation）是一種常用的圖像識別技術(shù)，它通過將一個大型、復(fù)雜的模型（教師模型）的知識轉(zhuǎn)移給一個較小、簡單的模型（學(xué)生模型），以此提升學(xué)生模型的性能。知識蒸餾的基本思想是：通過教師模型的輸出概率分布，引導(dǎo)學(xué)生模型更好地學(xué)習(xí)，以提高性能。教師模型通常是一個預(yù)訓(xùn)練好的復(fù)雜模型，可以是一個深層的卷積神經(jīng)網(wǎng)絡(luò)。而學(xué)生模型是一個較淺的模型，可以是一個淺層的卷積神經(jīng)網(wǎng)絡(luò)［38］（圖6）。

李慶盛提出一種通過知識蒸餾和生成對抗網(wǎng)絡(luò)相結(jié)合的番茄病害圖像識別方法，通過生成對抗網(wǎng)絡(luò)緩解深度學(xué)習(xí)中數(shù)據(jù)量不足的問題，并通過知識蒸餾進(jìn)行模型壓縮［39］；李若曦針對模型輕量化問題，提出一種基于多層次特征遷移和知識蒸餾的病害識別方法，通過中間層和深層知識蒸餾提升預(yù)測分類準(zhǔn)確率［40］；Wei等為了進(jìn)一步提高模型的準(zhǔn)確性，提出一種改進(jìn)的基于溫度衰減的知識蒸餾方法，在不增加模型參數(shù)和計(jì)算量的前提下，提高花卉分類的準(zhǔn)確率，使其高達(dá)98.76%［41］；劉媛媛等針對卷積神經(jīng)網(wǎng)絡(luò)參數(shù)過多，在嵌入式設(shè)備上部署具有挑戰(zhàn)的問題，提出基于知識蒸餾和模型剪枝的輕量化模型植物病害識別，以ResNet為骨干網(wǎng)絡(luò)，最終模型準(zhǔn)確率達(dá)到97.78%，且模型能夠移植到Android平臺上并有效運(yùn)行［38］；溫釗發(fā)等以大田復(fù)雜背景為前提，提出一種基于知識蒸餾與EssNet的病害識別方法，實(shí)現(xiàn)了病害的高效識別，準(zhǔn)確率達(dá)到95.21%，且易于搭載至移動端［42］。

3" 存在的問題

綜上所述，針對農(nóng)作物圖像識別問題，各種深度學(xué)習(xí)模型在試驗(yàn)中均取得了可觀的識別準(zhǔn)確率。然而，這些模型真正運(yùn)用在農(nóng)業(yè)生產(chǎn)實(shí)踐中卻面臨著以下幾個方面的問題。

3.1nbsp; 樣本數(shù)據(jù)量不足

深度學(xué)習(xí)方法在農(nóng)作物圖像識別中的應(yīng)用導(dǎo)致對訓(xùn)練數(shù)據(jù)量的需求激增。盡管存在一些公開的大型數(shù)據(jù)集如Plant Village［43］，但這些數(shù)據(jù)集的圖像多拍攝于受控的實(shí)驗(yàn)室環(huán)境，樣本較簡單，無法準(zhǔn)確識別實(shí)際環(huán)境中的各種病害。在實(shí)際環(huán)境下采集高質(zhì)量病害樣本非常困難，因?yàn)椴『Πl(fā)生具有隨機(jī)性，且不同類型病害在不同生長階段、不同地區(qū)表現(xiàn)出的特征均不相同。此外，實(shí)驗(yàn)室采集的圖片雖然理想，但實(shí)際環(huán)境下的樣本背景復(fù)雜，包含土壤、污垢、昆蟲等干擾信息，影響模型的分析效果，導(dǎo)致模型在實(shí)際應(yīng)用中的普適性和泛化能力較差［44］。不同類型病蟲害的癥狀相似性也增加了數(shù)據(jù)標(biāo)注的難度，易發(fā)生錯誤標(biāo)注，從而影響模型的準(zhǔn)確性。目前仍然缺乏大規(guī)模、多種類、多類型的公開數(shù)據(jù)庫，建立全面且多樣性強(qiáng)的實(shí)際環(huán)境下的數(shù)據(jù)集需要投入大量人力物力進(jìn)行監(jiān)測和拍攝，這是目前深度學(xué)習(xí)訓(xùn)練面臨的重要問題。

3.2" 模型性能問題

為了能夠捕捉不同病害之間的細(xì)微差異，從而提升模型在病害識別中的準(zhǔn)確率，通常采用的方法是使用更深層次的卷積神經(jīng)網(wǎng)絡(luò)。深層網(wǎng)絡(luò)具有更多的卷積層，這使得模型能夠提取圖像中更為抽象和語義更豐富的特征，從而提高對復(fù)雜病害的識別精度。例如，更深的網(wǎng)絡(luò)能夠識別更細(xì)微的紋理和形狀差異，進(jìn)而更準(zhǔn)確地區(qū)分相似的病害［45］。然而，這種方法也帶來了顯著的挑戰(zhàn)。首先，深層網(wǎng)絡(luò)的計(jì)算和訓(xùn)練成本非常高，這不僅需要大量的計(jì)算資源，還需要較長的訓(xùn)練時間；其次，深層網(wǎng)絡(luò)的計(jì)算需求往往超出了手持移動設(shè)備的處理能力，使得在這些設(shè)備上實(shí)現(xiàn)實(shí)時病害檢測變得困難［46-47］。實(shí)時檢測要求模型能夠迅速處理圖像數(shù)據(jù)并給出結(jié)果，但深層網(wǎng)絡(luò)由于其復(fù)雜性，可能導(dǎo)致處理速度變慢，影響應(yīng)用的實(shí)用性和用戶體驗(yàn)。因此，如何在提升模型性能和保持實(shí)時性之間找到合理的平衡，將是亟待解決的關(guān)鍵問題。

4" 結(jié)論與展望

4.1" 結(jié)論

本研究系統(tǒng)闡述了基于深度學(xué)習(xí)的農(nóng)作物圖像識別的研究發(fā)展。首先介紹農(nóng)作物圖像識別技術(shù)的發(fā)展進(jìn)程，再介紹基于深度學(xué)習(xí)的圖像識別的新技術(shù)，如YOLO系列、生成對抗網(wǎng)絡(luò)等。綜合上述內(nèi)容，農(nóng)作物圖像識別在傳統(tǒng)方法的基礎(chǔ)上，通過引入深度學(xué)習(xí)取得了顯著的進(jìn)展，新型算法的應(yīng)用使得農(nóng)作物圖像識別能夠更準(zhǔn)確、更高效地監(jiān)測不同農(nóng)作物的生長狀態(tài)和健康狀況。但盡管取得了許多成果，農(nóng)作物圖像識別仍然面臨著一些問題與挑戰(zhàn)，如數(shù)據(jù)集的標(biāo)注困難、模型的泛化能力不足等。因此，今后的研究需要更加關(guān)注這些問題，不斷改進(jìn)農(nóng)作物圖像識別技術(shù)的可靠性和實(shí)用性。

4.2" 展望

大規(guī)模、高質(zhì)量的農(nóng)作物圖像數(shù)據(jù)集是農(nóng)作物圖像識別研究的基礎(chǔ)。因此，未來應(yīng)該積極推動數(shù)據(jù)集的建立和標(biāo)注工作，特別是針對農(nóng)作物生長不同階段和各種生態(tài)環(huán)境的數(shù)據(jù)集。未來的研究可以致力于進(jìn)一步優(yōu)化農(nóng)作物圖像識別的深度學(xué)習(xí)模型，通過改進(jìn)網(wǎng)絡(luò)結(jié)構(gòu)、損失函數(shù)和訓(xùn)練策略等來提升識別的準(zhǔn)確性和魯棒性。

參考文獻(xiàn)：

［1］郭文娟，馮" 全，李相周. 基于農(nóng)作物病害檢測與識別的卷積神經(jīng)網(wǎng)絡(luò)模型研究進(jìn)展［J］. 中國農(nóng)機(jī)化學(xué)報，2022，43（10）：157-166.

［2］何" 瀟. 基于深度學(xué)習(xí)的西瓜葉片病害識別與檢測方法研究［D］. 長沙：湖南農(nóng)業(yè)大學(xué)，2021.

［3］美國發(fā)展“智慧農(nóng)業(yè)”的做法及啟示［EB/OL］. （2021-06-26）［2023-11-18］. https：//www.sohu.com/na/474158734_121123754.

［4］陳" 楨. 基于深度學(xué)習(xí)的農(nóng)作物病害分類算法研究［D］. 濟(jì)南：齊魯工業(yè)大學(xué)，2022.

［5］何雨霜，王" 琢，王湘平，等. 深度學(xué)習(xí)在農(nóng)作物病害圖像識別中的研究進(jìn)展［J］. 中國農(nóng)機(jī)化學(xué)報，2023，44（2）：148-155.

［6］魏" 花. 基于卷積神經(jīng)網(wǎng)絡(luò)的細(xì)粒度圖像識別關(guān)鍵技術(shù)分析與研究［D］. 長春：中國科學(xué)院大學(xué)（中國科學(xué)院長春光學(xué)精密機(jī)械與物理研究所），2021.

［7］賀" 晉. 基于卷積神經(jīng)網(wǎng)絡(luò)的三種粒度的圖像識別模型研究［D］. 北京：北京郵電大學(xué)，2021.

［8］郭小燕，尚皓璽. 基于元學(xué)習(xí)的植物蟲害識別原型網(wǎng)絡(luò)VGG-ML［J］. 南京農(nóng)業(yè)大學(xué)學(xué)報，2024，47（2）：392-401.

［9］廖" 露，韓春峰，何純櫻. 基于VGG19卷積神經(jīng)網(wǎng)絡(luò)和遷移學(xué)習(xí)的水稻病害圖像分類方法［J］. 測繪，2023，46（4）：153-157，181.

［10］Nandi A，Yadav S，Jaiswal Y.Crop disease recognition and diagnosis using Residual Neural Network［C］//2022 International Conference on Advancements in Smart，Secure and Intelligent Computing.Bhubaneswar：IEEE，2022：1-6.

［11］李玉芳. 基于簡化GoogLeNet的農(nóng)作物葉片病害識別系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)［J］. 信息與電腦（理論版），2023，35（9）：179-181.

［12］朱東郡. 面向復(fù)雜場景圖像的目標(biāo)檢測與識別方法研究［D］. 徐州：中國礦業(yè)大學(xué)，2022.

［13］Widiyanto S，Wardani D T，Wisnu P S. Image-based tomato maturity classification and detection using faster R-CNN method［C］//5th International Symposium on Multidisciplinary Studies and Innovative Technologies.Ankara：IEEE，2021：130-134.

［14］岑" 霄. 融合空洞卷積和特征金字塔的Faster R-CNN柑橘害蟲檢測方法［J］. 中國農(nóng)學(xué)通報，2023，39（22）：158-164.

［15］劉闐宇，馮" 全，楊" 森. 基于卷積神經(jīng)網(wǎng)絡(luò)的葡萄葉片病害檢測方法［J］. 東北農(nóng)業(yè)大學(xué)學(xué)報，2018，49（3）：73-83.

［16］劉闐宇，馮" 全. 基于卷積神經(jīng)網(wǎng)絡(luò)的葡萄葉片檢測［J］. 西北大學(xué)學(xué)報（自然科學(xué)版），2017，47（4）：505-512.

［17］劉闐宇. 基于卷積神經(jīng)網(wǎng)絡(luò)的葡萄葉片病害檢測方法研究［D］. 蘭州：甘肅農(nóng)業(yè)大學(xué)，2018.

［18］劉亞恒. 基于改進(jìn)Faster R-CNN蘋果葉部病害檢測方法研究［D］. 漢中：陜西理工大學(xué)，2022.

［19］趙" 越，趙" 輝，姜永成，等. 基于深度學(xué)習(xí)的馬鈴薯葉片病害檢測方法［J］. 中國農(nóng)機(jī)化學(xué)報，2022，43（10）：183-189.

［20］葉中華，趙明霞，賈" 璐. 復(fù)雜背景農(nóng)作物病害圖像識別研究［J］. 農(nóng)業(yè)機(jī)械學(xué)報，2021，52（增刊1）：118-124，147.

［21］俞佩仕. 水稻莖基部病害圖像智能采集與病斑檢測系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)［D］. 杭州：浙江理工大學(xué)，2019.

［22］李康順，楊振盛，江梓鋒，等. 基于改進(jìn)YOLOX-Nano的農(nóng)作物葉片病害檢測與識別方法［J］. 華南農(nóng)業(yè)大學(xué)學(xué)報，2023，44（4）：593-603.

［23］Agbulos M K，Sarmiento Y，Villaverde J. Identification of leaf blast and brown spot diseases on rice leaf with YOLO algorithm［C］//7th International Conference on Control Science and Systems Engineering.Qingdao：IEEE，2021：307-312.

［24］Mohandas A，Anjali M S，Rahul Varma U. Real-time detectionand identification of plant leaf diseases using YOLO v4-tiny［C］//12th International Conference on Computing Communication and Networking Technologies.Kharagpur：IEEE，2021：1-5.

［25］公徐路，張淑娟. 基于改進(jìn)YOLO v5s的蘋果葉片小目標(biāo)病害輕量化檢測方法［J］. 農(nóng)業(yè)工程學(xué)報，2023，39（19）：175-184.

［26］施煬明. 基于生成對抗網(wǎng)絡(luò)的弱光圖像增強(qiáng)算法研究［D］. 合肥：中國科學(xué)技術(shù)大學(xué)，2022.

［27］胡瀟菡. 基于生成對抗網(wǎng)絡(luò)的弱監(jiān)督圖像語義分割方法研究［D］. 西安：西安電子科技大學(xué)，2020.

［28］Sharma A，Kaur H，Prashar D.Generative adversarial networks based approach for data augmentation in mango leaf disease detection system［C］//12th International Conference on Communication Systems and Network Technologies. Bhopal：IEEE，2023：816-821.

［29］Kamohara Y，Sakuma T，Kato S.Plant disease detection with generative adversarial networks for assisting extension workers［C］//11th Global Conference on Consumer Electronics.Osaka：IEEE，2022：840-841.

［30］Ramadan S T Y，Sakib T，Ul Haque M M，et al. Generative adversarial network-based augmented rice leaf disease detection using deep learning［C］//25th International Conference on Computer and Information Technology. Coxs Bazar：IEEE，2022：976-981.

［31］陶賢鵬. 基于WGAN-GP的水稻圖像數(shù)據(jù)增強(qiáng)方法研究［D］. 大慶：黑龍江八一農(nóng)墾大學(xué)，2023.

［32］余" 勝，謝" 莉. 基于遷移學(xué)習(xí)和卷積視覺轉(zhuǎn)換器的農(nóng)作物病害識別研究［J］. 中國農(nóng)機(jī)化學(xué)報，2023，44（8）：191-197.

［33］萬軍杰，祁力鈞，盧中奧，等. 基于遷移學(xué)習(xí)的GoogLeNet果園病蟲害識別與分級［J］. 中國農(nóng)業(yè)大學(xué)學(xué)報，2021，26（11）：209-221.

［34］Arshad M S，Rehman U A，F(xiàn)raz M M. Plant disease identification using transfer learning［C］//2021 International Conference on Digital Futures and Transformative Technologies.Islamabad：IEEE，2021：1-5.

［35］Song X，Mariano V Y. Image-based apple disease detection based on residual neural network and transfer learning［C］//3rd International Conference on Power，Electronics and Computer Applications.Shenyang：IEEE，2023：365-369.

［36］王大慶，祿" "琳，于興龍，等. 基于深度遷移學(xué)習(xí)的EfficientNet玉米葉部病害識別［J］. 東北農(nóng)業(yè)大學(xué)學(xué)報，2023，54（5）：66-76.

［37］鄧朋飛，官" 錚，王宇陽，等. 基于遷移學(xué)習(xí)和模型壓縮的玉米病害識別方法［J］. 計(jì)算機(jī)科學(xué)，2022，49（增刊2）：444-449.

［38］劉媛媛，王定坤，鄔" 雷，等. 基于知識蒸餾和模型剪枝的輕量化模型植物病害識別［J］. 浙江農(nóng)業(yè)學(xué)報，2023，35（9）：2250-2264.

［39］李慶盛. 基于圖像識別與深度學(xué)習(xí)的農(nóng)作物病害檢測研究［D］. 淄博：山東理工大學(xué)，2022.

［40］李若曦. 農(nóng)作物病害圖像識別與模型輕量化研究［D］. 天津：河北工業(yè)大學(xué)，2022.

［41］Wei X D，Zhang H Y，Shi C K，et al. A lightweight flower classification model based on improved knowledge distillation［C］//10th Joint International Information Technology and Artificial Intelligence Conference.Chongqing：IEEE，2022：2236-2239.

［42］溫釗發(fā)，蒲" 智，程" 曦，等. 基于知識蒸餾與EssNet的田間農(nóng)作物病害識別［J］. 山東農(nóng)業(yè)科學(xué)，2023，55（5）：154-163.

［43］李子涵，周省邦，趙" 戈，等. 基于卷積神經(jīng)網(wǎng)絡(luò)的農(nóng)業(yè)病蟲害識別研究綜述［J］. 江蘇農(nóng)業(yè)科學(xué)，2023，51（7）：15-23.

［44］慕君林，馬" 博，王云飛，等. 基于深度學(xué)習(xí)的農(nóng)作物病蟲害檢測算法綜述［J］. 農(nóng)業(yè)機(jī)械學(xué)報，2023，54（增刊2）：301-313.

［45］戴久竣.基于深度學(xué)習(xí)的農(nóng)作物葉片病害識別研究［D］. 杭州：浙江科技學(xué)院，2022.

［46］張穎超. 基于深度學(xué)習(xí)的農(nóng)作物葉片病害檢測識別方法及其應(yīng)用研究［D］. 石家莊：河北科技大學(xué)，2021.

［47］毛" 星，金" 晶，張" 欣，等. 基于改進(jìn)DeepLab v3+模型和遷移學(xué)習(xí)的高分遙感耕地信息提取方法［J］. 江蘇農(nóng)業(yè)學(xué)報，2023，39（7）：1519-1529.