分享：第十届“泰迪杯”数据挖掘挑战赛优秀作品--A1-基于深度学习的农田害虫定位与识别研究（一）

最新推荐文章于 2024-06-18 15:30:00 发布

泰迪智能科技

最新推荐文章于 2024-06-18 15:30:00 发布

阅读量2.1k

点赞数

分类专栏：大数据文章标签：数据挖掘深度学习人工智能

本文链接：https://blog.csdn.net/tipdm0526/article/details/127732631

版权

大数据专栏收录该内容

180 篇文章 13 订阅

订阅专栏

中国是世界范围内的农业大国，耕地面积广大，占世界耕地面积的 7%，每年粮食产量可达 1.3 万亿斤以上，但是我国仍需要每年从外国进口大量大豆、玉米等农作物粮食，所以粮食产量现在对我们来说仍然十分重要。然而，农作物病虫害却深深地损害着农业的发展，是我国主要农业灾害之一，农作物在遭受病虫害之后，其整体生理机能会大大下降，从而导致植株瘦小，无法达到最优生产状态，进而会产量不高、经济效益低。农作物病虫害具有种类多、影响大、并时常暴发成灾的特点，对我国的国民经济和农业生产造成重大损失。农作物常见的有以下种类的病虫害：稻飞虱、小麦锈病、棉蚜、稻纹枯病、稻瘟病、蝗虫、麦类赤霉病等，并且已成为严重影响我国农业生产的重大病虫害。

目前针对农作物害虫的处理，还是基于人工的判断，这往往可能病虫害已经在范围内发作，并不能及时的进行病虫害的防治。除此之外，一些病虫害的识别往往需要很高的专家知识，对于经验较少的农民并不能准确发现和判断病虫害种类，由此可能造成农药的滥用和误用，以及农作物中会产生农药残留，影响农田的生态环境。由于农作物害虫的多样性和复杂性，简单的人工检测方式已经很难满足现代化农业科技发展的需求。

为此，随着目前农业科学技术的发展，各种崭新技术已经渐渐融入到日常的农业生产之中，能够最大程度减少人工检测这类繁琐操作，并且效率高，可以很及时的进行病虫害的警告和分析。尤其是人工智能深度学习领域，目标检测相关算法更能很好的结合到病虫害的检测和识别之中，是大规模农业生产虫害预防的有效手段。

1.2 问题分析基于虫情测报灯的虫情信息采集，为深度学习提供了所必须的大数据训练基础，虫情测报灯可以在无人监管的情况下，实现自动的诱集、杀虫、虫体分散、拍照等作业，可以通过照片的形式采集出当前可能出现的病虫害的种类和病虫害的严重程度，如图 1-1 所示：

从图 1-1 中我们可以看到虫情测报灯的虫情信息采集到的照片，在白色背景下能够直接的看到害虫所在位置，获取农作物的受虫害影响程度以及害虫的种类和数量等情况，但是从图中也可以看出以下几个问题：

（1）每张图片害虫的种类并不单一，并且图片中的噪声点很多，会对目标害虫造成混淆。

（2）基于虫情测报灯采集的数据，对大多数的害虫种类来说，目标占据面积比较大，容易分别，但是对于一些目标小的害虫，与背景产生混淆，人眼很难准确判别，所以需要考虑小目标的单独处理；

（3）对于大量图片而言，并不是每张图片都会收集到害虫信息，在其中进行筛选也是一项繁琐的操作，更适合使用目标检测算法进行预测和重复操作；

（4）虫情分析相对来说更偏向于精确度的考虑，所以两阶段目标检测算法更适合虫情分析的应用场景。

1.3 相关研究随着计算机视觉技术的飞速发展，目前与机器学习相关的人工智能相关技术得到了普遍应用，目标检测、人脸识别、语义分割、自然语音处理以及视频处理等领域相关算法也逐渐成熟，在各个现实工业领域得到快速应用，并且能够很大程度的提升以往人工的效率，更大程度的方便工业和技术发展。尤其是大数据时代和运算能力的提升，更是进一步的促进了人工智能的飞速发展。

当然，与农业技术结合也是人工智能应用的领域之一。针对农田害虫图像的识别，已经有一些方法进行实现，他们往往是基于传统的图像处理技术实现。谢成军[4]提出一种基于图像稀疏编码与空间金字塔模型相结合的害虫图像表示与识别方法。该方法能够利用大量非标注的自然图像块，用来构造过完备学习字典，并且运用该学习字典，从而实现对害虫图像的多空间稀疏表示。并且结合多核学习，设计了一种害虫图像识别算法。张洪涛[3]等人提出针对害虫目标的二值化图像提取出面积、周长、复杂度等 7 个形态学特征并进行归一化处理；建立了9种害虫的模板库及隶属度函数并基于最小最大的原则进行模糊决策分析；对稻纵卷叶螟、棉铃虫等田间危害严重的9种害虫进行识别分类的识别率达 “泰迪杯”挑战赛优秀作品 86％以上。

深度学习神经网络相关算法，也很好的结合到农作物病虫害的相关应用。李玲[1]等人提出基于深度学习中数字图像识别的理论，构建了深层卷积神经网络，并使用网络模型对苹果树叶片进行分类试验，基于深度学习 MobileNet，修改输出的全连接层尺寸，搭建了 MobileNet 苹果树叶分类模型，实现了 Alternaria＿Boltch（斑点落叶病）、 Brown＿Spot（褐斑病）、Grey＿Spot（灰斑病）、Mosaic（花叶病）、Rust（锈病）5 种苹果树病害的识别。范世达等人[2]提出为解决柑橘种植过程中黄龙病检测不及时、检测成本较高的问题，初步探寻基于深度学习的柑橘黄龙病远程诊断方法。通过架设在田间的设备采集柑橘植株图像信息，利用深度学习相关算法构建柑橘黄龙病病害识别模型，在柑橘生长过程中实现黄龙病在线实时监测与病害远程诊断。

1.4 解决方案在上述背景研究、问题分析和相关研究的基础之上，我们针对本次农作物害虫识别任务，采用基于两阶段的目标检测算法 Casecade RCNN 和结合 Swin-Transformer 的 Mask RCNN 算法作为基本框架，进行模型融合，并使用离线数据增强和在线数据增强组合，以及 SWA（随机权重平均）进一步进行性能的提升。

针对 1.2 提出的四个问题，相应采用以下解决方案：

1) 目前主流的目标检测算法都是基于两阶段的方法（Fast RCNN、Faster RCNN、Mask RCNN等）以及一阶段的方法（YOLO系列、SSD等），相比于对识别速度的要求，农作物害虫检测更偏向于算法识别精确度的要求，故选用主流的两阶段目标检测方法作为模型：Cascade Mask RCNN ，并使用目前在目标检测领域效果最好的 Swin-Transformer 模型作为我们的特征提取层。

2) 针对某些类别目标太小以及个别类别样本数目，我们采用 copy and paste 方 “泰迪杯”挑战赛优秀作品法离线数据增强进行扩充数据集，并且采用随机反转、旋转、高斯噪声等在第十届“泰迪杯”数据挖掘挑战赛 A题：农田害虫图像识别 -第 5 页线数据增强进一步在训练之前处理数据集。以及对训练集和测试集数据使用多尺度进行训练和预测，增加对小目标的识别效果。

3) 为了能更好的提升模型的识别效果，进一步使用每个模型不同的 epoch 的权值进行 SWA，并把使用两个模型 SWA 后的网络权重的预测结果进行 NMS，获取模型融合后的检测结果。

结合以上问题的提出和问题分析，具体解决方案如图 1-2 算法流程图所示：