常瑞扬 杨海斌

摘要：农业生产中较为严重的问题之一便是农作物的病虫害，为降低农作物病虫害对粮食生产带来的减产等影响，文章借助网络化数据集的处理、通过卷积神经网络识别农作物病虫害，帮助广大的农业生产者。文章分析了卷积神经网络的AlexNet模型，以此来增强数据算法网络化处理；借助数据集的构建与处理，进一步提高农作物病虫害的识别与研究，使得农作物病虫害识别更高效化、科技化、信息化，最终达到高精准度识别农作物病虫害，降低农作物病虫害对产量的影响。

关键词：卷积神经网络；农作物病虫害；病虫害识别

中图分类号：TP389  文献标志码：A

0 引言

近年来，生态环境的不断恶化，使得其结构更加脆弱，农作物病虫害常有大规模暴发。农作物病虫害的频繁爆发直接影响农产品的产量和质量，给农户造成不必要的经济损失。根据农业农村部统计数据显示，中国农业目前在植物病虫害防治方面技术存在很大的缺陷，每年因病虫害导致粮食大量减产，在人工防治植物病虫害过程中会出现识别准确率低，不能“对症下药”等技术问题。目前對于植物病虫害治理仍有很大进步空间，该如何科学高效的减少病虫害对农作物带来的减产问题显得尤其重要［1-2］。

1 研究背景

据不完全统计，植物病虫害造成了全球平均每年高达16%的农作物产量减产，有的土地甚至颗粒无收［3-4］。针对植物病虫害对农作物所带来的减产的影响，大部分地区农民还是依靠传统方法，使用喷洒农药等危害环境的杀虫方法。但对于一些不常见的植物病虫来说，种植者难以判别该病原菌种类，从而会给农作物病虫害防治带来不小的麻烦。

针对上述问题，本文采用深度学习算法和机器视觉技术，用于植物病虫害的识别当中。深度学习算法和机器视觉在农业上的应用不仅可以减少病虫害，更是直接推动了智慧农业的深入发展，因为其简便的操作性、自我学习的能力，面对更多病虫害时的泛化性和对复杂环境的适应性，有助于人工智能系统的在农业上的发展。将深度学习的方法用在农作物病虫害识别上，可以加快检测的速度，提高工作效率，图像识别技术的高效运用，不仅可以降低传统人工检测的主观性，还可以降低检测成本，提高识别的准确率，同时具有更强的时效性［5-7］。

通过分析当前国内研究现状及存在的问题，针对不同地区多种典型农作物病虫害图像，基于分析各类算法基础之上，可从以下几个方面开展研究：（1）分析卷积神经网络——AlexNet模型；（2）病虫害数据集的构建与预处理；（3）改进AlexNet模型。

2 卷积神经网络

2.1 卷积神经网络模型

Lenet卷积神经网络分为两部分，一部分是自学习特征提取模型，另外一部分则是分类模型。

特征提取模型主要由卷积层和池化层构成，池化层是卷积神经网络从输入图像中获得不同层次特征的部分。对输入层来说卷积神经网络的图像输入层定义了输入图像的大小，并包含图像的原始像素值，图像大小对应于该图像的高度、宽度和颜色通道数。

卷积层存在的目的就是从输入的原始图像中把图像特征提取出来，它是 CNN 结构体系中的一个基本单元，由一组可学习的过滤器（卷积核）组成，过滤器的大小作为感受野，此外卷积核的个数决定了获得特征图的个数，通过使每个过滤器用滑动窗口的这种方式用于该图像原始像素值，再通过一系列函数来计算出相关非线性数据，借助网络函数模型来引入到网络中。

2.2 卷积层

卷积为数学算法分析体系中一种运算，同加减乘除类似，这种运算可以理解为借助一个函数n、q经过一系列计算来生成函数y的一种数学算子。将它应用到神经网络当中就可以称之为卷积层，简单来说就是数学分析中的一种卷积算法通过借助实际问题来分析研究论证等。由图1分析得知，在神经网络中的卷积过程是一种滤波运算。

2.3 池化层

池化层存在于连续的卷积层中间，用于减少数据和参数的量，防止在运算中出现过拟合现象。简而言之，如果输入是图像的话，那么池化层的最主要作用就是压缩图像。池化层分为3类：平均池化、最大池化和随机池化。目前主要应用的池化的操作为最大池化和平均池化，如图2所示。

2.4 全连接层

全连接层在全部的CNN过程中起到的是分类器的作用。前者卷积层与池化层可以看作是将原始信息图像收集起来，再利用计算网络方法将其输入到更深的空间提供一个更为简便的整合方法。

2.5 输出层

输出层在计算网络中所起的作用是将前面的分  类结果进行输出，其所在位置为计算网络中的最后一层。在编码、聚类等无监督学习过程中，输入参数跟输出参数是相同的，然而对于图像识别等问题进行分析时，输入参数跟输出参数是不同的，根据不同的分类结果输出层N个神经元作为N种分类结果。

感知器在不同的条件下，根据输入问题的不同会影响输出层结果。在输出层会用损失函数来对模型评估优化，数据函数会通过根据预测值与实际值的差别来修正模型以此来提高网络模拟非线性系统的能力，同时也会在隐含层加入激活函数增加网络的复杂性。

3 卷积神经网络算法

模型建设过程中往往会产生大量的数据，对于在学习过程中的各项参数也越来越多。在本研究的卷积神经网络学习过程中，加入了迁移学习算法。迁移学习卷积神经网络分为两部分，主要包括模型迁移和特征迁移［9-10］。

准确鉴别农作物病虫应遵循以下几个步骤，要从数据的获取、数据的整理以及数据的应用这3个基本步骤来操作进行鉴别。这3个基本操作步骤中所涉及的关键性技术，主要包括病虫害的数据获取、病虫害的数据处理以及病虫害的数据应用性关键技术，迁移学习卷积神经网络如图3所示。

在研究农作物病虫害的过程中，要想获得更为精确的数据、做出更为精确的判断，就要借助更专业的设备以及专业网络数据整理方法。农作物病虫害的数据来源可以分成以下两种来源：一种是利用现有的公开数据集训练网络;另一种则是根据实际应用需求，自行采集病虫害数据，进而再通过数据集进行相关的专业性技术分析。这两种数据方法都能较为模型提供基础数据［11］。数据预处理就是在数据正式输入到网络中之前对数据的一个简要分析，通过预处理，可以更好地筛选一些不必要的杂乱数据，以此来提高数据的精确性。

4 結语

本文通过基于卷积神经网络的农作物病虫害识别与防治的方法进行分析研究。从国内外农作物产量现状进行着手分析，借助卷积神经网络、迁移学习卷积神经网络、农作物的病虫害识别技术等方面来分析研究。通过构建神经网络识别模型训练基于生成式对抗网络而生成的农作物病虫害图像，可以更好地扩充农作物病虫害样本集。最终将现场采集的图像、随机化旋转处理等技术生成的图像和基于生成对抗网络合成的农作物病虫害图像数据进行整理和分类标记，可以有效增强深度学习模型的泛化性能。利用大量不同地区的特有农作物病虫害图像建模，实现有针对性地诊断不同地区特有的病虫害目标。

参考文献

［1］范海红.卷积神经网络在茶树病虫害防治中的应用［J］.福建茶叶，2022（4）：34-36.

［2］李玲，李艳乐，郭海丽，等.基于卷积神经网络的苹果树病虫害识别［J］.南方农机，2022（8）：16-19.

［3］姚建斌，张英娜，刘建华.基于卷积神经网络和迁移学习的小麦病虫害识别［J］.华北水利水电大学学报（自然科学版），2022（2）：102-108.

［4］张树晓.基于大数据平台的新能源智能化运营监管技术［J］.分布式能源，2022（1）：74-82.

［5］骆润玫，王卫星.基于卷积神经网络的植物病虫害识别研究综述［J］.自动化与信息工程，2021（5）：1-10.

［6］曾弟先，王宇，吴宏佳.基于卷积神经网络的水稻病虫害识别分类系统设计与实现［J］.电脑与信息技术，2021（3）：16-20.

［7］陶国柱.基于卷积神经网络的茉莉花病虫害识别算法研究［D］.南宁：广西民族大学，2021.

［8］李哲，潘维，张赟.基于深度卷积神经网络的植物病虫害识别［J］.电子技术与软件工程，2020（23）：194-195.

［9］陈朝军.基于卷积神经网络的农作物病虫害识别方法研究［D］.桂林：桂林理工大学，2020.

［10］魏宇轩.基于卷积神经网络的农作物病虫害图像识别研究［D］.武汉：武汉轻工大学，2020.

［11］李童.基于改进深度卷积神经网络的西葫芦病虫害识别研究［D］.太原：山西农业大学，2020.

（编辑 傅金睿）

Research on crop pest identification based on convolution neural network

Chang  Ruiyang， Yang Haibin*

（Electrical and Information Engineering College， JiLin Agricultural Science and Technology University， Jilin 132101， China）

Abstract：  One of the more serious problems in agricultural production is crop diseases and insect pests. In order to reduce the impact of crop diseases and insect pests on grain production， this study uses the treatment of network data set， through the convolution neural network， to help the majority of agricultural producers. This paper analyzes the AlexNet model of convolutional neural network， so as to enhance the identification and research of crop diseases and insect pests， to make it more efficient， scientific and information， and finally to achieve highly accurate identification of crop diseases and insect pests， and to reduce the influence of crop diseases and insect pests on yield.

Key words： convolutional neural network; crop pests and diseases; identification of pests and diseases