孟梦　庾峻玮　唐展逵　卓泽佳　张皓

摘    要：荔枝生长期间，容易发生病虫害问题，直接影响荔枝的产量与品质，合理识别荔枝病虫害，可以减少病虫害防治方法不合理和杀虫剂滥用等情况。文章选取典型的“桂味”荔枝为研究对象，开展病虫害防治，建立基于信息增强方法的深度卷积神经网络迁移研究和辨识模式，使原始样品容量扩大数倍，并通过构建模型过拟合值，进而提高模型的泛化水平和荔枝病虫害防控分析的精度，以提高荔枝种植产量。

关键词：迁移学习；卷积神经网络；荔枝；病虫害识别

文章编号：1005-2690（2023）09-0100-03       中国图书分类号：S436.67；TP183       文献标志码：B

近年来，随着新一代信息技术的迅速普及，我国逐渐加强了对农产品病虫害智能辨识与数字化防治的扶持工作，农作物病虫害智能识别研究逐渐成为热门。早期农产品病虫害的智能识别和数字化防治主要通过图像预处理（灰度化、直方图均衡、中值滤波等），图像分割和特征提取技术（灰度矩阵、颜色矩阵等），是指进行特征的选择和设计，然后通过特定的机器学院算法（支持向量机、随机森林、PCA等）训练特定的分类能力，从而达到智能辨识的目的。有的学者通过Otsu阈值分析和直方图均衡化的方法分析了图像数据，并在实现信息分离后通过支持的向量机实现鉴别，目前运用这种方式对红苹果病叶的识别率已经达到了96％。有的学者提出利用图像分割技术和支持向量机的方式对马铃薯信息进行鉴别，目前其鉴别率已达到95％以上[1]。还有学者提出，首先采用均值与聚类分离技术，在获得病斑后利用主成分分析法得到主特征矢量，又通過利用支持向量法所建立的多层分类器对麦冬叶病害进行分类，目前该方式识别的准确率达到94.4％[2]。本研究主要应用于在深度知识迁移训练下的荔枝病虫害图像识别技术，并着重研究了在训练后样本量相对较少情况下的识别准确率问题。

1 理论与技术基础

文章主要利用计算机可视化、数据增广、深卷积神经网路、迁移学习等新技术，研究基于数据增广技术的深度折积神经网路与移动认知技术的辨识功能，以攻克荔枝病虫害防控的图像识别难题。

1.1 计算机视觉

计算机视觉控制系统，主要由摄像机、空间图象采集器、识别模块、计算机等部分组成，用以模仿人的视野控制功能。利用对空间物体信号实施图像采集，对所获取的空间结构图像信号实行特征提取、抽象或者转换，进而对空间物体信息内容加以逻辑推理和评价，以实现对空间物体评估或决定的过程目的。

1.2 内容的增广

数据增强训练方法是在计算机视觉上应用的技术，是指通过提高练习样品的数据获取方式，使练习样品的数据获取方式尽量多元化，进而增强研究模式的泛化功能。目前大多数的机器学习架构中都已拥有了各种信息增广方法和接口函数，但是架构过程中，各种信息增广方法和接口函数并没有全部应用于当前的情景下，必须基于数据信息集合的特性来判断和应用当前的各种数据增广技术[3]。

1.3 卷积型神经网络

卷积型神经网络是使用卷积方法，并通过多层次的网络模型对事物进行认知的方法，是深度认知领域最有特色的方法之一，在影像处理领域中表现出色，目前已被广泛应用在语音识别、图像辨识、自然语言信息处理等领域[4]。卷积神经网络底层结构包含数据输入层、折积运算层、ReLU激励层、池化层、全接口层等，可以对原始的图像信息提供预处理、卷积运算、特征选择以及压缩数据等工作处理。

1.4 迁移学习

迁移学习是一种计算机领域的学习技术，是指一种经过预培训的模式可以重新应用到某一种任务上。其可以先在某些数据信息（如ImageNet数据信息）上训练模型，然后将数据信息调整并转移至其他数据集中[5]。移动知识的原因是，机器学习（监督学习）需要大量的标注信息，而标注信息是一项巨大且复杂的工作，迁移知识能够把已经掌握的强大知识转移到相应位置上。

2 识别模型研究

2.1 数据采集与分类

文章以荔枝为主要观察对象，共采集了荔枝炭疽病、荔枝酸腐病、荔枝椿象、荔枝丝胶病等10类荔枝病虫害图片样品，每类病虫害图片的样本数均为20个，共有约200张病虫害照片。同时对已采集的原始病虫害图片样品按病虫害品种进行分级，并编制病虫害标签，最终分级后形成了10个病虫害图片样品集。

2.2 数据增广

处理更大样本量可以提高基于深度学习技术的病虫害图像识别准确性，从而尽可能地将已采集的病虫害图片进行大数据增广处理。本实验通过对图片灰度化调整、光锐化处理、翻转变换、添加噪声等数据增广方式，对10类病虫害的约200张原始图片样品进行了处理，使样本的数据扩大了4倍。

2.3 YOLO v5神经网络搭建

在实验中，通过YOLO v5网络来训练农作物病虫害的预测[6]。YOLO是一个快速紧凑的分布式对象检测模块，和其他模块比较，体积的稳定性较好，而且拥有非常好的安全性，是一个能够检测数据类型和边界框的端对端神经网络[7]。YOLO家族始终拥有着强大的活力，从YOLO v1开始到YOLO v5，如今已传承了5代，并凭借持续的技术创新与完善的特性，始终被电脑视觉工程师当作对象测试的优选框架之一。

YOLO v5主要由Backbone、Neck、Head 3部分组成。其中各部分具体表现为以下内容。

一是Backbone：通过在不同的图像细粒点上聚集而产生图形信息的卷积式神经网络[8]。

二是Neck：混合和组合图像信号的网络层，其可以将所有图像信号都传送到预测层次。

三是Head：对图形特性作出估计，形成边界框合并估计类型。

下面介绍YOLO v5各部分网络结构包括的基础组件。

CBL：由Conv＋BN＋Leaky_relu激活函数组成。

Res unit：借鉴ResNet网络中的残差网络技术，用于建立更深入互联网。

CSP1_X：借用了CSPNet的网络结构，其构建的模型主要包括CBL模型、Res unint模型，以及卷积层、Concate。

CSP2_X：利用了CSPNet的网络结构，由卷积层与X个Res unint模块Concate组合而成。

Focus：首先将多个slice结果与Concat联系一起，之后再将其都集中在CBL模块中。

SPP：通过对1×1、5×5、9×9和13×13的最大池化方法，实现了多尺度的融合。

YOLO v5方法还应用到了迁移学习帮助网络更好、更快地获取特性。但是，由于样本量较小会使得卷积式神经网络学习的特性较为粗略，且细粒度也不足，从而无法表现病虫害防治的特点。练习建模需要相当漫长的时间，所以通过迁移练习能够缩短建模练习的时限。迁移训练一般有2种方法，一种是从训练系统的整体上微调，即从目标数据集上预练网络，然后从目标数据集上训练所有的目标；另一种是先冻结一个层面，然后再微调其他层面，因为在卷积式神经网络的上层特征中，获得的基本都是诸如纹理滤波器和颜色斑点这些通用的表面特征，所以不必再练习。

2.4 模型实验与识别准确率比较

通过建立的YOLO v5神经网络模块，对荔枝病虫害数据收集并加以培训。训练模式的基本条件为64位Windows10操作系统，并配备有IntelCorei7-

7800XCPU和NVIDIAGeForceGTX1080TiGPU。实验中，迁移学习所采用的预训模式为基于ImageNet开源数据集中培训技术的YOLO v5模式。该实验对5种建模方式进行了测试和对比，这5种建模方式分别为：通过传统的机器学习方式培训荔枝病害辨识模式[9]；在构建的YOLO v5网络系统上直观培训病虫害辨识模式，不结合迁移；通过构建的YOLO v3网络系统直观培训病虫害辨识模式，不结合迁移学习[10]；在构建的YOLO v4网络系统上直观培训病虫害辨识模式，不结合迁移学习[11]；在使用建立的YOLO v5网络上训练病虫害辨识模式，进行移动学习。5种模式的实验数据对比结果如表1所示。

根据实验结果发现，采用数据增强及移动训练方法与采用传统机器学习方式以及采用神经网络模式進行训练方法相比，荔枝病虫害识别准确度显著提升。而加入移动训练方法后，模式识别准确度最高。即适当延长学习时间可以进一步提高建模的准确度，但折积层的数量不可过多，问题就是学习时长过多的折积层容易导致建模过度拟合，且训练时的参数也容易更多，对模型的准确度产生不良影响。所以，在教学过程中，必须按照建模识别的目标来选取适当的学习时长。

3 结束语

以深度迁移学习为基础的荔枝病虫害识别技术是智慧农业的重要研究内容之一。文章以荔枝为研究对象，建立了基于YOLO v5深度神经网络和迁移学习的荔枝病虫害识别模型，并与其他4种模型的精确度进行对比。实验结果表明，基于YOLO v5的深度神经网络和迁移学习结合的荔枝病虫害识别模型具有良好的识别性能，可为进一步实现荔枝产量的提高提供技术支持。

参考文献：

[1]周逸博，马毓涛，赵艳茹.基于YOLO v5s和Android的苹果树皮病害识别系统设计[J].广东农业科学，2022，49（10）：155-163.

[2]赵文博，周德强，邓干然，等.基于改进YOLO v5的甘蔗茎节识别方法[J].华中农业大学学报，2023，42（1）：268-276.

[3]王云露.基于深度迁移学习的苹果病害识别方法研究[D].泰安：山东农业大学，2022.

[4]徐会杰，黄仪龙，刘曼.基于改进YOLO v3模型的玉米叶片病虫害检测与识别研究[J].南京农业大学学报，2022，45（6）：1276-1285.

[5]吴飞飞，侯永青，孙雪桐，等.机器学习方法的农作物病虫害识别系统[J].福建电脑，2022，38（4）：92-94.

[6]章智砚，李丹.基于YOLO5Face校园中的戴口罩人脸检测[J].电子测试，2021（23）：40-42，99.

[7]樊钦睿，李丹.基于YOLO5Face的口罩人脸检测[J].电子制作，2021（19）：61-63，8.

[8]吴蔚.基于深度迁移学习的苹果叶病识别方法研究[J].智慧农业导刊，2021，1（9）：14-17.

[9]李疆，郝梦洁，任显丞，等.机器学习在农作物病虫害识别上的应用综述[J].河南农业，2021（5）：49-50.

[10]刘君，王学伟.基于YOLO的番茄病虫害识别算法[J].中国瓜菜，2020，33（9）：18-22，38.

[11]余小东，杨孟辑，张海清，等.基于迁移学习的农作物病虫害检测方法研究与应用[J].农业机械学报，2020，51（10）：252-258.