温州市科技计划项目可行性研究报告

温州市科技计划项目可行性研究报告

（编写提纲）

项目名称：基于卷积神经网络和迁移学习的瓯柑病虫害自动识别技术研究

一、 立项的背景和意义；

瓯柑，浙江省温州市瓯海区特产，也是中国国家地理标志产品之一。在营养价值方面，瓯柑含有多种维生素，还含有丰富的过氧化氢氧化酶，与扛衰老的歧化酶，以及多种人体所需的纤维素等。在药用价值方面，瓯柑有降压、降温、耐缺氧和增加冠脉流量等有药效作用。温州民间素有“端五瓯柑似羚羊”之说，并广泛流传瓯柑可退烧、治咽喉炎、头痛等热性疾病。因此，瓯柑是名副其实的地方特产，也是历史名果，传承着瓯越历史文化和一代代温州人的乡情。

瓯柑产量容易受到天气、病害、虫害等自然因素的影响，其中病虫害是制约瓯柑产量提高的关键性因素，每年大约有10%的经济损失源自于病虫害。常见的瓯柑病害有柑橘黄龙病、柑橘溃疡病、柑橘炭疽病、柑橘疮痂病等，常见的虫害有柑橘红蜘蛛、柑橘木虱、柑橘蚜虫等。目前瓯柑病虫害的鉴定主要通过人工肉眼检测的方法实现，主观性强，容易造成误判，并且该方法需要检测人员具有很强的专业知识和丰富的经验。此外，我国基层种植人员大部分文化素质普遍较低，拥有瓯柑病虫害诊断和防治知识的专家极少，无法为广大农户提供及时、高效的指导。因此，研究并设计一种准确、便捷的瓯柑病虫害诊断和防治工具（方法），协助瓯柑种植农户开展病虫害防治，是解决该实际问题的有效方案。

近年，以深度学习为代表的人工智能技术发展迅猛，尤其是卷积神经网络在计算机视觉领域的研究取得了非常大的突破，很多基于卷积神经网络的图像分类与识别方法已经广泛用于现实中具体应用，如：银行ATM刷脸取钱、火车站扫人脸进站、基于深度学习的医疗图像分类、车辆、行人识别等。因此，结合农业领域的关键问题，基于深度学习相关方法，开展智能化应用研究具有十分重要的实际意义。

鉴于上述情况，本项目拟结合瓯柑病虫害特点，在深度学习框架下，改进并实现通过图像信息辨别瓯柑病虫害种类的自动识别方法，实现对瓯柑病虫害得自动、准确、快速、即时诊断。从而达到帮助果农认识和研究瓯柑病虫害发生规律，加强瓯柑病虫害防控措施，减少病虫害造成的经济损失，加速瓯柑种植业发展的最终目的。

国内外研究现状和发展趋势

（一）国外研究现状

国外研究人员早在20世纪七八十年代便将深度学习技术与传统农业相结合。随着深度学习技术的发展，国外研究人员对基于深度学习的病虫害识别技术进行了探索和研究，并获得了很大的进展。

Fukushima学者首先认识到神经感知机的功能，这也是卷积神经网络的雏形。在研究中，他最早发现了对于生物的神经网络，物体的识别具有旋转不变性，这一理论后来也被应用到卷积神经网络中。Mokhtar U等采用不同核函数的支持向量机分类计数，研究出一种对番茄黄化曲叶病(TYLCD)及番茄斑点枯萎病(TSWV)进行识别的方法。该方法由输入图像、图像预处理、病斑分割、特征提取及输出分类五个部分组成。数据集由200张被TYLCD 和 TSWV侵染的番茄叶片图像构成，经训练和测试，平均诊断正确率为90%，单个种类病虫害的诊断正确率最高达 92%。KawasakiY等研究出了一个新的基于卷积神经网络的植物病害检测系统，研究对象为3种类型的黄瓜叶片图像组成的数据集，共计800张图像，取得了94.9%的平均识别准确率。

Mohanty S P等通过对AlexNet模型和 GoogleNet模型进行迁移学习研究出一种鉴定作物病情的模型，并将该模型部署到智能手机进行病情鉴定，对使用智能手机进行病虫害诊断的研究具有重要意义。MwebazeE等设计了嵌入智能手机的基于叶片图像的植物病害严重程度判别系统，研究对象为4种植物病害，将每种病害根据严重程度分别分为5级，其中1级为健康植物，通过分析实验结果得出使用ORB提取特征方法的分类效果最好。

由于卷积神经网络的复杂性,利用卷积神经网络对数据集从头训练，要花费大量的时间，很多研究采用了迁移学习的方法。Amanda Ramcharan等人采用迁移学习的方法，使用包含3种木薯疾病和2种虫害的2,756个图像的数据集对卷积神经网络Inception v3进行训练，最终模型的总体准确度达到93%。RonnelR.Atole 等人利用迁移学习对AlexNet 深度网络进行训练，实现了水稻植物健康、不健康和蜗牛感染三分类，网络实现了91.23%的准确率。

（二）国内研究现状

国内至今对病虫害的研究所投入精力依然不足，且将深度学习技术应用于病虫害的识别起步较晚，开始于21世纪初期，研究成果及技术应用不够成熟。但经过近几十年的发展，目前在相关研究领域已经取得了不错的进展。

岑喆鑫建立了计算机视觉采集系统，在此基础上建了黄瓜叶部病害数字图像数据库，通过识别病斑区域图像的颜色纹理和形状进行多种病害鉴别。刘军等提出一种基于彩色图像处理的作物病害识别诊断系统，该系统在特定条件下对黄瓜、番茄等叶部病害诊断识别效率较高，对非结构环境下识别率有待改进。

马浚诚等研究出一种同时使用复合颜色特征和区域生长算法将感染病害的区域分离出来的方法，分离后的图像用于训练卷积神经网络，训练所得模型实现对黄瓜病害的诊断，该模型的诊断准确率为95.7%。张明基于OTSU算法与SFLA算法提出基于混合蛙跳算法的OTSU阈值分割法，采用卷积神经网络进行训练来实现对马铃薯病害的诊断，平均诊断准确率达到95.17%。

胡志伟等提出将注意力机制与ResNet网络组合在一起的注意力残差网络ARNet，该网络采用了RCB残差模块，研究对象为番茄5种病害，其中每种病害分为两种程度，其实验结果表明比相同实验环境下的VGG16、ResNet34识别效果好，稳定性强，取得88.2%的平均识别准确率。谭文军设计了一种将残差连接与批归一化相结合改进的卷积神经网络模型用于检测作物叶片病害，经分析与验证表明,该模型比微调VGG模型进行迁移学习以及传统深度学习的收敛速度快，训练时间短，识别效果较优，测试单张图片耗时较短。

参考文献

[1]边柯橙,杨海军,路永华.深度学习在农业病虫害检测识别中的应用综述[J].软件导刊,2021,20(03):26-33.

[2]钟林忆,刘海峰,董力中,高翔,黄家怿,司志恒.计算机视觉下的农作物病虫害图像识别研究[J].现代农业装备,2021,42(01):51-55.

[3]李疆,郝梦洁,任显丞,彭步迅,张晓.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(05):49-50.

[4]陶怡,范营营,琚成,杨会甲,朱超,王飞.基于神经网络的智慧农业病虫识别系统设计与应用[J].农业与技术,2021,41(02):8-11.

[5]张凝,杨贵军,赵春江,张竞成,杨小冬,潘瑜春,黄文江,徐波,李明,朱西存,李振海.作物病虫害高光谱遥感进展与展望[J].遥感学报,2021,25(01):403-422.

[6]尤程,潘洁,刘运书.基于无人机遥感的松材线虫病识别定位与视频会商系统开发研究[J].浙江林业科技,2021,41(01):51-58. [7]陶秀娟,闫丽,崔轶男,于海洋,卞海涛,马天.白菜主要病虫害识别及药剂防治[J].长江蔬菜,2021(01):56-60.

[8]秦彩杰,李勇.作物病虫害自动识别技术研究——基于视频监控和无人机平台[J].农机化研究,2021,43(10):42-45+50.

[9]计雪伟,霍兴赢,薛端,伍晓平.基于深度学习的农作物病虫害识别方法[J].南方农机,2020,51(23):182-183.

[10]顾泽鑫,王白娟,苏文苹,吴志娟.高光谱无人机遥感影像识别技术在茶园病虫害防治中的应用研究[J].经济师,2020(12):61-62.

[11]苗雪菲. 基于深度学习的番茄病虫害诊断防治系统[D].河北工程大学,2020.

[12]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.

[13]欧善国,张桂香,彭晓丹.荔枝病虫害图像识别技术研究和应用[J].农业工程,2020,10(11):29-35.

[14]康飞龙,李佳,刘涛,佟鑫,于文波.多类农作物病虫害的图像识别应用技术研究综述[J].江苏农业科学,2020,48(22):22-27.

[15]李小彬.北方水稻常见病虫害的识别与防治要点浅析[J].南方农业,2020,14(32):50-51.

[16]钟晋平. 种植农作物 轻松识别病虫害[N]. 山西科技报,2020-11-05(B07).

[17]沈凯文,李浩伟,韩进,房若民.基于卷积神经网络的病虫害可视化监测系统设计[J].软件导刊,2020,19(09):122-126.

[18]朱伊平,管孝锋,黄海龙,陆林峰.农业病虫害远程诊断平台[J].浙江农业科学,2020,61(09):1819-1820+1832.

[19]刘鹏鹏. 基于深度学习的番茄叶面型病虫害识别研究[D].南昌大学,2020.

[20]雷声渊. 机器学习结合Android手机的病虫害棉叶识别研究[D].石河子大学,2020.

[21]淡博雅. 基于卷积神经网络的宁夏地区病虫害识别算法研究[D].宁夏大学,2020.

[22]姜楠. 基于图像处理的草莓病虫害特征提取及识别诊断研究[D].吉林农业大学,2020.

[23]崔灿. 基于卷积神经网络的草莓病虫害识别与应用[D].重庆三峡学院,2020.

[24]侯发东. 基于卷积神经网络的棉花叶部病虫害自动识别研究[D].山东农业大学,2020.

[25]邵泽中. 基于Android和深度学习的稻田病虫害智能诊断系统的研究与实现[D].浙江理工大学,2020.

二、 研究开发内容和关键技术

（一）研究内容

本课题以常见的瓯柑病虫害为研究对象，目的是研发一套基于卷积神经网络和迁移学习的瓯柑病虫害自动识别诊断系统。主要研究内容如下：

1、 数据集构建

研究中涉及的数据集分为两类:一类是自主获取,包括采用高清相机或手机进行拍摄获取;网上获取并裁剪合成;另一类来源于公开数据集,其中使用最为广泛的是 Imagenet 和 PlantVillage 等。为了使训练出来的识别模型更为有效、准确率高，可以采取数据增强技术，人为的扩充图像数据，提升泛化能力，能够更好地适应实际问题。

2、针对瓯柑病虫害分类特点构建自动识别模型

根据瓯柑病虫害分类特点选取合适的CNN模型，并对CNN模型进行优化改进，同时为了提高模型的学习效率，利用迁移学习的方法对深度卷积网络模型进行微调，最终建立瓯柑病害诊断模型，实现瓯柑病害的自动化识别。

3、Android手机端的瓯柑病虫害采集与自动识别系统实现

设计瓯柑病虫害识别APP与集成了识别模型的远程服务器进行信息交互，手机获取瓯柑图像并进行预处理，通过网络将其上传到远程服务器，服务器接收图像，并通过建立的“瓯柑病虫害自动识别模型”进行识别，最后将识别结果反馈给终端APP，实现病虫害的在线识别。

（二）关键技术

1．深度学习下卷积神经网络CNN模型的研究，包括AlexNet、LeNet 、VGG16、ResNet和