摘要：深度學習是一種新興的圖像處理和數據分析技術，其中深度卷積網絡在處理圖像、視頻、語音和音頻方面取得突破性進展，其在農業領域的應用引起廣泛關注。對采用深度學習技術的39項農業病蟲害檢測識別研究成果進行研究，分析其數據來源、預處理和增強技術、應用領域、采用的模型和框架、性能指標，并與其它研究方法作對比。研究結果表明，深度學習具有良好的自動特征提取功能，提供了更好的分類效果，優于傳統的機器學習方法，且數據采集的多樣性、數據規模和完整性對深度學習性能有重要影響。

　　關鍵詞：深度學習；病蟲害；圖像識別；特征提??；智能農業

　　引言

　　目前，國內大多數農民對農作物病蟲害的判別方法停留在傳統的實地目測上，通過農作物的外觀表面形態等進行判斷，多依賴于個人經驗。專家對于病蟲害識別具有豐富經驗，但往往不能及時趕往現場，或者因有限的人力資源不能進行大型區域識別，容易導致誤判和漏判。如何有效、快捷地防治農作物病蟲害，成為當前智能農業必須考慮的問題。

　　計算機視覺技術在農業應用中最為廣泛，主要研究方向有作物病害檢測與診斷［1］、農產品采摘預測［2］、農產品品質檢測［3］、農產品分級等。使用計算機視覺技術在不影響農作物本身生長的前提下對農業病蟲害進行檢測識別，具有無損、快速、實時等特點。國內外專家學者在病蟲害圖像識別領域的研究工作主要集中在圖像分割、圖像特征提取、圖像分類和識別等［4］。

　　1深度學習

　　深度學習方法是一種特征表示方法，它能將原數據通過簡單的多種非線性模型組合轉變為更高層次的抽象形式，而其核心是各層特征而不再是人工設計，通過通用的學習過程自主獲得［5-8］。正是由于深度學習能自動提取高層次特征的特點，采用它進行圖像處理時極大減免了特征工程的復雜操作，減少了模型訓練時間［9-10］，使得模型分析結果更精準［11］，運行效率也相對較高［12］。并且，深度學習模型可以開發模擬數據集以解決實際問題［13］。

　　2農業病蟲害檢測識別中的深度學習應用本文對39項農業病蟲害相關研究工作進行分析，并介紹它們的數據來源、所使用的數據預處理技術和數據增強技術、研究對象、選擇的深度學習模型和體系結構、采用的性能指標。

　　2.1數據源

　　觀察所研究文章的數據集，如表1所示，大部分研究使用的數據集規模較大，圖像數目多達千張甚至上萬張。

　　研究中涉及的數據集分為兩類：一類是自主獲取，包括采用高清相機或手機進行拍攝獲??；網上獲取并裁剪合成；使用高普光成像儀獲取圖像或使用農業互聯網傳感器采集昆蟲數據信息；另一類來源于公開數據集，其中使用最為廣泛的是Imagenet和PlantVillage等。ImageNet數據集是為了促進計算機圖像識別技術發展而設立的一個大型圖像數據集，其中已經超過千萬張圖片，每一張圖片都被手工標定好類別。PlantVillage是一個公開數據集，已經收集成千上萬健康和患病作物圖片，并公開和免費提供這些圖片。

　　2.2數據預處理

　　部分研究（32篇論文，80%）為了實現識別效果最優化，在圖像或圖像的特定特征輸入到深度學習模型之前對圖像作預處理。在使用深度學習對圖像進行分類識別時，圖像的亮度、對比度等屬性對圖像識別效果影響非常大，相同物體在不同亮度和對比度下的差別非常大。在農業病害圖像檢測識別問題中，經常會遇到陰影、強曝光之類的圖片，這些因素都不應該影響最后的識別結果，因此要對圖像作預處理，使得到的實驗結果盡可能小地被無關因素所影響。調整圖像大小是最常見的預處理過程，深度學習模型常用尺寸有：256×256、227×227、224×224等。圖像分割也是圖像預處理的一種較流行的做法，可以增加數據集規模，也可以通過突出感興趣的區域促進學習過程，使專家和志愿者更容易對數據進行注釋。研究表明，采用分割圖像的平均識別精度相比原始圖像取得了更好的識別效果，其余數據預處理方法如表2所示。

　　3討論

　　分析表明，在每篇論文中，將基于深度學習的方法性能與其它技術進行比較時，最重要的是要堅持相同的實驗條件（數據集和性能度量），并將基于傳統機器學習的方法和其它每篇論文中所解決的特定問題而采用的先進技術進行比較。

　　每篇論文涉及不同的數據集、預處理技術、度量、模型和參數，因此每篇論文中使用的技術受到嚴格限制?；谶@些約束條件可知，深度學習比傳統的SVM、DecisionTree等分類器有更好的分類表現。在特征提取方面，相較于尺度不變特征變換、紋理、顏色和形狀等傳統方法，深度學習模型的自動特征提取更有效。

　　本文研究表明，一些研究工作取得了較好成果，因為其數據集具有較高的真實性和較大的規模性，而對于部分真實數據集則較少研究，觀察其對模型的遷移學習預訓練并在真實數據上進行測試，其中數據集中真實數據所占比率越高，分類效果越好。因此可以得出，遷移學習是深度學習的重要內容，它是解決各種研究問題中真實數據集不存在或不夠大的關鍵，但其中數據集中真實數據所占比率仍是影響其實驗效果的關鍵因素，真實數據比率越高，分類效果越好。

　　參考文獻：

　?。?］QUF，WUYJ，LIUP.Researchprogressofcomputervisiontechnol?ogyincroppestcontrol［J］.JournalofAnhuiAgriculturalSciences，2011，39（9）：5570-5571.屈赟，吳玉潔，劉盼.計算機視覺技術在農作物病蟲草害防治中的研究進展［J］.安徽農業科學，2011，39（9）：5570-5571.

　?。?］BAOG，XUNY，QILY.Applicationofmachinevisionincucumberpickingrobot［J］.JournalofZhejiangUniversityofTechnology，2010，38（1）：114-118.鮑官軍，荀一，戚利勇.機器視覺在黃瓜采摘機器人中的應用研究［J］.浙江工業大學學報，2010，38（1）：114-118.

　?。?］YINGYB，RAOXQ，ZHAOY，etal.Applicationofmachinevisiontechnologyinautomaticidentificationofagriculturalproductquality（I）［J］.TransactionsoftheChineseSocietyofAgriculturalEngi?neering，2000，1（1）：103-108.應義斌，饒秀勤，趙勻，等.機器視覺技術在農產品品質自動識別中的應用（I）［J］.農業工程學報，2000，1（1）：103-108.

　　邊柯橙，楊海軍，路永華