|
一、选题背景
中国是世界上最大的苹果生产国和消费国，苹果种植面积和产量均占世界总量的 40%以上，在世界苹果产业中占有重要地位。苹果是我国特别是我国西部地区的重要农业支柱，也是许多贫困地区脱贫致富的重要产业。[1]在制约苹果产量与品质的众多因素中，病虫害问题一直受到广泛重视。苹果树病虫害对苹果的产量有重要影响，如果能快速准确地识别病虫害就能有针对性的对病虫害进行及时控制，将病虫害对苹果树的影响降到最低。
目前我国农作物病虫害的识别、检测和预报主要依靠于植保部门，还未建立现代化预警体系。由于防治经费与农业专业工作人员的缺乏，难以在一些偏远地区及时提供专业的技术指导，准确科学的病虫害防控手段难以及时运用到各个病虫害发生地区，容易导致灾情延误。[2]农户以家庭为单位进行生产且农作物的种植较为分散，在病虫害爆发的时候存在盲目运用农药的现象，这样不仅会加重本地区病虫害的耐药性，同时也严重危害了生态环境。
深度学习作为机器学习的一个分支，近年来在图像识别、自然语言处理等领域取得了显著进展。其强大的特征提取和学习能力使得它在图像分类、目标检测等任务中表现出了优异的性能。[3]在农业领域，深度学习技术也逐渐被应用于病虫害识别、作物生长监测等方面，并取得了初步的研究成果。苹果作为我国重要的水果之一，其叶片病虫害的识别和防治对于提高苹果产量和品质具有重要意义。然而，传统的病虫害识别方法已经难以满足现代农业生产的需求[4]。因此，本研究旨在利用深度学习技术，设计一套基于卷积神经网络算法CNN的苹果叶片病虫害识别系统，以实现苹果叶片病虫害的快速、准确识别。同时，该系统还可以为农业生产提供决策支持，帮助农民及时采取防治措施，减少病虫害对苹果产量和品质的影响。
二、国内外研究现状
随着深度学习技术的迅速发展和其在图像处理领域的广泛应用，国内外的研究各自的发展轨迹和侧重点有所不同，但均取得了显著的进展。同时，也存在一些不足。例如，目前的研究主要集中在识别准确率的提升上，而对于模型的泛化能力和实际应用中的稳定性还有待加强。此外，针对苹果树叶片病虫害的研究相对较少，需要进一步加强该领域的研究，推动苹果树叶片病虫害识别技术的快速发展和实际应用
（一）国外研究现状
在国外，基于深度学习的苹果叶片病虫害识别系统的研究起步较早，并取得了显著的进展。研究人员通过构建各种深度学习模型，如卷积神经网络（CNN）、循环神经网络（RNN）等，对苹果叶片病虫害图像进行特征提取和分类识别。上个世纪后半段，随着信息技术的飞速发展，数字图像处理技术越来越成熟，理所当然的被应用与关乎民生的农业工程中；九十年代，伴随着计算机视觉技术和人工智能识别技术的逐渐完善，农业工程中开始出现结合这几类应用的趋势。 1985 年安冈善文等对植物叶片受SO2气体感染后的红外图像进行研究，发现受染叶片的红外图像能清晰地显示污染区域，认为可通过植物病叶图像来诊断植物染病情况。2019 年，SZA[6]等提出一种将扩张卷积与全局池化相结合的全局池化扩张卷积神经网络(Globalpooling dilated convolutional neural network, GPDCNN)用于黄瓜病虫害识别。GPDCNN 融合空洞卷积和全局池化的优点，与经典的卷积神经网络 AlexNet 模型相比，GPDCNN用全局池化层替换全连接层，在不增加计算复杂度的情况下增加卷积感受野。对六种常见黄瓜叶片病害数据集的实验结果表明，该模型可以有效识别黄瓜病害，识别准确率达到94.65% 。2021 年，Vaibhav Tiwari[7]提出了一种针对植物病害检测与分类的密集卷积神经网络结构。使用 27 种不同类别的六种作物进行实验。实验结果表明，在复杂的背景条件下，对 27 种不同类别图像的交叉验证平均准确率较高。
（二）国内研究现状
国内在这方面起步较晚，但是从 90 年代初期开始也有一些高校和科研单位开展植物病害图像处理技术的研究，90 年代后期计算机图像分析技术开始被应用于农业工程中，随着研究的深入，近几年该领域的研究有了长足进步，逐步开始转向应用实用化、服务化[8]。近年来，随着国家对农业智能化和精准农业的重视，越来越多的研究机构和高校开始关注这一领域的研究。同时，还有一些研究将深度学习技术与农业物联网、大数据等技术相结合，实现了对苹果叶片病虫害的实时监测和预警[9]。2002 年徐贵力[10]等人研究缺素叶片彩色图像颜色特征提取，提出用百分率直方图法提取缺素叶片图像颜色特征，并用它取代一般直方图以解决叶片大小对颜色特征提取的影响。2003 年毛罕平等对番茄缺素叶片的图像利用差分百分率直方图法提取纹理特征，用傅里叶变换法把叶片图像变换到频域中，在频域内分析缺素症状体现出的周期性特征，结合小波变换的特点来提取缺素叶片的时频特征。2004 年田有文[11]等根据所采集的植物病害图像特点，利用统计模式识别的监督分类方法，采用 Fisher 准则的线性判别函数能快速、有效、准确的对图像进行真彩色二值化分割。2011 年袁媛等人针对具有复杂背景的作物病叶图像中的叶片提取问题，提出了一种基于先验信息的水平集模型，将纹理与形状信息作为先验信息，构建新的水平集模型，该方法能较准确的将复杂背景中的病叶分割出来。2010年何东健和李宗儒对用手机获取的低分辨率苹果叶部病害图像进行预处理，用最大类间方差法进行病斑分割，优选颜色、纹理、形状等 8 个有效特征，运用 BP 网络分类模型，对 5 种病害进行识别，正确识别率达到 92.6%。
综上，目前以深度学习为代表的方法训练出的识别模型可以大大降低对图像的预处理工作量，提高识别准确度，能够成为有效的病虫害查询和预警工具。通过对大量文献资料研究发现，利用数字图像处理技术和智能识别技术来解决苹果病害识别在理论上是可行的。然而目前针对苹果树叶片病虫害的研究相对较少，因此本文将利用深度学习的方法搭建出针对苹果树叶片病虫害精准且快速的识别模型并以训练好的模型为核心建立了苹果树叶片病虫害识别系统，能够让苹果树叶片病虫害的识别与防控快速化、专业化、便利化。
三、研究意义
农业病虫害作为农业生产的反面成分，对农作物的生长造成了严重的危害， 对农产品造成的经济损失严重[10]，作为一个农业大国，也是一个病虫害高发的国家，我国主要的农作物病虫害有 1400 余种，每年因病虫害造成的粮食损失约 5 000 万吨，其中蔬菜、果树病虫害更为严重。在苹果产业方面，我国苹果种植面积达 8000 余万亩[11]，随着最近年份苹果种植面积的不断增大，在苹果的生长过程中，遇到 突发性的大规模病害的可能性也不断变大，如果没有得到及时诊断、打药，则会 造成严重的经济损失，这就需要果农不定时的对苹果进行病害监督和判断，在实际操作中表现为需要不时地巡视果园，观察苹果生长情况，需要移动梯子进行爬高作业，对于果农来说，这项工作劳动强度大、消耗时间长、费用高并且具有的危险性，而且近年农村从事种植的劳动力逐渐减少，青壮年劳动力数量逐步下降，农村劳动力很多都是老弱人士[12]。设计一个病虫害识别系统，对于提高农业生产的智能化水平和保障农产品质量具有重要意义。通过及时准确地识别病虫害，农民可以迅速采取防治措施，减少病虫害对苹果生长的影响，保障果实的健康生长和发育。这不仅能够提高苹果的产量，还能够改善果实的品质和口感，满足消费者对高品质农产品的需求。
四、研究的基本内容与拟解决的主要问题
（一）基本内容
毕业论文（设计）中主要完成的内容包括：
（1）苹果叶片病虫害图像数据库的建立。收集苹果叶片健康及不同病虫害状态下的图像，建立包含多样性和代表性的图像数据库，为深度学习模型的训练提供数据基础。
（2）深度学习模型的选择与构建。分析卷积神经网络（CNN）及其变体（如ResNet、VGG等）在图像识别领域的应用，选取合适的深度学习模型，并针对苹果叶片病虫害识别任务进行模型构建和优化。
（3）病虫害识别系统的实现与测试。将训练好的深度学习模型集成到病虫害识别系统中，设计用户界面和交互逻辑，实现苹果叶片病虫害的自动识别功能，并进行实际测试以验证系统的可靠性和准确性。
（4）识别系统的优化与改进。根据测试结果和用户反馈，对识别系统进行优化和改进，提高识别准确率和系统稳定性。
（二）拟解决的主要问题
（1）提高苹果叶片病虫害识别的准确率。通过深度学习模型的学习和训练，实现对苹果叶片病虫害的自动、高效识别，提高识别的准确率，减少误判和漏判的情况。
（2）简化识别系统的操作流程。设计用户友好的界面和交互逻辑，使操作人员能够轻松地使用识别系统，减少操作步骤和复杂性，提高工作效率。
（3）提升系统的稳定性和鲁棒性。针对苹果叶片图像可能存在的光照变化、遮挡、噪声等干扰因素，采取相应的算法和技术手段提高系统的稳定性和鲁棒性，确保在不同环境下都能保持较高的识别性能。
五、研究思路方案、可行性分析及预期成果
本设计论文拟采用理论分析与机器学习模型构建及实验验证的方法，通过先进的图像处理与机器学习框架，完成苹果叶病虫害识别系统的设计，并对其进行初步的性能评估与优化。系
（一）研究思路方案
1.数据收集与预处理
收集苹果叶片健康及不同病虫害状态下的图像，建立包含多样性和代表性的图像数据库。对图像进行预处理，包括图像增强、噪声抑制、图像分割等[13]，以提高图像质量，为后续的特征提取和模型训练奠定基础。
2.深度学习模型选择与构建
分析卷积神经网络（CNN）及其变体在图像识别领域的应用[14]，结合苹果叶片病虫害识别的特点，选择合适的深度学习模型。根据模型特点，设计相应的网络结构，包括卷积层、池化层、全连接层等，并进行模型的参数初始化。
3.模型训练与优化
利用建立的图像数据库对深度学习模型进行训练，通过调整学习率、优化算法等超参数，优化模型的训练过程。采用交叉验证等方法评估模型的性能，并根据评估结果对模型进行调整和优化。
4.病虫害识别系统的实现与测试
将训练好的深度学习模型集成到病虫害识别系统中，设计用户界面和交互逻辑，实现苹果叶片病虫害的自动识别功能。进行实际测试以验证系统的可靠性和准确性，并根据测试结果对系统进行优化和改进。
（二）可行性分析
1.技术可行性
深度学习技术在图像识别领域已经取得了显著成果，卷积神经网络（CNN）在图像识别领域已经取得了突破性进展，并在多个领域得到了广泛应用。CNN的层次结构能够自动学习和提取图像中的复杂特征，这使得其在处理图像数据时具有强大的能力。目前，已经有许多成熟的深度学习框架和库可供选择，如TensorFlow、PyTorch等[15]。这些框架和库提供了丰富的工具和接口，便于我们构建、训练和部署深度学习模型。随着图像处理技术的不断发展，现在已经有了许多先进的图像预处理和后处理方法，如图像增强、噪声抑制、图像分割等。这些技术能够有效地提高图像的质量，为后续的机器学习模型提供更好的输入数据[16]。因此，从技术角度来看，基于深度学习的苹果叶片病虫害识别系统是可行的。
2.数据可行性
随着农业信息化的发展，获取苹果叶片图像数据变得相对容易。我们可以通过实验室采集、网络爬虫、公开数据集等多种方式收集苹果叶片图像数据，并建立包含多样性和代表性的图像数据库。这为深度学习模型的训练和测试提供了充足的数据支持。
3.市场需求可行性
苹果作为全球广泛种植的水果之一，其产量和品质对于农业生产具有重要意义。因此，开发一种能够自动、高效识别苹果叶片病虫害的系统对于提高苹果产量和品质具有重要意义。这符合市场需求并具有一定的商业价值。
4.个人专业技能知识可行性
在苹果叶片病虫害识别系统中，图像处理、计算机视觉和机器学习技术是关键。本人已经掌握了相关的计算机视觉、机器学习、编程和数据分析等技能，并且具备了一定的实践经验。本人拥有扎实的编程基础，熟练掌握Python、C++等语言，以及TensorFlow工具，这些将大大提高系统开发的效率和模型的性能。此外，本人还具备数据科学和数据分析能力，能处理和分析图像数据，提取关键信息。
5.团队实力可行性
指导老师及其课题组在机器学习以及计算机视觉的相关研究方面具有很多成功的经验，本设计的研究方法思路经过深思熟虑，切实可行，能够确保毕业论文（设计）的顺利完成并取得预期的研究成果。
（三）预期研究成果
（1）完成病虫害识别系统的设计、开发。
（2）建立病虫害识别模型，快速准确地识别苹果叶片的病虫害，这将有助于提高农业生产效率，减少病虫害对农作物的损害，进而保护生态环境，提升农产品的质量和产量。
（3）在农业相关领域发表论文或技术报告，在果树病虫害防治方面产生一定的影响，推动深度学习在农业病虫害识别领域的应用和发展。
六、论文（设计）计划安排
（1）2024.06.11-2024.06.13 毕业论文（设计）前期资料准备、毕业论文（设计）任务书、任务布置。
（2）2024.06.14-2024.06.21 教师指导学生查阅资料(包括外文资料)，撰写文开题报告等工作。
（3）2024.06.22-2024.06.25 完成开题报告答辩工作；进行总体方案设计。
（4）2024.06.26-2024.11.14 至少完成毕业论文（设计）一半工作量。；
（5）2024.11.15-2024.11.30 毕业论文（设计）中期检查指导情况，学生完成情况，以及表格与记录的填写情况。
（6）2024.12.01-2025.04.15 完成本科毕业论文，不断修改完善，最终确定终稿；完成本科毕业设计作品，逐步修改完善。
（7）2025.04.19-2025.04.26 答辩资格条件审核及论文重复率检测。
（8）2025.04.27-2025.05.12提交毕业论文（设计），做好毕业论文（设计）答辩准备，完成毕业论文（设计）答辩。
（9）2025.05.13-2025.05.20完成毕业论文（设计）相关材料的整理及归档工作。
七、参考文献
[1] 李扬. 机器学习在农业领域应用现状与前景 [J]. 安徽农学通报, 2021, 27 (01): 164-165+174. DOI:10.16377/j.cnki.issn1007-7731.2021.01.063.
[2] 岳强, 闫文涛, 周宗山, et al. 苹果病虫害发生特征与防治策略[J]. 中国果树, 2020(06): 107-111
[3] 沈恒宇.基于MobileNet的苹果树叶片病虫害识别研究与应用[D].东北林业大学,2022,DOI:10.27009/d.cnki.gdblu.2022.001064.
[4] 翟肇裕,曹益飞,徐焕良,等.农作物病虫害识别关键技术研究综述 [J]. 农业机械学报,2021, 52 (07): 1-18.
[5] 马健，沈佐锐，金晓华.利用计算机视觉技术自动计数麦蚜可靠性研究[J].中国植保导刊.2007,06:9-11.
[6] Sz A, Sz B, Cz C, et al. Cucumber leaf disease identification with global pooling dilated convolutional neural network[J]. Computers and Electronics in Agriculture, 2019, 162: 422- 430.
[7] Tiwari V, Joshi R C, Dutta M K. Dense convolutional neural networks based multiclass plant disease detection and classification using leaf images[J]. Ecological Informatics, 2021: 101289.
[8] 胡林,刘婷婷,李欢,等. 机器学习及其在农业中应用研究的展望 [J].农业图书情报, 2019,31 (10): 12-22. DOI:10.13998/j.cnki.issn1002-1248.2019.09.19-0652.
[9] 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]. 武汉轻工大学, 2020.DOI:10.27776/d.cnki.gwhgy.2020.000311.
[10] 徐贵力，毛罕平，李萍萍.缺素叶片彩色图像颜色特征提取的研究[J].农业工程学报，2002.18（4）：151-154
[11] 田有文.基于纹理特征和支持向量机的葡萄病害的识别[J].仪器仪表学报，2021，26（8）：606-608
[12] 杭立,车进,宋培源,等. 基于机器学习和图像处理技术的病虫害预测[J].西南大学(自然科学版),2020,42(01): 134-141. DOI:10.13718/j.cnki.xdzk.2020.01.019.
[13] 涂智潇.基于计算机视觉的农作物病虫害检测系统[D].中南财经政法大学, 2020. DOI:10.27660/d.cnki.gzczu.2020.002514.
[14] 陈天娇,曾娟,谢成军,王儒敬,刘万才,张洁,李瑞,陈红波,胡海瀛,董伟.基于深度学习的病虫害智能化识别系统[J].中国植保导刊,2019,39(4):26-34
[15] 解京璐,马媛,吴家鑫,陈可.基于深度学习的腐坏苹果图像识别系统的设计[J].南阳理工学院学报,2020,12(4):66-70
[16] 安强强,张峰,李赵兴,张雅琼.基于深度学习的植物病虫害图像识别[J].农业工程,2018,8(7):38-40
[17] 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
[18] 孙奥,吴冬燕,吴阳江,许燕萍.深度学习在农作物病虫害识别中应用初探[J].电子测试,2019,30(6):68-70
|
