基于深度学习的秧苗病虫害识别技术研究.pdf
摘要
粮食安全是当前社会发展的基石，而智慧农业的发展则是互联网在农业领域的必
然方向。对于秧苗病虫害的检测和识别，不仅能够提升秧苗种植的信息管理水平，还
能保障秧苗的健康生长。这对现代农业的发展具有重要意义。
传统的秧苗病虫害检测方法主要以人工手动提取病虫害特征，使用传统的机器学
习算法进行病虫害分类识别。随着深度神经网络技术的出现，在水稻病虫害识别领域，
深度神经网络也得到了广泛地应用。但目前来讲，对于秧苗病虫害识别的研究还存在
着移动端模型部署权重过大、检测准确率低以及大小目标检测性能不平衡的问题。本
文选取秧苗田间常见的白叶枯病、稻瘟病以及褐斑病作为病虫害识别重点研究内容，
通过构建特征信息聚合分发模块、改进损失函数以及轻量化主干网络等途径实现提-
高病虫害识别准确率以及解决数据集样本权重不平衡问题。论文的主要研究如下：
（1）为了解决基线网络模型特征融合部分在跨尺度提取特征中存在信息丢失问
题。首先在基线网络YOLOv7模型特征融合部分，构建信息聚合分发
(Gather-and-Distribute)模块，利用构建模块全局融合不同层次的特征并将融合后的信
息基于信息分发模块注入到各个层级中，在没有显著增加延迟的前提下实现更高效的
信息交互和融合，尽可能保证提取的特征信息不丢失。
（2）为解决不同大小目标检测性能不平衡的问题，在工作（1）的基础上提出了
一种改进损失函数，即Alpha-WIoU损失函数。实验结果表明，其改进后的检测模型
AWGD-YOLOv7(Alpha-WIoU-Gather-Distribute-YOLOv7)平均检测精度(mAP@0.5)
为85.22%，准确率为75.54%，模型参数量为31.812M，优于基线网络检测性能。
（3）为了更好地实现轻量化模型部署，降低参数量实现模型便捷部署，在工作
2MobileNetV3Squeeze-and-Excitation
（）的基础上，提出一种结合网络和注意力
机制的轻量化网络AWGD-YOLOv7-tiny，实现模型移动端轻量化部署。实验结果表
明，在模型参数量方面，结合MobileNetV3网络和注意力机制的模型参数量为10.823M，
优于改进前的网络参数量31.812M。
（4）本文设计并实现了基于微信小程序的秧苗病虫害识别系统。该系统使用
ColorUI作为前端小程序的底层渲染框架，采用Python环境、PyTorch和Flask框架
构建后端逻辑请求服务接口，具备秧苗病虫害图片、视频帧识别以及秧苗信息查询功
能。
关键词：MobileNetV3网络；损失函数；深度学习；轻量化网络
II
目录
摘要II
ABSTRACTIII
第一章绪论1
1.1研究背景及其意义1
1.1.1研究背景1
1.1.2研究意义3
1.2国内外研究现状4
1.2.1基于传统方法的秧苗病虫害研究现状4
1.2.2基于深度学习方法的秧苗病虫害研究现状5
1.3论文研究内容及其章节安排6
1.3.1论文研究内容6
1.3.2论文章节安排8
第二章相关理论基础9
2.1图像数据采集与处理9
2.2数据集构建10
2.3图像预处理10
2.4卷积神经网络11
2.4.1卷积层12
2.4.2池化层12
2.4.3全连接层13
2.5主流目标检测算法14
2.5.1Two-Stage目标检测算法14
2.5.2One-Stage目标检测算法15
2.6本章小结18
第三