基于扑翼无人机与深度学习算法的园艺病虫害检测研究

《IEEE Transactions on AgriFood Electronics》：Flapping-Wings Drones for Pests and Diseases Detection in Horticulture

　　本研究针对传统园艺病虫害监测方法（如黄粘板）存在劳动密集、精度低等问题，探索利用扑翼无人机（FWD）搭载相机采集图像，并应用深度学习算法（YOLO与Faster R-CNN）实现温室作物病虫害的自动识别。研究通过构建包含番茄、甜椒、黄瓜常见病虫害的图像数据集，并进行数据增强与预处理，最终验证YOLO模型在检测白粉病等病害方面优于Faster R-CNN，准确率介于0.29至0.61之间，为可持续病虫害综合治理（IPM）提供了可行的技术方案。

　　

随着全球人口的持续增长，农业与园艺业在保障粮食安全方面扮演着至关重要的角色。然而，这些行业也因其广泛使用农药、杀菌剂和化肥等化学品，对气候变化和生物多样性丧失构成了显著威胁。目前，温室种植者普遍采用综合病虫害治理（IPM）方法来监测和控制害虫种群，但其核心监测环节仍依赖于人工检查黄粘板。这种方法不仅准确性低，无法精确定位害虫，更难以有效检测真菌性疾病，加之全球农业劳动力短缺的现状，使得自动化作物监测技术的需求日益迫切。

在此背景下，空中机器人技术，特别是无人机，为作物监测自动化提供了可行路径。然而，传统的四旋翼无人机因其高速螺旋桨产生的强下洗气流可能对作物造成损伤，尤其不适用于番茄、甜椒等垂直生长的植物。受自然界鸟类和昆虫飞行机制启发的扑翼无人机（FWD）则展现出独特优势。它们通过柔性翅膀的动态运动实现飞行，具有更高的能量效率和机动性，能够在不规则、受限的空间（如茂密的作物枝叶间）灵活穿梭，对植物更为友好。

为此，由荷兰应用科学大学（Inholland University of Applied Sciences）的Orel Awesta D、Vera Hollink和Mauro Gallo D组成的研究团队，在《IEEE Transactions on AgriFood Electronics》上发表了一项研究，旨在开发一种基于扑翼无人机和深度学习算法的病虫害识别解决方案。该研究聚焦于荷兰温室中常见的番茄、甜椒和黄瓜作物，针对蚜虫、潜叶蛾、番茄潜叶蛾（Tuta absoluta）和白粉病等主要病虫害，探索如何利用搭载在FWD上的相机采集数据，并通过先进的深度学习模型实现准确、高效的检测，以期实现早期害虫检测，促进可持续害虫控制方法的应用，并缓解园艺部门的劳动力压力。

研究人员为开展此项研究，主要应用了以下几项关键技术方法：首先，构建了一个多样化的病虫害图像数据集，数据来源包括从多个温室采集的作物图像，以及与研究公司Vertify合作在荷兰Naaldwijk世界园艺中心专门设立的温室隔间内，对人工感染蚜虫和白粉病的黄瓜植株进行为期三个月的定期图像采集。其次，利用扑翼无人机（FWD）搭载Insta360 GO 3S相机在实际温室环境中进行飞行试验，采集视频和图像数据，并利用相机内置的FlowState稳定技术减轻机翼拍打引起的振动影响。第三，对数据集进行了预处理，包括使用Roboflow平台进行图像标注和划分（训练集70%、验证集20%、测试集10%），并应用了水平/垂直翻转、随机饱和度/亮度/曝光度调整等数据增强技术，以及图像尺寸标准化（调整至640x640像素）和自动定向。最后，研究选择并比较了两种主流的深度学习目标检测算法——单阶段的YOLOv9和两阶段的Faster R-CNN（采用ResNet50 FPN V2骨干网络），通过调整批量大小（Batch Size）、训练周期（Epochs）、图像尺寸（Image Size）和学习率（Learning Rate）等超参数进行模型训练与优化，并使用平均精度（mAP，包括mAP₅₀和mAP_50:95）和平均召回率（AR）等指标评估模型性能。

数据生产与采集

研究针对荷兰温室主要作物（番茄、甜椒、黄瓜）的常见病虫害（蚜虫、潜叶蛾、番茄潜叶蛾、白粉病）进行数据收集。初始数据集包含1597张图像，后续在与Vertify合作的专业温室隔间内又采集了约2000张黄瓜植株病虫害发展阶段的图像。此外，研究使用FWD搭载相机进行了实地数据采集活动。图像采集使用了不同的智能手机相机（分辨率12兆像素）和Insta360 GO 3S相机（4K视频分辨率）。FWD的飞行受限于相机载荷，续航时间降至约2分钟。飞行过程中，FWD以恒定高度扫描约100米长的作物，与植株距离在20至100厘米之间变化。相机内置的FlowState稳定技术被用于减轻机翼拍打引起的振动。

数据预处理

数据预处理包括数据增强和图像尺寸调整。数据增强技术应用于训练集，每张原始图像通过水平/垂直翻转、随机饱和度（-30%至30%）、亮度（-20%至20%）和曝光度（-11%至11%）调整生成三张增强图像，从而将训练集图像数量扩大三倍。所有图像被统一调整至640x640像素以满足模型输入要求，并应用“自动定向”功能。最终数据集包含5325张训练图像、508张验证图像和253张测试图像。初步探索性数据分析显示数据集中存在类别不平衡，白粉病和蚜虫的标注数量远多于其他病虫害。同时，图像中物体分布显示多数图像包含0-14个物体（如密集的蚜虫或白粉病斑），少数图像包含超过100个物体。图像背景复杂性和颜色差异（如绿色蚜虫与深绿色叶片融合）以及光照条件也是影响检测的重要因素。

深度学习模型选择：训练、验证与测试框架

研究选择并比较了代表单阶段和两阶段目标检测算法的YOLOv9和Faster R-CNN模型。选择依据包括温室应用需求、计算资源、输入尺寸要求以及速度与精度的权衡。YOLO以其单次前向传播同时预测边界框和类别概率的效率著称，适合实时检测。Faster R-CNN则首先生成区域建议（Region Proposals），再进行分类和细化，通常精度更高但速度较慢。评估指标包括平均精度（AP）、平均召回率（AR）和平均精度均值（mAP），重点关注mAP₅₀（交并比IoU阈值为0.5）、mAP_50:95（IoU阈值从0.5到0.95的平均值）和AR。

单阶段目标检测：YOLOv9

研究使用YOLOv9-C模型进行训练。经过超参数调优（图像尺寸、批量大小、训练周期、学习率），最佳配置为图像尺寸850x850像素，批量大小8，训练周期50，学习率0.01，此时模型在测试集上达到mAP₅₀为50%，mAP_50:95为31%，AR为46%。各类别性能分析显示，尽管数据集中潜叶蛾和番茄潜叶蛾标注数量较少，但由于其尺寸较大、结构特征明显，模型对它们的检测性能较好（mAP₅₀分别为69%和70%）。而尺寸微小、易于与环境融合的蚜虫检测难度最大，mAP₅₀仅为9%。

两阶段目标检测：Faster R-CNN

研究使用基于ResNet50 FPN V2骨干网络的Faster R-CNN pipeline。超参数调优后，最佳配置为图像尺寸640x640像素，批量大小8，训练周期30，学习率0.01，此时模型mAP₅₀为46.81%，mAP_50:95为28.42%，AR为34.7%。与YOLO类似，Faster R-CNN对蚜虫的检测性能最差（mAP_50:95为6%），对番茄潜叶蛾和潜叶蛾的检测相对较好。

模型比较：YOLO与Faster R-CNN

对比结果表明，在本研究场景下，YOLO算法在整体mAP_50:95和AR指标上均优于Faster R-CNN，即使在为Faster R-CNN提供更大输入尺寸（850x850像素）的情况下也是如此。两种模型在检测蚜虫时都面临巨大挑战。

深度学习模型在FWD采集数据上的测试

研究进一步将训练好的YOLO模型应用于FWD在World Horti Center温室隔间内实际飞行采集的视频数据上（视频中白粉病为主要病害）。以每秒7帧的速率提取帧并进行标注后，使用YOLO模型进行分析。结果显示，尽管存在由扑翼驱动系统引起的画面抖动，YOLO模型仍能以0.29至0.61的准确度检测白粉病，并在不同距离和深度上均能实现检测。在交并比IoU阈值为0.4时，精确度达到27.5%。相比之下，Faster R-CNN模型在相同数据上的表现较差。

结论与未来研究

本研究成功训练、测试并验证了YOLO和Faster R-CNN两种深度学习算法用于园艺病虫害检测。YOLO模型展现出更优的性能，其整体mAP₅₀和mAP_50:95分别达到50%和31%。更重要的是，研究首次验证了深度学习算法处理由扑翼无人机（FWD）在实际温室环境中采集的真实图像/视频数据的可行性。YOLO模型能够在一定程度上克服FWD飞行振动带来的图像模糊问题，实现对白粉病等病害的有效检测。

该研究的成功为利用生物启发式空中机器人实现温室作物自动化监测迈出了重要一步。未来研究将集中于扩展数据集覆盖更多作物和病虫害类型，开发不仅能识别害虫还能提供其进化信息和生命周期的更智能模型，并通过硬件（如设计更小型、高机动性FWD，探索高能量密度化学燃料替代电池）和软件（如探索特定算法对特定害虫的检测优势，引入图像预处理技术提取感兴趣区域，进行超参数优化）两方面的改进进一步提升检测精度和系统实用性。最终，基于FWD的病虫害监测系统有望集成到综合病虫害治理（IPM）框架中，通过提供害虫密度、分布等关键参数，支持 growers 进行风险评估和决策，推动生物防治等可持续方法的应用，并对解决大规模温室监测的可扩展性挑战（如开发FWD集群）具有重要意义。