基于深度學(xué)習(xí)的甘蔗莖節(jié)識(shí)別方法

摘要：甘蔗莖節(jié)識(shí)別是實(shí)現(xiàn)切種機(jī)對(duì)甘蔗精準(zhǔn)切種的重要步驟。高效的甘蔗莖節(jié)識(shí)別定位能幫助甘蔗切種機(jī)提高莖節(jié)識(shí)別精度、保護(hù)蔗芽及減少刀具磨損。文章通過(guò)實(shí)地調(diào)研和文獻(xiàn)查閱，了解識(shí)別甘蔗莖節(jié)特征的方法，分析深度學(xué)習(xí)在計(jì)算機(jī)視覺(jué)領(lǐng)域的應(yīng)用效果，旨在實(shí)現(xiàn)對(duì)甘蔗莖節(jié)表面特征進(jìn)行精準(zhǔn)快速高效識(shí)別，并基于YOLOv5模型建立智能識(shí)別卷積神經(jīng)網(wǎng)絡(luò)模型，提出一種甘蔗莖節(jié)識(shí)別方法（甘蔗莖節(jié)識(shí)別模型），通過(guò)收集的甘蔗訓(xùn)練圖像對(duì)模型進(jìn)行訓(xùn)練，并在測(cè)試集上驗(yàn)證。訓(xùn)練和測(cè)試結(jié)果表明，建立的甘蔗莖節(jié)識(shí)別模型可準(zhǔn)確識(shí)別甘蔗莖節(jié)，識(shí)別準(zhǔn)確率達(dá)90.2%，召回率達(dá)90.1%，可在智能化甘蔗切種機(jī)開(kāi)發(fā)中參考應(yīng)用。

關(guān)鍵詞：甘蔗切種；莖節(jié)識(shí)別；深度學(xué)習(xí)；YOLOv5模型；快速準(zhǔn)確定位

中圖分類號(hào)：S566.1；TP391.4 文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：2095-820X（2024）05-0354-06

0 引言

甘蔗是重要的溫帶和熱帶經(jīng)濟(jì)作物，也是我國(guó)的主要糖料作物，可用于制作日常生活所需的食用糖，還可作為化工、輕工和食品等行業(yè)的原材料，因此，甘蔗在我國(guó)國(guó)民經(jīng)濟(jì)發(fā)展和保障食品安全上占據(jù)舉足輕重的地位［1］。廣西是我國(guó)甘蔗主產(chǎn)區(qū)，甘蔗種植面積和產(chǎn)量均占全國(guó)的60%以上，是名副其實(shí)的“糖罐子”［2］。甘蔗產(chǎn)業(yè)作為廣西的重點(diǎn)支柱產(chǎn)業(yè)，已形成種植、糖料加工及產(chǎn)品銷售的完整產(chǎn)業(yè)鏈，為促進(jìn)廣西經(jīng)濟(jì)發(fā)展和鄉(xiāng)村振興作出了巨大貢獻(xiàn)［3-4］。盡管廣西地區(qū)的甘蔗產(chǎn)量和種植面積位居全國(guó)首位，但總體上仍面臨甘蔗種植面積下降、農(nóng)戶種植積極性降低和適宜機(jī)械化收割的蔗地面積減少等挑戰(zhàn)，亟待探索符合本地特點(diǎn)的甘蔗產(chǎn)業(yè)發(fā)展之路，從多個(gè)方面推動(dòng)甘蔗產(chǎn)業(yè)健康發(fā)展。當(dāng)前，我國(guó)廣泛使用的甘蔗種植機(jī)多為實(shí)時(shí)切種，存在播種不均勻、勞動(dòng)強(qiáng)度大和耗費(fèi)種蔗量大等問(wèn)題［5］，導(dǎo)致種植成本上升，嚴(yán)重制約了甘蔗產(chǎn)業(yè)的可持續(xù)發(fā)展。隨著5G、AI和物聯(lián)網(wǎng)等信息技術(shù)賦能現(xiàn)代農(nóng)業(yè)，生產(chǎn)機(jī)械化、自動(dòng)化和智能化已成為智慧農(nóng)業(yè)的重要特征，且在提高生產(chǎn)效率、降低生產(chǎn)成本和改善生產(chǎn)條件等方面發(fā)揮著重要作用。就甘蔗生產(chǎn)而言，受甘蔗種植分散、種植規(guī)模小和丘陵種植地貌復(fù)雜等實(shí)際條件的限制，生產(chǎn)技術(shù)和生產(chǎn)模式落后、機(jī)械化程度不高及主要依賴人工作業(yè)是該產(chǎn)業(yè)的顯著特點(diǎn)。莖節(jié)識(shí)別是甘蔗種植機(jī)械化和智能化的關(guān)鍵所在，準(zhǔn)確高效的莖節(jié)識(shí)別定位能幫助切種式甘蔗種植機(jī)提高識(shí)別精度，實(shí)現(xiàn)高效防傷芽切種；有利于保護(hù)甘蔗芽免遭物理?yè)p害和減少對(duì)收獲刀具的磨損并實(shí)現(xiàn)甘蔗自動(dòng)化收割，從而促進(jìn)甘蔗產(chǎn)業(yè)的標(biāo)準(zhǔn)化和智能化，進(jìn)一步解放生產(chǎn)力。因此，甘蔗莖節(jié)識(shí)別定位不僅為各種智能甘蔗機(jī)械設(shè)備提供視覺(jué)技術(shù)支持，對(duì)甘蔗產(chǎn)業(yè)現(xiàn)代化也具有重要意義。本研究在實(shí)地調(diào)研和文獻(xiàn)查閱的基礎(chǔ)上，分析深度學(xué)習(xí)在計(jì)算機(jī)視覺(jué)領(lǐng)域的應(yīng)用效果，基于YOLOv5模型建立智能識(shí)別卷積神經(jīng)網(wǎng)絡(luò)（CNN）模型，提出一種甘蔗莖節(jié)識(shí)別方法，為實(shí)現(xiàn)對(duì)甘蔗莖節(jié)表面特征進(jìn)行精準(zhǔn)快速高效識(shí)別及智能化甘蔗切種機(jī)開(kāi)發(fā)提供參考依據(jù)。

1 甘蔗莖節(jié)識(shí)別相關(guān)技術(shù)

1.1 甘蔗莖節(jié)識(shí)別

準(zhǔn)確識(shí)別甘蔗莖節(jié)可大幅提高甘蔗機(jī)械化收割效率，降低人工成本，在甘蔗種植和收割各環(huán)節(jié)實(shí)現(xiàn)精細(xì)化管理，從而提升甘蔗產(chǎn)量和質(zhì)量。但提高甘蔗莖節(jié)識(shí)別準(zhǔn)確性面臨諸多技術(shù)難點(diǎn)，包括莖節(jié)在不同生長(zhǎng)階段和環(huán)境下表型多樣、復(fù)雜的背景干擾（如葉片和土壤遮擋）、光照條件變化對(duì)圖像質(zhì)量的影響及莖節(jié)形態(tài)和顏色變動(dòng)。

計(jì)算機(jī)技術(shù)的快速發(fā)展為提高甘蔗莖節(jié)識(shí)別準(zhǔn)確性提供了新方法，包括基于傳統(tǒng)圖像處理方法（如邊緣檢測(cè)和形態(tài)學(xué)操作）、基于機(jī)器學(xué)習(xí)方法（如支持向量機(jī)和隨機(jī)森林）和基于深度學(xué)習(xí)方法（如卷積神經(jīng)網(wǎng)絡(luò)和目標(biāo)檢測(cè)算法檢測(cè)模型）。但應(yīng)用這些方法也存在一定局限性，如傳統(tǒng)圖像處理方法在處理復(fù)雜背景和多樣化莖節(jié)形態(tài)時(shí)性能有限，機(jī)器學(xué)習(xí)方法對(duì)特征工程依賴較大，難以自動(dòng)提取復(fù)雜特征。

1.2 圖像識(shí)別

圖像識(shí)別是計(jì)算機(jī)視覺(jué)領(lǐng)域的一個(gè)重要研究方向，主要通過(guò)計(jì)算機(jī)自動(dòng)分析和理解圖像內(nèi)容［6］。圖像識(shí)別技術(shù)包括傳統(tǒng)圖像處理方法，如邊緣檢測(cè)、形態(tài)學(xué)處理和特征匹配及機(jī)器學(xué)習(xí)。這些技術(shù)已廣泛應(yīng)用于醫(yī)療診斷、自動(dòng)駕駛、安防監(jiān)控、工業(yè)自動(dòng)化和智能零售等領(lǐng)域。利用圖像識(shí)別技術(shù)可實(shí)現(xiàn)農(nóng)作物的自動(dòng)監(jiān)測(cè)和管理，如病蟲害識(shí)別、作物生長(zhǎng)監(jiān)測(cè)及產(chǎn)量預(yù)測(cè)等，提高農(nóng)業(yè)生產(chǎn)效率，還可減少農(nóng)藥和肥料使用，實(shí)現(xiàn)精準(zhǔn)農(nóng)業(yè)。在甘蔗生產(chǎn)中，圖像識(shí)別技術(shù)能有效識(shí)別和定位甘蔗莖節(jié)，為機(jī)械化收割及精細(xì)化管理提供技術(shù)支持，推動(dòng)甘蔗生產(chǎn)向智能化和自動(dòng)化方向發(fā)展。

1.3 深度學(xué)習(xí)

深度學(xué)習(xí)是一種以人工神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)，旨在通過(guò)多層網(wǎng)絡(luò)結(jié)構(gòu)對(duì)數(shù)據(jù)進(jìn)行分層表示和學(xué)習(xí)，從而捕捉數(shù)據(jù)中復(fù)雜模式和特征的機(jī)器學(xué)習(xí)方法［7］。常用的深度學(xué)習(xí)模型包括卷積神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）和生成對(duì)抗網(wǎng)絡(luò)（GAN）等［8］。卷積神經(jīng)網(wǎng)絡(luò)特別適用于圖像處理任務(wù)，通過(guò)卷積層和池化層操作，能有效提取圖像的空間特征［9］；循環(huán)神經(jīng)網(wǎng)絡(luò)擅長(zhǎng)處理序列數(shù)據(jù)，已廣泛應(yīng)用于自然語(yǔ)言處理和時(shí)間序列預(yù)測(cè)；生成對(duì)抗網(wǎng)絡(luò)用于生成高質(zhì)量合成數(shù)據(jù)，在圖像生成和增強(qiáng)方面作用明顯。在農(nóng)業(yè)生產(chǎn)中，利用卷積神經(jīng)網(wǎng)絡(luò)可實(shí)現(xiàn)對(duì)農(nóng)作物進(jìn)行病蟲害檢測(cè)、生長(zhǎng)監(jiān)測(cè)及產(chǎn)量預(yù)測(cè)等，如通過(guò)分析農(nóng)作物葉片圖像，可準(zhǔn)確識(shí)別病害類型并進(jìn)行實(shí)時(shí)預(yù)警；通過(guò)監(jiān)測(cè)田間農(nóng)作物生長(zhǎng)狀態(tài)，可優(yōu)化施肥和灌溉方案，提高農(nóng)作物產(chǎn)量和質(zhì)量。此外，生成對(duì)抗網(wǎng)絡(luò)技術(shù)還可用于生成和增強(qiáng)農(nóng)業(yè)數(shù)據(jù)，提升深度學(xué)習(xí)模型的訓(xùn)練效果。

綜上所述，盡管圖像識(shí)別和深度學(xué)習(xí)技術(shù)在農(nóng)業(yè)生產(chǎn)中取得了明顯進(jìn)展，但甘蔗莖節(jié)的多樣性和復(fù)雜性，加上復(fù)雜的背景干擾及光照條件變化，使得現(xiàn)有的甘蔗莖節(jié)識(shí)別方法在識(shí)別準(zhǔn)確性和效率方面存在一定局限性。傳統(tǒng)的圖像處理技術(shù)在應(yīng)對(duì)這些局限性時(shí)表現(xiàn)不佳，機(jī)器學(xué)習(xí)方法對(duì)特征工程的依賴較大；深度學(xué)習(xí)方法雖然表現(xiàn)優(yōu)異，但對(duì)數(shù)據(jù)和計(jì)算資源的需求較高。因此，文章提出一種基于YOLOv5的深度學(xué)習(xí)甘蔗莖節(jié)識(shí)別模型（以下簡(jiǎn)稱甘蔗莖節(jié)識(shí)別模型），以解決傳統(tǒng)甘蔗莖節(jié)識(shí)別方法在應(yīng)對(duì)甘蔗莖節(jié)多樣性和復(fù)雜性問(wèn)題時(shí)的局限性，提高莖節(jié)識(shí)別的效率和準(zhǔn)確性。

2 甘蔗莖節(jié)圖像采集及處理

2.1 圖像采集

2023年10月—2024年2月在廣西靖西市湖潤(rùn)鎮(zhèn)甘蔗基地采集甘蔗莖節(jié)圖像，甘蔗品種為桂糖8號(hào)。采集圖像時(shí)甘蔗處于成熟期，平均莖粗約2.5 cm。在圖像采集過(guò)程中，光照、拍攝角度、不同莖節(jié)數(shù)、不同甘蔗根數(shù)和有無(wú)蔗葉等是影響視覺(jué)識(shí)別的主要因素，以其為分類特征采集圖像。為更好地模擬甘蔗莖節(jié)的多樣性和復(fù)雜性，分別于9：00、12：00和18：00 3個(gè)時(shí)間點(diǎn)進(jìn)行拍攝，覆蓋側(cè)光、前光和逆光等不同光照條件。此外，通過(guò)調(diào)整相機(jī)拍攝角度獲取不同光線方向甘蔗莖節(jié)的照片。在圖像采集過(guò)程中，以拍攝方向與光傳播方向相同、垂直、相反分別模擬前光、側(cè)光和背光條件。通過(guò)多角度和多時(shí)間段的圖像采集，確保數(shù)據(jù)的全面性和多樣性。

2.2 數(shù)據(jù)采集與增強(qiáng)方法

在野外甘蔗田中，甘蔗葉片經(jīng)常會(huì)遮擋陽(yáng)光，導(dǎo)致甘蔗下部光線不足；云朵的移動(dòng)也會(huì)導(dǎo)致甘蔗田光線時(shí)強(qiáng)時(shí)弱。為了增強(qiáng)數(shù)據(jù)的多樣性并提高模型在不同光照條件下的識(shí)別能力，需通過(guò)對(duì)采集的圖像進(jìn)行亮度調(diào)節(jié)、旋轉(zhuǎn)和鏡像翻轉(zhuǎn)等以增強(qiáng)圖像數(shù)據(jù)，應(yīng)用這些數(shù)據(jù)增強(qiáng)技術(shù)可明顯增加訓(xùn)練數(shù)據(jù)的多樣性，提升模型在各種圖像場(chǎng)景下的識(shí)別性能。其中，通過(guò)圖像亮度調(diào)節(jié)，可解決由于數(shù)據(jù)收集時(shí)間短而導(dǎo)致收集不全的問(wèn)題；通過(guò)圖像旋轉(zhuǎn)（左右旋轉(zhuǎn)45°）和鏡像翻轉(zhuǎn)可模擬甘蔗的多樣化生長(zhǎng)姿態(tài)。

2.3 數(shù)據(jù)標(biāo)注工具與標(biāo)記過(guò)程

數(shù)據(jù)標(biāo)注是甘蔗莖節(jié)識(shí)別模型訓(xùn)練中至關(guān)重要的環(huán)節(jié)。標(biāo)注過(guò)程：使用圖像標(biāo)注工具（Labelimg）對(duì)甘蔗圖像進(jìn)行手動(dòng)標(biāo)記，并繪制邊界框，將標(biāo)注結(jié)果保存為YOLO格式；標(biāo)記的矩形邊界框用于識(shí)別甘蔗莖節(jié)，確保數(shù)據(jù)集中不包含不清楚的數(shù)據(jù)，防止神經(jīng)網(wǎng)絡(luò)在訓(xùn)練過(guò)程中出現(xiàn)過(guò)擬合現(xiàn)象。整個(gè)數(shù)據(jù)標(biāo)注過(guò)程需人工仔細(xì)檢查和確認(rèn)，確保每個(gè)數(shù)據(jù)標(biāo)注的準(zhǔn)確性和一致性。

3 甘蔗莖節(jié)識(shí)別模型的實(shí)現(xiàn)與優(yōu)化

3.1 YOLOv5網(wǎng)絡(luò)架構(gòu)

YOLO是一種先進(jìn)的目標(biāo)檢測(cè)算法，采用單一前向傳遞方式進(jìn)行對(duì)象檢測(cè)，YOLOv5是其升級(jí)版，包含YOLOv5x、YOLOv5l、YOLOv5m和YOLOv5s等4個(gè)版本，可通過(guò)調(diào)整depth_multiple和width_multiple 2個(gè)參數(shù)控制算法模型的深度與寬度［10］。YOLOv5的網(wǎng)絡(luò)架構(gòu)包括4個(gè)部分：輸入端（Input）、骨干網(wǎng)絡(luò)（Backbone）、頸部網(wǎng)絡(luò)（Neck）和預(yù)測(cè)端（Prediction）［11］。YOLOv5將目標(biāo)檢測(cè)任務(wù)轉(zhuǎn)化為回歸問(wèn)題求解，通過(guò)輸入原始圖像直接得到物體所在位置的坐標(biāo)及其類別。在目標(biāo)檢測(cè)過(guò)程中，圖像首先經(jīng)骨干網(wǎng)絡(luò)提取特征，然后通過(guò)特征融合層進(jìn)行特征增強(qiáng)，最后通過(guò)預(yù)測(cè)層得到目標(biāo)的位置和類別。

YOLOv5引入了錨框（Anchor boxes）概念，用于預(yù)測(cè)對(duì)象的邊界框，每個(gè)框負(fù)責(zé)檢測(cè)不同尺寸和比例的對(duì)象。此外，YOLOv5采用多尺度特征圖來(lái)處理不同大小的對(duì)象，使用非極大值抑制（NMS）算法來(lái)消除重疊的邊界框，以提高檢測(cè)精度。

3.2 網(wǎng)絡(luò)層次結(jié)構(gòu)設(shè)計(jì)

在甘蔗莖節(jié)識(shí)別模型中，輸入端負(fù)責(zé)將原始圖像輸入模型，并通過(guò)圖像增強(qiáng)和預(yù)處理步驟提高模型的泛化能力。骨干網(wǎng)絡(luò)采用CSPDarknet53結(jié)構(gòu)，通過(guò)提取圖像的多尺度特征實(shí)現(xiàn)對(duì)目標(biāo)的精準(zhǔn)識(shí)別。頸部網(wǎng)絡(luò)使用特征金字塔網(wǎng)絡(luò)（FPN）和路徑聚合網(wǎng)絡(luò)（PAN）結(jié)構(gòu)，對(duì)不同層次的特征進(jìn)行整合。這些特征包括甘蔗莖節(jié)在不同光照條件、角度和環(huán)境下的形態(tài)特征、紋理信息、邊緣及形狀特征等。特征金字塔網(wǎng)絡(luò)能將高層次的語(yǔ)義特征與低層次的細(xì)節(jié)特征結(jié)合，路徑聚合網(wǎng)絡(luò)則進(jìn)一步增強(qiáng)特征傳遞的效率，從而更好地識(shí)別甘蔗莖節(jié)在復(fù)雜背景中的位置及其形態(tài)，提高檢測(cè)的精準(zhǔn)度和魯棒性。

3.3 輸入與輸出設(shè)置

輸入端的主要任務(wù)是對(duì)圖像進(jìn)行標(biāo)準(zhǔn)化處理，以確保圖像在輸入至神經(jīng)網(wǎng)絡(luò)前處于穩(wěn)定狀態(tài)。輸入圖像的分辨率通常被調(diào)整為640×640像素，并進(jìn)行歸一化處理以適應(yīng)模型要求。在輸出端，YOLOv5將每個(gè)網(wǎng)格單元預(yù)測(cè)的多個(gè)邊界框通過(guò)非極大值抑制算法進(jìn)行篩選，最終輸出最可信的目標(biāo)位置和類別。表1中展示了YOLOv5模型的主要參數(shù)設(shè)置。

3.4 訓(xùn)練策略與超參數(shù)調(diào)整

在甘蔗莖節(jié)識(shí)別模型訓(xùn)練過(guò)程中，采用自適應(yīng)算法（ADAM）優(yōu)化器來(lái)優(yōu)化損失函數(shù)，以實(shí)現(xiàn)快速收斂［12］。超參數(shù)設(shè)置對(duì)模型的性能具有明顯影響，因此在模型訓(xùn)練過(guò)程中通過(guò)網(wǎng)格搜索法進(jìn)行超參數(shù)調(diào)整，并運(yùn)用訓(xùn)練策略［數(shù)據(jù)增強(qiáng)、學(xué)習(xí)率調(diào)度和早停法（Early stopping）等］防止模型出現(xiàn)過(guò)擬合或欠擬合現(xiàn)象。圖1展示了訓(xùn)練過(guò)程中損失函數(shù)的變化曲線，通過(guò)分析該曲線可看出，由于模型初始化時(shí)參數(shù)未經(jīng)調(diào)整，因此其訓(xùn)練開(kāi)始時(shí)的損失函數(shù)值較大；隨著訓(xùn)練輪數(shù)的增加，損失值逐漸減小并趨于平穩(wěn)，說(shuō)明模型的參數(shù)通過(guò)梯度下降法逐步得到優(yōu)化，模型逐漸適應(yīng)訓(xùn)練數(shù)據(jù)，其性能趨于穩(wěn)定。

3.5 數(shù)據(jù)增強(qiáng)訓(xùn)練的應(yīng)用

為了提升甘蔗莖節(jié)識(shí)別模型的泛化能力，需對(duì)原始數(shù)據(jù)集進(jìn)行多種數(shù)據(jù)增強(qiáng)處理，包括旋轉(zhuǎn)、鏡像翻轉(zhuǎn)和亮度調(diào)整。通過(guò)這些數(shù)據(jù)增強(qiáng)方法，可模擬不同光照、角度和環(huán)境條件下的甘蔗莖節(jié)圖像，提高甘蔗莖節(jié)識(shí)別模型在不同場(chǎng)景下的識(shí)別精度。表2展示不同數(shù)據(jù)增強(qiáng)方法處理后的甘蔗莖節(jié)識(shí)別模型識(shí)別效果。其中，F(xiàn)1值（F1-score）在甘蔗莖節(jié)識(shí)別模型訓(xùn)練中用于評(píng)估經(jīng)數(shù)據(jù)增強(qiáng)處理后模型的綜合表現(xiàn)，以確定模型在不同光照、角度和環(huán)境條件下的識(shí)別精度。由表2可知，通過(guò)旋轉(zhuǎn)、鏡像翻轉(zhuǎn)和亮度調(diào)整等數(shù)據(jù)增強(qiáng)方法處理，模型在增強(qiáng)后的數(shù)據(jù)集中表現(xiàn)出最高的召回率（R）（90.9%）和F1值（0.88），說(shuō)明經(jīng)過(guò)全面的增強(qiáng)處理后，模型在各種復(fù)雜條件下能較準(zhǔn)確地識(shí)別甘蔗莖節(jié)；在左旋轉(zhuǎn)45°的情況下，召回率下降至85.2%，F(xiàn)1值下降至0.86，說(shuō)明左旋轉(zhuǎn)處理對(duì)提高模型識(shí)別甘蔗莖節(jié)的能力具有一定重要性；鏡像翻轉(zhuǎn)后，準(zhǔn)確率（P）上升到88.3%，但召回率略有下降，F(xiàn)1值降至0.87，說(shuō)明鏡像翻轉(zhuǎn)的主要作用體現(xiàn)在提高召回率上，對(duì)模型準(zhǔn)確率的影響較?。辉谡{(diào)整亮度（調(diào)整0.7和1.3倍）后，F(xiàn)1值均有所下降，說(shuō)明亮度調(diào)整有助于提高模型在不同光照條件下的魯棒性和識(shí)別效果。

3.6 甘蔗莖節(jié)形態(tài)特征分析

甘蔗莖節(jié)在不同生長(zhǎng)階段的形態(tài)、顏色和紋理特征具有差異。為此，需對(duì)甘蔗莖節(jié)的形態(tài)特征進(jìn)行詳細(xì)分析，以便模型能更準(zhǔn)確地識(shí)別和定位甘蔗莖節(jié)。通過(guò)對(duì)大量甘蔗圖像進(jìn)行分析，總結(jié)出甘蔗不同生長(zhǎng)階段的特征，并在數(shù)據(jù)標(biāo)注時(shí)進(jìn)行詳細(xì)標(biāo)注。

3.7 模型估計(jì)的優(yōu)化策略

在甘蔗莖節(jié)識(shí)別模型優(yōu)化過(guò)程中，采用多種策略來(lái)提高檢測(cè)精度和效率。首先，使用稀疏化訓(xùn)練方法，通過(guò)L1正則化約束（對(duì)模型參數(shù)/權(quán)重的絕對(duì)值進(jìn)行約束以減少模型的復(fù)雜度），使模型更精簡(jiǎn)，可減少計(jì)算的復(fù)雜度。其次，引入多尺度特征圖和注意力機(jī)制，以提升模型對(duì)不同大小和形狀目標(biāo)的檢測(cè)能力。最后，通過(guò)剪枝技術(shù)進(jìn)一步優(yōu)化模型結(jié)構(gòu)，降低參數(shù)量和計(jì)算量。

從圖2可看出，稀疏化訓(xùn)練開(kāi)始時(shí)損失函數(shù)值較高，隨著訓(xùn)練輪數(shù)的增加，模型的權(quán)重逐步優(yōu)化，損失函數(shù)值逐漸減小，直到收斂；在訓(xùn)練后期，曲線逐漸趨于平穩(wěn)，說(shuō)明模型已接近最佳狀態(tài)。由此可見(jiàn)，稀疏化過(guò)程可減少冗余參數(shù)，提高檢測(cè)效率。

綜上所述，通過(guò)甘蔗莖節(jié)識(shí)別模型的實(shí)現(xiàn)與優(yōu)化，其性能和效率得以有效提高，能在復(fù)雜的自然環(huán)境下實(shí)現(xiàn)對(duì)甘蔗莖節(jié)的準(zhǔn)確識(shí)別和定位。

4 甘蔗莖節(jié)識(shí)別模型準(zhǔn)確性和有效性驗(yàn)證

4.1 驗(yàn)證流程

從圖3可看出，對(duì)甘蔗莖節(jié)識(shí)別模型的準(zhǔn)確性和有效性進(jìn)行驗(yàn)證，首先是將甘蔗圖像數(shù)據(jù)集劃分為訓(xùn)練集和測(cè)試集，其次是將訓(xùn)練集數(shù)據(jù)作為模型訓(xùn)練數(shù)據(jù)對(duì)甘蔗莖節(jié)識(shí)別模型進(jìn)行訓(xùn)練，使用ADAM優(yōu)化器對(duì)模型參數(shù)進(jìn)行優(yōu)化，模型參數(shù)達(dá)到設(shè)定的指定迭代次數(shù)時(shí)的模型即為訓(xùn)練完成的甘蔗莖節(jié)識(shí)別模型。

4.2 驗(yàn)證平臺(tái)

驗(yàn)證平臺(tái)為臺(tái)式電腦，處理器為i5-12600K，主頻為3.7 GHz，內(nèi)存32 G，顯卡為GeForce RTX3090。平臺(tái)運(yùn)行環(huán)境為Windows 11，使用Pytorch編寫程序，調(diào)用Keras和OpenCV庫(kù)。

4.3 驗(yàn)證數(shù)據(jù)集的選擇與描述

驗(yàn)證數(shù)據(jù)集選取廣西靖西市湖潤(rùn)鎮(zhèn)甘蔗基地的甘蔗圖像數(shù)據(jù)。數(shù)據(jù)集包括2100張甘蔗莖節(jié)圖像，通過(guò)旋轉(zhuǎn)、鏡像翻轉(zhuǎn)和亮度調(diào)整等數(shù)據(jù)增強(qiáng)技術(shù)擴(kuò)展為12600張圖像。圖像分辨率為640×640像素，覆蓋不同的光照條件、拍攝角度和生長(zhǎng)階段。數(shù)據(jù)集按8∶1∶1比例劃分為訓(xùn)練集、驗(yàn)證集和測(cè)試集，分別用于模型訓(xùn)練、參數(shù)調(diào)優(yōu)和性能評(píng)估［13］。

4.4 性能評(píng)價(jià)指標(biāo)介紹

以準(zhǔn)確率、召回率、平均精度（AP）、F1值和平均IoU（Intersection over union）作為全面評(píng)估甘蔗莖節(jié)識(shí)別模型性能的評(píng)價(jià)指標(biāo)。其中，準(zhǔn)確率是檢測(cè)出的正樣本占全部檢測(cè)樣本的比例，召回率是檢測(cè)過(guò)程中正確識(shí)別正樣本的比率［14］，平均精度是各評(píng)價(jià)指標(biāo)精度的平均值，F(xiàn)1值是準(zhǔn)確率和召回率的調(diào)和平均值（綜合表現(xiàn)值）［15］，平均IoU是預(yù)測(cè)框和真實(shí)框的重疊度（交并比）。各評(píng)價(jià)指標(biāo)的計(jì)算公式見(jiàn)表3。

4.5 驗(yàn)證結(jié)果分析

4.5.1 甘蔗莖節(jié)識(shí)別模型在不同場(chǎng)景下的檢測(cè)結(jié)果

由表4可知，甘蔗莖節(jié)識(shí)別模型在逆光和側(cè)光條件下的準(zhǔn)確率分別為88.5%和90.2%，召回率分別為88.1%和89.7%，在前光條件下的準(zhǔn)確率達(dá)92.3%，召回率為91.5%；在甘蔗不同生長(zhǎng)階段，該模型對(duì)幼苗期、中期和成熟期的莖節(jié)識(shí)別準(zhǔn)確率分別為89.1%、91.7%和93.5%；該模型在前光條件下的F1值（0.92）更接近1.00。綜合準(zhǔn)確率、召回率和F1值表現(xiàn)，甘蔗莖節(jié)識(shí)別模型的性能在前光條件下表現(xiàn)最佳。

4.5.2 與傳統(tǒng)圖像處理方法檢測(cè)性能的比較結(jié)果

甘蔗莖節(jié)識(shí)別模型在不同光照條件、拍攝角度和甘蔗生長(zhǎng)階段檢測(cè)的性能均優(yōu)于傳統(tǒng)圖像處理方法（表5）。傳統(tǒng)圖像處理方法包括邊緣檢測(cè)、顏色分割和形態(tài)學(xué)操作等，在部分場(chǎng)景下檢測(cè)的性能雖表現(xiàn)良好，但總體上不如甘蔗莖節(jié)識(shí)別模型。其中，甘蔗莖節(jié)識(shí)別模型檢測(cè)的準(zhǔn)確率（90.2%）和召回率（90.1%）分別高于傳統(tǒng)圖像處理方法14.9%（絕對(duì)值，下同）和18.3%，平均精度提高13.9%，平均IoU提高17.8%。說(shuō)明甘蔗莖節(jié)識(shí)別模型在不同場(chǎng)景和復(fù)雜環(huán)境下均具有較高的檢測(cè)性能，可大幅提高對(duì)甘蔗莖節(jié)識(shí)別的準(zhǔn)確率和效率。

5 結(jié)論

甘蔗莖節(jié)識(shí)別模型通過(guò)優(yōu)化YOLOv5網(wǎng)絡(luò)架構(gòu)、引入數(shù)據(jù)增強(qiáng)技術(shù)及采用稀疏化訓(xùn)練與剪枝技術(shù)，在甘蔗莖節(jié)自動(dòng)識(shí)別與定位上效果明顯。在不同光照條件、拍攝角度和甘蔗生長(zhǎng)階段下，該模型對(duì)甘蔗莖節(jié)均具有較高的識(shí)別準(zhǔn)確率和召回率，且明顯優(yōu)于傳統(tǒng)圖像處理方法，可為甘蔗種植和收割機(jī)械化領(lǐng)域提供技術(shù)支持。未來(lái)工作中可進(jìn)一步優(yōu)化該模型的結(jié)構(gòu)，結(jié)合多模態(tài)傳感器數(shù)據(jù)，如激光雷達(dá)和多光譜圖像，增強(qiáng)模型對(duì)復(fù)雜環(huán)境的適應(yīng)能力，以提高復(fù)雜農(nóng)業(yè)環(huán)境下的莖節(jié)檢測(cè)精度和效率。

參考文獻(xiàn)：

［1］ 秦樂(lè)駒. 云南甘蔗糖業(yè)發(fā)展研究［D］. 湛江：廣東海洋大學(xué)，2021.

［2］ 王學(xué)清，張靜. 中國(guó)甘蔗產(chǎn)業(yè)支持政策及相關(guān)發(fā)展思路［J］. 農(nóng)業(yè)展望，2018，14（1）：43-48.

［3］ 孫西楠. 廣西甘蔗糖業(yè)循環(huán)經(jīng)濟(jì)發(fā)展研究［D］. 武漢：中南民族大學(xué)，2015.

［4］ 賀貴柏，向英，陶尚琨，等. 加快推動(dòng)甘蔗產(chǎn)業(yè)綠色高質(zhì)量發(fā)展的政策措施探討——以廣西百色市為例［J］. 甘蔗糖業(yè)，2021，50（1）：8-11.

［5］ 侯露，鄒展曦，何勝創(chuàng)，等. 甘蔗種植機(jī)切種控制系統(tǒng)設(shè)計(jì)［J］. 甘蔗糖業(yè)，2015（3）：59-65.

［6］ 李志. 基于圖像識(shí)別的大屏幕人機(jī)交互系統(tǒng)研究［D］. 合肥：安徽大學(xué)，2010.

［7］ 王文博. 視覺(jué)和文本的跨模態(tài)檢索和識(shí)別研究［D］. 合肥：合肥工業(yè)大學(xué)，2021.

［8］ 烏日娜. 基于無(wú)人機(jī)的公路路面破損識(shí)別與分類方法研究［D］. 呼和浩特：內(nèi)蒙古工業(yè)大學(xué)，2021.

［9］ 范凌云. 基于卷積神經(jīng)網(wǎng)絡(luò)和深度特征融合的學(xué)習(xí)表情識(shí)別［J］. 科學(xué)技術(shù)創(chuàng)新，2022（11）：85-88.

［10］ 陳俊. 復(fù)雜文檔文本檢測(cè)和文本識(shí)別研究［D］. 南昌：南昌航空大學(xué)，2021.

［11］ 葉欣. 基于深度學(xué)習(xí)的熱軋帶鋼表面缺陷檢測(cè)算法研究［D］. 武漢：武漢科技大學(xué)，2021.

［12］ 謝堂營(yíng). 基于DCGAN的圖像增強(qiáng)方法研究［D］. 呼和浩特：內(nèi)蒙古科技大學(xué)，2021.

［13］ 陳共馳，榮歡，馬廷淮. 面向連貫性強(qiáng)化的無(wú)真值依賴文本摘要模型［J］. 計(jì)算機(jī)科學(xué)與探索，2022，16（3）：621-636.

［14］ 席春玲. 基于大規(guī)模中文知識(shí)庫(kù)的自動(dòng)問(wèn)答系統(tǒng)研究［D］. 鄭州：鄭州大學(xué)，2021.

［15］ 樊明亮. 基于深度學(xué)習(xí)的開(kāi)放域中文知識(shí)問(wèn)答系統(tǒng)研究［D］. 秦皇島：燕山大學(xué)，2021.

（責(zé)任編輯 王 暉）

收稿日期：2024-07-18

基金項(xiàng)目：廣西農(nóng)業(yè)職業(yè)技術(shù)大學(xué)自然科學(xué)與技術(shù)開(kāi)發(fā)計(jì)劃項(xiàng)目（XKJ2357）

通訊作者：唐偉萍（1983-），女，副教授，主要從事計(jì)算機(jī)電子信息應(yīng)用研究工作，E-mail：770497278@qq.com

第一作者：丘剛瑋（1985-），男，工程師，主要從事計(jì)算機(jī)應(yīng)用及農(nóng)業(yè)信息技術(shù)研究工作，E-mail：331872198@qq.com