农业 AI 病虫害检测：基于图像的作物健康诊断

农业 AI 病虫害检测：基于图像的作物健康诊断

本教程面向谁

对人工智能在农业中的应用感兴趣的开发者、农学生和智能农业创业者。无需深度学习经验，但具有 Python 基础将帮助你更快实践。

你将学到什么

• 农业病虫害检测的核心流程
• 常用公开数据集与图像采集规范
• 基于卷积神经网络（CNN）的建模方法
• 模型训练、评估与轻量化部署
• 一个完整的代码示例（使用 PyTorch）

为什么需要 AI 病虫害检测

传统病虫害诊断依赖农技人员经验，存在覆盖面窄、响应速度慢、主观性强等局限。基于图像的 AI 诊断系统能用手机拍照即时给出结果，帮助农户在早期精准施药，减少产量损失和农药滥用。典型场景包括：

• 大田巡检无人机/机器人自动识别病斑
• 智能手机辅助农户自助诊断
• 温室环境下的连续监控预警

工作原理：从图像到诊断

图像分类与检测的区别

• 图像分类：给定一张裁剪好的叶片或果实图片，判断属于哪一类病虫害（如“健康”“锈病”“蚜虫”）。
• 目标检测：在一张包含多个叶片的复杂图像中，框出病斑位置并标注类别。本教程以分类任务为主，更易上手。

AI 模型的基本思想

1. 输入：RGB 图像（通常缩放到 224×224 像素）
2. 特征提取：通过卷积层自动学习纹理、颜色、边缘等视觉特征
3. 分类头：全连接层将特征映射为各类别的概率
4. 输出：最高概率的类别作为诊断结果

graph LR
    A[输入图像] --> B[卷积层+池化]
    B --> C[全局平均池化]
    C --> D[Dropout]
    D --> E[全连接层]
    E --> F[Softmax输出概率]

关键步骤详解

数据是一切的基础

高质量数据是模型性能的天花板。你需要考虑：

公开数据集推荐

自采数据规范

• 使用统一设备、光照条件
• 包含健康、早期和严重病害样本
• 从不同角度、距离拍摄
• 建议每类至少 500 张，并进行数据增强（旋转、翻转、亮度调整等）

模型构建与训练（以 ResNet 为例）

初学者不需要从零设计网络，迁移学习是最佳策略。

环境配置

pip install torch torchvision matplotlib pillow

加载数据与增强

from torchvision import transforms, datasets

train_transform = transforms.Compose([
    transforms.RandomResizedCrop(224),
    transforms.RandomHorizontalFlip(),
    transforms.ColorJitter(brightness=0.2, contrast=0.2),
    transforms.ToTensor(),
    transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225])
])

train_dataset = datasets.ImageFolder(root='data/train', transform=train_transform)
train_loader = DataLoader(train_dataset, batch_size=32, shuffle=True)

定义模型

import torch.nn as nn
from torchvision import models

model = models.resnet18(pretrained=True)
num_classes = 5  # 根据实际病害类别数
model.fc = nn.Linear(model.fc.in_features, num_classes)
device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
model.to(device)

训练循环

criterion = nn.CrossEntropyLoss()
optimizer = torch.optim.Adam(model.parameters(), lr=0.001)

for epoch in range(10):
    model.train()
    running_loss = 0.0
    for images, labels in train_loader:
        images, labels = images.to(device), labels.to(device)
        optimizer.zero_grad()
        outputs = model(images)
        loss = criterion(outputs, labels)
        loss.backward()
        optimizer.step()
        running_loss += loss.item()
    print(f"Epoch {epoch+1}, Loss: {running_loss/len(train_loader):.4f}")

评估与指标

农业场景中，类别不均衡常见，单一准确率不可靠。重点关注：

• 召回率（Recall）：真实病害中被正确识别的比例（尽可能不漏报）
• 精确率（Precision）：预测为病害的样本中真实病害的比例（减少误报）
• F1-score：两者的调和平均

from sklearn.metrics import classification_report

model.eval()
all_preds, all_labels = [], []
with torch.no_grad():
    for images, labels in test_loader:
        images = images.to(device)
        outputs = model(images)
        _, preds = torch.max(outputs, 1)
        all_preds.extend(preds.cpu().numpy())
        all_labels.extend(labels.numpy())

print(classification_report(all_labels, all_preds, target_names=class_names))

模型部署与轻量化

农户需要在无网络环境下使用，模型需运行在手机或边缘设备上。

知识蒸馏

用大模型（老师）指导小模型（学生）训练，保持精度同时降低计算量。

# 伪代码思路：将老师模型的软标签（温度缩放后概率）作为学生模型的训练目标

模型量化与导出

import torch.quantization

# 动态量化，适合 CPU 推理
quantized_model = torch.quantization.quantize_dynamic(
    model, {nn.Linear}, dtype=torch.qint8
)
# 保存模型，以便集成到移动APP
torch.save(quantized_model.state_dict(), 'plant_disease_model.pth')

移动端集成

将 PyTorch 模型转为 TorchScript，再通过 React Native 或 Flutter 调用，或使用 TensorFlow Lite 形式的模型。对于安卓应用，还可以使用 MediaPipe 封装。

常见挑战与应对

• 野外背景复杂：纯色背景数据集训练出的模型易受杂草、泥土干扰。解决办法：加入背景杂乱的数据，或使用目标检测先分割叶片
• 早期病斑微小：使用高分辨率图像或显微图像，或增加注意力机制（如 CBAM）
• 新病害识别：无法列举全部类别时，可训练异常检测模型，将已知健康作物以外的都标记为“可能病害”，再提示专家复核
• 数据隐私：联邦学习让多个农场在不共享原始数据的前提下共同训练模型

未来方向

• 多光谱/高光谱结合 AI，实现人眼不可见的早期胁迫检测
• 与大语言模型结合，提供可解释诊断与防治建议
• 无人机群实时建图与处方图生成

实践建议与资源

• 从 PlantVillage 数据集开始，复现 ResNet-18 的训练
• 参与 Kaggle 上的植物病害分类竞赛，积累调参经验
• 参考 Fast.ai 的课程《Practical Deep Learning for Coders》中的农业案例
• 阅读论文《Deep Learning in Agriculture: A Survey》建立全局视野

记住：AI 的价值在于实时、无接触地帮助农户做出更聪明的决策。从一张图片开始，你就能改变粮食生产的方式。