基于无人机遥感的当归病害监测研究

摘要：当归作为重要药用植物，主要种植于海拔2500米以上的山区，其产量和品质易受病害影响。传统的人工病害识别方法效率低、易遗漏，难以满足规模化农业种植需求。本文以褐斑病和白粉病为研究对象，结合无人机遥感技术与YOLOv8深度学习模型，构建当归病害识别系统。通过高分辨率RGB影像采集与多尺度特征融合，实现了病害叶片的快速检测与分类。实验结果表明，模型对健康叶片、褐斑病及白粉病的平均识别准确率达97.3%，显著优于传统模型（Faster-RCNN、SSD等）。本研究为高海拔山区药用植物病害监测提供了参考。

关键词：当归；病害监测；无人机遥感；深度学习；YOLOv8

0 引言

当归属于伞形科植物[1，2]，其根部具有很高的药用价值，为我国大宗药材之一。我国当归主产区集中于高海拔山区（海拔≥2500米），然而由于当归病害的发生，其产量和质量受到极大影响，传统的人工病害识别方法效率低，主要依靠农户的经验来判断，时常发生病害的遗漏。当归病害主要集中于根部和叶片[3-5]，其中叶片发病率高，一般以褐斑病和白粉病居多，发病时其叶片颜色与形状与健康叶片不同，发病时传染途径广泛，危害范围极广。因此，设计出一种快速准确识别当归病害的方法十分必要。本文提出以无人机作为遥感平台，搭载RGB、多光谱、高光谱和热红外成像等传感器，获取高分辨率影像并提取病害特征，并应用于农作物病害监测。

1 数据获取与研究方法

1.1试验地概况

当归叶片病害试验地位于云南省曲靖市会泽县大海乡。该试验于2024年7月15日-10月23日开展，试验的对象为农户种植自然生长的当归，品种为云当归。

1.2数据获取

遥感数据获取采用是DJ Phantom 4 RTK无人机，起飞重量为1391 g，轴距350mm，飞行时间约为30分钟，最大水平飞行速度50KM/H，试验所采用的相机是1英寸CMOS，总像素2048万，获取的RGB图像数据可以提供空间分辨率小于小于1cm且具有蓝、绿、红三个波段的超清影像，工作环境温度0℃至40℃，无人机飞行时间为北京时间上午9点至下午3点。

当归地面调查数据和无人机遥感数据获取时间为同一天，地面调查数据分为两个部分，一部分是当归叶片病害调查数据，包括典型病害叶片图像和健康叶片图像。另外一部分为无人机飞行时地面的气温数据，气温数据从试验地附近气象站获取。

1.3当归病害检测的深度学习方法

本研究采用的卷积神经网络为YOLOv8，YOLOv8是You Only Look Once（YOLO）算法家族的最新版本，它是一种单阶段目标检测算法，以其速度和准确性而闻名。

YOLOv8算法采用了一种新的网络架构，该架构结合了Backbone网络、Neck网络和Head网络。Backbone网络负责提取图像特征，Neck网络负责融合不同尺度的特征，Head网络负责预测目标的类别和位置。这种新的架构使YOLOv8能够在保持速度的同时提高准确性。

YOLOv8算法还引入了一些新的训练技术，例如自适应锚框匹配和损失加权。这些技术有助于提高算法的鲁棒性和泛化能力。

1.4 评价指标

本研究采用准确率P、召回率R、平均精确度AP、平均精度均值mAP来衡量模型识别检测的准确度；采用帧速率FPS作为模型识别速度的评价指标。其中，准确率P表示预测正确的样本数占预测为正样本数的比例，召回率R表示预测正确的样本数占实际为正样本数的比例，平均精度均值mAP为平均精确度AP的均值，平均精确度AP即为P-R曲线的面积。

2 结果与分析

2.1 训练结果分析

本文研究的当归叶部病害有2类，加上健康叶片图像共3类，因此目标在于实现一个3 分类的卷积网络。将分好的训练集导入到优化后的模型中进行训练，迭代周期设为100。在训练的过程中，初始的准确率为0.55，随着迭代次数的增加，准确率不断提高，在大约第78个周期趋于平稳，训练结束时准确率稳定于98.50%。初始的损失值为1.03，随着迭代次数的增加，损失值不断降低，也在大约第80个周期趋于平稳慢慢，达到了拟合的状态，最小值达到0.018，训练结束时损失值达到0.023。

2.2 测试结果分析

将测试集数据标好各病害型号，测试集有640张图像，导入到训练完毕的网络模型，经过处理，最终计算出总测试集的识别准确率，和各类叶斑病害的识别准确率。结果显示，该模型对健康叶片的识别准确率最高，达到98.5%，分别高出各类病害叶片2.2%，1.4%。健康叶片作为识别对照物，本身的特征较容易识别，识别率高合理，且表示了模型的基本二分类能力很强，能分清当归叶片有无病害。三种叶斑病中识别率较高的是白粉病，高于褐斑病0.8%。全部叶片，即总测试集在模型上的识别率为97.3%，每类病斑叶片在模型上的识别率也均高于95%。

2.3 不同目标检测模型对照实验

将本文采用的YOLOv8模型与当前主流的模型进行对比分析，本文模型平均精度比其他模型分别高出37.8、39.4、22.6、1.5、0.7个百分点，帧速率相比Faster-RCNN、SSD、YOLOv4、Tea-YOLOv5s分别提升56.7、40.6、25.8、11.1个百分点，本文模型相比于其他模型在各项评价指标均有不同程度提高，可以满足对当归叶片病害实时检测的要求。

3 结论

本文基于无人机遥感技术和YOLOv8深度学习模型，对当归病害叶片识别方法和理论展开系统性的研究，以褐斑病和白粉病2种当归常见病害作为研究对象，设计构建病害识别模型，实现了快速准确地实现当归病害的监测。

利用无人机遥感技术快速、大面积地采集当归叶片病害数据，发现云南会泽县云当归病害主要是褐斑病和白粉病2种，提取病害叶片特征，将处理的图像输入模型，可以实现快速识别病害类别。构建基于YOLOv8目标检测模型，在训练集和测试集上训练模型，在测试集上进行模型验证，发现测试集在模型上的平均识别率为97.3%，每类病斑叶片在模型上的识别率也均高于95%。设计对照实验，将本文模型和Faster-RCNN、SSD、YOLOv4、YOLOv5s、Tea-YOLOv5s进行对比分析，本文模型平均精度比其他模型分别高出37.8、39.4、22.6、1.5、0.7个百分点。结果表明，本文模型在各项评价指标表现优异，可以满足对当归叶片病害实时检测的要求。

参考文献

[1]王艳，王引权，晋玲.甘肃省当归病害种类调查及其病原鉴定[J].湖北农业科学，2012，51（07）：1352-1354.

[2]刘娟娟，赵慧巧，卢年华，.当归主要病虫害防治研究进展[J].药学研究，2015，34（05）：293-295.

[3]田 婷，张 青，张海东.无人机遥感在作物监测中的应用研究进展[J].作物杂志，2020（5）：1-8.

[4]韩忠松，韩承宪.旋翼无人机在国内农村植保市场中的应用综述[J].智慧农业导刊，2022，2（23）：66-69.

[5]孟沌超， 赵静， 兰玉彬， 等. 基于无人机可见光影像的玉米冠SPAD反演模型研究[J]. 农业机械学报， 2020， 51（S2）： 366-374.