基于深度学习的农作物害虫检测系统

引言

随着农业现代化进程的不断推进，农作物病虫害的监测与防治成为保障农业产量和粮食安全的重要环节。传统的人工巡查方式效率低、成本高，且受限于工作人员的专业水平，识别准确率不稳定，已难以满足现代农业对高效、智能、精准防控的需求。因此，基于计算机视觉和深度学习的智能害虫识别技术逐渐成为研究热点[1]。

近年来，深度学习在图像识别领域取得了显著成果，尤其是目标检测算法在农业病虫害图像识别中的应用展现出较大潜力。其中，YOLO（You Only Look Once）系列算法以检测速度快、精度较高的优势，受到广泛关注。YOLOv5 作为该系列的改进版本，具有模型轻量化、部署灵活、适应复杂环境等特点，适合应用于实际农田场景中进行害虫识别与分类[2]。

本文基于 YOLOv5 目标检测算法，构建了一个农作物害虫智能识别系统。通过采集多种农作物常见害虫图像，构建本地数据集，并利用迁移学习和图像增强技术优化模型性能，实现对田间害虫的自动识别与可视化展示。系统具备实时性强、准确率高、可扩展性好的特点，能够为农业生产中的病虫害预警和精准施药提供技术支持[3]。

本文的主要工作包括：采集并标注农作物害虫图像，构建数据集；基于 YOLOv5算法进行模型训练与优化；构建软硬件一体的检测系统，实现图像采集、识别分析与结果输出功能；对系统识别效果进行测试与评估[4]。本研究为实现农作物害虫的智能监测提供了一种可行方案，对推动农业信息化和精准植保具有一定的参考价值。

正文

本研究所设计的农作物害虫检测系统主要由图像采集、模型识别、结果输出三大模块组成。首先通过移动终端（如手机或便携相机）在田间采集害虫图像，并将图像上传至后台服务器；其次，服务器调用基于 YOLOv5 训练好的目标检测模型进行识别处理；最后，将识别结果展示于客户端，实现多类害虫的自动识别与分类统计。为提升系统的实用性与响应速度，整个系统采用“前端采集+后端识别”的架构设计，兼顾检测精度与计算效率。识别结果不仅可供农户直观查看，还可用于后续的病虫害分析与防治决策支持。

YOLOv5 是 Ultralytics 团队开发的轻量化目标检测框架，采用 PyTorch 实现，具有结构清晰、部署简便、检测速度快等优势。其模型由输入层（Input）、骨干网络（Backbone）、特征增强网络（Neck）和预测头（Head）构成。

（1）数据集构建与处理

本文选取常见的农作物害虫种类，如稻纵卷叶螟、玉米螟、菜青虫等，通过实地采集与网络公开数据获取相结合的方式，构建了包含约3000 张图像的自建数据集。所有图像经人工标注处理，并统一调整为 640×640 分辨率，标注格式符合 YOLOv5 要求。

为了提升模型的泛化能力，采用了图像增强技术，如随机裁剪、翻转、颜色扰动等方式扩充数据量，并划分为训练集（ 80% ）与验证集（ (20%) ）。

（2）模型训练与参数设置

在训练过程中，采用 YOLOv5s 版本作为基线模型，学习率设定为 0.01，批大小为16，训练轮数为 100 轮。损失函数包括置信度损失、边界框回归损失和分类损失，优化器采用 SGD。训练过程中观察损失函数逐渐收敛，验证集的检测精度稳定上升，表明模型具备较强的学习能力与泛化能力。

（3）识别效果评估

模型在验证集上的平均准确率（ mAP@0.5 ）为 85.2% ，精确率为 83.7% ，召回率为81.4% 。检测结果表明，该系统能够在复杂背景和多尺度目标下保持良好的检测效果，适合农田实际应用需求。系统能够准确识别出图像中的多种害虫目标，并标注其类别与置信度，实现了可视化展示，便于用户识别与跟踪。

（4）系统部署与响应速度

本系统部署于普通 GPU 服务器上（NVIDIA RTX 3060），单张图像的平均检测时间为 45ms ，满足实时识别的要求。如部署于边缘设备，可通过剪枝与量化等轻量化手段进一步优化模型结构。

结论

本文设计并实现了一种基于 YOLOv5 的农作物害虫检测系统，结合图像采集、模型识别与可视化输出功能，验证了深度学习在农业害虫识别中的有效性。实验结果表明，该系统具备较高的识别准确率与实时性，能够满足农田虫害监测的基本需求，具有一定的推广与应用价值。未来工作将从以下几方面展开：一是扩展数据集规模，提升对更多害虫种类的识别能力；二是尝试使用 YOLOv7 或 YOLOv8 等更高性能模型提升检测精度；三是结合移动端与边缘计算，实现系统在农业现场的轻量化部署，为智能农业的发展提供持续支持。

参考文献

[1] 黄亦其,鹿林飞,沈豪,等.基于卷积神经网络的入侵昆虫识别研究[J].中国农机化学报,2024,45(07):222-227+260.

[2] [1]韩巧玲,周晗,赵玥,等.基于注意力卷积增强特征网络的昆虫图像识别[J].计算机工程与设计,2025,46(04):1072-1078.

[3] 李凌,朱健文,杨欢.基于 YOLOv8 改进的农业复杂场景害虫识别算法[J/OL].软件导刊,1-15[2025-06-17].

[4] 朱强军,刘趁心,王杨.基于改进YOLOv7 的林业害虫检测分类方法研究[J/OL].森林工程,1-10[2025-06-17].