打开文本图片集

（基金项目：泉州信息工程学院省级大学生创新创业训练计划项目资助，项目名称：农田守望者--基于EasyDL的智慧农业识别系统，项目编号：202413766010）

摘   要：农业病虫害始终是制约农业生产效率和品质的重要因素，传统人工检测方法主观性强、精度不足且难以满足现代农业的需求。本文针对这一现实难题，提出一种融合YOLOv5模型与EasyDL平台优化的智能农业病虫害检测系统。研究采用了公开数据集与自建中草药病害图像库，通过创新的数据标注策略和模型参数精细调优，使YOLOv5模型的识别准确率从原来的95.3%提升至98.2%，同时系统集成实时环境监测功能，有效提升了病虫害预警能力。实验结果表明，该系统在不同光照与图像质量条件下仍表现出较好的鲁棒性，移动端平均响应时间小于1.2秒，满足了实时检测需求。经福建省泉州市试点农田为期3个月的实地应用表明，系统的农药使用量减少32%，防治成本降低25%，土壤农药残留下降41%，体现出显著的经济与环境效益。本文研究为实现农业病虫害的精准识别与绿色防控提供了理论依据与技术支撑，对推动智慧农业与可持续发展具有重要的现实意义。

关键词：智慧农业；YoLov5模型；生长环境数据；农业病虫害；深度学习

农业是国民经济支柱，病虫害困扰农民。小麦总体病虫害防控面积大，2025年预计发生面积34.5亿亩次，比2024年和2019-2023年均值增加。重点关注赤霉病等多种病虫害。因农民缺乏识别知识，农药滥用严重，我国约30%农药存在滥用情况，这增加成本、破坏环境、威胁食品安全。为解决问题，本系统基于EasyDL智能识别技术，能高精度识别病害、监测环境，帮农民准确识别病虫害并推荐用药，保障农业绿色可持续发展。

1    研究现状

农业病虫害识别研究始于1978年，美国伊利诺斯大学构建大豆病虫害诊断咨询系统，开启该领域探索热潮。2006年邵刚团队开发蔬菜病虫害远程诊治系统，依靠专家人工诊断，存在偏差[1]。2010年乔建等人运用二叉分类推理开发辅助诊断系统，借助计算机辅助鉴定[2]。此后，2015年贾桂霞研发基于Android的查询系统[3]，2017年洪波团队创建陕西蔬菜病虫害诊断公众号[4]，均未摆脱人工识别局限。2018年彭鸿元与刘媛用深度学习提升识别精度，但算法对大众难度大[5][9]。2020年王星尧开发的系统也未结合智能算法与自动识别[6]。

国外研究同样不断推进，2010年Al-Bashish等人用图像分析技术鉴别植物病害，2017年研究人员微调深度模型提升性能，2018年印度尼西亚创建水稻数据集，2019年巴西构建交流社区及PestNet实现害虫检测分类。当下，虽成果频出，但实用的病虫害识别管理系统仍不成熟，现有平台多侧重信息查询。本文创新性提出与深度学习融合的系统，以填补空白。

2    系统设计

2.1    系统总体设计

农业病虫害识别系统采用多模块集成与智能化驱动设计，架构清晰。核心有五大模块：登录注册系统管理用户准入与权限；用户管理模块整合维护用户信息；监测环境信息板块实时采集分析农作物生长环境参数；病虫害信息库存储、检索病虫害数据并传播知识；农业病虫害识别模块借深度学习精准诊断。

技术架构上，采用MVP架构，分离UI与业务逻辑，降低耦合，便于维护与扩展。数据库选用MySQL，保障系统稳定。为提高识别准确率，融合基于深度学习的预测模型，引入EasyDL图像识别大模型，用户上传图像即可快速知晓病虫害种类[8]。

病虫害信息库功能丰富，涵盖病虫害种类及防治措施。系统创新加入农作物生长环境监测功能，通过传感器实时采集温湿度、光照强度等数据。因环境对病虫害影响大，如高温高湿易引发炭疽病，生物传感器还能捕捉作物受侵袭时体内物质变化。借助此功能，管理人员可预判病虫害风险，调整生产策略。此外，系统具备用户信息管理等基础功能，通过多模块协同与智能技术，为病虫害防治提供高效精准方案。

系统开发环境如表 1 所示，系统开发使用了Android Studio，数据库采用MySQL数据库，UI设计采用Adobe XD，其整体工作流程如图 2 所示。

2.2    系统功能模块设计

2.2.1  登录注册功能

系统仅支持用户名和密码登录，分为管理员和普通用户。管理员可管理系统，对数据进行编辑、修改、删除等操作；普通用户仅能查看信息和进行病虫害识别。

2.2.2  用户管理功能

记录管理员和普通用户信息，涵盖用户名、密码等。支持忘记密码的邮箱验证，可对用户进行查看、增加、删除、修改操作，还能通过用户名、姓名和地址查询用户。

2.2.3  环境信息功能

实时监测农作物生长环境，接收种植基地的环境信息数据并上传至云端，用户登录系统即可查看。

2.2.4  病虫害信息库功能

汇总中草药病虫害信息，在高发期指导种植人员科学预防，合理绿色使用农药，避免环境污染和大面积病虫害。

2.2.5  病害识别功能

作为系统核心，连接改进的 YOLOv5 模型提升识别准确率。用户上传病害图片识别后，系统能识别葡萄黑麻疹、马铃薯早疫病和毛地黄穿孔病三种病害，并可查询信息库获取防治措施。

3    基于EasyDL的病虫害识别

EasyDL 以百度自主研发的 PaddlePaddle 飞桨深度学习框架为基石，精心搭建而成。该平台内置的预训练模型，乃是基于百度海量用户所产生的百亿级大数据进行充分训练而得，具备高度成熟性。其底层深度融合了百度自主研发的 AutoDL/AutoDM 技术，在小样本学习方面展现出卓越性能。即便在仅有少量数据输入的情况下，亦能通过训练生成效果优异且性能稳定的模型。

在实际操作过程中，用户只需上传图像数据，系统便会自动启动训练流程。训练完成后，生成的模型将被安全存储于云端服务器。用户可通过独立的云端 Rest API 实现对模型的便捷调用，从而精准、高效地完成图像识别任务。这一架构为多个领域的图像智能分析与应用，提供了极为便利且可靠的解决方案，在推动图像智能技术在各领域的广泛应用方面具有重要意义。

3.1 农作物病虫害识别

定制EasyDL训练机器学习模型。定制EasyDL训练机器学习模型的流程，如图1所示，其详细步骤如下：

Step 0 选择模型。在EasyDL图像识别页面选择图像分类模型训练。

Step 1 创建模型。填写模型名称虫害识别系统、联系方式、功能描述等信息，即可创建模型。模型创建成功后，可以在我的模型中看到刚刚创建的虫害识别系统模型。

Step 2 上传并标注数据。训练前在数据中心创建数据集。首先设计分类，将 “葡萄黑麻疹”“马铃薯早疫病” 等作为不同分类；接着把准备好的图片按分类放入不同文件夹，压缩成 ZIP 格式后，在 “创建数据集” 页面上传；然后采用创新标注方案，对每张图片精细化处理并独立标注，提升同一叶片不同病虫害的识别准确度。

③上传和标注图片：采用创新的标注方案，将每张图片进行精细化处理后独立标注，进一步提高同一叶片中存在不同病虫害的识别准确度。

Step 3 训练模型。在完成待训练数据的上传操作后，随即开启模型训练进程。此过程需有序执行以下关键步骤：

模型遴选：根据训练任务的特定需求和数据特性，从系统预设模型库中精准挑选适配的模型，这对模型契合任务及后续性能影响重大。

应用类型选定：依据实际应用场景需求，在在线云服务和离线识别 SDK 中做选择。在线云服务依靠云端资源实现实时处理；离线识别 SDK 侧重本地离线识别，二者决定模型应用与部署环境。

算法抉择与参数调优：以图像分类任务为例，在通用算法与 AutoDL Transfer 等算法间权衡。选定算法后确定训练方式并精细调整参数，要求用户理解算法原理与适用范围，结合数据和目标优化模型性能。

训练数据整合：从系统数据集列表选合适的数据集，按分类标准筛选图片，可跨数据集选取，系统自动整合相同分类图片，保障数据完整一致，为训练提供支撑。

Step 4 校验模型效果。通过模型评估报告或校验，了解模型性能。若未达预期，可拓展数据集规模、优化标注，对模型迭代优化。

Step 5 模型训练完成，参照图10发布在线API。在表单页面自定义接口地址后缀与服务名称后提交申请。使用前赋予接口权限，用户登录EasyDL控制台创建应用获取appid，按接口文档启用服务。系统还支持在控制台云服务权限管理模块，对第三方用户配置权限，保障使用安全规范。

4 病虫害识别测试

为验证系统性能与实用性，本研究从实验环境构建、测试数据集设计、评价指标设定及实际应用验证四个维度展开全面测试，并结合可视化结果与定量分析进行系统评估。

4.1 测试环境与数据集

类别：葡萄黑麻疹（3000张）、马铃薯早疫病（2800张）、毛地黄穿孔病（2500张）、健康叶片（2000张）

划分：训练集（80%）、验证集（10%）、测试集（10%）

数据增强：随机旋转、亮度调整、高斯噪声注入

4.2 实验方法与评价指标

4.3 实验结果与分析

模型性能对比：

表4展示了不同模型在测试集上的表现。改进后的YOLOv5模型在准确率与F1-score上均显著优于对比模型。

4.4 实际应用案例

在福建省泉州市丰泽区试点农田中部署本系统，针对马铃薯进行为期3个月的实地测试：

用户反馈：87%的农户认为系统操作便捷，识别结果可信度高

经济效益：农药使用量减少32%，病虫害防治成本降低25%。

环境效益：土壤农药残留检测值下降41%，符合绿色农业标准。

4.5 讨论与局限性

5 结论

本研究成功构建了基于EasyDL和改进YOLOv5模型的农业病虫害识别系统，在农业病虫害防治领域取得了一系列显著成果。

在系统性能方面，改进后的YOLOv5模型表现卓越。通过精心设计的实验，与原版YOLOv5、ResNet50 等模型进行对比，结果显示改进后的YOLOv5模型准确率从原版的95.3%提升至98.2%，F1-score从0.941提高到0.978。这一提升表明改进后的模型在特征提取和分类能力上有了质的飞跃，能够更精准地识别病虫害种类，为病虫害的防治提供了更可靠的依据。例如，在对葡萄黑麻疹、马铃薯早疫病和毛地黄穿孔病的识别中，改进后的模型能够更准确地判断病害特征，减少误判和漏判的情况，提高了病虫害识别的准确性和可靠性。

在系统的鲁棒性方面，也进行了全面的测试。在模拟的低光照条件下，准确率虽下降至94.5%，但通过有效的图像增强技术，准确率恢复至97.1%，证明了图像增强技术在提升系统应对低光照环境时的有效性。在模糊图像（高斯模糊σ=3）条件下，准确率保持在96.8%，这表明系统对模糊图像具有较好的适应性，能够在一定程度上克服图像质量下降对识别结果的影响，保证了系统在复杂环境下的稳定运行。

在实际应用中，系统在移动端的延迟表现良好，4G网络平均响应时间为1.2秒，离线SDK延迟为0.8秒，能够满足农业生产中对实时性的要求，确保农户能够及时获取病虫害识别结果，为采取防治措施争取宝贵的时间。在福建省泉州市丰泽区试点农田针对马铃薯进行的为期3个月实地测试中，系统得到了农户的广泛认可，87%的农户认为系统操作便捷，识别结果可信度高。同时，系统在经济效益和环境效益方面也取得了显著成效，农药使用量减少32%，病虫害防治成本降低25%，土壤农药残留检测值下降41%，符合绿色农业标准，为农业的可持续发展做出了积极贡献。

综上所述，本系统在准确率、实时性和实用性方面均达到了预期的设计目标，为农业病虫害防治提供了一种高效、智能的解决方案，对推动农业现代化发展具有重要的意义。

参考文献：

[1]邵刚，等。蔬菜病虫害远程诊治系统的设计与实现[J].安徽农业科学，2006（16）：4066-4067.

[2]乔建，等。基于二叉分类的病虫害辅助诊断及分类系统[J].安徽农业科学，2010，38（33）：18998-19000.

[3]贾桂霞，等。基于Android的林业病虫害查询系统的设计与实现[J].农业网络信息，2015（02）：53-56.

[4]洪波，等。基于微信公众号的陕西蔬菜病虫害诊断系统[J].北方园艺，2017（16）：167-172.

[5]彭鸿元，等。基于深度学习的植物识别系统设计[J].计算机应用与软件，2018，35（11）：138-142+170.

[6]王星尧。北京市园林植物病虫害诊断系统的设计与实现[D].北京林业大学，2020.

[7]黄荣喜，尤文坚.. 基于物联网技术的龙滩珍珠李病虫害智能监测与预警系统研究[J].南方农机，2025，56（03）：23-26.

[8]徐海霞。自动识别技术在农作物病虫害领域应用研究[J].中国自动识别技术，2024（5）：相关内容.

[9]何前。深度学习在农作物病虫害识别领域的应用[J].中南农业科技，2024，45（7）：120-122.