当前位置：首页 > news >正文

【物联网】智慧农业病虫害精准辨识竞赛思路及代码分享

news 2026/2/10 0:47:51

来源：投稿作者：LSC
编辑：学姐

比赛官网:

https://www.dataglobal.cn/cmpt/signUpInfo200.html

任务描述

请参赛者设计智慧农业病虫害检测系统，给出一体化问题解决方案，鼓励参赛选手结合某一果园/农作物实际情况建立自身方案。

基于主办方（或公开数据集）提供的农作物叶子图像数据，构建病虫害辨识模型，准确辨识农作物及病虫害种类，为农户积极防御病虫害提供合理化建议，解决智慧果园病虫害辨识问题。

任务目标

(1)智慧农业病虫害精准辨识方法（必要）；
(2)智慧农业病虫害检测系统（必要）；
(3)模型测试验证结果（加分项）；
(4)配套代码注释与必要的文档说明（加分项）。赛题是一个图像分类问题，数据集分布类似下图(原数据集找不到了，赛后没有保存，官网也没有了):

每个文件夹里面包含每个类别的图像

总体方案

针对智慧农业病虫害精准辨识方案，一般通过数据挖掘、计算机视觉等技术，采用特定的算法和数据模型，对农业病虫害的图像进行广泛挖掘和深度匹配，以获得准确有效的数据特征。因此，我们主要选择先进的深度学习图像分类模型框架，共计三种分类模型实现病虫害辨识，分别为Paddle的专门图像分类套件Paddlex和Paddleclas实现和人工智能深度学习框架Pytorch图像分类套件MMClassification。

方案流程主要包括图片数据预处理、模型选择、模型训练及测试、指标评估等流程，反复观察实验结果，经过多次调参及预训练，最终模型分类精度可以达到100%，本次方案流程图如下。为了使得图片智能识别更精准，我们需要大量的农作物虫害病症的图片样本采集。

图片数据预处理

（1）针对本次智慧农业病虫害数据集，图片总共分为3类，对应命名分类标签，经观察发现，每种类别数量均衡，且都是400多张。另外，本次图片数据集分辨率高，像素清晰，容易辨别。因此，无需更多数据增强操作，应用大部分经典模型都能取得不错的效果。

（2）由于在服务器上跑模型的时候，是基于ubuntu系统，所以解压题目数据后用zip压缩文件并重新命名agri_pest.zip。

（3）数据操作: 统一随机打乱数据集，并且按照按9:1划分训练集和验证集。

模型选择

使用Paddlex （官网链接: https://github.com/PaddlePaddle/PaddleX）

Paddlex是一个集成图像分类、目标检测、实例分割、语义分割的套件，使用简便，封装了很多训练方法和会自动加载经典的预训练模型权重。

首先，对图片进行预处理操作并随机打乱数据。

其次，考虑实验精度及速度，本次模型选择带有知识蒸馏的ResNet101_vd_ssld模型，结合使用标签平滑、早停等训练技巧。

最后，经过多次实验尝试，对原始的学习率进行修改及调整学习率衰减策略，实验以准确率为评价指标，最终准确率达到100%。

每张图片文件对应分类结果，其中0为Healthy、1为Powdery、 2为Rust，将结果导出result.txt，下同。

第一轮验证集，准确率就达到98%，第二轮训练集的准确率达到100%，如下图所示:

第三轮验证集准确率达100%，如下图所示:

本次实验将最好的模型权重已经保存在百度网盘上，代码文件及说明见main.ipynb、数据文件、结果文件result.txt见附件Paddlex文件夹。

使用Paddleclas

PaddleClas图像分类套件，包括模型开发、训练、压缩、部署全流程，助力开发者更好的开发和应用图像分类模型。PaddleClas同时提供服务器端模型与端侧轻量化模型来支撑不同的应用场景，为确保最终识别精度，选择PaddleClas提供的SWinTransformer模型。

（1）官网下载套件: https://github.com/PaddlePaddle/PaddleClas 根据文档 https://github.com/PaddlePaddle/PaddleClas/blob/release/2.5/docs/zh_CN/models/ImageNet1k/model_list.md#ViT&DeiT

选择在imagenet上精确度最高的CSWinTransformer_large_384网络。

（2）修改配置文件CSWinTransformer_large_384.yaml修改相关参数，数据集路径、训练轮数、预训练模型权重等，参数与结果如附件所示。

（3）由于数据量比较少，模型强大，为了节约时间、算力和避免过拟合，提前终止训练流程。训练3个epoch后，验证集准确率高达100%，如下图所示:

部分测试集推理结果如下:

全部测试集推理结果如result.txt所示。代码main.ipynb、数据处理文件、配置文件见附件PaddleClas文件夹。

使用MMClassification

第三种方案使用MMClassification，它是一款基于 PyTorch 的开源图像分类工具箱, 集成了常用的图像分类网络，将数据加载，模型骨架，训练调参，流程等封装为模块调用，便于在模型间进行转换和比较，高效简洁的实现了参数调整。

同上述两种方案，本方案最新最强大的中的swin_transformer模型，由于模型权重大及环境限制，保存结果占据空间比较多，本次实验只训练20轮，其中模型效果最好的是第19轮，最终在验证集效果达到87.2%，如下图所示，

由于训练时间及服务器环境限制，本模型没有进一步调优，后续如果有幸能进入决赛会进一步优化。

代码train.ipynb、测试集结果result.json等在附件MMClassification中。

代码都保存在code.zip文件中。

模型总结和后期优化

本系统基于提供的农作物叶子图像数据集，构建病虫害辨识模型，最终通过三种深度学习分类模型实现，最终验证集准确度达到100%，以下是模型总结和优化方向。

(1) 本次数据集都是按9:1划分训练集和验证集，结合交叉验证的方法训练，也可以用全部的数据进行训练模型，但是容易过拟合，可以使用focal loss、label smooth等策略尽力避免。

(2) 可以使用模型融合、模型投票的策略，但是会加大模型权重，考虑部署起来不方便。

(3) 在保证数据质量的前提下，采集更多的数据集，对数据进行增广。增强模型泛化能力。

(4) 针对后期移动端部署，可以选择轻量化模型mobilenet等进行训练，由于数据量比较少，用权重大的模型效果不一定很好，网络可能得不到充分的训练。

后续可以对模型进行部署，做成一个专门的图像分类检测系统。

本文模型权重数据资料🚀🚀🚀

关注下方卡片《学姐带你玩AI》

回复“模型权重”即可领取

码字不易，欢迎大家点赞评论收藏！