简介：针对水稻病害虫害检测精度低、速度慢、模型体量大、部署困难等问题，本研究提出了轻量化YOLOv4-GhostNet水稻病虫害识别方法：1）利用幻象模块代替普通卷积结构，替换主干特征提取网络CSPDarkNet53，构建GhostNet特征提取结构；2）改进YOLOv4网络的加强特征提取部分PANet结构；3）利用迁移学习与YOLOv4网络训练技巧；4）模型对水稻病虫害检测的平均精确度达到89.91%，检测速度可达每秒34.51 帧，体量缩减为42.45 MB；5）与YOLOv4网络相比，网络规模减小了93.88%、网络参数缩减为原来的8.05%、训练速度每秒钟提升了11.59 帧。
水稻是我国主要粮食作物，在我国农业生产中占据重要地位。而水稻病害、虫害将直接影响到水稻的质量和产量，对农业造成巨大的经济损失，关于水稻病虫害的研究不断出现。目前图像识别与机器学习方法在病虫害识别领域中应用广泛：1）利用K-均值聚类算法和最大类间方差法对小麦病害图像分割；2）利用均值漂移算法监督葡萄生长状态与病虫害；3）釆用基于椭圆型度量矩阵提升SVM分类器的识别水稻虫害能力；4）应用图像处理技术对水稻虫害进行识别；5）利用原位法检测方法检测温室条件下出现多叶重叠遮挡现象和复杂背景的胡椒叶片病害图像。6）基于颜色在强光与非强光区域逐渐变换的原理，提出一种基于概率超像素马尔可夫网络的抗强光照作物特征方法。
以上基于机器学习的病虫害识别方法，实质上是以图片分类的方式实现，对于复杂背景的图片需要进行多种算法的处理，且各算法之间存在着特征能力描述和识别速度之间相互排斥的矛盾，提取的特征相似度较高，难以同时识别特征相差较大的病害和虫害。
随着深度学习网络的不断发展，其应用也被引入到农作物病害识别领域：1）利用AlexNet和GoogLeNet识别开放数据库PlantVillage中的14 种不同植物的26 种病害；2）利用健康和患病植物叶子图像，训练几种卷积神经网络，检测9 种不同的番茄病虫害；3）使用AlexNet模型，利用６ 种已知病害的2 539张图像对苹果病害进行识别；4）利用Inception-V3网络和ImageNet数据集实现８ 种病害的识别；5）针对复杂自然背景下茶园害虫，利用优化后的卷积神经网络识别。
基于深度学习的方法往往需要大量的数据作为模型训练基础，而农业病虫害检测数据集构建困难，缺少病虫害公共数据集，实际数据检测精度往往较低。为了提升深度学习网络的精度，往往设计网络层数更深、结构更复杂、参数量更大的神经网络，这使得模型训练时间长，体量大，部署困难。
对于从事水稻病虫害研究与防治的用户而言，其设备计算资源、存储能力往往有限，研究轻量化的水稻病虫害目标检测方法十分必要。现有轻量化研究领域的研究成果：1）利用一种改进的YOLOv3-MobileNet目标检测算法，提升源YOLOv3模型的检测精度和运算速度；2）利用一种基于改进YOLOv4的新型室内场景目标检测算法，平均检测精度达到83.0%；3）利用GhostNet残差结构进行4 种饮料识别网络，衡量指标mAP到达79.43%，参数量缩减10%；4）利用面向小目标检测的轻量化YOLOv3-CSP算法，实现对原模型参数量95%的压缩；5）应用轻量化卷积神经网络 ConcatNet将计算量与计算复杂度降低50%；6）应用GhostNet的卷积特征，改进EOC目标跟踪算法，提高全程的跟踪速度。
本研究拟构建轻量化GhostNet结构，对YOLOv4框架的主干特征提取网络CSPDarkNet53进行替换，对加强特征提取金字塔PANet进行改进，再拟采用基于PASCAL VOC数据集得到的基础网络，进行迁移学习，冻结训练数据量较小的水稻病虫害目标检测模型，同时检测9 种水稻病虫害。
未完待续……
