数据驱动的农业深度学习方法计量分析.pdfVIP

农业大数据学报2024,6(3):400-411

JournalofAgriculturalBigDataDOI:10.19788/j.issn.2096-6369.000023

开放科学（资源服务）标识码（OSID）：

数据驱动的农业深度学习方法计量分析

李佳乐1,2,3，张建华1,2,3，王健1,2,3，周国民1,2,3*

1.中国农业科学院农业信息研究所北京100081；2.国家农业科学数据中心，北京100081；3.三亚中国农业科学院国家南繁研究院，海南三亚572024

摘要：随着人工智能、计算机视觉、深度学习等科学技术在农业领域的发展与应用，数据驱动的农业深度学习模型成为农业

科学的新型研究范式，农业数据集是深度学习模型训练的基础，高质量、大规模、多样性的数据集能够有效提升模型性能，

从而助力深度学习在智慧农业领域的应用。为帮助相关领域研究者更好地了解数据对于深度学习的驱动力，充分发挥深度学

习在农业领域的应用，本文通过计量分析的方法，总结农业数据集的类型、规模、来源等基本特质，根据深度学习方法将其

划分为目标检测、图像分割、图像识别等4个类别，根据应用领域将其划分为视觉导航、特征识别、无损检测等7个类别。

结果显示，数据集类型以图像数据为主，图像的数据量主要集中在50—1500张范围内，由于农业数据采集的特殊性，数据

集大部分由个人构建，部分来自公开数据集，主要利用数据集开展特征识别。在未来，随着模型的规模越来越大，对于数据

集的要求也不断升级，因此需要持续构建大规模、分布均衡、标注准确的数据集。本文通过强调数据对深度学习模型的驱动

力及重要性，为数据推动深度学习农业应用提供理论依据。

关键词：数字农业；深度学习；数据集；计量分析

据学家和农艺家们开发新的工具和程序，人工智能由

1引言此被广泛地应用在智慧农业领域[4]。深度学习基于图

1949年，机器学习诞生于赫布理论。随着21世像分类能够提高农作物的产量与质量，在农业领域主

纪大数据时代的到来，人们对于数据的收集和掌控能要应用于作物产量预测、植物胁迫检测、杂草和害虫

力逐渐提升，以海量数据为支撑的深度学习应运而生。检测、灾害监测以及智慧农场[5]。深度学习通过多层

深度学习是一个前沿的数据分析和图像处理工具，最神经网络结构，提取出农业数据的特征，为农业生产

早在2006年由GeoffreyHinton和他的学生提出[1]，作者提供精准的决策方案，改变劳动密集型的农业生产

为机器学习的一个分支，深度学习以人工神经网络为方式，提高农业生产效率，拉动农业经济增长，解决粮

[6]

架构，通过大规模矩阵运算开展高效处理图像、目标食安全问题，成为发展可持续高效农业的重要工具。

检测、图像分类、精准预测等工作，其在图像识别领深度学习模型准确率高、逻辑能力强、可适用性

域的应用对于计算机视觉来说是一次技术革新[2]，相强等特点，都是建立在庞大的数据集基础上才可以实

较于传统机器视觉方法，深度学习的优势在于处理数现[7]，例如Imagenet数据库包含了一千多万张图像，

[3]

据量大、处理速度快且图像识别精度高。对深度学习模型的训练有强大的推动能力。数据集是

当今世界面临劳动力短缺、自然资源匮乏、耕地深度学习模型训练的基础，数据集的数据量、数据复

水平退化、极端天气等多重压力，农业生产效率落后杂性、数据质量对于深度学习模型的训练和性能至关

于世界人口的增