楊奉水 王志博 汪為通 張欣欣 孫亮 肖強(qiáng)

摘要：傳統(tǒng)茶樹(shù)病蟲(chóng)害的識(shí)別主要依靠專業(yè)植保人員的現(xiàn)場(chǎng)診斷，難以滿足現(xiàn)階段茶園大規(guī)模種植發(fā)展的需求。隨著計(jì)算機(jī)應(yīng)用技術(shù)和人工智能領(lǐng)域的發(fā)展，應(yīng)用人工智能識(shí)別茶樹(shù)病蟲(chóng)害已成為建設(shè)數(shù)字茶園的重要部分。文章系統(tǒng)闡述了人工智能識(shí)別技術(shù)的發(fā)展歷程及在茶樹(shù)病蟲(chóng)害識(shí)別技術(shù)上的研究和應(yīng)用現(xiàn)狀，分析了茶樹(shù)病蟲(chóng)害識(shí)別技術(shù)目前所遇到的問(wèn)題，展望了人工智能識(shí)別技術(shù)在茶樹(shù)病蟲(chóng)害識(shí)別、監(jiān)測(cè)和預(yù)警上的應(yīng)用前景。

關(guān)鍵詞：人工智能;病蟲(chóng)害識(shí)別;茶樹(shù)

Application and Prospect of Artificial Intelligence

Identification of Tea Pests and Diseases

YANG Fengshui， WANG Zhibo， WANG Weitong， ZHANG Xinxin， SUN Liang， XIAO Qiang*

Tea Research Institute， Chinese Academy of Agriculture Sciences， Hangzhou 310008， China

Abstract： The identification of traditional tea diseases and insect pests mainly relies on the on-site diagnosis of professional personnel， which is difficult to meet the needs of large-scale planting and development of tea gardens now. With the development of computer application technology and artificial intelligence， the application of artificial intelligence to identify tea diseases and insect pests has become an important part of building intelligent tea garden. This paper reviewed the development history of artificial intelligence identification technology and the research and application status of tea pest and disease identification technology， analyzed the current problems encountered by tea pest and disease identification technology， and prospected the application prospects of artificial intelligence identification technology in the identification， monitoring and early warning of tea pests and diseases.

Keywords： artificial intelligence， identification of diseases and pests， tea

人工智能是利用計(jì)算機(jī)創(chuàng)造并運(yùn)用算法處理生產(chǎn)中所獲得的數(shù)據(jù)，達(dá)到模擬人類智能活動(dòng)規(guī)律的目的。人工智能識(shí)別主要通過(guò)計(jì)算機(jī)運(yùn)用算法處理在外界環(huán)境中收集的圖片，并從圖片中獲取事物的信息，進(jìn)行分析處理，達(dá)到模擬人的視覺(jué)功能，具有速度快、處理數(shù)據(jù)量大、節(jié)省勞動(dòng)力、功能豐富等特點(diǎn)，因此在工業(yè)、農(nóng)業(yè)等領(lǐng)域得到了廣泛的應(yīng)用。

在茶葉生產(chǎn)中，病蟲(chóng)害是影響其產(chǎn)量和品質(zhì)的重要因子，我國(guó)茶園病蟲(chóng)害發(fā)生具有種類多、發(fā)生面積廣、危害大等特點(diǎn)[1]，常給茶葉生產(chǎn)帶來(lái)巨大的經(jīng)濟(jì)損失，因此，茶樹(shù)病蟲(chóng)害防治一直以來(lái)被作為生產(chǎn)過(guò)程中一個(gè)不可或缺的組成部分。在病蟲(chóng)害防治的整個(gè)過(guò)程中，病蟲(chóng)識(shí)別是開(kāi)展病蟲(chóng)害防治的首要環(huán)節(jié)。傳統(tǒng)的病蟲(chóng)識(shí)別需要依賴于昆蟲(chóng)分類學(xué)家的形態(tài)鑒定，近年來(lái)隨著分子生物學(xué)的快速發(fā)展，DNA條形碼技術(shù)很大程度彌補(bǔ)了傳統(tǒng)形態(tài)鑒定的專業(yè)依賴，但該技術(shù)因?qū)I(yè)性特點(diǎn)和依賴實(shí)驗(yàn)儀器，以及鑒定成本和時(shí)效上的局限性，仍然難以滿足生產(chǎn)的需要。近些年隨著計(jì)算機(jī)技術(shù)的發(fā)展，許多專家學(xué)者開(kāi)始將人工智能識(shí)別技術(shù)應(yīng)用到病蟲(chóng)識(shí)別上，人工智能識(shí)別技術(shù)因其鑒別速度快、穩(wěn)定性好、準(zhǔn)確度高等特點(diǎn)，能夠?qū)崿F(xiàn)提高識(shí)別效率、節(jié)省勞動(dòng)力、迎合產(chǎn)業(yè)發(fā)展需求的效果。本文闡述了人工智能識(shí)別技術(shù)的發(fā)展歷程，介紹了茶園病蟲(chóng)害識(shí)別技術(shù)的相關(guān)研究和應(yīng)用，對(duì)目前茶樹(shù)病蟲(chóng)害識(shí)別技術(shù)所遇到的主要問(wèn)題進(jìn)行了分析，并在此基礎(chǔ)上展望了人工智能識(shí)別技術(shù)在茶園植保上的應(yīng)用前景。

1 ?人工智能識(shí)別技術(shù)的發(fā)展概況及在農(nóng)業(yè)病蟲(chóng)害上的應(yīng)用

1.1 ?人工智能識(shí)別技術(shù)的發(fā)展

1956年，在美國(guó)達(dá)特茅斯會(huì)議上人工智能（Artificial intelligence）這一概念被首次提出[2]。隨著人工智能技術(shù)的發(fā)展，逐漸形成了多個(gè)分支，如自然語(yǔ)言處理、計(jì)算機(jī)視覺(jué)、知識(shí)表示、機(jī)器學(xué)習(xí)等。目前，國(guó)內(nèi)外有許多專家學(xué)者將人工智能技術(shù)應(yīng)用到現(xiàn)代農(nóng)業(yè)上，通過(guò)信息技術(shù)與智能設(shè)備的結(jié)合，實(shí)現(xiàn)在農(nóng)業(yè)生產(chǎn)過(guò)程中的信息感知、快速識(shí)別、智能監(jiān)測(cè)等新型農(nóng)業(yè)生產(chǎn)方式，推動(dòng)我國(guó)農(nóng)業(yè)從數(shù)字化到智能化的發(fā)展。

人工智能識(shí)別技術(shù)的探索起始于20世紀(jì)50年代對(duì)生物視覺(jué)的研究[3]。20世紀(jì)60年代，Roberts等[4]闡明了從二維圖片中推導(dǎo)出三維信息的過(guò)程，這項(xiàng)工作開(kāi)啟了以理解三維機(jī)器視覺(jué)為目的的研究。在20世紀(jì)70年代，麻省理工學(xué)院開(kāi)設(shè)計(jì)算機(jī)視覺(jué)課程，同一時(shí)期，David Marr提出了計(jì)算機(jī)視覺(jué)理論。到20世紀(jì)80年代，計(jì)算機(jī)視覺(jué)發(fā)展迅速，涌現(xiàn)出了許多新的理論框架，并且在各個(gè)領(lǐng)域得到了廣泛的應(yīng)用，計(jì)算機(jī)視覺(jué)逐步從實(shí)驗(yàn)室走向了應(yīng)用[5]。20世紀(jì)90年代，特征對(duì)象識(shí)別逐漸開(kāi)始成為重點(diǎn)，許多統(tǒng)計(jì)學(xué)習(xí)方法如支持向量機(jī)也在計(jì)算機(jī)視覺(jué)中得到廣泛的應(yīng)用。ADBA5149-3503-4FE7-927E-31D27727D920

人工智能識(shí)別技術(shù)一般是使用圖像捕捉設(shè)備自動(dòng)接收目標(biāo)圖像，并對(duì)圖像進(jìn)行處理和分析，具有速度快、穩(wěn)定性好、準(zhǔn)確性高等特點(diǎn)，擁有代替人眼進(jìn)行識(shí)別的發(fā)展?jié)摿6]。如圖1所示，人工智能識(shí)別技術(shù)主要流程包括檢測(cè)目標(biāo)、圖像獲取、圖像預(yù)處理、圖像分析等。其中圖像分析是識(shí)別過(guò)程中的關(guān)鍵環(huán)節(jié)，主要的分析方法可分為傳統(tǒng)機(jī)器學(xué)習(xí)和深度學(xué)習(xí)。傳統(tǒng)機(jī)器學(xué)習(xí)的主要流程包括圖像預(yù)處理、特征提取、特征篩選、模型選擇、分類器選擇、測(cè)試驗(yàn)證等，深度學(xué)習(xí)的主要流程包括圖像預(yù)處理、劃分?jǐn)?shù)據(jù)集、設(shè)計(jì)分類模型、模型訓(xùn)練、模型評(píng)估、測(cè)試驗(yàn)證等。

1.2 ?人工智能識(shí)別農(nóng)業(yè)病蟲(chóng)害的應(yīng)用

進(jìn)入21世紀(jì)后，傳統(tǒng)的機(jī)器學(xué)習(xí)方法和深度學(xué)習(xí)在人工智能識(shí)別農(nóng)業(yè)病蟲(chóng)害研究中得到了廣泛應(yīng)用。常見(jiàn)的機(jī)器學(xué)習(xí)方法有支持向量機(jī)[7-8]、決策樹(shù)[9]、樸素貝葉斯方法[10]等。趙汗青等[11]利用數(shù)學(xué)形態(tài)特征對(duì)40種昆蟲(chóng)進(jìn)行了二叉式分類，結(jié)合圖像處理技術(shù)，使其早期開(kāi)發(fā)的昆蟲(chóng)自動(dòng)識(shí)別軟件Bugvisux能夠?qū)?0種昆蟲(chóng)進(jìn)行鑒別，并且準(zhǔn)確率達(dá)到97.5%。于新文等[12]從棉鈴蟲(chóng)、玉米螟和黑哎獵蝽的圖像中提取了9個(gè)直觀易測(cè)的形狀特征，利用逐步判別分析法篩選出6個(gè)特征并構(gòu)建判別函數(shù)對(duì)其進(jìn)行判別分類，識(shí)別率達(dá)到100%。梁子安等[13]利用粗糙集神經(jīng)網(wǎng)絡(luò)對(duì)鱗翅目和鞘翅目昆蟲(chóng)5個(gè)總科23種昆蟲(chóng)圖像的數(shù)學(xué)形態(tài)特征進(jìn)行分類識(shí)別，并取得了良好的識(shí)別效果。趙玉霞等[10]利用樸素貝葉斯分類器的方法在圖像分割和特征提取的基礎(chǔ)上實(shí)現(xiàn)了對(duì)玉米5種病害圖像的精準(zhǔn)識(shí)別。鄧?yán)^忠等[8]比較了最小距離法、BP神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)分類器3種方法對(duì)3種小麥黑穗病的孢子的識(shí)別效果，結(jié)果表明采用支持向量機(jī)優(yōu)于其余兩種方法。以上這些研究都是基于靜態(tài)的標(biāo)本圖像，在田間復(fù)雜的環(huán)境下識(shí)別效果還有待改善。

深度學(xué)習(xí)在處理海量數(shù)據(jù)上具有一定的優(yōu)勢(shì)，能夠在大規(guī)模數(shù)據(jù)中自動(dòng)提取出物體特征并利用分類器進(jìn)行分類識(shí)別。深度學(xué)習(xí)常用的模型主要有Alexnet[14]、VGG[15-16]等。郭陽(yáng)等[17]利用深度卷積神經(jīng)網(wǎng)絡(luò)對(duì)2 500張水稻害蟲(chóng)圖片進(jìn)行處理，比較Faster-RCNN、SSD 和YOLOv3等3種算法在5種水稻害蟲(chóng)上的識(shí)別效果，結(jié)果表明YOLOv3 算法的識(shí)別效果優(yōu)于其余兩種算法，平均準(zhǔn)確率為91.93%。肖小梅等[14]對(duì)傳統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)Alexnet進(jìn)行優(yōu)化改進(jìn)后，該模型對(duì)4種常見(jiàn)水稻害蟲(chóng)的平均識(shí)別準(zhǔn)確率比改進(jìn)前提升了1.96個(gè)百分點(diǎn)。Lu等[18]利用深度卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練識(shí)別10種常見(jiàn)的水稻病害，其識(shí)別準(zhǔn)確率遠(yuǎn)遠(yuǎn)高于傳統(tǒng)的機(jī)器學(xué)習(xí)模型。萬(wàn)軍杰等[19]利用深度學(xué)習(xí)技術(shù)基于MATLAB平臺(tái)設(shè)計(jì)了1款可視化的果園病蟲(chóng)害識(shí)別和為害程度分級(jí)的智能系統(tǒng)，該系統(tǒng)將遷移學(xué)習(xí)技術(shù)和GoogLeNet模型相結(jié)合，相較于Alexnet、VGG-16、ResNet-18、SqueezeNet等模型，其模型驗(yàn)證精度提高了2.38%～11.40%，能夠在0.43 s左右的時(shí)間準(zhǔn)確識(shí)別出果樹(shù)的類型、病害和為害程度等信息，對(duì)6種果園25類的病蟲(chóng)害樣本進(jìn)行研究發(fā)現(xiàn)，其蟲(chóng)害和病害的識(shí)別精度分別達(dá)到100%和98.70%，為害程度分級(jí)平均精度可達(dá)到92.78%。

相對(duì)于傳統(tǒng)機(jī)器學(xué)習(xí)，深度學(xué)習(xí)對(duì)計(jì)算資源的要求更高，一般需要較強(qiáng)性能的設(shè)備進(jìn)行大規(guī)模運(yùn)算。在特征提取上，傳統(tǒng)機(jī)器學(xué)習(xí)依靠人工提取，而深度學(xué)習(xí)是依靠機(jī)器自動(dòng)提取，這就滿足了對(duì)海量數(shù)據(jù)處理和訓(xùn)練的需求。相較于傳統(tǒng)的機(jī)器學(xué)習(xí)，深度學(xué)習(xí)在識(shí)別精度和效率上具有明顯的提升。由此可見(jiàn)，深度學(xué)習(xí)對(duì)提高識(shí)別準(zhǔn)確率以及減少研發(fā)勞力投入具有顯著的優(yōu)勢(shì)。

2 ?人工智能識(shí)別茶樹(shù)病蟲(chóng)害的研究現(xiàn)狀

2.1 ?人工智能識(shí)別茶樹(shù)病蟲(chóng)害的研究進(jìn)展

與其他作物會(huì)遭遇病蟲(chóng)為害一樣，茶園中也會(huì)有各種病蟲(chóng)為害茶樹(shù)。據(jù)統(tǒng)計(jì)，我國(guó)已有記錄的茶樹(shù)病蟲(chóng)有900多種[1]，過(guò)去識(shí)別這些茶樹(shù)病蟲(chóng)主要依靠植保專家和植保工作者，通過(guò)對(duì)害蟲(chóng)的形態(tài)特征、病害的發(fā)生特征以及發(fā)生時(shí)間進(jìn)行辨別。在現(xiàn)階段大規(guī)模種植條件下，茶園病蟲(chóng)害種類繁多，專業(yè)技術(shù)人員不足，傳統(tǒng)的人工識(shí)別難以滿足生產(chǎn)需求，給精準(zhǔn)防控帶來(lái)困難。相比之下，人工智能識(shí)別明顯更準(zhǔn)確，花費(fèi)的時(shí)間和勞動(dòng)力更少。因此，人工智能在茶樹(shù)病蟲(chóng)害識(shí)別上的應(yīng)用具有巨大的潛力和需求。

隨著人工智能識(shí)別技術(shù)在農(nóng)業(yè)病蟲(chóng)害識(shí)別系統(tǒng)中的發(fā)展，在茶樹(shù)病蟲(chóng)害識(shí)別的研究上也取得了一定的進(jìn)展。2008年，秦華光[20]基于專家經(jīng)驗(yàn)研發(fā)了1套茶園害蟲(chóng)智能化WEB管理系統(tǒng)，該系統(tǒng)包括茶園病蟲(chóng)識(shí)別，蟲(chóng)害預(yù)測(cè)預(yù)報(bào)和茶園害蟲(chóng)的防治決策3個(gè)主要環(huán)節(jié)，采用形態(tài)識(shí)別、圖譜識(shí)別和檢索識(shí)別3種方式識(shí)別病蟲(chóng)害，是我國(guó)早期將人工智能技術(shù)引入茶園病蟲(chóng)害防治的代表性研究。在圖形識(shí)別領(lǐng)域，算法對(duì)識(shí)別速度及結(jié)果的準(zhǔn)確率具有重要的影響。吳阿林等[21]采用BP、SVM、CART等3種算法構(gòu)建了茶樹(shù)5種尺蠖害蟲(chóng)的三維空間結(jié)構(gòu)知識(shí)庫(kù)，其對(duì)害蟲(chóng)的分類識(shí)別率在80.00%～86.67%之間。近些年，卷積神經(jīng)網(wǎng)絡(luò)技術(shù)在圖像人工智能識(shí)別領(lǐng)域得到了廣泛的應(yīng)用。楊國(guó)國(guó)等[22]采用圖像顯著性分析并利用卷積神經(jīng)網(wǎng)絡(luò)所建立的模型對(duì)茶園23種常見(jiàn)的害蟲(chóng)進(jìn)行識(shí)別，取得了較好的識(shí)別效果。Bhatt等[23]基于卷積神經(jīng)網(wǎng)絡(luò)建立了1個(gè)能夠?qū)Σ铇?shù)病蟲(chóng)害準(zhǔn)確檢測(cè)的模型，該系統(tǒng)能夠有效地識(shí)別和定位復(fù)雜背景、遮擋情況下茶葉的健康狀況。Hu等[24]基于改進(jìn)的深度卷積神經(jīng)網(wǎng)絡(luò)提高了對(duì)不同茶樹(shù)病害圖像的識(shí)別能力，該方法高于傳統(tǒng)的機(jī)器學(xué)習(xí)方法和經(jīng)典的深度學(xué)習(xí)方法，將平均識(shí)別精度提升到92.5%。

移動(dòng)智能設(shè)備的快速普及，也為病蟲(chóng)害識(shí)別的發(fā)展提供了一個(gè)可行的方向?；谝苿?dòng)端開(kāi)發(fā)的病蟲(chóng)害識(shí)別程序已經(jīng)在儲(chǔ)糧病蟲(chóng)害[25-26]、果蔬病蟲(chóng)害[19，27-28]等方面得到了應(yīng)用，但在識(shí)別算法、精度、識(shí)別時(shí)間以及種類上還具有一定的局限性。例如，曹躍騰等[29]開(kāi)發(fā)了1款能夠部署在移動(dòng)端的輕量級(jí)病蟲(chóng)害識(shí)別算法Simplify-ResNet，利用人工采集病蟲(chóng)害圖像和Plant Village數(shù)據(jù)集測(cè)試Simplify-ResNet模型發(fā)現(xiàn)，其識(shí)別準(zhǔn)確率為92.45%，與LeNet、AlexNet、MobileNet等模型相比，該模型的準(zhǔn)確率分別提高了18.30、7.45、1.20個(gè)百分點(diǎn)。目前，在茶樹(shù)病蟲(chóng)害識(shí)別上，中國(guó)農(nóng)業(yè)科學(xué)院茶葉研究所和杭州睿坤科技有限公司聯(lián)合研發(fā)了1套基于移動(dòng)端的智能識(shí)別系統(tǒng)“茶病茶蟲(chóng)”，該系統(tǒng)能夠識(shí)別茶園中常見(jiàn)的病蟲(chóng)害及天敵80種左右，操作簡(jiǎn)單、識(shí)別速度快、準(zhǔn)確度高，為茶樹(shù)病蟲(chóng)害診斷提供了一種可靠的途徑。ADBA5149-3503-4FE7-927E-31D27727D920

2.2 ?人工智能識(shí)別茶樹(shù)病蟲(chóng)害存在的問(wèn)題

過(guò)去的幾十年人工智能識(shí)別技術(shù)發(fā)展迅速，深度學(xué)習(xí)在病蟲(chóng)害識(shí)別領(lǐng)域中的應(yīng)用以及在各種算法上的優(yōu)化使得病蟲(chóng)害識(shí)別效率和精度上有很大的提高和改善，但人工智能在茶樹(shù)病蟲(chóng)害識(shí)別研究發(fā)展過(guò)程中仍然存在許多問(wèn)題。

一方面，多數(shù)研究尚處于實(shí)驗(yàn)室研究階段，還不能達(dá)到實(shí)際應(yīng)用的要求。主要原因有以下幾點(diǎn)：一是目前多數(shù)研究集中于室內(nèi)完成，在這種環(huán)境下可以有效去除外界其他干擾因子的影響，但在實(shí)際應(yīng)用中，茶園的環(huán)境復(fù)雜，光線、天氣等都會(huì)對(duì)圖片的采集有一定影響，而且病蟲(chóng)害發(fā)生時(shí)會(huì)被茶樹(shù)葉片、嫩梢所阻擋，這對(duì)識(shí)別的效果有一定的影響。二是實(shí)驗(yàn)室研究主要是以靜態(tài)的害蟲(chóng)或者病害標(biāo)本為主要識(shí)別對(duì)象，而在實(shí)際應(yīng)用中是對(duì)動(dòng)態(tài)的茶園害蟲(chóng)進(jìn)行識(shí)別，這部分的害蟲(chóng)識(shí)別上有一定難度，其識(shí)別準(zhǔn)確率有待提高。三是在病蟲(chóng)害識(shí)別研究中所采集的圖片主要是在病蟲(chóng)害發(fā)生比較明顯的階段，而在生產(chǎn)中病蟲(chóng)害發(fā)生初期對(duì)于正確采取防治措施具有重要的作用，這就需要病蟲(chóng)害識(shí)別系統(tǒng)的識(shí)別能力能夠覆蓋病蟲(chóng)害的完整發(fā)生過(guò)程。

另一方面，在識(shí)別軟件開(kāi)發(fā)上應(yīng)以輕量級(jí)、簡(jiǎn)單、便捷、易操作為主，以便于多種技術(shù)手段融合。目前，關(guān)于茶樹(shù)病蟲(chóng)害識(shí)別研究多數(shù)還停留在理論研究中，操作繁瑣，專業(yè)性強(qiáng)，而且缺少能夠應(yīng)用到田間的產(chǎn)品。

3 ?人工智能識(shí)別技術(shù)在茶樹(shù)病蟲(chóng)害識(shí)別中的應(yīng)用前景

盡管人工智能識(shí)別技術(shù)在茶樹(shù)病蟲(chóng)害識(shí)別應(yīng)用上還存在一些問(wèn)題，但目前人工智能識(shí)別技術(shù)在茶樹(shù)病蟲(chóng)害識(shí)別程序設(shè)計(jì)和實(shí)現(xiàn)上已經(jīng)取得了相應(yīng)的成果。在此成果的基礎(chǔ)上可向病蟲(chóng)害監(jiān)測(cè)預(yù)警及精準(zhǔn)防控方向發(fā)展，從而推進(jìn)數(shù)字茶園建設(shè)。

在茶園病蟲(chóng)害監(jiān)測(cè)預(yù)警方面，隨著茶樹(shù)病蟲(chóng)害識(shí)別技術(shù)的快速發(fā)展，田間應(yīng)用將會(huì)日益成熟。有效算法的改善將會(huì)大大提高病蟲(chóng)害識(shí)別的準(zhǔn)確性以及對(duì)病蟲(chóng)害為害程度分級(jí)的能力。通過(guò)對(duì)茶樹(shù)病蟲(chóng)害智能識(shí)別、病蟲(chóng)害為害程度分級(jí)等方法，由單一的茶樹(shù)病蟲(chóng)害智能識(shí)別逐步轉(zhuǎn)入到多元的病蟲(chóng)害智能監(jiān)測(cè)預(yù)警，充分發(fā)揮人工智能的優(yōu)勢(shì)，實(shí)現(xiàn)對(duì)茶園病蟲(chóng)害實(shí)時(shí)、動(dòng)態(tài)、綜合的監(jiān)測(cè)和預(yù)警，不斷優(yōu)化茶園病蟲(chóng)害的監(jiān)測(cè)預(yù)警水平，為茶園病蟲(chóng)害監(jiān)測(cè)預(yù)警提供可靠數(shù)據(jù)。

在茶園病蟲(chóng)害精準(zhǔn)防控方面，通過(guò)對(duì)茶園長(zhǎng)期、多點(diǎn)的智能監(jiān)測(cè)數(shù)據(jù)，結(jié)合當(dāng)?shù)氐牡乩砦恢?，建立茶園病蟲(chóng)害、天敵數(shù)據(jù)庫(kù)。在病蟲(chóng)害暴發(fā)時(shí)，根據(jù)當(dāng)?shù)氐牡乩砦恢?、氣候、天敵、監(jiān)測(cè)預(yù)警等信息，及時(shí)推送茶園病蟲(chóng)害發(fā)生情況，為茶農(nóng)精準(zhǔn)地提供病蟲(chóng)害防治措施，避免茶農(nóng)亂用農(nóng)藥，推進(jìn)茶園綠色防控的普及。

茶樹(shù)病蟲(chóng)害識(shí)別系統(tǒng)是數(shù)字茶園的重要組成部分，未來(lái)茶園智能識(shí)別系統(tǒng)不僅僅局限于病蟲(chóng)害這一方面，還可拓展到茶樹(shù)栽培、茶園管理等方面，由單一的茶園病蟲(chóng)害識(shí)別轉(zhuǎn)向茶樹(shù)生長(zhǎng)、栽培等多方面的識(shí)別、監(jiān)測(cè)，從而實(shí)現(xiàn)將多個(gè)功能集于一個(gè)系統(tǒng)當(dāng)中，提高茶園數(shù)字化管理水平。

參考文獻(xiàn)

[1] 陳宗懋. 茶園有害生物綠色防控技術(shù)發(fā)展與應(yīng)用[J]. 中國(guó)茶葉， 2022， 44（1）： 1-6.

[2] 周長(zhǎng)建， 宋佳， 向文勝. 基于人工智能的作物病害識(shí)別研究進(jìn)展[J]. 植物保護(hù)學(xué)報(bào)， 2022， 49（1）： 316-324.

[3] HUBEL D H， WIESEL T N. Receptive fields of single neurones in the cat's striate cortex[J]. The Journal of Physiology， 1959， 148（3）： 574-591.

[4] ROBERTS， LAWRENCE G. Machine perception of three-dimensional solids[D]. Cambridge： Massachusetts Institute of Technology， 1963.

[5] 黃凱奇， 趙鑫， 李喬哲， 等. 視覺(jué)圖靈： 從人機(jī)對(duì)抗看計(jì)算機(jī)視覺(jué)下一步發(fā)展[J]. 圖學(xué)學(xué)報(bào)， 2021， 42（3）： 339-348.

[6] 趙春江. 智慧農(nóng)業(yè)的發(fā)展現(xiàn)狀與未來(lái)展望[J]. 華南農(nóng)業(yè)大學(xué)學(xué)報(bào)， 2021， 42（6）： 1-6.

[7] 吳孔明. 公共植保與綠色防控[C]. 北京： 中國(guó)農(nóng)業(yè)科學(xué)技術(shù)出版社， 2010： 818.

[8] 鄧?yán)^忠， 李敏， 袁之報(bào)， 等. 基于圖像識(shí)別的小麥腥黑穗病害特征提取與分類[J]. 農(nóng)業(yè)工程學(xué)報(bào)， 2012， 28（3）： 172-176.

[9] 劉平， 于重重， 蘇維均， 等. 決策樹(shù)算法在農(nóng)作物病蟲(chóng)害診斷中的應(yīng)用[J]. 計(jì)算機(jī)工程與設(shè)計(jì)， 2017， 38（10）： 2869-2872， 2891.

[10] 趙玉霞， 王克如， 白中英， 等. 貝葉斯方法在玉米葉部病害圖像識(shí)別中的應(yīng)用[J]. 計(jì)算機(jī)工程與應(yīng)用， 2007（5）： 193-195.

[11] 趙汗青， 沈佐銳， 于新文. 數(shù)學(xué)形態(tài)特征應(yīng)用于昆蟲(chóng)自動(dòng)鑒別的研究[J]. 中國(guó)農(nóng)業(yè)大學(xué)學(xué)報(bào)， 2002， 7（3）： 38-42.

[12] 于新文， 沈佐銳， 高靈旺， 等. 昆蟲(chóng)圖像幾何形狀特征的提取技術(shù)研究 [J]. 中國(guó)農(nóng)業(yè)大學(xué)學(xué)報(bào)， 2003， 8（3）： 47-50.

[13] 梁子安， 劉飛， 趙秋紅， 等. 數(shù)學(xué)形態(tài)學(xué)在昆蟲(chóng)總科階元分類學(xué)上的應(yīng)用研究[J]. 動(dòng)物分類學(xué)報(bào)， 2007（1）： 147-152.

[14] 肖小梅， 楊紅云， 易文龍， 等. 改進(jìn)的Alexnet模型在水稻害蟲(chóng)圖像識(shí)別中的應(yīng)用[J]. 科學(xué)技術(shù)與工程， 2021， 21（22）： 9447-9454.

[15] KONSTANTINOS P， FERENTINOS. Deep learning models for plant disease detection and diagnosis[J]. Computers and Electronics in Agriculture， 2018， 145： 311-318.ADBA5149-3503-4FE7-927E-31D27727D920

[16] HU G S， WANG H Y， ZHANG Y， et al. Detection and severity analysis of tea leaf blight based on deep learning[J/OL]. Computers & Electrical Engineering， 2021， 90： 107023. https：//doi.org/10.1016/j.compeleceng.2021.107023.

[17] 郭陽(yáng)， 許貝貝， 陳桂鵬， 等. 基于卷積神經(jīng)網(wǎng)絡(luò)的水稻蟲(chóng)害識(shí)別方法[J]. 中國(guó)農(nóng)業(yè)科技導(dǎo)報(bào)， 2021， 23（11）： 99-109.

[18] LU Y， YI S J， ZENG N Y， et al. Identification of rice diseases using deep convolutional neural networks[J]. Neurocomputing， 2017， 267： 378-384.

[19] 萬(wàn)軍杰， 祁力鈞， 盧中奧， 等. 基于遷移學(xué)習(xí)的GoogLeNet果園病蟲(chóng)害識(shí)別與分級(jí)[J]. 中國(guó)農(nóng)業(yè)大學(xué)學(xué)報(bào)， 2021， 26（11）： 209-221.

[20] 秦華光. 茶園害蟲(chóng)智能化WEB管理系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D]. 北京： 中國(guó)農(nóng)業(yè)科學(xué)院， 2008.

[21] 吳阿林， 周孝貴， 肖強(qiáng). 茶樹(shù)尺蛾科典型害蟲(chóng)成蟲(chóng)智能識(shí)別技術(shù)研究[J]. 浙江科技學(xué)院學(xué)報(bào)， 2014， 26（3）： 192-198.

[22] 楊國(guó)國(guó)， 鮑一丹， 劉子毅. 基于圖像顯著性分析與卷積神經(jīng)網(wǎng)絡(luò)的茶園害蟲(chóng)定位與識(shí)別[J]. 農(nóng)業(yè)工程學(xué)報(bào)， 2017， 33（6）： 156-162.

[23] BHATT P， SARANGI S， PAPPULA S. Detection of diseases and pests on images captured in uncontrolled conditions from tea plantations[P/OL]. Defense + Commercial Sensing， 2019. https：//doi.org/10.1117/12.2518868.

[24] HU G S， YANG X W， ZHANG Y， et al. Identification of tea leaf diseases by using an improved deep convolutional neural network[J/OL]. Sustainable Computing： Informatics and Systems， 2021， ?24： 100353. https：//doi.org/10.1016/j.suscom.2019.100353.

[25] 邵澤中. 基于Android和深度學(xué)習(xí)的稻田病蟲(chóng)害智能診斷系統(tǒng)的研究與實(shí)現(xiàn)[D]. 杭州： 浙江理工大學(xué)， 2020.

[26] 蘇一峰， 杜克明， 李穎， 等. 基于物聯(lián)網(wǎng)平臺(tái)的小麥病蟲(chóng)害診斷系統(tǒng)設(shè)計(jì)初探[J]. 中國(guó)農(nóng)業(yè)科技導(dǎo)報(bào)， 2016， 18（2）： 86-94.

[27] 李文勇. 基于機(jī)器視覺(jué)的果園性誘害蟲(chóng)在線識(shí)別與計(jì)數(shù)方法研究[D]. 北京： 中國(guó)農(nóng)業(yè)大學(xué)， 2015.

[28] 劉洋， 馮全， 王書(shū)志. 基于輕量級(jí)CNN的植物病害識(shí)別方法及移動(dòng)端應(yīng)用[J]. 農(nóng)業(yè)工程學(xué)報(bào)， 2019， 35（17）： 194-204.

[29] 曹躍騰， 朱學(xué)巖， 趙燕東， 等. 基于改進(jìn)ResNet的植物葉片病蟲(chóng)害識(shí)別[J]. 中國(guó)農(nóng)機(jī)化學(xué)報(bào)， 2021， 42（12）： 175-181.ADBA5149-3503-4FE7-927E-31D27727D920