李欣禾，喬婉霞，李林，陸林峰

(浙江省農(nóng)業(yè)農(nóng)村大數(shù)據(jù)發(fā)展中心，浙江 杭州 310020)

糧食是保證國泰民安的根本，然而每年受病蟲害影響可導(dǎo)致糧食總產(chǎn)量減少1/4。病蟲防控是糧食安全的重要保障。在過去幾十年，我國農(nóng)作物病蟲害防控技術(shù)研發(fā)取得了長足的進步，在國家對植物保護技術(shù)的大力支持下，植物保護學(xué)家對重大病蟲害的基礎(chǔ)研究不斷深入，在農(nóng)作物重大病蟲害成災(zāi)機理和可持續(xù)控制等方面取得了一批重大研究成果和突破性研究進展[1]。然而，由于我國是一個農(nóng)業(yè)大國，農(nóng)業(yè)技術(shù)人才缺乏，農(nóng)業(yè)生產(chǎn)和管理水平較低，在實際生產(chǎn)過程中全面有效、實時精準(zhǔn)地開展病蟲害防治面臨巨大挑戰(zhàn)。因此，在提升植物保護科技支撐力量、建設(shè)現(xiàn)代公共植物保護服務(wù)體系的同時，研究直接服務(wù)于農(nóng)業(yè)技術(shù)人才和農(nóng)業(yè)生產(chǎn)者的病蟲害監(jiān)測與防控技術(shù)，將對提升植物保護和糧食安全生產(chǎn)具有重要的推動作用[2]。

傳統(tǒng)的水稻病蟲害監(jiān)測方法主要是依賴于人類肉眼觀察，這意味著植保人員需要具備豐富的農(nóng)業(yè)知識和充沛的體力，才能在大面積農(nóng)田中準(zhǔn)確地判斷出不同品種農(nóng)作物存在的病蟲害類型，且存在一定的主觀性，時效性也差[3]。近年來，人工智能、物聯(lián)網(wǎng)、大數(shù)據(jù)、云計算、區(qū)塊鏈等相關(guān)理論和技術(shù)的迅猛發(fā)展，為現(xiàn)代植物保護學(xué)科提供了新的發(fā)展契機?；跈C器視覺的農(nóng)作物病蟲害圖像識別方法得到了越來越多學(xué)者的青睞，并逐漸取代了原始的肉眼辨別方法。該方法通過對人工或機器拍攝的農(nóng)作物圖像進行遠程圖像計數(shù)，對靶標(biāo)昆蟲進行實時監(jiān)測，具有覆蓋面廣、時效性高、準(zhǔn)確率高、成本低等眾多優(yōu)點[4]。

本文著眼于深度學(xué)習(xí)在農(nóng)作物病蟲害智能測報和防控的應(yīng)用，基于物聯(lián)網(wǎng)信息技術(shù)、圖像識別技術(shù)等，結(jié)合傳統(tǒng)病蟲害診斷測報技術(shù)和生物技術(shù)，構(gòu)建病蟲害智能測報與防控系統(tǒng)，用于作物生長環(huán)境監(jiān)測、農(nóng)業(yè)有害生物監(jiān)測、預(yù)測預(yù)警和病蟲害防控，改變了傳統(tǒng)的植保監(jiān)測、預(yù)測、防控模式，提高植保工作效率和安全性，也是進一步實現(xiàn)我國農(nóng)業(yè)現(xiàn)代化的重要組成部分。

1 深度學(xué)習(xí)與卷積神經(jīng)網(wǎng)絡(luò)

深度學(xué)習(xí)這個概念最早于2006年提出，其核心思想是通過構(gòu)建一個具有多隱藏層的神經(jīng)網(wǎng)絡(luò)來處理海量的訓(xùn)練數(shù)據(jù)，以實現(xiàn)對數(shù)據(jù)本質(zhì)特征的提取，從而提升模型檢測或分類性能。目前深度學(xué)習(xí)技術(shù)已廣泛應(yīng)用于推薦系統(tǒng)、文本挖掘與分析、計算機視覺等眾多領(lǐng)域，例如人臉識別、文字識別、圖像識別等場景[5]。

目前，基于深度學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)模型包括深度信念網(wǎng)絡(luò)(DBN)、深度玻爾茲曼機(DBM)、卷積神經(jīng)網(wǎng)絡(luò)(CNN)、循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)、生成式對抗網(wǎng)絡(luò)(GAN)和膠囊網(wǎng)絡(luò)(CapsNet)等。卷積神經(jīng)網(wǎng)絡(luò)是當(dāng)前最常使用的深度模型之一，在圖像識別的應(yīng)用上十分廣泛。卷積神經(jīng)網(wǎng)絡(luò)由輸入層、卷積層、池化層、全連接層和Softmax層5種結(jié)構(gòu)組成。一張水稻病蟲害圖像經(jīng)由輸入層輸入后，通過多層卷積和池化操作，由淺層提取出諸如圖像顏色、邊緣等簡單特征，再由后續(xù)的深層提取出圖像幾何、語義等復(fù)雜的抽象特征，最后由全連接層和Softmax層完成分類功能，實現(xiàn)對水稻病蟲害是否患病和病蟲害數(shù)量的判斷[6]。

2 系統(tǒng)總體架構(gòu)

病蟲害智能測報與防控系統(tǒng)利用昆蟲信息素，將傳統(tǒng)的害蟲性誘捕器與物聯(lián)網(wǎng)技術(shù)相結(jié)合，對水稻病蟲害進行智能監(jiān)測和精準(zhǔn)防控。通過AI圖像識別技術(shù)實現(xiàn)病蟲害遠程圖像獲取和計數(shù)，實時監(jiān)測靶標(biāo)昆蟲，利用清晰的圖像和準(zhǔn)確的數(shù)據(jù)將靶標(biāo)昆蟲田間消長動態(tài)可視化呈現(xiàn)在用戶面前，既解決了市場上現(xiàn)有性誘測報產(chǎn)品采用紅外計數(shù)而存在數(shù)據(jù)錯報、誤報的痛點，也減少了人工分蟲重新核實數(shù)據(jù)的不便與不準(zhǔn)確。系統(tǒng)技術(shù)路線如圖1所示。

2.1 硬件設(shè)計

智慧性誘測報系統(tǒng)基于電子應(yīng)用技術(shù)和物聯(lián)網(wǎng)技術(shù)，主要設(shè)計性誘采集裝置、數(shù)據(jù)通信模塊、結(jié)構(gòu)子單元，通過在硬件電路嵌入軟件程序，可以實現(xiàn)對設(shè)備的開關(guān)、圖像采集、數(shù)據(jù)傳輸、遠程升級等功能，功能模塊包括：誘捕裝置、圖像采集、數(shù)據(jù)處理系統(tǒng)、數(shù)據(jù)傳輸器、GPS防盜系統(tǒng)、供電系統(tǒng)、支架、終端主控平臺和氣象監(jiān)測傳感器，如圖2所示。

圖2 硬件設(shè)計

2.2 AI自動識別模型

智慧性誘測報系統(tǒng)AI自動識別模型是基于深度學(xué)習(xí)和區(qū)域卷積神經(jīng)網(wǎng)絡(luò)產(chǎn)生的適配性誘儀器的智慧性誘害蟲檢測裝置，用于性誘裝置的害蟲檢測、計數(shù)，通過深度學(xué)習(xí)darknet框架中的CSPDarkNet53目標(biāo)檢測模型，配合DenseNet分類模型，對性誘裝置捕捉到的特定害蟲進行圖像模型訓(xùn)練，融合兩個模型的結(jié)果推送給終端。模型算法包括：讀取圖片，識別圖片中靶標(biāo)昆蟲，統(tǒng)計圖片中該種類的數(shù)量，將結(jié)果(字典形式)通過redis返回后臺(圖3)。具體步驟如下：

圖3 模型訓(xùn)練流程

采用深度學(xué)習(xí)目標(biāo)檢測方式，將拍攝到的蟲子視作同一種類，識別其位置并計數(shù)；

目標(biāo)檢測算法需要數(shù)據(jù)集支持，前期模擬真實場景拍攝了200張圖片，通過數(shù)據(jù)增強技巧(包括翻轉(zhuǎn)、摳圖、增加噪聲、提高亮度等)，擴充至500張圖片，作為基礎(chǔ)訓(xùn)練數(shù)據(jù)庫(圖4)。

采用darknet框架下的Yolov3模型進行訓(xùn)練和測試：基于自制數(shù)據(jù)集，利用darknet-Yolov3-darknet53訓(xùn)練檢測模型，超參數(shù)選擇0.001學(xué)習(xí)率，burn_in選擇5 000，通過k-means聚類算法得到最優(yōu)anchors，迭代4萬次后產(chǎn)生模型。

傳輸結(jié)果：編寫Python檢測代碼，將檢測結(jié)果中蟲子類別大于60%置信度的結(jié)果坐標(biāo)以及該種類的數(shù)量總數(shù)通過redis傳輸?shù)胶笈_。下圖為dic形式傳輸格式，“data”內(nèi)容下的“count”字段代表數(shù)量。

2.3 平臺設(shè)計

數(shù)字化防控系統(tǒng)基于服務(wù)器技術(shù)框架，構(gòu)建底層數(shù)據(jù)庫、Web前端、數(shù)據(jù)接口，實現(xiàn)與設(shè)備端通信且將設(shè)備采集的數(shù)據(jù)進行服務(wù)端存儲，服務(wù)器結(jié)合AI模型對設(shè)備采集的數(shù)據(jù)進行分析，輸出數(shù)據(jù)結(jié)果，為用戶提供查看、分析、管理功能，包括APP應(yīng)用端(圖5)、Web服務(wù)端(圖6)和后臺管理端。

圖5 App應(yīng)用端運行界面

圖6 Web端預(yù)測模型界面

3 試驗驗證情況

3.1 試驗?zāi)康?/h3>

為測試智慧性誘測報系統(tǒng)在田間進行玉米害蟲草地貪夜蛾測報的可行性和準(zhǔn)確性，分析該測報系統(tǒng)監(jiān)測采集的目標(biāo)害蟲圖像質(zhì)量和自動計數(shù)結(jié)果，并與人工鑒定的結(jié)果進行比較與分析。

3.2 試驗方法

圖像自動識別方法。每天21：00設(shè)備自動拍照并上傳至服務(wù)器進行目標(biāo)害蟲自動識別與計數(shù)。

圖像人工識別方法。植保站測報員通過App監(jiān)測并記錄每日AI自動識別數(shù)據(jù)，同時人工鑒定識別計數(shù)，根據(jù)蟲量定期更換黏蟲板。

評價方法。評價智慧性誘測報系統(tǒng)圖像自動識別獲得的目標(biāo)害蟲計數(shù)的整體情況，統(tǒng)計圖像自動識別、圖像人工識別兩種方法獲得試驗期間目標(biāo)害蟲的蟲量，然后計算圖像自動識別方法在試驗期間對目標(biāo)害蟲的識別率。

識別率為圖像正確識別數(shù)除以圖像人工識別數(shù)，其中圖像正確識別數(shù)為圖像中算法模型自動識別出來的目標(biāo)害蟲中正確的數(shù)量。

圖像錯誤識別數(shù)為圖像中算法模型未能自動識別、誤識別的目標(biāo)害蟲。

圖像人工識別數(shù)為圖像正確識別數(shù)與圖像遺漏識別數(shù)之和減去誤識別數(shù)。

3.3 分析結(jié)論

對捕獲的害蟲做分類識別，將靶標(biāo)昆蟲識別數(shù)據(jù)結(jié)果顯示在App或Web前端(圖7)，與人工識別相比較，提高識別數(shù)據(jù)準(zhǔn)確性，圖片和數(shù)據(jù)相互驗證，減少數(shù)據(jù)誤報、虛假預(yù)警的概率。

圖7 試驗結(jié)果

4 結(jié)論與討論

4.1 實例應(yīng)用

病蟲害智能測報與防控系統(tǒng)已在杭州市余杭區(qū)良渚街道石橋村村民委員會附近糧食生產(chǎn)功能區(qū)建立示范點(圖8)。

圖8 示范點實景

4.2 主要創(chuàng)新點

本研究創(chuàng)新利用昆蟲信息素，將傳統(tǒng)的害蟲性誘捕器與物聯(lián)網(wǎng)信息技術(shù)相結(jié)合。通過利用誘蟲燈發(fā)光時進行光誘，同時將誘蟲燈發(fā)光時產(chǎn)生的熱量作用在性誘劑放置筒中的性誘劑上，加快性誘劑揮發(fā)至誘蟲箱的周圍，以便蟲子嗅到，將光誘和性誘相互結(jié)合，有效地解決了目前的殺蟲燈僅僅采用單一的外部誘蟲燈或者性誘劑誘蟲、沒有將誘蟲燈和性誘劑相互結(jié)合使用的問題，提高了誘蟲的種類和效率。實現(xiàn)水稻病蟲害綠色防控，降低農(nóng)藥使用量，構(gòu)建和諧綠色生態(tài)環(huán)境。

本研究創(chuàng)新利用AI圖像識別技術(shù)。完成水稻病蟲害遠程的圖像獲取，對靶標(biāo)昆蟲進行實時監(jiān)測，將清晰的圖像和靶標(biāo)昆蟲田間消長動態(tài)可視化呈現(xiàn)。

本研究創(chuàng)新利用基于深度學(xué)習(xí)和區(qū)域卷積神經(jīng)網(wǎng)絡(luò)產(chǎn)生的適配性誘儀器的智慧性誘害蟲檢測方法。實現(xiàn)準(zhǔn)確識別計數(shù)，解決了已有產(chǎn)品紅外計數(shù)存在的數(shù)據(jù)錯報、誤報的行業(yè)痛點問題。

綜上，開展水稻主要病蟲害監(jiān)測及智能測報技術(shù)研究并基于研究成果研發(fā)水稻主要病蟲害數(shù)字化精準(zhǔn)防控系統(tǒng)，建立水稻病蟲害自動監(jiān)測點，開展水稻病蟲害防控信息服務(wù)和示范推廣，對提高浙江省農(nóng)業(yè)病蟲害的監(jiān)測水平和防控水平，推進智慧植保和糧食安全具有重要意義。