摘要:在蟲情監(jiān)測和害蟲防范治理過程中，準確識別害蟲是有效解決農(nóng)業(yè)領域蟲害問題的重要前提。依靠專家知識和人工經(jīng)驗進行蟲情診斷的方式效率較為低下，自動化和智能化水平較差，而采用深度學習、計算機視覺等智能化技術手段可以大幅度提升害蟲識別過程的效率、準確度，并降低人工成本。概述了基于深度學習的害蟲識別技術發(fā)展現(xiàn)狀，分析深度學習技術在害蟲圖像識別領域的實現(xiàn)原理和優(yōu)勢，闡述國內(nèi)外專家學者在基于深度學習的害蟲識別技術領域的最新研究進展，提出該技術領域面臨的挑戰(zhàn)，并對發(fā)展方向進行預測。該文可為深入開展害蟲識別和分類技術在智慧農(nóng)業(yè)上的應用研究提供參考。

　　關鍵詞:農(nóng)業(yè);害蟲;識別;深度學習

　　0引言

　　作為農(nóng)業(yè)大國，農(nóng)業(yè)是我國的重要基礎產(chǎn)業(yè)之一，也是影響我國國民經(jīng)濟的重要組分之一［1］。而造成農(nóng)作物減產(chǎn)的主要因素之一即為蟲害［2］。目前蟲害的主要防治手段為化學法，雖然化學藥劑的使用可以大幅度減小蟲害帶來的損失，但也帶來了環(huán)境破壞、生態(tài)污染等問題。為了提升農(nóng)業(yè)科學化、現(xiàn)代化和智能化水平，亟需新的手段對傳統(tǒng)蟲害防治措施進行改進升級［3］。害蟲的高效、準確判別是害蟲治理過程的重要前提。傳統(tǒng)方法主要依靠農(nóng)業(yè)專家和種植經(jīng)驗，識別效率較低、識別準確率不穩(wěn)定、耗時耗力并且難以實現(xiàn)大面積推廣［4］。此外，也有一些專家學者通過傳統(tǒng)機器視覺技術對害蟲圖像進行特征提取(HOG、Sift算法、人工神經(jīng)網(wǎng)絡算法等)，從而對農(nóng)業(yè)害蟲進行識別，但這種手段的效果也難以滿足實際需要，大多局限于實驗室層次的研究，模型的泛化能力較差，魯棒性較差［5-7］。近些年來，深度學習技術、計算機視覺技術、卷積神經(jīng)網(wǎng)絡技術和大數(shù)據(jù)技術等新型人工智能技術蓬勃發(fā)展，為圖像級別的特征識別和處理工作賦予更多的可能性［8］。相比于傳統(tǒng)機器視覺技術，基于深度學習的計算機視覺技術在圖像處理、特征提取、特征抽象和特征分類等諸多方面更加高效和準確，逐漸受到越來越多國內(nèi)外專家和學者的青睞。基于深度學習的害蟲識別和分類技術有望進一步改善和解決當前害蟲識別方法中存在的一系列問題，以實現(xiàn)更為及時和有效的害蟲防治工作。這一技術手段有利于提升農(nóng)業(yè)領域的自動化、信息化和智能化水平，具有重要的研究價值和研究意義。

　　1基于深度學習的圖像識別技術原理

　　1.1原理概述

　　“深度學習”又被稱為“分層學習”，最早可以追溯到1986年，其作為新生概念被引入機器學習(ML)。2000年，深度學習被應用于人工神經(jīng)網(wǎng)絡。隨著卷積神經(jīng)網(wǎng)絡(CNN)的提出和計算機視覺技術的飛速發(fā)展，圖像語義解析水平不斷提高，深度學習技術不斷發(fā)展，逐漸成為人工智能領域的研究焦點和學術界當今最流行的研究趨勢之一［9］?；谏疃葘W習的圖像識別和分類技術主要由3個模塊構成，如圖1所示。

　　1.2數(shù)據(jù)重要性

　　來自谷歌公司和卡耐基梅隆大學的學者們將深度學習在視覺問題上取得的重大成功歸結(jié)于3點:高容量模型、高速增長的計算力和大規(guī)模標記數(shù)據(jù)的可用性［10］。因此，海量有效數(shù)據(jù)的重要性不言而喻。在基于深度學習的卷積神經(jīng)網(wǎng)絡模型構建和訓練過程中，需要將經(jīng)過標注(annotation)的有效圖像數(shù)據(jù)分批次(batch)送入待訓練模型，輸入圖像數(shù)據(jù)經(jīng)過多層卷積得到高維非線性抽象特征，通過反向傳播的方式，結(jié)合優(yōu)化器不斷減小損失函數(shù)以使模型迫近優(yōu)化目標，從而不斷生成性能更優(yōu)的模型。這是一個迭代尋優(yōu)的過程，更多的有效圖像數(shù)據(jù)意味著模型在訓練過程中可以得到更多維度的高維抽象特征，從而使得模型的訓練過程更為充分，損失函數(shù)可以最終保持在一個較低的水平，最終生成性能更加強勁的卷積神經(jīng)網(wǎng)絡模型。而如果有效圖像數(shù)據(jù)量較少，則無法保證模型在訓練過程中的收斂性，從而最終訓練模型無法對測試圖像進行準確判別。

　　2研究進展概述

　　基于深度學習的圖像識別技術不斷發(fā)展，并且這種技術的性能優(yōu)勢在許多自然場景和視覺問題中得到有效驗證，因此一些專家學者開始在農(nóng)業(yè)害蟲識別領域?qū)@種技術進行進一步研究，并取得了一系列的成果。近年來，基于深度學習的害蟲識別研究越來越多，筆者通過在WebofScience檢索平臺和知網(wǎng)檢索平臺對2009—2019年有關基于深度學習的害蟲識別方面的學術出版作品進行檢索，然后篩選出符合主題的學術出版作品，進行數(shù)量統(tǒng)計。統(tǒng)計結(jié)果如圖2所示。其中，WebofScience檢索式為(pestorin-sect)AND(identificationorclassificationordetectionorrecognition)AND(CNNor“deeplearning”or“convolutionalneuralnetwork”)，中國知網(wǎng)檢索式為(SU=“害蟲識別”OＲSU=“害蟲分類”)AND(KY=“卷積神經(jīng)網(wǎng)絡”OＲKY=“深度學習”OＲKY=“CNN”OＲKY=“人工智能”)。

　　3基于深度學習的害蟲識別技術

　　2016年，浙江大學的吳翔［21］通過卷積神經(jīng)網(wǎng)絡模型實現(xiàn)了10種螟蛾科類害蟲(黃楊絹野螟、玉米螟、稻縱卷葉螟、螻蛄等)的識別，基本圖像數(shù)據(jù)來源于自然環(huán)境下的圖像采集，共計900張彩色圖像，每幅圖像只包含單一的害蟲，其卷積神經(jīng)網(wǎng)絡害蟲識別模型共計有5層，最終識別的準確度約76.7%。2017年，CHENGX等［22］通過借鑒ＲesNet中的殘差模塊，在AlexNet的基礎上加深網(wǎng)絡搭建了全新的害蟲識別卷積神經(jīng)網(wǎng)絡模型，在自然背景下實現(xiàn)對10類害蟲的識別，準確率約99.67%。2018年，有研究學者通過對ＲesNet-101進行改進和微調(diào)實現(xiàn)對34種常見害蟲(二化螟、玉米螟中華稻蝗等)的識別，準確率93.5%，并將其部署在移動APP端，實現(xiàn)移動端的圖像數(shù)據(jù)識別，其所使用彩色圖像數(shù)據(jù)共計約為1萬張［23］。2018年，周愛明［24］基于深度學習技術，實現(xiàn)對水稻害蟲的識別和計數(shù)，識別準確度約90%。該模型同樣采用ＲesNet模型，通過卷積神經(jīng)網(wǎng)絡對害蟲圖像進行特征提取，然后通過分類器對害蟲種類進行甄別，最后完成圖像中害蟲的計數(shù)任務?？傮w而言，識別效果較好。2019年，THEN-MOZHIK等［25］基于深度神經(jīng)網(wǎng)絡和遷移學習的方式實現(xiàn)對害蟲的識別和分類。最終在論文中所引用的3類害蟲圖像數(shù)據(jù)集上的準確率均可以達到95%以上。

　　4基于深度學習的害蟲識別和定位技術

　　在基于深度學習的害蟲識別模型中，除了對害蟲本身進行準確的識別和分類外，對圖像中害蟲的存在位置做出有效推斷也是十分必要的。國內(nèi)外的許多學者在基于深度學習的害蟲識別和定位方面也進行了較多研究。

　　2019年，LINTL等［29］基于FasterＲ-CNN目標檢測模型實現(xiàn)了甜椒生長過程中的病蟲害檢測。訓練數(shù)據(jù)集只有150張彩色圖片，檢測效果和模型魯棒性有待進一步驗證。但值得注意的是，該模型在實現(xiàn)害蟲分類的同時也對圖像中害蟲的候選區(qū)域做出了判定。2020年，HEY等［30］基于深度學習的害蟲識別技術搭建了糙米飛虱的害蟲識別模型，通過對FastＲ-cnn和YOLOv3模型的改進，實現(xiàn)了較好的害蟲識別精度。在同等條件下，論文作者對這兩類模型進行比較，YOLOv3的識別效果較FasterＲ-CNN更為優(yōu)異，識別速率也更高。2020年，HONGSJ等［31］以InceptionNet為基礎網(wǎng)絡，通過結(jié)合Ｒ-CNN和Mo-bileNet等目標檢測器實現(xiàn)對蛾的圖像目標檢測。其中，基于ＲesNet101的Ｒ-CNN目標檢測模型的準確率較高，平均檢測精度達(mAP)90.25%。此外，其研究結(jié)果證明了多級檢測器的效果在同等條件下性能更加優(yōu)異。2020年，JIAOLin等［32］針對于小型害蟲設計和搭建了一種新型的無錨目標檢測網(wǎng)絡AFＲCNN，對24類生物害蟲實現(xiàn)端到端的圖像識別和定位框推薦，最終在24類生物害蟲的識別測試過程中，可以達到56.4%的平均識別精度，并且每張圖片的測試消耗時間較小，約為0.07s。2020年，LIDengshan等［33］以水稻害蟲為研究對象，設計搭建基于深度學習的害蟲視頻檢測系統(tǒng)，該系統(tǒng)以FasterＲ-CNN為基礎框架，通過進行視頻和靜止幀之間的不斷轉(zhuǎn)化與生成實現(xiàn)目標害蟲的識別和定位。但是，由于多幀信息重疊等原因的存在，檢測效率和實時性有待進一步提升。2020年，WANGFangyuan等［34］在圖像害蟲識別和定位的研究過程中另辟蹊徑，通過將害蟲圖像的語義信息(溫度、濕度、經(jīng)緯度等)與卷積神經(jīng)網(wǎng)絡模型進行深度融合之后，設計搭建新型的害蟲識別和檢測模型，模型的檢測精度較高，同時定制化程度較深。此外，該模型解決了基于深度學習的害蟲識別技術中小目標檢測和數(shù)據(jù)不平衡的問題，并驗證了注意力機制在解決不平衡數(shù)據(jù)問題上的優(yōu)勢。

　　結(jié)束語

　　本文對近些年來基于深度學習的害蟲識別技術進行了歸納總結(jié)，并介紹其原理和發(fā)展歷程。目前，基于深度學習的害蟲識別技術逐漸成為各國專家和學者的研究熱點。然而，這一領域的研究尚且有以下3類問題亟待解決:①范圍覆蓋更廣、魯棒性更優(yōu)、數(shù)據(jù)平衡性更佳、數(shù)量級更大的自然場景害蟲圖像數(shù)據(jù)集;②網(wǎng)絡模型深度定制化的理論依據(jù)和實踐案例;③針對微小目標性能更優(yōu)、穩(wěn)定性更佳的特征提取器。

　　總之，基于深度學習的害蟲識別技術尚處于起步階段，與實際應用與普及仍存在著較大距離，但該項技術具有較大的發(fā)展?jié)摿εc潛在價值，要充分挖掘該項技術的潛力，還需要相關學科專家共同努力。

　　參考文獻

　?。?］OEＲKEEC．Croplossestopests［J］．TheJournalofAgriculturalScience，2005，144(1):31-43．

　　［2］SHENBenlan，CHANGJun，WUChuhan，etal．Localzoomsys-temforagriculturalpestdetectionandrecognition［J］．AppliedPhysicsB，2018，124(11):2019.1-2019.8.1．

　?。?］傅隆生，宋珍珍，ZHANGXin，等．深度學習方法在農(nóng)業(yè)信息中的研究進展與應用現(xiàn)狀［J］．農(nóng)業(yè)大學學報，2020，25(2):105-120．FULongsheng，SONGZhenzhen，ZHANGXin，etal．Applica-tionsandresearchprogressofdeeplearninginagriculture［J］．Jour-nalofChinaAgriculturalUniversity，2020，25(2):105-120．

　　［4］賈少鵬，高紅菊，杭瀟．基于深度學習的農(nóng)作物病蟲害圖像識別技術研究進展［J］．農(nóng)業(yè)機械學報，2019，50(S1):313-317．JIAShaopeng，GAOHongju，HANGXiao．Ｒesearchprogressonimagerecognitiontechnologyofcroppestsanddiseasesbasedondeeplearning［J］．TransactionsoftheChineseSocietyofAgricultur-alMachinery，2019，50(S1):313-317．

　　龐海通1，2，蔡衛(wèi)明1，馬龍華1，蘇宏業(yè)2