基于深度学习的害虫识别技术综述

　　摘要:在虫情监测和害虫防范治理过程中，准确识别害虫是有效解决农业领域虫害问题的重要前提。依靠专家知识和人工经验进行虫情诊断的方式效率较为低下，自动化和智能化水平较差，而采用深度学习、计算机视觉等智能化技术手段可以大幅度提升害虫识别过程的效率、准确度，并降低人工成本。概述了基于深度学习的害虫识别技术发展现状，分析深度学习技术在害虫图像识别领域的实现原理和优势，阐述国内外专家学者在基于深度学习的害虫识别技术领域的最新研究进展，提出该技术领域面临的挑战，并对发展方向进行预测。该文可为深入开展害虫识别和分类技术在智慧农业上的应用研究提供参考。

　　关键词:农业;害虫;识别;深度学习

　　0引言

　　作为农业大国，农业是我国的重要基础产业之一，也是影响我国国民经济的重要组分之一［1］。而造成农作物减产的主要因素之一即为虫害［2］。目前虫害的主要防治手段为化学法，虽然化学药剂的使用可以大幅度减小虫害带来的损失，但也带来了环境破坏、生态污染等问题。为了提升农业科学化、现代化和智能化水平，亟需新的手段对传统虫害防治措施进行改进升级［3］。害虫的高效、准确判别是害虫治理过程的重要前提。传统方法主要依靠农业专家和种植经验，识别效率较低、识别准确率不稳定、耗时耗力并且难以实现大面积推广［4］。此外，也有一些专家学者通过传统机器视觉技术对害虫图像进行特征提取(HOG、Sift算法、人工神经网络算法等)，从而对农业害虫进行识别，但这种手段的效果也难以满足实际需要，大多局限于实验室层次的研究，模型的泛化能力较差，鲁棒性较差［5-7］。近些年来，深度学习技术、计算机视觉技术、卷积神经网络技术和大数据技术等新型人工智能技术蓬勃发展，为图像级别的特征识别和处理工作赋予更多的可能性［8］。相比于传统机器视觉技术，基于深度学习的计算机视觉技术在图像处理、特征提取、特征抽象和特征分类等诸多方面更加高效和准确，逐渐受到越来越多国内外专家和学者的青睐。基于深度学习的害虫识别和分类技术有望进一步改善和解决当前害虫识别方法中存在的一系列问题，以实现更为及时和有效的害虫防治工作。这一技术手段有利于提升农业领域的自动化、信息化和智能化水平，具有重要的研究价值和研究意义。

　　1基于深度学习的图像识别技术原理

　　1.1原理概述

　　“深度学习”又被称为“分层学习”，最早可以追溯到1986年，其作为新生概念被引入机器学习(ML)。2000年，深度学习被应用于人工神经网络。随着卷积神经网络(CNN)的提出和计算机视觉技术的飞速发展，图像语义解析水平不断提高，深度学习技术不断发展，逐渐成为人工智能领域的研究焦点和学术界当今最流行的研究趋势之一［9］。基于深度学习的图像识别和分类技术主要由3个模块构成，如图1所示。

　　1.2数据重要性

　　来自谷歌公司和卡耐基梅隆大学的学者们将深度学习在视觉问题上取得的重大成功归结于3点:高容量模型、高速增长的计算力和大规模标记数据的可用性［10］。因此，海量有效数据的重要性不言而喻。在基于深度学习的卷积神经网络模型构建和训练过程中，需要将经过标注(annotation)的有效图像数据分批次(batch)送入待训练模型，输入图像数据经过多层卷积得到高维非线性抽象特征，通过反向传播的方式，结合优化器不断减小损失函数以使模型迫近优化目标，从而不断生成性能更优的模型。这是一个迭代寻优的过程，更多的有效图像数据意味着模型在训练过程中可以得到更多维度的高维抽象特征，从而使得模型的训练过程更为充分，损失函数可以最终保持在一个较低的水平，最终生成性能更加强劲的卷积神经网络模型。而如果有效图像数据量较少，则无法保证模型在训练过程中的收敛性，从而最终训练模型无法对测试图像进行准确判别。

　　2研究进展概述

　　基于深度学习的图像识别技术不断发展，并且这种技术的性能优势在许多自然场景和视觉问题中得到有效验证，因此一些专家学者开始在农业害虫识别领域对这种技术进行进一步研究，并取得了一系列的成果。近年来，基于深度学习的害虫识别研究越来越多，笔者通过在WebofScience检索平台和知网检索平台对2009—2019年有关基于深度学习的害虫识别方面的学术出版作品进行检索，然后筛选出符合主题的学术出版作品，进行数量统计。统计结果如图2所示。其中，WebofScience检索式为(pestorin-sect)AND(identificationorclassificationordetectionorrecognition)AND(CNNor“deeplearning”or“convolutionalneuralnetwork”)，中国知网检索式为(SU=“害虫识别”OＲSU=“害虫分类”)AND(KY=“卷积神经网络”OＲKY=“深度学习”OＲKY=“CNN”OＲKY=“人工智能”)。

　　3基于深度学习的害虫识别技术

　　2016年，浙江大学的吴翔［21］通过卷积神经网络模型实现了10种螟蛾科类害虫(黄杨绢野螟、玉米螟、稻纵卷叶螟、蝼蛄等)的识别，基本图像数据来源于自然环境下的图像采集，共计900张彩色图像，每幅图像只包含单一的害虫，其卷积神经网络害虫识别模型共计有5层，最终识别的准确度约76.7%。2017年，CHENGX等［22］通过借鉴ＲesNet中的残差模块，在AlexNet的基础上加深网络搭建了全新的害虫识别卷积神经网络模型，在自然背景下实现对10类害虫的识别，准确率约99.67%。2018年，有研究学者通过对ＲesNet-101进行改进和微调实现对34种常见害虫(二化螟、玉米螟中华稻蝗等)的识别，准确率93.5%，并将其部署在移动APP端，实现移动端的图像数据识别，其所使用彩色图像数据共计约为1万张［23］。2018年，周爱明［24］基于深度学习技术，实现对水稻害虫的识别和计数，识别准确度约90%。该模型同样采用ＲesNet模型，通过卷积神经网络对害虫图像进行特征提取，然后通过分类器对害虫种类进行甄别，最后完成图像中害虫的计数任务。总体而言，识别效果较好。2019年，THEN-MOZHIK等［25］基于深度神经网络和迁移学习的方式实现对害虫的识别和分类。最终在论文中所引用的3类害虫图像数据集上的准确率均可以达到95%以上。

　　4基于深度学习的害虫识别和定位技术

　　在基于深度学习的害虫识别模型中，除了对害虫本身进行准确的识别和分类外，对图像中害虫的存在位置做出有效推断也是十分必要的。国内外的许多学者在基于深度学习的害虫识别和定位方面也进行了较多研究。

　　2019年，LINTL等［29］基于FasterＲ-CNN目标检测模型实现了甜椒生长过程中的病虫害检测。训练数据集只有150张彩色图片，检测效果和模型鲁棒性有待进一步验证。但值得注意的是，该模型在实现害虫分类的同时也对图像中害虫的候选区域做出了判定。2020年，HEY等［30］基于深度学习的害虫识别技术搭建了糙米飞虱的害虫识别模型，通过对FastＲ-cnn和YOLOv3模型的改进，实现了较好的害虫识别精度。在同等条件下，论文作者对这两类模型进行比较，YOLOv3的识别效果较FasterＲ-CNN更为优异，识别速率也更高。2020年，HONGSJ等［31］以InceptionNet为基础网络，通过结合Ｒ-CNN和Mo-bileNet等目标检测器实现对蛾的图像目标检测。其中，基于ＲesNet101的Ｒ-CNN目标检测模型的准确率较高，平均检测精度达(mAP)90.25%。此外，其研究结果证明了多级检测器的效果在同等条件下性能更加优异。2020年，JIAOLin等［32］针对于小型害虫设计和搭建了一种新型的无锚目标检测网络AFＲCNN，对24类生物害虫实现端到端的图像识别和定位框推荐，最终在24类生物害虫的识别测试过程中，可以达到56.4%的平均识别精度，并且每张图片的测试消耗时间较小，约为0.07s。2020年，LIDengshan等［33］以水稻害虫为研究对象，设计搭建基于深度学习的害虫视频检测系统，该系统以FasterＲ-CNN为基础框架，通过进行视频和静止帧之间的不断转化与生成实现目标害虫的识别和定位。但是，由于多帧信息重叠等原因的存在，检测效率和实时性有待进一步提升。2020年，WANGFangyuan等［34］在图像害虫识别和定位的研究过程中另辟蹊径，通过将害虫图像的语义信息(温度、湿度、经纬度等)与卷积神经网络模型进行深度融合之后，设计搭建新型的害虫识别和检测模型，模型的检测精度较高，同时定制化程度较深。此外，该模型解决了基于深度学习的害虫识别技术中小目标检测和数据不平衡的问题，并验证了注意力机制在解决不平衡数据问题上的优势。

　　结束语

　　本文对近些年来基于深度学习的害虫识别技术进行了归纳总结，并介绍其原理和发展历程。目前，基于深度学习的害虫识别技术逐渐成为各国专家和学者的研究热点。然而，这一领域的研究尚且有以下3类问题亟待解决:①范围覆盖更广、鲁棒性更优、数据平衡性更佳、数量级更大的自然场景害虫图像数据集;②网络模型深度定制化的理论依据和实践案例;③针对微小目标性能更优、稳定性更佳的特征提取器。

　　总之，基于深度学习的害虫识别技术尚处于起步阶段，与实际应用与普及仍存在着较大距离，但该项技术具有较大的发展潜力与潜在价值，要充分挖掘该项技术的潜力，还需要相关学科专家共同努力。

　　参考文献

　　［1］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．

　　［3］傅隆生，宋珍珍，ZHANGXin，等．深度学习方法在农业信息中的研究进展与应用现状［J］．农业大学学报，2020，25(2):105-120．FULongsheng，SONGZhenzhen，ZHANGXin，etal．Applica-tionsandresearchprogressofdeeplearninginagriculture［J］．Jour-nalofChinaAgriculturalUniversity，2020，25(2):105-120．

　　［4］贾少鹏，高红菊，杭潇．基于深度学习的农作物病虫害图像识别技术研究进展［J］．农业机械学报，2019，50(S1):313-317．JIAShaopeng，GAOHongju，HANGXiao．Ｒesearchprogressonimagerecognitiontechnologyofcroppestsanddiseasesbasedondeeplearning［J］．TransactionsoftheChineseSocietyofAgricultur-alMachinery，2019，50(S1):313-317．

　　庞海通1，2，蔡卫明1，马龙华1，苏宏业2

《基于深度学习的害虫识别技术综述》

上一篇：我国生态绿色农产品在线营销的理论逻辑与现实基础

下一篇：关于推广绿色农业种植技术的途径探讨