農作物害蟲圖像識別研究進展與展望

張萌 錢蓉 朱靜波 張立平 李閏枚 董偉

摘要 農作物害蟲的精準識別是害蟲預報及防控的重要前提，圖像識別法以高效率、低成本、易操作等優勢，成為近年來害蟲防治工作的研究熱點和主要技術手段。鑒于害蟲圖像識別在蟲害診斷中的巨大潛力，回顧害蟲圖像識別方法的發展歷程，闡述由室內環境下的識別走向自然環境的研究進展，分析傳統方法與深度學習的優勢與局限性，針對性給出未來發展的相應措施。傳統識別方法易實現，適用在樣本少、范圍小的識別領域;深度學習方法精度高、自適應性強，在數據量充足的前提下可以取得較好的識別效果。最后對農作物害蟲圖像識別的發展前景進行展望，指出將害蟲圖像識別與物聯網、傳感器等技術相結合，共同構建農業大數據，并成為智慧農業的重要組成部分。

關鍵詞 害蟲圖像;蟲害診斷;圖像識別;深度學習;智慧農業

中圖分類號 S431.9文獻標識碼 A文章編號 0517-6611（2018）34-0011-02

農作物蟲害一直是農業生產中的重要問題，嚴重影響我國現代農業發展、農業增產和農民增收。對蟲害進行早期識別、監測、預警，是控制蟲害大范圍蔓延、保護農作物品質、減少農藥殘留對環境污染的重要前提和基礎，是防控工作的決策信息源頭。隨著計算機技術的發展，人們逐漸將圖像識別技術應用到害蟲的識別中，通過感知害蟲的幾何信息，進而對害蟲圖像進行描述、存儲與理解，以尋找一種實時、準確、高效、便捷的害蟲識別方法。

隨著信息技術的發展，我國傳統農業正在向現代化的智慧農業轉化。智慧農業是指依托農業大數據，集物聯網、傳感器、云計算等多種新興技術為一體，實現農業生產中的智能感知、監測、預警、分析等，并提供精準決策。田間害蟲圖像作為農業大數據的重要組成部分，準確對其進行識別，并以此為依據進行害蟲防治，是實現智慧農業的重要環節。

1 傳統害蟲圖像識別方法

1.1 室內環境下的害蟲圖像識別

農作物害蟲的圖像識別法始于昆蟲形態學的研究，對昆蟲個體的形態特征進行描述和識別[1]。早在20世紀80年代，Daly等[2]、Zhou等[3]嘗試利用翅膀圖像上的形態對蜜蜂、蚊子等昆蟲進行識別，取得良好的識別效果。沈佐銳等[4]是國內較早開展利用數學形態學進行昆蟲圖像識別的專家，并通過試驗驗證了將形態學特征應用在科階元上分類的可行性。張紅濤等[5]針對儲糧害蟲的二值圖像提取出17個形態學特征，通過蟻群算法（ant colony optimization，ACO）優化后，最終采用支持向量機（support vector machine，SVM）分類器對9類糧蟲進行分類，識別率達到95%以上。Larios等[6]開發了一種石蠅自動分類系統，使用3種檢測方法檢測圖像中的特征點，通過SIFT（scale invariant feature transform）描述算子提取特征，在4類石蠅圖像的識別分類中取得82%的準確率。Wang等[7-8]使用基于內容的圖像檢索（content-based image retrieval，CBIR）方法分別對9類昆蟲圖像和17類蝴蝶圖像進行識別研究，均取得較好的識別效果。竺樂慶等[9]以昆蟲翅圖像為識別對象，結合韋伯局部描述子（weber local descriptor，WLD）和顏色直方圖（histogram of color，HoC）實現了昆蟲圖像的自動分類，在包含10種共576個樣本的昆蟲圖像數據庫中進行測試，取得了100%的獨立預測精度。以上研究證實了圖像識別技術在害蟲識別領域中的可行性，為害蟲圖像識別打下了堅實的基礎，為后續的研究提供了充足的理論依據。但是，早期的研究大多是在實驗室的理想環境下實現的，在應用層面上還有待進一步的研究。

1.2 自然環境下的害蟲圖像識別

為了實現復雜環境下的害蟲識別，眾多學者針對田間害蟲圖像易發生特征信息缺失的問題，在多特征融合、優化學習方法等多方面展開研究。Wen等[10]使用SIFT描述算子提取局部特征，并與全局特征相結合建立分類模型，對8類果園害蟲圖像進行識別，準確率達到86.6%。范偉軍等[11]提出一種基于扇形變換的姿態不變胡氏矩特征向量提取方法，對24類不同姿態幼蟲圖像的識別準確率為100%。Yao等[12]將顏色、性狀、紋理等156個特征提取到SVM分類器中，通過7次檢查驗證法，對4類鱗翅目害蟲的識別準確率為97.5%。Han等[13]基于數字信號處理（digital signal processing，DSP）和3G無線通信技術實現了田間害蟲的實時分類，對6類常見田間害蟲圖像的平均識別準確率為82%。李文勇等[14]提出一種基于顏色和紋理等與形態無關的特征相結合的多姿態害蟲分類方法，對黏蟲、桃蛀螟等4類成蟲圖像進行分類。Zhang等[15]分別提取害蟲圖像的顏色、形狀和紋理特征，通過Fisher分類器計算單特征的權系數，最終通過加權平均得到融合方法，并利用水稻、油菜、玉米等34類害蟲圖像進行驗證，結果表明該方法具有較高的識別精度。謝成軍等[16]提出一種基于圖像稀疏編碼與空間金字塔模型相結合的害蟲圖像表示與識別方法，該方法利用大量非標注的自然圖像塊構造過完備學習字典，并運用該學習字典實現對害蟲圖像的多空間稀疏表示，最終使平均識別精度提高了9.5%。朱莉等[17]提出一種利用顏色特征的害蟲視覺識別技術，使用害蟲基準圖像對其進行直方圖反向投影并計算交叉匹配指數，將匹配指數和害蟲標簽作為訓練數據建立分類器，對菜蝽、菜青蟲等5類害蟲圖像的識別準確率為92%。自然環境下農作物害蟲的多樣性和復雜性給自動識別帶來較大的困難，雖然眾多學者通過多種方法實現了較理想的識別效果，但是均存在適用面小的情況，只能在特定的區域、物種間實現應用，對該領域的研究還有許多難題需要解決。

2 深度學習在害蟲圖像識別中的應用

近年來，深度學習的興起使人工智能的各個領域都有了突破性的發展，其特有的特征描述方法，可以在訓練數據的驅動下自主學習特征，具有良好的普適性和自適應性。作為深度學習中的經典代表，卷積神經網絡（convolutional neural network，CNN）在圖像檢測、分類、識別方面都獲得巨大成功。相比于傳統的手動或依賴先驗知識提取特征的算法，CNN可以直接在圖像上產生局部感知區域，通過多層的過濾器逐層訓練，自主獲得圖像中的關鍵特征，大大減少了由于人為誤判而產生的訓練誤差[18]。程曦等[19]分別使用GoogLeNet和AlexNet模型對儲糧害蟲圖像進行識別，準確率均達到95%以上。Liu等[20]通過深度卷積神經網絡設計一種利用局部特征學習的農業害蟲分類器，在測試數據集上的平均精度為95.1%。楊國國等[21]提出一種基于卷積神經網絡的深度學習模型，能從茶園環境中快速、準確地對23種害蟲進行定位和識別，識別準確率為91.5%。Glickd等[22]采用深層次卷積神經網絡（hierarchical deep CNNs，HD-CNNs）以21萬余張昆蟲圖像為樣本，對277類昆蟲圖像進行識別分類，top-10錯誤率為14.01%。針對害蟲圖像種間相似性高、種內變化性大、姿態變化豐富、易受作物遮擋等特點，CNN相比于傳統方法具有更好的適應，并能在多類害蟲圖像識別中取得更高的精度。近年來，依托互聯網而實現的數據共享，使得數據積累的速度獲得顯著進展;而算法和計算機硬件的迅速發展，也使得計算能力獲得突破性的發展，這些都為深度學習的崛起奠定了堅實的基礎。

3 害蟲圖像識別技術發展存在的問題與形勢

3.1 傳統方法的局限性

現有的傳統識別方法多為半交互式，需要人為選擇特征參數，而特征的選擇需要大量試驗和經驗，在這個過程中如何選擇最佳參數是尚未被很好解決的一個難題。此外，傳統方法大多是針對小范圍內的害蟲識別展開的研究，而田間害蟲種類復雜，同一片區域內可能出現數十種甚至上百種害蟲，應用難度大。

3.2 深度學習的局限性

深度學習對硬件要求較高，且需要海量的帶標注數據，深度學習的發展歷程就是計算能力和數據的積累。大多數害蟲都具有較強的應激性、隱蔽性，且田間環境復雜，存在較多不可預知因素，害蟲圖像的采集難度遠大于其他圖像，數據量遠遠達不到深度學習的標準。此外，因為害蟲存在種間相似度高的特點，有些害蟲需要采集到足夠多的高分辨率樣本圖像才能構建可用的識別模型，在數據積累難度大的同時，也對計算能力提出較大的挑戰。故國內外應用深度學習來進行害蟲圖像識別的研究還處于探索階段，實時控制還有待進一步改善和提高。

3.3 害蟲圖像識別的發展形勢

害蟲圖像識別屬于信息技術與農業技術的交叉學科，害蟲圖像的采集難度大、圖像信息復雜，其發展進度在整個圖像識別領域中進展較慢。相較于傳統方法，在田間復雜環境下進行害蟲圖像的實時識別，深度學習無疑具有更好的適應性，也是必然的發展趨勢。如何降低深度學習對樣本量的需求，以及降低田間復雜環境對識別精度的影響是急需解決的問題，而近年來遷移學習的出現使得該領域擁有較好的發展前景。而傳統方法更適用于小樣本處理，當圖像樣本量不足時，無法滿足深度學習模型的構建需求，傳統方法更易于實現，對復雜度較低的圖像也可以取得較高的識別精度。

4 結語

鑒于農作物害蟲種類繁多，其形態、習性都會隨著環境不斷改變，識別模型也需要根據實際情況不斷完善。在這種形勢下，構建基于深度學習的害蟲圖像識別模型，并從樣本和算法兩方面進行系統優化，是實現田間復雜環境下害蟲自動識別的發展趨勢。將深度學習技術與傳感器相結合，實現田間農作物害蟲自動化、智能化的實時監測，并通過物聯網將數據信息融入到農業大數據當中，構建基于“互聯網+”的信息化服務平臺，真正實現智慧農業。

參考文獻

[1] 周志艷，羅錫文，張揚，等.農作物蟲害的機器檢測與監測技術研究進展[J].昆蟲學報，2010，53（1）：98-109.

[2] DALY H V，HOELMER K，NORMAN P，et al.Computer-assisted measurement and identification of honey bees （Hymenoptera：Apidae）[J].Annals of the entomological society of America，1982，75（6）：591-594.

[3] ZHOU Y H，LING L B，ROHLF F J.Automatic description of the venation of mosquito wings from digitized images[J].Systematic zoology，1985，34（3）：346-358.

[4] 沈佐銳，趙汗青，于新文.數學形態學在昆蟲分類學上的應用研究.Ⅲ.在科階元上的應用研究[J].昆蟲學報，2003，46（3）：339-344.

[5] 張紅濤，毛罕平，邱道尹.儲糧害蟲圖像識別中的特征提取[J].農業工程學報，2009，25（2）：126-130.

[6] LARIOS N，DENG H L，ZHANG W，et al.Automated insect identification through concatenated histograms of local appearance features：Feature vector generation and region detection for deformable objects[J].Machine vision & applications，2008，19（2）：105-123.

[7] WANG J N，LIN C T，JI L Q，et al.A new automatic identification system of insect images at the order level[J].Knowledge-based systems，2012，33（3）：102-110.

[8] WANG J N，JI L Q，LIANG A P，et al.The identification of butterfly families using content-based image retrieval[J].Biosystems engineering，2012，111（1）：24-32.

[9] 竺樂慶，張大興，張真.基于韋伯局部描述子和顏色直方圖的鱗翅目昆蟲翅圖像特征描述與種類識別[J].昆蟲學報，2015，58（4）：419-426.

[10] WEN C L，GUYER D.Image-based orchard insect automated identification and classification method[J].Computer and electronics in agriculture，2012，89（3）：110-115.

[11] 范偉軍，周敏，張鈺雰.彎曲姿態蛾類幼蟲的自動識別方法研究[J].昆蟲學報，2012，55（6）：727-735.

[12] YAO Q，LV? J，LIU Q J，et al.An insect imaging system to automate rice light-trap pest identification[J].Journal of integrative agriculture，2012，11（6）：978-985.

[13] HAN R Z，HE Y，LIU F.Feasibility study on a portable field pest classification system design based on DSP and 3G wireless communication technology[J].Sensors，2012，12（3）：3118-3130.

[14] 李文勇，李明，陳梅香，等.基于機器視覺的作物多姿態害蟲特征提取與分類方法[J].農業工程學報，2014，30（14）：154-162.

[15] ZHANG J，WANG R J，XIE C J，et al.Crop pests image recognition based on multi-features fusion[J].Journal of computational information systems，2014，10（12）：5121-5129.

[16] 謝成軍，李瑞，董偉，等.基于稀疏編碼金字塔模型的農田害蟲圖像識別[J].農業工程學報，2016，32（17）：144-151.

[17] 朱莉，羅靖，徐勝勇，等.基于顏色特征的油菜害蟲機器視覺診斷研究[J].農機化研究，2016（6）：55-58，121.

[18] KRIZHEVSKY A，SUTSKEVER I，HINTON G E.ImageNet classification with deep convolutional neural networks[C]//International conference on neural information processing systems.New York：Curran Associates Inc.，2012：1097-1105.

[19] 程曦，吳云志，張友華，等.基于深度卷積神經網絡的儲糧害蟲圖像識別[J].中國農學通報，2018，31（1）：154-158.

[20] LIU Z Y，GAO J F，YANG G G，et al.Localization and classification of paddy field pests using a saliency map and deep convolutional neural network[J].Scientific reports，2016，6：1-12.

[21] 楊國國，鮑一丹，劉子毅.基于圖像顯著性分析與卷積神經網絡的茶園害蟲定位與識別[J].農業工程學報，2017，33（6）：156-162.

[22] GLICKD J，MILLER K.Insect classification with heirarchical deep convolutional neural networks.Convolutional neural networks for visual recognition （CS231N）[M].California：Stanford University，2017.