森林资源是全球最重要的自然资源之一,然而近年来随着全球气候变暖,受森林火灾、乱砍滥伐、病虫害等方面的影响,我国的森林资源利用与可持续发展受到严重威胁。国家统计局颁布的森林病虫害发生和防治情况调查显示,中国主要森林病虫害持续呈高发态势,将直接影响林业产量和环境平衡。因此,针对日益严重的病虫害现象,提高其监测效率和能力是一个亟待解决的问题。
传统监测方法主要依赖人工巡视、生物学监测和化学分析,但以上方法存在显著的局限性。
人工巡视观察只适用于小面积的果园和农田,面对大面积且路面崎岖的森林、果园和茶园等,会耗费大量的时间和人力资源。
生物学检测通过利用昆虫陷阱、粘虫板等工具来吸引和捕捉害虫,以了解其种类和数量,容易受到主观因素的影响,监测结果不够准确和及时。
化学分析则通过对叶片或土壤进行化验,分析相关的病虫害原因和程度,只适用于发生大面积或出现明显症状的情况。
因此,为解决人力和物力的大量损耗以及实现林区病虫害监测自动化与智能化,研究者致力于研究人工智能物联网设备(AloT)。
相比传统的人工判断方法,基于卷积神经网络(CNN)的虫害监测可以提供更准确、可靠的结果,进而对实时数据进行监测和分析,可以及时发现虫害的出现和蔓延,预测虫害的发展趋势,为森林病虫害防治提供及时的决策依据,最大限度地减少虫害带来的损失。目前,基于卷积神经网络的病虫害监测方法主要包括嵌入式定点诱捕技术与遥感技术两类。
嵌入式定点诱捕技术通过光、性或食物诱引害虫,结合内置摄像头进行实时图像采集与识别,具有较高的自动化水平与实时响应能力。
然而,该方法的应用受限于诱捕范围的局限性及识别精度的不足。与此不同,遥感技术利用卫星或无人机对农田、林区等区域进行图像数据获取,并通过分析病虫害的分布与变化情况,以显著提高监测效率。
然而,该技术的效果易受到环境因素的干扰,并且相关传感器的高成本限制了其广泛应用。尽管国内外学者在病虫害识别与监测技术研究方面已取得一定进展,但迄今为止,鲜见有效融合多源数据的综合性病虫害监测系统。因此,如何实现精确高效地识别与数据采集,仍然是当前领域亟待攻克的关键技术难题。
笔者首先对目前应用于农林领域内病虫害监测的研究现状进行阐述,再总结应用过程中卷积网络模型发展及远端监测方法的关键技术,指出目前农林病虫害监测存在的问题与不足,并对未来的研究方向提出展望。
病虫害识别系统是一个集数据构建、模型训练、实时监测与结果反馈为一体的完整流程,其主要分为6个关键环节(图1)。首先,基于田间采集和实验室模拟构建高质量数据集,并通过预处理与数据增强提升样本多样性和模型鲁棒性。在模型训练阶段,利用卷积神经网络自动提取病虫害图像特征,结合分类器进行识别,并通过验证集与测试集评估模型性能,确保其泛化能力。训练完成的模型被部署到实际场景中,借助嵌入式设备和远程监测终端,实现实时检测与结果可视化。最终,识别结果被反馈给决策支持系统,提供病虫害防治的建议和措施,形成监测、识别与决策支持一体化的闭环系统。
随着AloT和CNN技术的不断进步,病虫害监测领域开始逐渐引入计算机视觉技术。首先,病虫害监测领域采用机器学习方法,通常需要通过Gabor滤波、灰度共生矩阵(GLCM)等方式手工提取特征。这些特征用于描述图像中的病害或虫害,包括颜色、纹理和形状等方面的特征。然后,利用支持向量机(SVM)、决策树和随机森林等分类算法,根据已标记的数据集学习病虫害的模式,并用于对新的图像进行分类。Prasad等采用Gabor小波变换(GWT)和灰度共生矩阵相结合的方法提取成熟植物叶片病害斑块的纹理特征。然而,由于传统机器学习方法需要手动提取特征,当面对昆虫多姿态多形态的情况时,难以在复杂的图像中捕捉到所有相关信息。温芝元等利用改进型分水岭算法提取椪柑病虫害为害状边界,以椪柑病虫害为害状4个色相区域多重分形谱高度及宽度作为病虫害特征值,借助小波神经网络进行椪柑病虫害识别,5种病虫害平均识别正确率均达到87%。卷积神经网络模型因其能自动提取特征,更好地适应图像中昆虫的复杂形态,逐渐取代了传统的机器学习方法。CNN的引入为病虫害监测提供了更多可能性,目前基于机器视觉的农林病虫害识别常用的网络模型有AlexNet、MobileNet、VGGNet、ResNet、Yolo和EfficientNet模型等。
其次,通过融合多种传感器(如多光谱和高光谱传感器)获得的多模态数据,有助于显著提高早期病虫害检测的精度。多光谱和高光谱技术能够捕获不同波段的光谱信息,尽管数据处理较为复杂,但通过结合CNN在特征提取与分类方面的优势,可以充分发挥两者的互补作用,从而显著提高病虫害检测的精度。Zhou等基于4种YOLOv5变体设计一种新型主干网,包括可见子网和多光谱子网的双分支网络,并构建了一个具有多头注意力机制和前馈网络的多波段特征融合变换器(MFFT),根据此模块将两个特征图融合并输入颈部(neck)和头部(head)中,以预测受感染松树的类别和位置,早期阶段检测效果显著提升。与多光谱相比,高光谱信息能够涵盖更广波段范围,通常包括可见光、近红外和中红外等,虽提供更丰富和详细的光谱信息,但其处理复杂度更高,需要更多的计算。梁万杰等针对发病早期叶片无可见症状等问题,利用高光谱图像技术作为监测技术,以Resnet50为基础改进,使模型对油菜菌核病发病早期的识别能力显著提高,对7 d内是否发病的识别正确率、精度和召回率均达到97.97%以上。
依靠不断改进卷积网络模型,提升识别精准度是实现高效监测的重要环节之一,而如何部署应用在实际环节中并实现全程信息可视化是另一研究重点。应用初期,研究人员致力于搭建网页部署检测模型,通过上传图片,获取图片的检测信息,实时性弱,条件性强。然而,研究人员考虑将模型装载在嵌入式设备上,搭载显示屏实现检测结果可视化,针对病虫害常出现人手无法到达的位置,研究者设计将摄像终端安装在手持杆上,手持式完成远端病虫害监测,但缺陷显著,虽减少部分专业人工成本,但人工参与度依然很高,且只适用于面积有限的农田或公园。为解决上述存在的问题,研究人员采用诱捕的方式,引入物联网技术,在定点嵌入式设备中装载识别摄像头和通信模块,于网络服务器中完成病虫害检测,该方式有效将物联网技术与深度学习相融合,极大地提升了监测的自动化水平和监测效率。此外,为进一步提高监测的便利性,以手机为载体,部署形式主要有App、小程序等,如晓虫,但该小程序应用病虫害覆盖种类不够,常遇到检测系统未标记的病虫害导致准确率极低的情形。利用手机自带的高清摄像头,通过网络实现实时数据的传输和处理,该方法可以使用户更易获取监测信息和参与监测过程,但利用便携式方法对物种发生的是机会性记录,而不是结构化的生态监测。
经过国内外研究学者的不断努力,农林病虫害监测研究取得了显著进展,开发并改进了多种高准确率的卷积神经网络模型。目前,病虫害监测方式和可视化形式多样,基本能够替代传统的人工监测,在人力和物力消耗上具有明显优势。然而,对于大面积病虫害的早期预测仍然缺乏有效手段,通常只能在病虫害显著发生后进行防治。因此,病虫害提前预警监测仍需进一步研究和开发,旨在形成更加完整的监测系统,创建农林区的综合信息库,并结合更多维度的信息,及时掌握病虫害的发生、发展动态、对植物的危害程度以及未来的发展趋势,这将为病虫害的预测预报、防治及检疫提供科学依据。
2.1 病虫害数据集的获取与构建
2.1.1 病虫害数据集的获取
病虫害数据集是训练卷积网络模型的关键组成部分,一个标注准确、适当规模、样本种类均衡、高相关性的数据集对于模型算法的训练和测试至关重要。通过使用多样性和广泛的数据集,能够帮助模型学习更多病虫害的外观、形态和特征,这意味着训练的模型更有可能在新的、以前未见过的场景中正确地识别病虫害。目前,常用获取病虫害数据集的方式有两种:一种是部分科研机构和大学提供的公开病虫害数据集,但存在样本不均衡、清晰度不一致和标注不准确等问题; 另一种是研究者根据具体的研究目标构建数据集,通过在农林环境中采集和拍摄病虫害样本。然而,这种方式效率较低,往往需要大量的人工成本以及专家进行形态辨识。为了解决这些问题,部分研究者选择在实验室条件下人工培育害虫和受感染植物,以便精确控制感染程度和病虫害类型。此方法具有较强的针对性和较高的数据准确性,但由于其覆盖面有限,要全面收集所有病虫害样本的工作量巨大,实施起来具有较大的挑战性。国内外常用于研究的病虫害数据集见表1。
2.1.2 病虫害数据集的构建
病虫害数据集的构建是一个复杂的多阶段过程,主要涉及图片采集、数据标注两个关键环节。随着机器学习和深度学习技术的不断发展,病虫害监测取得了显著进展。然而,由于缺乏高质量的数据集,病虫害监测仍面临诸多挑战。因此,收集和完善森林病虫害数据集是实现准确监测的基础。目前,采集病虫害图片的方法多种多样,病叶和害虫可直接在田间获取,但这一过程存在大量的人力和物力浪费问题。研究人员还可以在受控的实验室环境中通过移植病菌和饲养害虫进行数据收集,但这些方法缺乏对真实环境的考虑,在实际应用中存在较大局限性。
图片采集完成后进入数据标注阶段。数据标注是确保数据集质量的核心环节,标注的准确性直接关系到模型训练的效果和可靠性。由于数据标注过程通常依赖人工完成,且需要标注人员具备相应的专业知识,这使得标注工作易受人为因素的影响,进而可能产生标注误差。除此之外,昆虫的相似度极高,有些类别之间的区别仅在翅膀上一个不起眼的小斑点,甚至专业人员也需仔细分辨。与此同时,大部分害虫体积较小,拍摄的照片往往无法捕捉细致的特征信息,导致形态分辨难度加大。此外,拍摄手法导致的逆光、阴影等问题也会使拍摄样本质量波动较大,从而进一步增加了识别难度。更加复杂的是,我国森林监测范围内的害虫种类多达数百种,而每种害虫可能处于不同的虫龄和发育阶段,如幼虫期和成虫期,导致即使是同一种害虫在不同阶段的外貌也会大不相同。这使得“虫脸识别”需要处理多姿态、多种类、多形态的害虫,技术挑战远大于人脸识别。几种夜蛾在不同发育阶段和状态下的形态特征见表2,包括幼虫形态、成虫展翅形态、成虫俯视形态、成虫侧视形态以及成虫斜视形态。这些形态在不同阶段和状态之间表现出较多的相似性,显著增加了基于视觉识别进行准确分类和鉴定的难度。
2.2 基于病虫害识别的卷积网络模型的选择
目前,基于深度学习的病虫害识别算法主要划分为轻量化模型和高性能模型两大类别,以适应不同的应用场景与资源约束。在轻量化模型领域,MobileNet和EfficientNet因其较小的模型尺寸与高效的计算性能,在移动端与嵌入式设备中得到了广泛应用。例如:Yin等基于MobileNetV3,通过引入批归一化(batch normalization)和随机失活(dropout)层,优化模型的泛化能力,在6类葡萄叶病害分类任务中实现了99.84%的识别精度,同时模型大小仅为30 MB; 王瑞鹏等结合DenseNet121与EfficientNet-B0作为特征提取网络,创新性地引入结合标签平滑策略的焦点损失函数,大幅提升了对难分类样本的识别能力,其模型在测试集中的识别精度达99.13%; 武魁等采用EfficientNetV2作为基础网络,通过引入深度学习转换器(DeepViT)算法优化网络通道结构,并结合双向特征金字塔网络(BiFPN)实现多尺度特征融合,改进后的模型大小为8.6 MB,平均病虫害识别精度达97.72%。值得注意的是,沈恒宇与刘洋等进一步将改进模型部署于移动端设备,实现了实时图像上传与病害诊断,为农林业病虫害的智能化监测提供了有效的技术支持。
另一方面,高性能模型如VGGNet和ResNet凭借其深层结构和强大的特征提取能力,在复杂背景或多样化数据集上展现出显著的识别优势。刘拥民等进一步利用双分支结构和数据增强技术,将水稻病虫害的识别精度提升至99.10%,展现出卓越的鲁棒性和泛化能力。为应对复杂背景对识别模型的干扰, Hu等通过设计多尺度双分支结构,并引入生成对抗网络(GAN)对数据集进行扩充,将模型的准确率提高至99.34%,表现出在复杂自然环境中的优越适应性。此外,针对小目标昆虫识别中因目标区域像素占比低导致的特征提取困难问题,Wang等通过引入特征多重化模块(FMM)和相邻消除模块(AEM),显著增强了模型对小目标昆虫特征的提取能力,其识别准确率较传统ResNet提升了7%。这些研究表明,通过深层网络的优化设计与创新性改进,高性能模型能够在病虫害识别任务中实现更高的准确性与可靠性。
以上研究均基于双阶段目标检测模型,针对实时性要求较高的场景,YOLO作为典型的单目标检测算法,因其高效性在病虫害检测中被广泛应用。Yang等改进了YOLOv7网络结构,将ELAN模块替换为CSPResNeXt-50模块,并引入VoVGSCSP模块,在降低模型复杂度的同时显著提高了检测速度和精度。在IP102数据集上的实验结果显示,其mAP达到76.3%,召回率为77.3%,检测速度达67帧/s,展现了卓越的实时性表现。骆润玫等通过引入多尺度特征融合模块和注意力机制,提高了模型对目标特征的提取与融合能力,同时弱化了复杂背景的干扰。改进后的C3-SC模块进一步减少了模型参数量,其模型在复杂背景下的mAP达到93.61%,F1分数为90.95%,每张图像的检测时间为0.01 s,适用于精准快速的病虫害识别。周维等针对嵌入式设备的计算资源限制,将YOLOv4中的普通卷积替换为轻量化的GhostNet模块,并改进了路径聚合网络(PANet)结构,结合迁移学习技术,在减少模型参数量的同时保证了检测精度,mAP达到79.38%,检测速度为34.51帧/s,具备嵌入式部署的潜力。YOLO在实时性任务中的出色表现验证了其在病虫害检测领域的应用价值。然而,针对复杂数据集的检测精度仍有进一步优化空间。根据不同应用场景的实际需求,合理选择模型结构并结合创新优化技术,是实现病虫害高效监测的关键。
2.3 基于病虫害识别的卷积网络模型的优化
近年来,众多研究表明,在病虫害识别任务中,基础卷积神经网络模型存在诸多局限性,尤其在处理复杂图像时,通常难以快速、准确地提取图像特征。因此,在实际应用中,需要根据具体情况选择合适的网络模型,并对其进行相应优化,以提高其在病虫害检测中的准确性、实用性和鲁棒性。针对目前病虫害识别和部署过程中常见的问题,国内外学者已展开了大量研究,致力于克服这些挑战。
2.3.1 引入注意力机制
卷积神经网络与注意力机制相结合,可有效提高网络性能,提高识别准确率。在图像和视频处理等任务中,注意力机制可以让模型专注于图像中的重要区域,忽略不相关的信息。张国忠等通过在DenseNet模型中插入不同的Stem注意力模块,经消融实验可见插入Stem-D能明显提升模型对细节特征的提取能力和对病害的识别能力,准确率提升了1.1个百分点,且召回率和F1均有提升。目前注意力机制主要分为空间注意力机制、通道注意力机制和混合维度。Chen等将SE(squeeze and excitation)模块集成到YOLOv5中,作为通道注意力机制,能够增强各个通道的特征表示,从而有效聚焦于图像中有用的信息,与原模型相比,在作物叶片的特征区分和病害类型识别上提升了0.8。Hassan等则在其模型架构中集成了空间注意力模块SA,该模块聚焦于特征图中有效信息的空间位置,从而帮助区分害虫与复杂背景,试验结果表明,搭载SA的ResNet模型具有更强的特征提取能力,准确度提升了75.93%。此外, Xie等使用了融合通道和空间注意力的混合维度卷积注意模块(CBAM),具体结构如图2所示,试验结果显示,精准度、召回率和F1均有明显提升。在此基础上,王昕等同样在YOLOv5添加CBAM注意力机制,然而精准度略有下降,故通过引入一维卷积替代CBAM中通道注意力的MLP(multi-layer perceptron)模块,优化了通道注意力的处理方式,解决了全局处理后通道内信息交互被忽略的问题,精准度上升了0.81个百分点,基本满足了多种农作物病虫害目标检测的准确性和实时性要求。
2.3.2 多种深度学习模型的结合
多种深度学习模型的融合方法并不拘泥于固定的形式,具体融合方式的选择应根据所选模型的特点和识别任务的需求灵活调整。常见的融合策略包括集成学习、多个尺度信息的融合以及特征融合,常用的模块和多模型融合结构如图3所示。在集成学习中,多个基础模型通过组合形成一个更强大的综合模型,以提高分类的准确性。Liu等采用了CNN模型集成策略,将VGG16和Inception-ResNet-v2两种不同网络结构结合,通过融合两者的优势,将平均准确率从84.62%提升至97.17%,并有效解决了单一CNN网络在训练过程中的过拟合问题。而Wang等也选择VGG作为基础结构,融合了Inception模块以增加网络的宽度,多尺度信息的增加能有效提高模型性能; 此外,通过使用1×1卷积核来减少高层输入的维度,降低计算复杂度,平均精度提升至92.63%。Ullah等通过去除EfficientNetB3和MobileNet的softmax层,并组合了两个模型的密集层获得了输出; 此外,添加了大小为512,256和128通道的3个FC层,最后添加新的softmax层进行分类,叶片病害识别准确率达到99.92%,分类误差仅为0.08%。由此可见,并行不同尺度的卷积和池化层,能形成更加丰富的特征表示,从而有效提高分类和识别性能。
然而融合网络模型能够显著提升模型性能,但从结构角度来看,这种方法往往需要更多的计算资源,包括CPU和GPU的支持,进而增加推理时间,这使得其在实时性要求较高的应用场景中可能难以满足需求。同时,运行多个模型可能会导致更高的内存占用,尤其是在移动设备上,这不仅可能增加硬件成本,还可能引发性能问题。为了解决这一现象, Li等提出了一种结合InceptionV4和AlexNet两种互补网络结构的融合方案,通过去除InceptionV4中Inception-X模块的叠加,大幅降低了训练和推理的时间消耗,准确性和F1分数方面均优于主流模型,在作物病害鉴定方面具有较好的泛化能力。另外在试验过程中,相较于单一模型的优化,模型融合通常需要更加精细的训练和调优过程,以确保最佳的融合策略和权重分配。
2.3.3 针对特定环境的网络结构优化
病虫害的及时识别与准确检测对于预防与治理至关重要,但由于病虫害的种类繁多、环境条件复杂,传统的人工监测和简单的图像处理方法常常难以应对大规模、多样化的病虫害数据。为此,卷积神经网络结构优化还可从其他方面进行探索,以提高网络的识别精度、加快训练速度和减少计算资源的消耗。例如,Singh等受AlexNet启发,提出了一种多层卷积神经网络,通过引入非线性激活函数、Dropout技术和最大池化层等方式,准确率提升至97.13%。这些改进使得病虫害的实时监测和精确分类成为可能,尤其是在复杂的背景和多变的环境中,能够有效识别不同类型的病虫害并减少误判。针对模型训练过程中的冗余参数问题,Hang等提出了一种新的结构,将初始模块、挤压激励模块与全局池化层相结合,不仅优化了卷积层的特征数据融合方式,还采用全局平均池化层替代传统的全连接层,与基础模型VGG16相比,精度提升至91.7%,模型大小从537.2 MB减小到57.3 MB,训练速度也只有原来的一半。此方法有效解决了传统网络训练时间长和计算资源需求高的问题,为大范围病虫害监测提供了更加高效的解决方案。此外,宋中山等提出的二进制神经网络(BinaryNet)方案,通过将传统全连接层转化为二进制卷积网络,试验结果显示平均准确率为87.5%,模型大小从143 MB缩小到15.3 MB,且每幅图像的检测时间仅为0.31 s。这使得病虫害识别技术可以在资源有限的移动端设备上得到应用,极大地提高了现场监测效率,尤其是在偏远地区和大规模农田中的实时监控。彭红星等在ShuffleNetV2模型中引入注意力机制SimAM(simplified self-attention module for convolutional networks),不仅增强了模型对重要特征的提取能力,还通过Hardswish激活函数减少了网络的参数量,与原模型相比,在准确率、精确率、召回率和F1值上分别提高了8.8,9.0,8.8和10.2个百分点。针对病虫害识别中的特征提取问题, Kong等则在Fe-Net网络中引入分支结构和信道变换操作,结合空间特征增强模块FEA(spatial feature-enhanced attention),减少计算冗余的同时,提高模型对细粒度特征的敏感度,识别精度85.29%,F1为0.887,均高于目前主流最优模型,平均识别时间仅为71 ms,基本满足实际应用中的稳定性。综上,通过模型结构优化能解决大规模、多样化监测数据处理所遇到的难题,提高识别精度,降低计算资源消耗,在实际应用中提供更高效的解决方案,因此,在农业和森林病虫害的实时监控和精准治理中具有广泛应用前景。
针对农林区域广阔和人工成本高昂等问题,为提高卷积神经网络在病虫害监测中的实用性和便携性,许多学者致力于远端监测及可视化技术的研究。目前,病虫害监测主要采用这两种方法:遥感技术和定点诱捕陷阱技术。然而,单一维度的信息获取不足以实现全面的监控覆盖。因此,研究人员需要通过多点协同、点面结合和空地结合等策略,构建更为高效的监测和预警系统,以提升病虫害监测的整体效果。
3.1 遥感技术
病原菌及害虫在危害植物过程中,被侵染作物外部的形态学特征、颜色特征等存在较大的差异,这些特征变化为遥感监测病虫害提供了契机。遥感技术在农林业病虫害监测中通常分为卫星遥感和无人机遥感。研究人员会根据具体需求和项目的规模选择合适的遥感方法,卫星遥感适用于大范围的监测和长期趋势分析,而无人机遥感则更适用于小范围、高分辨率的监测和定制化的任务。
基于卫星遥感可以提供全球范围的覆盖,从高空拍摄图像,可以监测大范围的农田和植被,适用于广阔的农林地区。此外,卫星可以提供近几十年的时间序列数据,数据更完整,有助于长期的趋势分析与预测。例如:Huang等研究了2013—2017年的卫星遥感图像并构建了相关数据集,提出了一种基于Slim模块结构的改进模型,在松材线虫病疫区遥感图像测试中,分类准确率达到94.90%,故该方法能够实现病疫区的有效监测; Wang等将半监督语义分割技术与高分辨率卫星遥感技术相结合,建立基于GAN(generative adversarial network)的半监督语义分割模型,该模型在测试集中的平均交并比达到72.02%,在实际应用中的召回率达到80.09%,可以实现对松材线虫病(PWD)变色林木的宏观准确监测,为其监测和控制提供信息和决策支持。综合诸多卫星遥感技术应用于病虫害监测的研究,数据的丰富程度和图像分辨率是其主要影响因素。
与卫星遥感监测相比,无人机遥感监测可以提供更高的空间分辨率,捕捉到更详细的图像,适用于检测小范围的目标,并且方便创建更大量详细的数据集。无人机通常可以搭载各类传感器类型,包括:高光谱仪、数码相机、热成像仪、多光谱仪、激光雷达等。不同传感器在监测作物病虫害时各有优势,但同时也存在一些弊端,需要依据地域特征、林间的病虫害发生情况以及作物种类进行传感器的选用,依据可见表3。
相比传统监测方法,无人机搭载传感器遥感监测病虫害省去了大量时间和人力消耗,与定点诱捕方式相比,在面对更加广阔的农林地域时,获取信息效率高而维护成本低。随着传感器技术的不断发展和成熟,无人机在病虫害识别方面的应用前景愈加广阔。多光谱技术通常可以捕获不同波段的光谱信息,但处理这些数据通常比较复杂。Yun等将多光谱、植被指数和RGB信息结合到深度学习中,提出了一种新的基于UNet++和注意力机制模块的图像分割方法,使用ResNeSt来提高提取特征的质量。为了增强分割的最重要特征,引入了混合维度的scSE(Concurrent Spatial and Channel Squeeze & Excitation)模块,使用RGB图像进行分割,结果表明多光谱数据和植被指数更有利于害虫面积的提取。董建康等使用无人机高分辨率多光谱影像,利用主成分分析法和相关性分析法对多光谱数据进行降维,在最大程度保留其光谱特征和纹理特征的前提下对输出参数进行抽取,并通过构建U-Net卷积神经网络模型实现无人机多光谱影像的林地提取和精度验证,识别精度达84.79%。相较于多光谱传感器,高光谱传感器涵盖了更广波段范围,拥有更丰富和详细的光谱信息,但其处理复杂度更高,需要更多的计算。王圆等研究发现枯树的光谱特征有明显的差异性,利用无人机搭载高光谱相机建立数据集,通过比较松树在3种状态(健康、侵扰和死亡)下的光谱特征,建立起分类模型,总体准确率大于80%,受侵扰树木的召回率达到70%,证明无人机高光谱技术与深度学习结合对病虫害早期检测有巨大的潜力。此外,结合高光谱和多光谱可以提供更全面的信息和数据支持。李嘉祺等运用无人机搭载高光谱相机,对提前人工标注的枯死病树和其他正常松树进行高光谱影像采集,比较正常松树与病树的特征光谱,再利用无人机搭载多光谱相机对整个研究区进行遥感采集,用于自动枯树识别与标注。经试验验证,该方法能更加准确地识别和筛选病树。
在需要不便于人工观察的地方进行昆虫拍摄和数据采集的状况,无人机的便利性尤为显著。通常,病害和虫害都是大面积集中暴发,监管人员在实时确定发生位置后,可利用无人机规划最佳农药喷洒路线,因为只需定点喷洒,大大减少成本的同时也减轻了农药对环境的危害。尽管无人机技术在提高效率和降低成本方面展现了巨大的发展潜力,但其应用也存在一定的局限性。除天气影响外,“同物异谱”和“同谱异物”现象是病虫害监测中获取有效信息的另一大难点,而使用高精度传感器虽能有效缓解,但成本较高且严重依赖于高效的算法和技术支持。
3.2 嵌入式定点诱捕技术
随着人工智能(AI)和物联网(IoT)的不断发展,AloT框架下的设备和机器能够实现多点协同工作。嵌入式定点诱捕技术的主要优势在于其高效的自动化和精确的数据分析能力。通过集成先进的传感器和深度学习算法,这些设备可以在无人值守的情况下进行长时间、大范围的实时监测,确定最佳的杀虫干预时间和剂量。因此,应用物联网技术实现害虫识别的自动化已成为必然趋势,而更加智能化和自动化的远程定点诱捕技术则是其中的关键。
目前传统的诱捕装置分为吸引陷阱和拦截陷阱2种:吸引陷阱利用气味、颜色或形状来引诱害虫,例如,通过性诱剂释放特定的气味吸引害虫,或使用特定颜色和形状的粘板来捕捉昆虫; 拦截陷阱则通过设置物理屏障或障碍物来拦截和捕捉经过的害虫,例如,利用网罩或挡板直接阻挡并捕捉飞行中的害虫。传统的诱捕器需要监管人员经常观察诱捕器,以确定每个诱捕器中被诱捕的昆虫种类和数量,并且需要更换和清理。因此,由于需要定期前往每个地点执行这项任务,这使得这项工作人工成本高昂。
病虫害监测中灭杀虫子的方式主要有热处理、粘虫板、电击网和毒饵。王杜锦利用蓟马和粉虱对黄色的趋性,采用黄色粘虫板进行诱捕,并在粘虫板上安装图像采集设备,定时自动拍摄。然而,该方法主要适用于大棚环境,并且存在害虫堆积和虫体破损严重的问题。李文勇设计了一种果园性诱害虫图像采集装置,通过性诱剂引诱害虫并带回进行图像采集,通过背景分割、特征提取和支持向量机分类器,进行了多种害虫识别试验,系统对单种非粘连、轻度粘连的害虫平均识别率达95%,而对重度粘连的害虫,平均识别率也达到84.2%。张天鹏等设计出一种新式的害虫诱捕装置,该装置通过诱剂棒吸引害虫进入侧诱捕仓,害虫在通道内接触到金属电网后,被高压包释放的电流击杀。击杀后的农业害虫会从诱捕仓跌落至存储仓,红外计数装置对捕杀的害虫数量进行精确统计,经7个月试验验证,该装备能稳定灭杀与计数,月捕获量超260只。常用的粘虫板和电击网虽然能有效致死害虫,但在此过程中容易导致虫体破损,热处理方法能有效减少这种情况的发生。
基于多数害虫的趋光性,研究者们采用特定波长的光线来诱捕昆虫,并根据不同环境需求选择最适宜的光线。Høye等设计了一种装载计算机视觉系统的光陷阱,该陷阱配备了3种不同的光源:一个荧光灯管来吸引飞蛾、一个为静止的昆虫提供漫射背景照明及一个照亮标本的光环。此系统通过树莓派串行高分辨率网络摄像头,能自动捕获和识别夜行性的飞蛾。刘珍等对比智能灯诱和传统诱捕在映小菜蛾、甜菜夜蛾和斜纹夜蛾的种群发生动态,两者反应基本一致,但测报灯能进行自动诱捕、识别和计数,计数准确率超过90%,并在数据积累中不断提升准确率、丰富识别种类。为解决灭杀害虫后存在的粘连和堆积问题,张正辉研发了一种针对稻飞虱的远程监测装备,该设备通过树莓派控制步进电机操作粘虫板进行翻转,减轻目标过于集中导致的识别与计数问题。将虫情测报灯中的诱捕灯换成穿透性更强的卤素灯并将光线对向高空,可以吸引空中大量迁移性害虫,实现大范围高空监测。孙果镓在传统高空测报灯的基础上,设计了一种带有多层散虫结构的机器视觉模块,以安卓端(Android)作为控制中枢,利用多层散虫结构分散昆虫,并通过工业相机对分散后的昆虫进行拍照,对4种目标害虫的检测精确率分别为85.76%,90.94%,74.80%,71.67%,检测速率达到0.65帧/s,满足了灯诱害虫检测的需求。综上研究,通常性诱剂用于捕获单一种类昆虫,靶标性更强,光诱法捕获的昆虫种类丰富,但可能会捕获非目标或有益生物。此外,定点诱捕技术相比传统监测方法在效率上虽有显著提升,但由于森林面积广阔,所需的嵌入式设备成本依然较高,设备的物联网节点部署规划也是一个需要特别关注的问题。
捕捉和统计病菌孢子是判断病害发生时间和程度的关键环节,深度学习技术与嵌入式设备技术的结合不仅限于害虫识别,在病害检测中也得到了应用,但国内外对孢子图像处理和植物病害识别的研究与应用尚不完善。施泽坤等通过改进YOLOv5x算法,使植物病菌智能孢子捕捉分析系统能够以95.2%的平均识别精度监测并捕捉橡胶树白粉病菌孢子,相比改进前提高了3.7%。该系统监测到的孢子数量变化与病害发生趋势高度一致,显著提高了监测效率,减少了人力和物力的投入,为橡胶树白粉病的预测和预报提供了可靠的数据支持。但该监测装置只能反映当前的病害情况,要准确对橡胶树白粉病的流行和发生进行预测预报,还应结合林间气象条件、物候、病原菌生物学特性等相关因素。各类虫情测报和捕捉设备的研究对比见表4。
目前,无人机和地面监测设备的应用已取得一定进展,但整体方法仍缺乏系统性和实际应用性。闫云才等的研究首次实现了地面数据与遥感数据的融合,利用无人机在空中采集果园图像,结合移动相机搭载的运动地盘获取地面数据,从空中与地面两个角度获取猕猴桃冠层叶片的病虫害信息,模型精确率达99.54%,召回率为99.24%。然而,在实际应用中,遥感数据误差较大,且空地信息未能有效与遥感数据结合。由中国科学院空天信息创新研究院、杭州电子科技大学等4家单位联合研发的“慧眼”天空地植物病虫害智能监测预警系统通过自主研发的芯片级病虫害智能检测装置,融合图谱信息与人工智能检测算法,能有效解决实际植保场景中病虫害快速精准检测的难题。并且系统开发专用的低空病虫害巡检无人机遥感解决方案,可实现大面积病虫害智能遥感的动态监测与高效管理,目前已经实现农林草20余种重大病虫害的多尺度动态监测与预警,但结合地面与遥感数据的技术仍然面临数据匮乏与融合效果的挑战。
随着深度学习的发展,利用卷积神经网络自动提取图像特征已成为森林病虫害监测的主流方法。国内外学者围绕如何提高识别性能、实用性、便捷性以及经济性等问题,展开了大量研究。目前基于卷积神经网络的病虫害远端监测主要存在以下问题:
1)目前常用的卷积网络模型,在面对图像识别任务时都有较好的使用效果,但应对远端病虫害监测要求时,许多研究人员为提升准确率最有效的方式是通过增加网络深度,以及引入其他模块来获取更加细微的特征,往往伴随着巨大的计算量,因此会导致过拟合或计算量过大无法部署在移动设备中。反之,为追求实时性和压缩模型大小导致减少网络层数和减小计算量,也可能无法保证卷积网络模型识别的准确率。
2)为实现精准的病虫害识别,一般需要大量的标签数据集,目前研究环境现状显示,此领域严重缺乏相对应的数据集。其原因是昆虫的种类丰富,不同的害虫在某些时候表现出某些相似之处,除了几个关键的局部部分,不同元级类的整体外观存在高度相似,导致识别难度提升很高。此外,复杂背景、光线等都会对图片的采集有一定影响,而且病虫害发生时会被叶片、嫩梢所阻挡,这对识别的效果也有一定的影响。
3)针对遥感技术,卫星遥感虽然覆盖范围广,但其分辨率较低,并且容易受到天气等环境因素的影响,导致影像数据不可用或分析结果误差较大。相比之下,无人机遥感技术能够获取更高分辨率和更可靠的图像数据,但其传感器成本较高。此外,与单一传感器提取的统一数据相比,使用多传感器获取的多样化数据虽然更加全面,但也增加了数据处理的复杂性和难度。
4)针对定点诱捕技术,监测能力有局限性,一般只在病虫害发生比较明显的阶段效果较为显著,致力在每年的第一代进行灭除,将危害降到最小。另外,开源的数据集较少,实验室研究以静态的害虫或病害标本为主要识别对象,而在实际应用中是对动态的害虫进行识别,这部分害虫识别上有一定难度,其识别准确率有待提高。
针对当前基于卷积神经网络病虫害监测存在的诸多问题,未来研究应该重点围绕以下几个方面开展:
1)病虫害监测中目标种类多样且复杂,有些个体很小或纹理特征差异小,导致不易察觉。未来的研究应致力于改进深度学习模型,以实现更精准的小目标检测和多样性目标的识别为目标,保证准确率的同时,研究如何在计算和存储资源有限的移动设备上进行深度学习模型的部署和确保识别帧率是一项重要挑战。
2)构建多样性数据集可以确保不同类型的病虫害都有足够的示例,这有助于模型避免对一些类别过度拟合,同时对少见的病虫害也有足够的学习。而仅靠野外捕获获取数据集远远不够,还需注意实验室内培养昆虫多阶段的形态,病虫害识别系统的识别能力才能够覆盖病虫害的完整发生过程。
3)通过结合卫星遥感数据、无人机数据以及物联网实时监测数据,达到“空天地”一体化监测,从而实现早期病虫害的精确检测与全过程动态监测。结合多种传感器数据,例如多光谱影像、热成像、激光雷达等,可以提供更多信息,以增强病虫害的检测和分析; 此外,将每年的多维度信息特征数据登记成库,可实现更加超前的精准预测。
4)设计更加友好的移动端可视化界面,提供监测结果和病虫害趋势,以满足不同用户群体的需求。将移动端监测结果并入监测网络中,提供更加有效的专家信息,辅助监管人员应对面对各种病虫害的危害。
