近日，我院作物病蟲害監(jiān)測與治理研究團隊在期刊《 Pest Management Science 》在線發(fā)表了題為“Image detection model construction of Apolygus lucorum and Empoasca spp. based on improved YOLOv5”的論文,，該研究是自動提取目標特征的深度學習模型（Deep learning model,，DLM)在害蟲監(jiān)測上的最新研究進展,，碩士生熊博為論文第一作者,，羅晨副教授和胡祖慶副教授為通訊作者,。
自動化,、智能化和精準化害蟲監(jiān)測預警體系的構建是科學防控害蟲的前提和基礎,，也是智慧農業(yè)的重要組成部分。自動化害蟲識別和計數(shù)是實現(xiàn)害蟲監(jiān)測的重要手段,，目前主要采用紅外傳感器計數(shù)和在人工提取害蟲特征基礎上通過機器學習對害蟲圖像進行識別與計數(shù),，這些技術存在準確率低、普適性差,、害蟲特征提取困難等不足,。
該研究以獼猴桃上重要害蟲綠盲蝽 Apolygus lucorum (Meyer-Dür)和小綠葉蟬 Empoasca spp. 為對象,，多時期在多地點獼猴桃園通過粘有性引誘劑白色粘蟲板和黃色粘蟲板收集到1502張綠盲蝽和小綠葉蟬誘集圖片，按照7：2：1劃分成訓練集,、驗證集和測試集,，采用DLM中檢測速度快的單階段模型YOLOv5s (you-only-look-once)進行訓練，并針對單階段模型識別小型昆蟲準確率低這一特點,，對YOLOv5s模型進行改進,，將激活函數(shù)替換為Hard swish，添加Siou Loss函數(shù),，增加SE（squeeze-and-excitation）注意力機制,，并通過消融實驗構建新的YOLOv5s_HSSE模型。該模型在測試數(shù)據(jù)集中的平均準確率（mAP,，mean Average precision）高達95.9%,，召回率（Recall）為高達93.3%，檢測速度為155幀每秒,，高于SSD,、YOLOv3,、YOLOv4等其他單階段深度學習模型（圖1）,。本研究還測試了YOLOv5s_HSSE分別在高密度、中密度和低密度害蟲圖片上的檢測結果,，發(fā)現(xiàn)在三種密度下mAP的均高于92.7%,，Recall均高于91.8%，且中等密度數(shù)量下模型的表現(xiàn)最好,，mAP和Recall分別達到96.3％和94.0％（圖2）,。該研究為精準化害蟲監(jiān)測奠定了堅實的基礎。
圖1 YOLOv5_HSSE與其他單階段檢測模型檢測結果舉例
圖2 YOLOv5_HSSE檢測模型在不同密度下害蟲的檢測結果舉例
(a) 低密度 A. lucorum ; (b) 中等密度 A. lucorum ; (c) 高密度 A. lucorum ; (d) 低密度 Empoasca spp.; (e) 中等密度 Empoasca spp.; (f) 高密度 Empoasca spp.
據(jù)了解,，該團隊正將此技術應用到其他作物（小麥,、煙草、十字花科蔬菜,、蘋果等）上進行重要靶標害蟲的自動識別與計數(shù),，并初步開發(fā)出靶標害蟲自動監(jiān)測預警系統(tǒng)，該系統(tǒng)以靶標害蟲的趨色性和通訊行為為理論依據(jù),，通過在田間安裝集自動卷粘蟲膜,、自動高清拍照、照片自動上傳至云端數(shù)據(jù)庫等技術為一體的物聯(lián)網(wǎng)監(jiān)測儀,，實現(xiàn)靶標害蟲監(jiān)測數(shù)據(jù)全自動實時的采集和上傳,；其次利用深度學習模型，對照片上的靶標害蟲進行精準識別和準確計數(shù),，實現(xiàn)靶標害蟲監(jiān)測數(shù)據(jù)全自動實時的分析,；最后結合當?shù)氐臍庀髷?shù)據(jù)信息,，利用機器學習模型和生物學模型，實現(xiàn)靶標害蟲的實時預警,。用戶可在網(wǎng)站或小程序上實時接收靶標害蟲的監(jiān)測數(shù)據(jù)和預警信息,。該系統(tǒng)可為作物靶標害蟲的精準防治提供可靠的決策支持。
該研究得到國家重點研發(fā)計劃（2022YFD1400403）等項目資助,。
原文鏈接：https://onlinelibrary.wiley.com/doi/full/10.1002/ps.7964
編輯：劉小鳳
審核：郭 軍
