基于深度學(xué)習(xí)的儲糧害蟲檢測研究進展

陳衛(wèi)東, 王 瑩, 范冰冰, 劉 超, 李宛玉

(河南工業(yè)大學(xué)信息科學(xué)與工程學(xué)院1,鄭州 450001)

(河南工業(yè)大學(xué)糧油標(biāo)準(zhǔn)化研究所2, 鄭州 450001)

2021 年10 月31 日,中共中央辦公廳、國務(wù)院辦公廳印發(fā)《糧食節(jié)約行動方案》,對進一步保障國家糧食安全作出重大部署,成為提高糧食安全保障水平,堅持開源與節(jié)流并重、增產(chǎn)與減損并行的行動指南[1]。儲糧害蟲是造成糧食儲存環(huán)節(jié)損耗的主要原因之一,高效地檢測儲糧害蟲的種類和數(shù)量,已經(jīng)成為保障安全儲糧的一項重要任務(wù)[2]。經(jīng)過多年的發(fā)展,儲藏物害蟲檢測已取得一定進展。常見的方法包括聲測法、人工識別法、近紅外法、化學(xué)試劑法、圖像處理法等。其中,基于圖像處理的害蟲檢測具有無污染、實時性好、效率高等優(yōu)勢,受到眾多科研工作者的關(guān)注。

傳統(tǒng)的圖像處理方法(如支持向量機和反向 BP 神經(jīng)網(wǎng)絡(luò))往往無法達到令人滿意的效果[3],基于深度學(xué)習(xí)的圖像處理方法避免了手工設(shè)計糧蟲特征的煩瑣步驟[4],可以自動學(xué)習(xí)和泛化大量圖像數(shù)據(jù)的特征,對糧蟲的特征向量進行分類,快速識別不同儲糧害蟲種類。將深度學(xué)習(xí)模型應(yīng)用到儲糧害蟲的小目標(biāo)檢測中,將會高效的檢測儲糧害蟲,減少經(jīng)濟損失,提升儲糧環(huán)境質(zhì)量[5,6]。

隨著深度學(xué)習(xí)網(wǎng)絡(luò)結(jié)構(gòu)不斷優(yōu)化,基于卷積神經(jīng)網(wǎng)絡(luò)的儲糧害蟲識別研究較傳統(tǒng)方式雖然具有識別準(zhǔn)確性高、適應(yīng)性好、學(xué)習(xí)能力強、可移植性能好等特點[7],但仍存在計算量較大、模型設(shè)計復(fù)雜、實時性一般等問題。近年來,不少學(xué)者對目標(biāo)檢測算法進行改進,并取得了很好的效果。因此,本文借助前人學(xué)者的經(jīng)驗對基于深度學(xué)習(xí)的儲糧害蟲檢測研究進行綜述,分別從儲糧害蟲數(shù)據(jù)集的獲取與預(yù)處理、儲糧害蟲目標(biāo)檢測算法研究、儲糧害蟲檢測結(jié)果應(yīng)用研究進展進行介紹,并對以后的研究發(fā)展方向進行預(yù)測。

1 儲糧害蟲數(shù)據(jù)集的獲取與預(yù)處理

深度學(xué)習(xí)由CNN自動提取儲糧害蟲特征然后進行預(yù)測,而深度學(xué)習(xí)的關(guān)鍵是訓(xùn)練數(shù)據(jù),沒有數(shù)據(jù),機器無法訓(xùn)練學(xué)習(xí),進而無法預(yù)測。因此,為保證儲糧害蟲檢測的準(zhǔn)確率,高質(zhì)量的數(shù)據(jù)集是關(guān)鍵。制作數(shù)據(jù)集時,主要分為數(shù)據(jù)獲取和數(shù)據(jù)預(yù)處理2個部分。

1.1 數(shù)據(jù)獲取

由于公開的儲糧害蟲數(shù)據(jù)集較少,研究者大多按照自己的需求,從拍攝方式、設(shè)備、環(huán)境、單張圖片中害蟲的數(shù)量和種類,以及圖像的分辨率等方面入手獲取實驗所需的數(shù)據(jù)集。

我國已經(jīng)記錄的儲糧害蟲種類很多,其中象甲科、長蠹科、谷盜科、擬步甲科、鋸谷盜科、竊蠹科、麥蛾科、卷螟科等害蟲比較常見,且對糧食危害較大,常常被選為研究對象,建立糧蟲數(shù)據(jù)集。害蟲原始圖像可以從流行的搜索引擎、參考書上的照片、公開數(shù)據(jù)集、實驗室或者實地拍攝等多種方式獲取,通常選擇實驗室或者實地拍攝。在拍攝時,需要考慮拍攝設(shè)備(工業(yè)相機、一般智能手機、昆蟲采集設(shè)備、監(jiān)控等)、拍攝環(huán)境(白紙/實際糧蟲背景、不同時間段、不同天氣等)、每張圖像上儲糧害蟲的數(shù)量和種類(單個或者多個、一類或多類糧蟲等)、圖像的數(shù)量、圖像的分辨率和拍攝方式(拍照片或者視頻截屏等)等因素。

Shen等[8,9]建立了儲糧害蟲圖像數(shù)據(jù)集IDSGP,對6種儲糧害蟲進行識別,并人為標(biāo)記害蟲種類及坐標(biāo)。趙文君[10]從多種渠道搜集糧蟲圖片建立數(shù)據(jù)集,選取常見6種儲糧害蟲,每個類別100張。劉治財[11]在白板背景下對8種糧蟲進行拍攝,圖片上的糧蟲平均密度約為14只/張。許德剛等[12]將糧蟲夾出放置在實驗平臺上,固定手機,垂直平臺進行拍攝,包括白板背景和實際儲糧背景。Li等[13]使用已建立的數(shù)據(jù)集,包含6屬10類害蟲,拍攝時使用了2種設(shè)備。糧蟲檢測數(shù)據(jù)集相關(guān)比較如表1所示。

表1 糧蟲檢測數(shù)據(jù)集

1.2 數(shù)據(jù)預(yù)處理

預(yù)處理對于神經(jīng)網(wǎng)絡(luò)的有效性已經(jīng)在提高識別性能和學(xué)習(xí)效率等實驗中得到證明[14]。數(shù)據(jù)預(yù)處理的目的就是讓數(shù)據(jù)更加符合網(wǎng)絡(luò)的需求,從廣義上來說,可以認(rèn)為是輸入特征網(wǎng)絡(luò)前的一切操作,包括對數(shù)據(jù)集分割、規(guī)整化處理、數(shù)據(jù)標(biāo)注、圖像增強(數(shù)據(jù)擴充)等。

數(shù)據(jù)集不同的分割方式和分割比例可能會導(dǎo)致模型最終的結(jié)果出現(xiàn)差異,因此恰當(dāng)?shù)姆指钍鞘钟斜匾?。大多?shù)情況下,訓(xùn)練集,測試集的劃分比例在8∶2到7∶3之間。如果存在驗證集,可按照合適的比例進行分割。在進入特征網(wǎng)絡(luò)之前,要把圖片的調(diào)整到相同尺寸,便于統(tǒng)一處理,通常將圖像像素resize到800以下,可以提高模型精度,提升收斂速度。數(shù)據(jù)標(biāo)注大都使用開源軟件LabelImg軟件進行人工標(biāo)注,每個糧蟲目標(biāo)的大小、種類、位置等各種信息都會被保存在xml格式文件中,最終生成標(biāo)準(zhǔn)的數(shù)據(jù)集。

因為儲糧害蟲樣本數(shù)量較少,數(shù)據(jù)集需要人工拍攝進行自制,常選用擴充圖片的方式豐富數(shù)據(jù)集,增加樣本的多樣性,常用的包括空間幾何變換(翻轉(zhuǎn),移位,旋轉(zhuǎn),裁剪,變形,縮放等)、色彩變換(噪聲、模糊、隨機擦除[15]、顏色變換、填充等[16])等。這些方法雖然簡捷易于實現(xiàn),但是也有一定的局限性,例如,空間幾何變換產(chǎn)生的圖像比較單一,不具備多樣性;有的檢測任務(wù)不適合做翻轉(zhuǎn)旋轉(zhuǎn)的操作;縮放會導(dǎo)致失真等。鑒于此,一種更有效的數(shù)據(jù)增強方式,即無監(jiān)督數(shù)據(jù)增強方式受到眾多科研工作者的關(guān)注,從沒有標(biāo)記的訓(xùn)練數(shù)據(jù)中推斷結(jié)論,產(chǎn)生新的高質(zhì)量樣本,為解決害蟲訓(xùn)練樣本不足提供了新思路,其中最具代表性的為生成新數(shù)據(jù)和學(xué)習(xí)增強策略。Lu等[17]在進行害蟲識別時,針對害蟲圖像數(shù)據(jù)過少,提出了一種在圖像中合成蟲害訓(xùn)練圖像并通過生成對抗網(wǎng)絡(luò)(GAN)增強蟲害卷積神經(jīng)網(wǎng)絡(luò)(CNN)分類器模型性能的方法,有效減少了工作量。Gandhi 等[18]使用生成對抗網(wǎng)絡(luò)擴充數(shù)據(jù)集,并將擴充的數(shù)據(jù)集饋送到訓(xùn)練的CNN模型中,該模型實現(xiàn)了92%的害蟲分類準(zhǔn)確率。糧蟲圖片預(yù)處理比較如表2所示。

表2 糧蟲圖片預(yù)處理

2 儲糧害蟲目標(biāo)檢測算法研究

由于儲糧害蟲為小目標(biāo),檢測時存在的問題有:目標(biāo)尺寸過小,分辨率低,圖像模糊,可提取特征因素少;糧蟲自身易聚集粘連,影響圖像識別效果;糧蟲訓(xùn)練數(shù)據(jù)量較少,缺少大規(guī)模數(shù)據(jù)集的支持;糧蟲在糧食表面等復(fù)雜環(huán)境,檢測易受干擾[25]等。因此要選擇合適的CNN 網(wǎng)絡(luò),才能更好地提取糧蟲特征,提高模型的檢測精度。常用的骨干網(wǎng)絡(luò)有ResNet、GoogLeNet、VGGNet、DenseNet等[26-29],近年來學(xué)者不斷優(yōu)化網(wǎng)絡(luò)模型,改進學(xué)習(xí)策略,出現(xiàn)了許多優(yōu)秀的網(wǎng)絡(luò)結(jié)構(gòu)。選取具有代表性的網(wǎng)絡(luò)進行介紹(表3)。

表3 常用的卷積神經(jīng)網(wǎng)絡(luò)

目標(biāo)檢測算法主要分為兩類,基于區(qū)域建議的兩階段目標(biāo)檢測方法和基于回歸的單階段目標(biāo)檢測方法。最具代表性的兩階段目標(biāo)檢測算法主要是 RCNN 系列,單階段目標(biāo)檢測算法為YOLO系列,SSD系列等。無論是兩階段還是單階段目標(biāo)檢測算法,在糧蟲小目標(biāo)檢測方面都存在著較大挑戰(zhàn),因此需要對檢測算法進行優(yōu)化,提高檢測的準(zhǔn)確率。

2.1 Faster-RCNN目標(biāo)檢測算法優(yōu)化

RCNN系列網(wǎng)絡(luò)經(jīng)過多年發(fā)展,到Faster-RCNN時已經(jīng)形成了具體的兩階段檢測框架。Faster-RCNN結(jié)構(gòu)如圖 1所示。儲糧害蟲圖像先通過主干網(wǎng)絡(luò)進行特征提取,再將特征送入 RPN 獲得候選框;其次Feature map與提取的候選框進行映射和ROI Pooling,不同候選框得到相同尺寸的特征層;最后再送入網(wǎng)絡(luò)進行分類和定位。

圖1 Faster-RCNN網(wǎng)絡(luò)模型結(jié)構(gòu)[62]

盡管Faster-RCNN性能較RCNN 系列網(wǎng)絡(luò)提升很多,但仍存在很多問題:主干網(wǎng)絡(luò)不論使用VGGNet 還是ResNet ,其提取到的特征圖都是單層的,分辨率也比較小;區(qū)域生成網(wǎng)絡(luò)(RPN)生成的候選建議框與真實小目標(biāo)的定位之間存在偏差,造成漏檢[30]; Faster-RCNN 的原始ROI pooling 2次取整會降低準(zhǔn)確率;全連接層,參數(shù)量較大,計算耗費時間等。因此Faster-RCNN 算法應(yīng)該從更好的CNN 特征,更精準(zhǔn)的RPN,更完善ROI 分類和樣本后處理等方面進行改進。

沈馭風(fēng)[8]針對Faster-RCNN檢測糧蟲時存在網(wǎng)絡(luò)訓(xùn)練較慢、耗費顯存、準(zhǔn)確率較低的問題,提出了一種改進的 Inception 深度神經(jīng)網(wǎng)絡(luò),采用了Shortcut Connection 的方式,對小目標(biāo)更加敏感,同時使用 SVD 算法,精簡了網(wǎng)絡(luò)模型。張銀松等[31]在Faster-RCNN的基礎(chǔ)上進行改進,用深度殘差網(wǎng)絡(luò)(ResNet50)代替VGG16網(wǎng)絡(luò),Soft-NMS[32]算法代替?zhèn)鹘y(tǒng)的 NMS 算法,提高了模型識別和計數(shù)的準(zhǔn)確率。在張銀松[33]的研究中對模型進行改進時,在 VGG16 網(wǎng)絡(luò)的基礎(chǔ)上引入 Top-Down 結(jié)構(gòu)進行多層融合,使模型更好地檢測小目標(biāo),同時使用了 Soft-NMS算法,改進后的模型識別精度較原來提高了 4.37%,但在速度上有所下降。

張詩雨等[34]為解決糧蟲檢測結(jié)果不精準(zhǔn)的問題,提出了一種基于聚類特征的區(qū)域提案網(wǎng)絡(luò),并采用多尺度的糧蟲數(shù)據(jù)集進行訓(xùn)練,優(yōu)化后的糧倉害蟲檢測模型能夠在糧倉背景下檢測和識別糧蟲,并且獲得96.63%的mAP。Shi等[35]在Faster-RCNN的改進模型上(R-FCN[36])繼續(xù)優(yōu)化,采用改進的 DenseNet-121 + Soft-NMS,提高了檢測效率。李衡霞[37]利用 Faster-RCNN 檢測油菜蟲害同樣存在準(zhǔn)確率低的問題,將Conv3_3、Conv4_3 以及 Conv5_3 進行多層特征融合,引入新的特征融合金字塔作為 RPN 的輸入,添加2組 32 × 32、64 × 64 錨點來增加錨框的數(shù)量,并再次引入難負樣本挖掘機制解決正負樣本失衡的問題,提升了模型的檢測性能。

Jiao等[38]提出了一種AF-RCNN檢測模型,將無錨區(qū)域卷積神經(jīng)網(wǎng)絡(luò)(AF-RCNN)和 Faster-RCNN進行融合,選擇VGG 16 的Conv4_3和Conv5_3作為特征融合模塊,無錨區(qū)域建議網(wǎng)絡(luò)(AFRPN)以獲得害蟲區(qū)域建議,改進后的模型適用于精確和實時的智能害蟲檢測。王露[20]利用 Faster-RCNN檢測糧蟲,通過增加上下文的金字塔池化 PPM模塊,有助于提升檢測性能,同時采用Focal loss損失函數(shù),使糧蟲相似度高的問題得到解決,對比未改進的算法可發(fā)現(xiàn),改進后的算法精度有了一定提升,同時避免了一些漏檢。

2.2 YOLO、SSD目標(biāo)檢測算法優(yōu)化

YOLO算法模型如圖2所示。它的核心思想是將整張圖輸入網(wǎng)絡(luò)中進行特征提取,直接在輸出層回歸邊界框的類別,檢測速度比Faster-RCNN提升很多。另外,因為YOLO沒有進行區(qū)域采樣,所以對全局信息有較好的表現(xiàn)。憑借高效且實用的檢測機制和網(wǎng)絡(luò)結(jié)構(gòu),YOLO算法在很多工程中應(yīng)用廣泛。

圖2 YOLO算法模型[63]

YOLO系列算法存在的問題也不容忽視:損失函數(shù)設(shè)置不恰當(dāng),導(dǎo)致物體定位精準(zhǔn)性較差,影響檢測效果;框架設(shè)計對Bounding Boxes強加了空間約束,導(dǎo)致小目標(biāo)或鄰近物體檢測效果較差;在同一類物體出現(xiàn)的新的不常見長寬比泛化能力偏弱;YOLO算法召回率較低等。

SSD是目前的主流檢測框架之一,算法模型如圖3所示。它的設(shè)計思想是特征分層提取,并依此進行邊框回歸和分類。SSD同時結(jié)合了Faster-RCNN與YOLO的設(shè)計思想:借鑒YOLO的回歸模式,直接回歸出物體的類別和位置[39],同時參考Faster-RCNN中的錨框設(shè)計機制[40],綜合性能有較大的提升。

圖3 SSD網(wǎng)絡(luò)模型結(jié)構(gòu)[64]

圖4 面向移動終端的農(nóng)業(yè)害蟲智能識別系統(tǒng)設(shè)計圖[57]

SSD目標(biāo)檢測算法優(yōu)勢明顯,缺點也顯而易見:該算法損失函數(shù)的設(shè)計未考慮正負樣本不均衡所帶來的問題[41],導(dǎo)致召回率較低,對小尺寸的目標(biāo)識別比較差;網(wǎng)絡(luò)特征學(xué)習(xí)能力不足,導(dǎo)致小目標(biāo)檢測精度不高;同時存在需要人工設(shè)置先驗框的最大、最小值和寬高比,導(dǎo)致調(diào)試過程比較費力等。

因此,單階段目標(biāo)檢測算法的優(yōu)化方向可以從損失函數(shù)loss(focal_loss、IoU_loss等)和網(wǎng)絡(luò)結(jié)構(gòu)(backbone、FPN、Attention等)2個大方向進行優(yōu)化,還可以考慮anchor設(shè)置和分配的問題,也是單階段目標(biāo)檢測算法能大幅度提升和改進漲點的方向。

呂宗旺等[42]基于YOLOv3對算法進行改進,利用 GIoU算法優(yōu)化損失函數(shù),并采用K-means算法對自制數(shù)據(jù)集進行聚類,改進后的模型檢測效果有很大的提升。孫妍[43]構(gòu)建了P-YOLOv4( Pets-YOLOv4 ) 算法模型,添加卷積塊注意力模塊(CBAM)[44]和空間金字塔池化( SPP ),專注對害蟲特征的學(xué)習(xí),結(jié)合 Mish 激活函數(shù),并優(yōu)化先驗框,mAP提升了5.41%。孫海燕等[4]設(shè)計了輕量化YOLOv4模型,用輕量級網(wǎng)絡(luò)(MobileNet)[45-47]替代主干網(wǎng)絡(luò),SPP模塊和PANet網(wǎng)絡(luò)相結(jié)合,然后添加CBAM注意力模型進行特征提取融合,并再次引入Focal Loss優(yōu)化損失函數(shù),提升了模型的綜合性能。陳道懷等[48]利用YOLOv4算法進行林業(yè)害蟲檢測,采用K-means 算法得到合適的錨框,然后基于DIoU- NMS(Distance-IoU-NMS)算法專注對害蟲的計數(shù),其次在路徑聚合網(wǎng)絡(luò)(PANet) 結(jié)構(gòu)上增加特征融合和104×104層級特征檢測圖來增強對小目標(biāo)害蟲的檢測效果,最后調(diào)整模型中的尺度特征圖組合,提升了檢測效率并精簡了模型。Pang等[49]構(gòu)建F-D-YOLOv4-PEST檢測網(wǎng)絡(luò),引入遷移學(xué)習(xí)提高模型的性能,Mish函數(shù)用于特征提取,同時使用K-means 算法,在此基礎(chǔ)上使DIoU-NMS 算法替代 NMS, 將訓(xùn)練方法升級為2次微調(diào)訓(xùn)練,并增強訓(xùn)練數(shù)據(jù),改進后的F-D-YOLOv4-PEST的mAP為92.86%,可以滿足實時檢測要求。

鄧壯來等[50]為了對糧蟲進行有效檢測,設(shè)計了一種基于SSD算法的檢測模型,修改 VGG16網(wǎng)絡(luò),將網(wǎng)絡(luò)分支改為Conv4_3、Conv5_3、Conv6_2、Conv7_2、Conv8_2、Conv9_2 ,對模型結(jié)構(gòu)進行輕量化,同時對損失函數(shù)進行優(yōu)化,平衡了正負樣本,提高了訓(xùn)練效率。鐘良建[51]構(gòu)建KF-SSD算法,在網(wǎng)絡(luò)結(jié)構(gòu)上僅保留相對尺度在目標(biāo)范圍內(nèi)的預(yù)測特征圖38×38,19×19,10×10,設(shè)計特征融合結(jié)構(gòu),充分提取特征;先驗框設(shè)計上采用兩種距離度量的 K-means 算法,設(shè)計適合當(dāng)前檢測目標(biāo)的先驗框;后處理部分使用Soft-NMS算法取代 NMS 算法,有效改善了漏檢誤檢的情況。胡可柏[52]選取ResNet-34 作為骨干網(wǎng)絡(luò),并提出了一個循環(huán)注意力模塊來替換ResNet-34中每個階段的最后一個殘差模塊,提取了更加豐富的上下文信息。Lü等[53]提出了新的特征融合SSD網(wǎng)絡(luò)模型,使用自頂向下模塊融合Conv4和Conv5的輸出特性,并刪除不適用于小對象檢測的block11,同時使用 K-means 聚類算法,提高了糧食害蟲小目標(biāo)檢測的性能。

Faster-RCNN、YOLO、SSD算法優(yōu)化比較如表4所示。無論是Faster-RCNN還是YOLO,SSD原始的目標(biāo)檢測算法,檢測小目標(biāo)儲糧害蟲時都會存在檢測效果較差的問題,要提高檢測性能,都需要進行一定的優(yōu)化。分析各個目標(biāo)檢測算法的網(wǎng)絡(luò)結(jié)構(gòu),都可以從主干網(wǎng)絡(luò)(backbone)、特征金字塔網(wǎng)絡(luò)(FPN)[54]、注意力機制(Attention)、損失函數(shù)(loss)等方向進行改進,Faster-RCNN和SSD具有錨框設(shè)計機制需要考慮anchor設(shè)置和分配的問題,Faster-RCNN的RPN和ROI也是可以優(yōu)化的方向。優(yōu)化后基于Faster-RCNN的檢測模型算法準(zhǔn)確率較高,但是檢測速度有所下降,基于YOLO和SSD的目標(biāo)檢測算法模型綜合性能都有較大的提升,能夠進行實時檢測。

表4 Faster-RCNN、YOLO 、SSD算法優(yōu)化比較

3 儲糧害蟲檢測結(jié)果應(yīng)用研究進展

及時準(zhǔn)確地識別儲糧害蟲的最終目的就是對害蟲進行智能化監(jiān)測進而準(zhǔn)確預(yù)警,做到科學(xué)防治,安全儲糧。研究人員基于互聯(lián)網(wǎng)平臺開發(fā)害蟲管理網(wǎng)站、手機App、微信小程序、公眾號等相關(guān)系統(tǒng),用戶可以通過電腦,手機應(yīng)用程序等多終端實現(xiàn)害蟲信息的遠程瀏覽查詢,減輕了農(nóng)業(yè)相關(guān)人員的工作量,具有較高的實用性。

Zhong等[55]針對人工識別和計數(shù)飛行昆蟲效率低下的問題,設(shè)計完成了一種基于視覺的飛行昆蟲計數(shù)和分類系統(tǒng),將YOLO深度學(xué)習(xí)目標(biāo)檢測和支持向量機分類器相結(jié)合,并將測試結(jié)果發(fā)送到農(nóng)業(yè)監(jiān)測服務(wù)平臺,提供了高效準(zhǔn)確的識別數(shù)據(jù),為農(nóng)業(yè)工作者提供合適的防治措施。

羅強等[56]等提出了糧庫蟲害實時監(jiān)測預(yù)警系統(tǒng) (RMPS),利用模型將檢測到的糧蟲種類和概率以Web服務(wù)的形式發(fā)布給手機客戶端, 達到實時監(jiān)測預(yù)警的目的。邵澤中等[57]設(shè)計了一個面向移動終端的農(nóng)業(yè)害蟲智能識別系統(tǒng),方便農(nóng)民或基層植保人員在系統(tǒng)的 Android 移動終端(手機或 PAD)拍攝害蟲圖像,實現(xiàn)對害蟲的自動識別,除此之外,系統(tǒng)還提供害蟲地圖可視化和專家鑒定服務(wù),為防治工作提供了便利。害蟲智能識別系統(tǒng)設(shè)計如圖 4 所示。

Yun 等[58]開發(fā)了一種基于深度學(xué)習(xí)的害蟲監(jiān)測系統(tǒng),同時得到智能手機應(yīng)用程序的幫助,有效的對害蟲密度進行自動測量。鄧壯來[59]設(shè)計并實現(xiàn)了糧倉害蟲監(jiān)測系統(tǒng),對害蟲進行自動檢測,計數(shù)和預(yù)警等,檢測平均mAP 值達到82.11%,平均耗時3.53 s,系統(tǒng)整體性能較好。Chen 等[60]開發(fā)了一種基于云平臺的智能害蟲識別系統(tǒng),該系統(tǒng)采用物聯(lián)網(wǎng)技術(shù),通過Wi-Fi或4G網(wǎng)絡(luò)將訓(xùn)練后的模型上傳到云存儲平臺,該平臺與Web界面和智能手機應(yīng)用程序相結(jié)合進行實時檢測,及時準(zhǔn)確地給用戶提供了幫助。

基于圖像處理的害蟲監(jiān)測系統(tǒng)能夠?qū)οx進行智能測報,提高了害蟲監(jiān)測的效率,具有廣闊的應(yīng)用空間,但是也存在監(jiān)測時只能檢測到糧食表面的害蟲,而無法檢測到內(nèi)部害蟲的問題,未來智能化害蟲監(jiān)測系統(tǒng)可重點從幾點考慮:監(jiān)測環(huán)境多變,如濕度、溫度、光照、二氧化碳濃度、微生物、儲藏物種類等因素都會影響害蟲檢測的準(zhǔn)確度,需建立害蟲發(fā)生的多場耦合模型,根據(jù)耦合規(guī)律和模型,建立害蟲的預(yù)測預(yù)警模型,基于機理驅(qū)動和數(shù)據(jù)驅(qū)動的人工智能識別系統(tǒng),以支撐檢測、預(yù)警、防治這一完整鏈條,做到及時發(fā)現(xiàn),合理防治[61];監(jiān)測系統(tǒng)是在理想實驗室條件下設(shè)計完成的,是否能夠代表真實糧倉的檢測結(jié)果,還需要進一步驗證完善;可進一步擴大害蟲識別的種類,進一步提高害蟲監(jiān)測普適性。

4 總結(jié)與展望

相對于傳統(tǒng)的儲糧害蟲檢測方法,基于深度學(xué)習(xí)的方法可自動學(xué)習(xí)糧蟲特征并快速識別分類,具有廣闊的發(fā)展前景。然而,在背景、光照等外界因素影響較大時,存在難以獲得優(yōu)越的分類性能,同時存在糧蟲小目標(biāo)檢測效果較差的問題。儲糧害蟲檢測從學(xué)術(shù)研究向真實場景的農(nóng)業(yè)應(yīng)用過渡還需繼續(xù)研究,未來可以從幾個方面進行優(yōu)化:豐富的儲糧害蟲種類、真實的背景、以及大量的害蟲圖片數(shù)量是機器訓(xùn)練的基礎(chǔ);高效、快速的儲糧害蟲圖像預(yù)處理技術(shù)是提升檢測精度的重要基礎(chǔ);可調(diào)整目標(biāo)檢測算法的主干網(wǎng)絡(luò)、特征金字塔函數(shù)、損失函數(shù)、網(wǎng)絡(luò)參數(shù)等使深度學(xué)習(xí)能更好的應(yīng)用到糧蟲小目標(biāo)檢測;可使用輕量化模型來解決深度學(xué)習(xí)模型復(fù)雜、計算量較大、進行特征提取時耗費大量硬件資源等問題;便捷實用的糧蟲實時監(jiān)測預(yù)警系統(tǒng)、識別網(wǎng)站等可以更好地為農(nóng)業(yè)相關(guān)人員服務(wù),保障儲糧安全。