基于機(jī)器視覺的設(shè)施農(nóng)業(yè)害蟲監(jiān)測技術(shù)研究進(jìn)展與展望

陳梅香，劉蒙蒙，趙麗，溫冬梅，李文勇，柳瑞，李明

【摘要】害蟲動(dòng)態(tài)數(shù)量的獲取是設(shè)施農(nóng)業(yè)害蟲精準(zhǔn)防治的重要基礎(chǔ)之一，傳統(tǒng)的設(shè)施農(nóng)業(yè)害蟲監(jiān)測方法費(fèi)時(shí)費(fèi)力，難以滿足生產(chǎn)實(shí)際需求?；跈C(jī)器視覺的害蟲監(jiān)測技術(shù)具有省時(shí)省力、智能化等優(yōu)點(diǎn)，已成為害蟲監(jiān)測領(lǐng)域的研究熱點(diǎn)。文章論述了基于機(jī)器視覺的設(shè)施農(nóng)業(yè)害蟲監(jiān)測技術(shù)要點(diǎn)，將基于機(jī)器視覺的設(shè)施農(nóng)業(yè)害蟲監(jiān)測技術(shù)進(jìn)行分類，綜述了基于機(jī)器視覺的色誘害蟲監(jiān)測技術(shù)、植株害蟲監(jiān)測技術(shù)的研究進(jìn)展，分析了不同種類監(jiān)測技術(shù)的優(yōu)缺點(diǎn)，對提高設(shè)施農(nóng)業(yè)害蟲監(jiān)測效率的解決措施提出了建議。

隨著中國農(nóng)業(yè)產(chǎn)業(yè)結(jié)構(gòu)調(diào)整的不斷深入，設(shè)施園藝得到了迅猛發(fā)展，在農(nóng)業(yè)中所占比重不斷增加，栽培面積從1978年不足0.7萬hm2發(fā)展到2017年超過400萬hm2，中國成為世界設(shè)施園藝大國[1]。栽培地域也不斷擴(kuò)大，目前中國各個(gè)省（市、區(qū)）都有設(shè)施園藝生產(chǎn)，不同地區(qū)的設(shè)施形態(tài)也各具特點(diǎn)。設(shè)施蔬菜發(fā)生普遍為害或潛在為害嚴(yán)重的病蟲害在60種以上，一般情況下為害損失率可達(dá)20%以上，如果防治不及時(shí)將使蔬菜減產(chǎn)50%～60%，嚴(yán)重時(shí)甚至絕收[2]。害蟲動(dòng)態(tài)數(shù)量的獲取是害蟲精準(zhǔn)防治的重要基礎(chǔ)之一，目前設(shè)施農(nóng)業(yè)害蟲監(jiān)測主要采用人工調(diào)查的方法，不能滿足實(shí)際生產(chǎn)需求。隨著計(jì)算機(jī)技術(shù)、微電子技術(shù)等的發(fā)展，機(jī)器視覺技術(shù)逐步應(yīng)用于害蟲自動(dòng)識(shí)別與計(jì)數(shù)研究中?；跈C(jī)器視覺的害蟲監(jiān)測技術(shù)具有省時(shí)省力、智能化等優(yōu)點(diǎn)，有利于提高害蟲監(jiān)測效率，并促進(jìn)害蟲的精準(zhǔn)防治。本文分析了國內(nèi)外基于機(jī)器視覺的設(shè)施農(nóng)業(yè)害蟲監(jiān)測技術(shù)相關(guān)研究成果，為進(jìn)一步開展相關(guān)研究與應(yīng)用提供參考，以促進(jìn)設(shè)施農(nóng)業(yè)害蟲自動(dòng)監(jiān)測技術(shù)水平的提高。

基于機(jī)器視覺的害蟲監(jiān)測技術(shù)要點(diǎn)

20世紀(jì)80年代，國內(nèi)外開始基于機(jī)器視覺技術(shù)進(jìn)行昆蟲識(shí)別研究，早期主要應(yīng)用于昆蟲分類[3-8]，隨著該技術(shù)的不斷成熟，便逐步應(yīng)用于田間害蟲的監(jiān)測識(shí)別、計(jì)數(shù)研究[9-16]。基于機(jī)器視覺的害蟲監(jiān)測技術(shù)主要包括害蟲誘捕、圖像獲取、圖像傳輸、圖像處理、害蟲識(shí)別計(jì)數(shù)等部分。

害蟲誘捕的主要方法有色誘、食誘、性誘、燈誘等。圖像獲取部分主要包括機(jī)器視覺、光源、電源等，機(jī)器視覺可采用掃描儀、攝相機(jī)、相機(jī)或手機(jī)；光源可采用環(huán)形光源或多個(gè)光源對稱進(jìn)行部署，以獲取無影圖像；電源可采用有源電源、太陽能、蓄電池等。害蟲圖像獲取方法可采用人工采集圖像或定時(shí)觸發(fā)拍照獲取圖像。圖像傳輸主要通過無線或有線進(jìn)行傳輸，或從圖像存儲(chǔ)設(shè)備中直接導(dǎo)出。圖像處理有在線處理、服務(wù)器處理等方式。圖像處理過程包括圖像預(yù)處理、特征提取與優(yōu)化[17]。害蟲識(shí)別計(jì)數(shù)主要包括識(shí)別模型構(gòu)建、待識(shí)別害蟲檢測。識(shí)別模型構(gòu)建方法有人工神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)、模板匹配、深度學(xué)習(xí)等，主要是在識(shí)別模型構(gòu)建的基礎(chǔ)上，通過將待識(shí)別害蟲的特征信息輸入識(shí)別模型，實(shí)現(xiàn)目標(biāo)害蟲識(shí)別計(jì)數(shù)。

基于機(jī)器視覺的設(shè)施農(nóng)業(yè)害蟲監(jiān)測技術(shù)研究進(jìn)展

溫室大棚中的害蟲主要有蚜蟲（Aphis gossypii Glover）、白粉虱（Bemisia tabaci Genn）、薊馬（Thrips tabaci L.）等，設(shè)施農(nóng)業(yè)害蟲主要應(yīng)用色誘的方法進(jìn)行誘捕或直接進(jìn)行植株害蟲監(jiān)測。根據(jù)溫室大棚中害蟲所處位置的不同，可分為色誘害蟲監(jiān)測、植株害蟲監(jiān)測。

基于機(jī)器視覺的色誘害蟲監(jiān)測技術(shù)研究進(jìn)展

設(shè)施農(nóng)業(yè)害蟲色誘監(jiān)測方法是將帶有顏色的黏蟲板進(jìn)行害蟲誘捕，應(yīng)用機(jī)器視覺獲取黏蟲板圖像，通過對黏蟲板害蟲圖像進(jìn)行處理實(shí)現(xiàn)目標(biāo)害蟲的識(shí)別與計(jì)數(shù)。

國外方面，Cho等[18]研究了基于圖像處理的溫室蚜蟲、白粉虱、薊馬的識(shí)別方法，應(yīng)用掃描儀掃描黏蟲板圖像，基于顏色和形態(tài)特征進(jìn)行3種害蟲的識(shí)別，獲得較高的識(shí)別準(zhǔn)確率。Qiao等[19]研究了基于黏蟲板和圖像處理的白粉虱密度估計(jì)方法，應(yīng)用掃描儀獲取圖像，應(yīng)用形態(tài)和顏色特征識(shí)別白粉虱。Solis-Sánchez等[20]開展了基于機(jī)器視覺的粉虱識(shí)別研究，應(yīng)用相機(jī)獲取黏蟲板圖像，通過形態(tài)學(xué)特征面積、偏心率等聚類分析，實(shí)現(xiàn)粉虱的識(shí)別，該方法能有效減少人工計(jì)數(shù)的時(shí)間和錯(cuò)誤。Martin和Moisan[21]應(yīng)用無線相機(jī)對黏蟲板以及植株上的害蟲進(jìn)行監(jiān)測，構(gòu)建了DIViNe（Detection of Insects by a Video Camera Network）系統(tǒng)，該系統(tǒng)具有白粉虱、蚜蟲的識(shí)別計(jì)數(shù)以及害蟲生物學(xué)特性分析功能。Bechar和Moisan[22]研究了基于機(jī)器視覺的溫室害蟲在線計(jì)數(shù)技術(shù)，基于背景差分、主成分分析方法實(shí)現(xiàn)害蟲識(shí)別計(jì)數(shù)，并應(yīng)用于白粉虱的監(jiān)測。Tirelli等[23]研究了基于無線網(wǎng)絡(luò)圖像傳感器的害蟲遠(yuǎn)程自動(dòng)監(jiān)測預(yù)警系統(tǒng)，應(yīng)用背景差分技術(shù)實(shí)現(xiàn)害蟲計(jì)數(shù)，當(dāng)昆蟲密度超過閾值時(shí)發(fā)出預(yù)警信息。Xia等[24]研究了基于多重分形維數(shù)的黏蟲板誘捕的粉虱識(shí)別方法，應(yīng)用溫室機(jī)器人噴氣驅(qū)趕粉虱，用黏蟲板誘捕粉虱，應(yīng)用網(wǎng)絡(luò)攝相機(jī)獲取黏蟲板圖像，應(yīng)用多重分形維數(shù)分割粉虱，與常規(guī)的分水嶺分割法、最大類間方差法相比，具有更好的分割效果。Espinoza等[25]研究了基于圖像處理和人工神經(jīng)網(wǎng)絡(luò)相結(jié)合的溫室粉虱、薊馬的識(shí)別方法，應(yīng)用圖像獲取系統(tǒng)進(jìn)行黏蟲板圖像獲取，通過圖像處理獲取害蟲形態(tài)、顏色特征，應(yīng)用多層前饋神經(jīng)網(wǎng)絡(luò)進(jìn)行識(shí)別。

國內(nèi)方面，基于機(jī)器視覺的色誘害蟲自動(dòng)計(jì)數(shù)研究早期主要開展麥蚜的自動(dòng)計(jì)數(shù)，如張建偉等[7]應(yīng)用黏蟲板進(jìn)行麥蚜誘捕，應(yīng)用計(jì)算機(jī)視覺技術(shù)進(jìn)行麥蚜自動(dòng)計(jì)數(shù)研究，自動(dòng)計(jì)數(shù)結(jié)果與有經(jīng)驗(yàn)技術(shù)人員的估算結(jié)果差異不顯著。近幾年來，科研人員開展了設(shè)施農(nóng)業(yè)色誘害蟲的自動(dòng)監(jiān)測研究。Xia等[26]研究了一種低計(jì)算成本的溫室小型害蟲（蚜蟲、白粉虱、薊馬）識(shí)別計(jì)數(shù)方法，基于掃描儀獲取黏蟲板圖像，提供害蟲的顏色特征，應(yīng)用馬氏距離進(jìn)行3種害蟲的分類計(jì)數(shù)，與常規(guī)的人工計(jì)數(shù)方法相比，具有計(jì)算速度快以及較高的識(shí)別準(zhǔn)確率，有利于開展大面積、長期的害蟲識(shí)別計(jì)數(shù)。Sun等[27]提出了一個(gè)新穎的溫室害蟲計(jì)數(shù)算法，將誘捕的害蟲作為噪聲而二維傅里葉變換作為噪聲收集器實(shí)現(xiàn)計(jì)數(shù)。對黃板上的粉虱、藍(lán)板上的薊馬進(jìn)行識(shí)別計(jì)數(shù)，該方法識(shí)別準(zhǔn)確率高，接近人工識(shí)別計(jì)數(shù)結(jié)果。為了提高設(shè)施農(nóng)業(yè)色誘害蟲的自動(dòng)化監(jiān)測水平，國家農(nóng)業(yè)信息技術(shù)研究中心深入開展了色誘害蟲自動(dòng)監(jiān)測系統(tǒng)研究，并于生產(chǎn)實(shí)際中進(jìn)行應(yīng)用。楊信廷等[28]研究了可以自動(dòng)旋轉(zhuǎn)的害蟲監(jiān)測系統(tǒng)，該系統(tǒng)可根據(jù)害蟲監(jiān)測的需要，實(shí)現(xiàn)黏蟲板的定時(shí)自動(dòng)旋轉(zhuǎn)，并獲取黏蟲板的兩面圖像，提高黏蟲板的利用效率以及害蟲監(jiān)測效率；陳梅香等[29]研究了可以自動(dòng)升降的害蟲監(jiān)測系統(tǒng)，可隨著作物的生長，定時(shí)調(diào)整監(jiān)測裝置的高度，獲取設(shè)施農(nóng)業(yè)害蟲的最佳監(jiān)測效果。陳梅香等[30]研究了色誘害蟲自動(dòng)監(jiān)測裝置，裝置自上而下分別是太陽能板、誘蟲板與安卓手機(jī)拍照盒、蓄電池箱，并開發(fā)了基于手機(jī)的害蟲監(jiān)測軟件，實(shí)現(xiàn)定時(shí)（單位：min）拍照、通過移動(dòng)網(wǎng)絡(luò)上傳照片到后臺(tái)服務(wù)器的功能，由服務(wù)器對害蟲進(jìn)行識(shí)別計(jì)數(shù)處理。該裝置獲得了北京市新產(chǎn)品認(rèn)證，并在北京、天津等省市的科研單位、植保站多個(gè)基地開展了監(jiān)測裝置的應(yīng)用示范工作，可實(shí)時(shí)獲取田間害蟲的種類和數(shù)量，幫助用戶極大提高色誘害蟲田間監(jiān)測的自動(dòng)化程度，有效減少田間色誘害蟲監(jiān)測的人力投入，并為害蟲的綜合治理提供重要參考。趙麗等[31]研發(fā)了溫室蔬菜病蟲害自動(dòng)監(jiān)測預(yù)警系統(tǒng)，該系統(tǒng)包括生產(chǎn)履歷采集、環(huán)境信息監(jiān)控、預(yù)警防控、害蟲監(jiān)測及環(huán)境預(yù)測五大模塊。將監(jiān)測終端、無線通訊、Web技術(shù)、地理信息系統(tǒng)（GIS）、氣象數(shù)據(jù)、生產(chǎn)履歷數(shù)據(jù)有機(jī)地結(jié)合在一起，基于采集到的海量數(shù)據(jù)進(jìn)行深度分析和挖掘，構(gòu)建病蟲害發(fā)生預(yù)警模型，并生成可視化的專題分析結(jié)果，對監(jiān)測地的病蟲害信息進(jìn)行實(shí)時(shí)監(jiān)測、等級預(yù)警及科學(xué)防控。

基于機(jī)器視覺的設(shè)施農(nóng)業(yè)色誘害蟲的監(jiān)測，早期是應(yīng)用掃描儀獲取黏蟲板圖像，隨后應(yīng)用相機(jī)獲取黏蟲板圖像，逐步發(fā)展為應(yīng)用網(wǎng)絡(luò)攝相機(jī)獲取害蟲圖像。早期的害蟲誘捕與圖像獲取是分開的，害蟲監(jiān)測效率不高，隨時(shí)計(jì)算機(jī)技術(shù)的發(fā)展，害蟲誘捕與圖像獲取逐步開始同步工作，但還需要定期更換黏蟲板，自動(dòng)化程度還有待進(jìn)一步提高。色誘方法監(jiān)測的是害蟲的成蟲階段，對黏蟲板的懸掛高度、方向等有一定要求，此外，生產(chǎn)實(shí)際應(yīng)用中還需配合植株害蟲的監(jiān)測制定害蟲防控決策。

基于機(jī)器視覺的植株害蟲監(jiān)測技術(shù)研究進(jìn)展

基于機(jī)器視覺的植株害蟲監(jiān)測應(yīng)用機(jī)器視覺對植株葉片、莖桿部位的害蟲進(jìn)行拍照，經(jīng)圖像處理去除背景內(nèi)容，提取害蟲特征，經(jīng)分類識(shí)別實(shí)現(xiàn)害蟲計(jì)數(shù)。

國外方面，Murakami 等[32]應(yīng)用數(shù)碼相機(jī)采集黃瓜葉片上的薊馬圖像，采用灰度共生矩陣、線性判別分析方法對黃瓜葉片上的薊馬進(jìn)行辨別，分類正確率達(dá)98%以上。Boissarda等[33]研究了溫室作物害蟲早期檢測的識(shí)別系統(tǒng)，應(yīng)用掃描儀獲取月季葉片圖像，通過圖像處理獲取月季葉片上的白粉虱形態(tài)、顏色等特征，并依據(jù)這些特征值的數(shù)據(jù)特征實(shí)現(xiàn)白粉虱識(shí)別、計(jì)數(shù)。Mundada和Gohokar等[34]應(yīng)用云臺(tái)變焦攝像機(jī)拍攝葉片圖像，通過圖像處理提取熵、均值、標(biāo)準(zhǔn)差、偏心率等參數(shù)，基于支持向量機(jī)將葉片分為是否受害兩類，對受害的葉片進(jìn)一步用支持向量機(jī)分為蚜蟲、白粉虱，該方法有助于早期檢測害蟲的為害。Prathibha等[35]基于數(shù)碼相機(jī)獲取番茄果實(shí)圖像，在顏色空間轉(zhuǎn)換、圖像分割、形態(tài)學(xué)處理的基礎(chǔ)上提取果實(shí)上的棉鈴蟲蛀孔，實(shí)現(xiàn)棉鈴蟲早期監(jiān)測計(jì)數(shù)，及時(shí)指導(dǎo)棉鈴蟲防治。Manoja和Rajalakshmi[36]基于數(shù)碼相機(jī)獲取葉片圖像，經(jīng)圖像處理提取害蟲的顏色、紋理特征，基于支持向量機(jī)實(shí)現(xiàn)葉片害蟲識(shí)別計(jì)數(shù)，與BP神經(jīng)網(wǎng)絡(luò)、前饋神經(jīng)網(wǎng)絡(luò)相比較，支持向量機(jī)具有較好的害蟲識(shí)別效果。Chung等[37]研究了可以控制溫室害蟲的自動(dòng)機(jī)器人，包括空氣壓縮機(jī)、黏蟲板、相機(jī)以及配套的害蟲處理識(shí)別系統(tǒng)，空氣壓縮機(jī)用于將植株上的白粉虱吹起來，黏蟲板用于誘捕白粉虱，相機(jī)用于獲取黏蟲板圖像。經(jīng)測試機(jī)器人裝備上的黏蟲板對白粉虱具有較好的誘捕效果，工作效率高，有助于實(shí)現(xiàn)害蟲的早期預(yù)測。Li 等[38]研究了基于多重分形分析的葉片害蟲檢測方法?；诰植刻禺愋院腿謭D像特征的局部極小值選擇策略進(jìn)行分割?；诙嘀胤中畏治龅陌追凼指罱Y(jié)果好于分水嶺分割結(jié)果和基于圖形的分割結(jié)果。Ebrahimi等[39]等利用目標(biāo)大直徑與小直徑的比值作為區(qū)域特征參數(shù)，以色相、飽和度和亮度作為顏色特征參數(shù)，設(shè)計(jì)了識(shí)別草莓薊馬的支持向量機(jī)結(jié)構(gòu)，薊馬平均識(shí)別錯(cuò)誤率少于2.25%。Maharlooei等[40]研究了基于圖像處理的大豆蚜蟲的自動(dòng)檢測方法。用不同的相機(jī)在不同的光照條件下拍攝被蚜蟲感染的黃豆葉片的圖像，通過圖像分割、色彩空間變換、對比度調(diào)整、蚜蟲識(shí)別，實(shí)現(xiàn)蚜蟲計(jì)數(shù)，并將圖像自動(dòng)計(jì)數(shù)結(jié)果與人工的圖像計(jì)數(shù)結(jié)果進(jìn)行對比，SONYTM相機(jī)圖像豆蚜識(shí)別結(jié)果的決定系數(shù)r2=0.96。對于不同分辨率的相機(jī)來說，錯(cuò)誤分類的比例很低。

國內(nèi)方面，沈佐銳和于新文[41]采用膠卷照相機(jī)和家用攝像機(jī)獲取溫室白粉虱圖像后，采用Johannsen基于熵的分割算法，用區(qū)域標(biāo)記算法得到白粉虱個(gè)體的數(shù)量，累積準(zhǔn)確率達(dá)91.99%。牟少敏[42]以白粉虱的彩色圖像為樣本，研究了圖像處理過程中產(chǎn)生的孤立點(diǎn)和無關(guān)小區(qū)域的處理和刪除方法，為白粉虱的自動(dòng)計(jì)數(shù)奠定基礎(chǔ)。牟少敏[43]以白粉虱圖像為例，經(jīng)二值化處理，利用數(shù)學(xué)形態(tài)學(xué)的腐蝕操作，將重疊昆蟲有效分離，實(shí)現(xiàn)白粉虱的自動(dòng)計(jì)數(shù)。邱白晶等[44]應(yīng)用攝相機(jī)獲取黃瓜葉片圖像，采用G分量閾值將蚜蟲區(qū)域和非蚜蟲區(qū)域分離開，利用擴(kuò)展極小值閾值變換的方法對輸入圖像進(jìn)行標(biāo)記，對標(biāo)記后的圖像進(jìn)行距離變換和分水嶺分割，計(jì)數(shù)準(zhǔn)確率達(dá)到96.2%。胡雅輝和高靈旺[45]研究了煙粉虱成蟲密度自動(dòng)計(jì)數(shù)系統(tǒng)，通過成像裝置采集煙粉虱成蟲的圖像，測量成像裝置與成像對象之間的距離，對圖像中的煙粉虱圖像進(jìn)行識(shí)別并計(jì)數(shù)，計(jì)算寄主植物葉面積，最后得出煙粉虱成蟲密度，準(zhǔn)確率在90%以上。張水發(fā)等[46]針對田間開放環(huán)境中，不能用顏色、紋理特征有效分割病蟲害圖像的問題，研究了基于離散余弦變換和區(qū)域生長的白粉虱圖像分割算法。離散余弦變換（Discrete Cosine Transform，DCT）的低頻信號(hào)表示圖像輪廓，高頻信號(hào)表示圖像細(xì)節(jié)，對于病蟲害圖像，焦點(diǎn)通常聚集在目標(biāo)區(qū)域，提出截?cái)郉CT高頻信號(hào)，再與原圖做差的方法以區(qū)分清晰部分和模糊部分，再利用區(qū)域生長方法提取完整目標(biāo)，白粉虱分割的一致性和邊緣的清晰度明顯好于閾值法和GMM方法。王志彬等[47]提出了一種基于K-means聚類和橢圓擬合方法的白粉虱計(jì)數(shù)算法。利用K-means聚類算法對白粉虱圖像進(jìn)行分割，利用基于最小二乘法的橢圓擬合方法對分割結(jié)果進(jìn)行橢圓擬合，統(tǒng)計(jì)橢圓的個(gè)數(shù)，提取橢圓中心點(diǎn)的顏色特征值，將其作為新的分類中心，重新對白粉虱圖像進(jìn)行分割和橢圓個(gè)數(shù)的統(tǒng)計(jì)，將算法收斂時(shí)的橢圓個(gè)數(shù)作為當(dāng)前白粉虱的個(gè)數(shù)，該方法能夠?qū)崿F(xiàn)對不同作物上白粉虱的準(zhǔn)確計(jì)數(shù)，且算法具有很好的泛化性。

基于機(jī)器視覺的植株害蟲監(jiān)測可以監(jiān)測害蟲從卵到成蟲的各個(gè)階段，有利于開展害蟲早期監(jiān)測，制定害蟲防控決策。直接對植株上的害蟲進(jìn)行拍照，圖片背景復(fù)雜，葉片背面、莖桿背面的害蟲不易被監(jiān)測到；另外有的害蟲受到干擾容易飛走，導(dǎo)致監(jiān)測不準(zhǔn)確；此外，若害蟲的顏色與葉片的顏色接近，也會(huì)導(dǎo)致害蟲分割困難。

討論與結(jié)論

基于機(jī)器視覺的色誘害蟲監(jiān)測經(jīng)歷了誘捕、監(jiān)測分開工作到一體化監(jiān)測的過程，工作效率逐步提高，但還需人工定期更換黏蟲板，自動(dòng)化監(jiān)測水平還需進(jìn)一步改進(jìn)提高。色誘害蟲監(jiān)測主要監(jiān)測害蟲的成蟲階段，還需與植株害蟲監(jiān)測相結(jié)合，制定害蟲防控決策。基于機(jī)器視覺的植株害蟲監(jiān)測于田間或?qū)嶒?yàn)室獲取植株葉片圖像，由于田間葉片生長姿態(tài)不一樣，加上害蟲更多選擇葉背進(jìn)行為害，田間圖像獲取較困難；此外，部分種類害蟲的顏色與葉片的顏色接近，導(dǎo)致害蟲分割困難。基于機(jī)器視覺的植株害蟲監(jiān)測方法能監(jiān)測從卵到成蟲發(fā)生發(fā)展的全過程，在害蟲的早期監(jiān)測上具有較大的優(yōu)勢。

基于黏蟲板的害蟲監(jiān)測需人工定期更換黏蟲板，不能滿足當(dāng)前生產(chǎn)實(shí)際的應(yīng)用需求。陳梅香等[48]研究了自動(dòng)更換黏蟲板的害蟲監(jiān)測系統(tǒng)，可通過定時(shí)設(shè)置實(shí)現(xiàn)黏蟲板的更換，或通過黏著物面積觸發(fā)黏蟲板的更換，有效提高田間害蟲的監(jiān)測效率。針對植株害蟲監(jiān)測出現(xiàn)的圖像獲取困難等問題，可研發(fā)基于移動(dòng)設(shè)備的害蟲監(jiān)測技術(shù)，提高監(jiān)測技術(shù)使用的便捷性。對于植株害蟲監(jiān)測中出現(xiàn)的害蟲顏色與葉片顏色接近的圖像，可采用非顏色特征進(jìn)行害蟲分割，提高害蟲的分割效率。

在田間應(yīng)用中可根據(jù)實(shí)際需求將色誘害蟲監(jiān)測與植株害蟲監(jiān)測相結(jié)合，通過分析黏蟲板害蟲數(shù)量與植株害蟲數(shù)量、田間為害程度的定量關(guān)系，建立害蟲誘捕數(shù)量與植株害蟲數(shù)量、田間為害程度的關(guān)聯(lián)模型，促進(jìn)制定有針對性的害蟲防控決策，以達(dá)到較理想的防控效果。此外，田間監(jiān)測主要為害蟲防治提供重要參考，可將基于機(jī)器視覺的監(jiān)測技術(shù)與自動(dòng)噴藥設(shè)備相結(jié)合，達(dá)到及時(shí)防控的效果。

參考文獻(xiàn)

[1] 李瑾，馮獻(xiàn)，韓瑞娟，等.設(shè)施農(nóng)業(yè)發(fā)展的科技需求及對策研究——基于北京地區(qū)的調(diào)研[J].江蘇農(nóng)業(yè)科學(xué)，2017（11）：301-306.

[2] 朱國仁，李寶聚.設(shè)施蔬菜產(chǎn)業(yè)可持續(xù)發(fā)展的病蟲防治對策[J].中國蔬菜，2000（S1）：22-27.

[3] Schr?der S， Drescher W， Steinhage V， et al. An automated method for the identification of bee species （Hymenoptera： apoidea）：In Proceedings of the international symposium on conserving Europe's bees， International Bee Research Association & Linnean Society[Z]. 1995：6-7.

[4] Weeks P， O' Neill M， Gaston K， et al. Automating insect identification：exploring the limitations of a prototype system[J].Journal of Applied Entomology，1999，123（1）：1-8.

[5] Watson A， O'Neill M， Kitching I. Automated identification of live moths （Macrolepidoptera） using Digital Automated Identification SYstem （DAISY）[J]. Systematics and biodiversity，2003，1（3）：287-300.

[6] 趙汗青，沈佐銳，于新文.數(shù)學(xué)形態(tài)特征應(yīng)用于昆蟲自動(dòng)鑒別的研究[J].中國農(nóng)業(yè)大學(xué)學(xué)報(bào)，2002，7（3）：38-42.

[7] 張建偉，王永模，沈佐銳.麥田蚜蟲自動(dòng)計(jì)數(shù)研究[J].農(nóng)業(yè)工程學(xué)報(bào)，2006，22（09）：159-162.

[8] 蔡小娜，黃大莊，沈佐銳，等.利用翅的數(shù)學(xué)形態(tài)特征對蛾類昆蟲進(jìn)行分類鑒定的系統(tǒng)研究Ⅰ——在總科級階元上的應(yīng)用[J].中國農(nóng)業(yè)大學(xué)學(xué)報(bào)，2013，18（04）：96-104.

[9] Gassoumi H， Prasad N， Ellington J. Neural Network-Based Approach For Insect Classification In Cotton Ecosystems：In：Bangkok，Thailand[Z].2000.

[10] Murakami S， Homma K， Koike T. Detection of small pests on vegetable leaves using GLCM：In 2005 ASAE Annual International Meeting， Tampa， Florida，USA[Z].2005：123-136.

[11] Fukatsu T， Watanabe T， Hu H， et al. Field monitoring support system for the occurrence of Leptocorisa chinensis Dallas （Hemiptera：Alydidae） using synthetic attractants， Field Servers， and image analysis[J].Computers and Electronics in Agriculture，2012，80（1）： 8-16.

[12] 邱道尹，張紅濤，劉新宇，等.基于機(jī)器視覺的大田害蟲檢測系統(tǒng)[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2007， 38（01）：120-122.

[13] Wen C， Guyer D. Image-based orchard insect automated identification and classification method[J].Computers and Electronics in Agriculture，2012（89）：110-115.

[14] 李文勇，李明，錢建平，等.基于形狀因子和分割點(diǎn)定位的粘連害蟲圖像分割方法[J].農(nóng)業(yè)工程學(xué)報(bào)，2015，31（05）：175-180.

[15] Li W Y， Du S F， Li M， et al. Fuzzy classification of orchard pest posture based on Zernike moments：2014 IEEE [Z].International Conference on Fuzzy Systems （FUZZ-IEEE） 2014：1096-1103.

[16] 李文勇，李明，陳梅香，等.基于機(jī)器視覺的作物多姿態(tài)害蟲特征提取與分類方法[J].農(nóng)業(yè)工程學(xué)報(bào)，2014，30（14）：154-162.

[17] 姚青，呂軍，楊保軍，等.基于圖像的昆蟲自動(dòng)識(shí)別與計(jì)數(shù)研究進(jìn)展[J].中國農(nóng)業(yè)科學(xué)， 2011（14）：2886-2899.

[18] Cho J， Choi J， Qiao M， et al. Automatic identification of whiteflies， aphids and thrips in greenhouse based on image analysis[J].International Journal of Mathematics and Computers in Simulation，2007，1（1）：46-53.

[19] Qiao M， Lim J， Ji C W， et al. Density estimation of Bemisia tabaci （Hemiptera： Aleyrodidae） in a greenhouse using sticky traps in conjunction with an image processing system[J].Journal of Asia-Pacific Entomology，2008，11（1）：25-29.

[20] Solis-Sánchez L O， García-Escalante J J， Casta Eda-Miranda R， et al. Machine vision algorithm for whiteflies （Bemisia tabaciGenn.） scouting under greenhouse environment[J]. Journal of Applied Entomology，2009，133（7）：546-552.

[21] Martin V， Moisan S. Early Pest Detection in Greenhouses[J].Inria Sophia Antipolis Mediterrannee，2010.

[22] Bechar I， Moisan S. On-line counting of pests in a greenhouse using computer vision[J].VAIB 2010-Visual Observation and Analysis of Animal and Insect Behavior，2010.

[23] Tirelli P， Borghese N， Pedersini F， et al. Automatic monitoring of pest insects traps by Zigbee-based wireless networking of image sensors：Instrumentation & Measurement Technology Conference[Z].2011：1-5.

[24] Xia C， Lee J M， Li Y， et al. In situ detection of small-size insect pests sampled on traps using multifractal analysis[J].Optical Engineering，2012，51（2）：27001.

[25] Espinoza K， Valera D L， Torres J A， et al. Combination of image processing and artificial neural networks as a novel approach for the identification of Bemisia tabaci and Frankliniella occidentalis on sticky traps in greenhouse agriculture[J].Computers and Electronics in Agriculture，2016（127）：495-505.

[26] Xia C， Chon T， Ren Z， et al. Automatic identification and counting of small size pests in greenhouse conditions with low computational cost[J].Ecological Informatics， 2014（29）：139-146.

[27] Sun Y， Cheng H， Cheng Q， et al. A smart-vision algorithm for counting whiteflies and thrips on sticky traps using two-dimensional Fourier transform spectrum[J]. Biosystems Engineering，2017，132（2）：82-88.

[28] 楊信廷，陳梅香，趙麗，等.害蟲監(jiān)測系統(tǒng)：201620331511.6[P].2016-11-23.

[29] 陳梅香，趙麗，李明，等.害蟲監(jiān)測系統(tǒng)：201620331346.4[P].2016-11-23.

[30] 北京市新產(chǎn)品證書：色誘害蟲自動(dòng)監(jiān)測裝置[EB/OL].[2017-08-16].http：//www.zgcfw.org.cn/index.php？m=content&c=index&a=show&catid=22&id=3458.

[31]趙麗，李明，陳梅香，等.溫室蔬菜病蟲害監(jiān)測預(yù)警系統(tǒng)[軟著].2016.

[32] Murakami S， Homma K. Detection of small pests on vegetable leaves using GLCM：American Society of Agricultural and Biological Engineers[Z].2005.

[33] Boissarda P， Martinb V， Moisan S. A cognitive vision approach to early pest detection in greenhouse crops[J].computers and electronics in agriculture，2008（62）：81-93.

[34] Mundada R， Gohokar V. Detection and classification of pests in greenhouse using image processing[J].Journal of Electronics and Communication Engineering，2013，5（6）：57-63.

[35] Prathibha G P， Goutham T G， Tejaswini M V， et al. Early Pest Detection in Tomato Plantation using Image Processing[J].International Journal of Computer Applications， 2014，96（12）：22-24.

[36]Manoja M， Rajalakshmi M J. Early Detection of Pests on Leaves Using Support Vector Machine[J].International Journal of Electrical and Electronics Research，2014，2（4）： 187-194.

[37] Chung B， Xia C， Song Y， et al. Sampling of Bemisia tabaci adults using a pre-programmed autonomous pest control robot[J].Journal of Asia-Pacific Entomology， 2014（17）：737-743.

[38] Li Y， Xia C， Lee J. Detection of small-sized insect pest in greenhouses based on multifractal analysis[J].Optik-International Journal for Light and Electron Optics， 2015，126（19）：2138-2143.

[39] Ebrahimi M A， Khoshtaghaza M H， Minaei S， et al.Vision-based pest detection based on SVM classification method[J].Computers and Electronics in Agriculture，2017（137）： 52-58.

[40] Maharlooei M， Sivarajan S， Bajwa S G， et al. Detection of soybean aphids in a greenhouse using an image processing technique[J].Computers and Electronics in Agriculture，2017，132（C）：63-70.

[41] 沈佐銳，于新文.溫室白粉虱自動(dòng)計(jì)數(shù)技術(shù)研究初報(bào)[J].生態(tài)學(xué)報(bào)，2001，21（01）：94-99.

[42]牟少敏.昆蟲圖像處理中無關(guān)小區(qū)域刪除的研究[J].山東農(nóng)業(yè)大學(xué)學(xué)報(bào)（自然科學(xué)版）， 2001，32（2）：162-164.

[43] 牟少敏.基于數(shù)學(xué)形態(tài)學(xué)的重疊昆蟲圖像分離的研究[J].計(jì)算機(jī)工程與應(yīng)用，2003，39（18）： 219-220.

[44] 邱白晶，王天波，李娟娟，等.黃瓜蚜蟲的圖像識(shí)別與計(jì)數(shù)方法[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2010， 41（8）：151-155.

[45] 胡雅輝，高靈旺.煙粉虱成蟲密度自動(dòng)計(jì)數(shù)系統(tǒng)[J].應(yīng)用昆蟲學(xué)報(bào)，2011，48（1）：84-87.

[46] 張水發(fā)，王開義，劉忠強(qiáng)，等.基于離散余弦變換和區(qū)域生長的白粉虱圖像分割算法[J].農(nóng)業(yè)工程學(xué)報(bào)，2013，29（17）：121-128.

[47] 王志彬，王開義，張水發(fā)，等.基于K-means聚類和橢圓擬合方法的白粉虱計(jì)數(shù)算法[J].農(nóng)業(yè)工程學(xué)報(bào)，2014，30（1）：105-112.

[48] 陳梅香，李文勇，杜曉偉，等.一種自動(dòng)更換黏蟲板的害蟲監(jiān)測系統(tǒng)及監(jiān)測方法：201410403966.X.[P]. 2016-6-8.

*項(xiàng)目支持：北京市自然科學(xué)基金青年項(xiàng)目（6164034）；國家自然科學(xué)基金青年科學(xué)基金項(xiàng)目（31401683）；

歐盟FP7項(xiàng)目（PIRSES-GA-2013-612659）。

作者簡介：陳梅香（1971-），女，博士，副研究員，主要從事病蟲害自動(dòng)監(jiān)測預(yù)警研究。E-mail：chenmx@nercita.org.cn。

**通信作者：李明（1982-），男，博士，副研究員，主要從事果蔬病蟲害監(jiān)測預(yù)警研究。E-mail：Lim@nercita.org.cn。

[引用信息]陳梅香，劉蒙蒙，趙麗，等.基于機(jī)器視覺的設(shè)施農(nóng)業(yè)害蟲監(jiān)測技術(shù)研究進(jìn)展與展望[J].農(nóng)業(yè)工程技術(shù)，2017，37（31）：10-15.