農(nóng)業(yè)害蟲自動識別與監(jiān)測技術(shù)

封洪強 姚青

摘要

隨著計算機和互聯(lián)網(wǎng)技術(shù)的發(fā)展，信息技術(shù)已被廣泛地應(yīng)用于植物保護領(lǐng)域，推動農(nóng)業(yè)害蟲的監(jiān)測走向信息化、智能化和精準化。我們綜述了農(nóng)業(yè)害蟲自動識別與監(jiān)測技術(shù)的最新研究進展，分析了各種技術(shù)的特點與優(yōu)勢。這些技術(shù)均需要特定的設(shè)備獲取農(nóng)業(yè)害蟲及其生境的信息，提取昆蟲信息特征，并利用這些特征進行昆蟲種類的識別與計數(shù)，達到害蟲監(jiān)測的目的。圖像識別技術(shù)適合于自動識別與監(jiān)測棲息于作物表面的害蟲，昆蟲雷達（厘達或激光雷達）技術(shù)特別適合于自動識別與監(jiān)測高空中飛行的害蟲，而聲音識別技術(shù)在自動識別與監(jiān)測隱蔽害蟲方面具有優(yōu)勢。最近發(fā)展起來的基于深度學習的害蟲識別方法避免了傳統(tǒng)的手工設(shè)計特征方法，提高了害蟲識別的魯棒性，展示了一旦建立完整的昆蟲信息庫就可以實現(xiàn)害蟲自動識別與監(jiān)測的可能;這給昆蟲學家提出了一個艱巨的任務(wù)，即鑒定和正確標識機器學習所需的大量的昆蟲信息。

關(guān)鍵詞

農(nóng)業(yè)害蟲; 監(jiān)測技術(shù); 圖像識別; 聲音識別; 昆蟲雷達; 深度學習

中圖分類號：

S 431.9

文獻標識碼： A

DOI： 10.16688/j.zwbh.2018305

Automatic identification and monitoring technologies of

agricultural pest insects

FENG Hongqiang YAO Qing2

（1. Henan Key Laboratory of Crop Pest Control， MOAs Regional Key Lab of Crop IPM in Southern Part of

Northern China， Institute of Plant Protection， Henan Academy of Agricultural Sciences， Zhengzhou 450002， China;

2. College of Information， Zhejiang Sci-Tech University， Hangzhou 310018， China）

Abstract

With the development of computer and internet technology， information technology has been applied widely in plant protection. It promotes the monitoring of agricultural pest insects towards informatization， intelligence and precision. We reviewed recent research progress of automatic identification and monitoring of pests and analyzed the features and advantages of each technology. All technologies need to acquire information of insects and their environments， extract insect features and automatically identify insect species and count pests for monitoring pests. The image identification technology is suitable for identification and monitoring of pests resting on surface of crops or trapped pests. Entomological radar （or lidar） has advantages in identification and monitoring of insects freely flying at high altitudes. Acoustic technology has advantages in identification and monitoring hidden pests. Recently， deep learning approach has been reported to achieve state-of-the-art performance on object recognition tasks. It improves the robustness of pest identification without prior knowledge and hand effort in feature design. It means its possibility of automatic monitoring of pest insects once we set up a database of insect information. This gives entomologists a hard task for identifying and accurately labelling huge number of insect information for machine learning.

Key words

agricultural pest; monitoring technology; image identification; acoustic recognition; entomological radar; deep learning

隨著計算機、互聯(lián)網(wǎng)、物聯(lián)網(wǎng)及人工智能技術(shù)的快速發(fā)展，信息技術(shù)在植物保護中得到了廣泛應(yīng)用[1-2]。植?；緮?shù)據(jù)的自動采集技術(shù)對植保信息技術(shù)的發(fā)展至關(guān)重要[1]。我國充分利用現(xiàn)代信息技術(shù)，在自動化、智能化新型測報工具研發(fā)應(yīng)用及重大病蟲害實時監(jiān)測預警系統(tǒng)建設(shè)方面進行了大膽的探索，取得了比較明顯的進步[3]。為了實現(xiàn)農(nóng)業(yè)害蟲智能測報，首先需要對害蟲進行自動識別與計數(shù)。許多學者通過采集害蟲的圖像、聲音和雷達等信號來探討害蟲的自動識別與計數(shù)，但由于農(nóng)業(yè)害蟲生態(tài)環(huán)境復雜多變，一些關(guān)鍵技術(shù)尚未能取得突破性進展，導致很多害蟲測報裝備智能化程度低，技術(shù)成熟度不高，自動監(jiān)測環(huán)節(jié)薄弱，田間害蟲數(shù)據(jù)采集基本上以人工為主，田間害蟲調(diào)查仍然停留在“眼看、手查、盤拍、網(wǎng)捕”的階段[3-5]。

本文對害蟲的自動識別與監(jiān)測技術(shù)的進展進行綜述，以期對害蟲智能監(jiān)測設(shè)備的研發(fā)起到推動作用。

1 基于圖像的害蟲識別

傳統(tǒng)的昆蟲分類學主要依據(jù)昆蟲的形態(tài)特征區(qū)分昆蟲種類。自20世紀80年代開始，國內(nèi)外進行了大量的基于昆蟲外部形態(tài)圖像的昆蟲自動分類診斷技術(shù)研究[6-9]。

昆蟲翅的特征是傳統(tǒng)昆蟲分類學中的重要分類學指標。早期的昆蟲識別研究主要是利用昆蟲圖像上翅的特征來進行識別與鑒定[10-11]，特別是膜翅目、雙翅目和鱗翅目的昆蟲種類的識別，并開發(fā)了相關(guān)的識別軟件，獲得應(yīng)用的軟件有國外的ABIS[12]、DAISY[13]、DrawWing[14]和BugWing[15]，國內(nèi)中國農(nóng)業(yè)大學IPMist實驗室在沈佐銳教授的指導下，

從1997年開始利用圖像處理技術(shù)提取昆蟲的形態(tài)學特征，開發(fā)的昆蟲識別系統(tǒng)BUGVISUX可實現(xiàn)多種昆蟲的分類識別[16-17]，取得了較好的識別結(jié)果。這種借助計算機技術(shù)將昆蟲形態(tài)學和數(shù)學形態(tài)學相融合產(chǎn)生了昆蟲數(shù)學形態(tài)學技術(shù)[6]，該技術(shù)需要在設(shè)定好的標準環(huán)境下進行拍照或掃描昆蟲的翅，圖片經(jīng)預處理后根據(jù)昆蟲形態(tài)學特點使用軟件手動或自動提取特征值，然后再分析特征值在種類間的變異程度，最后建立計算機算法區(qū)分昆蟲種類[10， 18-20]。

利用翅的特征進行圖像識別需要把昆蟲的翅剪下，鱗翅目昆蟲需要去鱗操作，并且在標準的拍攝環(huán)境下拍照或掃描，其應(yīng)用在農(nóng)業(yè)生產(chǎn)實踐中受到很大的限制[21]。在農(nóng)業(yè)害蟲測報中，一般需要對農(nóng)業(yè)害蟲的整體進行識別[22-23]，因此很多學者開始研究基于圖像的昆蟲自動識別。一般基于圖像的昆蟲識別技術(shù)主要包括背景分割、特征提取和分類模型的訓練和測試。

昆蟲準確識別的前提是提取出圖像中的昆蟲區(qū)域。由于昆蟲圖像來源不同，其背景千差萬別。應(yīng)用于昆蟲圖像分割的方法主要包括基于灰度直方圖的分割、基于數(shù)學形態(tài)學的分割、基于區(qū)域增長的分割、基于邊緣的分割、基于綜合圖像信息的分割、基于GrabCut的分割、顯著性分割等[24-25]。特征提取的好壞，影響害蟲的識別結(jié)果。目前，應(yīng)用于昆蟲識別的特征主要包括全局特征[26]和局部特征[27-28]。其中，害蟲全局特征主要包括如顏色特征[9]、形態(tài)特征[29-30]和紋理特征[27]等、局部特征主要包括SIFT[27]、HOG[27-28，31]、LBP[31]、PCBR[32]等或多特征融合[33]（如BOW技術(shù)[27，32]、稀疏編碼技術(shù)[34]等）。利用昆蟲特征向量訓練的分類器主要包括支持向量機[9，27，31]、神經(jīng)網(wǎng)絡(luò)[29，35-36]、MKL[34]、K-NNC[27]、K-means[37]等。在有限種類的農(nóng)業(yè)害蟲小樣本圖像集中，手工設(shè)計特征，訓練和測試分類器，一般均能獲得較高的準確率。然而，面對生物多樣性（害蟲存在不同姿態(tài)、種間變異和類間相似，以及大量的非目標昆蟲干擾等）和復雜背景條件下，傳統(tǒng)的模式識別方法魯棒性不高，泛化能力差[8， 23， 38]。這也是基于圖像的農(nóng)業(yè)害蟲識別方法并沒有真正應(yīng)用到農(nóng)業(yè)害蟲測報中的主要原因。

近幾年，隨著人工智能的發(fā)展，深度學習在語音識別、自然語言處理、圖像與視頻分析等諸多領(lǐng)域獲得了巨大的成功。目前，深度學習幾乎是唯一的端到端機器學習系統(tǒng)，深度學習方法中的卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural network， CNN）在大規(guī)模圖像識別任務(wù)中表現(xiàn)出色[39]，與傳統(tǒng)模式識別方法最大不同在于它從圖像中自動逐層提取特征，可以包含成千上萬的參數(shù)。最近有學者利用顯著性分割方法定位害蟲，然后建立CNN模型對自然環(huán)境下拍攝的12種水稻害蟲進行識別，準確率高于傳統(tǒng)方法[9];也有學者利用CNN和Adaboost分類器模型對水稻基部飛虱進行檢測與分類識別，實現(xiàn)了稻飛虱田間調(diào)查的智能化[40]。還有學者利用CNN和滑動窗相結(jié)合的方法對性誘劑粘板上的害蟲圖像進行檢測，獲得了較好的結(jié)果[41]。

2 基于聲音的害蟲識別

很多昆蟲能通過專門的發(fā)生器（或翅）的振動（或摩擦）、走動、叩擊或咀嚼發(fā)出聲音或鳴叫[42-43]。不同種類的昆蟲所發(fā)出的聲音大不相同，因此可以根據(jù)聲音鑒別昆蟲的種類和進行昆蟲群落生物多樣性和豐富度的監(jiān)測[42， 44-45]。同種昆蟲可以通過聲音進行通訊，不同的聲音有不同的作用，如求偶、競爭、攻擊、聯(lián)絡(luò)、報警、定位等[42-43]。根據(jù)昆蟲求偶的聲音可以人工合成求偶聲或求偶應(yīng)答聲引誘雄蟲，這種方法可以有效地提高對雄蚊的誘捕量或干擾雄性柑橘木虱定位雌蟲從而降低交配率[46-47]。同種不同地理種群鳴聲的細微差別[48]，雌蟲交尾后不再鳴叫的特性，以及同一個體不同蟲齡鳴聲的差異，可用于害蟲遷飛規(guī)律的研究[42]。聲音監(jiān)測技術(shù)比谷物取樣早3～28 d發(fā)現(xiàn)谷物害蟲，比切開檢查更有效和更可靠地檢測到加勒比果蠅和棉紅鈴蟲，和準確檢測到需要防治蠐螬的地塊，因此在監(jiān)測倉儲害蟲、隱藏在果實（或樹木）內(nèi)部的害蟲和地下害蟲時具有明顯優(yōu)勢[49]。

昆蟲發(fā)出的聲音有的通過空氣傳播，我們可以聽得到，有的通過其他介質(zhì)傳播，我們聽不到[43]。聽得見的聲音可以使用錄音機、連接麥克風的電腦或手機記錄下來，而聽不到的聲音則需要通過靈敏的傳感器（或拾音器）把振動記錄下來[43， 50-54]。

記錄下來的昆蟲聲音進行去噪處理后，使用Matlab、 DAVIS 、Raven和CSL-4300B等計算機軟件進行信號分析并提取其特征參數(shù)[43， 50-52， 54-56]。聲音信號的特征參數(shù)提取有時域分析法、頻域分析法（頻譜分析或譜估計）[57-59]。時域分析法可獲得脈沖持續(xù)時間、脈沖間隔、脈沖率、脈沖組、脈沖組持續(xù)時間、脈沖組間隔、脈沖組率等昆蟲鳴聲的時域特征參數(shù)。由于波形易受噪聲干擾，盡管聲音聽起來有明顯差別的昆蟲，有時也難以用時域特征參數(shù)區(qū)分[57]。對信號作頻譜分析，可了解聲音信號的頻率成分、帶寬、主能峰頻率、能量分布等[57]。傳統(tǒng)的線性譜估計法將聲音的時域信號經(jīng)快速傅立葉變換得到頻譜圖，選取較大的頻譜值作為特征參數(shù)[60-61]，或進一步濾波得到摩爾頻率倒譜系數(shù)參數(shù)MFCC作為特征參數(shù)[56，62]。自回歸模型（autoregressive model，簡稱AR模型）是一種常用的非線性現(xiàn)代譜估計方法[58]，與傳統(tǒng)譜分析法相比，譜線光滑，且分辨率高，能夠有效地提取昆蟲鳴聲的特征參數(shù)[57]。

由于頻譜分析需要大量復雜計算占用計算機大量的資源，于是出現(xiàn)了現(xiàn)代時域信號編碼（time domain signal coding，TDSC）技術(shù)[45]。TDSC技術(shù)的原理是任何一個帶限信號都可以分解為一系列在平衡點（0點，即信號振幅的平均值）上下的時間信號單元（epoch）組成，在平衡點之上的為正時間信號單元，在平衡點之下的為負時間信號單元。時間信號單元很容易通過時域相鄰兩點的值的正負變化確定。每一個時間信號單元具有時間區(qū)間D（duration of time）和形狀S（shape）兩個特征。形狀1（S=1）代表時間信號單元具有1個谷2個峰，形狀2（S=2）代表2個谷3個峰，依次類推。一個特定信號的D-S組合即自然字母表（natural alphabet）是獨一無二的，在此基礎(chǔ)上可以提取S矩陣和A矩陣作為特征用于聲音的自動識別[45]。使用這種特征和人工神經(jīng)網(wǎng)絡(luò)成功在自然環(huán)境中自動識別出4種目標蝗蟲而且能區(qū)分鳥鳴和人為制造的聲音[63]。

現(xiàn)有的方法都需要提取大量時域或頻域特征參數(shù)，用這些參數(shù)或兩者的混合參數(shù)[59]訓練分類樹、貝葉斯分類器、人工神經(jīng)網(wǎng)[45，61，63]、BP神經(jīng)網(wǎng)絡(luò)[56]、支持向量機[58，60，64]、混合高斯模型[62]等后對昆蟲進行自動識別[65]。雖然這些技術(shù)在許多種類昆蟲的自動分類上取得了很高的識別率，但在現(xiàn)實世界中，昆蟲都是生活在帶有背景噪聲的自然環(huán)境中，另外，同種昆蟲還存在雌雄、齡期、求偶、競爭、報警等差異，將昆蟲從混有噪聲背景的聲音信號中分離并檢測出來仍然具有很大的挑戰(zhàn)[61]。

由于現(xiàn)有技術(shù)需要仔細地調(diào)諧許多參數(shù)并且需要大量的訓練數(shù)據(jù)，對于簡單的野外探測傳感器來說過于昂貴的計算資源耗費，僅適用于一小類物種，分類結(jié)果不夠正確，而不能廣泛應(yīng)用，一種利用視覺空間分析聲音的方法應(yīng)運而生[65]。這種方法把聲譜圖的紋理特性作為一種“指紋”并引入最近出現(xiàn)的無參數(shù)紋理測量作為距離測量，使用其在速度和準確率上均超出其他方法[65]。簡單來說就是把聲譜轉(zhuǎn)換成二維圖像，通過將標記好的聲譜片斷的圖像在未知聲譜圖像上移動并計算相似性來確定二者的距離，并根據(jù)這一距離來進行分類。這一技術(shù)是由MPEG壓縮技術(shù)思想而來的，有非常成熟的算法，因此計算速度非常快，而且不需要提取任何特征參數(shù)，因此在聲音自動識別中具有廣泛的應(yīng)用前景[65]。

3 基于雷達（或厘達）的害蟲識別

昆蟲雷達是利用電磁波探測空中自由飛行昆蟲的一種卓越工具[66]。掃描昆蟲雷達能監(jiān)測昆蟲密度和飛行速度、方向、成層、定向等參數(shù)，但由于昆蟲存在于雷達波束中的相對位置及昆蟲的姿態(tài)均無法確定，因此無法區(qū)分昆蟲的種類[67]。垂直昆蟲雷達發(fā)射3.2 cm波長的電磁波，并通過旋轉(zhuǎn)極化設(shè)計實現(xiàn)昆蟲的體型參數(shù)、質(zhì)量、昆蟲振翅頻率的自動提取[67]，從而把蝗蟲、瓢蟲、半翅目昆蟲、銀Y夜蛾、小菜蛾、草蛉、步甲區(qū)分開來，并對其遷飛活動進行自動監(jiān)測[69-73]。但對于體型、質(zhì)量和振翅頻率相似的昆蟲，如不同種類的蝗蟲或大小相似的夜蛾，就無能為力了[70，73]。毫米波昆蟲雷達由于使用了波長更短的8.8 mm的電磁波，可以探測到更小的昆蟲，如稻飛虱[74-75]，但其掃描工作模式?jīng)Q定了它無法區(qū)分昆蟲種類。

激光雷達把輻射源的頻率提高到光頻段，比毫米波高出兩到四個數(shù)量級，這使之能夠探測更微小的自然目標[69，76]。最早使用激光雷達探測昆蟲是為了借助經(jīng)過訓練的蜜蜂（能嗅到爆炸物散發(fā)出的氣味，從而在未爆炸的地雷上方產(chǎn)生聚集）找到未爆炸的地雷[77-79]。最簡單的被動接收式激光雷達是一種簡單、輕便、廉價的被動遙感的暗場光譜學裝置，它包括暗箱和望遠鏡及與其相連的光譜采集設(shè)備。將望遠鏡對準遠處的暗箱得到一個低亮度水平的基線，當昆蟲在望遠鏡的視野中飛過時它散射的太陽光的光學信息就被連接到望遠鏡的記錄系統(tǒng)采集到[80]。這種裝置可以探測到幾十米外昆蟲的反射光譜，解析出昆蟲的振翅頻率[80]，根據(jù)光譜信息可以將自由飛行的兩種豆娘及不同性別區(qū)分開[81]。這種裝置依賴太陽光作為光源實現(xiàn)晝出性昆蟲的識別與監(jiān)測，在夜間需要使用光源照明才能進行探測[80]。但一般的夜出性昆蟲都具有趨光性，如果使用光源照明將影響昆蟲的行為，引起昆蟲的聚集。

專門設(shè)計的激光昆蟲雷達可以探測到昆蟲目標，并測定其距離、大小和振翅頻率[78，82-83]。由于昆蟲不同體位對準激光雷達反射率會發(fā)生很大的變化，因此激光昆蟲雷達無法根據(jù)反射率推算昆蟲的個體大小[83-84]。多波段激光昆蟲雷達通過對808 nm和1 550 nm背向散射光的共偏振和去偏振測量，可獲得線性偏振程度、振翅頻率、反射率、譜率、光澤度等參數(shù)[84]。身體和翅的譜率和光澤度與昆蟲身體和翅表面的微結(jié)構(gòu)和黑化特性有關(guān)，與體位無關(guān)，可以用于區(qū)分昆蟲的種類[84]。激光還可以激發(fā)昆蟲產(chǎn)生熒光，不同昆蟲受激光激發(fā)產(chǎn)生的熒光光譜不同，熒光激光雷達可以探測到這種差別并用于區(qū)別昆蟲的種類[85-88]。與圖像識別和聲音識別技術(shù)相比昆蟲雷達技術(shù)還停留在利用簡單特征識別昆蟲的階段，急需引入模式識別技術(shù)提高昆蟲種類的識別能力。

4 討論

本文對利用圖像、聲音以及昆蟲對電磁波的反射（或散射）特性自動識別昆蟲的技術(shù)的最新進展進行了綜述。由于光譜遙感監(jiān)測技術(shù)是利用寄主植物被害后反射光譜發(fā)生變化的特性實現(xiàn)對蟲害的監(jiān)測[89-90]，不直接識別害蟲的種類，紅外計數(shù)裝置只對害蟲進行計數(shù)不涉及種類識別[91]，因此未在本文中進行綜述。三種技術(shù)的不同之處在于利用了昆蟲的不同信息及其各自的優(yōu)勢。昆蟲雷達在遠距離識別空中昆蟲方面有優(yōu)勢;圖像識別在近處識別作物表面的昆蟲方面有優(yōu)勢;聲音識別在識別隱蔽昆蟲方面有優(yōu)勢。三種技術(shù)的共同之處是均需要獲取害蟲及其所處環(huán)境的完整信息、分析這些信息提取出能代表害蟲特征的參數(shù)、根據(jù)特征參數(shù)直接分類或使用模式識別技術(shù)進行分類。

使用什么樣的技術(shù)對昆蟲信息進行采集決定了使用什么技術(shù)對昆蟲進行識別。利用在室內(nèi)標準環(huán)境下采集的害蟲圖像或聲音信息所研發(fā)出來的自動識別技術(shù)只能對特定試驗條件下的昆蟲進行識別，應(yīng)用于田間復雜環(huán)境下則識別效果很差。昆蟲雷達由于對著天空取樣，通常其背景相對簡單（偶爾也會受到電磁波、降雨、鳥、飛機等的干擾），從其誕生之日起就一直用于野外昆蟲監(jiān)測實踐[66，92]，但其價格昂貴，應(yīng)用受到一定限制。發(fā)展價廉、輕便、簡單易用的害蟲自動識別與監(jiān)測技術(shù)與裝備是今后的發(fā)展方向。

蟲情測報燈（或黑光燈）是我國害蟲測報實踐中普遍使用的工具，隨著技術(shù)的進步已實現(xiàn)了自動開關(guān)燈、蟲體遠紅外處理、自動拍照和上傳昆蟲照片等功能[4，93]。燈下昆蟲圖像拍攝背景單一容易識別且易于實現(xiàn)與我國現(xiàn)有監(jiān)測網(wǎng)絡(luò)銜接實現(xiàn)標準化，值得深入研究。

近些年，隨著移動互聯(lián)網(wǎng)技術(shù)的發(fā)展，移動便攜設(shè)備的開發(fā)使用已然成為主流。智能手機可以拍照也可以錄音，已成為圖像自動識別[31，94]和聲音自動識別[95]的新載體。智能手機還具有定位功能和實時監(jiān)測功能，因此可以建立起目標害蟲的全球分布和時實動態(tài)圖[95]。

與性誘捕器配合使用的紅外自動計數(shù)技術(shù)在我國也進行了試驗與改進，可以對特定種類的昆蟲進行自動監(jiān)測，但其使用效果與信息素的質(zhì)量及應(yīng)用環(huán)境有關(guān)[91，96]。國外利用紅外探測技術(shù)研發(fā)了記錄昆蟲振翅頻率的便攜設(shè)備，可以實現(xiàn)昆蟲種類的自動識別和監(jiān)測[97-98]，是一個新的可探索的方向。

盡管昆蟲的自動識別與監(jiān)測技術(shù)近年來得到了快速發(fā)展，但由于昆蟲種類繁多、蟲態(tài)及其生活環(huán)境復雜多變，尚難以在較短時間內(nèi)建立一個可以較為廣泛地實施識別和監(jiān)測眾多昆蟲的應(yīng)用系統(tǒng)[8]。伴隨人工智能的快速發(fā)展，昆蟲的圖像識別技術(shù)也是本文所綜述的三項技術(shù)中發(fā)展最快的技術(shù)，尤其是深度學習應(yīng)用于自然環(huán)境中昆蟲的自動識別取得成功為復雜農(nóng)田環(huán)境下昆蟲的自動識別帶來新的希望。但深度學習最大的缺點是要利用大量的標定過的數(shù)據(jù)進行機器學習，沒有這些數(shù)據(jù)深度學習就無能為力了。目前國內(nèi)外關(guān)于農(nóng)作物害蟲圖像識別的研究，都是針對相應(yīng)的研究目標來構(gòu)建簡單的害蟲圖像數(shù)據(jù)集，截至目前還沒有農(nóng)作物害蟲的標準圖像數(shù)據(jù)集可供使用。由于缺少底層的數(shù)據(jù)支持，因此制約了農(nóng)作物害蟲圖像識別的發(fā)展[99]。由于智能手機的普及和物聯(lián)網(wǎng)的推廣，采集海量的昆蟲圖像和聲音數(shù)據(jù)已不是難事，但對這些海量數(shù)據(jù)進行分類和正確標識卻不是那么簡單。

長期以來在害蟲的自動識別與監(jiān)測方面的主要進展基本上都是由計算機、人工智能、信息技術(shù)等方面的專業(yè)人員完成的。昆蟲學家只在這個過程中提供標本的正確標識。隨著人工智能技術(shù)尤其是模式識別技術(shù)的成熟，接力棒將交到昆蟲學家手里。雖然從網(wǎng)上可以輕而易舉地獲得成千上萬張某種害蟲的圖片，但這些圖片的標識存在許多錯誤，在利用這些圖片訓練計算機之前必須經(jīng)過專家的甄別和正確標識[9]。由于昆蟲種類繁多、具有不同的蟲態(tài)、為害和生存環(huán)境多樣，另外圖像可能只反映昆蟲的某個側(cè)面，聲音可能只反映昆蟲在某個時期的特征，昆蟲雷達的信息采集自高空自由飛行的昆蟲，要對大量的常見的害蟲信息進行甄別和正確標識并不是輕而易舉的事。

參考文獻

[1] 程登發(fā).我國植保信息技術(shù)的發(fā)展與展望[J].植物保護，1998，24（2）：33-36.

[2] 黃沖，劉萬才.我國農(nóng)作物病蟲測報信息化發(fā)展進程、現(xiàn)狀與推進思路[J].中國植保導刊，2018，38（2）：21-25.

[3] 劉萬才.我國農(nóng)作物病蟲害現(xiàn)代測報工具研究進展[J].中國植保導刊，2017，37（9）：29-33.

[4] 劉萬才，劉杰，鐘天潤.新型測報工具研發(fā)應(yīng)用進展與發(fā)展建議[J].中國植保導刊，2015，35（8）：40-42.

[5] 封傳紅，王勝，馬利，等.構(gòu)建四川“智慧測報”體系的探索與實踐[J].中國植保導刊，2016，36（8）：74-78.

[6] 沈佐銳，于新文.昆蟲數(shù)學形態(tài)學研究及其應(yīng)用展望[J].昆蟲學報，1998，41（S1）：142-150.

[7] WHITE R J， WINOKUR L. Quantitative description and discrimination of butterfly wing patterns using moment invariant analysis [J]. Bulletin of Entomological Research， 2003， 93（4）：361-374.

[8] 姚青，呂軍，楊保軍，等.基于圖像的昆蟲自動識別與計數(shù)研究進展[J].中國農(nóng)業(yè)科學，2011，44（14）：2886-2899.

[9] LIU Ziyi，GAO Junfeng， YANG Guoguo，et al. Localization and classification of paddy field pests using a saliency map and deep convolutional neural network [J/OL]. Scientific Reports， 2016，6：20410. DOI： 10.1038/srep20410.

[10] 蔡小娜，黃大莊，沈佐銳，等.蛾翅翅脈特征在夜蛾昆蟲數(shù)學分類學中的應(yīng)用[J].中國農(nóng)業(yè)大學學報，2015，20（5）：188-193.

[11] 潘鵬亮，楊紅珍，沈佐銳，等.翅脈的數(shù)學形態(tài)特征在蝴蝶分類鑒定中的應(yīng)用研究[J].昆蟲分類學報，2008，30（2）：151-160.

[12] SCHRDERS，DRESCHER W，STEINHAGE V， et al. An automated method for the identification of bee species （Hymenoptera： Apoidea）[C]∥Proceedings of International Sympiumon Conserving Europes Bees. International Bee Research Association & Linnean Society， London，1995：6-7.

[13] WEEKS P J D，ONEILL Ma，GASTON K J， et al. Automating insect identification： exploring the limitations of a prototype system [J].Journal of Applied Entomology，1999，123（1）：1-8.

[14] TOFILSKI A. DrawWing， a program for numerical description of insect wings [J]. Journal of Insect Science， 2004，4（1）： 17.

[15] MOLDENKE A. A web-based computer aided insect identification tool [R]. NWACC 2007 Proposal， 2008.

[16] 楊紅珍，張建偉，李湘濤，等.基于圖像的昆蟲遠程自動識別系統(tǒng)的研究[J].農(nóng)業(yè)工程學報，2008，24（1）：188-192.

[17] 于新文，沈佐銳，高靈旺，等.昆蟲圖像幾何形狀特征的提取技術(shù)研究[J].中國農(nóng)業(yè)大學學報，2003，8（3）：47-50.

[18] 楊紅珍，蔡小娜，李湘濤，等.幾何形態(tài)計量學在昆蟲自動鑒定中的應(yīng)用與展望[J].四川動物，2013，32（3）：464-469.

[19] 潘鵬亮，沈佐銳，高靈旺，等.昆蟲翅脈特征自動獲取技術(shù)的初步研究[J].昆蟲分類學報，2008（1）：72-80.

[20] 劉新新.昆蟲圖像智能識別技術(shù)研究[D].北京：北京郵電大學，2011.

[21] 李陽，沈佐銳，董學超，等.利用翅的數(shù)學形態(tài)特征對20種夜蛾進行分類鑒定的研究[J].中國農(nóng)業(yè)大學學報，2016，21（9）：80-89.

[22] 張永玲， 姜夢洲， 俞佩仕， 等. 基于多特征融合和稀疏表示的農(nóng)業(yè)害蟲圖像識別方法[J]. 中國農(nóng)業(yè)科學， 2018， 51（11）：2084-2093.

[23] 冼鼎翔，姚青，楊保軍，等.基于圖像的水稻燈誘害蟲自動識別技術(shù)的研究[J].中國水稻科學，2015，29（3）：299-304.

[24] 刁廣強.基于圖像的水稻病蟲害分割算法研究[D].杭州：浙江理工大學，2014.

[25] 王江寧，紀力強.昆蟲圖像分割方法及其應(yīng)用[J].昆蟲學報，2011，54（2）：211-217.

[26] RUSSELL K N， DO M T，PLATNICK N I. Introducing SPIDA-Web： an automated Identification system for biological species[C]∥Proceedings of Taxonomic Database Working Group Annual Meeting， 2005：11-18.

[27] WEN Chenglu， GUYER D E， LI Wei. Local feature-based identification and classification for orchard insects [J]. Biosystems Engineering， 2009，104（3）： 299-307.

[28] LIU Tao， CHEN Wen， WU Wei， et al. Detection of aphids in wheat fields using a computer vision technique [J]. Biosystems Engineering， 2016，141： 82-93.

[29] WEN C， GUYER D. Image-based orchard insect automated identification and classification method[J]. Computers and Electronics in Agriculture， 2012，89： 110-115.

[30] ZHAO Juan， CHENG Xiaoping. Field pest identification by an improved Gabor texture segmentation scheme [J]. New Zealand Journal of Agricultural Research， 2007，50（5）： 719-723.

[31] YAO Qing， XIAN Dingxiang， LIU Qingjie， et al. Automated counting of rice planthoppers in paddy fields based on image processing [J]. Journal of Integrative Agriculture， 2014，13（8）： 1736-1745.

[32] LARIOS N，DENG H，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 and Applications， 2008，19（2）： 105-123.

[33] WEN Chenglu，WU Daoxi，HU Huosheng， et al. Pose estimation-dependent identification method for field moth images using deep learning architecture [J]. Biosystems Engineering， 2015，136： 117-128.

[34] XIE Chengjun，ZHANG Jie，LI Rui， et al. Automatic classification for field crop insects via multiple-task sparse representation and multiple-kernel learning [J]. Computers and Electronics in Agriculture， 2015，119： 123-132.

[35] 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.

[36] 周曼，周明全.基于BP神經(jīng)網(wǎng)絡(luò)的水稻害蟲自動識別[J].北京師范大學學報（自然科學版），2008，44（2）：165-167.

[37] 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數(shù)算法[J].農(nóng)業(yè)工程學報，2014，30（1）：105-112.

[38] 呂軍，姚青，劉慶杰，等.基于模板匹配的多目標水稻燈誘害蟲識別方法的研究[J].中國水稻科學，2012，26（5）：619-623.

[39] KARPATHY A，LI Feifei. Deep visual-semantic alignments for generating image descriptions [C]∥The IEEE Conference on Computer Vision & Pattern Recognition， 2015：3128-3137.

[40] 陳國特.基于深度學習的稻飛虱圖像分類識別的研究[D].杭州：浙江理工大學，2018.

[41] DING W， TAYLOR G. Automatic moth detection from trap images for pest management [J]. Computers and Electronics in Agriculture， 2016，123： 17-28.

[42] 張志濤，張玉芬.昆蟲聲通訊及其應(yīng)用于害蟲測報的可能性[J].病蟲測報，1990（2）：42-44.

[43] 趙麗穩(wěn)，王鴻斌，張真，等.昆蟲聲音信號和應(yīng)用研究進展[J].植物保護，2008，34（4）：5-12.

[44] 姜仕仁.杭州植物園秋季夜間昆蟲群落的聲音監(jiān)測[J].浙江科技學院學報，2003，15（2）：72-76，81.

[45] CHESMORE E D. Application of time domain signal coding and artificial neural networks to passive acoustical identification of animals [J].Applied Acoustics-London，2001，62（12）：1359-1374.

[46] LUJO S，HARTMAN E，NORTON K， et al. Disrupting mating behavior of Diaphorina citri （Liviidae） [J]. Journal of Economic Entomology， 2016，109（6）： 2373-2379.

[47] JAKHETE S S， ALLAN S A，MANKIN R W.Wingbeat frequency-sweep and visual stimuli for trapping male Aedes aegypti （Diptera： Culicidae） [J]. Journal of Medical Entomology， 2017，54（5）：1415-1419.

[48] 雷仲仁，蔣錦昌，李莉，等.不同地區(qū)蟪蛄蟬求偶鳴聲的比較[J].昆蟲學報，1997，40（4）：349-357.

[49] MANKIN R W， HAGSTRUM D W，SMITH M T， et al. Perspective and promise： a century of insect acoustic detection and monitoring [J]. American Entomologist， 2011，57（1）： 30-44.

[71] JEFFRIES D L，CHAPMAN J， ROY H E， et al. Characteristics and drivers of high-altitude ladybird flight： insights from vertical-looking entomological radar [J/OL].PLoS ONE，2013，8（12）： e82278.

[72] REYNOLDS D R， NAU B S，CHAPMAN J W. High-altitude migration of Heteroptera in Britain[J]. European Journal of Entomology， 2013，110（3）： 483-492.

[73] DRAKE V A， WANG Haikou. Recognition and characterization of migratory movements of Australian plague locusts， Chortoicetes terminifera， with an insect monitoring radar [J]. Journal of Applied Remote Sensing， 2013，7（1）： 075095.

[74] RILEY J R. A millimetric radar to study the flight of small insects [J].Electronics and Communications Engineering Journal，1992，4（1）： 43-48.

[75] 齊會會，張云慧，程登發(fā)，等.褐飛虱2009年秋季回遷的雷達監(jiān)測及軌跡分析[J].昆蟲學報，2010，53（11）：1256-1264.

[76] 趙一鳴，李艷華，商雅楠，等.激光雷達的應(yīng)用及發(fā)展趨勢[J].遙測遙控，2014，35（5）：4-22.

[77] SHAW J，SELDOMRIDGE N，DUNKLE D， et al. Polarization lidar measurements of honey bees in flight for locating land mines [J]. Optics Express， 2005，13（15）： 5853-5863.

[78] HOFFMAN DS，NEHRIR AR，REPASKY KS， et al. Range-resolved optical detection of honeybees by use of wing-beat modulation of scattered light for locating land mines [J]. Applied Optics， 2007，46（15）： 3007-3012.

[79] CARLSTEN E S， WICKS G R， REPASKY K S， et al. Field demonstration of a scanning lidar and detection algorithm for spatially mapping honeybees for biological detection of land mines [J]. Applied Optics， 2011，50（14）： 2112-2123.

[80] ZHU Shiming，LI Yiyun，GAO Lina， et al.Optical remote detection of flying agricultural pest insects using dark-field reflectance measurements [J].昆蟲學報，2016，59（12）：1376-1385.

[81] RUNEMARK A，WELLENREUTHER M， JAYAWEERA H H E， et al. Rare events in remote dark-field spectroscopy： an ecological case study of insects [J]. IEEE Journal of Selected Topics in Quantum Electronics， 2012，18（5）： 1573-1582.

[82] BRYDEGAARD M， GEBRU A， SVANBERG S. Super resolution laser radar with blinking atmospheric particles-application to interacting flying insects [J]. Progress in Electromagnetics Research-Pier， 2014，147： 141-151.

[83] BRYDEGAARD M. Towards quantitative optical cross sections in entomological laser radar-potential of temporal and spherical parameterizations for identifying atmospheric fauna[J/OL]. PLoS ONE， 2015，10（8）： e0135231.

[84] GEBRU A，JANSSON S，IGNELL R， et al. Multiband modulation spectroscopy for determination of sex and species of mosquitoes in flight [J/OL]. Journal of Biophotonics， 2018：e201800014.