基于人工智能的竹類(lèi)主要害蟲(chóng)識(shí)別系統(tǒng)開(kāi)發(fā)與應(yīng)用

李非非 楊 帆 余 飛 季 猛 舒智慧 徐 杰

(1 成都星億年智慧科技有限公司 成都 610095； 2 電子科技大學(xué) 成都 611731； 3 邛崍市規(guī)劃和自然資源局 成都 611500)

竹子作為典型的生態(tài)經(jīng)濟(jì)型植物，是我國(guó)重要的生態(tài)、產(chǎn)業(yè)和文化資源。加快竹產(chǎn)業(yè)健康持續(xù)發(fā)展，對(duì)推動(dòng)生態(tài)文明建設(shè)、推進(jìn)農(nóng)業(yè)供給側(cè)結(jié)構(gòu)性改革以及促進(jìn)農(nóng)民就業(yè)增收具有重要意義。四川省獨(dú)特的自然條件，形成了以叢生竹為主，叢生竹、散生竹、混生竹兼有的竹資源富集區(qū)，竹林面積達(dá)116余萬(wàn)hm2，居全國(guó)首位，產(chǎn)業(yè)發(fā)展?jié)摿薮蟆Ｄ壳霸谥耦?lèi)蟲(chóng)害防治工作中，對(duì)害蟲(chóng)種類(lèi)的識(shí)別嚴(yán)重依賴于專(zhuān)業(yè)人員鑒定，但在我國(guó)基層森林管護(hù)體系中具備相關(guān)專(zhuān)業(yè)知識(shí)的人員稀缺，通常無(wú)法準(zhǔn)確判斷蟲(chóng)害發(fā)生種類(lèi)并及時(shí)采取有效防治措施，進(jìn)而將導(dǎo)致森林經(jīng)營(yíng)效益受損[1]。隨著計(jì)算機(jī)技術(shù)的快速發(fā)展，利用電腦代替人工對(duì)特定物體進(jìn)行精確判別已成為可能，由此衍生出了對(duì)害蟲(chóng)圖像進(jìn)行計(jì)算機(jī)識(shí)別分類(lèi)的技術(shù)[2-3]，可以有效解決當(dāng)前森防實(shí)踐中存在的判斷偏差和防治延誤等問(wèn)題。然而，在現(xiàn)有計(jì)算機(jī)識(shí)別系統(tǒng)的主流應(yīng)用中，大多是以傳統(tǒng)的圖像識(shí)別技術(shù)為基礎(chǔ)，識(shí)別模型以淺層次結(jié)構(gòu)為主，對(duì)圖像的特征提取依賴人工設(shè)計(jì)的提取器，導(dǎo)致識(shí)別準(zhǔn)確率較低，難以滿足在復(fù)雜生態(tài)環(huán)境下對(duì)害蟲(chóng)進(jìn)行精準(zhǔn)識(shí)別的森防工作實(shí)際應(yīng)用要求。近年來(lái)，以人工智能深度學(xué)習(xí)技術(shù)為代表的圖像識(shí)別技術(shù)展現(xiàn)出了突出的優(yōu)勢(shì)，智能識(shí)別模型采用了更深層次的網(wǎng)絡(luò)結(jié)構(gòu)，且模型靠自身提取圖像特征，避免了人為干預(yù)。目前，卷積神經(jīng)網(wǎng)絡(luò)(CNN)、VGG網(wǎng)絡(luò)、殘差網(wǎng)絡(luò)(ResNet)等深度學(xué)習(xí)模型已廣泛應(yīng)用于許多領(lǐng)域的圖像識(shí)別[4-6]，并已取得顯著的應(yīng)用效果。

目前，深度學(xué)習(xí)技術(shù)在農(nóng)林業(yè)害蟲(chóng)識(shí)別領(lǐng)域已取得了一些初步研究成果，如陳娟等[7]針對(duì)北方園林害蟲(chóng)識(shí)別問(wèn)題，提出了一種基于改進(jìn)殘差網(wǎng)絡(luò)的害蟲(chóng)圖像識(shí)別方法，通過(guò)在殘差塊中添加卷積層和增加通道數(shù)提取更多的害蟲(chóng)圖像特征，優(yōu)化超參數(shù)，提高了害蟲(chóng)識(shí)別準(zhǔn)確率。錢(qián)蓉等[8]構(gòu)建了基于VGG16卷積神經(jīng)網(wǎng)絡(luò)的水稻害蟲(chóng)智能識(shí)別模型，該模型采用VGG16卷積神經(jīng)網(wǎng)絡(luò)為核心網(wǎng)絡(luò)結(jié)構(gòu),根據(jù)水稻害蟲(chóng)的個(gè)體特征和自然場(chǎng)景，對(duì)VGG16網(wǎng)絡(luò)的卷積層局部調(diào)整，優(yōu)化主要模型參數(shù)，實(shí)現(xiàn)了水稻害蟲(chóng)的智能識(shí)別。然而這些方法大多基于傳統(tǒng)的深度學(xué)習(xí)識(shí)別模型，對(duì)差異較大的害蟲(chóng)類(lèi)別識(shí)別效果較好，但容易忽略子類(lèi)別間細(xì)微的差異，導(dǎo)致識(shí)別準(zhǔn)確率不高。為解決上述問(wèn)題，對(duì)以深度卷積網(wǎng)絡(luò)為基礎(chǔ)的細(xì)粒度圖像識(shí)別模型的研究逐漸成為重點(diǎn)[9-10]，為更準(zhǔn)確的識(shí)別害蟲(chóng)提供了全新的技術(shù)手段。

在當(dāng)前四川省竹產(chǎn)業(yè)大發(fā)展的有利背景下，將人工智能技術(shù)引入竹子的經(jīng)營(yíng)管理，并逐步將以計(jì)算機(jī)、互聯(lián)網(wǎng)、人工智能等高新技術(shù)為代表的科技支撐手段應(yīng)用于竹產(chǎn)業(yè)發(fā)展的各個(gè)方面，實(shí)行精細(xì)化管理以提升生產(chǎn)效益，是竹產(chǎn)業(yè)高質(zhì)量發(fā)展勢(shì)在必行的趨勢(shì)，具有極其重要的現(xiàn)實(shí)意義。鑒于此，本文論述了基于人工智能技術(shù)開(kāi)發(fā)的竹類(lèi)主要害蟲(chóng)識(shí)別系統(tǒng)(以下簡(jiǎn)稱“系統(tǒng)”)原理及構(gòu)架，并分析了其在四川省邛崍市相關(guān)竹產(chǎn)業(yè)基地實(shí)際森防場(chǎng)景中的應(yīng)用情況。

1 系統(tǒng)概況

1.1 系統(tǒng)整體結(jié)構(gòu)

本系統(tǒng)由應(yīng)用服務(wù)器、數(shù)據(jù)存儲(chǔ)和用戶軟件3大部分構(gòu)成，系統(tǒng)結(jié)構(gòu)圖如圖1所示。應(yīng)用服務(wù)器作為整個(gè)系統(tǒng)核心部分，包含識(shí)別服務(wù)器和云服務(wù)器，其中：識(shí)別服務(wù)器內(nèi)嵌人工智能算法以實(shí)現(xiàn)害蟲(chóng)識(shí)別的核心功能；云服務(wù)器主要提供地理信息系統(tǒng)(GIS)、系統(tǒng)各種請(qǐng)求響應(yīng)等相關(guān)遠(yuǎn)程服務(wù)。數(shù)據(jù)存儲(chǔ)部分主要存儲(chǔ)竹類(lèi)害蟲(chóng)細(xì)粒度數(shù)據(jù)集以及系統(tǒng)運(yùn)行數(shù)據(jù)。用戶軟件部分主要實(shí)現(xiàn)在移動(dòng)設(shè)備客戶端的具體操作，例如害蟲(chóng)拍照上傳、害蟲(chóng)定位等。

1.2 用戶軟件總體功能框架

用戶軟件作為直接面向用戶的操作平臺(tái)，系統(tǒng)的所有功能均是通過(guò)其予以直觀呈現(xiàn)。用戶軟件總體功能包含“蟲(chóng)情”“地圖”“識(shí)蟲(chóng)”“互動(dòng)”和“用戶”5大功能模塊，其中“識(shí)蟲(chóng)”為用戶軟件的核心功能模塊，其余功能模塊均是為了更好地服務(wù)于核心功能而設(shè)置的輔助功能模塊。用戶軟件功能框架如圖2所示。

圖1 系統(tǒng)結(jié)構(gòu)圖Fig.1 The diagram of system structure

圖2 用戶軟件功能框架圖Fig.2 The software function framework for users

1.3 害蟲(chóng)智能識(shí)別流程

對(duì)害蟲(chóng)進(jìn)行智能識(shí)別是本系統(tǒng)的核心功能，該功能由用戶軟件、害蟲(chóng)識(shí)別服務(wù)器和云服務(wù)器共同配合完成，其主要工作流程如下(圖3)：

1) 通過(guò)用戶軟件上傳目標(biāo)害蟲(chóng)圖片到云服務(wù)器，經(jīng)云服務(wù)器處理后將圖片發(fā)送至識(shí)別服務(wù)器；

圖3 害蟲(chóng)智能識(shí)別流程圖Fig.3 The process of intelligent recognition for pests

2) 識(shí)別服務(wù)器對(duì)接收到的害蟲(chóng)圖片再次進(jìn)行預(yù)處理后通過(guò)人工智能識(shí)別模型對(duì)圖片進(jìn)行細(xì)粒度識(shí)別；

3) 識(shí)別服務(wù)器將識(shí)別結(jié)果和準(zhǔn)確率經(jīng)云服務(wù)器反饋至用戶軟件展示(圖4)。

圖4 用戶軟件識(shí)別結(jié)果界面Fig.4 The recognition result interface of user software

2 人工智能識(shí)別模型

實(shí)現(xiàn)對(duì)害蟲(chóng)的精準(zhǔn)識(shí)別依賴于人工智能識(shí)別模型的構(gòu)建，人工智能識(shí)別模型的關(guān)鍵技術(shù)及相關(guān)實(shí)驗(yàn)結(jié)果分析如下。

2.1 構(gòu)建細(xì)粒度實(shí)驗(yàn)數(shù)據(jù)集

數(shù)據(jù)集是搭建人工智能識(shí)別模型的重要前置基礎(chǔ)條件。在實(shí)驗(yàn)中，通過(guò)在生態(tài)環(huán)境中拍攝高質(zhì)量照片，構(gòu)建了一個(gè)包含竹類(lèi)主要害蟲(chóng)在內(nèi)的120種蟲(chóng)類(lèi)、圖片數(shù)量超過(guò)8 500張圖片的基礎(chǔ)圖片數(shù)據(jù)集。

神經(jīng)網(wǎng)絡(luò)需要大量已完成標(biāo)記的圖片數(shù)據(jù)來(lái)訓(xùn)練其學(xué)習(xí)能力，而本文實(shí)驗(yàn)數(shù)據(jù)集圖片數(shù)量有限，因此采取了人工智能研究中常用的數(shù)據(jù)增強(qiáng)技術(shù)，以有效擴(kuò)充圖片數(shù)量。數(shù)據(jù)增強(qiáng)也叫數(shù)據(jù)擴(kuò)增，是在不實(shí)質(zhì)性增加數(shù)據(jù)的情況下讓有限的數(shù)據(jù)產(chǎn)生等價(jià)于更多數(shù)據(jù)的價(jià)值[11-12]。對(duì)于本次采用的實(shí)驗(yàn)數(shù)據(jù)集，通過(guò)翻轉(zhuǎn)、旋轉(zhuǎn)、隨機(jī)裁剪、調(diào)節(jié)亮度、對(duì)比度、飽和度等方法來(lái)倍增樣本數(shù)量，經(jīng)數(shù)據(jù)增強(qiáng)后的橙粉蝶圖片如圖5所示。

圖5 經(jīng)數(shù)據(jù)增強(qiáng)后的橙粉蝶圖片F(xiàn)ig.5 The butterfly pictures enhanced by data

2.2 基于Inception V3神經(jīng)網(wǎng)絡(luò)搭建人工智能識(shí)別模型

卷積神經(jīng)網(wǎng)絡(luò)(CNN)是深度學(xué)習(xí)中的重要模型。卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)主要由卷積層、池化層、全連接層以及最后的輸出層構(gòu)成，通過(guò)卷積和池化等操作，提取圖像特征用于識(shí)別，最后輸出識(shí)別結(jié)果。

GoogLeNet(Google Inception Net)是卷積神經(jīng)網(wǎng)絡(luò)的一種結(jié)構(gòu)，GoogLeNet的核心思想在于增加網(wǎng)絡(luò)深度和寬度以提高卷積神經(jīng)網(wǎng)絡(luò)性能，在增加神經(jīng)網(wǎng)絡(luò)寬度方面主要采用深度卷積網(wǎng)絡(luò)Inception[13-14]，如圖6所示。Inception V1是Inception網(wǎng)絡(luò)的第1個(gè)版本，在隨后的幾年里，研究人員對(duì)Inception神經(jīng)網(wǎng)絡(luò)進(jìn)行了數(shù)次改進(jìn)以增強(qiáng)其性能，本文實(shí)驗(yàn)便是基于最新的Inception V3神經(jīng)網(wǎng)絡(luò)搭建了害蟲(chóng)識(shí)別模型。

圖6 Inception結(jié)構(gòu)圖Fig.6 The structure of Inception

在Inception結(jié)構(gòu)中，i×i Convolutions表示在卷積層使用i×i大的卷積核來(lái)提取蟲(chóng)類(lèi)圖像特征，3×3 Max Pooling表示圖片每3×3矩陣輸出一個(gè)最大值。

傳統(tǒng)版本的Inception神經(jīng)網(wǎng)絡(luò)使用3×3的卷積核會(huì)帶來(lái)巨大的計(jì)算量，Inception V3神經(jīng)網(wǎng)絡(luò)引入了“分解為小卷積”的思想，將1個(gè)較大的二維卷積拆成2個(gè)較小的一維卷積，比如將3×3卷積拆成1×3卷積和3×1卷積，且在每個(gè)卷積層后加入ReLU激活函數(shù)來(lái)增加模型的非線性，如圖7所示。Inception V3神經(jīng)網(wǎng)絡(luò)相比于圖像識(shí)別領(lǐng)域的其他神經(jīng)網(wǎng)絡(luò)模型，增加了模型的深度和寬度，在顯著減少參數(shù)和計(jì)算量的同時(shí)也減輕了過(guò)擬合[15]。

圖7 Inception V3卷積拆分結(jié)構(gòu)圖Fig.7 The split structure of Inception V3 convolutions

2.3 實(shí)驗(yàn)結(jié)果與分析

本文實(shí)驗(yàn)所使用的計(jì)算機(jī)GPU為2塊RTX2080，操作系統(tǒng)為Ubuntu16.04.7 LTS，英偉達(dá)顯卡驅(qū)動(dòng)版本為450.80.02，CUDA版本為11.0。實(shí)驗(yàn)使用Python語(yǔ)言，深度學(xué)習(xí)框架為Pytorch。

實(shí)驗(yàn)中，數(shù)據(jù)集被分為訓(xùn)練集和測(cè)試集2個(gè)獨(dú)立的部分。其中訓(xùn)練集用于訓(xùn)練模型，測(cè)試集用于檢驗(yàn)經(jīng)篩選的最優(yōu)模型的識(shí)別性能。實(shí)驗(yàn)中訓(xùn)練集使用Adam優(yōu)化器，基本學(xué)習(xí)率參數(shù)設(shè)置為1e-4，權(quán)重衰減系數(shù)為1e-5，采用以32張圖片為一組的小批量訓(xùn)練，共進(jìn)行30輪訓(xùn)練，參數(shù)學(xué)習(xí)率訓(xùn)練至第8輪下降0.3，訓(xùn)練至第14輪再下降0.3，此后不再調(diào)整。

在已構(gòu)建的實(shí)驗(yàn)數(shù)據(jù)集中隨機(jī)選取2 000張圖片進(jìn)行數(shù)據(jù)增強(qiáng)后對(duì)Inception V3神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。在訓(xùn)練完成的基于Inception V3神經(jīng)網(wǎng)絡(luò)搭建的害蟲(chóng)識(shí)別模型上使用533張分辨率大小為299×299的圖片進(jìn)行測(cè)試，結(jié)果顯示識(shí)別效果良好，平均準(zhǔn)確率達(dá)98.9%，除2種天牛識(shí)別準(zhǔn)確率未達(dá)到90%、十斑大瓢蟲(chóng)和蚜蟲(chóng)準(zhǔn)確率未達(dá)到100%外，其余種類(lèi)識(shí)別準(zhǔn)確率均達(dá)到100%(表1、圖8)。

表1 實(shí)驗(yàn)識(shí)別準(zhǔn)確率Tab.1 The recognition accuracy of experiments

圖8 實(shí)驗(yàn)識(shí)別準(zhǔn)確率條形圖Fig.8 The bar graph of the experimental recognition accuracy

3 系統(tǒng)在森防場(chǎng)景中的測(cè)試

系統(tǒng)在開(kāi)發(fā)完成后針對(duì)模型的識(shí)別準(zhǔn)確率進(jìn)行了測(cè)試，獲得了較好的結(jié)果。本次在森防場(chǎng)景中，對(duì)應(yīng)用服務(wù)器、數(shù)據(jù)存儲(chǔ)和用戶軟件方面對(duì)系統(tǒng)進(jìn)行整體測(cè)試，以期在自然生態(tài)條件下對(duì)系統(tǒng)的實(shí)際識(shí)別準(zhǔn)確率、穩(wěn)定性、可操作性等關(guān)鍵方面進(jìn)行驗(yàn)證，為后期在森防領(lǐng)域推廣應(yīng)用本系統(tǒng)積累經(jīng)驗(yàn)。

3.1 測(cè)試地的選擇

根據(jù)《四川省竹產(chǎn)業(yè)發(fā)展規(guī)劃(2017—2022年)》，四川省將構(gòu)建“一群三帶+其他區(qū)”的竹產(chǎn)業(yè)發(fā)展格局，以邛崍市為核心的“龍門(mén)山竹產(chǎn)業(yè)帶”被規(guī)劃定位為四川省現(xiàn)代竹業(yè)發(fā)展格局中的重要組成部分。邛崍市竹林總面積3.26萬(wàn)hm2，占全市土地總面積的23.6%，占全市林地總面積的45.7%。邛崍市竹產(chǎn)業(yè)基地已經(jīng)形成一二三產(chǎn)業(yè)協(xié)同發(fā)展的較為完善的產(chǎn)業(yè)鏈條，是成都市乃至四川省現(xiàn)代竹產(chǎn)業(yè)發(fā)展重要區(qū)域，具有極大的發(fā)展?jié)摿ΑＲ虼?，鑒于在竹類(lèi)資源面積、竹類(lèi)害蟲(chóng)豐富度、森防及森林管護(hù)隊(duì)伍體系等方面的優(yōu)勢(shì)，選擇在四川省邛崍市相關(guān)竹產(chǎn)業(yè)基地開(kāi)展工作，具備相應(yīng)測(cè)試基礎(chǔ)條件且具有示范意義。

3.2 測(cè)試內(nèi)容

3.2.1 測(cè)試人員范圍

系統(tǒng)開(kāi)發(fā)的主要目的是為竹產(chǎn)業(yè)基地森防工作提供有效的科技支撐，在后期森林經(jīng)營(yíng)過(guò)程中引入精細(xì)化管理措施，提升竹產(chǎn)業(yè)基地整體效益。為保證測(cè)試過(guò)程有組織、有計(jì)劃的推進(jìn)，測(cè)試結(jié)果能順利收集，測(cè)試在邛崍市林業(yè)系統(tǒng)內(nèi)進(jìn)行，由當(dāng)?shù)亓謽I(yè)主管部門(mén)的基層森防、森林管護(hù)及其他相關(guān)人員參與測(cè)試，參與人數(shù)共計(jì)48人。

3.2.2 測(cè)試時(shí)間段

在理想狀態(tài)下，測(cè)試時(shí)間段應(yīng)涵蓋主要竹類(lèi)害蟲(chóng)的全生命周期，以便有機(jī)會(huì)識(shí)別已錄入數(shù)據(jù)集的害蟲(chóng)的各時(shí)期形態(tài)，根據(jù)四川省的實(shí)際情況，觀察竹類(lèi)害蟲(chóng)的周期從4月至10月為最佳。

測(cè)試于2020年4月開(kāi)始，但由于疫情及洪災(zāi)等不可抗力的影響，測(cè)試時(shí)間段被迫壓縮且未能夠高密度連續(xù)進(jìn)行，實(shí)際測(cè)試工作主要集中在5、6、7、9、10月期間，其他月份則零星開(kāi)展測(cè)試活動(dòng)。在測(cè)試完成后根據(jù)實(shí)際測(cè)試效果評(píng)估，測(cè)試過(guò)程中已監(jiān)測(cè)到邛崍市有記錄的絕大部分竹類(lèi)主要害蟲(chóng)，基本達(dá)到了測(cè)試預(yù)期目的。

3.2.3 測(cè)試方法

所有參與測(cè)試的基層管護(hù)人員均在移動(dòng)設(shè)備上安裝智能識(shí)別APP，按照常規(guī)森林管護(hù)計(jì)劃對(duì)各自負(fù)責(zé)區(qū)域內(nèi)的相關(guān)竹產(chǎn)業(yè)基地進(jìn)行巡護(hù)，巡護(hù)線路不預(yù)設(shè)，在巡護(hù)過(guò)程中對(duì)沿線隨機(jī)發(fā)現(xiàn)的蟲(chóng)類(lèi)(包括但不僅限于竹類(lèi)害蟲(chóng))在自然生態(tài)條件下進(jìn)行多次拍攝并利用智能識(shí)別APP進(jìn)行即時(shí)識(shí)別。由此，可得到各種類(lèi)害蟲(chóng)在不同時(shí)段、不同背景、不同光線及不同角度的大量現(xiàn)場(chǎng)圖片，進(jìn)而測(cè)試本系統(tǒng)在復(fù)雜且有干擾的森防場(chǎng)景中的實(shí)際識(shí)別效果。

3.3 測(cè)試效果

本次測(cè)試有效拍攝蟲(chóng)類(lèi)種類(lèi)共計(jì)63種(未納入數(shù)據(jù)集的蟲(chóng)類(lèi)無(wú)法識(shí)別)，其中竹類(lèi)害蟲(chóng)共計(jì)18種[16]，其余為在竹林內(nèi)發(fā)現(xiàn)但不對(duì)竹林造成顯著危害的其他蟲(chóng)類(lèi)。按照系統(tǒng)設(shè)置，拍攝一張圖片即完成實(shí)時(shí)識(shí)別一次，本次納入統(tǒng)計(jì)范圍的18種竹類(lèi)害蟲(chóng)共計(jì)拍攝圖片2 191張，識(shí)別2 191次。實(shí)際識(shí)別準(zhǔn)確率以該類(lèi)害蟲(chóng)的識(shí)別正確次數(shù)除總共識(shí)別次數(shù)計(jì)算得出。

經(jīng)統(tǒng)計(jì)，實(shí)際識(shí)別準(zhǔn)確率最高為100%，最低為84%，平均實(shí)際識(shí)別準(zhǔn)確率為96.26%，其余45種其他蟲(chóng)類(lèi)的平均實(shí)際識(shí)別準(zhǔn)確率也達(dá)到該水平?？梢?jiàn)，本識(shí)別系統(tǒng)在自然生態(tài)條件下的識(shí)別率效果較好，達(dá)到了預(yù)期目標(biāo)。

表2 竹類(lèi)主要害蟲(chóng)實(shí)際識(shí)別準(zhǔn)確率統(tǒng)計(jì)Tab.2 The actual recognition accuracy statistics of the main bamboo pests

表2(續(xù))

另外，在測(cè)試中系統(tǒng)網(wǎng)絡(luò)通信良好，響應(yīng)速度達(dá)標(biāo)，多人同時(shí)在線使用未發(fā)生掉線、卡頓、系統(tǒng)崩潰等情況，相關(guān)人員經(jīng)簡(jiǎn)單培訓(xùn)后均可熟練操作使用。

3.4 問(wèn)題分析及解決方案

3.4.1 影響實(shí)際識(shí)別準(zhǔn)確率的因素

1) 目標(biāo)特征顯著性的影響。目標(biāo)特征的顯著性是影響系統(tǒng)實(shí)際識(shí)別率的重要因素，在對(duì)本次納入統(tǒng)計(jì)的18種竹類(lèi)主要害蟲(chóng)的實(shí)際識(shí)別準(zhǔn)確率情況進(jìn)行統(tǒng)計(jì)后發(fā)現(xiàn)，實(shí)際識(shí)別率較低均是由于特征相似或特征不明顯而導(dǎo)致，如十斑大瓢蟲(chóng)和雙帶盤(pán)瓢蟲(chóng)，大足象和長(zhǎng)足大竹象這類(lèi)害蟲(chóng)具備較為相似的外形特征，山窗螢、竹梢凸唇斑蚜等則個(gè)體較小特征不明顯，對(duì)于個(gè)體較大、特征顯著、蟲(chóng)體色彩鮮明的害蟲(chóng)，其實(shí)際識(shí)別準(zhǔn)確率均普遍較高。

2) 拍攝條件的影響。在自然生態(tài)環(huán)境下，如光線、天氣、背景等外部因素可導(dǎo)致所拍攝的目標(biāo)害蟲(chóng)圖片出現(xiàn)形態(tài)畸變、色彩失真等情況，以及相機(jī)分辨率，拍攝目標(biāo)的完整度、清晰度等，這一系列因素均可對(duì)實(shí)際識(shí)別準(zhǔn)確率造成較大影響。

3.4.2 解決方案

就本次測(cè)試所發(fā)現(xiàn)的問(wèn)題，提高識(shí)別準(zhǔn)確率的路徑應(yīng)分為2個(gè)方向：一是加強(qiáng)人員培訓(xùn)，使其在實(shí)際操作過(guò)程中盡量保證規(guī)范拍攝，最大限度地在所拍攝的標(biāo)本圖片中突出目標(biāo)特征，確保清晰度；二是加強(qiáng)數(shù)據(jù)集的收集，增加蟲(chóng)類(lèi)的標(biāo)本圖片，擴(kuò)展廣度，為神經(jīng)網(wǎng)絡(luò)訓(xùn)練提供更加充分的大數(shù)據(jù)基礎(chǔ)，修正完善算法，提高識(shí)別準(zhǔn)確度。