热推荐：害虫：咋吃个饭还能暴露身份证号呢

来源：中科院中国科普博览 2023-04-30 21:15:44

春天来到，农户的春耕又开始了。在田间地头，有一群科学家拿着杆子在给虫子拍照，原来，“虫脸识别”又上了“战场”。两篇文章，带你走进中科院合肥物质科学研究院智能机械研究所的“黑科技”——“虫脸识别”技术。

科学家的新工作：给虫子拍照

“虫脸识别”是这样一个技术，它主要基于人工智能图像识别和检测技术，能够让机器自动化识别当前拍摄的照片之中害虫的种类、数量。它能辅助田间植物保护测报人员和种田大户，判断田间当前病虫害发生的程度，为之后的精准防治，精准施药以及快速上报提供决策和建议。

(资料图)

让我们仔细看看这个工具长什么样子。

“虫脸识别”设备，包含前端的摄像设备（CCD camera）、移动智能终端（Mobile Terminal Client）和算法服务器。

（图片来源：作者）“虫脸识别”的工具分三部分组成。

第一部分是前端的拍摄设备，是中科院合肥物质科学研究院智能机械研究所的科学家们自主研发的，类似于自拍杆。它的前端设有一个高清摄像头，可以伸到作物根系、果树树梢等调查人员难以进入、观察的地方，使图像采集工作更加便捷。

第二个部分就是移动智能终端，搭载着调查专用的APP。在前端进行采集之后，这个APP能够快速将选取的调查图像上传到后台的算法服务器。

算法服务器就是第三部分，在接收到这些图片之后，算法服务器会基于人工智能技术对这些图像中包含的信息进行分析与综合研判，随后服务器会将识别结果数据返回给移动终端，整个过程仅仅需要1秒钟左右。

在操作“虫脸识别”设备时，将前端拍摄设备伸入虫害发生部位进行拍摄并通过APP完成上传，马上就可以在终端上看到当前的图像中包含有哪些害虫以及害虫的数量，机器会根据多个采样点的识别结果综合评估出当前田块中可能的虫害发生等级，辅助农业植物保护专家完成快速田间调查，并且还会提供合适的防治建议。

这些数据不仅提供移动设备上的实时反馈，还会被存储到云端的数据库中，工作人员可以通过电脑客户端进行更加仔细的查阅，并可以对结果进行编辑、备注及下载，从而完成整个测报工作。

害虫识别结果（图片来源：作者）

“虫脸识别”第一步：把人脸换成“虫子脸”

人脸识别技术已经被运用到我们日常生活的方方面面，“虫脸识别”和人脸识别都是基于机器视觉对于图像包含物体的识别，但把识别对象从人脸换为“虫子脸”可不是一般的难。

人脸有几十个关键点，机器通过查找眼睛、鼻子、嘴等基本就可以知道一个人的长相。但是“虫子脸”不一样，机器无法通过简单的人工设置的关键点进行精准的识别。

在田间，我国主要经济作物上可能出现的害虫种类可能达到几百种；每种害虫可能处于不同虫龄以及发育阶段，如幼虫期和成虫期，导致即使是同一种害虫样子也会大不相同。这就造成了田间的“虫脸识别”需要识别多姿态、多种类、多形态的害虫，这要比人脸识别困难得多。

要想识别千姿百态的虫子，最重要的是建立起“虫脸”数据库。在“虫脸识别”技术发展的最开始，数据积累是科学家们的头等大事，2016年到2018年的3年时间里，中科院合肥物质科学研究院智能机械研究所的科学家们带领着学生几乎住在了安徽省内的各个县市，对田间的害虫进行数据采集，完成了快速的数据积累。

科学家们在田间完成数据采集（图片来源：作者）

数据库建立起来之后，农业植物保护专家首先依据对害虫的判断来分析整理数据库，然后使用人工智能深度学习算法，让计算机自动归纳和总结某一类害虫所拥有的共性——口器、翅膀纹理、后背的花纹和斑点……这些都会成为计算机自动归纳出来的害虫特征，也就是“虫脸”。

历经几年时间，终于像识别人脸一样实现了对“虫脸”的智能化识别。

但数据库的建立工作并没有停下脚步，第一版识别系统搭建完毕之后，科学家们继续从当地的植保站以及其他有关渠道中进行图像收集，同时他们每年还会有几十次的外派出差去实地采集相关图片数据，让图片数据库不断增长与完善，也使“虫脸识别”的识别率逐年上升。

“虫脸”那么小，怎么认出它是谁？

只要拥有三大支持，就能迅速报出害虫的“身份证”。

首先是逐渐发展的摄像技术。我们现在拍摄的图像，无论是手机、相机还是固定的监视设备，其分辨率和图像质量是逐渐上升的，这是能够提供更好、更清晰的害虫图像数据的基础。

图片中的草地贪夜蛾十分清晰（图片来源：作者）

其次是优质的植物保护专家团队，他们是来自于农科院以及省植保站的专家，他们对害虫有清晰的了解，并且能够对相对细小的害虫进行准确辨认与精细的标注，为后续的机器学习提供优质的数据基础。

第三就是当前快速发展的人工智能技术。在人工智能技术的加持下，这套设备能够识别非常细小的害虫，当前比较成熟的技术就是一种模拟人眼的视觉感知的方式——“由粗到细（coarse to fine）”。

举个例子来说，当我们极目远眺时，先是看到了广阔的全景，当其中某一个区域出现了我们感兴趣的物体时，我们的视觉感知机制会调动大脑注意力，让我们更加专注的观察，从而看清这个区域中物体的细节。

计算机算法其实就是模拟了人的视觉感知过程，先粗略识别当前图片以判断图片中哪些地方可能出现了害虫，然后再对这个害虫区域进行放大，最后进一步识别被放大区域中害虫的种类与数量。这种方式极大地提升了人工智能识别图片的速度，节省了运算资源，同时也保证了细小害虫识别的准确度。

在田间，最影响识别准确度的一般是阳光和阴影，它们会对工作人员所拍摄的目标特征有非常大的影响。因此，为了能够采集到高质量的图像，科学家们还与相关机构进行合作，发布了水稻和小麦的智能图像采集标准，标准中涵盖了经过实验总结出来的，正确采集各类田间病害虫害的规范，以此提高数据的规范化，提升了数据质量。

强烈光线下的小麦蚜虫，几乎无法分辨颜色特征（图片来源：作者）

不同虫龄的害虫对图像识别也有很大干扰，尤其是在幼虫（也就是毛毛虫）阶段，干扰是非常严重的。即使是植物保护专家也很难仅仅通过一张图片就判断不同种类幼虫之间的区别。此时就需要获取更多的信息，比如作物种类、地理位置、采集时间、气温、湿度等等，再通过经验来判断害虫的种类。

在拍摄害虫的时候，科学家们当然也会拍摄到益虫，不过一般不会将益虫纳入到数据库中。一方面是由于益虫总体占比较少，另一方面也是尽量减少识别库种类复杂度，提升对害虫的识别准确率。

“虫脸识别”技术在一些重大的迁飞性害虫以及小麦、水稻的重点爆发性害虫的识别上来说，已经相对比较成功了，田间的识别准确率大概在70%~80%左右。

不仅会辨虫，它还能“看病”

对于农作物而言，病害、虫害以及草害，都是危害极大的。对这项技术来说，识别虫害是相对来说最简单的，因为害虫个体足够明显，数量可以计算。但是在病害的识别上，它的算法要更加复杂，病害可能是以黑点的形式出现，或者是白斑又或者是叶子卷曲的形式出现……每一种病害的特征是完全不一样的，就导致病害识别要跟虫害识别走不同的道路，需要针对每种病害的特征进行对应的算法建模工作。

水稻粒黑粉病（图片来源：作者）

科学家们现在基本完成了常见的小麦和水稻的病害研究，基本能够达到应用水平，其他作物的病害研究还需继续期待。