首页 > 分享 > 农业害虫自动识别与监测技术（资料）.doc

农业害虫自动识别与监测技术（资料）.doc

花匠小妙招
2024-09-15 10:17

农业害虫自动识别与监测技术（资料）目录 TOC o 1-9 h z u 目录 1 正文 1 文1：农业害虫自动识别与监测技术 1 1基于图像的害虫识别 2 2基于声音的害虫识别 4 3基于雷达(或厘达)的害虫识别 6 文2：我国农业害虫综合防治研究现状与展望 10 1我国农业害虫综合防治科学研究现状 12 2与发达国家害虫综合治理理论与技术研究的差距 17 3我国农业害虫综合防治科学研究发展展望与对策 17 参考文摘引言： 19 原创性声明（模板） 20 文章致谢（模板） 21 正文农业害虫自动识别与监测技术（资料）文1：农业害虫自动识别与监测技术随着计算机、互联网、物联网及人工智能技术的快速发展，信息技术在植物保护中得到了广泛应用[1-2]。植保基本数据的自动采集技术对植保信息技术的发展至关重要[1]。我国充分利用现代信息技术，在自动化、智能化新型测报工具研发应用及重大病虫害实时监测预警系统建设方面进行了大胆的探索，取得了比较明显的进步[3] 为了实现农业害虫智能测报，首先需要对害虫进行自动识别与计数。许多学者通过采集害虫的图像、声音和雷达等信号来探讨害虫的自动识别与计数，但由于农业害虫生态环境复杂多变，一些关键技术尚未能取得突破性进展，导致很多害虫测报装备智能化程度低，技术成熟度不高，自动监测环节薄弱，田间害虫数据采集基本上以人工为主，田间害虫调查仍然停留在“眼看、手查、盘拍、网捕”的阶段[3-5]。本文对害虫的自动识别与监测技术的进展进行综述，以期对害虫智能监测设备的研发起到推动作用。 1基于图像的害虫识别传统的昆虫分类学主要依据昆虫的形态特征区分昆虫种类。自20世纪80年代开始，国内外进行了大量的基于昆虫外部形态图像的昆虫自动分类诊断技术研究[6-9]。昆虫翅的特征是传统昆虫分类学中的重要分类学指标。早期的昆虫识别研究主要是利用昆虫图像上翅的特征来进行识别与鉴定[10-11]，特别是膜翅目、双翅目和鳞翅目的昆虫种类的识别，并开发了相关的识别软件，获得应用的软件有国外的ABIS[12]、DAISY[13]、DrawWing[14]和BugWing[15]，国内中国农业大学IPMist实验室在沈佐锐教授的指导下，从1997年开始利用图像处理技术提取昆虫的形态学特征，开发的昆虫识别系统BUGVISUX可实现多种昆虫的分类识别[16-17]，取得了较好的识别结果。这种借助计算机技术将昆虫形态学和数学形态学相融合产生了昆虫数学形态学技术[6]，该技术需要在设定好的标准环境下进行拍照或扫描昆虫的翅，图片经预处理后根据昆虫形态学特点使用软件手动或自动提取特征值，然后再分析特征值在种类间的变异程度，最后建立计算机算法区分昆虫种类[10，18-20] 利用翅的特征进行图像识别需要把昆虫的翅剪下，鳞翅目昆虫需要去鳞操作，并且在标准的拍摄环境下拍照或扫描，其应用在农业生产实践中受到很大的限制[21]。在农业害虫测报中，一般需要对农业害虫的整体进行识别[22-23]，因此很多学者开始研究基于图像的昆虫自动识别。一般基于图像的昆虫识别技术主要包括背景分割、特征提取和分类模型的训练和测试。昆虫准确识别的前提是提取出图像中的昆虫区域。由于昆虫图像来源不同，其背景千差万别。应用于昆虫图像分割的方法主要包括基于灰度直方图的分割、基于数学形态学的分割、基于区域增长的分割、基于边缘的分割、基于综合图像信息的分割、基于GrabCut的分割、显著性分割等[24-25]。特征提取的好坏，影响害虫的识别结果。目前，应用于昆虫识别的特征主要包括全局特征[26]和局部特征[27-28] 其中，害虫全局特征主要包括如颜色特征[9]、形态特征[29-30]和纹理特征[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技术[27，32]、稀疏编码技术[34]等)。利用昆虫特征向量训练的分类器主要包括支持向量机[9，27，31]、神经网络[29，35-36]、MKL[34]、K-NNC[27]、K-mea[37]等。在有限种类的农业害虫小样本图像集中，手工设计特征，训练和测试分类器，一般均能获得较高的准确率。然而，面对生物多样性(害虫存在不同姿态、种间变异和类间相似，以及大量的非目标昆虫干扰等)和复杂背景条件下，传统的模式识别方法鲁棒性不高，泛化能力差[8，23，38]。这也是基于图像的农业害虫识别方法并没有真正应用到农业害虫测报中的主要原因。近几年，随着人工智能的发展，深度学习在语音识别、自然语言处理、图像与视频分析等诸多领域获得了巨大的成功。目前，深度学习几乎是唯一的端到端机器学习系统，