邱榮洲, 趙 健, 何玉仙, 陳韶萍， 黃美玲, 池美香, 梁 勇, 翁啟勇,*

(1. 福建省農(nóng)業(yè)科學(xué)院植物保護(hù)研究所, 福建省作物有害生物監(jiān)測(cè)與治理重點(diǎn)實(shí)驗(yàn)室, 福州 350013;2. 福建省農(nóng)業(yè)科學(xué)院數(shù)字農(nóng)業(yè)研究所, 福州 350003; 3. 漳州市長(zhǎng)泰區(qū)植保站, 福建漳州 363900)

草地貪夜蛾Spodopterafrugiperda屬鱗翅目(Lepidoptera)夜蛾科(Noctuidae)，是一種原產(chǎn)于美洲熱帶和亞熱帶地區(qū)的多食性、遷飛性重大農(nóng)業(yè)害蟲(chóng)(Sparks, 1979; Toddel and Pooler, 1980; 郭井菲等, 2018)。2019年草地貪夜蛾已在我國(guó)南方的熱帶、南亞熱帶地區(qū)完成定殖過(guò)程(吳孔明, 2020)。對(duì)草地貪夜蛾進(jìn)行種群監(jiān)測(cè)是明確其發(fā)生規(guī)律并指導(dǎo)防治的重要基礎(chǔ)性工作。傳統(tǒng)的性信息素誘捕、燈光誘捕、田間調(diào)查等人工測(cè)報(bào)方法，需要由專(zhuān)人定期調(diào)查田間的發(fā)生為害情況并統(tǒng)計(jì)蟲(chóng)口數(shù)量，專(zhuān)業(yè)性強(qiáng)，勞動(dòng)強(qiáng)度大，耗時(shí)且效率低下?，F(xiàn)代信息技術(shù)的創(chuàng)新發(fā)展為害蟲(chóng)監(jiān)測(cè)預(yù)警工作提供了新的方法和強(qiáng)有力的技術(shù)支持，基于機(jī)器學(xué)習(xí)的害蟲(chóng)圖像識(shí)別與計(jì)數(shù)系統(tǒng)，可以克服傳統(tǒng)監(jiān)測(cè)方法存在的短板和不足，實(shí)現(xiàn)無(wú)人值守的草地貪夜蛾成蟲(chóng)自動(dòng)識(shí)別與精準(zhǔn)計(jì)數(shù)。

近年來(lái)，隨著圖像處理和機(jī)器學(xué)習(xí)等相關(guān)技術(shù)的快速發(fā)展，基于深度學(xué)習(xí)的圖像識(shí)別技術(shù)在植物病蟲(chóng)害智能識(shí)別領(lǐng)域已得到廣泛應(yīng)用。例如，Liu等(2016)應(yīng)用卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network, CNN)等方法來(lái)解決水稻12種害蟲(chóng)種類(lèi)自動(dòng)識(shí)別的問(wèn)題，并取得較好的結(jié)果。Sladojevic等(2016)提出了一種識(shí)別13種病害的深度學(xué)習(xí)模型，采用人工圖像預(yù)處理來(lái)突出目標(biāo)區(qū)域，從而提高識(shí)別率，不足之處是耗時(shí)較長(zhǎng)。田冉等(2016)利用支持向量機(jī)(support vector machine, SVM)對(duì)果樹(shù)害蟲(chóng)圖像進(jìn)行識(shí)別分類(lèi)，獲得了88%的識(shí)別準(zhǔn)確率。周愛(ài)明等(2017)利用CaffeNet模型進(jìn)行蝴蝶科級(jí)標(biāo)本圖像識(shí)別，獲得了95.8%的識(shí)別準(zhǔn)確率。Lu等(2017)提出了水稻病害識(shí)別方法，用深層CNN技術(shù)識(shí)別10種常見(jiàn)水稻病害，提高了水稻病害識(shí)別收斂速度和精度。Leonardo等(2018)提出一種使用深度學(xué)習(xí)架構(gòu)進(jìn)行果蠅識(shí)別的方法，并獲得了95.68%的準(zhǔn)確率。Ferentinos(2018)利用CNN診斷和鑒定植物健康和患病的葉片。Wang等(2019)建立10種害蟲(chóng)識(shí)別模型，獲得了93.84%分類(lèi)準(zhǔn)確率。Li等(2020)利用改進(jìn)的GoogLeNet模型實(shí)現(xiàn)在自然場(chǎng)景中10種作物害蟲(chóng)的自動(dòng)分類(lèi)，并獲得98.91%的分類(lèi)準(zhǔn)確率。上述基于深度學(xué)習(xí)的病蟲(chóng)害自動(dòng)識(shí)別的研究，主要是應(yīng)用不同的算法和模型解決不同場(chǎng)景下植物病蟲(chóng)害的圖像分類(lèi)和識(shí)別的問(wèn)題，并取得了較好的結(jié)果。然而，在田間害蟲(chóng)監(jiān)測(cè)的實(shí)際應(yīng)用場(chǎng)景中，僅對(duì)目標(biāo)害蟲(chóng)進(jìn)行種類(lèi)識(shí)別，還無(wú)法有效解決目標(biāo)害蟲(chóng)定性與定量自動(dòng)監(jiān)測(cè)預(yù)警的問(wèn)題。

深度學(xué)習(xí)目標(biāo)檢測(cè)網(wǎng)絡(luò)可以同時(shí)監(jiān)測(cè)目標(biāo)的類(lèi)別和位置，快速實(shí)現(xiàn)目標(biāo)物體的數(shù)量統(tǒng)計(jì)。當(dāng)前比較有代表性的算法有RCNN(Girshicketal., 2014), Fast RCNN(Renetal., 2017)，SSD(Liuetal., 2016)和YOLO(Redmonetal., 2016)等。Ding和Taylor(2016)使用深度學(xué)習(xí)對(duì)田間誘捕器內(nèi)拍攝的鱗翅目害蟲(chóng)進(jìn)行計(jì)數(shù)，僅將深度卷積神經(jīng)網(wǎng)絡(luò)作為滑動(dòng)窗口方法的分類(lèi)器，導(dǎo)致可檢測(cè)目標(biāo)尺寸單一且運(yùn)算量巨大。Sun等(2018)提出了一種基于優(yōu)化Fast R-CNN深度學(xué)習(xí)的檢測(cè)模型，實(shí)現(xiàn)誘捕器內(nèi)紅脂大小蠹的自動(dòng)計(jì)數(shù)，并獲得0.746的檢測(cè)精度。Liu和Wang等(2020)進(jìn)行了SSD, Faster R-CNN和YOLO算法應(yīng)用在番茄病蟲(chóng)害檢測(cè)精度和速度的對(duì)比實(shí)驗(yàn)，YOLO的檢測(cè)精度與SSD和Faster R-CNN相當(dāng)，檢測(cè)時(shí)間優(yōu)于SSD和Faster R-CNN。因此，本研究選擇YOLO-V5網(wǎng)絡(luò)建立草地貪夜蛾深度卷積網(wǎng)絡(luò)監(jiān)測(cè)模型，并通過(guò)圖像背景去除、增加對(duì)照數(shù)據(jù)類(lèi)別等方法，篩選和優(yōu)化出最優(yōu)的監(jiān)測(cè)模型，實(shí)現(xiàn)對(duì)草地貪夜蛾成蟲(chóng)圖像的快速、準(zhǔn)確的自動(dòng)識(shí)別與計(jì)數(shù)，為害蟲(chóng)智能化自動(dòng)監(jiān)測(cè)裝備開(kāi)發(fā)提供核心算法支持。

1 材料與方法

1.1 試驗(yàn)數(shù)據(jù)采集

圖1 害蟲(chóng)智能監(jiān)測(cè)設(shè)備示意圖(左)和實(shí)物圖(右)Fig. 1 Schematic diagram (left) and actual image (right)of pest monitoring equipmentA: 太陽(yáng)能電池板Solar panels; B: 植保智盒(多功能控制終端)Plant protection box (multi-function control terminal); C: 鋰電池Lithium battery; D: 性信息素誘芯Sex pheromone lure; E: 殺蟲(chóng)用高壓電網(wǎng)High voltage power grid for killing insects; F: 自動(dòng)拍攝單元Automatic shooting unit; G: 立桿Upright pole; H: 實(shí)物圖Physical picture.

本研究使用自動(dòng)監(jiān)測(cè)設(shè)備自動(dòng)拍攝和常規(guī)誘捕器+相機(jī)/手機(jī)拍攝兩種方法采集草地貪夜蛾圖像。自動(dòng)監(jiān)測(cè)設(shè)備為課題組自主研制的害蟲(chóng)圖像監(jiān)測(cè)設(shè)備FAAS-Pest Monitor(授權(quán)專(zhuān)利號(hào): ZL201921202577.5)，由性誘單元、電擊單元、拍攝單元、植保智盒(多功能控制終端)、太陽(yáng)能供電組件等組成(圖1)。設(shè)備工作的主要原理是利用性信息素定向誘集目標(biāo)昆蟲(chóng)，通過(guò)高壓電網(wǎng)擊倒昆蟲(chóng)，蟲(chóng)體掉入拍攝單元的白色背景集蟲(chóng)板，通過(guò)植保智盒控制攝像頭定時(shí)拍攝集蟲(chóng)板上的昆蟲(chóng)圖像，并通過(guò)4G無(wú)線網(wǎng)絡(luò)上傳到云端。監(jiān)測(cè)設(shè)備攝像頭分辨率為1 800像素×1 350像素，攝像頭與底部白色背景集蟲(chóng)板的距離為200 mm，四周設(shè)有LED補(bǔ)光燈。每日12∶00時(shí)自動(dòng)采集1次圖像，每次圖像采集后，設(shè)備自動(dòng)清理蟲(chóng)體，保證每張圖片的蟲(chóng)口數(shù)為清理前24 h的蟲(chóng)量。試驗(yàn)以性信息素誘捕的草地貪夜蛾雄成蟲(chóng)為檢測(cè)對(duì)象，斜紋夜蛾雄成蟲(chóng)(相似檢測(cè)目標(biāo))為數(shù)據(jù)擴(kuò)增樣本，通過(guò)安裝在福建漳州、廈門(mén)、莆田、三明等地的設(shè)備自動(dòng)捕獲圖像2 232張(表1)。

常規(guī)誘捕器+相機(jī)/手機(jī)數(shù)據(jù)采集方法中采用的誘捕器為漳州英格爾公司生產(chǎn)的船形誘捕器，相機(jī)型號(hào)為Sony-RX100，手機(jī)型號(hào)為小米M5。通過(guò)相機(jī)、手機(jī)人工拍攝船型誘捕器的粘蟲(chóng)板上誘捕的草地貪夜蛾照片749張(表1)，圖像分辨率分別為5 472像素×3 648像素和4 000像素×3 000像素，拍攝距離為150～200 mm。試驗(yàn)數(shù)據(jù)采集地為福建云霄縣東廈鎮(zhèn)佳洲島玉米種植基地。

表1 本研究采自福建的樣本數(shù)據(jù)的來(lái)源及數(shù)量Table 1 The source and amount of sample data taken from Fujian, southern China in this study

1.2 數(shù)據(jù)集建立

為了探討不同數(shù)據(jù)集對(duì)模型訓(xùn)練結(jié)果的影響，對(duì)圖像進(jìn)行了標(biāo)準(zhǔn)化預(yù)處理。首先，將采集的2 981張?jiān)即笮D片用圖像處理軟件Photoshop(PS)統(tǒng)一處理成同比例800像素×x像素或x像素×800像素(x<800)的分辨率，再隨機(jī)挑選2 671張(含10 824頭草地貪夜蛾成蟲(chóng)，2 153頭斜紋夜蛾成蟲(chóng))作為訓(xùn)練樣本進(jìn)行邊界框標(biāo)注，剩余的310張作為測(cè)試圖像。本研究使用自行開(kāi)發(fā)的樣本標(biāo)注軟件TFLabelTool，標(biāo)注草地貪夜蛾、斜紋夜蛾目標(biāo)邊界框。標(biāo)注時(shí)將草地貪夜蛾的最小外接矩形框作為真實(shí)框，以減少真實(shí)框內(nèi)的背景像素。標(biāo)注文件以圖片同名的.TXT文本格式進(jìn)行存儲(chǔ)，數(shù)據(jù)格式與開(kāi)源LabelTools標(biāo)注軟件生成的標(biāo)簽文件相一致。

根據(jù)樣本圖像標(biāo)注目標(biāo)類(lèi)別，將數(shù)據(jù)集分為草地貪夜蛾、斜紋夜蛾和負(fù)樣本3個(gè)類(lèi)型(表2)。數(shù)據(jù)集A1為自動(dòng)監(jiān)測(cè)設(shè)備誘捕和船形誘捕采集的草地貪夜蛾成蟲(chóng)的原始圖像，將訓(xùn)練集A1清除原始訓(xùn)練圖像的標(biāo)注框內(nèi)的殘缺目標(biāo)(馬賽克處理或虛化背景，要求標(biāo)注框內(nèi)的草地貪夜蛾是完整的單頭蟲(chóng)體，且不含其他草地貪夜蛾的殘缺蟲(chóng)體，圖2)，對(duì)處理后的圖像進(jìn)行邊界框標(biāo)注，形成訓(xùn)練集A2；數(shù)據(jù)集B為自動(dòng)監(jiān)測(cè)設(shè)備誘捕采集的未經(jīng)邊緣殘缺目標(biāo)清除處理的斜紋夜蛾圖像；數(shù)據(jù)集C為機(jī)器誘捕和船形誘捕采集的無(wú)檢測(cè)目標(biāo)的負(fù)樣本圖像，包括空白背景、樹(shù)葉和其他無(wú)關(guān)昆蟲(chóng)(除草地貪夜蛾和斜紋夜蛾外的其他昆蟲(chóng))的背景圖像。

模型訓(xùn)練集和測(cè)試集均包含背面朝上、腹面朝上、正面(頭部朝上)、側(cè)面朝上、無(wú)鱗片蟲(chóng)體、翅展蟲(chóng)體、破損蟲(chóng)體和蟲(chóng)體接觸或遮擋等圖像樣本。根據(jù)圖像識(shí)別的難易程度把測(cè)試集分為簡(jiǎn)單測(cè)試集T1(圖3: A-D)、困難測(cè)試集T2(圖3: E-H)和無(wú)檢測(cè)目標(biāo)測(cè)試集T3(圖3: I-L)3個(gè)梯度，各個(gè)測(cè)試集的圖片數(shù)分別為110, 140和60幅(表3)。

表2 訓(xùn)練集樣本數(shù)據(jù)量Table 2 The sample size of training sets

圖2 測(cè)試集示例圖Fig. 2 Typical images of test setsA, C: 原始圖像Original images; B, D: 邊緣殘缺目標(biāo)清除處理后圖像Images with edge incomplete objects removed.

表3 測(cè)試集樣本數(shù)據(jù)量Table 3 The sample size of test sets

圖3 測(cè)試集中的典型圖像Fig. 3 Typical images of test setsA: 蟲(chóng)體背面朝上Moths with dorsal side up; B: 蟲(chóng)體側(cè)面朝上Moths with lateral side up; C: 蟲(chóng)體腹面朝上Moths with ventral side up; D: 蟲(chóng)體邊緣殘缺Moths with incomplete edge of body; E: 蟲(chóng)體腹面朝上、擁擠重疊Moths with ventral side up or/and crowded overlap; F: 蟲(chóng)體鱗片丟失、擁擠重疊Moths with scales lost or overlapping densely; G: 成像模糊、蟲(chóng)體重疊Blurred imaging or moth bodies overlapping; H: 背景復(fù)雜、擁擠重疊Complex background or overlapping densely; I: 其他無(wú)關(guān)昆蟲(chóng)Other unrelated insects; J: 斜紋夜蛾S. litura; K: 樹(shù)葉和其他無(wú)關(guān)昆蟲(chóng)Leaves and other unrelated insects; L: 無(wú)檢測(cè)目標(biāo)Without detection objects; A, B, E, F, I-L: 機(jī)器采集的圖片Images taken by machine; C, G: 手機(jī)拍照的圖片Images taken by mobile phone; D, H: 相機(jī)拍照?qǐng)D片Images taken by camera.

1.3 實(shí)驗(yàn)裝置/模型的訓(xùn)練

1.3.1試驗(yàn)平臺(tái)：為降低部署成本，便于模型后期移植到邊緣計(jì)算終端實(shí)際部署應(yīng)用，神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)采用Yolov5系列中深度最小的Yolov5s網(wǎng)絡(luò)結(jié)構(gòu)。模型訓(xùn)練采用的操作系統(tǒng)為Ubuntu16.04，訓(xùn)練框架為pytorch，服務(wù)器平臺(tái)配置為：Intel Xeon(R) CPU E3-1245 v3@ 3.40 GHz處理器，32 GB運(yùn)行內(nèi)存，8 GB GeForce1080顯卡。測(cè)試的框架為pytorch，處理器為E5-2620V4@2.10GHz，八核，16 GB RAM，顯卡為NvidiaGeForce1050，使用版本號(hào)為：CUDA10.0并行計(jì)算框架，配合CUDNN7.3版本的深度神經(jīng)網(wǎng)絡(luò)API。

1.3.2識(shí)別模型的訓(xùn)練：識(shí)別模型的訓(xùn)練實(shí)驗(yàn)分為2個(gè)組。第1組集中在圖像背景處理問(wèn)題上，目標(biāo)是討論樣本背景對(duì)檢測(cè)精度的影響。該組共使用2個(gè)小組圖像：a)未修改的草地貪夜蛾圖像數(shù)據(jù)集A1；b)去除邊緣殘缺目標(biāo)的草地貪夜蛾圖像數(shù)據(jù)集A2。第2組集中在增加數(shù)據(jù)類(lèi)別樣本對(duì)檢測(cè)精度的影響，重點(diǎn)分析與草地貪夜蛾具有相似特征的斜紋夜蛾樣本對(duì)模型的影響。共使用3個(gè)小組圖像：a)草地貪夜蛾的圖像數(shù)據(jù)集A1；b)在數(shù)據(jù)集A1基礎(chǔ)上增加斜紋夜蛾的圖像數(shù)據(jù)集B，組成數(shù)據(jù)集A1+B；c)在數(shù)據(jù)集A1+B的基礎(chǔ)上再增加負(fù)樣本C，組成數(shù)據(jù)集A1+B+C。在每組案例中，每個(gè)模型訓(xùn)練隨機(jī)抽取80%的樣本用于訓(xùn)練，另20%用于驗(yàn)證。使用網(wǎng)絡(luò)模型YOLOv5s對(duì)各組的數(shù)據(jù)集進(jìn)行對(duì)比訓(xùn)練試驗(yàn)，并在3種不同的測(cè)試數(shù)據(jù)集上驗(yàn)證模型效果。

模型訓(xùn)練參數(shù)設(shè)置為每批量樣本數(shù)為28，動(dòng)量因子為0.937，初始學(xué)習(xí)率為0.01，訓(xùn)練周期300個(gè)。

1.4 評(píng)價(jià)指標(biāo)

模型選取準(zhǔn)確率(precision, P)、召回率(recall, R)、F1值(F1-measure)、平均準(zhǔn)確率(average precision, AP)和計(jì)數(shù)準(zhǔn)確率(counting accuracy, CA)這5個(gè)指標(biāo)作為評(píng)價(jià)標(biāo)準(zhǔn)，計(jì)算公式參考Fawcett(2006)和王志彬等(2014)的方法，如式(1)～(5)，表示如下：

(1)

(2)

(3)

(4)

(5)

其中，真陽(yáng)性(true positive, TP)指被算法檢測(cè)到為草地貪夜蛾且真實(shí)是草地貪夜蛾的樣本數(shù)量；假陽(yáng)性(false negative, FP)，也就是誤檢，指被算法檢測(cè)為草地貪夜蛾但真實(shí)不是草地貪夜蛾的樣本數(shù)量；假陰性(false negative, FN)，也就是漏檢，指被算法檢測(cè)為非草地貪夜蛾但真實(shí)是草地貪夜蛾的樣本數(shù)量。F1值是基于準(zhǔn)確率和召回率的調(diào)和平均值。AP值是根據(jù)準(zhǔn)確率(P)和召回率(R)繪制的P-R曲線與坐標(biāo)軸之間的面積。m表示人工計(jì)數(shù)草地貪夜蛾的樣本數(shù)量。

2 結(jié)果

2.1 清除邊緣殘缺目標(biāo)訓(xùn)練樣本的對(duì)比檢測(cè)結(jié)果

為驗(yàn)證清除邊緣殘缺目標(biāo)對(duì)檢測(cè)精度的影響，分別使用訓(xùn)練數(shù)據(jù)集A1和A2進(jìn)行對(duì)比試驗(yàn)，結(jié)果見(jiàn)表4。與未處理的原始圖片訓(xùn)練的模型Yolov5s-A1相比，通過(guò)數(shù)據(jù)集A2訓(xùn)練獲得的模型Yolov5s-A2對(duì)測(cè)試集(T1+T2+T3)中草地貪夜蛾識(shí)別的準(zhǔn)確率(P)提升了5.78%，召回率(R)下降了5.47%，F(xiàn)1值下降了0.02。 其中，簡(jiǎn)單數(shù)據(jù)集T1的準(zhǔn)確率(P)提升2.61%，召回率(R)下降3.09%， F1值下降0.26； 困難數(shù)據(jù)集T2的準(zhǔn)確率(P)提升4.17%， 召回率(R)下降5.86%，F(xiàn)1值下降1.32。結(jié)果表明，清除邊緣殘缺目標(biāo)可以提高模型的識(shí)別準(zhǔn)確率，對(duì)困難數(shù)據(jù)集的檢測(cè)精度的影響大于簡(jiǎn)單數(shù)據(jù)集。從P-R曲線可以看出，模型Yolov5s-A2要優(yōu)于Yolov5s-A1(圖6)。

2.2 增加數(shù)據(jù)類(lèi)別(斜紋夜蛾、負(fù)樣本)樣本對(duì)結(jié)果的影響

分別使用訓(xùn)練數(shù)據(jù)集A1, A1+B和A1+B+C訓(xùn)練Yolov5s網(wǎng)絡(luò)模型，得到Y(jié)olov5s-A1, Yolov5s-AB和Yolov5s-ABC 3個(gè)草地貪夜蛾網(wǎng)絡(luò)模型。進(jìn)一步利用測(cè)試集T1, T2, T3和T1+T2+T3進(jìn)行驗(yàn)證。結(jié)果表明，模型Yolov5s-AB的F1值、AP值均高于模型Yolov5s-A1；雖然模型Yolov5s-ABC能更好地檢測(cè)出無(wú)目標(biāo)對(duì)象的圖像，但是整體F1值、AP值均低于模型Yolov5s-AB(表4)。從P-R曲線可以看出，模型Yolov5s-AB和Yolov5s-ABC優(yōu)于Yolov5s-A1(圖6)。

2.3 不同遮擋重疊程度對(duì)比試驗(yàn)

如果誘捕蟲(chóng)量較大，會(huì)存在草地貪夜蛾蟲(chóng)體間相互遮擋重疊的問(wèn)題，這將對(duì)檢測(cè)結(jié)果產(chǎn)生較大影響。因此，我們將遮擋程度作為控制變量，分別取測(cè)試集T1和T2驗(yàn)證檢測(cè)結(jié)果，見(jiàn)表4和圖4(A-L)。其中AP值最高的Yolov5s-AB網(wǎng)絡(luò)模型，對(duì)輕度遮擋簡(jiǎn)單測(cè)試集的識(shí)別，模型的準(zhǔn)確率(P)為97.42%，召回率(R)為97.92%，F(xiàn)1值為97.67。對(duì)遮擋重疊復(fù)雜測(cè)試集的識(shí)別，準(zhǔn)確率(P)為96.84%，召回率(R)為90.93%，F(xiàn)1值為93.79。結(jié)果表明，在草地貪夜蛾被遮擋以及重疊的情況下，Yolov5s-AB網(wǎng)絡(luò)模型的識(shí)別精度會(huì)有所降低，但仍能大部分檢測(cè)出。

在實(shí)際應(yīng)用中，存在機(jī)器定時(shí)自動(dòng)采集的圖片中沒(méi)有草地貪夜蛾或其他昆蟲(chóng)的情況。本研究選擇12張斜紋夜蛾的圖像、12張空白背景、36張其他昆蟲(chóng)等共60張無(wú)檢測(cè)目標(biāo)的圖像(圖4: M-P)來(lái)測(cè)試檢測(cè)模型。結(jié)果顯示，4個(gè)檢測(cè)模型Yolov5s-A1, Yolov5s-A2, Yolov5s-AB和Yolov5s-ABC的誤檢樣本數(shù)FP分別為184,101, 15和1頭，其中使用Yolov5s-ABC檢測(cè)網(wǎng)絡(luò)進(jìn)行檢測(cè)，60張圖像中只有1張為其他昆蟲(chóng)(1頭粘蟲(chóng))圖像誤檢為草地貪夜蛾。

圖4 4個(gè)不同網(wǎng)絡(luò)模型檢測(cè)結(jié)果對(duì)比Fig. 4 Comparison of detection results using four different network modelsA-D: 簡(jiǎn)單測(cè)試集T1 Simple test training dataset T1; E-L: 復(fù)雜測(cè)試集T2 Complicated test training dataset T2; L-M: 無(wú)目標(biāo)測(cè)試集T3 No object test training dataset T3; A, E, I, M: Yolov5s-A1; B, F, J, N: Yolov5s-A2; C, G, K, O: Yolov5s-AB; D, H, L, P: Yolov5s-ABC; SF: 草地貪夜蛾成蟲(chóng)Spodoptera frugiperda adults; MS: 斜紋夜蛾成蟲(chóng)S. litura adults.

2.4 不同梯度測(cè)試集的計(jì)數(shù)結(jié)果

將4個(gè)識(shí)別模型與人工計(jì)數(shù)的方法進(jìn)行比較，應(yīng)用公式(5)進(jìn)行計(jì)數(shù)準(zhǔn)確率計(jì)算。4個(gè)模型中對(duì)簡(jiǎn)單數(shù)據(jù)集的計(jì)數(shù)準(zhǔn)確率最高的為Yolov5s-AB，最低的為Yolov5s-ABC；對(duì)復(fù)雜數(shù)據(jù)集的計(jì)數(shù)準(zhǔn)確率最高的為Yolov5s-AB，最低的為Yolov5s-A1(表5)。各梯度測(cè)試集比較結(jié)果顯示，模型Yolov5s-AB效果最好。以每張測(cè)試集圖像的人工計(jì)算的蟲(chóng)量作為橫坐標(biāo)，對(duì)應(yīng)的模型算法計(jì)算的蟲(chóng)量作為縱坐標(biāo)，繪制散點(diǎn)圖，并且畫(huà)出y=x直線，結(jié)合y=x直線和散點(diǎn)的分布對(duì)4個(gè)模型進(jìn)行分析。模型Yolov5s-AB的散點(diǎn)分布最靠近人工計(jì)數(shù)y=x直線，也就是說(shuō)該模型的優(yōu)于其他3模型；從每張圖片包含的蟲(chóng)量上看，當(dāng)單張蟲(chóng)量小于40頭時(shí)，4個(gè)模型和人工計(jì)數(shù)基本符合線性模型，大于40頭時(shí)，出現(xiàn)個(gè)別離群點(diǎn)現(xiàn)象(圖5)。

表5 不同網(wǎng)絡(luò)模型不同梯度測(cè)試集的識(shí)別計(jì)數(shù)結(jié)果對(duì)比Table 5 Comparison of counting results using differentgradient test sets and network models

圖5 算法計(jì)數(shù)與人工計(jì)數(shù)差異分析Fig. 5 Analysis results of algorithm counting and manual countingA: Yolov5s-A1; B: Yolov5s-A2; C: Yolov5s-AB; D: Yolov5s-ABC. 點(diǎn)號(hào)示一張圖片。A dot indicates an image.

2.5 幾種處理之間的AP值差異比較

通過(guò)不同訓(xùn)練集構(gòu)建了4個(gè)識(shí)別模型，分別為原始圖像集Yolov5s-A1、清除邊緣殘缺目標(biāo)圖像集Yolov5s-A2、增加斜紋夜蛾樣本圖像訓(xùn)練的模型Yolov5s-AB和增加無(wú)檢測(cè)對(duì)象負(fù)樣本訓(xùn)練的模型Yolov5s-ABC。4個(gè)識(shí)別模型對(duì)測(cè)試集T1+T2+T3檢測(cè)的P-R曲線如圖6所示。 4個(gè)模型Yolov5s-A1, Yolov5s-A2, Yolov5s-AB和Yolov5s-ABC的AP值分別為94.01%, 97.00%, 99.09%和98.70%(表4)，從高到低排列為：Yolov5s-AB>Yolov5s-ABC>Yolov5s-A2>Yolov5s-A1，其中Yolov5s-AB與Yolov5s-ABC結(jié)果相近。

圖6 4種不同數(shù)據(jù)集訓(xùn)練的模型P-R曲線比較Fig. 6 Comparison of P-R curves of the model trained with four different training sets

3 結(jié)論與討論

深度學(xué)習(xí)正迅速成為圖像分類(lèi)的標(biāo)準(zhǔn)技術(shù)。利用深度學(xué)習(xí)方法進(jìn)行植物病蟲(chóng)害自動(dòng)識(shí)別面臨的主要問(wèn)題是缺乏能夠反映實(shí)際病蟲(chóng)害的各種狀況和癥狀特征的圖像數(shù)據(jù)庫(kù)(Barbedo, 2019)。圖像處理等數(shù)據(jù)擴(kuò)充技術(shù)降低了樣本量不足的影響，但這些技術(shù)不能再現(xiàn)大多數(shù)實(shí)際的多樣性應(yīng)用場(chǎng)景。魏靖等(2020)、于業(yè)達(dá)等(2019)、Chulu等(2019)、Chiwamba等(2019)等基于深度學(xué)習(xí)技術(shù)的草地貪夜蛾圖像識(shí)別研究，其數(shù)據(jù)集的圖像來(lái)源于網(wǎng)上下載、實(shí)驗(yàn)室獲取、田間拍攝、數(shù)據(jù)增強(qiáng)等方式，采集數(shù)據(jù)量小，適用于田間單只草地貪夜蛾成蟲(chóng)的識(shí)別，與我國(guó)現(xiàn)行的草地貪夜蛾監(jiān)測(cè)的實(shí)際應(yīng)用場(chǎng)景不一致。本研究從田間草地貪夜蛾性誘測(cè)報(bào)的實(shí)際應(yīng)用出發(fā)，除了應(yīng)用相機(jī)、手機(jī)等人工采集誘捕器上的圖像外，還采用本單位自主研發(fā)的自動(dòng)監(jiān)測(cè)設(shè)備來(lái)定期采集圖像，有效地拓展了實(shí)際應(yīng)用場(chǎng)景下的真實(shí)樣本數(shù)量，通過(guò)這兩種方法共采集2 981幅原始圖像，其中草地貪夜蛾訓(xùn)練樣本數(shù)量792幅10 824頭。

本研究利用深度學(xué)習(xí)中的Yolov5s網(wǎng)絡(luò)模型對(duì)害蟲(chóng)自動(dòng)監(jiān)測(cè)設(shè)備、相機(jī)、手機(jī)等多種設(shè)備拍攝條件下的草地貪夜蛾圖像進(jìn)行訓(xùn)練，結(jié)果表明，獲得4個(gè)草地貪夜蛾自動(dòng)識(shí)別與計(jì)數(shù)模型，在3個(gè)不同難易梯度的測(cè)試集上測(cè)試中，模型Yolov5s-AB的檢測(cè)精度最高，對(duì)遮擋和重疊干擾具有更強(qiáng)魯棒性，準(zhǔn)確率和召回率分別達(dá)96.84%和90.93%，F(xiàn)1值達(dá)93.79，計(jì)數(shù)準(zhǔn)確率CA值達(dá)89.01%。研究結(jié)果證實(shí)了利用深度學(xué)習(xí)開(kāi)發(fā)草地貪夜蛾識(shí)別計(jì)數(shù)模型是可行的，且能夠達(dá)到較高的識(shí)別準(zhǔn)確率。本研究與魏靖等(2020)基于深度學(xué)習(xí)的草地貪夜蛾圖像識(shí)別模型研究比較，參加模型訓(xùn)練的草地貪夜蛾訓(xùn)練樣本數(shù)據(jù)量更大，且圖像均來(lái)源于田間的實(shí)際應(yīng)用場(chǎng)景，研究結(jié)果可直接應(yīng)用于草地貪夜蛾誘捕器粘蟲(chóng)板的識(shí)別計(jì)數(shù)以及自動(dòng)監(jiān)測(cè)設(shè)備。

本研究采用去除邊緣殘缺目標(biāo)的方式，實(shí)質(zhì)上是通過(guò)減小標(biāo)注邊界框內(nèi)非目標(biāo)前景區(qū)域特征的干擾，增強(qiáng)了對(duì)目標(biāo)前景區(qū)域卷積特征的學(xué)習(xí)，通過(guò)清除背景邊界框內(nèi)被遮擋的殘缺草地貪夜蛾及其他干擾物的數(shù)據(jù)集訓(xùn)練獲得的模型Yolov5s-A2，其識(shí)別性能優(yōu)于未處理的原始圖片訓(xùn)練的模型Yolov5s-A1，但出現(xiàn)準(zhǔn)確率提升而召回率下降的情況，這與Barbedo(2018)報(bào)道的結(jié)果完全相一致。此外，本研究中模型Yolov5s-A2的準(zhǔn)確率提升了5.78%，但召回率卻下降了5.47%，與薛月菊等(2018)的報(bào)道的準(zhǔn)確率和召回率分別提高了1.5%和2.38%相比，存在較大差異。因此可推斷，在清除背景中邊緣殘缺目標(biāo)的算法中雖然增強(qiáng)了對(duì)目標(biāo)前景區(qū)域卷積特征的學(xué)習(xí)，但弱化了背景與檢測(cè)目標(biāo)相關(guān)性的特征學(xué)習(xí)。在實(shí)際應(yīng)用場(chǎng)景中，背景往往與檢測(cè)目標(biāo)處于不可分狀態(tài)，因此，通過(guò)去除背景的方法雖然提高了準(zhǔn)確率，但是會(huì)降低查全率，不適用于草地貪夜蛾的田間圖像識(shí)別計(jì)數(shù)。

本研究發(fā)現(xiàn)，增加斜紋夜蛾樣本圖像訓(xùn)練的模型Yolov5s-AB優(yōu)于單一草地貪夜蛾樣本訓(xùn)練的模型Yolov5s-A1，但與增加負(fù)樣本無(wú)檢測(cè)目標(biāo)的模型Yolov5s-ABC無(wú)明顯差異，表明增加相似特征的數(shù)據(jù)類(lèi)別對(duì)提高圖像識(shí)別率有著重要作用，而增加負(fù)樣本對(duì)提高圖像識(shí)別率作用有限。這可能是斜紋夜蛾和草地貪夜蛾同屬于夜蛾科昆蟲(chóng)，成蟲(chóng)外型大小、可見(jiàn)特征相似，可以提升相似部分的特征學(xué)習(xí)分辯效率。這個(gè)結(jié)果與Tian等(2019)報(bào)道的增加數(shù)據(jù)類(lèi)別的數(shù)量可以提高Yolo模型的檢測(cè)能力的結(jié)果相一致。因此，在樣本數(shù)據(jù)集構(gòu)建過(guò)程中，可以增加檢測(cè)目標(biāo)相似特征數(shù)據(jù)類(lèi)別的樣本數(shù)據(jù)的采集，可以提升模型的泛化能力(generalization ability)。

本研究首次將YOLO-V5應(yīng)用于草地貪夜蛾監(jiān)測(cè)的識(shí)別計(jì)數(shù)問(wèn)題，結(jié)果表明將深度學(xué)習(xí)應(yīng)用于控制條件下害蟲(chóng)監(jiān)測(cè)設(shè)備及誘捕器粘蟲(chóng)板上草地貪夜蛾的識(shí)別計(jì)數(shù)是可行的；增加相似特征數(shù)據(jù)類(lèi)別的斜紋夜蛾樣本數(shù)據(jù)對(duì)提高草地貪夜蛾圖像識(shí)別算法的準(zhǔn)確率有著重要作用。因此將本研究的優(yōu)化模型作為草地貪夜蛾種群消長(zhǎng)圖像監(jiān)測(cè)的核心算法，可為草地貪夜蛾自動(dòng)化監(jiān)測(cè)設(shè)備的精準(zhǔn)監(jiān)測(cè)提供核心技術(shù)支撐，為廣泛開(kāi)展田間的草地貪夜蛾種群智能化監(jiān)測(cè)預(yù)警提供科學(xué)依據(jù)。