楊奉水 王志博 汪為通 張欣欣 孫亮 肖強

摘要：傳統(tǒng)茶樹病蟲害的識別主要依靠專業(yè)植保人員的現場診斷，難以滿足現階段茶園大規(guī)模種植發(fā)展的需求。隨著計算機應用技術和人工智能領域的發(fā)展，應用人工智能識別茶樹病蟲害已成為建設數字茶園的重要部分。文章系統(tǒng)闡述了人工智能識別技術的發(fā)展歷程及在茶樹病蟲害識別技術上的研究和應用現狀，分析了茶樹病蟲害識別技術目前所遇到的問題，展望了人工智能識別技術在茶樹病蟲害識別、監(jiān)測和預警上的應用前景。

關鍵詞：人工智能;病蟲害識別;茶樹

Application and Prospect of Artificial Intelligence

Identification of Tea Pests and Diseases

YANG Fengshui， WANG Zhibo， WANG Weitong， ZHANG Xinxin， SUN Liang， XIAO Qiang*

Tea Research Institute， Chinese Academy of Agriculture Sciences， Hangzhou 310008， China

Abstract： The identification of traditional tea diseases and insect pests mainly relies on the on-site diagnosis of professional personnel， which is difficult to meet the needs of large-scale planting and development of tea gardens now. With the development of computer application technology and artificial intelligence， the application of artificial intelligence to identify tea diseases and insect pests has become an important part of building intelligent tea garden. This paper reviewed the development history of artificial intelligence identification technology and the research and application status of tea pest and disease identification technology， analyzed the current problems encountered by tea pest and disease identification technology， and prospected the application prospects of artificial intelligence identification technology in the identification， monitoring and early warning of tea pests and diseases.

Keywords： artificial intelligence， identification of diseases and pests， tea

人工智能是利用計算機創(chuàng)造并運用算法處理生產中所獲得的數據，達到模擬人類智能活動規(guī)律的目的。人工智能識別主要通過計算機運用算法處理在外界環(huán)境中收集的圖片，并從圖片中獲取事物的信息，進行分析處理，達到模擬人的視覺功能，具有速度快、處理數據量大、節(jié)省勞動力、功能豐富等特點，因此在工業(yè)、農業(yè)等領域得到了廣泛的應用。

在茶葉生產中，病蟲害是影響其產量和品質的重要因子，我國茶園病蟲害發(fā)生具有種類多、發(fā)生面積廣、危害大等特點[1]，常給茶葉生產帶來巨大的經濟損失，因此，茶樹病蟲害防治一直以來被作為生產過程中一個不可或缺的組成部分。在病蟲害防治的整個過程中，病蟲識別是開展病蟲害防治的首要環(huán)節(jié)。傳統(tǒng)的病蟲識別需要依賴于昆蟲分類學家的形態(tài)鑒定，近年來隨著分子生物學的快速發(fā)展，DNA條形碼技術很大程度彌補了傳統(tǒng)形態(tài)鑒定的專業(yè)依賴，但該技術因專業(yè)性特點和依賴實驗儀器，以及鑒定成本和時效上的局限性，仍然難以滿足生產的需要。近些年隨著計算機技術的發(fā)展，許多專家學者開始將人工智能識別技術應用到病蟲識別上，人工智能識別技術因其鑒別速度快、穩(wěn)定性好、準確度高等特點，能夠實現提高識別效率、節(jié)省勞動力、迎合產業(yè)發(fā)展需求的效果。本文闡述了人工智能識別技術的發(fā)展歷程，介紹了茶園病蟲害識別技術的相關研究和應用，對目前茶樹病蟲害識別技術所遇到的主要問題進行了分析，并在此基礎上展望了人工智能識別技術在茶園植保上的應用前景。

1 ?人工智能識別技術的發(fā)展概況及在農業(yè)病蟲害上的應用

1.1 ?人工智能識別技術的發(fā)展

1956年，在美國達特茅斯會議上人工智能（Artificial intelligence）這一概念被首次提出[2]。隨著人工智能技術的發(fā)展，逐漸形成了多個分支，如自然語言處理、計算機視覺、知識表示、機器學習等。目前，國內外有許多專家學者將人工智能技術應用到現代農業(yè)上，通過信息技術與智能設備的結合，實現在農業(yè)生產過程中的信息感知、快速識別、智能監(jiān)測等新型農業(yè)生產方式，推動我國農業(yè)從數字化到智能化的發(fā)展。

人工智能識別技術的探索起始于20世紀50年代對生物視覺的研究[3]。20世紀60年代，Roberts等[4]闡明了從二維圖片中推導出三維信息的過程，這項工作開啟了以理解三維機器視覺為目的的研究。在20世紀70年代，麻省理工學院開設計算機視覺課程，同一時期，David Marr提出了計算機視覺理論。到20世紀80年代，計算機視覺發(fā)展迅速，涌現出了許多新的理論框架，并且在各個領域得到了廣泛的應用，計算機視覺逐步從實驗室走向了應用[5]。20世紀90年代，特征對象識別逐漸開始成為重點，許多統(tǒng)計學習方法如支持向量機也在計算機視覺中得到廣泛的應用。ADBA5149-3503-4FE7-927E-31D27727D920

人工智能識別技術一般是使用圖像捕捉設備自動接收目標圖像，并對圖像進行處理和分析，具有速度快、穩(wěn)定性好、準確性高等特點，擁有代替人眼進行識別的發(fā)展?jié)摿6]。如圖1所示，人工智能識別技術主要流程包括檢測目標、圖像獲取、圖像預處理、圖像分析等。其中圖像分析是識別過程中的關鍵環(huán)節(jié)，主要的分析方法可分為傳統(tǒng)機器學習和深度學習。傳統(tǒng)機器學習的主要流程包括圖像預處理、特征提取、特征篩選、模型選擇、分類器選擇、測試驗證等，深度學習的主要流程包括圖像預處理、劃分數據集、設計分類模型、模型訓練、模型評估、測試驗證等。

1.2 ?人工智能識別農業(yè)病蟲害的應用

進入21世紀后，傳統(tǒng)的機器學習方法和深度學習在人工智能識別農業(yè)病蟲害研究中得到了廣泛應用。常見的機器學習方法有支持向量機[7-8]、決策樹[9]、樸素貝葉斯方法[10]等。趙汗青等[11]利用數學形態(tài)特征對40種昆蟲進行了二叉式分類，結合圖像處理技術，使其早期開發(fā)的昆蟲自動識別軟件Bugvisux能夠對40種昆蟲進行鑒別，并且準確率達到97.5%。于新文等[12]從棉鈴蟲、玉米螟和黑哎獵蝽的圖像中提取了9個直觀易測的形狀特征，利用逐步判別分析法篩選出6個特征并構建判別函數對其進行判別分類，識別率達到100%。梁子安等[13]利用粗糙集神經網絡對鱗翅目和鞘翅目昆蟲5個總科23種昆蟲圖像的數學形態(tài)特征進行分類識別，并取得了良好的識別效果。趙玉霞等[10]利用樸素貝葉斯分類器的方法在圖像分割和特征提取的基礎上實現了對玉米5種病害圖像的精準識別。鄧繼忠等[8]比較了最小距離法、BP神經網絡和支持向量機分類器3種方法對3種小麥黑穗病的孢子的識別效果，結果表明采用支持向量機優(yōu)于其余兩種方法。以上這些研究都是基于靜態(tài)的標本圖像，在田間復雜的環(huán)境下識別效果還有待改善。

深度學習在處理海量數據上具有一定的優(yōu)勢，能夠在大規(guī)模數據中自動提取出物體特征并利用分類器進行分類識別。深度學習常用的模型主要有Alexnet[14]、VGG[15-16]等。郭陽等[17]利用深度卷積神經網絡對2 500張水稻害蟲圖片進行處理，比較Faster-RCNN、SSD 和YOLOv3等3種算法在5種水稻害蟲上的識別效果，結果表明YOLOv3 算法的識別效果優(yōu)于其余兩種算法，平均準確率為91.93%。肖小梅等[14]對傳統(tǒng)的卷積神經網絡Alexnet進行優(yōu)化改進后，該模型對4種常見水稻害蟲的平均識別準確率比改進前提升了1.96個百分點。Lu等[18]利用深度卷積神經網絡訓練識別10種常見的水稻病害，其識別準確率遠遠高于傳統(tǒng)的機器學習模型。萬軍杰等[19]利用深度學習技術基于MATLAB平臺設計了1款可視化的果園病蟲害識別和為害程度分級的智能系統(tǒng)，該系統(tǒng)將遷移學習技術和GoogLeNet模型相結合，相較于Alexnet、VGG-16、ResNet-18、SqueezeNet等模型，其模型驗證精度提高了2.38%～11.40%，能夠在0.43 s左右的時間準確識別出果樹的類型、病害和為害程度等信息，對6種果園25類的病蟲害樣本進行研究發(fā)現，其蟲害和病害的識別精度分別達到100%和98.70%，為害程度分級平均精度可達到92.78%。

相對于傳統(tǒng)機器學習，深度學習對計算資源的要求更高，一般需要較強性能的設備進行大規(guī)模運算。在特征提取上，傳統(tǒng)機器學習依靠人工提取，而深度學習是依靠機器自動提取，這就滿足了對海量數據處理和訓練的需求。相較于傳統(tǒng)的機器學習，深度學習在識別精度和效率上具有明顯的提升。由此可見，深度學習對提高識別準確率以及減少研發(fā)勞力投入具有顯著的優(yōu)勢。

2 ?人工智能識別茶樹病蟲害的研究現狀

2.1 ?人工智能識別茶樹病蟲害的研究進展

與其他作物會遭遇病蟲為害一樣，茶園中也會有各種病蟲為害茶樹。據統(tǒng)計，我國已有記錄的茶樹病蟲有900多種[1]，過去識別這些茶樹病蟲主要依靠植保專家和植保工作者，通過對害蟲的形態(tài)特征、病害的發(fā)生特征以及發(fā)生時間進行辨別。在現階段大規(guī)模種植條件下，茶園病蟲害種類繁多，專業(yè)技術人員不足，傳統(tǒng)的人工識別難以滿足生產需求，給精準防控帶來困難。相比之下，人工智能識別明顯更準確，花費的時間和勞動力更少。因此，人工智能在茶樹病蟲害識別上的應用具有巨大的潛力和需求。

隨著人工智能識別技術在農業(yè)病蟲害識別系統(tǒng)中的發(fā)展，在茶樹病蟲害識別的研究上也取得了一定的進展。2008年，秦華光[20]基于專家經驗研發(fā)了1套茶園害蟲智能化WEB管理系統(tǒng)，該系統(tǒng)包括茶園病蟲識別，蟲害預測預報和茶園害蟲的防治決策3個主要環(huán)節(jié)，采用形態(tài)識別、圖譜識別和檢索識別3種方式識別病蟲害，是我國早期將人工智能技術引入茶園病蟲害防治的代表性研究。在圖形識別領域，算法對識別速度及結果的準確率具有重要的影響。吳阿林等[21]采用BP、SVM、CART等3種算法構建了茶樹5種尺蠖害蟲的三維空間結構知識庫，其對害蟲的分類識別率在80.00%～86.67%之間。近些年，卷積神經網絡技術在圖像人工智能識別領域得到了廣泛的應用。楊國國等[22]采用圖像顯著性分析并利用卷積神經網絡所建立的模型對茶園23種常見的害蟲進行識別，取得了較好的識別效果。Bhatt等[23]基于卷積神經網絡建立了1個能夠對茶樹病蟲害準確檢測的模型，該系統(tǒng)能夠有效地識別和定位復雜背景、遮擋情況下茶葉的健康狀況。Hu等[24]基于改進的深度卷積神經網絡提高了對不同茶樹病害圖像的識別能力，該方法高于傳統(tǒng)的機器學習方法和經典的深度學習方法，將平均識別精度提升到92.5%。

移動智能設備的快速普及，也為病蟲害識別的發(fā)展提供了一個可行的方向?；谝苿佣碎_發(fā)的病蟲害識別程序已經在儲糧病蟲害[25-26]、果蔬病蟲害[19，27-28]等方面得到了應用，但在識別算法、精度、識別時間以及種類上還具有一定的局限性。例如，曹躍騰等[29]開發(fā)了1款能夠部署在移動端的輕量級病蟲害識別算法Simplify-ResNet，利用人工采集病蟲害圖像和Plant Village數據集測試Simplify-ResNet模型發(fā)現，其識別準確率為92.45%，與LeNet、AlexNet、MobileNet等模型相比，該模型的準確率分別提高了18.30、7.45、1.20個百分點。目前，在茶樹病蟲害識別上，中國農業(yè)科學院茶葉研究所和杭州睿坤科技有限公司聯合研發(fā)了1套基于移動端的智能識別系統(tǒng)“茶病茶蟲”，該系統(tǒng)能夠識別茶園中常見的病蟲害及天敵80種左右，操作簡單、識別速度快、準確度高，為茶樹病蟲害診斷提供了一種可靠的途徑。ADBA5149-3503-4FE7-927E-31D27727D920

2.2 ?人工智能識別茶樹病蟲害存在的問題

過去的幾十年人工智能識別技術發(fā)展迅速，深度學習在病蟲害識別領域中的應用以及在各種算法上的優(yōu)化使得病蟲害識別效率和精度上有很大的提高和改善，但人工智能在茶樹病蟲害識別研究發(fā)展過程中仍然存在許多問題。

一方面，多數研究尚處于實驗室研究階段，還不能達到實際應用的要求。主要原因有以下幾點：一是目前多數研究集中于室內完成，在這種環(huán)境下可以有效去除外界其他干擾因子的影響，但在實際應用中，茶園的環(huán)境復雜，光線、天氣等都會對圖片的采集有一定影響，而且病蟲害發(fā)生時會被茶樹葉片、嫩梢所阻擋，這對識別的效果有一定的影響。二是實驗室研究主要是以靜態(tài)的害蟲或者病害標本為主要識別對象，而在實際應用中是對動態(tài)的茶園害蟲進行識別，這部分的害蟲識別上有一定難度，其識別準確率有待提高。三是在病蟲害識別研究中所采集的圖片主要是在病蟲害發(fā)生比較明顯的階段，而在生產中病蟲害發(fā)生初期對于正確采取防治措施具有重要的作用，這就需要病蟲害識別系統(tǒng)的識別能力能夠覆蓋病蟲害的完整發(fā)生過程。

另一方面，在識別軟件開發(fā)上應以輕量級、簡單、便捷、易操作為主，以便于多種技術手段融合。目前，關于茶樹病蟲害識別研究多數還停留在理論研究中，操作繁瑣，專業(yè)性強，而且缺少能夠應用到田間的產品。

3 ?人工智能識別技術在茶樹病蟲害識別中的應用前景

盡管人工智能識別技術在茶樹病蟲害識別應用上還存在一些問題，但目前人工智能識別技術在茶樹病蟲害識別程序設計和實現上已經取得了相應的成果。在此成果的基礎上可向病蟲害監(jiān)測預警及精準防控方向發(fā)展，從而推進數字茶園建設。

在茶園病蟲害監(jiān)測預警方面，隨著茶樹病蟲害識別技術的快速發(fā)展，田間應用將會日益成熟。有效算法的改善將會大大提高病蟲害識別的準確性以及對病蟲害為害程度分級的能力。通過對茶樹病蟲害智能識別、病蟲害為害程度分級等方法，由單一的茶樹病蟲害智能識別逐步轉入到多元的病蟲害智能監(jiān)測預警，充分發(fā)揮人工智能的優(yōu)勢，實現對茶園病蟲害實時、動態(tài)、綜合的監(jiān)測和預警，不斷優(yōu)化茶園病蟲害的監(jiān)測預警水平，為茶園病蟲害監(jiān)測預警提供可靠數據。

在茶園病蟲害精準防控方面，通過對茶園長期、多點的智能監(jiān)測數據，結合當地的地理位置，建立茶園病蟲害、天敵數據庫。在病蟲害暴發(fā)時，根據當地的地理位置、氣候、天敵、監(jiān)測預警等信息，及時推送茶園病蟲害發(fā)生情況，為茶農精準地提供病蟲害防治措施，避免茶農亂用農藥，推進茶園綠色防控的普及。

茶樹病蟲害識別系統(tǒng)是數字茶園的重要組成部分，未來茶園智能識別系統(tǒng)不僅僅局限于病蟲害這一方面，還可拓展到茶樹栽培、茶園管理等方面，由單一的茶園病蟲害識別轉向茶樹生長、栽培等多方面的識別、監(jiān)測，從而實現將多個功能集于一個系統(tǒng)當中，提高茶園數字化管理水平。

參考文獻

[1] 陳宗懋. 茶園有害生物綠色防控技術發(fā)展與應用[J]. 中國茶葉， 2022， 44（1）： 1-6.

[2] 周長建， 宋佳， 向文勝. 基于人工智能的作物病害識別研究進展[J]. 植物保護學報， 2022， 49（1）： 316-324.

[3] HUBEL D H， WIESEL T N. Receptive fields of single neurones in the cat's striate cortex[J]. The Journal of Physiology， 1959， 148（3）： 574-591.

[4] ROBERTS， LAWRENCE G. Machine perception of three-dimensional solids[D]. Cambridge： Massachusetts Institute of Technology， 1963.

[5] 黃凱奇， 趙鑫， 李喬哲， 等. 視覺圖靈： 從人機對抗看計算機視覺下一步發(fā)展[J]. 圖學學報， 2021， 42（3）： 339-348.

[6] 趙春江. 智慧農業(yè)的發(fā)展現狀與未來展望[J]. 華南農業(yè)大學學報， 2021， 42（6）： 1-6.

[7] 吳孔明. 公共植保與綠色防控[C]. 北京： 中國農業(yè)科學技術出版社， 2010： 818.

[8] 鄧繼忠， 李敏， 袁之報， 等. 基于圖像識別的小麥腥黑穗病害特征提取與分類[J]. 農業(yè)工程學報， 2012， 28（3）： 172-176.

[9] 劉平， 于重重， 蘇維均， 等. 決策樹算法在農作物病蟲害診斷中的應用[J]. 計算機工程與設計， 2017， 38（10）： 2869-2872， 2891.

[10] 趙玉霞， 王克如， 白中英， 等. 貝葉斯方法在玉米葉部病害圖像識別中的應用[J]. 計算機工程與應用， 2007（5）： 193-195.

[11] 趙汗青， 沈佐銳， 于新文. 數學形態(tài)特征應用于昆蟲自動鑒別的研究[J]. 中國農業(yè)大學學報， 2002， 7（3）： 38-42.

[12] 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研究 [J]. 中國農業(yè)大學學報， 2003， 8（3）： 47-50.

[13] 梁子安， 劉飛， 趙秋紅， 等. 數學形態(tài)學在昆蟲總科階元分類學上的應用研究[J]. 動物分類學報， 2007（1）： 147-152.

[14] 肖小梅， 楊紅云， 易文龍， 等. 改進的Alexnet模型在水稻害蟲圖像識別中的應用[J]. 科學技術與工程， 2021， 21（22）： 9447-9454.

[15] KONSTANTINOS P， FERENTINOS. Deep learning models for plant disease detection and diagnosis[J]. Computers and Electronics in Agriculture， 2018， 145： 311-318.ADBA5149-3503-4FE7-927E-31D27727D920

[16] HU G S， WANG H Y， ZHANG Y， et al. Detection and severity analysis of tea leaf blight based on deep learning[J/OL]. Computers & Electrical Engineering， 2021， 90： 107023. https：//doi.org/10.1016/j.compeleceng.2021.107023.

[17] 郭陽， 許貝貝， 陳桂鵬， 等. 基于卷積神經網絡的水稻蟲害識別方法[J]. 中國農業(yè)科技導報， 2021， 23（11）： 99-109.

[18] LU Y， YI S J， ZENG N Y， et al. Identification of rice diseases using deep convolutional neural networks[J]. Neurocomputing， 2017， 267： 378-384.

[19] 萬軍杰， 祁力鈞， 盧中奧， 等. 基于遷移學習的GoogLeNet果園病蟲害識別與分級[J]. 中國農業(yè)大學學報， 2021， 26（11）： 209-221.

[20] 秦華光. 茶園害蟲智能化WEB管理系統(tǒng)的設計與實現[D]. 北京： 中國農業(yè)科學院， 2008.

[21] 吳阿林， 周孝貴， 肖強. 茶樹尺蛾科典型害蟲成蟲智能識別技術研究[J]. 浙江科技學院學報， 2014， 26（3）： 192-198.

[22] 楊國國， 鮑一丹， 劉子毅. 基于圖像顯著性分析與卷積神經網絡的茶園害蟲定位與識別[J]. 農業(yè)工程學報， 2017， 33（6）： 156-162.

[23] BHATT P， SARANGI S， PAPPULA S. Detection of diseases and pests on images captured in uncontrolled conditions from tea plantations[P/OL]. Defense + Commercial Sensing， 2019. https：//doi.org/10.1117/12.2518868.

[24] HU G S， YANG X W， ZHANG Y， et al. Identification of tea leaf diseases by using an improved deep convolutional neural network[J/OL]. Sustainable Computing： Informatics and Systems， 2021， ?24： 100353. https：//doi.org/10.1016/j.suscom.2019.100353.

[25] 邵澤中. 基于Android和深度學習的稻田病蟲害智能診斷系統(tǒng)的研究與實現[D]. 杭州： 浙江理工大學， 2020.

[26] 蘇一峰， 杜克明， 李穎， 等. 基于物聯網平臺的小麥病蟲害診斷系統(tǒng)設計初探[J]. 中國農業(yè)科技導報， 2016， 18（2）： 86-94.

[27] 李文勇. 基于機器視覺的果園性誘害蟲在線識別與計數方法研究[D]. 北京： 中國農業(yè)大學， 2015.

[28] 劉洋， 馮全， 王書志. 基于輕量級CNN的植物病害識別方法及移動端應用[J]. 農業(yè)工程學報， 2019， 35（17）： 194-204.

[29] 曹躍騰， 朱學巖， 趙燕東， 等. 基于改進ResNet的植物葉片病蟲害識別[J]. 中國農機化學報， 2021， 42（12）： 175-181.ADBA5149-3503-4FE7-927E-31D27727D920