人工智能助力林业病虫害精准测报

栾兴

摘要 人工智能在林业中的应用场景很多，如何精准测报是一大难题。通过建立病虫基本信息库、树木基本信息库、虫害基本信息库，再通过病虫与树木寄主的关系和虫害特征进行层层筛选比对，以达到精准识别。

关键词 人工智能;林业病虫害;精准测报

中图分类号：F307.2 文献标识码：B 文章编号：2095–3305（2021）03–0154–02

林业有害生物对患区当地及周边地区林业生态造成的伤害往往是灾难性的、不可逆的、永久性的，并且其危害也严重阻碍了林业生态健康、可持续发展。如何进行科学有效地防控，将林业有害生物灾害控制在可控范围内，不至于遏制或阻碍林业生态建设的进程，是当前林业有害生物防控工作亟需解决的重点和难点问题。

江苏省林业有害生物2 003种，病害355种，虫害1 467种，有害植物52种，其他类129种。其中，外来林业有害生物20种，国家公布的14种检疫性林业有害生物，江苏省就有2种在全省大面积发生，全国重点治理的六大林业有害生物，在江苏省发生危害的有4种。当前，江苏省监测预警、检疫御灾、灾害应急难以满足防控实际需要，林业有害生物联防联治、统一调度是防控工作的关键。随着云计算、大数据、移动互联网、物联网等新技术的发展，将有助于林业有害生物防控的科学化管理[1]。构建自动化、智能化的林业有害生物管理平台十分必要，而林业病虫害精准测报是关键，因此，研究人工智能助力林业病虫害精准测报对社会和经济的发展有重要的现实意义。

1 图像采集

害虫识别首先要求获取图像，系统支持两种图像获取方式：机器采集和人工获取。

（1）机器采集：预置图像采集点，按照林区的面积均匀分布图像采集点，设置设备的焦距、采集时间、周期以及一周期内的快门响应次数，从而获取图片。随后图像将通过物联网设备每隔一段时间（比如10 min）自动上传至服务器，通过人工智能的算法识别出图片内的昆虫种类及数量，分析其中害虫的数目变化，从而推断出整个林区内大致的昆虫分布情况以及虫害情况[2]。当林区发生虫害时，可以调取该区域机器采集的昆虫数据，通过分析数量较多、占比较大的害虫确定虫害类型与发生原因，帮助操作人员更好地判断虫害发生的原因，若识别度不足可使用树木识别辅助修正帮助判断。采集识别流程见图1。

（2）人工采集：操作人员在实地检查时，可以通过便携式图像采集设备比如手机，拍摄昆虫图片，再通过手机或通讯网络传输至服务器用以识别昆虫种类。

2 图像识别分析（核心算法）

获取昆虫图像之后，使用人工智能的算法识别昆虫。在图像识别领域中，卷积神经网络相较于其他模型有其独特优势，算法可以自行提取对象特征进行识别，从而使得图像识别对于光线、强度等图像质量要求并不需要太高。通过CNN发展而出的，如Faster R-CNN识别框架不仅能够识别对象，而且可以划定对象范围，为计数功能提供方便。图像识别算法主要包括以下3个步骤：

（1）图像预处理：图像处理技术，锐化去噪等;

（2）目标定位：定位图片中所有昆虫的bounding box，生成ROIs（Region of Interests）;

（3）细粒度分类：构建并训练深度学习分类模型，基于ROIs进行昆虫识别。

其中，对于昆虫识别，由于拍摄图像时存在拍摄目标之间相互重叠的问题，使用Faster R-CNN进行目标识别时，对于目标定位始终存在一定的偏差。为了解决这一问题，可以使用Mask R-CNN进行目标识别。 Mask R-CNN是在Faster R-CNN的基础上添加了一个预测分割mask的分支，将RoI Pooling层替换成了RoIAlign层，同时添加了并列的FCN层（mask层），因此可以有效弥补Faster R-CNN的不足。

构建好模型框架后，通过在大量标注数据上进行训练，可以得到准确率较高的图像识别模型。

3 树木识别

操作人员通过使用便携式图像采集装置拍摄树木的树叶以及树木的整体照片，通过手机或通讯网络上传至服务器识别树木的树种，帮助操作员明确树种，从而更加容易找出虫害原因，并以此为依据修正识别结果，提高结果准确度。若识别度不足可使用虫害识别辅助，修正帮助判断。树木识别算法与昆虫识别算法相同。

4 虫害识别

如果通过害虫识别和树木识别相结合，识别度仍然达不到设定的需求，需要通过虫害识别进一步提高准确度。操作人员通过便携式图像获取设备拍摄虫害处照片，通过算法分析该虫害产生的原因，结合害虫识别结果与树种识别结果推断出结果。

虫害识别算法与昆虫识别算法相同。由于虫害特征不存在非常明显的关联性，即同样形态的虫害可能是由不同昆虫或不同原因引起的，仅仅识别虫害图片会存在多种可能的结果，因此，虫害识别仅作为害虫识别以及树种识别的辅助修正识别，帮助提高害虫测报的精确度，而难以单独使用进行虫害判断。

5 推理流程

推理流程如图2。

步骤一：首先取得并识别昆虫图片，获得初步识别结论与识别度，若识别度小于90%，则进入步骤二。

步驟二：若图片由操作人员拍摄，则继续获取树木图片，进入步骤三;否则交由专家人工判断。

步骤三：获取并识别树种图片，经由规则库比对，该昆虫是否习惯于生活在该种植物上，通过树种识别度与规则库匹配度加权修正昆虫识别度，若识别度小于90%，进入步骤四。

步骤四：获取并识别虫害图片，识别出可能产生该虫害特征的害虫种类、树种种类，与步骤一、步骤三中的识别结果进行比对，修正识别度，若识别度小于90%，交由专家进行人工识别。

6 基础库建设

6.1 昆虫库

昆虫库主要包括：（1）昆虫的基本信息：中文名、拉丁学名、别称、界、门、亚门、纲、亚纲、目、亚目、科、属、种、英文名、命名者及年代;（2）形态特征：成虫、卵、幼虫、蛹、鉴别特征;（3）栖地分布：生物学特性、原产地、中国分布现状、引入扩散原因和危害;（4）寄生植物：寄主;（5）生长繁殖、扩展途径、发生特点、昆虫危害、相关法规、防治方法等相关信息。

其中，害虫代码采用中华人民共和国国家标准（GB/T 15775—2011）关于林业害虫的林木资源分类与代码的编码规范。该规范选择害虫最稳定的本质属性做为分类的基础和依据，按照科-目-种3个层次分类将该标准的代码分为3个层次，由七位数字构成。第一、二位代表害虫分类中的“目”，第三、四位代表“科”，第五、六、七位代表“种”。

6.2 害虫图像库

通过人工选取相应的害虫图像，每种昆虫选取不同角度、不同背景、不同状态的图片，定位到具体的种，打上标签并制作相应文件夹，同时也要选取同种昆虫在不同生长时期的图片并打上标签。在算法训练模型时，为防止过拟合现象，每张图片需要进行旋转、移动等操作，帮助提高识别准确率。

6.3 树种库

树种库主要由树种信息表构成，信息表存储了树种的主要信息，包括种名、学名、科名属名、生长类型、生态适应性、形态、形态图像、物候、分布区域、病虫害等信息。其中，树种代码依照树木通用代码。

6.4 树种图像库

目前，网络上开放的树木数据库包括PlantNet、Leafsnap以及Flavia，这些数据库包含的数据主要是各树种的树叶信息，因此需要另外自行搭建包含各树种整体图片的图像库。可以将林区内的每种树种拍摄不同角度的图片，同时在不同季节、一天之内不同的时间、光线条件不同时拍摄，同时，加入树叶与树皮纹理的图片以提高准确率。在算法训练模型时为防止过拟合现象，每张图片需要进行旋转、移动等操作，帮助提高识别准确率。

6.5 虫害库

通过人工选取每种昆虫造成不同虫害的图片，打上标签并制作相应文件夹。

6.6 规则库

对于森林中的常见多发病，森林病虫害专家根据国内外资料和实踐观察编写了大量的病害检索表。其中比较全面且权威的有周仲铭先生的《林木病理学》著作中的林木病害检索表。

根据病害检索表中的信息，构建病虫害规则库。记录每种害虫在不同时期对于不同的树种造成的虫害特征，不同昆虫在不同时期寄生的树种种类，将昆虫库、树种库与虫害相互关联。

参考文献

[1] 李成赞.森林病虫害诊断及害虫预报专家系统的研建[D].北京：北京林业大学，2009.

[2] 姜红花，张传银，张昭，等.基于Mask R-CNN的玉米田间杂草检测方法[J].农业机械学报，2020（6）：227-235，254.

责任编辑：黄艳飞