近日，我院作物病虫害监测与治理研究团队在期刊《 Pest Management Science 》在线发表了题为“Image detection model construction of Apolygus lucorum and  Empoasca spp. based on improved YOLOv5”的论文，该研究是自动提取目标特征的深度学习模型（Deep learning model，DLM)在害虫监测上的最新研究进展，硕士生熊博为论文第一作者，罗晨副教授和胡祖庆副教授为通讯作者。

自动化、智能化和精准化害虫监测预警体系的构建是科学防控害虫的前提和基础，也是智慧农业的重要组成部分。自动化害虫识别和计数是实现害虫监测的重要手段，目前主要采用红外传感器计数和在人工提取害虫特征基础上通过机器学习对害虫图像进行识别与计数，这些技术存在准确率低、普适性差、害虫特征提取困难等不足。

该研究以猕猴桃上重要害虫绿盲蝽 Apolygus lucorum (Meyer-Dür)和小绿叶蝉 Empoasca spp. 为对象，多时期在多地点猕猴桃园通过粘有性引诱剂白色粘虫板和黄色粘虫板收集到1502张绿盲蝽和小绿叶蝉诱集图片，按照7：2：1划分成训练集、验证集和测试集，采用DLM中检测速度快的单阶段模型YOLOv5s (you-only-look-once)进行训练，并针对单阶段模型识别小型昆虫准确率低这一特点，对YOLOv5s模型进行改进，将激活函数替换为Hard swish，添加Siou Loss函数，增加SE（squeeze-and-excitation）注意力机制，并通过消融实验构建新的YOLOv5s_HSSE模型。该模型在测试数据集中的平均准确率（mAP，mean Average precision）高达95.9%，召回率（Recall）为高达93.3%，检测速度为155帧每秒，高于SSD、YOLOv3、YOLOv4等其他单阶段深度学习模型（图1）。本研究还测试了YOLOv5s_HSSE分别在高密度、中密度和低密度害虫图片上的检测结果，发现在三种密度下mAP的均高于92.7%，Recall均高于91.8%，且中等密度数量下模型的表现最好，mAP和Recall分别达到96.3％和94.0％（图2）。该研究为精准化害虫监测奠定了坚实的基础。

图1 YOLOv5_HSSE与其他单阶段检测模型检测结果举例

图2 YOLOv5_HSSE检测模型在不同密度下害虫的检测结果举例

(a) 低密度 A. lucorum ; (b) 中等密度 A. lucorum ; (c) 高密度  A. lucorum ; (d) 低密度 Empoasca spp.; (e) 中等密度 Empoasca  spp.; (f) 高密度 Empoasca spp.

据了解，该团队正将此技术应用到其他作物（小麦、烟草、十字花科蔬菜、苹果等）上进行重要靶标害虫的自动识别与计数，并初步开发出靶标害虫自动监测预警系统，该系统以靶标害虫的趋色性和通讯行为为理论依据，通过在田间安装集自动卷粘虫膜、自动高清拍照、照片自动上传至云端数据库等技术为一体的物联网监测仪，实现靶标害虫监测数据全自动实时的采集和上传；其次利用深度学习模型，对照片上的靶标害虫进行精准识别和准确计数，实现靶标害虫监测数据全自动实时的分析；最后结合当地的气象数据信息，利用机器学习模型和生物学模型，实现靶标害虫的实时预警。用户可在网站或小程序上实时接收靶标害虫的监测数据和预警信息。该系统可为作物靶标害虫的精准防治提供可靠的决策支持。

该研究得到国家重点研发计划（2022YFD1400403）等项目资助。

原文链接：https://onlinelibrary.wiley.com/doi/full/10.1002/ps.7964

编辑：刘小凤

审核：郭   军