春天來到，農戶的春耕又開始了。在田間地頭，有一群科學家拿著桿子在給蟲子拍照，原來，“蟲臉識別”又上了“戰場”。兩篇文章，帶你走進中科院合肥物質科學研究院智能機械研究所的“黑科技”——“蟲臉識別”技術。

　　科學家的新工作：給蟲子拍照

　　“蟲臉識別”是這樣一個技術，它主要基于人工智能圖像識別和檢測技術，能夠讓機器自動化識別當前拍攝的照片之中害蟲的種類、數量。它能輔助田間植物保護測報人員和種田大戶，判斷田間當前病蟲害發生的程度，為之后的精準防治，精準施藥以及快速上報提供決策和建議。

　　讓我們仔細看看這個工具長什么樣子。

　　“蟲臉識別”設備，包含前端的攝像設備（CCD camera）、移動智能終端（Mobile Terminal Client）和算法服務器。

　　（圖片來源：作者）

　　“蟲臉識別”的工具分三部分組成

　　第一部分是前端的拍攝設備，是中科院合肥物質科學研究院智能機械研究所的科學家們自主研發的，類似于自拍桿。它的前端設有一個高清攝像頭，可以伸到作物根系、果樹樹梢等調查人員難以進入、觀察的地方，使圖像采集工作更加便捷。

　　第二個部分就是移動智能終端，搭載著調查專用的APP。在前端進行采集之后，這個APP能夠快速將選取的調查圖像上傳到后臺的算法服務器。

　　算法服務器就是第三部分，在接收到這些圖片之后，算法服務器會基于人工智能技術對這些圖像中包含的信息進行分析與綜合研判，隨后服務器會將識別結果數據返回給移動終端，整個過程僅僅需要1秒鐘左右。

　　在操作“蟲臉識別”設備時，將前端拍攝設備伸入蟲害發生部位進行拍攝并通過APP完成上傳，馬上就可以在終端上看到當前的圖像中包含有哪些害蟲以及害蟲的數量，機器會根據多個采樣點的識別結果綜合評估出當前田塊中可能的蟲害發生等級，輔助農業植物保護專家完成快速田間調查，并且還會提供合適的防治建議。

　　這些數據不僅提供移動設備上的實時反饋，還會被存儲到云端的數據庫中，工作人員可以通過電腦客戶端進行更加仔細的查閱，并可以對結果進行編輯、備注及下載，從而完成整個測報工作。

　　害蟲識別結果

　　（圖片來源：作者） 

　　“蟲臉識別”第一步：把人臉換成“蟲子臉”

　　人臉識別技術已經被運用到我們日常生活的方方面面，“蟲臉識別”和人臉識別都是基于機器視覺對于圖像包含物體的識別，但把識別對象從人臉換為“蟲子臉”可不是一般的難。

　　人臉有幾十個關鍵點，機器通過查找眼睛、鼻子、嘴等基本就可以知道一個人的長相。但是“蟲子臉”不一樣，機器無法通過簡單的人工設置的關鍵點進行精準的識別。

　　在田間，我國主要經濟作物上可能出現的害蟲種類可能達到幾百種；每種害蟲可能處于不同蟲齡以及發育階段，如幼蟲期和成蟲期，導致即使是同一種害蟲樣子也會大不相同。這就造成了田間的“蟲臉識別”需要識別多姿態、多種類、多形態的害蟲，這要比人臉識別困難得多。

　　要想識別千姿百態的蟲子，最重要的是建立起“蟲臉”數據庫。在“蟲臉識別”技術發展的最開始，數據積累是科學家們的頭等大事，2016年到2018年的3年時間里，中科院合肥物質科學研究院智能機械研究所的科學家們帶領著學生幾乎住在了安徽省內的各個縣市，對田間的害蟲進行數據采集，完成了快速的數據積累。

　　科學家們在田間完成數據采集

　　（圖片來源：作者） 

　　數據庫建立起來之后，農業植物保護專家首先依據對害蟲的判斷來分析整理數據庫，然后使用人工智能深度學習算法，讓計算機自動歸納和總結某一類害蟲所擁有的共性——口器、翅膀紋理、后背的花紋和斑點……這些都會成為計算機自動歸納出來的害蟲特征，也就是“蟲臉”。

　　歷經幾年時間，終于像識別人臉一樣實現了對“蟲臉”的智能化識別。

　　但數據庫的建立工作并沒有停下腳步，第一版識別系統搭建完畢之后，科學家們繼續從當地的植保站以及其他有關渠道中進行圖像收集，同時他們每年還會有幾十次的外派出差去實地采集相關圖片數據，讓圖片數據庫不斷增長與完善，也使“蟲臉識別”的識別率逐年上升。

　　“蟲臉”那么小，怎么認出它是誰？

　　只要擁有三大支持，就能迅速報出害蟲的“身份證”。

　　首先是逐漸發展的攝像技術。我們現在拍攝的圖像，無論是手機、相機還是固定的監視設備，其分辨率和圖像質量是逐漸上升的，這是能夠提供更好、更清晰的害蟲圖像數據的基礎。

　　圖片中的草地貪夜蛾十分清晰

　　（圖片來源：作者）

　　其次是優質的植物保護專家團隊，他們是來自于農科院以及省植保站的專家，他們對害蟲有清晰的了解，并且能夠對相對細小的害蟲進行準確辨認與精細的標注，為后續的機器學習提供優質的數據基礎。

　　第三就是當前快速發展的人工智能技術。在人工智能技術的加持下，這套設備能夠識別非常細小的害蟲，當前比較成熟的技術就是一種模擬人眼的視覺感知的方式——“由粗到細（coarse to fine）”。

　　舉個例子來說，當我們極目遠眺時，先是看到了廣闊的全景，當其中某一個區域出現了我們感興趣的物體時，我們的視覺感知機制會調動大腦注意力，讓我們更加專注的觀察，從而看清這個區域中物體的細節。

　　計算機算法其實就是模擬了人的視覺感知過程，先粗略識別當前圖片以判斷圖片中哪些地方可能出現了害蟲，然后再對這個害蟲區域進行放大，最后進一步識別被放大區域中害蟲的種類與數量。這種方式極大地提升了人工智能識別圖片的速度，節省了運算資源，同時也保證了細小害蟲識別的準確度。

　　在田間，最影響識別準確度的一般是陽光和陰影，它們會對工作人員所拍攝的目標特征有非常大的影響。因此，為了能夠采集到高質量的圖像，科學家們還與相關機構進行合作，發布了水稻和小麥的智能圖像采集標準，標準中涵蓋了經過實驗總結出來的，正確采集各類田間病害蟲害的規范，以此提高數據的規范化，提升了數據質量。

　　強烈光線下的小麥蚜蟲，幾乎無法分辨顏色特征

　　（圖片來源：作者） 

　　不同蟲齡的害蟲對圖像識別也有很大干擾，尤其是在幼蟲（也就是毛毛蟲）階段，干擾是非常嚴重的。即使是植物保護專家也很難僅僅通過一張圖片就判斷不同種類幼蟲之間的區別。此時就需要獲取更多的信息，比如作物種類、地理位置、采集時間、氣溫、濕度等等，再通過經驗來判斷害蟲的種類。

　　在拍攝害蟲的時候，科學家們當然也會拍攝到益蟲，不過一般不會將益蟲納入到數據庫中。一方面是由于益蟲總體占比較少，另一方面也是盡量減少識別庫種類復雜度，提升對害蟲的識別準確率。

　　“蟲臉識別”技術在一些重大的遷飛性害蟲以及小麥、水稻的重點爆發性害蟲的識別上來說，已經相對比較成功了，田間的識別準確率大概在70%~80%左右。

　　不僅會辨蟲，它還能“看病”

　　對于農作物而言，病害、蟲害以及草害，都是危害極大的。對這項技術來說，識別蟲害是相對來說最簡單的，因為害蟲個體足夠明顯，數量可以計算。但是在病害的識別上，它的算法要更加復雜，病害可能是以黑點的形式出現，或者是白斑又或者是葉子卷曲的形式出現……每一種病害的特征是完全不一樣的，就導致病害識別要跟蟲害識別走不同的道路，需要針對每種病害的特征進行對應的算法建模工作。

　　水稻粒黑粉病

　　（圖片來源：作者）

　　科學家們現在基本完成了常見的小麥和水稻的病害研究，基本能夠達到應用水平，其他作物的病害研究還需繼續期待。

　　結語

　　“蟲臉識別”在原理上與人臉識別相近，但認“蟲臉”比認人臉可難上好多個數量級。那么“蟲臉識別”的用處究竟有多大？科研人員在研究的過程中有哪些辛酸往事，智慧農業未來又有什么發展方向呢？且聽下回分解。

    原文鏈接：https://mp.weixin.qq.com/s/B2fQPExjIYA02SpNUnZhZg