摘要：草地貪夜蛾是一種嚴重破壞農作物的重大洲際害蟲，對我國農業生產造成了極大的威脅.盡管一系列防治措施已經展開，但如何有效辨別草地貪夜蛾仍然是防控工作中的一大難題.為了建立一個有效的識別算法，課題組開展了一系列研究工作，主要貢獻在于：①采集了不同地域、不同生長區間的草地貪夜蛾及相似物種圖片，建立了一個草地貪夜蛾識別數據庫;②利用基于特征融合的深度學習算法，建立了一個三通道T型深度卷積神經網絡(T-CNN)，在現有數據集上平均識別率達到97%，為草地貪夜蛾的智能識別與防控工作提供了技術支撐.

　　關鍵詞：草地貪夜蛾;識別;深度學習;深度卷積神經網絡;特征融合

　　草地貪夜蛾(Spodopterafrugiperda)是一種危害性極強的鱗翅目害蟲，起源于美洲，具有很強的遷飛能力[1].草地貪夜蛾的幼蟲以禾本科、豆科等農作物為食，尤為喜食嫩葉，對農作物危害極大.根據草地貪夜蛾對玉米和水稻的偏好性，將其基因型分成了“玉米型”(Corn-Strain)和“水稻型”(Rice-strain)[2].

　　兩種亞型的草地貪夜蛾盡管對食物的偏好性有所不同，但它們具有相同的形態學特征[3].草地貪夜蛾于2019年初入侵我國云南地區，對當地的農作物造成了嚴重危害[4].高強等[5]通過測序分析了侵入我國草地貪夜蛾的基因組，發現侵入我國的草地貪夜蛾主要為“玉米型”，也存在著少量的“水稻型”(Rice-strain).

　　草地貪夜蛾能在(11～30)℃的環境下生長，隨著溫度的逐漸升高，草地貪夜蛾開始大范圍遷移.目前，短短半年時間已擴散蔓延至我國21個省的1160多個縣(市、區)，受害面積約56.7多萬hm2.另據2019年7月5日日本共同社報道，草地貪夜蛾已入侵日本，在日本鹿兒島已經發現草地貪夜蛾.如何快速識別草地貪夜蛾，對盡早防治草地貪夜蛾有著至關重要的作用.

　　深度學習[6-9]的出現推動了人工智能新的浪潮，其優勢在圖像識別領域發揮得淋漓盡致.深度學習的手段依靠深度卷積神經網絡[7，10-12]逐層提取圖片的高級特征，并利用特有的多任務分類器Softmax進行分類，對于圖像識別具有很好的效果.因此，本文首先建立包含不同地域草地貪夜蛾的圖像數據庫，然后根據草地貪夜蛾幼蟲頭部均具有“Y”字紋，尾部有4個呈正方形排列黑點的特佂[13]，設計了三通道T型深度卷積神經網絡T-CNN(ConvolutionalNeuralNetwork，CNN)來自動識別草地貪夜蛾，識別率達到97%.本文提出的識別算法有助于對草地貪夜蛾進行快速準確地識別，為草地貪夜蛾防控和預報提供了重要的技術儲備.

　　1材料與方法

　　1.1樣本材料

　　由于目前沒有公開的草地貪夜蛾數據庫，為此本文首先建立了用于算法開發和驗證的草地貪夜蛾數據庫(SouthwestUniversitySpodopterafrugiperdadatabase，SWU-SFdatabase).SWU-SF數據庫包含38張不同地域拍攝的草地貪夜蛾圖片。

　　其中25張拍攝于重慶巫山，幼蟲24張，蛹1張;3張拍攝于重慶江津，均為幼蟲，2張拍攝于重慶云陽，同樣均為幼蟲，剩余8張均來自聯合國糧食及農業組織(FoodandAgricultureOrganizationoftheUnitedNations，FAO)，包含4張蟲卵，2張幼蟲以及2只不同性別的成蟲.SWU-SF數據庫同時采集了17張玉米粘蟲的圖片，這些幼蟲與草地貪夜蛾的幼蟲極為相似，但不具備草地貪夜蛾的經典形態特征.為使識別算法更具魯棒性，數據庫中的草地貪夜蛾均是從不同角度進行隨機活體拍攝(不固定草地貪夜蛾的形態)完成，這樣使得識別過程更接近于真實的應用場景.

　　1.2識別方法

　　1.2.1圖像預處理

　　首先對拍攝的圖片進行分類：卵、成蟲和部分幼蟲來自FAO，故沒有區域屬性分類，劃分為卵、雌成蟲、雄成蟲3類;幼蟲采自4個不同地域，故劃分為4類;非草地貪夜蛾作為獨立的1類.數據集最后劃分為8類，并將每類圖片通過隨機復制的方式將數量歸一化至30張.

　　識別算法的任務是將數據庫中任意一張圖片自動識別成這8類數據中的1類.基礎數據庫的圖片數量較少，無法有效地進行模型訓練，因此我們將基礎數據庫在灰度圖的基礎上進行了3種方式的數據增強，并在數據增強的基礎上，對每張灰度圖片進行了梯度轉換.為了進一步增強訓練集特征的豐富性，使得模型達到更好的效果，課題組同時提取了灰度圖片的HOG(梯度直方圖)特征，并與梯度圖一起作為后面特征融合的重要特征.

　　1.2.2深度卷積神經網絡

　　本文建立了一個三通道的深度學習網絡T-CNN，整個T-CNN由3個輸入層(Input1-Input3)同時輸入，主體結構C1由4個卷積層(Conv1-Conv4)，3個池化層(Pool1-Pool3)，1個拉伸層(Flatten1)，3個全連接層(Fc1，Fc6，Fc7)，1個特征融合層(Concat)以及1個Softmax分類層組成.

　　其中，卷積層的作用是提取局部感受視野中圖片的高級特征;池化層的作用在于對卷積運算得到的圖片進行下采樣，使得特征更為抽象;映射層與全連接層則是為了特征的降維.在主體結構的基礎上，加入了另外2個分支結構梯度通道(Grad-Channel，C2)和HOG通道(HOG-Channel，C3)，Grad-Channel由1個映射層(Flat-ten2)與2個全連接層(Fc2，Fc3)組成，HOG-Channel由2個全連接層(Fc4，Fc5)組成.

　　T-CNN分別以灰度圖、梯度圖以及HOG特征作為輸入.網絡主體結構C1的輸入為64×64大小的灰度圖片，經過一系列的卷積池化操作在Fc1層得到1024×1的特征向量F1.Grad-Channel(C2)的輸入為64×64大小的梯度圖片，利用映射層Flatten2將圖片展平為4096×1的向量形式，通過兩層全連接層Fc2，Fc3降維至1024×1大小得到F2.

　　HOG-Channel(C3)直接輸入大小為1764×1的HOG[14-15]特征向量，利用全連接層Fc4先映射成2048×1大小的向量形式，再利用Fc5同樣降維至大小為1024×1的一維特征向量F3.的融合向量F4，利用全連接層Fc6，Fc7降維至1024×1后送入Softmax進行8分類.

　　2結果與分析

　　2.1數據庫圖片的收集整理

　　草地貪夜蛾處于不同的形態，且拍攝角度也各不相同.真實場景中草地貪夜蛾的自動識別需要從各種與草地貪夜蛾相似的昆蟲中做出有效識別，為此數據庫中包含17張玉米粘蟲的圖片.這些粘蟲具有與草地貪夜蛾極為相似的頭部或花紋特征.我們以紅色圓圈標出了頭部與身體的花紋特征，可以看出草地貪葉蛾頭部具有“Y”型紋，而尾部上具有較為明顯的正方形黑點排列.粘蟲身體上有淺色排列的黑點，并且這些粘蟲的照片也是從不同角度進行隨機活體拍攝，以保證識別算法的魯棒性.

　　2.2數據處理結果及分析

　　完成這些數據增強操作之后，每類得到480張灰度圖片.是進行梯度轉換后的結果，第1行的8張圖片為每個種類中隨機選取的1張灰度圖片，第2行是對應的梯度圖片，梯度圖片更好地顯示了不同狀態及地域草地貪夜蛾的紋理特征.CNN對數據集進行了訓練測試.每一折交叉驗證的識別率均在95%以上，平均識別率達到97.31%，最高達到99.22%.

　　本文研究的是8分類，處于不同地域和不同生長時期的草地貪夜蛾數據，對現有的草地貪夜蛾具有較好的識別效果，利用本文提出的T-CNN模型可以有效地對草地貪夜蛾進行辨別，并及時展開預防工作.

　　3討論

　　草地貪葉蛾對世界范圍的糧食作物造成了極大的危害，它作為一種入侵害蟲，很容易與當地一些害蟲如玉米粘蟲混淆，造成防治時間上的延誤，因此建立草地貪夜蛾的自動識別數據庫和識別程非常重要.本文以草地貪夜蛾的自動識別為研究目標，及時就近采集不同地域與不同生長區間的草地貪夜蛾幼蟲，結合來自于聯合國糧食與農業組織(FAO)的若干圖片數據，建立了西南大學草地貪夜蛾識別數據庫.

　　經過隨機裁剪、隨機旋轉、鏡像3種形式的數據增強后，利用三通道T型深度卷積神經網絡T-CNN對數據進行分類，平均識別率達到97%.深度學習的一個明顯優勢在于訓練集數據的增加會大大提升模型的準確率及魯棒性，由于草地貪葉蛾準確標記的數據較少，課題組將繼續進行草地貪葉蛾數據采集，同時在T-CNN的基礎上對各個平臺采集到的疑似草地貪葉蛾圖片進行分類，將分類正確的結果作為訓練集數據的更新，基于更新后的草地貪夜蛾數據，對T-CNN模型進行進一步學習訓練.

　　此外，課題組將會把T-CNN開發成一款新的實時識別平臺，以針對全國范圍內的草地貪葉蛾進行監控、數據采集、訓練及分類工作.在本研究開展期間據人民網報道，北京普惠三農科技有限公司開發出了“很準識蛾”應用工具，識別率達到92%，可以針對卵、幼蟲、成蟲進行有效識別[20].目前，我們開發的數據庫平均識別率雖然達到97%，但還需要進一步的田間應用加以完善.

　　參考文獻：

　　[1]CHIANGTY.FallArmywormMigrationAcrosstheLesserAntillesandthePotentialforGeneticExchangesBetweenNorthandSouthAmericanPopulations[J].PlosOne，2017，12(2)：E0171743.1-18.

　　[2]UNBEHENDM，H�FNNIGERS，MEAGHERRL，etal.PheromonalDivergencebetweenTwoStrainsofSpodopteraFrugiperda[J].JournalofChemicalEcology，2013，39(3)：364-376.

　　[3]NAGOSHIRN，MEAGHERRL.BehaviorandDistributionoftheTwoFallArmywormHostStrainsinFlorida[J].FloridaEntomologist，2004，87(4)：440-449.

　　相關草地論文投稿期刊：環境昆蟲學報(雙月刊)原刊《昆蟲天敵》創辦于1978年。是由廣東省科學技術協會主管、廣東省昆蟲學會中國昆蟲學會主辦昆蟲類學術期刊。