春季来到，农户的春耕又开始了。在田间地头，有一群科学家拿着杆子在给虫子拍照，原来，“虫脸辨别”又上了“战场”。两篇文章，带你走进中国科学院合肥物质科学研究院智能机械研究所的“黑科技”——“虫脸辨别”技术。

科学家的新工作：给虫子拍照

“虫脸辨别”是如此一个技术，它主要基于AI图像辨别和测试技术，可以让机器智能化辨别目前拍摄的照片之中害虫的类型、数目。它能辅助田间植物保护测报职员和种田大户，判断田间目前病虫害发生的程度，为之后的精准防治，精准施药与迅速上报提供决策和建议。

让大家仔细看看这个工具长什么样子。

“虫脸辨别”设施，包括前端的摄像设施（CCD camera）、移动智能终端（Mobile Terminal Client）和算法服务器。（图片来源：作者）

“虫脸辨别”的工具分三部分组成。

第一部分是前端的拍摄设施，是中国科学院合肥物质科学研究院智能机械研究所的科学家们自主研发的，像自拍杆。它的前端设有一个好看的摄像头，可以伸到作物根系、果树树梢等调查职员很难进入、察看的地方，使图像采集工作愈加便捷。

第二个部分就是移动智能终端，搭载着调查专用的APP。在前端进行采集之后，这个APP可以迅速将选取的调查图像上传到后台的算法服务器。

算法服务器就是第三部分，在接收到这类图片之后，算法服务器会基于AI技术对这类图像中包括的信息进行剖析与综合研判，随后服务器会将辨别结果数据返回给移动终端，整个过程仅只需1秒钟左右。

在操作“虫脸辨别”设施时，将前端拍摄设施伸入虫害发生部位进行拍摄并通过APP完成上传，立刻就能在终端上看到目前的图像中包括有什么害虫与害虫的数目，机器会依据多个采样点的辨别结果综合评估出目前田块中可能的虫害发生等级，辅助农业植物保护专家完成迅速田间调查，并且还会提供适合的防治建议。

这类数据不只提供手机上的实时反馈，还会被存储到云端的数据库中，员工可以通过电脑推广客户端进行愈加仔细的查阅，并可以对结果进行编辑、备注及下载，从而完成整个测报工作。

害虫辨别结果（图片来源：作者）

“虫脸辨别”第一步：把人脸换成“虫子脸”

人脸辨别技术已经被运用到大家平时生活的很多方面，“虫脸辨别”和人脸辨别都是基于机器视觉对于图像包括物体的辨别，但把辨别对象从人脸换为“虫子脸”可不是普通的难。

人脸有几十个重点，机器通过查找双眼、鼻子、嘴等基本就能了解一个人的长相。但“虫子脸”不同，机器没办法通过简单的人工设置的重点进行精准的辨别。

在田间，国内主要经济作物上可能出现的害虫类型可能达到几百种；每种害虫可能处于不同虫龄与发育阶段，如幼虫期和成虫期，致使即便是同一种害虫样子也会大不相同。这就导致了田间的“虫脸辨别”需要辨别多姿态、多类型、多形态的害虫，这要比人脸辨别困难得多。

要想辨别千姿百态的虫子，非常重要的是打造起“虫脸”数据库。在“虫脸辨别”技术进步的最开始，数据积累是科学家们的头等大事，2016年到2018年的3年时间里，中国科学院合肥物质科学研究院智能机械研究所的科学家们带领着学生几乎住在了安徽内的每个县市，对田间的害虫进行数据采集，完成了迅速的数据积累。

科学家们在田间完成数据采集（图片来源：作者）

数据库打造起来之后，农业植物保护专家第一依据对害虫的判断来剖析整理数据库，然后用AI深度学习算法，让计算机自动总结和概要某一类害虫所拥有些共性——口器、翅膀纹理、背部的花纹和斑点……这类都会成为计算机自动总结出来的害虫特点，也就是“虫脸”。

历经几年时间，终于像辨别人脸一样达成了对“虫脸”的自动化辨别。

但数据库的打造工作并没停下脚步，第一版辨别系统搭建完毕之后，科学家们继续从当地的植保站与其他有关途径中进行图像采集，同时他们每年还会有几十次的外派出差去实地采集有关图片数据，让图片数据库不断增长与健全，也使“虫脸辨别”的辨别率逐年增长。

“虫脸”那样小，如何认出它是哪个？

只须拥有三大支持，就能飞速报出害虫的“身份证”。

第一是渐渐进步的摄像技术。大家目前拍摄的图像，无论是手机、相机还是固定的监视设施，其分辨率和图像水平是渐渐上升的，这是可以提供更好、更明确的害虫图像数据的基础。

图片中的草地贪夜蛾十分明确（图片来源：作者）

第二是优质的植物保护专家团队，他们是源于农科院与省植保站的专家，他们对害虫有明确的认知，并且可以对相对细小的害虫进行准确辨认与精细的标注，为后续的机器学习提供优质的数据基础。

第三就是目前迅速进步的AI技术。在AI技术的加持下，这套设施可以辨别很细小的害虫，目前比较成熟的技术就是一种模拟人眼的视觉感知的方法——“由粗到细（coarse to fine）”。

举例来讲，当大家极目远眺时，先是看到了广阔的全景，当其中某一个地区出现了大家有兴趣的物体时，大家的视觉感知机制会调动大脑注意力，让大家愈加专注的察看，从而看清这个地区中物体的细节。

计算机算法其实就是模拟了人的视觉感知过程，先粗略辨别目前图片以判断图片中什么地方可能出现了害虫，然后再对这个害虫地区进行放大，最后进一步辨别被放大地区中害虫的类型与数目。这种方法很大地提高了AI辨别图片的速度，节省了运算资源，同时也保证了细小害虫辨别的准确度。

在田间，最影响辨别准确度的一般是阳光和阴影，它们会对员工所拍摄的目的特点有很大的影响。因此，为了可以采集到优质的图像，科学家们还与有关机构进行合作，发布了水稻和小麦的智能图像采集标准，标准中涵盖了经过实验概要出来的，正确采集各类田间病害虫害的规范，以此提升数据的规范化，提高了数据水平。

强烈光线下的小麦蚜虫，几乎没办法分辨颜色特点（图片来源：作者）

不同虫龄的害虫对图像辨别也有非常大干扰，特别是在幼虫（也就是毛毛虫）阶段，干扰是很紧急的。即便是植物保护专家也非常难仅仅通过一张图片就判断不同类型幼虫之间有什么区别。此时就需要获得更多的信息，譬如作物类型、地点、采集时间、气温、湿度等等，再通过经验来判断害虫的类型。

在拍摄害虫的时候，科学家们当然也会拍摄到益虫，不过一般不会将益虫纳入到数据库中。一方面是因为益虫总体占比较少，其次也是尽可能降低辨别库类型复杂度，提高对害虫的辨别准确率。

“虫脸辨别”技术在一些重大的迁飞性害虫与小麦、水稻的重点爆发性害虫的辨别上来讲，已经相对比较成功了，田间的辨别准确率大概在70%~80%左右。

不只会辨虫，它还能“看病”

对于农作物而言，病害、虫害与草害，都是风险很大的。对这项技术来讲，辨别虫害是相对来讲最简单的，由于害虫个体足够明显，数目可以计算。但在病害的辨别上，它的算法要愈加复杂，病害可能是以黑点的形式出现，或者是白斑又或者是叶子卷曲的形式出现……每一种病害的特点是完全不同的，就致使病害辨别要跟虫害辨别走不一样的道路，需要针对每种病害的特点进行对应的算法建模工作。

水稻粒黑粉病（图片来源：作者）

科学家们目前基本完成了容易见到的小麦和水稻的病害研究，基本可以达到应用水平，其他作物的病害研究还需继续期待。

结语

“虫脸辨别”在原理上与人脸辨别相近，但认“虫脸”比认人脸可难上好多个数目级。那样“虫脸辨别”的用处到底有多大？科研职员在研究的过程中有什么辛酸往事，智慧农业将来又有哪些进步方向呢？且听下回分解。

本文源自“科学大院“公众号，转载请注明公众号出处

Tags：人工智能