陈梅香，杨信廷，石宝才，李文勇，杜晓伟，李 明，孙传恒*

(1.国家农业信息化工程技术研究中心，北京 100097;2.农业部农业信息技术重点实验室，北京 100097;3.北京市农林科学院植物保护环境保护研究所，北京 100097)

害虫预测预报是害虫综合治理的重要前提，害虫预测预报的首要工作是进行害虫识别和数量获取。传统的害虫识别与计数主要应用田间调查法、诱集法等，这些方法耗时、费力，且数据的调查、记录、上报的环节多，监测人员的工作量大，主观因素影响大，数据应用的时效性差，影响害虫的准确预测预报，不能满足生产实际需求。为了解决害虫识别、数量数据获取上费时、费力的问题，科学家不断探索害虫自动识别与计数的新技术。随着计算机技术、微电子技术等的发展，害虫自动识别与计数技术取得了很大的进步，目前害虫自动识别与计数技术主要有声音信号、图像技术、红外传感器等(胡丽华等，2007;周志艳等，2010)，这些技术的发展提高了害虫自动识别与计数的效率，促进精准农业的实施，减少害虫为害带来的损失，降低环境污染，提高害虫综合治理水平。本文综述了国内外关于声音信号、图像技术、红外传感器技术在害虫自动识别和计数上的相关研究成果，并比较这些方法的优缺点，为进一步开展相关研究与应用提供参考，以促进害虫自动识别与计数技术水平的提高，符合生产实际对害虫准确预测预报的需求。

1 声音信号识别与计数技术

声音监测原理是将采集到的声音信号变成电信号，对其进行放大处理，通过电子过滤器纯化提取出昆虫发出的声音，根据声音频率、信号脉冲值的特征值确定昆虫的种类和数量(韦雪青等，2010a)。早期的害虫声音监测系统主要由压电式麦克风、低噪声前置放大器、磁带录音机、示波器等组成，声音监测系统对操作环境要求高，采集过程中受噪声影响大，失真情况较严重。通过长期的发展，害虫声音信号的采集、存储、分析都发生了巨大变化，现代的害虫声音监测系统主要包括传感器、前置放大器、数字录音机、监听耳机、计算机或微处理器。传感器采集到声音信号，经前置放大器放大后传入数字录音机，利用计算机软件对声音信号进行分析，逐步发展到害虫种类识别、害虫数量计数，为害虫综合治理提供了重要依据。

国外害虫声音监测研究开展得较早，Brain(1924)利用机电设备检测到水果中害虫的吃食声，证明了声测法的可行性;Adams et al.(1953)应用麦克风、示波器等检测到了受损粮食中害虫活动的声音。早期害虫声音监测研究受到科研条件的限制，发展缓慢。上世纪80-90年代，随着计算机技术、声学技术的快速发展，极大促进了害虫声音监测技术的发展，主要专家有Hagstrum、Shuman 等。Hagstrum et al.(1991)研制了一种检测仓储麦子中赤拟谷盗 Tribolium castaneum(Herbst)数量的自动监测系统，根据害虫发声数与害虫数之间的统计关系，可估计害虫数量;1996年Hagstrum et al.用自动化害虫声音监测法监测到了粮桶中所有被发现的谷蠹Rhyzopertha dominica Fabricius、米 象 Sitophilus oryzae(Linnaeus)、赤拟谷盗，且害虫发声数与种群数量密切相关。Shuman et al.于1993年研制出第一代“声探测定位昆虫检测器(Acoustic Location Finger-printing Insect Detector，ALFIDI1)”，该检测器只适用于1 头害虫的环境，多于1 头时则计数不准确，为了解决存在的问题，1997年Shuman et al.研制了第二代“声探测昆虫特征检测器(ALFIDI2)”，该系统分辨小麦样品中多个害虫的检测准确率较高。二十一世纪，随着美国Acoustic Emission Consulting(AEC)公司研制出便携式声音监测仪(AED-2000)以及加速度传感器的推广应用，害虫声音监测对象从储粮害虫扩展到了野外环境中的地下害虫、蛀干害虫等。以Mankin为代表的专家团队在害虫声学特性、数量监测上进行了诸多研究。在储粮害虫方面，Mankin et al.(2002)基于压电传感器研究了仓储害虫印度谷螟Plodia interpunctella 的声学特征。地下害虫方面，Mankin et al.利用声音探测方法进行了柑桔象鼻虫Diaprepes abbreviates(L.)数量的探测(Mankin et al，2001;Mankin and Lapointe，2003)。蛀干害虫方面，Mankin et al.分别基于压电传感器、加速度传感器开展了光肩星天牛 Anoplophora glabripennis、棕榈树犀角金龟Oryctes rhinoceros 为害声音特征监测(Mankin et al，2008;Mankin and Moore，2010)。

国内基于声音信号的害虫监测研究相对较晚，二十世纪主要应用声音监测技术研究害虫发声特点。1979年，武汉市白蚁防治研究所开发了BS-1型白蚁声频探测仪(由探头和声频放大器组成)，能放大白蚁取食时发出的微弱信号(黄晓光，2005)。殷柏涛等(1991)应用自制的振动信号仪研究褐飞虱Nilaparvata lugens 的鸣声特性。进入二十一世纪，基于声音信号的害虫监测对象明显增多，主要包括储粮害虫、水稻害虫、林木钻蛀害虫等。储粮害虫方面，耿森林等(2005)基于隔声室、麦克风、Matlab 等进行害虫声音信号的采集和处理，构建了仓储粮食杂拟谷盗Tribolium confusum、谷蠹、米象等主要害虫爬行声的功率谱特征数据库，为储粮害虫声检测法的进一步发展提供了可借鉴的方法和共享资源。郭敏等(2006)研究了赤拟谷盗、谷蠹、杂拟谷盗等5种储粮害虫爬行声的特征。韩安太(2011)设计了一种基于无线传感器网络的新型多参数粮情自动检测系统，系统能同时对粮仓内外环境、储粮害虫进行实时、多点检测，并将监测数据发送给远程监控中心。水稻害虫方面，姚青等(2005)基于人工神经网络进行了稻飞虱Nilaparvata lugens(Stål)、白背飞虱Sogatella furcifera(Horvath)、灰飞虱Laodelphax striatellus(Fallen)等7种飞虱鸣声的识别。林木蛀干害虫方面，韦雪青等(2010b)基于AED-2000 声音监测仪、Matlab 等组成的声音信号采集、分析系统研究了红脂大小蠹Dendroctonus valens(LeConte)、双条杉天牛Semanotus bifasciatus(Motschulsky)、光肩星天牛、桑天牛 Apriona germari(Hope)的取食、爬行信号特征。

从上述研究可以看出害虫声学监测的研究适用于在取食、爬行等行为中会发出声音的害虫的探测，以及用其它方法不容易监测到的害虫，主要对象有储粮害虫、地下害虫、蛀干害虫等，声音监测方法较其它方法有独特的优势，可以做到早发现、早防治。声学监测应用方面主要应用声音传感器获取害虫取食、爬行等行为中发出的声音，通过声音信号处理获取声学特征信息以及害虫数量信息，目前主要侧重于害虫声学特征的研究，用于害虫数量监测相对较少，这主要是由于害虫声学特征的监测容易受到环境噪声的干扰，与害虫具体数量的对应上还有一定难度。

2 图像识别与计数技术

基于图像的昆虫自动识别、计数的原理是利用数码相机或其他数字产品，获得昆虫图像，利用图像处理技术获得昆虫种类与数量，研究步骤一般包括图像采集、图像预处理、特征提取与优化、模式识别和计数等(姚青等，2011)。国内外于20 世纪80年代开始基于图像技术进行昆虫识别研究，早期主要应用于昆虫分类，随着该技术的不断成熟，该技术逐步应用于储粮害虫、田间害虫的监测识别、计数研究，其重点是获取较清晰的图像以及后期的图像处理技术。

基于图像的昆虫分类识别方面，国外的研究始于80年代，90年代开始有较多研究，其中较突出的研究成果是三大识别系统，一是Schrōder et al.(1995)研究了蜂类自动识别系统(Automated Bee Identification System，ABIS)根据蜂的翅脉特征进行识别，能识别到种水平;二是Weeks et al.(1999)研究了数字图像自动识别系统(the Digital Automated Identification System，DAISY)，该系统适用性较广，可应用于蛾类、鱼类、植物的图像分类(Watson et al，2003);三是种类自动识别系统(Species Identified Automatically，SPIDA)，用于自动鉴定澳大利亚的121种蜘蛛，该系统基于人工神经网络分类器方法实现蜘蛛的自动认别，是网络版的，用户可通过网络上传蜘蛛图像让系统进行分类(Do et al.，1999)。国内80年代基于图像的害虫识别研究相对较少，90年代起，中国农业大学沈佐锐教授指导的IPMist 实验室研发了昆虫图像处理与鉴定软件BugVisux、蝴蝶自动识别软件、昆虫种类远程鉴定软件RemoteBug、蛾类昆虫分类鉴定系统等一系列成果(赵汗青等，2002;张建伟等，2006;杨红珍等，2008;蔡小娜等，2013)，极大促进了基于图像的昆虫自动识别与计数技术的发展。国内的学者在基于内容的昆虫图像识别方面也做了大量研究，主要的有台湾国立大学Chen(2000)研究了基于内容的蝴蝶图像检索系统;中国科学院动物所的Wang et al.(2012)研究了基于内容的图像检索(CBIR)方法，进行了蝴蝶科水平的鉴定识别，凤蝶科的鉴别准确率达84%。基于图像识别技术的昆虫分类研究所涉及的昆虫种类多样，图像获取工作于实验室进行，主要识别方法包括统计分析、人工智能、基于内容的图像检索等，识别准确率较高，但对待识别昆虫的图像要求相对规范。

基于图像的储粮害虫监测识别、计数研究始于20 世纪90年代，Zayas and Flinn(1998)采用数字图像处理技术基于统计判别分析识别小麦中的谷蠹及其它杂物，识别准确率达90% 以上。Ridgway et al.(2001)开发了一套基于机器视觉的储粮害虫高速检测系统，集成混合自适应阈值分割算法，线性特征检测包，用于检测储粮中的害虫及其它杂物，对小麦样本的检出率为89%-96%。国内方面，华北水利水电学院邱道尹团队(2003)进行了基于机器视觉的储粮害虫智能检测系统软硬件的设计，应用模糊决策分类器对粮仓中常见的玉米象Sitophilus zeamais Motschulsky、米象、赤拟谷盗等9种害虫的识别，正确率达95.2%，实现了储粮害虫的自动监测。卢亚玲(2007)研究了基于图像处理的粮虫自动计数系统，该系统应用连通区域标记方法进行害虫计数，平均相对误差为1.8%。Yang et al.(2011)研究了基于视频的储粮害虫检测与识别系统，该系统通过使用视频数据替代静态图像，利用运动估计和多帧验证技术，在活虫检测上具有强大的功能。相关研究结果表明基于图像的储粮害虫监测的对象种类相对较少，识别计数方法主要包括统计分析、连通区域标记等，监测识别于室内条件下进行，条件相对可控，监测识别计数技术相对成熟，计数准确率较高。

田间环境复杂，害虫的监测识别、计数研究开展得相对较晚。Gassoumi et al.(2000)设计了基于计算机视觉的棉田昆虫分类识别系统，应用人工神经网络对棉田12种常见昆虫进行分类，除1种昆虫识别的准确率为72%外，其余11种识别的准确率均达到90%以上。Murakami et al.(2005)采用灰度共生矩阵、线性判别分析方法对黄瓜叶片上的蓟马Thrips tabaci L.进行辨别，分类正确率达98%以上。Shariff et al.(2006)开发了基于模糊逻辑的数字图像处理算法，对水稻田间稻纵卷叶螟Marasmia patnalis、直纹稻弄蝶Pelopidas mathias、稻暮眼蝶Melanitis leda 等6种常见害虫的图像进行识别、计数，取得了较好的识别效果。Tirelli et al.(2011)研究了基于无线网络图像传感器的害虫远程自动监测预警系统，应用背景差分技术实现害虫计数，当昆虫密度超过阈值时发出预警信息。Fukatsu et al.(2012)通过融合机器视觉与无线网络，基于背景差分技术的图像算法实现了田间害虫稻缘蝽Leptocorisa chinensis Dallas的远程自动监测计数，计数准确率达89.1%。国内方面，沈佐锐、于新文(2001)应用计算机视觉技术对温室白粉虱Trialeurodes vaporariorum(Westwood)进行自动计数，计数准确率达92%。邱道尹等(2007)设计了基于机器视觉的农田害虫实时检测系统，基于神经网络分类器对农田常见的9种害虫进行分类，准确率达93.5%。Wen and Guyer(2012)研究了基于图像的果园害虫自动鉴定与分类方法，通过结合局部与全局特征，对苹果蠹蛾Cydia pomonella、红带卷蛾Argyrotaenia velutinana、玫瑰色卷蛾Choristoneura rosaceana 等5种果园害虫进行分类，分类准确率达86.6%。Yao et al.(2012)研究了水稻田灯诱害虫自动鉴定、计数系统，基于支持向量机进行害虫识别，平均识别准确率达97.5%。韩瑞珍和何勇(2013)设计了一套基于计算机视觉的远程大田害虫自动识别系统，该系统对大螟Sesamia inferens、稻螟蛉Naranga aenesc、二化螟Chilo suppressalis 等6种常见大田害虫平均识别率达87.4%。上述研究结果表明，基于图像的田间害虫识别对象主要包括蓟马、粉虱、蚜虫以及鳞翅目害虫等，害虫识别计数方法主要包括神经网络、支持向量机、模糊逻辑算法等，计数准确率较高，基于图像的害虫识别与计数具有省时、省力的特点，具有广阔的推广应用前景;但受鳞翅目害虫种类多、姿态多的影响，尤其是灯诱场景下，多姿态害虫自动识别难度大。近年来，多姿态害虫的识别逐渐受到关注。吕军等(2012)研究了基于模板匹配的多目标水稻灯诱害虫识别方法，研究结果表明害虫多模板匹配法的识别率显著高于单模板匹配法的识别率。李文勇等(2014)开展了基于机器视觉的多姿态害虫特征提取与分类方法研究，结果表明基于HSV 三通道颜色图像的小波纹理特征组在建模时间和平均准确率方面表现最优，可作为一种有效的多姿害虫分类特征选择。

基于图像的昆虫自动识别与计数技术具有省时省力、智能化等优点，目前已成为昆虫识别与计数研究领域的热点。基于图像的昆虫自动识别多数在实验室条件下进行照片获取，对需要识别的图像要求相对规范;此外，目前主要应用二维图像信息进行害虫识别，而田间害虫种类多，姿态多样，且野外环境中采集的害虫背景复杂，二维图像所获取的害虫信息不全，害虫识别算法的普适性容易受到影响，识别准确率有待进一步提高。

3 红外传感器监测计数技术

基于红外传感器的害虫监测计数原理是采用诱捕器或含有性信息素的诱捕器进行害虫的诱捕，用对射式或反射式红外传感器进行落入害虫信号的采集，脉冲信号经微处理器放大处理后，形成计数脉肿，触发计数器计数。早期的红外传感器监测系统主要由害虫诱捕器、红外传感器、计算机或单片机、有源电源组成，适用于仓储害虫的检测;现代的红外传感器监测系统增加了环境因子传感器、GPS 定位、数据传输系统，极大提高了监测效率，电源可由有源电源或蓄电池、太阳能相结合供电，促进了红外传感器监测计数技术在田间环境中的推广应用。

国外从事基于红外传感器进行害虫监测的国家有美国、韩国等，尤其是美国在应用红外传感器进行害虫识别计数方面有较多研究。20 世纪90年代，美国专家应用红外传感器进行储粮害虫的监测计数，并取得了成功的先例。Shuman et al.(1996)研究了基于计算机的监测为害存储产品的电子探管害虫计数器(Electronic Grain Probe Insect Counter，EGPIC)，该计数器应用单对红外传感器对落入探管的锯谷盗 Oryzaephilus surinamensis(Linnaeus)、谷象Sitophilus granaries(Linnaeus)、米象等6种储粮害虫进行实时监测、计数，计数精度在88%-99%之间。通过对电子探管害虫计数器的改进后，Shuman et al.(2005)用双红外传感器监测害虫，通过分析昆虫落入红外线光束时产生的脉冲信号，根据害虫大小进行米象、锈赤扁谷盗Cryptolestes ferrugineus(Stephens)、锯谷盗等6种储粮害虫种类的鉴别。在田间害虫监测上，美国专家Park et al.(2012)从2009年开始研究基于多对红外传感器的性诱剂诱集害虫的远程监测计数器，数据由通讯网络传输到服务器;经过多年的改进，新产品Z-Trap 目前已处于田间试验阶段。

中国也是较早应用红外传感器进行害虫监测计数的国家，国内进行害虫计数的单位有中国农业科学院、台湾国立大学、北京市农林科学院等。马春森等(2004)研究了昆虫诱捕自动记录装置，该昆虫诱捕自动记录装置由对射式的红外二极管等间距组成，不仅可以记录被诱捕的昆虫数量，而且还可以记录所对应的时间。随着通信技术的飞速发展，促进了基于红外传感器的害虫远程自动监测技术的发展，台湾国立大学Jiang et al.(2008)设计了基于双层红外传感器的桔小实蝇Bactrocera dorsalis(Hendel)诱捕和自动计数的系统，计数准确率为80%左右;远程害虫监测系统能自动地上传实时的气象因子信息和诱捕害虫的数量。石宝才等(2009)研究了基于多个红外传感器的多功能全自动智能型害虫测报系统，促进了害虫监测自动化的发展。杜晓伟等(2012)研制了基于双正交红外传感器的害虫自动计数装置，该装置判断害虫进出方向并能获取害虫的长度信息，有利于提高害虫计数的准确率。文韬等(2014)研制了基于双层红外传感器的橘小实蝇成虫诱捕监测装置，该装置能判断害虫的进出方向，监测相对误差为3%-8%，能够满足现有的桔小实蝇成虫长时期数据动态监测的需求。

上述研究结果表明应用红外传感器进行害虫监测是一种新兴的技术方法，主要监测对象是储粮害虫、诱集性害虫，其方法是应用红外传感器的不同部署方法进行害虫监测计数，主要优点是计数速度快，对环境条件要求较低，抗干扰性强，对仓储害虫、田间害虫均能进行监测。随着将红外传感器监测技术与通讯传输技术相结合，开拓了害虫远距离、大面积监测的新局面，促进了害虫监测自动化的发展，有效节省人力、物力。但红外传感器只能基于害虫的大小进行种类识别，能区分大小差异显著的害虫，但难以区分大小接近的害虫;此外，还存在着将其它落入物进行计数，造成多计数的结果。

4 展望

不同的昆虫自动识别与计数技术具有不同的适用环境，每一种方法都有其它方法不可替代的优势。声音信号是较早发展的害虫自动监测与识别技术，始于20 世纪20年代，适用于会发声害虫的监测，尤其适用于发生场所比较隐蔽的害虫，如储粮害虫、地下害虫、蛀干害虫等，可以早期探测到这些害虫的存在，但害虫声音信号容易受到环境噪声的干扰，此外信号采集环境、处理技术相对要求较高。图像技术应用于害虫识别始于20 世纪80年代，主要应用二维图像技术进行害虫识别，适用于集中诱集拍照后的害虫的监测，如灯诱、性诱等，图像技术获取的是害虫外观特征，在害虫识别上具有独特的优势，但对照相环境有一定要求，即能拍到较清晰的照片;此外害虫种类多、姿态多样，基于二维图像信息的害虫识别算法容易受到影响。红外传感器应用于害虫监测发展于20 世纪90年代，适用于性诱、食诱等害虫的监测，红外计数速度快，但在害虫种类识别上较弱，并且容易受到其它落入物的干扰。

声音信号、图像技术、红外传感器技术在害虫自动识别与计数上各有特点，因此，可将多种技术进行结合，如将声音传感器或红外传感器与图像技术相结合，通过获取害虫的多源信息，以达到优势互补的效果，可有效克服单一技术存在的不足。陈梅香等(2014)研究了基于红外传感器与图像技术相结合的害虫监测装置，该装置能够实现基于红外传感器计数和图像计数两种计数结果的相互校验，当两种计数方式的结果不一致时，还可以根据计数装置的输出结果进行追溯，有利于促进害虫计数准确率的提高。

田间害虫种类多，姿态多样，单一基于二维图像信息对害虫进行识别，其识别算法的普适性受到一定的影响。而三维信息在物体姿态变化的过程中信息不会丢失，能克服姿态变化引起的识别难题。Nguyen et al.(2013)研究了基于图像构建昆虫真彩色3D 模型的方法，并提出将三维技术的优越性应用于检疫性害虫的检测，以提高害虫的检测效率。

不同的害虫自动识别与计数技术各有优缺点，通过将不同的害虫自动识别与计数技术的给合，建立综合的监测技术方法，不同监测技术之间相互取长补短，可有效提高害虫识别与计数的准确率。三维信息在物体识别上具有很强的鲁棒性，因此，害虫三维信息的优势有待进一步挖掘，以解决基于二维图像的害虫识别算法遇到多种类、多姿态害虫时引起普适性降低的问题。

References)

Adams RE，Wolfe JE，Milner M，et al.Aural detection of grain infested internally with insects［J］.Science，1953，(118):163-164.

Brain CK.Preliminary note on the adaptation of certain radio principles to insect investigation work［J］.Ann.Univ.Stellenbosch.Ser.，1924，(2):45-47.

Cai XN，Huang DZ，Shen ZR，et al.Systematic research on the classification of moths using math-morphological characters of wingsⅠ:Superfamily level［J］.Journal of China Agricultural University，2013，18(4):96-104.［蔡小娜，黄大庄，沈佐锐，等.利用翅的数学形态特征对蛾类昆虫进行分类鉴定的系统研究-在总科级阶元上的应用［J］.中国农业大学学报，2013，18(4):96-104］

Chen BC.Content-based Image Retrieval of Butterflies［D］.Taibei:National Taiwan University，2000.

Chen MX，Li WY，Shi BC，et al.A kind of counting device for pests［P］.2014，ZL201420152214.6.［陈梅香，李文勇，石宝才，等，一种害虫计数装置［P］，2014，201420152214.6］

Do MT，Harp JM，Norris KC.A test of a pattern recognition system for identification of spiders［J］.Bulletin of Entomological Research，1999，89:217-224.

Du XW，Chen MX，Zhou C，et al.A kind of identifying and counting device for pests［P］.2012，ZL201220484350.6.［杜晓伟，陈梅香，周超，等.昆虫诱捕分类计数装［P］.2012，ZL201220484350.6］

Fukatsu T，Watanabe T，Hu HM，et al.Field monitoring support system for the occurrence of Leptocorisa chinensis Dallas(Hemiptera:Alydidae)using synthetic attractants，field servers，and image analysis［J］.Computers and Electronics in Agriculture，2012，80:8-16.

Gassoumi H，Prasad NR，Ellington JJ.Neural Network-Based Approachfor Insect Classification in Cotton Ecosystems［C］.Thailand:Bangkok，2000.

Geng SL.The Detection and Analysis of the Stored Grain Insect Sound Characteristic and its Database Instauration［D］.Xi'an:Shaanxi Normal University，2005b.［耿森林.储粮害虫活动声特征检测、分析及其数据库建立［D］.西安:陕西师范大学，2005b］

Guo M，Shang ZY，Bai Y.Collecting and analyzing the sound signal character of pest in stored grain［J］.Journal of Yunnan University(Natural Sciences Edition)，2006，28(6):497-503.［郭敏，尚志远，白雅.储粮害虫微弱声信号特征提取与分析［J］.云南大学学报(自然科学版)，2006，28(6):497-503］

Hagstrum DW，Vick KW，Flinn PW.Automated acoustical monitoring of Tribolium castaneum(Coleoptera:Tenebrionidae)populations in stored wheat［J］.J.Econ.Entomol.，1991，84:1604-1608.

Hagstrum DW，Flinn PW，Shuman D.Automated monitoring using acoustical sensors for insects in farm stored wheat［J］.Econ.Entomol.，1996，89(1):211-217.

Han RZ，He Y.Remote automatic identification system of field pests based on computer vision［J］.Transactions of the Chinese Society of Agricultural Engineering，2013，29(03):156-162.［韩瑞珍，何勇.基于计算机视觉的大田害虫远程自动识别系统［J］.农业工程学报，2013，29(03):156-162］

Hu LH，Guo M，Zhang JH，et al.New detection technology and application status of stored-grain insects［J］.Transactions of the Chinese Society of Agricultural Engineering，2007，23(11):286-290.［胡丽华，郭敏，张景虎，等.储粮害虫检测新技术及应用现状［J］.农业工程学报，2007，23(11):286-290］

Huang XG.Theory of audio explorer and its application in termites exploration［J］.Chinese Journal of Hygienic Insecticides ＆Equipments，2005，11(5):355.［黄晓光.声频探测器的原理及其在白蚁探测中的应用［J］.中华卫生杀虫药械，2005，11(5):355］

Jiang JA，Tseng CL，Lu FM，et al.A GSM-based remote wireless automatic monitoring system for fleld information:A case study for ecological monitoring of the oriental fruit fly，Bactrocera dorsalis(Hendel)［J］.Computers and Electronics in Agriculture，2008，62:243-259.

Li WY，Li M，Chen MX，et al.Feature extraction and classification method of multi-pose pests using machine vision［J］.Transactions of the Chinese Society of Agricultural Engineering，2014，30(14):154-162.［李文勇，李明，陈梅香，等.基于机器视觉的作物多姿态害虫特征提取与分类方法［J］.农业工程学报，2014，30(14):154-162］

Lu YL.Study for automatic grain insect counting system based on image processing［J］.Control ＆ Automation，2007，23(24):311-312.［卢亚玲.基于图像处理的粮虫自动计数系统的研究［J］.微计算机信息，2007，23(24):311-312］

Lv J，Yao Q，Liu QJ，et al.Identification of multi-objective rice light-trap pests based on template matching［J］，Chin.J.Rice Sci.，2012，26(5):619-623.［吕军，姚青，刘庆杰，等.基于模板匹配的多目标水稻灯诱害虫识别方法的研究［J］.中国水稻科学.2012，26(5):619-623］

Ma CS，Tong CF，Wu GF，et al.Automatic recording device for insect trapping［P］.2004，ZL 200420116083.2.［马春森，仝乘风，巫国栋，等.昆虫诱捕自动记录装置［P］.2004，ZL 200420116083.2］

Mankin RW，Lapointe SL，Franqui RA.Acoustic surveying of subterranean insect populations in Citrus groves［J］.Ecology and Behavior，2001，94(4):853-859.

Mankin RW.Increase in acoustic detectability of Plodia interpunctella(Lepidoptera:Pyralidae)larvae in stored products after electrical stimulation［J］.The Florida Entomologist，2002，85(3):524-526.

Mankin RW，Lapointe SL.Listening to the larvae acoustic detection of Diaprepes abbreviatus(L.)［J］.Proc.Fla.State Hort.Soc.，2003，(116):304-308.

Mankin RW，Smith M，Atkinson E，et al Detection of Anoplophora glabripennis(Coleoptera Cerambycidae)larvae in different host trees and tissues by automated analyses of sound-impulse frequency and temporal patterns［J］.Econ.Entomol.，2008，101(3):838-849.

Mankin RW，Moore A.Acoustic detection of Oryctes rhinoceros(Coleoptera:Scarabaeidae:Dynastinae)and Nasutitermes luzonicus(Isoptera:Termitidae)in palm trees in urban guam［J］.Journal of Economic Entomology，2010，103(4):1135-1143.

Murakami S，Homma K，Koike T.Detection of small pests on vegetable leaves using GLCM［C］.In:2005 ASAE Annual International Meeting，Tampa，Florida，USA.2005，123-136.

Nguyen C，Lovell D，Oberprieler R，et al.Virtual 3D Models of Insects for Accelerated Quarantine Control［C］.The IEEE International Conference on Computer Vision(ICCV)Workshops，2013，161-167.

Park J，Holguin G，Medeiros H.Automatic monitoring of insect populations［P］.WO 2012/054397 A1.

Qiu DY，Zhang HT，Chen TJ，et al.Software design of an intelligent detection system for stored-grain pests based on machine vision［J］.Transactions of the Chinese Society of Agricultural Machinery，2003，34(2):83-85.［邱道尹，张红涛，陈铁军，等，.基于机器视觉的储粮害虫智能检测系统软件设计［J］.农业机械学报.2003，34(2):83-85］

Qiu DY，Zhang HT，Liu XY，et al.Design of detection system for agriculture field pests based on machine vision［J］.Transactions of the Chinese Society of Agricultural Machinery.2007，38(1):120-122.［邱道尹，张红涛，刘新宇，等.基于机器视觉的大田害虫检测系统［J］.农业机械学报.2007，38(1):120-122］

Ridgway C，Davies R，Chambers J.Imaging for the high speed detection of pest insects and other contaminants in cereal grain in transit［C］.In:2001 ASAE Annual International Meeting，Sacramento of Convention Center，Sacramento，California，USA，2001，1-7.

Schrōder S，Drescher W，Steinhage V，et al.An automated method for the identification of bee species(Hymenoptera:apoidea)［C］.In:Proceedings of the international symposium on conserving Europe's bees，International Bee Research Association ＆ Linnean Society.1995，6-7.

Shariff A，Aik Y，Hong W，et al.Automated identification and counting of pests in the paddy fields using image analysis［C］.In:Proc.of the 4thWorld Congress on Computers in Agriculture，Orlando，Florida，USA.2006，759-764.

Shen ZR，Yu XW.Preliminary research on automated counting technology for Trialeurodes vaporariorum(Westwood)［J］.Acta Ecologica Sinica，2001，21(1):94-99.［沈佐锐，于新文.温室白粉虱自动计数技术研究初报［J］.生态学报，2001，21(1):94-99］

Shi BC，Kang ZJ，Lu H，et al.Multifunctional automatic intelligent forecasting system of pest［P］，2009，200920176146.6.［石宝才，康总江，路虹，等.多功能全自动智能型害虫测报系［P］，2009.200920176146.6］

Shuman D，Coffelt JA，Vick KW，et al.Quantitative acoustical detection of larvae feeding inside kernels of grain［J］.Econ.Entomol.，1993，86:933-938.

Shuman D，Coffelt JA，Weaver DK.A Computer-based electronic fall-through probe insect［J］.Transactions of the American Society of Agricultural Engineers，1996，39(5):1773-1780.

Shuman D，Weaver DK，Mankin RW.Quantifying larval infestation with an acoustical sensor array and cluster analysis of cross-correlaton outputs［J］.Appl.Acoust.，1997，50(4):274-296.

Shuman D，Weaver DK，Larson RG.Performance of an analytical，dual infrared-beam，stored-product insect monitoring system［J］.J.Econ.Entomol.，2005，98(5):1723-1732.

Tirelli P，Borghese N，Pedersini F，et al.Automatic monitoring of pest insects traps by Zigbee-based wireless networking of image sensors［C］.In:Instrumentation and Measurement Technology Conference(I2MTC)，2011 IEEE.1-5.

Wang J，Ji L，Liang A，et al.The identification of butterfly families using content-based image retrieval［J］.Biosystems Engineering，2012，3:24-32.

Watson A，O'Neill M，Kitching I.Automated identification of live moths(Macrolepidoptera)using Digital Automated Identification SYstem(DAISY)［J］.Systematics and Biodiversity，2003，1(3):287-300.

Weeks P，O'Neill M，Gaston K，et al.Automating insect identification:exploring the limitations of a prototype system［J］.Journal of Applied Entomology，1999，123(1):1-8.

Wen CL，Guyer D.Image-based orchard insect automated identification and classification method［J］.Computers and Electronics in Agriculture，2012，89:110-115.

Wei XQ，Wen JB，Zhao YJ，et al.Review on monitoring technology of the insect acoustic［J］.Scientia Silvae Sinicae，2010a，46(5):147-154.［韦雪青，温俊宝，赵源吉，等.害虫声音监测技术研究进展［J］.林业科学，2010a，46(5):147-154］

Wei XQ.Primary Study on Sound Monitoring Technology of Wood Boring［D］.Beijing:Beijing Forestry University，2010b.［韦雪青.林木蛀干害虫声音监测技术初探［D］.北京:北京大业大学，2010b］

Wen T，Hong TS，Li LJ，et al.Design and experiment of trapping and monitoring device for adult Bactrocera dorsalis(Hendel)［J］.Transactions of the Chinese Society of Agricultural Engineering，2014，30(11):37-44.［文韬，洪添胜，李立君，等.橘小实蝇成虫诱捕监测装置的设计与试验［J］.农业工程学报，2014，30(11):37-44］

Yang HZ，Zhang JW，Li XT，et al.Remote automatic identification system based on insect image［J］.Transactions of the Chinese Society of Agricultural Engineering，2008，24(1):188-192.［杨红珍，张建伟，李湘涛，等.基于图像的昆虫远程自动识别系统的研究［J］.农业工程学报，2008，24(1):188-192］

Yang Y，Peng B，Wang J.A system for detection and recognition of pests in stored-grain based on video analysis［J］.Computer and Computing Technologies in Agriculture IV，2011:119-124.

Yao Q，Lai FX，Fu Q，et al.Identification of insect acoustical signals based on artificial neural network［J］.Entomotaxonomia，2005，27(1):19-22.［姚青，赖凤香，傅强，等.基于人工神经网络的昆虫鸣声识别［J］.昆虫分类学报，2005，27(1):19-22］

Yao Q，Lv J，Liu Q，et al.An insect imaging system to automate ricelight-trap pest identification［J］.Journal of Integrative Agriculture，2012，11(6):978-985.

Yao Q，Lv J，Yang BJ，et al.Progress in research on digital image processing technology for automatic insect identification and counting［J］.Scientia Agricultura Sinica，2011，44(14):2886-2899.［姚青，吕军，杨保军，等.基于图像的昆虫自动识别与计数研究进展［J］.中国农业科学，2011，44(14):2886-2899］

Yin BT，Zhang ZT.Chirping characteristic parameters of Nilaparvata lugens Stål［J］.Acoustics and Electronics Engineering，1991，2(2):42-45.［殷柏涛，张志涛.褐稻虱鸣声的特征参数［J］.声学与电子工程，1991，2(2):42-45］

Zayas IY，Flinn PW.Detection of insects in bulk wheat samples with machine vision［J］.Journal of Electronic Packaging，1998，41(3):883-888.

Zhang JW，Wang YM，Shen ZR.Novel method for estimating cereal aphid population based on computer vision technology［J］.Transactions of the Chinese Society of Agricultural Engineering，2006，22(9):159-162.［张建伟，王永模，沈佐锐.麦田蚜虫自动计数研究［J］.农业工程学报，2006，22(9):159-162］

Zhao HQ，Shen ZR，Yu XW.On computer-aided insect identification through math-morphology features［J］.Journal of China Agricultural University，2002，7(3):38-42.［赵汗青，沈佐锐，于新文.数学形态特征应用于昆虫自动鉴别的研究［J］.中国农业大学学报，2002，7(3):38-42］

Zhou ZY，Luo XW，Zhang Y，et al.Machine-based technologies for detecting and monitoring insect pests of crops:a review［J］.Acta Entomologica Sinica，2010，53(1):98-109.［周志艳，罗锡文，张扬，等.农作物虫害的机器检测与监测技术研究进展［J］.昆虫学报，2010，53(1):98-109］