杨奉水 王志博 汪为通 张欣欣 孙亮 肖强

摘要：传统茶树病虫害的识别主要依靠专业植保人员的现场诊断，难以满足现阶段茶园大规模种植发展的需求。随着计算机应用技术和人工智能领域的发展，应用人工智能识别茶树病虫害已成为建设数字茶園的重要部分。文章系统阐述了人工智能识别技术的发展历程及在茶树病虫害识别技术上的研究和应用现状，分析了茶树病虫害识别技术目前所遇到的问题，展望了人工智能识别技术在茶树病虫害识别、监测和预警上的应用前景。

关键词：人工智能;病虫害识别;茶树

Application and Prospect of Artificial Intelligence

Identification of Tea Pests and Diseases

YANG Fengshui， WANG Zhibo， WANG Weitong， ZHANG Xinxin， SUN Liang， XIAO Qiang*

Tea Research Institute， Chinese Academy of Agriculture Sciences， Hangzhou 310008， China

Abstract： The identification of traditional tea diseases and insect pests mainly relies on the on-site diagnosis of professional personnel， which is difficult to meet the needs of large-scale planting and development of tea gardens now. With the development of computer application technology and artificial intelligence， the application of artificial intelligence to identify tea diseases and insect pests has become an important part of building intelligent tea garden. This paper reviewed the development history of artificial intelligence identification technology and the research and application status of tea pest and disease identification technology， analyzed the current problems encountered by tea pest and disease identification technology， and prospected the application prospects of artificial intelligence identification technology in the identification， monitoring and early warning of tea pests and diseases.

Keywords： artificial intelligence， identification of diseases and pests， tea

人工智能是利用计算机创造并运用算法处理生产中所获得的数据，达到模拟人类智能活动规律的目的。人工智能识别主要通过计算机运用算法处理在外界环境中收集的图片，并从图片中获取事物的信息，进行分析处理，达到模拟人的视觉功能，具有速度快、处理数据量大、节省劳动力、功能丰富等特点，因此在工业、农业等领域得到了广泛的应用。

在茶叶生产中，病虫害是影响其产量和品质的重要因子，我国茶园病虫害发生具有种类多、发生面积广、危害大等特点[1]，常给茶叶生产带来巨大的经济损失，因此，茶树病虫害防治一直以来被作为生产过程中一个不可或缺的组成部分。在病虫害防治的整个过程中，病虫识别是开展病虫害防治的首要环节。传统的病虫识别需要依赖于昆虫分类学家的形态鉴定，近年来随着分子生物学的快速发展，DNA条形码技术很大程度弥补了传统形态鉴定的专业依赖，但该技术因专业性特点和依赖实验仪器，以及鉴定成本和时效上的局限性，仍然难以满足生产的需要。近些年随着计算机技术的发展，许多专家学者开始将人工智能识别技术应用到病虫识别上，人工智能识别技术因其鉴别速度快、稳定性好、准确度高等特点，能够实现提高识别效率、节省劳动力、迎合产业发展需求的效果。本文阐述了人工智能识别技术的发展历程，介绍了茶园病虫害识别技术的相关研究和应用，对目前茶树病虫害识别技术所遇到的主要问题进行了分析，并在此基础上展望了人工智能识别技术在茶园植保上的应用前景。

1  人工智能识别技术的发展概况及在农业病虫害上的应用

1.1  人工智能识别技术的发展

1956年，在美国达特茅斯会议上人工智能（Artificial intelligence）这一概念被首次提出[2]。随着人工智能技术的发展，逐渐形成了多个分支，如自然语言处理、计算机视觉、知识表示、机器学习等。目前，国内外有许多专家学者将人工智能技术应用到现代农业上，通过信息技术与智能设备的结合，实现在农业生产过程中的信息感知、快速识别、智能监测等新型农业生产方式，推动我国农业从数字化到智能化的发展。

人工智能识别技术的探索起始于20世纪50年代对生物视觉的研究[3]。20世纪60年代，Roberts等[4]阐明了从二维图片中推导出三维信息的过程，这项工作开启了以理解三维机器视觉为目的的研究。在20世纪70年代，麻省理工学院开设计算机视觉课程，同一时期，David Marr提出了计算机视觉理论。到20世纪80年代，计算机视觉发展迅速，涌现出了许多新的理论框架，并且在各个领域得到了广泛的应用，计算机视觉逐步从实验室走向了应用[5]。20世纪90年代，特征对象识别逐渐开始成为重点，许多统计学习方法如支持向量机也在计算机视觉中得到广泛的应用。ADBA5149-3503-4FE7-927E-31D27727D920

人工智能识别技术一般是使用图像捕捉设备自动接收目标图像，并对图像进行处理和分析，具有速度快、稳定性好、准确性高等特点，拥有代替人眼进行识别的发展潜力[6]。如图1所示，人工智能识别技术主要流程包括检测目标、图像获取、图像预处理、图像分析等。其中图像分析是识别过程中的关键环节，主要的分析方法可分为传统机器学习和深度学习。传统机器学习的主要流程包括图像预处理、特征提取、特征筛选、模型选择、分类器选择、测试验证等，深度学习的主要流程包括图像预处理、划分数据集、设计分类模型、模型训练、模型评估、测试验证等。

1.2  人工智能识别农业病虫害的应用

进入21世纪后，传统的机器学习方法和深度学习在人工智能识别农业病虫害研究中得到了广泛应用。常见的机器学习方法有支持向量机[7-8]、决策树[9]、朴素贝叶斯方法[10]等。赵汗青等[11]利用数学形态特征对40种昆虫进行了二叉式分类，结合图像处理技术，使其早期开发的昆虫自动识别软件Bugvisux能够对40种昆虫进行鉴别，并且准确率达到97.5%。于新文等[12]从棉铃虫、玉米螟和黑哎猎蝽的图像中提取了9个直观易测的形状特征，利用逐步判别分析法筛选出6个特征并构建判别函数对其进行判别分类，识别率达到100%。梁子安等[13]利用粗糙集神经网络对鳞翅目和鞘翅目昆虫5个总科23种昆虫图像的数学形态特征进行分类识别，并取得了良好的识别效果。赵玉霞等[10]利用朴素贝叶斯分类器的方法在图像分割和特征提取的基础上实现了对玉米5种病害图像的精准识别。邓继忠等[8]比较了最小距离法、BP神经网络和支持向量机分类器3种方法对3种小麦黑穗病的孢子的识别效果，结果表明采用支持向量机优于其余两种方法。以上这些研究都是基于静态的标本图像，在田间复杂的环境下识别效果还有待改善。

深度学习在处理海量数据上具有一定的优势，能够在大规模数据中自动提取出物体特征并利用分类器进行分类识别。深度学习常用的模型主要有Alexnet[14]、VGG[15-16]等。郭阳等[17]利用深度卷积神经网络对2 500张水稻害虫图片进行处理，比较Faster-RCNN、SSD 和YOLOv3等3种算法在5种水稻害虫上的识别效果，结果表明YOLOv3 算法的识别效果优于其余两种算法，平均准确率为91.93%。肖小梅等[14]对传统的卷积神经网络Alexnet进行优化改进后，该模型对4种常见水稻害虫的平均识别准确率比改进前提升了1.96个百分点。Lu等[18]利用深度卷积神经网络训练识别10种常见的水稻病害，其识别准确率远远高于传统的机器学习模型。万军杰等[19]利用深度学习技术基于MATLAB平台设计了1款可视化的果园病虫害识别和为害程度分级的智能系统，该系统将迁移学习技术和GoogLeNet模型相結合，相较于Alexnet、VGG-16、ResNet-18、SqueezeNet等模型，其模型验证精度提高了2.38%～11.40%，能够在0.43 s左右的时间准确识别出果树的类型、病害和为害程度等信息，对6种果园25类的病虫害样本进行研究发现，其虫害和病害的识别精度分别达到100%和98.70%，为害程度分级平均精度可达到92.78%。

相对于传统机器学习，深度学习对计算资源的要求更高，一般需要较强性能的设备进行大规模运算。在特征提取上，传统机器学习依靠人工提取，而深度学习是依靠机器自动提取，这就满足了对海量数据处理和训练的需求。相较于传统的机器学习，深度学习在识别精度和效率上具有明显的提升。由此可见，深度学习对提高识别准确率以及减少研发劳力投入具有显著的优势。

2  人工智能识别茶树病虫害的研究现状

2.1  人工智能识别茶树病虫害的研究进展

与其他作物会遭遇病虫为害一样，茶园中也会有各种病虫为害茶树。据统计，我国已有记录的茶树病虫有900多种[1]，过去识别这些茶树病虫主要依靠植保专家和植保工作者，通过对害虫的形态特征、病害的发生特征以及发生时间进行辨别。在现阶段大规模种植条件下，茶园病虫害种类繁多，专业技术人员不足，传统的人工识别难以满足生产需求，给精准防控带来困难。相比之下，人工智能识别明显更准确，花费的时间和劳动力更少。因此，人工智能在茶树病虫害识别上的应用具有巨大的潜力和需求。

随着人工智能识别技术在农业病虫害识别系统中的发展，在茶树病虫害识别的研究上也取得了一定的进展。2008年，秦华光[20]基于专家经验研发了1套茶园害虫智能化WEB管理系统，该系统包括茶园病虫识别，虫害预测预报和茶园害虫的防治决策3个主要环节，采用形态识别、图谱识别和检索识别3种方式识别病虫害，是我国早期将人工智能技术引入茶园病虫害防治的代表性研究。在图形识别领域，算法对识别速度及结果的准确率具有重要的影响。吴阿林等[21]采用BP、SVM、CART等3种算法构建了茶树5种尺蠖害虫的三维空间结构知识库，其对害虫的分类识别率在80.00%～86.67%之间。近些年，卷积神经网络技术在图像人工智能识别领域得到了广泛的应用。杨国国等[22]采用图像显著性分析并利用卷积神经网络所建立的模型对茶园23种常见的害虫进行识别，取得了较好的识别效果。Bhatt等[23]基于卷积神经网络建立了1个能够对茶树病虫害准确检测的模型，该系统能够有效地识别和定位复杂背景、遮挡情况下茶叶的健康状况。Hu等[24]基于改进的深度卷积神经网络提高了对不同茶树病害图像的识别能力，该方法高于传统的机器学习方法和经典的深度学习方法，将平均识别精度提升到92.5%。

移动智能设备的快速普及，也为病虫害识别的发展提供了一个可行的方向。基于移动端开发的病虫害识别程序已经在储粮病虫害[25-26]、果蔬病虫害[19，27-28]等方面得到了应用，但在识别算法、精度、识别时间以及种类上还具有一定的局限性。例如，曹跃腾等[29]开发了1款能够部署在移动端的轻量级病虫害识别算法Simplify-ResNet，利用人工采集病虫害图像和Plant Village数据集测试Simplify-ResNet模型发现，其识别准确率为92.45%，与LeNet、AlexNet、MobileNet等模型相比，该模型的准确率分别提高了18.30、7.45、1.20个百分点。目前，在茶树病虫害识别上，中国农业科学院茶叶研究所和杭州睿坤科技有限公司联合研发了1套基于移动端的智能识别系统“茶病茶虫”，该系统能够识别茶园中常见的病虫害及天敌80种左右，操作简单、识别速度快、准确度高，为茶树病虫害诊断提供了一种可靠的途径。ADBA5149-3503-4FE7-927E-31D27727D920

2.2  人工智能识别茶树病虫害存在的问题

过去的几十年人工智能识别技术发展迅速，深度学习在病虫害识别领域中的应用以及在各种算法上的优化使得病虫害识别效率和精度上有很大的提高和改善，但人工智能在茶树病虫害识别研究发展过程中仍然存在许多问题。

一方面，多数研究尚处于实验室研究阶段，还不能达到实际应用的要求。主要原因有以下几点：一是目前多数研究集中于室内完成，在这种环境下可以有效去除外界其他干扰因子的影响，但在实际应用中，茶园的环境复杂，光线、天气等都会对图片的采集有一定影响，而且病虫害发生时会被茶树叶片、嫩梢所阻挡，这对识别的效果有一定的影响。二是实验室研究主要是以静态的害虫或者病害标本为主要识别对象，而在实际应用中是对动态的茶园害虫进行识别，这部分的害虫识别上有一定难度，其识别准确率有待提高。三是在病虫害识别研究中所采集的图片主要是在病虫害发生比较明显的阶段，而在生产中病虫害发生初期对于正确采取防治措施具有重要的作用，这就需要病虫害识别系统的识别能力能够覆盖病虫害的完整发生过程。

另一方面，在识别软件开发上应以轻量级、简单、便捷、易操作为主，以便于多种技术手段融合。目前，关于茶树病虫害识别研究多数还停留在理论研究中，操作繁琐，专业性强，而且缺少能够应用到田间的产品。

3  人工智能识别技术在茶树病虫害识别中的应用前景

尽管人工智能识别技术在茶树病虫害识别应用上还存在一些问题，但目前人工智能识别技术在茶树病虫害识别程序设计和实现上已经取得了相应的成果。在此成果的基础上可向病虫害监测预警及精准防控方向发展，从而推进数字茶园建设。

在茶园病虫害监测预警方面，随着茶树病虫害识别技术的快速发展，田间应用将会日益成熟。有效算法的改善将会大大提高病虫害识别的准确性以及对病虫害为害程度分级的能力。通过对茶树病虫害智能识别、病虫害为害程度分级等方法，由单一的茶树病虫害智能识别逐步转入到多元的病虫害智能监测预警，充分发挥人工智能的优势，实现对茶园病虫害实时、动态、综合的监测和预警，不断优化茶园病虫害的监测预警水平，为茶园病虫害监测预警提供可靠数据。

在茶园病虫害精准防控方面，通过对茶园长期、多点的智能监测数据，结合当地的地理位置，建立茶园病虫害、天敌数据库。在病虫害暴发时，根据当地的地理位置、气候、天敌、监测预警等信息，及时推送茶园病虫害发生情况，为茶农精准地提供病虫害防治措施，避免茶农乱用农药，推进茶园绿色防控的普及。

茶树病虫害识别系统是数字茶园的重要组成部分，未来茶园智能识别系统不仅仅局限于病虫害这一方面，还可拓展到茶树栽培、茶园管理等方面，由单一的茶园病虫害识别转向茶树生长、栽培等多方面的识别、监测，从而实现将多个功能集于一个系统当中，提高茶园数字化管理水平。

参考文献

[1] 陈宗懋. 茶园有害生物绿色防控技术发展与应用[J]. 中国茶叶， 2022， 44（1）： 1-6.

[2] 周长建， 宋佳， 向文胜. 基于人工智能的作物病害识别研究进展[J]. 植物保护学报， 2022， 49（1）： 316-324.

[3] HUBEL D H， WIESEL T N. Receptive fields of single neurones in the cat's striate cortex[J]. The Journal of Physiology， 1959， 148（3）： 574-591.

[4] ROBERTS， LAWRENCE G. Machine perception of three-dimensional solids[D]. Cambridge： Massachusetts Institute of Technology， 1963.

[5] 黄凯奇， 赵鑫， 李乔哲， 等. 视觉图灵： 从人机对抗看计算机视觉下一步发展[J]. 图学学报， 2021， 42（3）： 339-348.

[6] 赵春江. 智慧农业的发展现状与未来展望[J]. 华南农业大学学报， 2021， 42（6）： 1-6.

[7] 吴孔明. 公共植保与绿色防控[C]. 北京： 中国农业科学技术出版社， 2010： 818.

[8] 邓继忠， 李敏， 袁之报， 等. 基于图像识别的小麦腥黑穗病害特征提取与分类[J]. 农业工程学报， 2012， 28（3）： 172-176.

[9] 刘平， 于重重， 苏维均， 等. 决策树算法在农作物病虫害诊断中的应用[J]. 计算机工程与设计， 2017， 38（10）： 2869-2872， 2891.

[10] 赵玉霞， 王克如， 白中英， 等. 貝叶斯方法在玉米叶部病害图像识别中的应用[J]. 计算机工程与应用， 2007（5）： 193-195.

[11] 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.

[12] 于新文， 沈佐锐， 高灵旺， 等. 昆虫图像几何形状特征的提取技术研究 [J]. 中国农业大学学报， 2003， 8（3）： 47-50.

[13] 梁子安， 刘飞， 赵秋红， 等. 数学形态学在昆虫总科阶元分类学上的应用研究[J]. 动物分类学报， 2007（1）： 147-152.

[14] 肖小梅， 杨红云， 易文龙， 等. 改进的Alexnet模型在水稻害虫图像识别中的应用[J]. 科学技术与工程， 2021， 21（22）： 9447-9454.

[15] KONSTANTINOS P， FERENTINOS. Deep learning models for plant disease detection and diagnosis[J]. Computers and Electronics in Agriculture， 2018， 145： 311-318.ADBA5149-3503-4FE7-927E-31D27727D920

[16] HU G S， WANG H Y， ZHANG Y， et al. Detection and severity analysis of tea leaf blight based on deep learning[J/OL]. Computers & Electrical Engineering， 2021， 90： 107023. https：//doi.org/10.1016/j.compeleceng.2021.107023.

[17] 郭阳， 许贝贝， 陈桂鹏， 等. 基于卷积神经网络的水稻虫害识别方法[J]. 中国农业科技导报， 2021， 23（11）： 99-109.

[18] LU Y， YI S J， ZENG N Y， et al. Identification of rice diseases using deep convolutional neural networks[J]. Neurocomputing， 2017， 267： 378-384.

[19] 万军杰， 祁力钧， 卢中奥， 等. 基于迁移学习的GoogLeNet果园病虫害识别与分级[J]. 中国农业大学学报， 2021， 26（11）： 209-221.

[20] 秦华光. 茶园害虫智能化WEB管理系统的设计与实现[D]. 北京： 中国农业科学院， 2008.

[21] 吴阿林， 周孝贵， 肖强. 茶树尺蛾科典型害虫成虫智能识别技术研究[J]. 浙江科技学院学报， 2014， 26（3）： 192-198.

[22] 杨国国， 鲍一丹， 刘子毅. 基于图像显著性分析与卷积神经网络的茶园害虫定位与识别[J]. 农业工程学报， 2017， 33（6）： 156-162.

[23] BHATT P， SARANGI S， PAPPULA S. Detection of diseases and pests on images captured in uncontrolled conditions from tea plantations[P/OL]. Defense + Commercial Sensing， 2019. https：//doi.org/10.1117/12.2518868.

[24] HU G S， YANG X W， ZHANG Y， et al. Identification of tea leaf diseases by using an improved deep convolutional neural network[J/OL]. Sustainable Computing： Informatics and Systems， 2021，  24： 100353. https：//doi.org/10.1016/j.suscom.2019.100353.

[25] 邵泽中. 基于Android和深度学习的稻田病蟲害智能诊断系统的研究与实现[D]. 杭州： 浙江理工大学， 2020.

[26] 苏一峰， 杜克明， 李颖， 等. 基于物联网平台的小麦病虫害诊断系统设计初探[J]. 中国农业科技导报， 2016， 18（2）： 86-94.

[27] 李文勇. 基于机器视觉的果园性诱害虫在线识别与计数方法研究[D]. 北京： 中国农业大学， 2015.

[28] 刘洋， 冯全， 王书志. 基于轻量级CNN的植物病害识别方法及移动端应用[J]. 农业工程学报， 2019， 35（17）： 194-204.

[29] 曹跃腾， 朱学岩， 赵燕东， 等. 基于改进ResNet的植物叶片病虫害识别[J]. 中国农机化学报， 2021， 42（12）： 175-181.ADBA5149-3503-4FE7-927E-31D27727D920