Image recognition of Pyrausta nubilalis based on optimized convolutional neural network
-
摘要:目的
随着人工智能和大数据技术的不断发展,针对常规玉米虫害识别方法存在的准确率和效率低等问题,本文提出了一种基于改进GoogLeNet卷积神经网络模型的玉米螟虫害图像识别方法。
方法首先通过迁移学习将GoogLeNet的Inception-v4网络结构知识转移到玉米螟Pyrausta nubilalis虫害识别的任务上,构建模型的训练方式;然后通过数据增强技术对玉米螟虫图像进行样本扩充,得到神经网络训练模型的数据集;同时利用Inception模块拥有多尺度卷积核提取多尺度玉米螟虫害分布特征的能力构建网络模型,并在试验过程中对激活函数、梯度下降算法等模型参数进行优化;最后引入批标准化(BN)操作加速优化模型网络训练,并将该模型运用到玉米螟虫害识别中。
结果基于TensorFlow框架下的试验结果表明,优化后的神经网络算法对玉米螟虫害图像平均识别准确率达到了96.44%。
结论基于优化的卷积神经网络识别模型具有更强的鲁棒性和适用性,可为玉米等农作物虫害识别、智能诊断提供参考。
-
关键词:
- 优化卷积神经网络 /
- Inception-v4模型 /
- TensorFlow框架 /
- 图像识别 /
- 玉米螟
Abstract:ObjectiveWith the continuous development of artificial intelligence and big data technology, aiming at solving the problems of low accuracy and low efficiency in conventional identification methods of corn pest, we proposed a corn borer image identification method based on the improved GoogLeNet convolution-neural network model.
MethodFirstly, through migration learning, the structural knowledge of the Inception-v4 network of GoogLeNet was transferred to the task of corn borer (Pyrausta nubilalis) identification, and the training mode of model construction was established. The data set of neural network training model was obtained by expanding the sample of corn borer image through data enhancement technique. At the same time, the Inception module was used to construct the network model with the ability of multi-scale convolution kernel extraction of the distribution characteristics of multi-scale corn borer, and the activation function, gradient descent algorithm and other model parameters were optimized in the experimental process. Finally, batch normalization (BN) operation was performed to accelerate optimizating model network training, and the model was applied in corn borer identification.
ResultExperimental results of TensorFlow framework showed that the average recognition accuracy of the optimized neural network algorithm for corn borer image was 96.44%.
ConclusionThe convolutional neural network recognition model based on optimization has higher robustness and feasibility, which can provide a reference for identification and intelligent diagnosis of plant pests on corn and other crops.
-
重大入侵性害虫草地贪夜蛾 Spodoptera frugiperda,属鳞翅目Lepidoptera夜蛾科Noctuidae,原产于美洲地区。自2019年年初迁入我国云南以来,草地贪夜蛾已对我国粮食安全构成严重威胁[1]。经检测,目前入侵我国的草地贪夜蛾主要为“玉米型”[2-4]。“玉米型”偏向取食玉米、甘蔗、高粱、谷子、棉花、大豆、花生等作物[5]。在草地贪夜蛾入侵我国以前,邻国印度已有草地贪夜蛾为害当地甘蔗的报道,并经分子鉴定确定为“玉米型”,但其对甘蔗为害较轻,主要为害甘蔗幼苗,且为零星发生[6-7]。甘蔗按照用途可分为糖蔗和果蔗。2019 年 4 月中旬在我国云南陇川县首次发现草地贪夜蛾为害甘蔗,之后在我国主要甘蔗产区也相继发现该虫[8-10],为害糖蔗主要集中在甘蔗5~6 叶龄至甘蔗拔节初期,糖蔗拔节伸长期受害极少,而果蔗从5~6叶龄至甘蔗拔节期均可见到为害状。且在与玉米间作的蔗田被害株率显著高于单作田[11]。以上研究表明草地贪夜蛾在甘蔗产区发生为害程度与耕作制度、品种等存在相关性。
杂草是农田生境重要组成部分,草地贪夜蛾是杂食性害虫且具有很强的适应性,当食物匮乏或虫口密度高时,杂草很有可能成为中间寄主,帮助其迁移为害。目前已有研究表明,草地贪夜蛾能够在玉米田常见杂草扁穗雀麦Bromus catharticus、白花三叶草Trifolium repens和三叶鬼针草Bidens pilosa上完成生活史[12]。经蔗地调查发现,无论在糖蔗还是果蔗田,除了甘蔗外,蔗田周边一年生禾本科杂草筒轴茅Rottboellia cochinchinensis上也有草地贪夜蛾发生,且密度比在甘蔗上还高,那么草地贪夜蛾是否可以在筒轴茅上完成生活史?与甘蔗相比,更嗜好哪种寄主?鲜见相关报道。基于以上现象,本文分别选取2个糖蔗品种、2个果蔗品种以及杂草筒轴茅为研究对象,研究草地贪夜蛾的取食选择及生长适应性,以期为草地贪夜蛾田间预测、预报和防治提供依据。
1. 材料与方法
1.1 供试材料
供试甘蔗由广西农业科学院甘蔗研究所提供,品种分别为糖蔗‘桂糖42号’和‘台糖22号’,果蔗‘桂果蔗1号’和‘黄皮果蔗’,甘蔗为组培苗,采用常规水肥管理且不施用农药,待幼苗期(3~6叶龄)摘取叶片进行试验。禾本科杂草筒轴茅采自广西农业科学院甘蔗地。
供试草地贪夜蛾幼虫采自广西农业科学院玉米田,用玉米叶片饲养繁殖1代后,进行试验。
1.2 幼虫对不同甘蔗品种的取食选择
参考叶碟法[13]。取4个不同甘蔗品种的叶片,分别剪成大小一致的小叶碟,对角线放入培养皿(直径为20 cm)边缘,并保证在试验期间足够草地贪夜蛾取食,皿底部均铺上浸湿的滤纸以保湿叶片。1、2龄幼虫每处理接入20头,重复5次;3、4龄幼虫每处理接入4头,重复10次;5、6龄幼虫每皿接入1头虫,10头为1组,重复5次。置于光照培养箱内:温度(26±l)℃、湿度(75±5)%、光周期为12 h光∶12 h暗,6 h内记录各龄幼虫选择取食不同品种甘蔗叶片的情况。
1.3 幼虫对甘蔗和筒轴茅的取食选择
选取“1.2”中幼虫偏好取食的甘蔗品种,参照“1.2”方法对甘蔗和筒轴茅进行取食选择性试验。
1.4 草地贪夜蛾对甘蔗和筒轴茅的生长适应性
在光照培养箱内,分别用不同品种的甘蔗叶片和筒轴茅叶片饲喂草地贪夜蛾。每处理挑取初孵幼虫50头,单头饲养于40 mL的塑料小杯中,每天更换足够量的新鲜叶片供其取食并观察记录幼虫的蜕皮情况及存活率。化蛹当天记录蛹质量。待有成虫羽化,雌雄配对放入约500 mL的塑料杯中交配产卵,并放入沾有φ为 20%蜂蜜水的棉花球供成虫取食,每天记录雌成虫产卵量。
1.5 数据处理
数据采用IBM SPSS Statistics 19.0 For windows 软件进行处理和分析,取食选择率反正弦平方根后进行比较,采用Duncan’s新复极差法和t检验对幼虫的取食选择率进行差异显著性检验,采用小样本均值差异Fisher非参数检验对蛹质量和雄虫寿命进行差异显著性检验。
2. 结果与分析
2.1 幼虫对不同甘蔗品种的取食选择性
在4个不同甘蔗品种间进行取食选择试验6 h后,草地贪夜蛾各龄幼虫在果蔗上的取食选择率为62%~90%,在糖蔗上的取食选择率为0~27%,因此草地贪夜蛾偏好取食果蔗(图1)。2龄幼虫对‘桂果蔗1号’和‘黄皮果蔗’的取食选择率分别为35%和27%,且无显著性差异,但其余龄期草地贪夜蛾对‘桂果蔗1号’均有显著的趋向性,其中5、6龄幼虫对‘桂果蔗1号’取食选择率最高,分别为72%和74%。而对糖蔗的取食选择方面,草地贪夜蛾各龄幼虫对‘桂糖22号’的取食选择率最低,5、6龄幼虫甚至均未取食该品种甘蔗。
2.2 幼虫对甘蔗和筒轴茅的取食选择性
由于前期试验中,草地贪夜蛾各龄幼虫更偏好取食‘桂果蔗1号’,因此我们用‘桂果蔗1号’和筒轴茅做进一步的取食选择性试验。从图2可知,草地贪夜蛾1~6龄幼虫对筒轴茅的取食选择率均显著高于对‘桂果蔗1号’的,尤其是1、2龄幼虫,其对筒轴茅的取食选择率达90%以上。
图 2 草地贪夜蛾不同虫龄幼虫对‘桂果蔗1号’和筒轴茅的取食选择性同一龄期不同小写字母表示差异显著(P < 0.05,Duncan’s 法)Figure 2. Feeding preference of the different instar Spodoptera frugiperda larvae between ‘Guiguozhe 1’ and Rottboellia cochinchinensisDifferent lowercase letters of the same age indicate significant differences (P < 0.05,Duncan’s test)2.3 草地贪夜蛾对4个甘蔗品种和筒轴茅的生长适应性
草地贪夜蛾在甘蔗上的存活率均低于筒轴茅,在糖蔗上的存活率要低于果蔗(图3)。‘台糖22号’和‘桂糖22号’分别在7 和10 d时幼虫全部死亡;果蔗中,‘黄皮果蔗’在14 d时幼虫全部死亡,‘桂果蔗1号’低龄幼虫死亡率高,在8 d时存活率已下降至50%以下,幼虫期存活率为12%。在筒轴茅上的存活率最高,幼虫期存活率为66%。
综上可知,草地贪夜蛾幼虫在‘桂果蔗1号’和筒轴茅上均能存活,草地贪夜蛾在2种植物上的发育历期见表1。1龄幼虫在‘桂果蔗1号’上的历期显著长于筒轴茅,其余各龄幼虫历期均差异不显著。在‘桂果蔗1号’上的蛹历期为18.67 d,显著长于在筒轴茅上的。
表 1 草地贪夜蛾在‘桂果蔗1号’和筒轴茅上的发育历期1)Table 1. Developmental period of Spodoptera frugiperda on ‘Guiguozhe 1’ and Rottboellia cochinchinensisd 植物
Plant1龄幼虫
1st instar2龄幼虫
2nd instar3龄幼虫
3rd instar4龄幼虫
4th instar5龄幼虫
5th instar6龄幼虫
6th instar幼虫期
Larval duration蛹期
Pupa桂果蔗1号
Guiguozhe 13.41±0.17a 2.64±0.27a 2.85±0.29a 2.82±0.29a 4.33±0.62a 4.67±0.88a 20.67±1.65a 18.67±1.33a 筒轴茅
R. cochinchinensis2.53±0.10b 2.68±0.08a 2.84±0.11a 2.89±0.17a 3.53±0.16a 4.30±0.18a 18.76±0.22a 9.52±0.27b 1)表中数据为平均数±标准误;同列数据后的不同字母表示差异显著(P < 0.05, t检验)
1)Data in the table are means ± standard errors; Different lowercase letters in the same column indicate significant differences (P < 0.05, t test)草地贪夜蛾在筒轴茅上的蛹质量要显著高于在‘桂果蔗1号’上的,雄虫寿命显著长于在‘桂果蔗1号’上的,具体结果见表2。由于本试验中,草地贪夜蛾在‘桂果蔗1号’上只有雄虫羽化,因此无法比较在2种植物上取食后的雌虫寿命、单雌产卵量和生命表参数。草地贪夜蛾能够在筒轴茅上完成世代,雌成虫占比58.06%,净增殖率(R0)为179.22,世代平均周期(T)为34.18 d,内禀增长率(rm)和周限增长率(λ)分别为1.16和1.52。
表 2 草地贪夜蛾在‘桂果蔗1号’和筒轴茅上的生物学参数1)Table 2. Biological parameters ofSpodoptera frugiperdaon ‘Guiguozhe 1’ andRottboellia cochinchinensis植物
Plant蛹质量/g
Weight of pupa雄虫寿命/d
Male longevity雌虫寿命/d
Female longevity平均单雌产卵量/粒
Fecundity per female桂果蔗1号 Guiguozhe 1 0.1130±0.011 5b 3.67±0.88b 筒轴茅 R. cochinchinensis 0.1647±0.002 9a 8.61±1.21a 8.56±0.65 497.83±50.23 1)表中数据为平均值±标准误;同列数据后的不同字母表示差异显著(P < 0.05,Fisher非参数检验)
1)Data in the table are means ± standard errors; Different lowercase letters in the same column indicate significant differences (P < 0.05,Fisher nonparametric test)3. 讨论与结论
草地贪夜蛾是广食性害虫,已报道的寄主有76科353种[14],但在不同寄主植物或同种寄主植物不同品种之间也会表现出取食偏好性。本研究分别以糖蔗和果蔗作为寄主植物,研究草地贪夜蛾幼虫的取食选择性,结果表明草地贪夜蛾各龄幼虫均偏好取食果蔗,这与孙东磊等[9]研究发现果蔗比糖蔗更易受草地贪夜蛾取食为害的结果相似。在2个果蔗品种之间,草地贪夜蛾也表现出了取食偏好性,除2龄幼虫外,其余各龄幼虫在‘桂果蔗1号’上的取食选择率显著高于‘黄皮果蔗’上的。田间调查发现,草地贪夜蛾能够为害蔗田内杂草筒轴茅,因此本研究在4个甘蔗品种中,选取草地贪夜蛾偏好取食的‘桂果蔗1号’和筒轴茅进行取食选择试验,结果表明草地贪夜蛾各龄幼虫对筒轴茅的取食选择率显著高于‘桂果蔗1号’,这一结果与李德伟等[10]的研究及我们田间调查结果一致。
存活率是衡量植食性昆虫幼虫对寄主植物适应性的重要指标,适宜的寄主植物能够使其后代具有较快的发育速率以及较高的存活率和生殖力[15]。本研究显示,草地贪夜蛾幼虫在筒轴茅上的存活率最高,为66%;果蔗中,幼虫在‘桂果蔗1号’上存活率仅为12%,在‘黄皮果蔗’上14 d后全部死亡;在糖蔗上,幼虫在10 d全部死亡。这一结果与Boregas等[16]研究结果相似,该研究中选取17种寄主植物以比较草地贪夜蛾适应性,其中草地贪夜蛾对甘蔗的相对适应指数最低。
在比较草地贪夜蛾对不同寄主植物的适应性时,由于草地贪夜蛾幼虫只在‘桂果蔗1号’上成功化蛹,且前期试验中,草地贪夜蛾幼虫更偏好取食‘桂果蔗1号’,因此我们仅选取‘桂果蔗1号’与筒轴茅进行试验。结果表明,取食2种寄主植物后,除1龄幼虫历期在‘桂果蔗1号’上显著长于筒轴茅外,草地贪夜蛾幼虫其他各龄历期在两者之间差异不显著;而蛹历期在‘桂果蔗1号’上要显著长于筒轴茅上的,蛹质量显著低于筒轴茅上的。由于试验样本量较少,且死亡率高,在‘桂果蔗1号’上只有3头幼虫成功羽化为成虫,且均为雄虫,因此最后无法比较草地贪夜蛾在2种植物上的雌虫寿命、单雌产卵量以及生命表参数。
生命表参数中,种群的内禀增长率(rm)和周限增长率(λ)是反映种群数量变化的重要指标[17]。本研究中,草地贪夜蛾在筒轴茅上取食后,其试验种群的rm 值大于 0,λ大于 1,这表明筒轴茅有利于草地贪夜蛾的生长发育。综上所述,草地贪夜蛾在甘蔗田更趋向取食杂草筒轴茅,并且能够在筒轴茅上世代繁殖。
本试验结果与蔗田实际发生情况有所不同,以往多个研究表明草地贪夜蛾可在甘蔗上完成生活史[18-19]。针对此现象,我们分析可能存在2个原因:蔗田环境相对较复杂,且周边禾本科杂草较多,草地贪夜蛾成虫在蔗田产卵后,低龄幼虫可取食幼嫩的禾本科杂草或甘蔗嫩苗,虽死亡率高,但田间种群较大,因此有少部分草地贪夜蛾可以完成生活史;为了准确地观察幼虫发育及存活情况,本试验采摘甘蔗幼苗单头单盒饲养初孵1龄幼虫,取食离体的甘蔗幼苗有可能是导致其死亡率高的主要原因。虽然本试验结果与田间实际情况有出入,但仍可证实甘蔗并非草地贪夜蛾的适宜寄主。
基于以上研究结果,在蔗田,草地贪夜蛾有可能先取食杂草筒轴茅后再转移至甘蔗上为害,因此甘蔗种植应及时清除田间杂草,减少草地贪夜蛾适宜寄主从而减少虫口密度。同时,针对蔗田草地贪夜蛾防控,我们提出新的设想:是否可以将筒轴茅作为诱集植物,甘蔗幼苗期时在蔗田周边种植,待发现有草地贪夜蛾为害后集中防治,进而减少草地贪夜蛾对甘蔗的危害。由于田间环境复杂,影响草地贪夜蛾取食及适应性的因素繁多,还需要更多的田间试验以验证其诱集效果。
-
表 1 改进前后模型各项参数及识别准确率
Table 1 Various parameters and recognition accuracy of the model before and after improvement
模型
Model模型参数 Model parameter 卷积核大小
Convolution kernel size激活函数
Activation function数据量
Data amount平均识别准确率/%
Average recognition accuracy平均单张图片耗时/s
Average time processing a picture改进前
Before improvement3×3、5×5 ReLu 921 89.17 0.47 改进后
After improvement1×1、1×3、1×3 Sigmoid 2 478 96.44 0.39 -
[1] 杨虎. 20世纪中国玉米种业发展研究[D]. 南京: 南京农业大学, 2011. [2] 王连霞. 齐齐哈尔市玉米螟发生规律的演变及应用赤眼蜂防治技术的研究[D]. 北京: 中国农业科学院, 2014. [3] 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. [4] 汪京京, 张武, 刘连忠, 等. 农作物病虫害图像识别技术的研究综述[J]. 计算机工程与科学, 2014, 36(7): 1363-1370. doi: 10.3969/j.issn.1007-130X.2014.07.026 [5] 王翔宇, 温皓杰, 李鑫星, 等. 农业主要病害检测与预警技术研究进展分析[J]. 农业机械学报, 2016, 47(9): 266-277. doi: 10.6041/j.issn.1000-1298.2016.09.037 [6] SLADOJEVIC S, ARSENOVIC M, ANDERLA A, et al. Deep neural networks based recognition of plant diseases by leaf image classification[J]. Comput Intel Neurosci, 2016: 3289801. doi: 10.1155/2016/3289801
[7] 李松, 魏中浩, 张冰尘, 等. 深度卷积神经网络在迁移学习模式下的SAR目标识别[J]. 中国科学院大学学报, 2018, 35(1): 75-83. [8] 黄双萍, 孙超, 齐龙, 等. 基于深度卷积神经网络的水稻穗瘟病检测方法[J]. 农业工程学报, 2017, 33(20): 169-176. doi: 10.11975/j.issn.1002-6819.2017.20.021 [9] 王春华, 韩栋. 自适应控制深度学习和知识挖掘图像分类[J]. 沈阳工业大学学报, 2018, 40(3): 334-339. doi: 10.7688/j.issn.1000-1646.2018.03.17 [10] 包晓安, 徐海, 张娜, 等. 基于深度学习的语音识别模型及其在智能家居中的应用[J]. 浙江理工大学学报(自然科学版), 2019, 41(2): 217-223. [11] 戴礼荣, 张仕良, 黄智颖. 基于深度学习的语音识别技术现状与展望[J]. 数据采集与处理, 2017, 32(2): 221-231. [12] 王飞, 陈立, 易绵竹, 等. 新技术驱动的自然语言处理进展[J]. 武汉大学学报(工学版), 2018, 51(8): 669-678. [13] 龙满生, 欧阳春娟, 刘欢, 等. 基于卷积神经网络与迁移学习的油茶病害图像识别[J]. 农业工程学报, 2018, 34(18): 194-201. doi: 10.11975/j.issn.1002-6819.2018.18.024 [14] 陈桂芬, 李静, 陈航, 等. 大数据时代人工智能技术在农业领域的研究进展[J]. 吉林农业大学学报, 2018, 40(4): 502-510. [15] 刘立波, 周国民. 基于多层感知神经网络的水稻叶瘟病识别方法[J]. 农业工程学报, 2009, 25(S2): 213-217. [16] TAN W, ZHAO C, WU H. CNN intelligent early warning for apple skin lesion image acquired by infrared video sensors[J]. High Technology Letters, 2016, 22(1): 67-74.
[17] 孙俊, 谭文军, 毛罕平, 等. 基于改进卷积神经网络的多种植物叶片病害识别[J]. 农业工程学报, 2017, 33(19): 209-215. doi: 10.11975/j.issn.1002-6819.2017.19.027 [18] 梁万杰, 曹宏鑫. 基于卷积神经网络的水稻虫害识别[J]. 江苏农业科学, 2017, 45(20): 241-243. [19] 马浚诚, 杜克明, 郑飞翔, 等. 基于卷积神经网络的温室黄瓜病害识别系统[J]. 农业工程学报, 2018, 34(12): 186-192. doi: 10.11975/j.issn.1002-6819.2018.12.022 [20] 刘永波, 雷波, 曹艳, 等. 基于深度卷积神经网络的玉米病害识别[J]. 中国农学通报, 2018, 34(36): 159-164. -
期刊类型引用(11)
1. 李文雪,孟洪兵,孙丽丽,韩璐宇. 融合多尺度注意力机制的棉花枯萎病识别算法研究. 现代农业装备. 2025(02): 86-92 . 百度学术
2. 马晓慧,王骥,覃嘉俊. 结合注意力机制与双向特征融合的叶片病害检测方法. 中国农机化学报. 2024(10): 281-288 . 百度学术
3. 范圣哲,贡亮,杨智宇,王文杰,刘成良. 面向水稻穗上谷粒原位计数与遮挡还原的轻量级I2I深度学习方法. 华南农业大学学报. 2023(01): 74-83 . 本站查看
4. 徐泽华,李坚孝,邓树源,吴家隐,高嘉晖,潘明毅. 基于TensorRT的植物叶片病害实时检测分类模型优化. 计算机系统应用. 2023(02): 94-101 . 百度学术
5. 张彦通,苏前敏. 基于迁移学习的玉米病害图像识别. 中国农业科技导报. 2023(10): 119-125 . 百度学术
6. 蒋权,罗明涛,黄梓琛,苏莹莹. 基于空地多视角RGB影像协同的病害香蕉植株监测. 南方农业学报. 2023(10): 3114-3124 . 百度学术
7. 陈森怡,周梦飞,向雪,董洁,韩钰文,王灿. 基于深度学习的苹果叶疾病诊断软件. 信息技术与信息化. 2022(01): 202-205 . 百度学术
8. 何东健,王鹏,牛童,毛燕茹,赵艳茹. 基于改进残差网络的田间葡萄霜霉病病害程度分级模型. 农业机械学报. 2022(01): 235-243 . 百度学术
9. 高红顺,张丽敏,于润培,史彦华. 数字农业在正定县蔬菜生产中的应用现状及建议. 现代农业科技. 2022(12): 216-218 . 百度学术
10. 周浩,唐昀超,邹湘军,王红军,陈明猷,黄钊丰. 复杂野外环境下油茶果快速鲁棒检测算法. 现代电子技术. 2022(15): 73-79 . 百度学术
11. 宋坤良,王新兴,蓝凯. 基于改进YOLOv4模型的无人机影像烟草株数统计. 测绘技术装备. 2022(04): 78-82 . 百度学术
其他类型引用(9)