智能防治病虫害的技术进展与应用

病虫害防治贯穿于整个农业生产过程中，是作物产量和品质的关键制约因素。当前农业上的病虫害防治措施分为农业防治、物理防治、化学防治及生物防治等措施，常规生产中多采用化学防治措施，也就是通俗意义上的打农药防治，包括在播种前喷洒农药预防和播种后喷洒农药治理。但在这个过程中，主要面临以下两个问题：

1）一方面，喷洒农药时间、喷洒量及喷洒农药类型一般只能是根据人为经验来判定，农民经验和实践水平参差不齐，很难做到绝对精确；另一方面，在病虫害预防过程中，受土壤、气候等外界因素影响也较大，这些是人为经验无法判断和预测的，根据往年经验进行农药喷洒，易造成农药浪费或者无法达到预防的目的。

2）植物病虫害症状繁杂。在害虫治理的过程中，植物的病状和害虫种类往往需要专家进行判断，但专家资源普遍匮乏，同时存在地区差异性，难以实现及时治理。

近些年依托于农业科研机构发展起来的农业专家系统，已经收录大量农作物的常见病症与对应的治理方法成为数据库，并做成查询系统供农户查询，可以实现常见农作物的常见病症与治理方式对应搜索。但其功能不够完善，病例库不够细化，因为即使是同一农作物的同一病症，根据部位不同，病发程度不同，对应的治理方式也有所不同。当前的农业专家系统相对粗放，并不能根据农作物详细的实际情况查询到针对性的治疗方案。

人工智能感知技术的突破，尤其是视觉识别和深度学习技术的突破，使得病虫害防治趋向智能化，主要表现在两个方面：(www.xing528.com)

1）视觉识别技术的突破使得通过传感器或智能摄像头实时监测害虫种类、密度成为可能，此过程不仅可以排除人为经验的干扰，而且可以实时输出农田中存在的害虫的种类及密度，以便进一步采取有针对性的治理方案。目前已有企业在进行这方面的尝试，如从事农业信息实时采集和精密虫害管理工具的供应商Semios，通过在农田中安装探测器和带图像识别功能的智能摄像头实时监控农场中苹果蠹蛾和梨小食心虫的密度，并将信息通过无线联网实时传输。当两种害虫的密度超过警戒值时，则会发出警告，并通过安装在农田中的另一个装置结合当时的气温、风向等喷洒气溶性信息素（非农药）。这些信息素不仅可以干扰昆虫的交配，从而达到控制虫害的效果，且比农药更有效、成本更低且更加环保。

2）伴随植物病症库和治理方案库的不断完善，加上视觉识别和深度学习技术的结合使用，使得农业专家系统更加智能。其工作过程分为两步：第一步是通过视觉识别技术确认植物的病症，第二步是根据识别出的症状通过深度学习技术给出有针对性的治理方案，整个过程也相当于同时完成一次对病症库和治理方案库的积累。生物学家戴维·休斯（David Hughes）和作物流行病学家马塞尔·萨拉斯（MarcelSalathé）通过利用深度学习算法，可以检测出14种作物的26种疾病^[33]。具体做法是将植物叶子的5万多张照片导入计算机，并运行相应的深度学习算法，针对在明亮的光线条件及合乎标准的背景下拍摄出的植物照片，最终程序正确识别率高达99.35%。但如果针对在互联网上随机选取的植物叶子照片，其识别准确率将降至30%～40%，这也是目前视觉识别技术在复杂环境下尚未突破的地方。为了提高准确率，休斯和萨拉斯希望将这种人工智能算法应用于他们开发的手机应用PlantVillage上。目前该手机应用可以让世界各地的农民上传患病作物照片，并有农业专家对此做出相应的诊断。休斯和萨拉斯将通过导入更多的患病作物照片，使这种人工智能算法更为聪明可靠。萨拉斯表示：“我们从多个来源获取了关于作物的大量图片，其中也包含了照片是如何拍摄的、拍摄地点、拍摄年份等大量信息。这些照片能够有效提升算法的精确度。”

另外，影响农作物生长的因素中病虫害并不是全部，深度学习算法的应用也不仅仅局限于对植物病虫害数据的深度挖掘，正如生物学家戴维·休斯所说：“大部分妨碍作物生长的因素都是生理性的，譬如土壤养分中缺钙元素或镁元素，抑或是钠含量过多或环境温度过高，但农民却认为是细菌或真菌导致的作物疾病。”对作物的误诊会导致滥用农药和除草剂，不仅浪费时间、金钱和人力，也对环境造成了污染。未来，人工智能可以帮助农民快速准确查明问题所在，提供针对性治理方案。