在發(fā)展智慧農(nóng)業(yè)方面，無數(shù)科研機(jī)構(gòu)都在身體力行，組織開展了跨學(xué)科、跨專業(yè)的研究。本文匯總整理了六項(xiàng)關(guān)于作物病蟲害監(jiān)測的科研論文，與大家分享下最新的智慧農(nóng)業(yè)科研進(jìn)展。

一、無人機(jī)遙感監(jiān)測作物病蟲害脅迫方法與最新研究進(jìn)展

科研機(jī)構(gòu)：浙江大學(xué)華南工業(yè)技術(shù)研究院、浙江大學(xué)生物系統(tǒng)工程與食品科學(xué)學(xué)院、農(nóng)業(yè)農(nóng)村部光譜檢測重點(diǎn)實(shí)驗(yàn)室

根據(jù)無人機(jī)農(nóng)業(yè)遙感因其圖像空間分辨率高、數(shù)據(jù)獲取時(shí)效性強(qiáng)和成本低等特點(diǎn)，浙江大學(xué)團(tuán)隊(duì)探討無人機(jī)遙感監(jiān)測作物病蟲害脅迫的數(shù)據(jù)獲取方式和數(shù)據(jù)處理方法。從可見光成像遙感、多光譜成像遙感、高光譜成像遙感、熱紅外成像遙感、激光雷達(dá)成像遙感和多遙感融合與對比六個(gè)方面，綜述了近期國內(nèi)外無人機(jī)遙感監(jiān)測作物病蟲害脅迫的研究進(jìn)展。為把握無人機(jī)遙感監(jiān)測作物病蟲害脅迫研究熱點(diǎn)、應(yīng)用瓶頸、發(fā)展趨勢提供借鑒和參考，以期助力中國無人機(jī)遙感監(jiān)測作物病蟲害脅迫更加標(biāo)準(zhǔn)化、信息化、精準(zhǔn)化和智能化。

二、深度學(xué)習(xí)在植物葉部病害檢測與識別的研究進(jìn)展

科研機(jī)構(gòu)：中國農(nóng)業(yè)科學(xué)院農(nóng)業(yè)信息研究所/農(nóng)業(yè)農(nóng)村部農(nóng)業(yè)大數(shù)據(jù)重點(diǎn)實(shí)驗(yàn)室、甘肅農(nóng)業(yè)大學(xué)機(jī)電工程學(xué)院

研究深度學(xué)習(xí)在植物葉部病害檢測與識別，力圖提升病害檢測與識別的準(zhǔn)確率。研究收集介紹了部分公開的植物病害圖像數(shù)據(jù)集，綜述了近年來深度學(xué)習(xí)在植物病害檢測和識別中的研究應(yīng)用進(jìn)展，闡述了從早期檢測和識別算法到基于深度學(xué)習(xí)的檢測和識別算法的研究進(jìn)展，以及各算法的優(yōu)點(diǎn)和存在的問題。

調(diào)研了相關(guān)研究文獻(xiàn)，提出了光照、遮擋、復(fù)雜背景、病害癥狀之間相似性、病害在不同時(shí)期癥狀會有不同的變化以及多種病害交疊共存是目前植物病害檢測和識別面臨的主要挑戰(zhàn)。并進(jìn)一步指出，將性能更好的神經(jīng)網(wǎng)絡(luò)、大規(guī)模數(shù)據(jù)集和農(nóng)業(yè)理論基礎(chǔ)相結(jié)合，是未來主要的發(fā)展趨勢，同時(shí)還指出了多模態(tài)數(shù)據(jù)可以用于植物早期病害的識別，也是未來發(fā)展方向之一。為植物病害識別的深入研究與發(fā)展提供參考。

三、聯(lián)合多源多時(shí)相衛(wèi)星影像和支持向量機(jī)的小麥白粉病監(jiān)測方法

科研機(jī)構(gòu)：安徽大學(xué)農(nóng)業(yè)生態(tài)大數(shù)據(jù)分析與應(yīng)用技術(shù)國家地方聯(lián)合工程研究中心、安徽省農(nóng)業(yè)科學(xué)院作物研究所

針對小麥白粉病的監(jiān)測，安徽大學(xué)團(tuán)隊(duì)利用衛(wèi)星遙感技術(shù)進(jìn)行大范圍監(jiān)測和評估，利用多源多時(shí)相衛(wèi)星遙感影像監(jiān)測小麥白粉病并提升分類精度。結(jié)果顯示，本研究構(gòu)建的SMLST-SVM取得了最高分類精度，總體精度和Kappa系數(shù)分別為81.2%和0.67，而SLST-SVM則為76.8%和0.59。表明多源多時(shí)相的LST聯(lián)合SVM能夠提升小麥白粉病的識別精度。

四、基于改進(jìn)輕量級卷積神經(jīng)網(wǎng)絡(luò)MobileNetV3的番茄葉片病害識別

科研機(jī)構(gòu)：吉林農(nóng)業(yè)大學(xué)信息技術(shù)學(xué)院

為實(shí)現(xiàn)番茄病害的實(shí)時(shí)無損傷檢測，吉林農(nóng)業(yè)大學(xué)研究提出了一種基于改進(jìn)MobileNetV3的番茄葉片病害分類識別方法。結(jié)果顯示，平均測試的識別準(zhǔn)確率98.25%，模型的數(shù)據(jù)規(guī)模43.57 MB，單張番茄病害圖像的檢測耗時(shí)僅0.27 s。經(jīng)十折交叉驗(yàn)證(10-Fold Cross-Validation)，模型的魯棒性良好，為番茄葉片病害的實(shí)時(shí)檢測提供理論基礎(chǔ)和技術(shù)支持。

五、面向植物病害識別的卷積神經(jīng)網(wǎng)絡(luò)精簡結(jié)構(gòu)Distilled-MobileNet模型

科研機(jī)構(gòu)：廣西大學(xué)計(jì)算機(jī)與電子信息學(xué)院、廣西大學(xué)農(nóng)學(xué)院、廣西壯族自治區(qū)農(nóng)業(yè)科學(xué)院植物保護(hù)研究所

為將卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用在各種小型設(shè)備上，廣西大學(xué)團(tuán)隊(duì)研究了一種基于知識蒸餾的結(jié)構(gòu)化模型壓縮方法。利用VGG16訓(xùn)練教師模型，應(yīng)用在14種作物的38種常見病害分類中。結(jié)果表明，模型的平均準(zhǔn)確率達(dá)到了97.62%，平均識別時(shí)間縮短至0.218 s，僅占VGG16模型的13.20%，模型大小壓縮僅為19.83 MB，相比于VGG16縮小了93.60%，使其具備了較高的準(zhǔn)確性和實(shí)時(shí)性要求。本方法模型在壓縮內(nèi)存體積和縮短識別時(shí)間上較傳統(tǒng)神經(jīng)網(wǎng)絡(luò)有了明顯提高，為內(nèi)存和計(jì)算資源受限設(shè)備上的病害識別提供了新的思路。

六、太陽能殺蟲燈物聯(lián)網(wǎng)節(jié)點(diǎn)的防盜防破壞設(shè)計(jì)及展望

科研機(jī)構(gòu)：國家信息農(nóng)業(yè)工程技術(shù)中心、南京農(nóng)業(yè)大學(xué)人工智能學(xué)院、英國林肯大學(xué)、南京農(nóng)業(yè)大學(xué)工學(xué)院

針對規(guī)?；瘧?yīng)用部署太陽能殺蟲燈，解決太陽能殺蟲燈物聯(lián)網(wǎng)節(jié)點(diǎn)被盜被破壞問題，團(tuán)隊(duì)研究以太陽能殺蟲燈物聯(lián)網(wǎng)為應(yīng)用場景，對太陽能殺蟲燈硬件進(jìn)行改造設(shè)計(jì)以獲取更多的傳感信息。從內(nèi)部硬件、軟件算法和外形結(jié)構(gòu)設(shè)計(jì)三個(gè)層面，探討了設(shè)備防盜防破壞的優(yōu)化設(shè)計(jì)、設(shè)備防盜防破壞判斷規(guī)則的建立、設(shè)備被盜被破壞的快速準(zhǔn)確判斷、設(shè)備被盜被破壞的應(yīng)急措施、設(shè)備被盜被破壞的預(yù)測與防控，以及優(yōu)化計(jì)算以降低網(wǎng)絡(luò)數(shù)據(jù)傳輸負(fù)荷六個(gè)關(guān)鍵研究問題，并對設(shè)備防盜防破壞技術(shù)在太陽能殺蟲燈物聯(lián)網(wǎng)場景中的應(yīng)用進(jìn)行了展望。

同時(shí)，提出了太陽能殺蟲燈輔助設(shè)備——無人機(jī)殺蟲燈，用以被盜被破壞出現(xiàn)后的部署、追蹤和巡檢等應(yīng)急應(yīng)用。