佳多蟲情圖像自動信息采集測報燈對幾種水稻害蟲的圖像監測效果評價①

李廣香，辛德育，李旭林，覃德注，張世聯，謝茂昌

（1．廣西來賓市武宣縣植物保護站 武宣縣 545900；2．廣西壯族自治區植保總站 南寧市 530022）

為加快推進研發與應用，不斷提高農作物重大病蟲害監測預警能力，2018年廣西植保部門組織開展了新型測報工具試驗示范，在武宣縣應用蟲情圖像自動信息采集測報燈對水稻鉆蛀性螟蟲、稻縱卷葉螟、稻飛虱等進行了傳輸圖像和人工收集兩種監測方式的比較試驗，截至目前已經取得了初步研究進展，本文將試驗的觀測結果、存在問題及技術建議做一報告。

1 材料與方法

1.1 監測場所

試驗在武宣縣三里鎮東泉村（23.578926°N，109.746493°E）建立佳多ATCSP物聯網系統監測場所，該場所離周邊最近處村莊住房可見光源約150 m，試驗監測點范圍主要栽培作物是雙季水稻，周邊還零星種植有花生、蔬菜、甘蔗、柑橘類等農作物，環境均符合選址要求。

1.2 監測工具

武宣縣農作物重大病蟲監測場安裝的是JDPZ-1型佳多牌蟲情圖像自動信息采集測報燈。該儀器由河南鶴壁佳多科工貿股份有限公司生產，2017年9月9日安裝完成并開始調試運行。

1.3 監測對象

本試驗監測對象為水稻上的三化螟、大螟、稻縱卷葉螟和稻飛虱4種害蟲。

1.4 氣象條件

試驗時間為2018年7月1日至11月30日，共持續153 d，涵蓋武宣縣晚稻從種到收一個完整的生長周期。試驗期間日平均氣溫為25.6℃，日最高氣溫40.6℃，日最低氣溫8.7℃，日平均相對濕度為83.4%，總降水量為633.0 mm，雨日數為66 d。（注：氣溫統計數據來源于佳多農林小氣候信息采集系統；因本觀測場安裝的佳多農林小氣候信息采集系統缺降水量記錄，故降水量數據來自中國天氣網的統計記錄）。

1.5 試驗方法

將佳多JDPZ-1型蟲情圖像自動信息系統采集到的圖像材料，利用ATCSP物聯網遠程傳輸后進行人工分辨分類計數（以下簡稱圖像蟲數），和逐日人工收集該系統自動落至箱體內的昆蟲進行人工分辨分類計數（以下簡稱箱體蟲數），對比兩者的異同，以此檢驗ATCSP物聯網下蟲情圖像自動信息采集系統對農作物重大病蟲害監測預警預報效果。為了試驗時間的一致性，將每日統計蟲數的時間調整為昨晚今晨（即光敏控制開關每日傍晚開燈至次日早上關燈的時段）。

1.6 數據統計方法

蟲情圖像自動信息采集測報燈將每天拍攝的50多幅圖傳輸到室內辦公電腦上，工作人員依據圖像識別各種昆蟲，最終合計所有圖像的昆蟲種類和數量，完成當日數據統計記錄。人工收集則于每天上午到田間觀測點，實地收集昨晚今晨的昆蟲，帶回室內一次性完成數據統計記錄。

2 結果與分析

試驗對ATCSP物聯網系統遠采集的圖像蟲數和人工統計的箱體蟲數進行了總體統計對比（見表1）。

表1 圖像蟲數和箱體蟲數總體對比

2.1 不同監測對象比較

2.1.1 三化螟

7月1日至11月30日，圖像蟲數計數為355頭，其中雌蟲335頭，雄蟲20頭；箱體蟲數為338頭，其中雌蟲312頭，雄蟲26頭。圖像蟲數比箱體蟲數多17頭，誤差率為4.79%；其中雌蟲多23頭，誤差6.87%；雄蟲多－6頭，誤差－30.00%。圖像蟲數計數和箱體蟲數計數三化螟總體之間的相關系數高達為0.967 8。出現雄蟲誤差較大是由于圖像中蟲體的形態局限于一面，一些個體難以觀察到關鍵識別特征部分，同時圖像分辨率不夠清晰，難以辨別確認計數所致。從圖1看，圖像蟲數和箱體蟲數計數兩者監測三化螟成蟲總體發生動態代際明顯，盛發期、高峰期一致。

圖1 三化螟誘蟲量圖像蟲數與箱體蟲數比較

2.1.2 大螟

7月1日至11月30日，圖像蟲數計數為752頭；箱體蟲數為734頭。圖像蟲數比箱體蟲數多18頭，誤差率為2.39%，兩者的相關系數高達0.937 2。從圖2看，圖像蟲數和箱體蟲數計數大螟發生代際不明顯，發生動態漲落一致。

圖2 大螟誘蟲量圖像蟲數與箱體蟲數比較

2.1.3 稻縱卷葉螟

7月1日至11月30日，圖像蟲數計數為1 329頭；箱體蟲數為1 225頭。圖像蟲數比箱體蟲數多104頭，誤差率為7.83%，兩者的相關系數高達0.995 9。從圖3看，圖像數蟲和箱體數蟲結果稻縱卷葉螟成蟲發生期代際明顯，盛發期、高峰期一致，但誘蟲量有一定小范圍的差異。

圖3 稻縱卷葉螟誘蟲量圖像蟲數與箱體蟲數比較

2.1.4 稻飛虱

7月1日至11月30日，圖像蟲數計數為1 847頭，箱體蟲數為2 017頭。圖像蟲數比箱體蟲數多170頭，誤差率為－9.20%，兩者的相關系數高達0.996 8。從圖4看，圖像蟲數比箱體蟲數結果稻飛虱成蟲發生代際明顯，盛發期高峰期一致、但誘蟲量存在一定范圍的差異，統計兩者相關系數高。由于安裝的自動蟲情測報燈的攝像頭的分辨率較低，對個體較小的昆蟲稻飛虱種類難以辨別，就沒有深入去針對褐飛虱和白背飛虱比較分辨。

圖4 稻飛虱誘蟲量圖像蟲數與箱體蟲數比較

2.2 數據誤差原因分析及改進建議

鑒于采集的圖像蟲數與箱體蟲數存在數據誤差，本試驗分析大致有五大方面的原因，為此分別提出針對性的改進建議。

一是圖像的清晰度不夠高，可能是由于系統配備的攝像頭分辨率、對焦等硬件問題，或者沒有充分考慮箱體內部環境光線變化的影響。建議提高攝像頭拍攝的精準度，盡量減小拍攝蟲體時的色差，從而提高計數的準確率。

二是由于昆蟲誘捕后是首先落到拍照盤面在箱體內累積一晚的，但由于箱體上方敞開，部分個體較大的昆蟲難以致死，從而因逃逸造成數據出現偏差，本試驗個體較大的稻縱卷葉螟、三化螟、大螟等數據準確率高于個體較小的稻飛虱，即印證了這一點。建議改進設備的開口及電網電壓的設計，盡量避免誘蟲得而復失。

三是圖像顯示的盤面面積小于實際面積，以致出現圖像數蟲因看不全而漏數，從而導致誤差產生。建議調寬拍照覆蓋范圍，以覆蓋落蟲的整個盤面，從而避免漏數導致的誤差。

四是圖像數蟲還存在蟲體落到盤外、標注文字遮擋蟲體、照片邊緣只看到局部的蟲體、掉落中的蟲體影像遮擋了已落到盤內的蟲體，個體較大蟲體遮擋個體較小蟲體、蟲體堆積難數。此類現象多發生在設備光敏控制開關開燈后15～90 min昆蟲集中撲燈的高峰時段。建議系統在昆蟲集中撲燈的高峰時段調短拍照的時間間隔，高峰時段過后再恢復正常的拍攝時間間隔，以避免圖像太多增加識別圖像的時間和降低工作效率；還建議盤面刻度應改為細線條，避免刻度線陰影黑影遮擋蟲體；時間、日期的顯示文字也應改為細線條或將文字標志移放到監測盤外。

五是目前使用的系統主要靠人工辨別清點計數，每天按設置15 min/幅圖像，一天50多幅圖像需要人工辨別、清點、計數、填表等，容易受到人為對昆蟲辨別知識經驗引起計數誤差。建議組織昆蟲分類專家和計算機軟、硬件開發企業繼續聯合攻關，盡快推進實現自動識別計數統計，實現監測數據自動采集生成報告，提高監測預警時效和質量。

3 小結

從試驗數據看，佳多蟲情圖像自動采集測報燈下三化螟、大螟、稻縱卷葉螟、稻飛虱成蟲等害蟲圖像蟲數和箱體蟲數雖然有一定的誤差，但兩者數據相關系數均較高，其發生期昆蟲數量漲落一致，采用哪種數據作為監測預警預報均是可行的。該系統傳輸圖像數蟲監測相對于箱體數蟲監測，具有信息收集高效性和低工作強度的優點，有很好的推廣應用前景。為此，本試驗建議改進系統的軟、硬件設施配備，修正拍攝各項技術參數，不斷提高圖像可識度，減少系統設備存在的物理瑕疵，加快昆蟲圖像自動識別計數系統研究應用，更好地為農作物病蟲害監測預警信息化管理服務。