新農科背景下基于AI昆蟲識別軟件的實驗教學改革

摘" 要：從昆蟲智能識別入手開展新農科背景下昆蟲學的實驗教學改革和實踐。軟件由昆蟲圖片上傳、模型訓練、目標檢測以及導出結果4個模塊組成。完成目標檢測的圖片根據需要保存。AI昆蟲識別軟件的開發過程在Visual Studio Code環境下進行，采用Python語言進行編程，實現對拍攝圖片的高效率、高精度檢測。最后擬通過學生本科實驗教學環節，開放成為農科學生進行昆蟲識別鑒定的實踐工具，極大激發農科學生的上課激情，同時也有助于在新農科背景下培養農科類學生的現代農業創新思維。

關鍵詞：新農科；AI；昆蟲；實驗教學；改革

中圖分類號：G642" " " " 文獻標志碼：A" " " " " 文章編號：2096-9902（2024）05-0013-04

Abstract： Starting with the intelligent recognition of insects， the experimental teaching reform and practice of entomology in the context of new agriculture were carried out. The software consists of four modules： insect picture upload， model training， target detection and results exporting. The pictures that complete the target detection are saved as needed. The development process of the software is carried out in Visual Studio Code environment， and Python language is used to realize the high efficiency and high precision detection of taking pictures. Finally， through the undergraduate experimental teaching， it is proposed to become a practical tool for agricultural students to identify and identify insects， which can greatly stimulate the enthusiasm of agricultural students in class. At the same time， it is also helpful to cultivate agricultural students' innovative thinking of modern agriculture in the context of New Agricultural Science.

Keywords： New Agricultural Science; AI; insect; experimental teaching; reform

昆蟲學實驗教學內容涵蓋昆蟲的形態、內部器官和分類等內容，需要大量昆蟲標本作為教學材料。然而，昆蟲標本由于采集、使用和保存等原因，難免會出現損壞和缺失。有些標本因存放年代久遠且存放條件簡陋，可能會出現蟲蛀、霉變等情況，導致標本的形態特征受損。一些標本由于使用頻率高，難以避免損壞或缺失。某些生物標本的采集具有季節性，例如某些害蟲在不同年份發生程度不同，而某些害蟲的蟲態非常小或位于隱蔽位置，不易被發現，導致實驗教學長期缺乏這些害蟲的蟲態，從而在一定程度上影響了實驗課程的完整性。實驗課程和實習受季節和氣候變化的影響，很多重要物種以及一些發育階段無法觀察到，這也極大地影響了教學效果。

習近平總書記指出，農業農村現代化關鍵在科技、在人才。目前科技已經滲透到農業生產的各個方面。其中，因為人工智能的深度滲透，精準農業和信息農業已經成為現代農業科技前沿之一，為新農科的教育教學也帶來了諸多的創新和變革[1-2]。如何應用這個利器在新農科背景下改造農科實踐教學成為我們應當思考的重要問題[3]。隨著電子技術的發展和深入應用，智慧農業逐漸成為學者們研究的重要方向[4]，針對各種昆蟲的目標檢測識別軟件也應運而生[5]。如董偉等[6]基于深度卷積神經網絡，提出了針對菜粉蝶、棉鈴蟲、甜菜夜蛾、小菜蛾及葉紋夜蛾這5種鱗翅目害蟲的識別和計數模型。在對害蟲進行目標檢測的相關技術中，圖像處理技術比較常見，其可分為傳統機器學習圖像處理和深度學習圖像處理[7-8]。張繼紅[9]運用圖像識別開發了一種基于計算機視覺的蚜蟲識別及計數系統，實現了對多幅蚜蟲采集圖像的批處理識別和計數，降低了信息采集的成本，而且提高了采集的效率。李瑞[10]針對小目標害蟲圖像難以采集、檢測模型精確度低等問題，研究了一種以圖像融合的方法擴增小目標害蟲的數據集，從而有效增強小目標害蟲識別精度的檢測方法。肖德琴等[11]設計了一種遠程監控誘捕桔小實蠅的過程和計算桔小實蠅的裝置，實現了對田間桔小實蠅誘捕情況的遠程實時監控。王茂林等[12]通過性誘劑誘捕薊馬，并對誘捕器中的薊馬進行識別和計數，且人工計數與圖像計數的誤差在8%左右。

廣西大學響應習近平總書記建設新農科的號召，于2014年組建了計算機學院、農學院及農業產業體系的學科交叉融合的產學研團隊[13]，以植物病害蟲識別為例開展了新農科背景下深度學習在農科教學改革中的探索和實踐[14-15]。這套算法和軟件目前已經應用在普通昆蟲學昆蟲分類方面的實驗教學改革中。普通昆蟲學實驗教學內容涉及昆蟲分類學知識，學生需要識別和鑒定各目的昆蟲標本。而現有的昆蟲智能識別技術，常使用R-CNN目標檢測或YOLO目標檢測方法[16-17]。這些方法在進行目標檢測之前，通常需要使用特定種類昆蟲的數據集進行模型訓練。針對這類問題，基于圖像處理的技術原理，以半翅目和膜翅目常見昆蟲為例，設計了一種能夠識別圖片中昆蟲的識別軟件。它采用YOLO檢測算法[18]，可自行訓練獲得一個最優的訓練模型，運用訓練獲得的最優檢測模型對拍攝的圖片進行目標檢測，能夠識別出圖片中的常見昆蟲并對其進行計數。學生可以將在課堂和課外實驗實踐過程中拍攝到的昆蟲照片上傳到軟件，自動對模型進行訓練。這樣不但可以提高昆蟲識別模型的精度，更為其他更多昆蟲的深度識別提供充足的后臺數據。通過學生的數據收集，目前已經積累了幾種半翅目、鞘翅目和膜翅目昆蟲的識別模型，學生積極參與，提升了模型的精確度，也提升了農科類學生的“互聯網+”思維模式。

1" 軟件整體設計

整個軟件由計算機服務器和與計算機服務器無線連接的1個或多個PC終端組成，計算機服務器內設置圖片接收、目標檢測和結果提取3個模塊，共同完成對半翅目和膜翅目昆蟲如荔枝蝽、桔小實蠅等昆蟲圖片上傳、識別和結果儲存的過程。圖片接收模塊作為軟件的前端模塊，用于接收學生上傳的待識別圖片。目標檢測模塊可對學生上傳的圖片進行目標檢測，該模塊的檢測結果可直接影響整個軟件的準確性和可行性，是軟件的核心環節。結果提取模塊主要接收來自檢測模塊的檢測結果，并允許學生將目標檢測的結果圖片導出到當前目錄下的文件夾。

軟件的整體開發過程是在Visual Studio Code環境下進行，考慮到開發成本、系統的穩定性以及開發難度等因素，采用Python語言完成整個軟件的編寫和測試的過程。Visual Studio Code不但支持大多數開發語言，同時也是一個跨平臺開發環境，支持Python、Java、PHP等37種語言或文件格式的編寫，具有啟動時間短、內存占用小等優點。

2" 軟件運行與操作

軟件的主界面設置相對簡單，設有昆蟲圖片上傳、模型訓練、目標檢測及導出結果4個模塊，如圖1所示。整個軟件的目標檢測操作過程簡單，只需根據檢測的一般步驟按要求點擊界面中的按鍵，直至導出檢測結果即可完成拍攝圖片中昆蟲的檢測過程。

2.1" 昆蟲圖片上傳

上傳的昆蟲圖片可以是使用各種拍攝工具獲取的圖片材料。以桔小實蠅為例，其屬雙翅目實蠅科害蟲，其成蟲身體一般呈現黑色和黃色相間的狀態。桔小實蠅的胸部大多呈黑色，其上有一道極為明顯黃色的“U”形斑，腹部為黃色，在腹部上面有條由黑色縱帶構成“T”字形斑紋。通過以上特征可識別出桔小實蠅個體。對桔小實蠅個體進行個體特寫拍攝，主要是用于作為其檢測軟件開發的訓練數據集。為保證軟件的識別精度，拍攝的照片數量需要足夠多，預計不少于2 000張特寫照片。在進行田間誘捕時，誘捕到的桔小實蠅個體一般會呈現各種各樣不同的方向，因此拍攝的角度不能過于單一，需要在各個不同的角度進行拍攝，記錄每個方向桔小實蠅的特征。拍攝主要從桔小實蠅的前后、左右、上下等多個方向進行，拍攝的照片需要能夠識別每個方向中桔小實蠅的特征。為避免拍攝時受外界其他顏色的影響，拍攝的背景通常為白色背景，部分照片背景為黃色。同時，拍攝時的曝光率不能太高或過低，防止過亮或過暗的曝光遮蓋拍攝方向上桔小實蠅的紋理特征，影響軟件的識別精度。

點擊軟件界面中的上傳圖片按鈕后系統會自動跳轉到選擇文件窗口，學生可以自己選擇1張或多張圖片作為待識別圖片，用于下一步的目標檢測。軟件對圖片的拍攝質量有一定的要求，一般過于模糊或者曝光過大都會造成無法識別或者識別的結果出現偏差過大。學生也可以拍攝實驗課上實驗教師準備好的相關昆蟲標本進行拍照并上傳。

2.2" 模型訓練

系統要對上傳圖片進行精準地目標識別，還需進行目標識別的模型訓練。學生只需上傳待識別的圖片即可進行模型的訓練過程，點擊模型訓練后系統可自主進行訓練，最終由系統選擇出一個最優的模型，這個模型則作為最終的檢測模型。若圖片數據較少造成模型過擬合問題，可以選擇離線數據增強方法擴充數據集，對圖片進行一系列的加噪、旋轉、剪裁和色彩調整等得到新的數據集[18]，提升模型的魯棒性和泛化能力。軟件開發過程進行的模型訓練使用的數據集為桔小實蠅圖片數據集，上傳相應的桔小實蠅圖片數據集后，可選擇epoch和batch size，根據計算機配置設置訓練速度。軟件采用24個卷積層和2個全連接層的YOLO檢測網絡進行訓練，設置好訓練條件，卷積層的作用是提取圖像特征，而全連接層則預測圖像位置和概率值。優化訓練后的模型識別精度達到了92.78%，loss值為34.26。

2.3" 目標檢測

完成模型訓練的軟件可直接對上傳的待檢測圖片進行目標檢測，軟件可根據YOLO檢測算法，以訓練后獲得的最優檢測模型為基礎，將圖片輸入檢測模型。系統畫面如圖2所示，模型經過特征提取計算后得到預測類別與輸入圖片的實際類別的概率，選取超過閾值的概率，識別出圖片中的桔小實蠅位置。只需點擊系統主界面上的“目標檢測”按鈕，軟件在后臺進行圖片識別并彈出檢測出目標后的圖片，即檢測結果。

2.4" 導出結果

已經完成檢測的圖片，學生可以在該模塊中進行整理和保存，系統默認保存路徑為當前目錄。用戶只需點擊導出結果按鈕，即可對識別的圖片進行整理。圖片導出后，軟件會自動按順序生成以result為開頭的jpg格式的圖片文件名。

3" 開放式創新實踐工具

基于上述工作課題組設計了一款常見昆蟲識別的通用軟件。系統支持上傳多張圖片，上傳的待檢測圖片可作為系統模型訓練的數據集，不需要使用特定的數據集進行模型的訓練，訓練后的模型可直接對待測圖片進行目標檢測識別。系統在開發和測試過程中部分昆蟲的檢測識別精度達到了92.78%，檢測的數據集主要是使用單反相機和安卓手機拍攝獲得的圖片。學生只需將拍攝的圖片上傳至系統中，就可進行模型訓練及目標檢測各個環節。完成檢測的圖片，系統會自動將其設為以result開頭的圖片文件并按檢測順序標號，學生可根據自身需要保存在當前或特定文件夾中，方便進一步學習。

該軟件支持PC終端和Windows 7及以上系統運行工作，學生可在符合要求的PC終端直接打開本軟件打包好的exe文件即可運行操作。該軟件界面設計簡單，操作也很方便快捷，具有很好的普適性。本文所提出的工具及其強化學習軟件的開放使用極大促進了農科學生的創新實踐活動。學生通過參與生物智能識別在植物保護學科的具體實踐，學到了新一代信息技術的知識和技術，真實感知技術應用的效果，激發了創新思維能力和信息技術融合的應用能力，提高了農科類學生的“互聯網+”思維。正是在這種思維的鍛煉下，農學院學生2020—2022年來在“挑戰杯”和“互聯網+大賽”中獲省部級以上獎勵20多項，如獲得第九屆“挑戰杯”廣西大學生創業計劃競賽金獎的項目《慧眼——世界領先的甘蔗螟蟲綠色防控專家》。新農科背景下AI昆蟲識別軟件的應用改變了基于傳統驗證型的實驗教學方式，使學生在計算機技術應用的場景中感知學科交叉融合的知識，提升實踐動手能力和科技創新水平。

4" 結束語

目前，在昆蟲相關課程改革中，仍需要調整實驗教學內容，重點講解形態和分類知識，加強學生對昆蟲的認知能力。普通昆蟲學內容豐富而龐雜，涉及形態學、生物學、行為學、分類學、生理學和生態學等內容，作為區域性綜合性大學的農科專業，從服務農業、面向實踐的角度出發，有針對性地選擇重點內容講解，才能更好地為當地社會經濟發展服務。

一是把昆蟲外部形態和昆蟲分類部分實驗內容結合昆蟲教學實踐，在實踐中認識昆蟲。如在各處采集時，在采集典型昆蟲蝗蟲，現場講解昆蟲的口器結構和外部形態，取得了良好的效果，有效緩解了實驗課課時不足的問題。二是適當減少部分和生產沒有直接聯系的生理學和生態學內容，加強害蟲相關目科的講解。如昆蟲的胚胎發育，過去是必講的內容，但是，由于實驗室僅有一套不完整的示范玻片，因此僅結合在其他實驗中作為示范講解；同時，加強講解主要害蟲如鱗翅目分科、鞘翅目分科、半翅目分科等，使學生學到的認識更貼近生產實踐。三是加強“互聯網+”實驗室建設，構建普通昆蟲學網絡教學資源庫以及實驗教學資源共享平臺，既提高了該學科學生判斷和認知的能力，又提升了實驗教學水平。在運用傳統的昆蟲識別與鑒別的同時，應用現代互聯網技術，使普通昆蟲學的實驗教學真正實現系統化，并根據科學研究的發展，充實新的內容，靜動結合，豐富多彩；另一方面可利用網絡資源把昆蟲電子標本在網上公開，將實驗室與互聯網聯系起來，虛實結合，是課堂教學資源的延伸。便于學生課前預習和課后復習，有利于提高和鞏固學生認知與鑒別昆蟲種類的能力和水平。

實驗教學是理解昆蟲學理論的重要課程，也是學生直觀認識昆蟲的重要手段。只有不斷改革創新昆蟲學的實驗教學，才能使學生真正掌握相應的昆蟲學知識，適應社會、學校和生產實踐不斷變化對該課程的要求。

參考文獻：

[1] 新農科建設開啟“北大倉行動”[J].中國農業教育，2019，20（5）：110.

[2] 新農科建設推出“北京指南”[J].中國農業教育，2019，20（5）：104-106.

[3] 余洋，方安菲，楊宇衡，等.新農科背景下普通植物病理學實驗教學改革與探索[J].安徽農業科學，2020，48（24）：283-285.

[4] 王春山，趙春江，吳華瑞，等.采用雙模態聯合表征學習方法識別作物病害[J].農業工程學報，2021，37（11）：180-188.

[5] 劉瀏.基于深度學習的農作物害蟲檢測方法研究與應用[D].合肥：中國科學技術大學，2020.

[6] 董偉，錢蓉，張潔，等.基于深度學習的蔬菜鱗翅目害蟲自動識別與檢測計數[J].中國農業科技導報，2019，21（12）：76-84.

[7] 苗海委，周慧玲.基于深度學習的粘蟲板儲糧害蟲圖像檢測算法的研究[J].中國糧油學報，2019，34（12）：93-99.

[8] 呂宗旺，金會芳，甄彤，等.圖像處理技術在糧食害蟲識別中的應用進展[J].河南工業大學學報（自然科學版），2021，42（3）：128-137.

[9] 張繼紅.基于計算機視覺的蚜蟲圖像識別方法研究[D].楊凌：西北農林科技大學，2009.

[10] 李瑞.小目標害蟲圖像自動識別與計數研究[D].合肥：中國科學技術大學，2021.

[11] 肖德琴，葉耀文，馮健昭，等.適應場景光照變化的桔小實蠅誘捕監測系統優化設計與試驗[J].農業工程學報，2016，32（11）：197-204.

[12] 王茂林，榮二花，張利軍，等.基于圖像處理的薊馬計數方法研究[J].山西農業科學，2020，48（5）：812-816.

[13] 楊娟，葉進，馬仲輝，等.基于互聯網加智慧農業的農科人才培養模式探究[J].實驗室研究與探索，2021，10（3）：145-148.

[14] 葉進，邱文杰，楊娟，等.基于深度學習的荔枝蟲害識別方法[J].實驗室研究與探索，2021，40（6）：29-32.

[15] 邱文杰，葉進，胡亮青，等.面向植物病害識別的卷積神經網絡精簡結構Distilled-MobileNet模型[J].智慧農業（中英文），2021，3（1）：109-117.

[16] LIU Z， XIE C， LI J， et al. Application of cascade R-CNN and YOLOv3 in missile target recognition[J].Journal of Image and Signal Processing， 2020， 9（2）：102-110.

[17] LIPPI M， BONUCCI N， CARPIO R F， et al. A YOLO-Based Pest Detection System for Precision Agriculture[C]//2021 29th Mediterranean Conference on Control and Automation （MED）. IEEE， 2021：342-347.

[18] 趙立新，侯發東，呂正超，等.基于遷移學習的棉花葉部病蟲害圖像識別[J].農業工程學報，2020，36（7）：184-191.

基金項目：廣西高等教育本科教學改革工程項目（2020JGA101、XNK2022001、2023JGB127）；廣西2023年學位與研究生教育改革課題項目（JGY2023033）

第一作者簡介：楊娟（1984-），女，博士，高級實驗師。研究方向為農業昆蟲與害蟲防治。

*通信作者：李俊（1981-），男，農學碩士，高級實驗師。研究方向為蠶桑生產技術及有害生物綜合防治。