基于呼伦贝尔大河湾地区的智能病虫害识别决策系统.pdf

引用本文格式陈海华，胡兆民，张景尧，等基于呼伦贝尔大河湾地区的智能病虫害识别决策系统 J农业工程，2023，13（7）：17-24 DOI：10.19998/ki.2095-1795.2023.07.003 CHEN Haihua，HU Zhaomin，ZHANG Jingyao，et alIntelligent pest and disease identification and decision-making systembased on Dahewan Area of Hulun BuirJAgricultural Engineering，2023，13（7）：17-24基于呼伦贝尔大河湾地区的智能病虫害识别决策系统陈海华1，胡兆民2，张景尧1，马成龙3，郭欣宇1，刘子辰1，曲臻凯4（1.中国科学院计算技术研究所，北京 100089；2.呼伦贝尔农垦集团有限公司，内蒙古 呼伦贝尔 021000；3.山东产业技术研究院智能计算研究院，山东 济南 250100；4.呼伦贝尔农垦集团大河湾农牧场有限公司，内蒙古 呼伦贝尔 162650）摘要：在呼伦贝尔市大河湾地区大面积规模化的农作物种植形势下，基于传统人工经验或单一传感器进行病虫害采集、识别的方法会导致采集效率低、识别范围局限等问题。针对上述问题，对总体系统提出了一系列的改进。首先，在数据采集阶段，提出了一套完整的“天空地人”一体化病虫害数据采集体系；其次，在数据识别阶段，根据作物不同器官对应的病虫害类型不同，提出了一种智能作物病虫害精细化识别体系；最后，在数据决策、执行阶段，将大河湾地区的农机作业装备进行智能 OODA（观察判断决策执行）联动，及时针对异常地块做出响应。试验证明，提出的智能病虫害识别决策系统在实际应用中能够高效率作业，为智慧农业领域的发展奠定了优良的基础。关键词：智慧农业；病虫害数据采集；病虫害识别；智能 OODA 联动中图分类号：S24文献标识码：A文章编号：2095-1795（2023）07-0017-08DOI：10.19998/ki.2095-1795.2023.07.003Intelligent Pest and Disease Identification and Decision-making SystemBased on Dahewan Area of Hulun BuirCHEN Haihua1，HU Zhaomin2，ZHANG Jingyao1，MA Chenglong3，GUO Xinyu1，LIU Zichen1，QU Zhenkai4（1Institute of Computing Technology，Chinese Academy of Sciences，Beijing 100089，China；2Hulun Buir AgriculturalReclamation Group Co.，Ltd.，Hulun Buir Inner Mongolia 021000，China；3Intelligent Computing Research Institute，ShandongIndustrial Technology Research Institute，Jinan Shandong 250100，China；4Hulun Buir Agricultural Reclamation Group DahewanFarm Co.,Ltd.，Hulun Buir Inner Mongolia 162650，China）Abstract：In situation of large-scale crop cultivation in Dahewan Area of Hulun Buir，traditional method of pest and disease collectionand identification based on manual experience or a single sensor will lead to low collection efficiency and limited identification rangeTosolve above problems，a series of improvements were proposed for overall systemFirstly，a complete sky-air-ground-human integ-rated pest and disease data collection system was proposed in data collection stageIn addition，in data identification stage，an intelli-gent crop pest and disease identification system was proposed according to different types of pests and diseases corresponding to varyingorgans of cropsFinally，in data decision and execution stage，intelligent OODA（observation-orientation-decision-action）linkage ofagricultural equipment in the Dahewan was used to respond to abnormal plots in a timely mannerExperiment proved that the proposedintelligent pest and disease identification and decision-making system could operate efficiently in practical applications，and lay an excel-lent foundation for developing intelligent agricultureKeywords：intelligent agriculture，pest and disease data collection，pest and disease identification，intelligent OODA linkage 收稿日期：2022-11-22修回日期：2023-02-28基金项目：中国科学院战略性先导科技专项（XDA28120301）；山东省自然科学基金项目（面上）（ZR2021MF094、ZR2020KF030）；黄三角国家农高区科技专项（2022SZX11）；中央引导地方科技发展资金（YDZX2021122）作者简介：陈海华，博士，高级工程师，硕士生导师，主要从事阵列信号处理、智能农机信息处理研究E-mail：胡兆民，通信作者，博士，主要从事农牧业企业生产经营管理、产业政策研究和信息化工程建设研究E-mail：第 13 卷 第 7 期农业工程Vol.13No.72023 年 7 月AGRICULTURAL ENGINEERINGJul.2023 0引言大河湾地区示范区位于呼伦贝尔农垦集团公司辖区，是大兴安岭南麓区黑土地的典型代表，也是中国科学院“黑土粮仓”科技会战项目目前设置的 7 个示范区之一1。长期的实践发现，大河湾地区农业种植和管理过程中出现了较为严峻的病虫害问题，病虫害会导致作物总产量降低约 1/4，并且危及粮食质量安全，因而智能病虫害识别决策技术是大河湾地区示范区农业发展的关键技术之一。大河湾地区示范区地域广阔，如何能够有效及时地采集、识别病虫害信息，并进行精准决策、执行，是一个重要问题。1作物病虫害采集识别现状在作物病虫害数据采集阶段，国内采取了众多措施，但是都比较单一，局限性很强。徐华潮等2通过遥感图像的光谱值变化和纹理结构反演出植物的叶绿素含量、叶片结构等性质的变化，进而看出植物的健康状态。该技术优点是监测范围广，但是缺点是尺度太大，一旦发现长势差或者部分光谱特征比较明显，这时地块病虫害已经比较严重，难以拯救。另外，遥感往往具有周期性，如一周一次，或者有时候受气候影响，时间更长，因此具有局限性。针对上述问题，王玉庆3利用无人机搭载 RGB 相机，从低空拍摄RGB 图像，结合计算机视觉技术检测出植物病虫害，相对于卫星遥感实时性和准确率都有一定的提高。然而，无人机巡检拍摄图像的清晰度不高，一般只能拍摄到顶部，拍摄的作物部位受限。另外，虫情灯及孢子捕捉仪能够捕捉一定范围内空气中的花粉、病原菌孢子，通过观察其搜集到的孢子、花粉，能够精确地检测出植物所患病害，反映病害扩散程度，但是检测的病虫害类型和范围都具有局限性4。在作物病虫害数据识别阶段，随着深度学习技术的发展，其在病虫害识别问题上也有了广泛的应用。黄英来等5使用 Leaky-ReLU 作为激活函数，并结合迁移学习改进了 ResNet-50 网络模型，该模型在玉米叶片的病虫害分类上达到了 98.3%的正确率。RUMPF T等6将支持向量机（Support Vector Machine，SVM）应用到智慧农业领域来识别甜菜叶片所患的病害种类。何欣等7结合 Mask R-CNN 和多尺度卷积，提出了Multi-Scale ResNet 网络模型，该网络模型对葡萄叶片病害细粒度识别的准确率达到了 90.83%。上述算法往往是针对单一作物器官病虫害识别情况。然而，在实际应用中，同一作物不同器官都会产生不同的病虫害，传统算法在实际应用中会存在识别的局限性8-10。因此，目前来看系统整体识别的精确性和普适性还有提升的空间。综上分析，现针对大面积规模化种植，如何快速发现识别病虫害情况，并快速响应防治，至今都没有一个标准化的解决思路，国内也没有非常成功的案例。因此，有必要探索出一套高精度、高时效的作物智能病虫害识别决策系统。该系统主要的赋能：一是能够建立及时准确的数据采集体系；二是能够快速精准识别不同作物的病虫害类型；三是能够确定相应的防治决策；四是能够精准作业执行。基于此，在数据采集阶段，提出了一套完整的“天空地人”一体化病虫害数据采集体系，在该体系中，将多种数据采集方式进行多源异构融合，从而避免各个单一数据采集方式存在的缺陷。在数据识别阶段，首先将作物进行不同器官种类的细化，然后对不同器官对应的病虫害进行针对性分析训练，从而形成一种新颖的作物病虫害精细化识别体系。结合智能 OODA（观察判断决策执行）环的思想，将大河湾地区的农机作业装备进行智能 OODA 联动，针对性地对异常地块快速做出决策和执行响应11。2智能病虫害识别决策系统构建结合大河湾地区实际情况，大河湾地区示范区青年突击队提出了一套完整的智能作物病虫害识别决策系统。该系统按照作物病虫害防治顺序主要从 5 方面进行构建：“天空地人”一体化病虫害数据采集体系；物联网大数据多源异构云平台；作物病虫害精细化识别体系；病虫害与防治方案的决策数据库；智能 OODA 联动的农机作业执行体系。2.1“天空地人”一体化病虫害数据采集体系在作物病虫害数据采集阶段，针对传统人工巡田或使用单一采集传感器存在采集时效性低、采集范围局限等问题，综合利用各种技术手段，提出了一套完整的“天空地人”一体化病虫害数据采集体系，真正实现了时间、空间的有效交叉与融合。2.1.1“天”航天卫星遥感快速获取大河湾地区示范区的耕地作物长势异常信息是开展病虫害检测的前提和基础。而卫星遥感技术具有低成本、覆盖面积大的特点，非常适合用于大河湾地区大面积规模化作物种植地区12。遥感监测作物的原理是基于农田作物的光谱特征。在可见光的遥感图像中，作物含有的叶绿素具有较强的吸收峰；在近红外波段的遥感图像中，由于叶片内部结构的影响，该波段的反射率较为强烈，会形成突峰。因此，通过对敏感波段进行分析可以反演得到作 18 农业工程信息与电气化 物生长的空间信息13。本系统使用叶面积指数和植被指数等参数来监测作物长势，并以此作为作物长势的遥感监测基础。另外，依据土壤和气候的历史数据，对比分析同一地块不同时期（纵向对比）的作物生长状况和不同地块同一时期（横向对比）的作物生长状况，能够在宏观状态下观测出哪个地块出现了异常。然而，该技术虽然监测面积大、覆盖范围广，但是数据采集的时效性较差，一般发现地块存在异常之后已经没办法对农作物进行拯救。2.1.2“空”无人机周期性巡检相对于卫星遥感技术的高空拍摄，无人机巡检技术是低空拍摄，拍摄的图像有更高的清晰度，并且可以根据需要周期性地巡检全部地块，实时性相对更强。当检测出病虫害后，可以及时采取措施防治。无人机巡检主要工作原理是采用多传感器融合技术，按照既定路线对作物周期性地进行数据采集工作，并把数据传输到地面部分。无人机搭载 RGB 相机、激光雷达、北斗卫星定位及惯性导航单元等传感器，基于传感器数据和高精地图，结合路径规划技术，完成自主巡航，无需人工操作14-17。另外，本系统设置的无人机实际作业条件：无人机巡检周期为 2 次/周（可根据实际情况进行针对性巡检）；采用“回”字型路径巡检法；巡检高度 50100 m。无人机巡检技术相对于卫星遥感实时性和准确率都有一定的提高，但是无人机巡检拍摄图像的清晰度不高，一般只能拍摄到顶部，拍摄的作物部位受限，大大降低了后期病虫害识别的准确性。2.1.3“地”虫情灯、孢子仪+固定物候相机+巡检机器人实时监测孢子仪传感器用于捕捉一定范围内空气中的花粉和病原菌孢子，捕捉孢子方式一般包括被动撞击式与主动吸入式，为了使得捕捉结果更准确，主要采取主动吸入式作为捕捉方式。其原理：在孢子仪内部形成负压，进而主动吸入空气，然后利用孢子重力和惯性碰撞从而完成捕获，这种方式有较高的捕捉效率和稳定性。孢子捕捉完成后，通过后期识别系统可以精准地检测出植物所患病害和病害扩散程度18。上海皓镧电脑配件有限公司19设计了一款智能孢子捕捉仪，该孢子仪可以被远程控制捕捉孢子的时间，自动使用显微镜拍摄孢子的图片，然后通过网络传输到用户的终端上，用户可以直接根据图片识别孢子的种类识别并计数，免去了到田间取载玻片的过程。虽然孢子仪能够精确地检测出植物所患病害，并具有较好的实时性，但是检测的病虫害类型和检测范围都具有较大的局限性。固定物候相机主要由 CCFC 光学摄像机、无线网络传输设备、太阳能板等部件组成。其中，CCFC 光学摄像机是专门为远程观测室外应用设计的高质量、高分辨率户外变焦视频和静态图像摄像机。因此，本系统主要采用该摄像机输出的 RGB 图像对作物病虫害情况进行数据采集。在大田内安装完毕之后，利用该摄像机对附近作物每天拍摄一次，以此达到对附近作物病虫害信息短周期、高精度地数据采集。巡检机器人将北斗定位、激光雷达和 RGB 相机等多传感器融合，应用路径规划、路径跟踪技术实现在农田中按既定路径自动巡田的任务。巡田过程中机器人可以拍摄作物整体或某个部位的高精图像，并将图像传输到后台中进行后续相关处理。另外，本系统设置巡检机器人的巡检周期为 3 d；巡检路径根据地块实际情况进行最优化规划等。相比于无人机巡检技术，巡检机器人采集的病虫害数据在后期识别中具有更高的准确度和置信率。巡检机器人巡田技术相对于无人机巡检技术图像拍摄精度提高了，拍摄部位也更多样。但是巡检机器人巡田的路径较为固定，并且巡田面积非常局限性，对于较大面积的农田无法巡检全部区域。2.1.4“人”建立人工巡田制度由专人对田块进行随机或定时定向巡检，以目视方式获取病虫害发生部位、严重程度等，并及时采用手持图像采集设备收集不同数量、不同部位和不同发病程度的视频图像数据。所有地块对应分配相应巡田员，2 次/周进行全面巡查，发现相关问题，及时按标准进行视频图像数据的采集上传。人工巡田方式灵活度最高，采集方式最多样，信息把握最精准。然而，该方式会耗费大量人力、物力，数据采集效率低。2.2物联网大数据多源异构平台通过一体化数据采集体系将作物病虫害信息全方位的采集之后，接下来要将采集到的数据信息进行多源信息异构。因此，本系统使用了一种物联网大数据多源异构平台来实现这一目的。系统多源信息异构平台架构如图 1 所示。该系统自下而上按功能和执行主体，分为感知层、网络层、控制层、数据层、应用层和客户端。（1）感知层。由卫星遥感、无人机航拍、巡检机器人和固定物候相机等终端构成，由这些设备完成对作物产生的不同种类病虫害的数据采集。（2）网络层。基于 4G、5G 的无线通信网络。（3）控制层。由“大数据底层框架软件”提供的“TCP 网络管理”和“消息队列”功能构成，主要负责接收“感知层”设备上传的数据，并对设备进行统一管理。陈海华等：基于呼伦贝尔大河湾地区的智能病虫害识别决策系统 19 （4）数据层。基于 Redis+Mysql 企业级分布式数据存储以实现海量存储的目标，并由“大数据底层框架软件”的“存储管理系统”对数据的存取进行控制，以实现高并发、高扩展能力。（5）应用层。通过黑土粮仓种植业信息化系统推广应用，本系统是自主研发的针对黑土地保护相关的数据处理系统。2.3作物病虫害精细化识别体系将采集到的信息通过物联网大数据云平台进行多源异构之后，需要利用采集的信息精准识别出异常地块作物所患病虫害的具体类型，才能“对症下药”。另外，神经网络类算法可以实现对农业病虫害图像数据的分析和处理，进而建立相应的学习模型，实现对图像的特征提取，以此来达到病虫害分类的目的。因此，提出一种作物病虫害精细化识别体系。首先将同一作物进行不同器官种类的细化；然后根据专业农艺知识对不同器官对应的病虫害进行标准化的数据制定，形成标准化数据集；最后凭借标准化数据集对作物进行针对性分析训练。另外，本系统针对大河湾地区示范区作物所患的病害和虫害分别收集了大量的数据，并制定了数据集选取规则。数据集主要分为病害数据集和虫害数据集两类。虫害数据集包括网络爬取的数据集、IP102 数据集，以及中科院内相关单位如合肥物质研究院等科研院所的数据积累，总共 95 700 幅。其中 IP102 是用于害虫识别的大规模数据集，它包含了属于 102 个类别的 75 000多幅图像。根据相关专业农艺知识，针对大河湾地区示范区的虫害情况制定了 39 个类别的标准化数据集。如图 2 所示，分别为虫害数据集中的飞虱和蝼蛄（本系统以这两类害虫为典型代表）。大河湾地区作物种植种类繁多，本系统主要以玉米和大豆这两种典型作物为例，对病虫害情况进行详细分析。根据相关专业农艺知识，针对大河湾地区示范区大豆和玉米不同器官对应的病害情况制定了共 19个类别的标准化数据集（大豆 8 类、玉米 11 类）。数据集来源包括 IDADP 数据集、网络爬取的数据集和中科院内相关单位，如合肥物质研究院等科研院所的数据积累。其中，大豆不同器官对应病害数据集总共 46 000幅；玉米不同器官对应病害数据集总共 67 000 幅。大豆病害数据集中的大豆根部根腐病和叶片花叶病实际数据集图片如图 3 所示，玉米病害数据集中的玉米叶片灰斑病和大斑病实际数据集图片如图 4 所示。图 3大河湾地区大豆根部和叶片病害数据集典型代表Fig.3 Typical representative diagram of soybean root and leaf diseasedata set in Dahewan Area 图 4大河湾地区玉米叶片病害数据集典型代表Fig.4 Typical representative diagram of maize leaf disease data set inDahewan Area数据集准备好后，进行神经网络的训练。病害和虫害识别都使用 Inception-ResNet-v2 神经网络，具体网络结构如图 5 所示20-22。网络模型是 Inception 模块和 图 1多源信息异构平台架构Fig.1 Architecture of multi-source information heterogeneousplatform 图 2大河湾地区虫害数据集典型代表Fig.2 Typical representative diagram of pest data set in Dahewan Area 20 农业工程信息与电气化 ResNet 网络的有效结合。Inception 层能够在同一层上获取稀疏或者非稀疏特征，并且使得网络能够自我学习采用哪些过滤器和是否需要池化等超参数，不需要人工调整，使得网络训练全自动化。ResNet 网络的结构可以加速训练，并且能够提升网络深度，防止梯度弥散，从而达到最优化训练的目的。最后，神经网络的分类结果会通过微信小程序或系统后台进行可视化展示。图 5Inception-ResNet-v2 神经网络结构Fig.5 Inception-ResNet-v2 neural network structure 2.4病虫害与防治方案决策数据库精细化识别体系对作物病虫害识别后，针对性地对作物所受的病虫害开出相应的“处方”（防治措施）。研究团队通过与农业院所合作及结合网上权威相关知识，为系统配备了病虫害分析及决策知识数据库。数据库包含了病虫害介绍、发病规律、灾害特征、分布危害及防治措施等部分。系统通过“空天地人”一体化采集体系、作物病虫害精细化识别体系，获得病虫害信息，然后在决策知识数据库中检索病虫害名称、发病程度等关键字段等，以此从完备的数据库中自动调取对应信息，同时给出相应解决方案。2.5智能 OODA 联动的农机作业执行体系系统产生相关病虫害防治信息之后，接下来就是如何针对性地对地块进行精准防治。智能 OODA 环能够使作业流程形成闭环，并能在每个环节实行精准控制。本系统结合智能 OODA 环的思想提出了一种智能OODA 联动的农机装备作业执行体系。要想实现精准地块作业，系统全地块作业任务“处方图”是必不可少的。“处方图”是指对大河湾地区或农垦地区首先进行地块之间的划分，然后在不同地块上给出相应的病虫害防治作业信息，使得作业任务精准化、可视化。其中“处方图”主要包含 3 层信息，第 1 层为栅格信息，是按智能喷药机器人有效喷幅的大小及速度设置的大小相等的网格；第 2 层为处方值信息层，是由决策阶段获得的地块防治措施信息决定；第 3 层为地理位置信息层，主要为栅格行和列的经纬度信息。在生成作业任务“处方图”的基础上，将大河湾地区或农垦地区的农机作业装备（如无人喷药机或高脚植保机等）进行智能 OODA 联动。具体执行措施：根据“处方图”，系统将派遣无人喷药机或高脚植保机进行精准地块喷药。其中，根据天气及受灾地块面积不同，喷药方式主要分为以下两种情况：一是当地块表层状况恶劣（如刚下完雨等）或者受灾地块面积较小时，派遣无人喷药机对地块进行精准喷药；二是当地块表层良好及受灾地块面积较大时，派遣高脚植保机对地块进行精准喷药。以上措施能保证最大程度地能源节约和喷药效率。无人喷药机和高脚植保机在作业过程中会向后台系统进行实时作业完成信息反馈，通过可视化信息平台进行相关信息的展示。3试验效果分析本系统在大河湾地区已经初步开始关于稳定性和普适性的试验验证。通过 3 个方面对系统进行可视化验证：一是遥感图像地块作物生长状况异常监测分析；二是神经网络病虫害分类识别分析；三是作物病虫害决策数据可视化分析。3.1遥感图像分析试验中，主要通过无人机对全场景地块遥感达到发现作物生长异常地块的目的。呼伦贝尔大河湾地区第一生产队六号地遥感图像如图 6 所示，不同地块之间由于作物生长状况不同，所产生的遥感图像也会有所差异。图中蓝色（灰色）框代表作物生长状况不佳地块；黄色（白色）框区域代表作物长势旺盛地块。通过利用卫星遥感对大河湾地区全场景地块进行周期性地巡检，以此来发现异常地块，为后期系统智能判断和决策奠定了基础。图 6大河湾地区第一生产队六号地遥感图像Fig.6 Remote sensing image of the first production teams No.6 site inDahewan Area 3.2病虫害分类识别试验中，主要使用 Inception-ResNet-v2 神经网络对大河湾地区实际作物的病害和虫害进行分类的效果分 陈海华等：基于呼伦贝尔大河湾地区的智能病虫害识别决策系统 21 析，分为作物病害识别和作物虫害识别两方面。3.2.1作物病害识别在使用 Inception-ResNet-v2 神经网络对作物病害进行识别中，病害的种类标准及训练样本 1.3 节已经介绍。另外，训练时神经网络选取的试验数据比例为训练集测试集验证集=721，并且选择 epoch=30，batch size=60。由于大河湾地区玉米和大豆为一般种植作物的典型代表，因此本系统主要对这两类作物进行分析。大河湾地区玉米叶片灰斑病和大斑病的识别效果如图 7 所示，大豆根部根腐病和叶片花叶病的识别效果如图 8 所示。由图 7 和图 8 可知，在系统病虫害识别阶段，神经网络模块分别对玉米常见病害识别准确率96%，对大豆常见病害识别准确率99%，具有很高的识别置信度，完全能够满足实际应用需求。3.2.2作物虫害识别在使用 Inception-ResNet-v2 神经网络对作物病害进行识别中，病害的种类标准及训练样本 1.3 节已经介绍。另外，神经网络选取的试验数据比例、epoch 和 batchsize 等参数选取与上述相同。大河湾地区玉米飞虱和蝼蛄（本 系 统 以 这 两 种 虫 害 为 例）的 识 别 效 果 如图 9 所示，在病虫害数据识别阶段，训练模型与测试数据高度匹配，识别准确率96%，完全能够应用在实际系统中。图 9大河湾地区玉米叶片典型虫害识别效果Fig.9 Effect of typical insect pest identification of maize leaves inDahewan Area 3.3作物病虫害决策数据可视化分析以大河湾地区常见作物病害大豆根腐病和玉米锈病为典型进行可视化展示分析。由图 10 可知，每一种病虫害对应的防治措施是多元化和多角度的，使防治范围更广、防治效果更好。4结束语在呼伦贝尔市大河湾地区大规模作物种植的形势下，针对传统人工经验对作物进行病虫害识别会导致操作成本高、识别时效低的问题，提出了一套识别精度高、时效性强的智能病虫害识别系统。在实际应用中，提出的系统将专业的农艺知识融入严谨的系统判定决策逻辑中，完全避免了传统模型存在的弊端，保障了大面积作物种植情况下病虫害识别的精准性和时效性。在大河湾地区已经开始试验验证，未来应进一步完善数据体系来扩大数据集，优化网络结构来提高识别精准度，完善联合作业机制，为我国智慧农业的发展提供了一种全新的、完整的病虫害治理方向。参考文献 陈海华，田林鑫构建黑土地保护“大河湾地区模式”J中1 图 7大河湾地区玉米叶片典型病害识别效果Fig.7 Effect of typical disease identification of maize leaves inDahewan Area 图 8大河湾地区大豆典型病害识别效果Fig.8 Effect of typical disease identification of soybean inDahewan Area 22 农业工程信息与电气化 国农垦，2022（3）：18-19 徐华潮，骆有庆，张廷廷，等松材线虫自然侵染后松树不同感病阶段针叶光谱特征变化J光谱学与光谱分析，2011，31（5）：1 352-1 356XU Huachao，LUO Youqing，ZHANG Tingting，et alChanges ofreflectance spectra of pine needles in different stage after being infectedby pine wood nematodeJSpectroscopy and Spectral Analysis，2011，31（5）：1 352-1 3562 王玉庆基于无人机的茶叶病虫害防治系统研究D徐州：中国矿业大学，2019WANG Yuqing Research on tea pest prevention and control systembased on UAVDXuzhou：China University of Mining and Techno-logy，20193 马慧琴，黄文江，景元书遥感与气象数据结合预测小麦灌浆期白粉病J农业工程学报，2016，32（9）：165-172MA Huiqin，HUANG Wenjiang，JING YuanshuWheat powdery mil-dew forecasting in filling stage based on remote sensing and meteorolo-gical dataJTransactions of the Chinese Society of Agricultural En-gineering，2016，32（9）：165-1724 黄英来，艾昕改进残差网络在玉米叶片病害图像的分类研究J计算机工程与应用，2021，57（23）：178-184HUANG Yinglai，AI XinResearch on classification of corn leaf dis-ease image by improved residual networkJ Computer Engineeringand Applications，2021，57（23）：178-1845 RUMPF T，MAHLEIN A K，STEINER U，et alEarly detection andclassification of plant diseases with support vector machines based on hy-perspectral reflectanceJ Computers&Electronics in Agriculture，2010，74（1）：91-996 何欣，李书琴，刘斌基于多尺度残差神经网络的葡萄叶片病害识别J计算机工程，2021，47（5）：285-291，300HE Xin，LI Shuqin，LIU Bin Identification of grape leaf diseasesbased on multi-scale residual neural networkJComputer Engineering，2021，47（5）：285-291，3007 KUZUHARA H，TAKIMOTO H，SATO Y，et alInsect pest de-tection and identification method based on deep learning for realizing apest control systemC/2020 59th Annual Conference of the Society ofInstrument and Control Engineers of Japan（SICE），2020 DOI：10.23919/SICE48898.2020.92404588 CHEN C J，HUANG Y Y，LI Y S，et alIdentification of fruit treepests with deep learning on embedded drone to achieve accurate pesticidesprayingJIEEE Access，2021DOI：10.1109/ACCESS.2021.30560829 WANG Rui，HU Cheng，LIU Changjiang，et al Migratory insectmultifrequency radar cross sections for morphological parameter estima-tionJ IEEE Transactions on Geoscience and Remote Sensing，2018DOI：10.1109/TGRS.2018.288492610 孙凝晖，张玉成，王竑晟，等农业模拟器：用智能技术打通黑土地保护的数据流J中国科学院院刊，2021，36（10）：1 165-1 174SUN Ninghui，ZHANG Yucheng，WANG Hongsheng，et alAgri-cultural simulator：using intelligent technology to get data flow for blackland protectionJBulletin of Chinese Academy of Sciences，2021，36（10）：1 165-1 17411 纪景纯，赵原，邹晓娟，等无人机遥感在农田信息监测中的应用进展J土壤学报，2019，56（4）：773-784JI Jingchun，ZHAO Yuan，ZOU Xiaojuan，et alAdvancement in ap-12 图 10作物病虫害决策数据可视化展示Fig.10 Visual display of crop pest and disease decision data 陈海华等：基于呼伦贝尔大河湾地区的智能病虫害识别决策系统 23 plication of UAV remote sensing to monitoring of farmlandsJActaPedologica Sinica，2019，56（4）：773-784黄文江，刘林毅，董莹莹，等基于遥感技术的作物病虫害监测研究进展J农业工程技术，2018，38（9）：39-4513周利杰，孙迎建，蔡国庆，等基于头部姿态控制的农田监测无人机云台设计与实现J中国农机化学报，2022，43（7）：179-187ZHOU Lijie，SUN Yingjian，CAI Guoqing，et alDesign and imple-mentation of airborne gimbal for farmland monitoring based on head atti-tude trackingJJournal of Chinese Agricultural Mechanization，2022，43（7）：179-18714KAPLAN B，KAHRAMAN İ，EKT AR，et alDetection，identific-ation，and direction of arrival estimation of drone fhss signals with uni-form linear antenna arrayJIEEE Access，2021：152 057-152 06915OH J，LIM D W，KANG K MThe impact of imperfect orthogonal-ity of lora communication in multiple drone identificationC/2021 In-ternational Conference on Information and Communication TechnologyConvergence（ICTC），IEEE，2021：906-90816LONGHI M，MARROCCO GUbiquitous flying sensor antennas：ra-17diofrequency identification meets micro dronesJInstitute of Electric-al and Electronics Engineers（IEEE），2017 DOI：10.1109/jrfid.2018.2801882LI C S，LIN Y CSampli