關(guān)于智慧農(nóng)業(yè)的實際應(yīng)用價值，很多人都持懷疑態(tài)度，對智慧農(nóng)業(yè)具體功能與發(fā)展現(xiàn)狀，缺乏全面的認識。對此聚英云農(nóng)要糾正下，目前已經(jīng)開展了人工智能識別草地貪夜蛾及其成蟲，對蟲情防控工作的自動化起到了推動作用。

草地貪夜蛾在我國發(fā)布面積廣泛，在河南、廣西、貴州等省份都有發(fā)現(xiàn)，是對糧食安全具有巨大威脅的害蟲，遵從早發(fā)現(xiàn)、早防治的原則，需要從發(fā)現(xiàn)入手，提升對蟲情控制能力。

中國農(nóng)業(yè)科學(xué)院植物保護研究所與公司合作研究，是這樣實現(xiàn)的。利用深度學(xué)習(xí)方法進行草地貪夜蛾及其近緣種成蟲識別的相關(guān)研究存在數(shù)據(jù)量嚴重偏小的情況，有可能造成模型未能真正學(xué)習(xí)到草地貪夜蛾及其近緣種成蟲的環(huán)形紋、腎形紋等關(guān)鍵視覺特征。針對上述問題，本研究在建立包含草地貪夜蛾在內(nèi)的7種夜蛾科成蟲，10177幅圖像組成的數(shù)據(jù)庫基礎(chǔ)上，采用遷移學(xué)習(xí)方式建立了VGG-16、ResNet-50和DenseNet-121，3種夜蛾成蟲識別深度學(xué)習(xí)模型，并用相同的測試集測試了所有模型。

結(jié)果表明，構(gòu)建的模型識別準確率均超過了98%。此外，本研究用特征可視化技術(shù)展現(xiàn)了模型習(xí)得的特征，并驗證了這些特征和專家進行人工識別的關(guān)鍵視覺特征的一致性——ResNet-50和DenseNet-121的平均特征識別率在85%左右，進一步支持了用深度學(xué)習(xí)進行草地貪夜蛾成蟲實時識別的可行性。研究發(fā)現(xiàn)，不同模型對夜蛾科成蟲視覺特征的學(xué)習(xí)能力不一樣，在評價模型時不能僅看識別率，還需要加入視覺特征識別率指標對模型的學(xué)習(xí)內(nèi)容進行評價。

通過實驗證明可視化分析可以直觀認識模型的特征學(xué)習(xí)情況，可為行業(yè)內(nèi)或其他領(lǐng)域的研究人員提供參考。

這是人工智能技術(shù)在農(nóng)業(yè)領(lǐng)域應(yīng)用的其中之一，屬于智慧農(nóng)業(yè)的一部分，未來會將這項技術(shù)應(yīng)用在其他類型的害蟲識別與防治上，完善智慧農(nóng)業(yè)這個龐大的系統(tǒng)中。