在不断变化的气候条件下苹果生产中的自动虫害监测系统.docx

《在不断变化的气候条件下苹果生产中的自动虫害监测系统.docx》由会员分享，可在线阅读，更多相关《在不断变化的气候条件下苹果生产中的自动虫害监测系统.docx（8页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、在不断变化的气候条件下，苹果生产中的自动虫害监测系统抽象苹果是世界上最重要的经济水果作物之一。尽管有虫害综合治理（IPM）的所有策略，但杀虫剂仍然经常用于其种植。此外，害 虫物候受到气候变化的极端影响。入侵物种的频繁传播，意想不到的害虫爆发以及后代的开展是气候变化带来的一些问题。因 此，需要改变所采用的IPM策略，就像目前的监测技术一样，这些技术越来越不可靠和过时。对更复杂、更准确和更有效的监 测技术的需求正在导致自动化害虫监测系统的开展日益增加。在本文中，我们总结了用于监测苹果生产中主要害虫（Cyd/a pomonella L.）和其他重要苹果害虫（Leucoptera maifoliell

2、a Costa, Grapholita molesta Busck, Halyomorpha halys Stl 蝇-Tephritidae和果蝇科）的自动方法（图像分析系统，智能陷阱，传感器，决策支持系统等），以改善频繁变化的气候条件 下的可持续害虫管理。关键字:苹果害虫;自动虫害监测;气候变化;马普斯雷底亚博尔赫;精准农业.引言虽然遗传学、化学和机器人技术的科学开展为农业技术的进步做出了贡献，但各种问题依然存在。例如，由于人口的快速 增长，农产品的生产必须增加1。可耕地和淡水的可用性变得极其有限2。不可持续的农业除了造成气候异常外，还威胁着作 物生产力和环境。这些类型的做法也给生产和消费之

3、间的关系带来了困难3。与此同时，气候变化问题正变得越来越严重，并 影响着农业生产的许多方面。产量、收获时间、耕作方式、害虫发病率和许多其他关键因素的变化直接受到气候变化的影响4, 5, 6, 7o在人工智能（AI）技术中可以找到解决上述情况和挑战的合适解决方案，这些技术有助于提高包括农业在内的许多部门的 效率8。作物产量、灌溉、土壤含量记录、作物监测、除草、病虫害监测和作物建立最近都伴随着精准农业（PA）背景下的人 工智能2, 9, 10, 11o精准农业可以定义为使用技术和原那么来管理农也生产的各个方面，以提高作物产量和保护环境12。这与其他重要方法一起，代表了一个关键的农业管理系统，该系统

4、结合了机器人和传感器，无人机，先进的GPS （全球 定位系统）和GNSS （全球导航卫星系统），loT （物联网），天气建模以及输入的定制使用3, 13。这是一个循环优化过程， 其中收集，分析，评估来自现场的数据，并最终用于为现场特定站点的管理做出决策。有了这样的工作原理，这些系统使农民能够分析影响作物健康和生产力的几个关键因素的时空变异性14。通过传感器收 集的数据被存储并组合在数字平台中，以支持决策过程。理想情况下，农民应该能够最大限度地提高产量，同时优化投入，节 省养分，并用有效的决策支持系统取代劳动时间，这可以提高农场盈利能力，减少对外部投入的依赖，从而对环境产生负面影 响3, 14。

5、在栽培中，环境因素是作物质量和生产力的关键。在这些因素中，害虫是那些直接损害作物的害虫，害虫控制一直被认为 是最困难的挑战。因此，已经开发了病虫害综合治理（IPM）来改善虫害控制，减少农药的失控使用，并专注于更精确的施用15。 害虫控制计划的有效性取决于可靠和最新的害虫侵扰信息的可用性。从监测陷阱中的渔获物中得出的干预阈值是现代IPM计划 的基石，以触发和优化杀虫剂喷洒的时间和使用。然而，IPM需要密集的现场观察，训练有素的人员和数据评估。每周的疏水阀检查和对田间植物的密切观察可能导致干预 延迟并涉及一些劳动力。如果不收集有关种群动态和相关生态因素的信息，就很难在正确的时间、正确的地点实施正确

6、的害虫 控制。此外，害虫的危害性与植物生理学有关;因此，在关键的现象阶段早期发现害虫是必要的，以便及时实施控制措施，防止 害虫数量的增加和对水果的损害，这是IPM的关键方面。因此，为了提高数据收集效率并进行更准确可靠的虫害控制，有必要 使用自动监测系统15, 16, 17, 18, 19, 20o为了有效控制和预防害虫的发生，己经开发了许多先进的技术解决方案，并将 其应用于当今的农业和作物工业21, 22, 23o苹果（Malusdomestica Borkh.） （Rosales： Rosaceae）是全球最重要的水果作物之一。由于它可以全年用于新鲜消费 或加工成产品，如苹果酱，苹果片，苹果

7、酒和果汁24, 25,因此2020年全球苹果产量为8640万吨，经济价值为770亿美元, 而苹果收获面积为462万公顷262万公顷.由于其上述经济重要性，以及其害虫的危害性，这严重损害了生产利润，因此在这 项工作中以苹果作物为例提出了自动害虫监测系统。上述问题对害虫监测、防治和现代农业具有重大影响。在不断变化的气候条件下进行虫害监测的可接受的解决方案是自动 虫害监测系统。因此，本文旨在总结目前可用于苹果生产的自动化装置和技术，以监测重要的经济害虫，并评估商业上可用的 装置和技术及其对可持续水果生产的影响。1 .气候条件变化对害虫监测的影响农业科学的科学研究最近集中在气候变化及其伴随的所有事件上

8、7。气候变化可以被描述为一种现象，涉及环境因素（如 温度，湿度和降水）在很长一段时间内的变化27。气候变化引起的最常见的问题是全球温度和大气中二氧化碳浓度的增加，洪 水，干旱和所有其他极端天气事件28。上述条件最近在农业的所有领域以及害虫的监测和控制中都造成了重大问题7。害虫受到气候变化的强烈影响（图1）。 温度波动直接影响它们的生物学和生态学，包括繁殖、种群动态、分布、存活以及它们与环境和天敌的关系（图1） 29, 30, 31, 32o昆虫物候的长期数据显示，在不断变化的气候条件下，害虫的发生率各不相同33, 34, 350气候变化导致繁殖率增 加，导致许多害虫的多重繁殖（图1）,从而导致

9、更多的作物损害33。A代ermatt36报告说，自1980年代以来，许多中欧鳞翅目物种的年代数量有所增加。不断变化的气候条件使害虫更加不 可预测，其范围更大（图1） 37。这也对入侵性害虫在新地区的传播和建立有直接影响（图1） 38。入侵昆虫在欧洲迅速传 播的最新例子是经木果嫄（必村，1931） （Diptera： Drosophilidae）39# Halyomorpha a/ys S母1,1855（半翅目：Pentatomidae） 40 o除入侵物种外，气候变化还对非入侵性害虫的传播有直接影响，例如从其他大陆到欧洲，从较温暖的欧洲地区到北部41。 昆虫快速适应上述条件的能力越来越强42,

10、因为被植物害虫侵扰的地区和损害程度严重增加43。因此，考虑到其发生的条件 可能偶尔发生变化，调整害虫监测至关重要。己经制定了 IPM策略，以减少对环境的负面影响，同时最大限度地提高作物产量和经济节约44。除其他事项外，这种方 法侧重于根据了解在经济产量损失发生之前的特定生长阶段可以耐受多少害虫（干预阈值）来做出决策。然而，这种方法并不 总是可行或可能的，当决策支持系统不可用时，干预阈值的使用被忽略42。因此，最近预测，这些彻底制定的策略将需要修改，以应对重要的气候变化条件7, 42, 45o认识到气候适应需要广泛 而持久的变化46,最近的注意力集中在开发虫害管理的新解决方案7和监测上。越来越多

11、的新监测解决方案之一是自动虫害监测。例如，Faria等人47强调了气候变化对意外害虫爆发的令人担忧的影 响。葡萄园的害虫监测目前由传统的陷阱完成，并由种植者进行目视检查。认识到这是一项繁琐且影响较小的工作，作者建议 通过智能手机捕获陷阱图像，并由分类学家进行远程监控，以更好地评估气候变化引起的意外爆发。及时应对气候变化造成的所有不可预测性的另一种方法是使用电子陷阱（电子陷阱）进行实时监测，包括昆虫害虫的出现 和外来入侵物种的建立。昆虫学家或农民可以从拍摄的照片中实时检查情况，而无需去田间，并确定陷阱中昆虫的存在（和丰 度）42, 48o通过监测气候和虫害动态，农民可以采取某些做法来应对气候变化

12、挑战49, 50o对害虫风险及其植物宿主对气候变化的 反响进行建模也可以提高预测害虫侵扰的能力35。Dong等人43开发了一种自动化系统，该系统集成了气象学，生态学，昆 虫学和许多其他领域，以及害虫建模的尖端研究，以支持可持续害虫管理的决策。自动化设备和系统可实现更有利可图、可持续和高效的水果生产，这越来越有助于减少虫害，提高产品质量和食品平安 510因此，在传统种植系统中引入自动化技术是一种创新和有用的解决方案，可以应对由于气候条件变化而产生的负面趋势。3 .害虫自动监测系统数据驱动的农业，在结合人工智能技术的机器人解决方案的帮助下，为可持续和现代农业奠定了基础52。用于自动监测 的创新设备

13、的开发使最终用户能够轻松准确地监测目标害虫物种48。使用自动害虫监测设备有很多好处（图2）。过度使用杀虫剂和花在难以到达的工作上的时间减少，每天前往人迹罕至的 果园旅行也会减少53, 54, 55o然而，根据害虫控制方法的不同，可能需要偶尔更换信息素和粘合垫以进行任何维护54。然 而，人工清点虫害和在果园中设置诱捕器是害虫自动监测系统所不需要的操作56, 57.因此，实地考察次数的减少导致燃料消 耗的显着降低，从而减少二氧化碳排放（图2） 18。在园艺生产中引入自动虫害监测系统将确保针对特定地点和环保的作物保护，从而确保农药残留较少的最终产品（苹果果 实）。现代农业通过使用无人机，遥感，智能决

14、策支持系统，物联网，自动陷阱和许多其他技术进步的产品，正面临着巨大的技 术变革58。根据Potamitis等人的说法59,陷阱中自动控制害虫有几种选择：光中断是其中之一，这是陷阱或漏斗陷阱的特征。当 害虫进入或落入陷阱时.，就会进行检测。“光中断”的工作方式是陷阱的入口被由光电二极管和低功率红外辐射器制成的光片覆盖。 当昆虫进入陷阱时，光线被打断，这最终发出该害虫计数的信号。还有一种通过分析昆虫在陷阱中的翅膀节拍来识别昆虫的方 法。这种识别害虫的方法最常用于McPhail和蚊子陷阱。入射昆虫的翅膀拍打改变了光的流动，光流被记录下来，创造了特定 物种的生物特征60。最后，检测储存产品害虫最广泛使

15、用的方法是基于其运动和进食（叮咬和咀嚼过程）产生的振动61。然 而，Goldshtein等人62指出，对被困昆虫进行成像并通过通道检测昆虫进入是自动害虫监测设备开发中占主导地位的两种方法。人工神经网络（ANN-s）虽然自1990年以来意义重大，但现在最常用于数字系统的开发63。在数字系统的开发和设计 中，主要关注的是图像质量（亮度、分辨率、焦点以及背景和观察对象的比照度），以便尽可能准确地识别观察到的害虫64, 65o设备开发中的一个常见问题是陷阱中的异物（树叶，树枝等）；因此，检测方法应尽可能适应特定环境65。Holguin等人56指出，应该更多地关注陷阱设计。颜色，大小，形状和许多其他参数

16、具有吸引害虫的目的，同时降低对 非目标害虫的吸引力。特别是，鼓励开发传感器来检测不同的害虫，这些害虫可以清楚地区分非目标害虫和目标害虫，以及目 标物种之间的区别。此外，疏水阀效率的一个重要特征是能耗最低，监测期间不经常更换电池，以及使用统计和机器学习方法66。监控系统可分为全自动或半自动。全自动系统配备了用于识别被困昆虫物种的软件，而半自动系统那么基于人类专家对被困 昆虫的远程识别和计数，该专家查看配备摄像头的陷阱捕获的图像48。最有效的害虫检测方法是在机器学习的框架内基于图像 分析系统67, 68, 69, 70o使用人工智能（AI）分析图像是获得快速准确结果的实用解决方案67。自动害虫识别

17、系统集成了多种图像处理工具，以 捕获照片的几何形状，形态和纹理。捕获的照片和视频的处理是通过分析和操作图形组件的方法完成的71。科学家指出，这种 方法需要大量的数据（75, 000张照片）才能对生物体进行适当的分类72。然而，根据Ding和Taylor73的说法，在信息素陷阱中使用相机进行害虫检测经常会遇到一些挑战，包括低质量的照片, 功耗和增加的照片处理本钱，以及环境因素和害虫的发生。无论其商业可用性及其在害虫监测方面的巨大潜力如何，由于本钱 高昂，这些设备仍然无法被“小”农户使用64, 74o这种监测工具更适合在区域或国家一级用于植物保护服务。在站点之间互连陷阱并创立本地、区域、大陆或全球

18、规模的网络，从而获得有关害虫侵扰的实时区域范围信息，存在一种 潜在的前景59。因此，在未来的研究中，应该引入更实惠的解决方案，以便个体种植者也可以使用自动虫害监测的好处。尽管 具有所有优点，但用于自动害虫监测的设备的关键限制是自动害虫识别和计数的可用性和水平。一些商业化设备需要手动识别 物种或手动验证，这为全自动害虫检测系统的进一步改进留下了空间20。由于人工智能技术的快速开展，自动化虫害监测是综合虫害管理新科学时代的开始。这种方法通过集成物联网、人工智能 和其他先进的信息技术来改善虫害监测和早期预警75。随着开展的稳步推进，自动监测可用于世界各地的许多园艺系统和其他 系统的各种害虫物种。远程

19、检测害虫的发生并创立其种群动态的数字记录的能力，无论是在空间上还是在时间上，将为用户提 供一个非常强大的工具来解决上述害虫监测挑战76。4 .苹果害虫自动监测4. 1.鳄鱼蛾（Cydia pomonella Linnaeus, 1758 年）（鳞翅目:Tortricidae）鳄蛾是全球最重要的经济和最常见的苹果害虫。由于它以果实为食，因此必须实施有针对性的控制措施77, 78。在水果 生产中，市场最重要的要求是生产不显示由这种害虫引起的病症的高质量水果79。尽管已经实施了环境友好型IPM策略，例 如交配中断、吸引杀死策略和昆虫不育技术，但大多数种植者依赖杀虫剂80, 81o虽然，苹果园中70%

20、的杀虫剂处理用于控 $|J C. pomonella.因此，该害虫对几种化学类杀虫剂产生了抗药性81, 82, 83。Cydia pomone怕每年发育1-4代,具体取决于种植面积和气候条件80, 84。由于气候条件的变化，己注意到物候学的 变化，包括蒲公英属的代数增加、存活率的增加和虫害的意外爆发84, 85, 86o PajaC等人87证实，C. pomone/匕在克罗地 亚开展了额外的第三代，当度日的总和高于平均水平时。考虑到上述情况，使用更复杂，更精确和快速的技术来早期监测C.pomocMa有许多重要原因。Holguin等人提出了开发 用于自动监测C.pomoce/a的传感器的第一项重

21、要工作56。他们提出了两种电子陷阱，一种基于光依赖电阻（LDR）传感器, 另一种基于红外（IR）传感器，用于在害虫进入配备信息素的陷阱时对其进行检测。这些原型在苹果园和实验室条件下进行了 测试。通过各个方面的改进，这些电子捕集器可以遵循精准农业中虫害综合治理的原那么。由于需要更频繁的监测，Guarnieri等人88开发了一种原型电子陷阱，通过修改商业信息素陷阱Pomotrap制成，在意大 利用于监测C. pomoce/a。该系统旨在将检测到的昆虫的照片从果园无线发送到远程服务器。这些照片是用手机拍摄的。陷阱 每天发送一张照片，这样可以更准确地选择控制方法的时间。同时，对疏水阀外观的修改阻止了环

22、境因素对Pomonella C. pomocH/a的正确鉴定的影响。与局部目视检查相比，这种改良的捕集器实现了高达100%的效率。Ding和Taylor 73开发了一种基于深度学习的自动化害虫监测系统。该系统根据陷阱内拍摄的图像对C. pomonella的个 体进行计数和确定。使用卷积神经网络来提高照片质量。这些校正提供了更好的能力来区分昆虫和不需要的物体。外部因素是 一个特别的问题，导致照片的模糊和视觉纹理减少。害虫的不同位置和大小也使检测变得困难;然而，由于网络系统内的卷积层, 检测是成功的。与以前尝试的害虫检测相比，这种方法不使用害虫专用技术，因此可以以最小的人类努力适应其他物种和环境。

23、在果园中 对C.pomocH/a的实时监测中，经常会出现姿势品种问题。因此，Wen等人89开发了一种姿势估计依赖性方法，以使用深度 学习系统识别田间飞蛾物种。作者使用提取的形状，颜色，纹理和数值特征的组合来描述飞蛾。后来，提出了一种金字塔堆叠 去噪自动编码器（IpSDAE）来生成用于飞蛾检测的深度神经网络。该模型实现了 96.9%的检测效率，说明该方法适用于自动g 蛾检测。Albanese等人90提出了一种用于监测C. pomoce/a的智能陷阱。作者实现了复杂的机器学习算法，使智能陷阱能够在 很短的时间内检测果园中的害虫，而无需云基础设施，这在机器学习应用中很常见。所有计算都在节点上执行，将

24、大量数据限 制为几个字节的简单消息。该解决方案为害虫监测开辟了许多新的可能性，包括优化使用现场可用的有限能源，从而有可能将 能源用于智能陷阱的无限寿命。这一结果说明，可以无限期地自动监测害虫，而无需农民干预。Preti等人54报告了使用最新技术开发原型智能陷阱的情况。C. pomonella个体的检测基于对每天在野外条件下拍摄 的照片的初步分析。开发了一种全新的检测算法来识别被捕获的昆虫，并考虑了定性识别参数，如准确性，精度和灵敏度。然而，该原型需要在与电力自主性相关的数据传输优化方面进行进一步改进，以确保整个监测季节的完全可操作性，并需 要改进自动检测算法以实现可靠的基于机器的计数数据传输。

25、在这种情况下，已经证明，与标准监控相比，智能陷阱系统可以 始终如一地提供更高的捕获数据时间分辨率，而监控本钱略高。同年，Preti等人76评估了一种用于监测C.pomoce/a种群的商业智能陷阱（Trapview;EFOSd.o.o.,斯洛文尼亚）在 意大利。该陷阱由害虫检测软件，信息素粘合剂垫，相机和太阳能电池板组成。智能陷阱在数据传输速度，照片质量和电池寿 命方面已被证明是可靠的。主要缺点是错误地检测了多种形态相似的昆虫。因此，改进检测目标害虫的嵬法非常重要，特别是 当使用选择性较低的信息素时。不同物体（昆虫遗骸，种子，植物部位等）的存在对害虫检测造成了干扰。陷阱的进一步修改 也可能与C.

26、 pomoce/a物种的性别的自动分化有关此外，PajaO之ivkoviC等人使用“TrapvieW系统对C. pomocH/a种群进行了监测18。这项研究证实，该诱捕器提供了可 靠的害虫监测，并且与经典的Delta信息素捕集器相比，害虫监测的有效性没有统计学上的显着差异。因此，基于上述研究，可 以假设经典的Delta陷阱可以完全被监测C. pomonella的智能陷阱所取代，因为在生长季节已经建立了正确的干预阈值。因此，该行业正在转向智能解决方案，包括远程监控陷阱（RMT）。例如，Schrader等人64提出了低本钱的远程监测 陷阱，该陷阱由经典的Delta信息素陷阱中的插入式成像系统组成，

27、该陷阱设计用于监测C.pomoce/a.该系统由一个RGB成 像传感器与微控制器单元和相关硬件组成，用于优化电源使用和数据采集。该系统的优点是能够激活睡眠模式以节省电池电量。该系统能够每天拍照。这有助于监测C. pomoce/a种群，这是精准 农业设备的目标之一。此外，该系统的建设本钱约为每单位33美元，并有可能通过物联网扩展到商业应用。开发的插入式成像 系统还可以与其他疏水阀集成以进行远程监控。表1总结了所有用于监测C. pomonella的市售智能陷阱。果蝇科（果蝇科,果蝇科）果蝇是园艺中最具破坏性和经济重要性的害虫之一，包括苹果生产91, 92, 93, 94,这严重影响了进入世界市场的

28、机会 95o来自Tephritidae家族的果蝇或真正的果蝇”是高度侵入性的物种96。这些物种在世界各地的入侵历史有据可查，尽管为 控制其传播做出了重大努力，但它们仍在继续迅速传播97。气候变化后果蝇的入侵对全球粮食平安提出了越来越大的挑战，并 使管理复杂化98。果蝇科中的物种被称为“小果蝇”或“醋蝇”99。这些物种对果实产量和品质造成极大损失，尽管采取了各种检疫措施，但全 世界仍观察到它们的入侵97, 100。由于气候条件的变化，入侵物种。.suzuk正在迅速传播，并在世界各地的新地区建立自 己101。Reyes和Lira-Noriega102预测，到2050年，由于该地区温度的升高和这种害

29、虫的入侵性质，北半球大局部地区的 潜在范围将显着扩大。通过使用杀虫剂、使用信息素诱饵或彩色粘性诱捕器进行大规模诱捕以及释放不育雄性（SIT）的技术，可以控制这种具 有重要经济意义的害虫103, 104, 105, 106, 107o由于这些害虫的经济重要性但干预阈值较低108,以及苹果中已经频繁 的杀虫剂处理109,因此早期发现害虫至关重要。随着气候变化进一步有利于这些害虫的入侵性及其传播到新的地区，自动害 虫监测系统是一种必要和最好的解决方案，可以在上述条件下进行更有效和更早期的害虫监测。开发自动果蝇监测设备有两个原那么：拍摄被困昆虫和传感器检测昆虫进入陷阱的情况。成像陷阱捕获陷阱外表上昆虫

30、的图 像,然后将其发送到服务器。它们通常旨在通过捕获和发送被困昆虫面板的图像来提供日常数据62。Shaked等人110开发了 两种用于监测果蝇的电子陷阱。第一个陷阱含有男性和女性Cera讥is capitata （Wiedemann）的特定挥发物，第二个陷阱基于 吸弓I Dacus c/afus Loew, 1862 ;Flhagoletis cerasi （Linnaeus, 1758） Bactrocera oleae （Rossi, 1790）呈黄色。在果蝇被吸引后，它们会粘在两种类型的电子疏水阀中的粘合板上。粘性板外表的实时图像被自动捕获并传输到服务器。 他们展示了传输果蝇实时图像的非

31、凡能力，以及在捕获果蝇物种方面的高特异性。昆虫学家根据图像正确分类果蝇的能力88%。 这种半自动监测系统为监测其他作物中的不同果蝇物种开辟了道路，同时最大限度地减少了劳动力。此外，Roosjen等人111证明了使用粘性陷阱和来自静态相机的数据以及来自飞行无人机（UAV）上的同一相机的数据 对D. suzuk/7进行基于计算机视觉的监测的可行性。这两个数据集都是在不同条件下在户外拍摄的。使用4753只带注释的苍蝇 的图像数据库，他们训练了一个基于ResNet-18的深度卷积神经网络来识别每个个体并区分雄性和雌性。与之前的工作相比， 本文提出了一个完全自动化的系统，突出了使用无人机来监测各种水果作

32、物中的果蝇。另一方面，基于传感器的诱捕器旨在为害虫的每次进入提供时间戳62。同一位作者Goldshtein等人62开发了一种用于 检测C. cap/Tafa的自动陷阱。Medfly-AT陷阱是圆柱形的，包含光学传感器来检测害虫个体。通过现场试验对自动疏水阀的效 率进行评价，准确率从88%到100%不等。虽然该陷阱在减少杀虫剂使用方面显示出希望，但需要进行广泛的实地测试才能实 施。昆虫翅膀拍打的频率也可用于识别，因为它取决于每种果蝇物种的生理特征112。因此，Potamitis等人59开发了一种 电子陷阱，作为对果蝇经典陷阱（McPhail陷阱）的修改。使用对其翅膀拍打频率含量的高质量记录来识别

33、昆虫，准确率为91%。物种鉴定可以仅使用此版本的陷阱就地进行。通 过原位鉴定，陷阱只能区分果蝇和完全不同的昆虫，或者它不能在物种水平上区分果蝇（例如，Bactrocera dorsalis （Hendel, 1912）和C. cap/lafa之间的差异）。为了改善这种陷阱，Potamitis等人113提出了一种基于Frensel透镜和立体声记录器的新 型双峰光电传感器，该传感器记录了飞行中昆虫的翅膀拍打，并无线报告数量和物种身份。他们将其中一些技术整合到前而提到的果蝇电子陷阱中。与上面提到的系统不同，这种类型的系统可以以98.99%的准确 率区分C.cap计ata和B.oleae。同样重要的是

34、要强调，所述电子陷阱除了为最终用户提供负担得起的检测精度和功耗外，还在 进行优化。此外，Sandrini Moraes等人114开发了一种光电传感器，可以检测苍蝇翅膀拍动对红外光的局部遮蔽信号。他们在经典的McPhail陷阱中使用上述传感器来实时识别C. capitata Anastrepha fraterculus （Wiedemann）,并且两 个物种都以95%的准确率被检测到。这种电子陷阱，如上面提到的那些，可以集成到一个自动预警系统中，以通知农民果蝇的 侵扰，并有助于精准农业。可用于监测苹果生产中不同果蝇种类的商用电子捕集器列于表2中。为了获得非常准确的预测结果和害虫的早期发现，有必要

35、考虑影响害虫种群动态的潜在因素，例如生物学特征和物理环境 参数115。为此，Jiang等人15开发了一种远程虫害监测系统或自动诱捕计数装置，它是对传统果蝇诱捕管的修改，包括插入 管中的自动计数模块。它记录捕获的涉鳍金勉鱼个体，通过其生物学特征识别它们，然后将信息发送到远程监控平台（RMP）。RMP收集环境数据和捕获的苍蝇数量，然后通过无线全球移动通信系统（GSM ）将所有数据发送到主机控制平台（HCP）。 HCP的功能是在线接收，存储，显示和分析数据库并提供早期预警。作者将传统的诱捕方法与现代通信技术相结合，提供有关 田间条件和害虫种群动态的实时信息。Okuyama等人116利用这种具有优良网

36、络和大量实时数据的自动化害虫监测系统，研究了芽鳍余布渔种群动态的日计数 数据。后来，监测系统通过无线传感器网络（WSN）技术得到增强，现在能够监测田间的小气候、气象和害虫数据117。Liao等人118希望改进上述类型的系统并开发更精确的设备。因此，他们设计了一个基于两种不同无线协议的监控系统: GSM和ZigBee,具有三个主要组件：遥感信息网关（ RSIG）,主机控制平台（HCP）和无线监控节点（WMNs）。WMN将 提供的数据（相对湿度、光照度、温度和捕获的背统包份造个体数量）传输到RSIG, RSIG将数据转发到数据库服务器（HCP） 进行存储和分析。服务器可以对数据进行处理，并将信息在

37、分析后分为三种事件类型：正常状态事件、害虫爆发事件和传感器故障事件，可 通过在线平台访问。这种预警系统可以很容易地部署在不同的果园中，而不需要额外的人力，因为它的机器学习技术和在手机 上接收警报。这种预警系统在帮助农民监测果蝇在果园中具有巨大的潜力。此外，Chuang等人119提出了一个模型，该模型提供了对上述害虫B dorsas的种群动态的7天预测。更具体地说， 它使用WSN技术提供了关于背双发杆菌种群动态的独特数据集。此外，由于全球气候变化，这种苍蝇的分布和生物学将发生变 化。因此，通过重新考虑背鳍余松鱼的生态行为来建立新的预测模型非常重要，这样可以改善苹果的生产和其他作物的生产， 农民将

38、能够快速应对潜在的害虫爆发。由于以前的研究大多使用长期数据来预测害虫种群119,并且这些数据并非在所有情况下都有用，因此Jiang等人120 因此提出了一种基于短期数据的区间2型模糊逻辑系统（IT2FLS）来预测8dorsas的种群动态。开发了两个模型并集成到拟 议的IT2FLS中。与以前的总体动力学预测模型相比，这些模型缩短了训练间隔，并提供了更准确的结果。Zhong等人121为包括果蝇在内的六种昆虫开发了视觉计数和检测系统。在他们的方法中，在优化位置安装了一个摄像 头来监控黄色粘性陷阱。从捕获的图像中检测到昆虫，并使用“YOLO”算法和支持向量机进行计数。此外，在Raspberry Pi系

39、统 上实施了昆虫计数和检测。平均计数准确率为92.50%,平均分类准确率为90.18%。所提出的系统非常易于使用，同时提供准确的检测数据或实时 监测昆虫的传播。该系统可以与各种环境信息相结合，形成一个综合服务平台，可以在早期阶段预测人口动态和发生概率，采 取适当的控制措施。通过使用自动或半自动图像分析系统，经济上重要的果蝇造成的损害也可以显着减少22。由于传统果蝇分类系统的缺点, Peng等人122提出了一种自动提取特征的卷积神经网络算法，为4种东嫩物种构建了分类模型。开发的模型自动提取果蝇害虫 的特征进行有效识别，准确率为97.19%,解决了人工分类方法造成的问题。此外，Wang等人22开发

40、了一种名为AFIS1.0的果蝇图像识别系统，该系统将自动图像识别和基于图像查询的手动交互 方法与用户友好的界面相结合该系统的工作方式是，用户只需输入图像，选择特征区域，然后单击按钮即可获得图像识别结 果。在这个阶段，AFIS1.0可以在没有对TephHtidae家族物种的特定知识的情况下使用。这带来了计算机视觉技术的应用，以 检测农民触手可及的经济上重要的果蝇。但是，作者表示，该软件肯定会在未来通过新功能进行改进。Leonard。等人123还开发了一种自动和半自动系统，用于使用图像处理和机器学习技术对Anastrepha Schiner属的果蝇 物种进行形态识别，1868年。与上述系统一样，这

41、种系统可以帮助专家减少长时间昆虫分析所花费的时间以及这些果蝇物种造 成的生态损失。他们使用基于局部描述符的中级图像表示来识别47as叩归属的三个物种。作者探索了基于关键点和机器学习 技术的本地图像描述符，以促进对这些害虫的检测。与最先进的技术相比，他们的方法在有效性方面取得了优异的成绩。此外，Faria等人124开发了一种系统，根据翅膀和 产卵器结构aculeus的图像数据集来识别4，asep/7a属的不同物种。他们分别使用多模态融合分类器方法和图像分析系统来自 动识别和区分三个物种：Anastrepha fraterculus （Wiedemann, 1830） , Anastrepha o

42、bliqua （Macquart, 1835） # Anastrepha sororcu/a Zucchi, 1979,基于上述结构的特征。在这些实验中，模糊支持向量机（FSVM）的多模态方法在实验室条件下实现了 98.8%的分类精度。这意味着基于图像分 析和学习技术的自动识别这些物种是目前使用的常规繁琐和不准确方法的有效替代方案。相比之下，Blase。等人125开发了一种自动系统，用于区分C. cap/3a物种的雄性和雌性，该系统由背光系统和图像处 理算法组成。使用每种昆虫的五张高分辨率图像进行测定。该程序分析腹部轮廓以检测产卵器的存在，以及男性的特征性铲子， 女性的错误率为0.6%,男性为

43、0%。其他重要的苹果害虫3.1.梨叶水泡娥（.Leucoptera maifoliella （0. Costa, 1836）（鳞翅目：Lyonetiidae）梨叶水泡蛾是苹果生产中具有重要经济意义的害虫126, 127。它是一种多伏特物种128,由于气候条件的变化，它变 得越来越普遍，并且种群数量更多129, 130。这种害虫在越冬后的短时间内连续发育的完整一代可用于其管理77。管理的成功取决于两个显著的事件：（a）监测第 一代的飞行和产卵的开始，以及（b）毛毛虫的胚胎发育，它们在叶子中的穿孔以及直径达2 mm的地雷的初始发育130。合成信息素用于监测马秘眠秃疔皆己被证明是有用的129。然而，

44、这种害虫在苹果园中造成的损害是由于昆虫体积小 且幼虫的隐藏行为而注意到越冬发育阶段为时已晚130, 131。靶向化学防护的后期措施导致更糟糕的结果130。因此，使用 自动化系统监测这种害虫可以使其及早发现并及时有效地施用杀虫剂。Grunig等人132提出了一种基于大数据和深度学习算法的苹果园/mafo/e/a监测的系统。作者使用了在野外和标准 条件下拍摄的52, 322张照片。使用深度神经网络（DNN）对苹果叶子的损害进行分类，并检查DNN预测的七种标准损害类 别（未损坏，地雷/水泡蛾检测，物理损伤，鳞翅目，褐斑，白粉病和植物食虫的摄食损害）的物候学。他们还将预测的损害发生与气象数据联系起来，

45、以模拟损害物候。他们建议通过公民科学或无人机收集数据来解决这个问 题。这项工作也为苹果生产中其他经济害虫的早期预警开辟了新的可能性。4.3.2. 棕色捆扎臭虫 QHalyomorpha halys Stal, 1855）褐色捆扎臭虫最近在许多科学研究中受到广泛关注133, 134。这种害虫非常有害和多食性。它以多种寄主（超过300 种植物）为食135, 136,包括经济上重要的作物和苹果137, 138, 139。它可能导致水果和玉米作物100%的作物损失136, 140。随着美国H.的种群显着增加，它很快取代了鳞翅目害虫（C. pomonella和Graph。席a molesta （Busc

46、k, 1916） （鳞翅目：Tortricidae）成为果园中的主要害虫138。早期损伤表现为果实变形，后来由H. ha/ys进食通常会导致坏死区域的 形成，并最终导致果肉崩解136。由于该害虫具有高流动性和多食性，因此控制该害虫相当困难140, 141。首先，使用杀虫剂可能对有益的节肢动物非常 有害，并导致害虫爆发的增加。此外，由于害虫的遗传结构，它有可能以抗性对这种广泛的化学控制做出反响142。此外，该害虫具有高度侵入性136, 142,其生命周期受到气候变化的强烈影响，使该物种在地理分布和种群增长方面的 管理进一步复杂化143。事实上，Kistner等人143认为，由于气候变化，H %/

47、ys的代数可能正在增加，导致该物种在北美和 欧洲的北纬地区变得多伏特，日前它被认为是单伏特的。这意味着欧洲I,美国东北部和加拿大东南部的主要园艺区受这种入侵 性害虫的威胁最大。因此，只有通过使用自动化害虫监测系统，才能满足对这种入侵物种进行快速、准确和实时监测的需求。考虑到这种害虫的不可阻挡的传播136以及上述所有问题，有效和可持续的监测策略正在越来越多地被研究。例如，能 够根据度日预测Ha/ys种群动态的模型。这些模型改善了对这种害虫未来种群趋势的预测，并最终有助于有效管理144。然而，Lippi等人145开发了一种害虫检测系统来识别谷物田中白色粘性陷阱上的真正虫子(H. halys, Go

48、nocerus acuteangulatus (Goeze, 1778)(半翅目：Coreidae)和尸a/omecapras/ca (Linnaeus, 1761)(半翅目：Pentatomidae) o 他们使用了基于深度学习的YOLOv4 (You Only Look Once)卷积神经网络(CNN)模型。它是在现实条件下在果园中提供的用户定义数据集上进行训练的，平均准确率为94.5%0此外，实时性能在内置系统 (NVIDIA Jetson Xavier)上进行了实验验证，该系统可以轻松安装在任何移动平台上。该研究是在榛子生产中进行的，但应适 用于其他作物的害虫检测，尤其是苹果。4.3.3. 东方果蛾 (Grapholita molesta Busck, 1916)东方果蛾主要是核果(桃子，油桃和杏子)的害虫;然而，它也对苹果造成重大损害146, 147。最初，它会