新农科背景下基于AI昆虫识别软件的实验教学改革

摘" 要：从昆虫智能识别入手开展新农科背景下昆虫学的实验教学改革和实践。软件由昆虫图片上传、模型训练、目标检测以及导出结果4个模块组成。完成目标检测的图片根据需要保存。AI昆虫识别软件的开发过程在Visual Studio Code环境下进行，采用Python语言进行编程，实现对拍摄图片的高效率、高精度检测。最后拟通过学生本科实验教学环节，开放成为农科学生进行昆虫识别鉴定的实践工具，极大激发农科学生的上课激情，同时也有助于在新农科背景下培养农科类学生的现代农业创新思维。

关键词：新农科；AI；昆虫；实验教学；改革

中图分类号：G642" " " " 文献标志码：A" " " " " 文章编号：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

昆虫学实验教学内容涵盖昆虫的形态、内部器官和分类等内容，需要大量昆虫标本作为教学材料。然而，昆虫标本由于采集、使用和保存等原因，难免会出现损坏和缺失。有些标本因存放年代久远且存放条件简陋，可能会出现虫蛀、霉变等情况，导致标本的形态特征受损。一些标本由于使用频率高，难以避免损坏或缺失。某些生物标本的采集具有季节性，例如某些害虫在不同年份发生程度不同，而某些害虫的虫态非常小或位于隐蔽位置，不易被发现，导致实验教学长期缺乏这些害虫的虫态，从而在一定程度上影响了实验课程的完整性。实验课程和实习受季节和气候变化的影响，很多重要物种以及一些发育阶段无法观察到，这也极大地影响了教学效果。

习近平总书记指出，农业农村现代化关键在科技、在人才。目前科技已经渗透到农业生产的各个方面。其中，因为人工智能的深度渗透，精准农业和信息农业已经成为现代农业科技前沿之一，为新农科的教育教学也带来了诸多的创新和变革[1-2]。如何应用这个利器在新农科背景下改造农科实践教学成为我们应当思考的重要问题[3]。随着电子技术的发展和深入应用，智慧农业逐渐成为学者们研究的重要方向[4]，针对各种昆虫的目标检测识别软件也应运而生[5]。如董伟等[6]基于深度卷积神经网络，提出了针对菜粉蝶、棉铃虫、甜菜夜蛾、小菜蛾及叶纹夜蛾这5种鳞翅目害虫的识别和计数模型。在对害虫进行目标检测的相关技术中，图像处理技术比较常见，其可分为传统机器学习图像处理和深度学习图像处理[7-8]。张继红[9]运用图像识别开发了一种基于计算机视觉的蚜虫识别及计数系统，实现了对多幅蚜虫采集图像的批处理识别和计数，降低了信息采集的成本，而且提高了采集的效率。李瑞[10]针对小目标害虫图像难以采集、检测模型精确度低等问题，研究了一种以图像融合的方法扩增小目标害虫的数据集，从而有效增强小目标害虫识别精度的检测方法。肖德琴等[11]设计了一种远程监控诱捕桔小实蝇的过程和计算桔小实蝇的装置，实现了对田间桔小实蝇诱捕情况的远程实时监控。王茂林等[12]通过性诱剂诱捕蓟马，并对诱捕器中的蓟马进行识别和计数，且人工计数与图像计数的误差在8%左右。

广西大学响应习近平总书记建设新农科的号召，于2014年组建了计算机学院、农学院及农业产业体系的学科交叉融合的产学研团队[13]，以植物病害虫识别为例开展了新农科背景下深度学习在农科教学改革中的探索和实践[14-15]。这套算法和软件目前已经应用在普通昆虫学昆虫分类方面的实验教学改革中。普通昆虫学实验教学内容涉及昆虫分类学知识，学生需要识别和鉴定各目的昆虫标本。而现有的昆虫智能识别技术，常使用R-CNN目标检测或YOLO目标检测方法[16-17]。这些方法在进行目标检测之前，通常需要使用特定种类昆虫的数据集进行模型训练。针对这类问题，基于图像处理的技术原理，以半翅目和膜翅目常见昆虫为例，设计了一种能够识别图片中昆虫的识别软件。它采用YOLO检测算法[18]，可自行训练获得一个最优的训练模型，运用训练获得的最优检测模型对拍摄的图片进行目标检测，能够识别出图片中的常见昆虫并对其进行计数。学生可以将在课堂和课外实验实践过程中拍摄到的昆虫照片上传到软件，自动对模型进行训练。这样不但可以提高昆虫识别模型的精度，更为其他更多昆虫的深度识别提供充足的后台数据。通过学生的数据收集，目前已经积累了几种半翅目、鞘翅目和膜翅目昆虫的识别模型，学生积极参与，提升了模型的精确度，也提升了农科类学生的“互联网+”思维模式。

1" 软件整体设计

整个软件由计算机服务器和与计算机服务器无线连接的1个或多个PC终端组成，计算机服务器内设置图片接收、目标检测和结果提取3个模块，共同完成对半翅目和膜翅目昆虫如荔枝蝽、桔小实蝇等昆虫图片上传、识别和结果储存的过程。图片接收模块作为软件的前端模块，用于接收学生上传的待识别图片。目标检测模块可对学生上传的图片进行目标检测，该模块的检测结果可直接影响整个软件的准确性和可行性，是软件的核心环节。结果提取模块主要接收来自检测模块的检测结果，并允许学生将目标检测的结果图片导出到当前目录下的文件夹。

软件的整体开发过程是在Visual Studio Code环境下进行，考虑到开发成本、系统的稳定性以及开发难度等因素，采用Python语言完成整个软件的编写和测试的过程。Visual Studio Code不但支持大多数开发语言，同时也是一个跨平台开发环境，支持Python、Java、PHP等37种语言或文件格式的编写，具有启动时间短、内存占用小等优点。

2" 软件运行与操作

软件的主界面设置相对简单，设有昆虫图片上传、模型训练、目标检测及导出结果4个模块，如图1所示。整个软件的目标检测操作过程简单，只需根据检测的一般步骤按要求点击界面中的按键，直至导出检测结果即可完成拍摄图片中昆虫的检测过程。

2.1" 昆虫图片上传

上传的昆虫图片可以是使用各种拍摄工具获取的图片材料。以桔小实蝇为例，其属双翅目实蝇科害虫，其成虫身体一般呈现黑色和黄色相间的状态。桔小实蝇的胸部大多呈黑色，其上有一道极为明显黄色的“U”形斑，腹部为黄色，在腹部上面有条由黑色纵带构成“T”字形斑纹。通过以上特征可识别出桔小实蝇个体。对桔小实蝇个体进行个体特写拍摄，主要是用于作为其检测软件开发的训练数据集。为保证软件的识别精度，拍摄的照片数量需要足够多，预计不少于2 000张特写照片。在进行田间诱捕时，诱捕到的桔小实蝇个体一般会呈现各种各样不同的方向，因此拍摄的角度不能过于单一，需要在各个不同的角度进行拍摄，记录每个方向桔小实蝇的特征。拍摄主要从桔小实蝇的前后、左右、上下等多个方向进行，拍摄的照片需要能够识别每个方向中桔小实蝇的特征。为避免拍摄时受外界其他颜色的影响，拍摄的背景通常为白色背景，部分照片背景为黄色。同时，拍摄时的曝光率不能太高或过低，防止过亮或过暗的曝光遮盖拍摄方向上桔小实蝇的纹理特征，影响软件的识别精度。

点击软件界面中的上传图片按钮后系统会自动跳转到选择文件窗口，学生可以自己选择1张或多张图片作为待识别图片，用于下一步的目标检测。软件对图片的拍摄质量有一定的要求，一般过于模糊或者曝光过大都会造成无法识别或者识别的结果出现偏差过大。学生也可以拍摄实验课上实验教师准备好的相关昆虫标本进行拍照并上传。

2.2" 模型训练

系统要对上传图片进行精准地目标识别，还需进行目标识别的模型训练。学生只需上传待识别的图片即可进行模型的训练过程，点击模型训练后系统可自主进行训练，最终由系统选择出一个最优的模型，这个模型则作为最终的检测模型。若图片数据较少造成模型过拟合问题，可以选择离线数据增强方法扩充数据集，对图片进行一系列的加噪、旋转、剪裁和色彩调整等得到新的数据集[18]，提升模型的鲁棒性和泛化能力。软件开发过程进行的模型训练使用的数据集为桔小实蝇图片数据集，上传相应的桔小实蝇图片数据集后，可选择epoch和batch size，根据计算机配置设置训练速度。软件采用24个卷积层和2个全连接层的YOLO检测网络进行训练，设置好训练条件，卷积层的作用是提取图像特征，而全连接层则预测图像位置和概率值。优化训练后的模型识别精度达到了92.78%，loss值为34.26。

2.3" 目标检测

完成模型训练的软件可直接对上传的待检测图片进行目标检测，软件可根据YOLO检测算法，以训练后获得的最优检测模型为基础，将图片输入检测模型。系统画面如图2所示，模型经过特征提取计算后得到预测类别与输入图片的实际类别的概率，选取超过阈值的概率，识别出图片中的桔小实蝇位置。只需点击系统主界面上的“目标检测”按钮，软件在后台进行图片识别并弹出检测出目标后的图片，即检测结果。

2.4" 导出结果

已经完成检测的图片，学生可以在该模块中进行整理和保存，系统默认保存路径为当前目录。用户只需点击导出结果按钮，即可对识别的图片进行整理。图片导出后，软件会自动按顺序生成以result为开头的jpg格式的图片文件名。

3" 开放式创新实践工具

基于上述工作课题组设计了一款常见昆虫识别的通用软件。系统支持上传多张图片，上传的待检测图片可作为系统模型训练的数据集，不需要使用特定的数据集进行模型的训练，训练后的模型可直接对待测图片进行目标检测识别。系统在开发和测试过程中部分昆虫的检测识别精度达到了92.78%，检测的数据集主要是使用单反相机和安卓手机拍摄获得的图片。学生只需将拍摄的图片上传至系统中，就可进行模型训练及目标检测各个环节。完成检测的图片，系统会自动将其设为以result开头的图片文件并按检测顺序标号，学生可根据自身需要保存在当前或特定文件夹中，方便进一步学习。

该软件支持PC终端和Windows 7及以上系统运行工作，学生可在符合要求的PC终端直接打开本软件打包好的exe文件即可运行操作。该软件界面设计简单，操作也很方便快捷，具有很好的普适性。本文所提出的工具及其强化学习软件的开放使用极大促进了农科学生的创新实践活动。学生通过参与生物智能识别在植物保护学科的具体实践，学到了新一代信息技术的知识和技术，真实感知技术应用的效果，激发了创新思维能力和信息技术融合的应用能力，提高了农科类学生的“互联网+”思维。正是在这种思维的锻炼下，农学院学生2020—2022年来在“挑战杯”和“互联网+大赛”中获省部级以上奖励20多项，如获得第九届“挑战杯”广西大学生创业计划竞赛金奖的项目《慧眼——世界领先的甘蔗螟虫绿色防控专家》。新农科背景下AI昆虫识别软件的应用改变了基于传统验证型的实验教学方式，使学生在计算机技术应用的场景中感知学科交叉融合的知识，提升实践动手能力和科技创新水平。

4" 结束语

目前，在昆虫相关课程改革中，仍需要调整实验教学内容，重点讲解形态和分类知识，加强学生对昆虫的认知能力。普通昆虫学内容丰富而庞杂，涉及形态学、生物学、行为学、分类学、生理学和生态学等内容，作为区域性综合性大学的农科专业，从服务农业、面向实践的角度出发，有针对性地选择重点内容讲解，才能更好地为当地社会经济发展服务。

一是把昆虫外部形态和昆虫分类部分实验内容结合昆虫教学实践，在实践中认识昆虫。如在各处采集时，在采集典型昆虫蝗虫，现场讲解昆虫的口器结构和外部形态，取得了良好的效果，有效缓解了实验课课时不足的问题。二是适当减少部分和生产没有直接联系的生理学和生态学内容，加强害虫相关目科的讲解。如昆虫的胚胎发育，过去是必讲的内容，但是，由于实验室仅有一套不完整的示范玻片，因此仅结合在其他实验中作为示范讲解；同时，加强讲解主要害虫如鳞翅目分科、鞘翅目分科、半翅目分科等，使学生学到的认识更贴近生产实践。三是加强“互联网+”实验室建设，构建普通昆虫学网络教学资源库以及实验教学资源共享平台，既提高了该学科学生判断和认知的能力，又提升了实验教学水平。在运用传统的昆虫识别与鉴别的同时，应用现代互联网技术，使普通昆虫学的实验教学真正实现系统化，并根据科学研究的发展，充实新的内容，静动结合，丰富多彩；另一方面可利用网络资源把昆虫电子标本在网上公开，将实验室与互联网联系起来，虚实结合，是课堂教学资源的延伸。便于学生课前预习和课后复习，有利于提高和巩固学生认知与鉴别昆虫种类的能力和水平。

实验教学是理解昆虫学理论的重要课程，也是学生直观认识昆虫的重要手段。只有不断改革创新昆虫学的实验教学，才能使学生真正掌握相应的昆虫学知识，适应社会、学校和生产实践不断变化对该课程的要求。

参考文献：

[1] 新农科建设开启“北大仓行动”[J].中国农业教育，2019，20（5）：110.

[2] 新农科建设推出“北京指南”[J].中国农业教育，2019，20（5）：104-106.

[3] 余洋，方安菲，杨宇衡，等.新农科背景下普通植物病理学实验教学改革与探索[J].安徽农业科学，2020，48（24）：283-285.

[4] 王春山，赵春江，吴华瑞，等.采用双模态联合表征学习方法识别作物病害[J].农业工程学报，2021，37（11）：180-188.

[5] 刘浏.基于深度学习的农作物害虫检测方法研究与应用[D].合肥：中国科学技术大学，2020.

[6] 董伟，钱蓉，张洁，等.基于深度学习的蔬菜鳞翅目害虫自动识别与检测计数[J].中国农业科技导报，2019，21（12）：76-84.

[7] 苗海委，周慧玲.基于深度学习的粘虫板储粮害虫图像检测算法的研究[J].中国粮油学报，2019，34（12）：93-99.

[8] 吕宗旺，金会芳，甄彤，等.图像处理技术在粮食害虫识别中的应用进展[J].河南工业大学学报（自然科学版），2021，42（3）：128-137.

[9] 张继红.基于计算机视觉的蚜虫图像识别方法研究[D].杨凌：西北农林科技大学，2009.

[10] 李瑞.小目标害虫图像自动识别与计数研究[D].合肥：中国科学技术大学，2021.

[11] 肖德琴，叶耀文，冯健昭，等.适应场景光照变化的桔小实蝇诱捕监测系统优化设计与试验[J].农业工程学报，2016，32（11）：197-204.

[12] 王茂林，荣二花，张利军，等.基于图像处理的蓟马计数方法研究[J].山西农业科学，2020，48（5）：812-816.

[13] 杨娟，叶进，马仲辉，等.基于互联网加智慧农业的农科人才培养模式探究[J].实验室研究与探索，2021，10（3）：145-148.

[14] 叶进，邱文杰，杨娟，等.基于深度学习的荔枝虫害识别方法[J].实验室研究与探索，2021，40（6）：29-32.

[15] 邱文杰，叶进，胡亮青，等.面向植物病害识别的卷积神经网络精简结构Distilled-MobileNet模型[J].智慧农业（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] 赵立新，侯发东，吕正超，等.基于迁移学习的棉花叶部病虫害图像识别[J].农业工程学报，2020，36（7）：184-191.

基金项目：广西高等教育本科教学改革工程项目（2020JGA101、XNK2022001、2023JGB127）；广西2023年学位与研究生教育改革课题项目（JGY2023033）

第一作者简介：杨娟（1984-），女，博士，高级实验师。研究方向为农业昆虫与害虫防治。

*通信作者：李俊（1981-），男，农学硕士，高级实验师。研究方向为蚕桑生产技术及有害生物综合防治。