“AI助力农业：Pest-ID工具精准识别作物害虫与杂草”

快速阅读: 爱荷华州立大学团队利用机器学习开发“害虫识别”（Pest-ID）工具，帮助农民识别和管理昆虫与杂草，准确率超96%，计划扩展至植物疾病识别，助力全球粮食安全。

艾姆斯，爱荷华州 — 2016年的一项研究论文探讨了利用机器学习这一人工智能分支的新工具，帮助植物科学家研究植物压力的愿景。论文四位合著者均为爱荷华州立大学的教职员工，他们致力于将早期关于农业领域人工智能的设想变为现实。

当时成像技术的进步“产生了大量高分辨率的植物图像和传感器数据”，论文作者写道。“从这些庞大的数据集中提取模式和特征需要使用机器学习工具。”论文在《植物科学趋势》杂志上进一步阐述了他们如何利用不同的机器学习工具来研究植物的识别、分类、量化和预测。

这四位爱荷华州的研究人员显然看到了机器学习方法的优势：“使用（机器学习）方法的主要优势之一……是在分析多个因素的同时，搜索大型数据库以发现模式，从而指导发现，而不是单独分析每个特征（性状）。”他们写道，“（机器学习）工具在农业领域的前景非常光明。”

九年后，人工智能在农业领域不再仅仅是科学家的工具。由四位研究人员及众多合作者开发的“害虫识别”（Pest-ID）工具正在帮助农民和种植者上传照片以识别并获得管理昆虫和杂草的建议。该工具在2025年爱荷华州博览会上的爱荷华州立大学展台展出，主题为“有虫？”好奇的参观者询问是否真的可以“即时识别有益、有害或令人困惑的昆虫”。

答案是肯定的，“该工具的准确率超过96%，能够实时分类并提供洞察，确定作物上的昆虫是害虫、传粉者还是保护者。”展览板上如此介绍。

实地考察玉米田

在开发了独立的InsectNet和WeedNet应用程序后，爱荷华州立大学的人工智能农业团队将其整合为一个名为“Pest-ID”的网络工具。网站上写着：“你想识别什么？”用户可以选择点击昆虫或杂草按钮，然后被要求上传一张害虫的照片。

例如，上传一张手机拍摄的玉米田间生长的杂草照片，几秒钟后，你会看到以下内容：

**分类**

– 学名：Amaranthus tuberculatus

**影响**

– Amaranthus tuberculatus，通常称为水蓼，是一种极具竞争力的杂草，会显著降低作物产量。它与作物激烈竞争水分、养分和光照，可能导致各种作物，特别是玉米和大豆田中的重大经济损失。

**其他信息**

– Amaranthus tuberculatus，也被称为高水蓼，每株可产生高达100万颗种子。这种巨大的种子生产能力促成了其在农田中的快速传播和持续存在，使其成为难以控制的杂草。

想了解更多？你可以在“询问我们的AI”框中输入问题：

– “如何控制Amaranthus tuberculatus？”

– “通过综合杂草管理策略控制Amaranthus tuberculatus（水蓼），包括轮作、播前除草剂、多作用机理的播后除草剂和机械耕作。在植株结籽前控制其生长，防止种子生产和扩散。”

研究团队表示，他们使用专家编写的公告和论文构建了这个AI工具，确保了回答的科学严谨性。

一站式农业AI平台

爱荷华州立大学农学副教授Arti Singh表示，“害虫识别”（Pest-ID）的下一步发展是扩展工具的功能，实现植物疾病的识别和管理建议的提供。“我们希望建立一个集昆虫、杂草和疾病于一体的平台。”她说。

这不仅对农民和与他们合作的推广专家至关重要。在全球人口增长、极端天气频发以及作物害虫导致高达30%的食物损失的情况下，粮食安全已成为国家安全的一部分。那么，农民和国家如何抵御入侵害虫呢？

“我们认为人工智能可以来帮忙。”Ganapathysubramanian说，他是爱荷华州立大学的机械工程师，也是该校Joseph和Elizabeth Anderlik工程学教授。因此，研究团队开始相互提问：人工智能真的能帮忙吗？它如何帮忙？需要什么样的数据？

团队首先从图像入手。首先是昆虫图像，然后是杂草图像，现在则是疾病图像。例如，InsectNet工具背后有一个包含1200万张昆虫图像的数据集，其中包括许多由公民科学家收集的图像，根据一篇科学论文所述。

今年早些时候发布的消息中提到，Arti Singh提到了一个包含1.5亿张昆虫、杂草和病害图像的数据集。这些图像涵盖了爱荷华州及全球各地的作物问题。研究人员确保这些工具可以针对不同州或不同国家的田地和农场进行微调。

这些“从全球到本地”的数据集不断更新。

“我们知道新的昆虫、疾病和杂草会不断出现，”Arti Singh说，“需要一个强大的、情境感知的决策支持系统，能够实现早期检测和准确识别，并提供经过专家验证的、区域特定的综合虫害管理建议。”

研究人员正在与爱荷华州立大学扩展与外展专家合作，将这些及其他基于人工智能的工具分享给潜在用户群体，包括4-H俱乐部、FFA分会和农民。

构建自己的“超大规模模型”

这种微调之所以可能，是因为爱荷华州立大学的人工智能团队具备了实现这一目标的专业知识。

Sarkar教授是机械工程学教授兼爱荷华州立大学转化人工智能中心的主任，他表示，爱荷华州立大学的团队为农业项目构建了所谓的“基础模型”。

“这些是超级大规模的模型，可以根据不同的任务进行微调，”他说。

通常这类模型是由大型AI公司而非大学研究人员构建的，Sarkar说。

那么我们都知道的那些AI模型呢？比如现在辅助搜索引擎的那些模型？它们能识别出农业害虫的图片吗？

“大多数模型可以识别像帝王蝶这样的魅力物种，”Sarkar说，“但对于特定的入侵物种，我们的模型比通用工具表现得更好。”

如今，政府机构也认识到这些模型在农业以外领域的潜在价值。

“我们构建这些工具是为了帮助农民和延伸专家解决农业问题，”Sarkar说，“但现在我们收到了美国国防和国家安全方面的兴趣，用于入侵物种管理和生物安全。我们看到这些领域对我们的技术越来越感兴趣。”

迈向网络农业系统

2024年2月发表在《植物科学趋势》杂志上的一篇论文，距离他们在同一期刊上首次回顾农业中的人工智能已有八年时间，展示了爱荷华州立大学团队及其合作者在这段时间里取得了多大的进展。

从科学家利用图像和机器学习研究植物压力模式开始，团队已经发展到描述整个网络农业系统的模型，包括作物的数字孪生，以指导决策并促进作物育种和可持续生产。

“在网络物理系统中，”研究人员写道，“物理空间是信息的来源，而网络空间则利用生成的信息做出决策，再将这些决策实施回物理空间。”

他们写道：“将网络物理建模引入农业具有巨大的潜力，可以提高生产力、盈利能力和韧性，同时降低环境足迹。”

该论文的共同作者代表的研究领域包括机械工程、计算机科学、电气工程、农学以及农业与生物工程。

“我们的工作涉及校园内大部分学院，”爱荷华州立大学农学G.F. Sprague主席兼农业与生命科学学院副院长Asheesh Singh说，“我们不断播种合作伙伴关系和协作。”

这些合作远不止于校园内部。它们还包括其他大学、企业、行业、政府机构、农民，甚至收集害虫图像的公民科学家。他说，所有这些团体都在创建数据并发起“数据合作社”以共享信息。

“我们为此项工作奠定了基础，这需要一个村庄来建设，”Ganapathysubramanian说，“我们非常热情于所需的所有技能组合。这项工作已经自成一体，现在已成为全校的努力。”

– 30 –

阅读相关论文

《植物高通量压力表型的机器学习》，《植物科学趋势》，2016年2月

《网络农业系统用于作物育种和可持续生产》，《植物科学趋势》，2024年2月

《InsectNet：使用端到端机器学习管道实现实时昆虫识别》，《PNAS Nexus》，2025年1月

(以上内容均由Ai生成)