一种用于智能农业的安全高效害虫控制系统，采用混合深度学习技术

《Knowledge-Based Systems》：A Secure and Intelligent Pest Control Management System for Smart Agriculture Using Hybrid Deep Learning

精准农业依赖高效病虫害识别与安全农药管理，本文提出Qug-DViT模型结合量化门控机制与视觉Transformer提升识别精度至99.48%，并创新性引入EdDSA算法保障数据安全，显著降低能耗与计算复杂度，为智能农业提供可扩展的解决方案。

　　

莫妮卡·维尔玛|维韦克·帕尔加尼哈

印度恰蒂斯加尔邦杜尔格市比莱理工学院计算机科学与工程系，邮编491001

摘要

在精准农业和智能农业系统中，准确识别害虫对于合理使用农药和实现可持续管理至关重要。本文作者提出了一种基于量化门控机制的密集连接视觉变换器模型——Qug-DViT。该模型结合了基于注意力机制的视觉变换器和序列特征精炼技术，以实现高效可靠的害虫识别。该模型在Pestopia和IP102两个测试集上进行了测试，并采用了分层交叉验证和重复实验等严格条件来确保统计结果的准确性。与最新的卷积神经网络（CNN）和变换器模型相比，Qug-DViT在准确性、精确度、召回率和F1分数方面表现更为优越，同时计算复杂度更低。为保证信息完整性和决策的安全共享，本文在农药推荐流程中加入了Edwards-Curve数字签名算法（EdDSA），该算法适用于资源有限的农业物联网环境。实验结果表明，Qug-DViT的延迟更低、认证时间更短，能耗也更少。在Pestopia和IP102数据集上，该模型的准确率分别达到了99.48%和98.84%。总体而言，所提出的框架为实时害虫分类和可信的农药管理提供了可扩展、安全且性能优越的解决方案，有助于推动可持续和智能的农业实践。

引言

农业是人类生活的支柱，它满足了食物、纤维、燃料和原材料等基本生存需求，同时也支撑着农村生计和国家安全[1]。农业生态系统还提供了重要的生态系统服务，但农业活动的集约化并不一定能带来作物产量或质量的提升，甚至可能加剧环境退化[2]。全球农业和园艺活动中约10%的生产损失是由害虫、储存不当、鼠害以及水分损害造成的[3][4]。这些损失直接影响发展中国家的农业经济和粮食安全。近年来，智能农业受到了广泛关注，被视为实现农业可持续发展的有效途径。传感器、无人机、人工智能和基于数据的决策支持系统的结合在提高作物产量、资源利用和环境保护方面展现出巨大潜力[5]。然而，害虫侵害是一个长期存在且代价高昂的问题。除了减产外，不良的害虫管理还会导致生产成本增加和收入波动，这对小型和边缘农民的影响尤为严重，从而加剧农业社会中的社会经济差距[6,7]。

因此，害虫检测与管理不应仅仅被视为一个技术性问题，而是一个涉及农民生活、粮食安全和资源可持续管理的关键社会经济问题。传统的害虫监测方法（如轮作、生物控制和化学处理）大多依赖人工操作，需要专家参与，耗时且劳动强度高，不适合大规模或实时应用[8][9]。为克服这些缺点，综合害虫管理（IPM）被推崇为一种可持续的替代方案，强调合理使用农药、采用文化措施和生物控制手段来平衡产量与环境保护[10,11]。然而，为了提高IPM策略的效果，害虫识别必须快速且准确。尽管农药的应用仍是害虫控制的重要手段，但过量或不当使用会对人类健康、土壤和水资源以及生物多样性造成严重危害。可生物降解且毒性较低的植物源农药被认为是环保的替代品，但其效果仍依赖于害虫的准确识别和精准施用[12]。

不准确的害虫识别可能导致农药的滥用，这与可持续发展和循环经济原则相悖，循环经济倡导资源的有效利用和减少废物排放。从更广泛的农业食品系统角度来看，最新的研究表明，农业技术创新对市场稳定性、价格预测和经济稳定性具有显著影响[13][14][15][16][17][18]。基于机器学习（ML）的农业智能技术通过消除食品生产和供应链中的不确定性，改善了决策制定、资源分配和可持续经济增长[19]。这些结果表明，智能农业系统不仅提升了工作效率，还促进了宏观经济稳定、社会福祉和资源的公平分配。尽管传统的人工神经网络（ANN）、支持向量机（SVM）、决策树（DT）和提升方法等ML工具已被用于解决农业问题，但它们通常依赖于手工设计的特征和参数优化，这限制了其在实际农业环境中的泛化能力和性能[19]。利用深度学习（DL）模型（尤其是卷积神经网络CNN）自动提取区分性特征，可以高效识别植物、检测害虫和诊断疾病。基于神经网络的方法（如长短期记忆模型LSTM）已成功应用于捕捉高度动态的系统中的复杂时间和结构模式，包括农产品价格、能源市场和金融指数等[20][21][22][23][24][25][26][27]。

由于害虫分类的结果直接影响农药的选择和用量，缺乏安全的数据处理系统可能导致未经授权的数据访问、有害化学物质的使用以及负面的社会环境影响。基于这些问题，本研究将害虫控制管理置于更广泛的可持续性和社会经济背景下，并结合了智能害虫分类和安全农药数据管理。

害虫控制管理不仅是一个技术挑战，更是直接影响农民生计、粮食安全和环境保护的关键社会经济问题。不受控制的农药使用和不准确的害虫检测会导致小型和边缘农民的产量损失和收入不稳定。最近关于农业和食品系统的研究表明，智能、数据驱动的技术在促进资源可持续利用方面发挥着重要作用。此外，数据驱动技术还有助于提升农业食品价值链中的资源利用、市场稳定性和经济韧性。然而，现有的害虫管理方案主要集中在提高检测准确性上，而忽视了农药数据的安全管理。这些因素对于负责任的资源分配和数字农业系统的信任至关重要。本研究旨在将害虫管理与可持续农业、循环经济实践和公平的资源治理目标相结合，提出了一个集成的框架，将先进的深度学习害虫分类技术与加密安全措施相结合。该方案旨在减少农药滥用，提高透明度，支持环保的农业实践，并为长期的食物系统可持续性做出贡献。研究的主要贡献如下：

•

本研究将害虫控制管理视为一个社会经济和可持续性挑战，而非纯粹的技术任务，明确将其与农民生计、粮食安全、公共卫生和负责任的资源治理联系起来。

•

引入了基于Up-WMF和CLAHE的增强预处理流程，有效抑制噪声并提升复杂场景下的对比度。

•

通过GLCM提取图像中的关键特征，有助于提高昆虫图像的分类和分析效率。

•

采用ShS-VAE降低特征维度的同时保留区分信息，从而在大型害虫图像数据集上实现高效学习。

•

提出了一种名为Qug-DViT的分类方法，结合了ViT和基于GRU的门控及量化机制，实现了高分类精度和较低的计算及能源消耗。

•

利用Edwards-Curve数字签名算法实现隐私保护，防止数据篡改。

本文的结构如下：第2节概述了现有的害虫控制管理相关研究；第3节介绍了所提出的害虫控制管理方法；第4节展示了实验结果并讨论了害虫控制管理的有效性；第5节总结了整个研究方法。

相关研究

相关研究

本节回顾了部分与害虫控制管理相关的研究成果。

提出的方法

害虫预测是农业面临的主要挑战之一，会降低作物质量和产量，因此害虫监测和评估至关重要。现有方法显著增加了数据处理的工作量。研究工作的整体流程如图1所示。

本研究采用系统化的方法，首先从Pestopia数据集收集害虫图像，然后通过Up-WMF和CLAHE进行预处理

结果与讨论

本节利用Pestopia数据集，通过智能农业害虫控制管理和隐私保护措施，探讨了如何提高人类生活质量并确保农药使用的安全性。将提出的方法与现有方法（如GoogleNet、AlexNet、Inception V3、ViT和ResNet50）进行了对比分析。实验结果显示，所提出的方法在准确性方面更具优势。

结论

本研究提出了一种有效的害虫分类系统（Qug-DViT架构），有效解决了智能农业系统中的准确性、鲁棒性和可靠性问题。该模型在Pestopia和IP102数据集上的表现优于传统的CNN和变换器模型，并通过多次交叉验证验证了结果的稳定性。

资金信息

本手稿的撰写未获得任何资金支持。

作者贡献声明

莫妮卡·维尔玛：负责数据可视化、监督、资源协调、调查和概念设计。维韦克·帕尔加尼哈：负责数据验证、监督、项目管理、调查和数据整理。

利益冲突声明

本研究不存在利益冲突。