在发展智慧农业方面，无数科研机构都在身体力行，组织开展了跨学科、跨专业的研究。本文汇总整理了六项关于作物病虫害监测的科研论文，与大家分享下最新的智慧农业科研进展。
一、无人机遥感监测作物病虫害胁迫方法与最新研究进展
科研机构：浙江大学华南工业技术研究院、浙江大学生物系统工程与食品科学学院、农业农村部光谱检测重点实验室
根据无人机农业遥感因其图像空间分辨率高、数据获取时效性强和成本低等特点，浙江大学团队探讨无人机遥感监测作物病虫害胁迫的数据获取方式和数据处理方法。从可见光成像遥感、多光谱成像遥感、高光谱成像遥感、热红外成像遥感、激光雷达成像遥感和多遥感融合与对比六个方面，综述了近期国内外无人机遥感监测作物病虫害胁迫的研究进展。为把握无人机遥感监测作物病虫害胁迫研究热点、应用瓶颈、发展趋势提供借鉴和参考，以期助力中国无人机遥感监测作物病虫害胁迫更加标准化、信息化、精准化和智能化。
二、深度学习在植物叶部病害检测与识别的研究进展
科研机构：中国农业科学院农业信息研究所/农业农村部农业大数据重点实验室、甘肃农业大学机电工程学院
研究深度学习在植物叶部病害检测与识别，力图提升病害检测与识别的准确率。研究收集介绍了部分公开的植物病害图像数据集，综述了近年来深度学习在植物病害检测和识别中的研究应用进展，阐述了从早期检测和识别算法到基于深度学习的检测和识别算法的研究进展，以及各算法的优点和存在的问题。
调研了相关研究文献，提出了光照、遮挡、复杂背景、病害症状之间相似性、病害在不同时期症状会有不同的变化以及多种病害交叠共存是目前植物病害检测和识别面临的主要挑战。并进一步指出，将性能更好的神经网络、大规模数据集和农业理论基础相结合，是未来主要的发展趋势，同时还指出了多模态数据可以用于植物早期病害的识别，也是未来发展方向之一。为植物病害识别的深入研究与发展提供参考。
三、联合多源多时相卫星影像和支持向量机的小麦白粉病监测方法
科研机构：安徽大学农业生态大数据分析与应用技术国家地方联合工程研究中心、安徽省农业科学院作物研究所
针对小麦白粉病的监测，安徽大学团队利用卫星遥感技术进行大范围监测和评估，利用多源多时相卫星遥感影像监测小麦白粉病并提升分类精度。结果显示，本研究构建的SMLST-SVM取得了最高分类精度，总体精度和Kappa系数分别为81.2%和0.67，而SLST-SVM则为76.8%和0.59。表明多源多时相的LST联合SVM能够提升小麦白粉病的识别精度。
四、基于改进轻量级卷积神经网络MobileNetV3的番茄叶片病害识别
科研机构：吉林农业大学信息技术学院
为实现番茄病害的实时无损伤检测，吉林农业大学研究提出了一种基于改进MobileNetV3的番茄叶片病害分类识别方法。结果显示，平均测试的识别准确率98.25%，模型的数据规模43.57 MB，单张番茄病害图像的检测耗时仅0.27 s。经十折交叉验证(10-Fold Cross-Validation)，模型的鲁棒性良好，为番茄叶片病害的实时检测提供理论基础和技术支持。
五、面向植物病害识别的卷积神经网络精简结构Distilled-MobileNet模型
科研机构：广西大学计算机与电子信息学院、广西大学农学院、广西壮族自治区农业科学院植物保护研究所
为将卷积神经网络应用在各种小型设备上，广西大学团队研究了一种基于知识蒸馏的结构化模型压缩方法。利用VGG16训练教师模型，应用在14种作物的38种常见病害分类中。结果表明，模型的平均准确率达到了97.62%，平均识别时间缩短至0.218 s，仅占VGG16模型的13.20%，模型大小压缩仅为19.83 MB，相比于VGG16缩小了93.60%，使其具备了较高的准确性和实时性要求。本方法模型在压缩内存体积和缩短识别时间上较传统神经网络有了明显提高，为内存和计算资源受限设备上的病害识别提供了新的思路。
六、太阳能杀虫灯物联网节点的防盗防破坏设计及展望
科研机构：国家信息农业工程技术中心、南京农业大学人工智能学院、英国林肯大学、南京农业大学工学院
针对规模化应用部署太阳能杀虫灯，解决太阳能杀虫灯物联网节点被盗被破坏问题，团队研究以太阳能杀虫灯物联网为应用场景，对太阳能杀虫灯硬件进行改造设计以获取更多的传感信息。从内部硬件、软件算法和外形结构设计三个层面，探讨了设备防盗防破坏的优化设计、设备防盗防破坏判断规则的建立、设备被盗被破坏的快速准确判断、设备被盗被破坏的应急措施、设备被盗被破坏的预测与防控，以及优化计算以降低网络数据传输负荷六个关键研究问题，并对设备防盗防破坏技术在太阳能杀虫灯物联网场景中的应用进行了展望。
同时，提出了太阳能杀虫灯辅助设备——无人机杀虫灯，用以被盗被破坏出现后的部署、追踪和巡检等应急应用。
