， ， ， ， ， *（ ， 2 3 003 1 ） ， 、 、 ， 。 ， ， ， ， 。 ， 、 ； 、 ， 。 ， 、 ， ， 。 ； ； ； ； S4 3 1 . 9 A 05 1 7 6 6 1 1 （2 01 8）3 4 001 1 02 Research Progress and Prospect of Crop Pest Image Recognition ZHANG Meng，QIAN Rong，ZHU Jing bo et al （Institute of Agricultural Economics and Information，Anhui Academy of Agricultural Sci ences，Hefei ，Anhui 2 3 003 1 ） Abstract Precise identification of crop pest is an important prerequisite to control the spread of pests. Image recognition method has become a research hotspot and the main technical means of pest control in recent years with its advantages of high efficiency，low cost and easy operation. Considering the great potential of pest image recognition in pest diagnosis，the development of pest image recognition methods was reviewed ，re search progress from recognition in the indoor environment to the naturalenvironment wasdescribed，andadvantagesandlimitationsoftraditional methods and deep learning were analyzed. Thenthe targetedmeasuresfor future development were put forward. The traditional identificationmeth od waseasy to implement，andit wassuitable for the identificationof small samplesandsmall scope. The deeplearning methodhadhighaccuracy and strong adaptability，and itcanachievebetterrecognitioneffectunderthepremiseoflargeamountofdata. Finally，thedevelopmentprospectsof image recognition of crop pest were prospected. It was pointed out that combining pest image recognition with technologies such as Internet of things and sensors，and jointly constructing agricultural big data，becoming an important part of intelligent agriculture. Key words Pest image；Pest diagnosis；Image recognition；Deep learning；Intelligent agriculture （1 8C1 4 2 4 ）； （1 7 F1 4 1 4 ，1 7 B1 4 2 2 ）。 （1 991 ）， ， ， ， ， 。 * ， ， ， 。 2 01 8 09 1 9 ， 、 。 、 、 ， 、 、 ， 。 ， ， ， 、 ， 、 、 、 。 ， 。 ， 、 、 ， 、 、 、 ， 。 ， ， ， 。 1 1. 1 ， 1 。 2 0 80 ，Daly 2 、Zhou 3 、 ， 。 4 ， 。 5 1 7 ， （ant colony optimization，ACO） ， （sup port vector machine，SVM） 9 ， 95 。 Larios 6 ， 3 ， SIFT（scale invariant feature transform） ， 4 82 。 Wang 7 8 （content based image retrieval，CBIR） 9 1 7 ， 。 9 ， （weber local descriptor，WLD） （histogram of color，HoC） ， 1 0 5 7 6 ， 1 00 。 ， ， 。 ， ， 。 1. 2 ， ， 、 。 Wen 1 0 SIFT ， ， 8 ， 86 . 6 。 1 1 ， 2 4 1 00。 Yao 1 2 、 、 1 5 6 ，J. Anhui Agric. Sci. 2 01 8，4 6 （3 4 ）：1 1 1 2 ，1 5 SVM ， 7 ， 4 97 . 5 。 Han 1 3 （digital signal processing，DSP） 3 G ， 6 82 。 1 4 ， 、 4 。 Zhang 1 5 、 ， Fisher ， ， 、 、 3 4 ， 。 1 6 ， ， ， 9. 5 。 1 7 ， ， ， 、 5 92 。 ， ， ， 、 ， 。 2 ， ， ， ， 。 ， （convolutional neural network，CNN） 、 、 。 ，CNN ， ， ， 1 8 。 1 9 GoogLeNet AlexNet ， 95 。 Liu 2 0 ， 95 . 1 。 2 1 ， 、 2 3 ， 91 . 5 。 Glickd 2 2 （hierarchical deepCNNs，HD CNNs） 2 1 ， 2 7 7 ，top 1 0 1 4 . 01 。 、 、 、 ，CNN ， 。 ， ， ； ， ， 。 3 3. 1 ， ， ， 。 ， ， ， ， 。 3. 2 ， ， 。 、 ， ， ， ， 。 ， ， ， ， 。 ， 。 3. 3 ， 、 ， 。 ， ， ， 。 ， ， 。 ， ， ， ， 。 4 ， 、 ， 。 ， ， ， 。 ， 、 ， ， “ ” ， 。 1 ， ， ， . J. ，2 01 0，5 3 （1 ）：98 1 09. 2 DALYHV，HOELMERK，NORMANP，etal. Computer assistedmeasure mentandidentificationofhoney bees （Hymenoptera：Apidae）J. Annals oftheentomologicalsocietyofAmerica，1 982 ，7 5 （6 ）：5 91 5 94 . 3 ZHOUYH，LINGLB，ROHLFFJ. Automatic descriptionof thevenation ofmosquitowings from digitized imagesJ. Systematic zoology，1 985 ，3 4 （3 ）：3 4 6 3 5 8. 4 ， ， . . . J. ，2 003 ，4 6 （3 ）：3 3 9 3 4 4 . 5 ， ， . J. ， 2 009，2 5 （2 ）：1 2 6 1 3 0. （ 1 5 ） 2 1 2 01 8 （ 、HcNPV ）， 。 ， 。 1 . J. ，1 990，1 6 （2 ）：1 04 1 06 . 2 . ：2 01 8 （2 01 8 3 ） A. 2 01 8 02 09. 3 . J. ，1 995 （2 ）：4 5 . 4 ， ， ， . HcNPV Bt J. ，2 01 4 ，4 1 （3 ）：5 9. 5 . J. ，2 01 4 （4 ）：3 4 3 5 ，4 3 . 6 . J. ，2 01 3 （3 ）：2 9 3 1 . 7 . J. ，2 01 2 ，2 （3 ）：5 8. 8 ， ， ， . J. ，2 01 6 （4 ）：5 7 5 8. 9 ，