基于卷積神經網絡的入侵昆蟲識別研究

摘要：現有昆蟲相關識別算法識別種類較少，缺少針對數量龐大種類眾多的入侵昆蟲分類識別算法，難以為入侵昆蟲綜合系統的識別功能提供穩定高效的技術支持。該研究對31類入侵昆蟲圖像進行數據采集，并對圖像數據進行處理與數據集劃分，基于四種卷積神經網絡模型DenseNet121、MobileNetV3、ResNet101和ShuffleNet對其進行訓練測試分析討論。結果表明，在入侵昆蟲綜合識別系統識別功能后臺算法應用上，MobileNetV3表現出更好的綜合性能。根據MobileNetV3模型現有缺陷和模型特性，對MobileNetV3模型指定瓶頸層的注意力機制和激活函數進行改進，改進后模型的準確率為92.8%，單張測試集圖像的平均識別時間0.012 s，相較于原MobileNetV3模型分別提高0.5%、縮短15.2%，可以很好滿足多昆蟲識別分類需求。

關鍵詞：入侵昆蟲；卷積神經網絡；模型改進；圖像識別

中圖分類號：S43； TP391.41

文獻標識碼：A

文章編號：20955553 （2024） 070222 07

Research on invading insect recognition based on convolutional neural network

Huang Yiqi1， Lu Linfei1， Shen Hao1， 2， Wang Fukuan1， 2， Qiao Xi1， 2

（1. College of Mechanical Engineering， Guangxi University， Nanning， 530004， China；

2. Agricultural Genomics Institute at Shenzhen， Chinese Academy of Agricultural Sciences， Shenzhen， 518120， China）

Abstract：

The existing insect related recognition algorithms have few kinds of recognition， lack of classification and recognition algorithms for a large number of invasive insects， and are difficult to provide stable and efficient technical support for the recognition function of the integrated invasive insect system. In this study， 31 kinds of invasive insect images are collected， processed and divided into data sets. Based on four convolutional neural network models， DenseNet121， MobileNetV3， ResNet101 and Shuffle Net， training， testing， analysis and discussion are carried out. The results show that MobileNetV3 has better comprehensive performance in the background algorithm application of the identification function of the invasive insect integrated recognition system. According to the existing defects and model characteristics of the MobileNetV3 model， the attention mechanism and activation function of the designated bottleneck layer of the MobileNetV3 model are improved. The accuracy of the improved model is 92.8%， and the average recognition time of a single test set image is 0.012 s， which is 0.5% higher and 15.2% shorter than the original MobileNetV3 model， which can well meet the requirements of multi insect recognition and classification.

Keywords：

invasive insects; convolutional neural network; model improvement; image recognition

0 引言

近年來，生物多樣性在世界范圍內發生嚴重衰退，其中外來入侵物種（IAS）已成為全球生物多樣性面臨的主要威脅之一［1， 2］。人類的頻繁活動加重了外來物種的入侵，給社會帶來了巨大的經濟損失［3］，因此針對入侵物種研究一直是生物農業研究領域一個研究熱點。據調查，近20年來約60種入侵生物傳入我國，平均每年約有5～6種新發疫情主要是由入侵的昆蟲引起的，加強對外來入侵昆蟲的預警、監測和防控，已成為我國的一項重大國家需求［4］。針對入侵昆蟲進行管理防治迫在眉睫。如何快速準確地識別出入侵昆蟲的種類，對于入侵昆蟲的精準防治具有重要的意義。

隨著深度學習在圖像識別上的普遍應用，通過卷積神經網絡進行昆蟲識別已經成為重要的研究領域。

Zhao等［5］針對東亞飛蝗的目標檢測提出了基于MOG2-YOLOv4網絡的視頻目標檢測，解決了蝗蟲運動過程中由于姿態不同和部分遮擋導致視頻失幀識別失敗的問題。Wang等［6］利用改進AlexNet模型對農作物病蟲害進行識別，識別準確率和識別時間上優于其他模型。Ayan等［7］在ImageNet數據集上針對七種不同的預訓練CNN模型，使用適當的遷移學習進行修改和重新訓練，選擇表現最好的三種模型（Inception-V3、Xception、MobileNet），通過策略集成開發新型網絡模型GAEnsemble并提高網絡模型的分類性能。Alves等［8］針對田間棉花害蟲分類識別提出對ResNet34*模型進行微調，在F1-score為0.98的情況下提高識別準確率。Theivaprakasham［9］構建印度315類蝴蝶的數據集對11個預訓練模型進行比較分析，通過數據增強技術，輕量級網絡SqueezeNet-1.1實現89.46%的識別準確率。Abdelghani等［10］基于改進VGG16模型對墨西哥和巴西克氏錐蟲進行分類，相較于原模型均達到較高準確率。Lim等［11］通過InceptionV3模型對30類森林昆蟲進行遷移學習，達到94%的識別準確率。Pataki等［12］基于卷積神經網絡模型ResNet50對收集的虎蚊圖像數據進行訓練分類能夠達到96%的識別準確率。這些研究表明，卷積神經網絡模型已用于昆蟲識別分類研究，并且取得了較好的效果。但針對多分類物種識別的模型則較少，尤其是針對多種入侵昆蟲引起的生態危害控制與應用開發結合的智能化管理系統尚無發現。

現有昆蟲相關識別算法識別種類較少，缺少針對數量龐大、種類眾多的入侵昆蟲分類識別算法。本研究針對昆蟲綜合識別系統如何快速準確的識別入侵昆蟲種類，采用基于卷積神經網絡的DensetNet121、MobileNetV3、ResNet101和Shuffle Net模型，對草地貪夜蛾、南瓜實蠅、番石榴果實蠅等31類入侵昆蟲進行識別研究，并根據MobileNetV3神經網絡模型的特性對其進行改進，提高模型的整體識別能力，為后續外來入侵昆蟲識別綜合系統構建提供更為穩定高效的技術支持。

1 材料與試驗

1.1 數據采集與處理

本文研究的31類外來入侵昆蟲圖像數據樣本來源于中國農業科學院深圳基因組研究所保存的外來入侵昆蟲標本圖像、互聯網昆蟲圖片集以及野外的蟲情監測裝置收集圖片庫。外來入侵昆蟲種類有南瓜實蠅、四紋豆象、大豆莢癭蚊、德國小蠊（蟑螂）、扶桑綿粉蚧、新菠蘿灰粉蚧、松突圓蚧、棗大球蚧、番石榴果實蠅、福壽螺、稻水象甲、紅棕象甲、紅火蟻、紅脂大小蠹、苜蓿葉象甲、蘋果棉蚜、柑橘大實蠅、桔小實蠅、椰心葉甲、水椰八角鐵甲、海棗異胸潛甲、煙粉虱、瓜實蠅、棗實蠅、葡萄根瘤蚜、蔗扁蛾、蜜柑大實蠅、馬鈴薯塊莖蛾、馬鈴薯甲蟲、馬鈴薯金線蟲、葡萄根瘤蚜。

1.2 模型性能評價指標

多分類模型的整體平均指標包括宏平均和微平均，宏平均是對物種每個類別的平均數進行加權計算，各類別權重相等，得到的就是各類別參數的算術平均值。微平均是對各物種的每個樣本賦予相同權重，計算多分類指標時將所有樣本歸到一起計算，為保證評估參數的可靠性，模型將平均精度、平均召回率和平均F1-score（以下簡稱F1）設置為宏平均，整體準確率設置為微平均。計算如式（1）～式（3）所示。

AVG（precision）=∑31i=1precisioni×amounti

∑31i=1amounti

（1）

AVG（recall）=∑31i=1recalli×amounti

∑31i=1amounti

（2）

AVG（F1）=∑31i=1F1i×amounti∑31i=1amounti

（3）

式中：

precisioni——第i個物種的識別精度；

recalli——第i個物種的召回率；

F1i——第i個物種的F1值；

amounti——第i個物種的樣本量。

1.3 試驗環境與參數

本試驗的硬件環境為運行環境為搭載AMD 5800X處理器，64GB運行內存，NVIDIA TITAN Xp顯卡的服務器。系統環境為Windows64位系統，通過Pytorch深度學習框架進行模型搭建以及訓練試驗。訓練時輸入圖像大小為224像素×224像素，batch_size=32，迭代周期為100次，學習率設置算法為步數衰減算法，學習率初始值設為0.005，每迭代5次，學習率降低為原來的0.8。訓練參數設置完成后將對DensetNet121、MobileNetV3、ResNet101和ShuffleNet進行訓練試驗。

2 試驗結果分析

2.1 訓練試驗結果分析

訓練試驗得到的訓練損失率和驗證識別準確率的參數變化如圖1和圖2所示。

觀察圖1發現，經過100個訓練周期后，四種模型都取得了良好的收斂效果，且模型損失率降至2%以下。其中ResNet101網絡模型收斂速度相較于其他三種網絡模型較慢，且收斂損失率高于其他三類模型；DensetNet121、MobileNetV3和ShuffleNet收斂損失與收斂速度相近，其中DenseNet121收斂速度較快；MobileNetV3損失率收斂略好，維持在1%附近。

由圖2可知，經過100個訓練周期后，四種網絡模型的識別準確率收斂狀態良好，識別準確率均為90%左右。其中DenseNet121最高，準確率為92%左右；MobileNetV3學習收斂速度最快，準確率為91%左右；ResNet101收斂最慢，且準確率最低為88%。

綜上，MobileNetV3和DenseNet121準確率均達到90%以上，損失收斂最快且損失率均保持在1%附近，在針對31種外來入侵昆蟲的識別能力上均優于ResNet101和ShuffleNet。

2.2 測試試驗與結果分析

性能測試是在訓練完成的基礎上基于測試集數據對四種網絡模型DensetNet121、MobileNetV3、ResNet101和ShuffleNet進行測試試驗，試驗結果如表1所示，各模型的平均精度、平均召回率、平均F1和平均準確率分類指標均表現良好，這表明四種分類模型針對31類入侵昆蟲的識別分類綜合能力都非常好。

除識別時間與模型大小，DenseNet121在其他指標上都表現出了明顯優勢，但其識別時間在四種網絡模型中最長且模型大小相較與其他網絡模型無顯著優勢；MobileNetV3在識別精度、召回率、F1和準確率方面明顯優于其他兩種模型，且上述指標參數僅比DenseNet121模型低1%左右，該模型的識別時間與模型大小明顯優于DenseNet121模型；ShuffleNet、ResNet101模型除識別時間為外，其他指標參數均劣于DenseNet121與MobileNetV3。測試結果與模型訓練試驗結果相近，DenseNet121與MobileNet在識別入侵昆蟲方面具有巨大潛力。但網絡模型大小與識別時間對構建識別系統影響較大，模型大小直接影響服務器的內存資源使用與交互靈敏度，昆蟲的識別速度直接影響用戶的使用體驗。綜上，MobileNetV3識別能力與實際應用優于DenseNet121。

2.3 模型對單個物種綜合識別效果分析

由于討論物種識別種類較多，單個物種的微平均識別準確率無法客觀評價模型對單個物種識別的真實情況，模型評價指標中F1可作為評價單一物種綜合識別效果參數。四種模型對31類昆蟲的F1分類結果如圖3所示。

DenseNet121、MobileNetV3模型在F1值小于95%區間內識別物種數量最多且兩者相近，分別為19種、20種；F1在 85%～95%時，DenseNet121識別物種數量僅次于ShuffleNet，且MobileNetV3對應物種數量最少僅5種；在F1值lt;85%區間內，MobileNetV3對應物種數量多于DenseNet121，說明MobileNetV3在F1結果評價上更為分散。綜上可知，MobileNetV3網絡模型的F1方差大于DenseNet121，說明 DenseNet121的識別穩定性強于MobileNetV3。F1=100%時，DenseNet121識別出了最多的物種數量11種，此外MobileNetV3在F1值小于85%區間內識別的昆蟲在DenseNet121的平均F1表現優于MobileNetV3，并且MobileNetV3在該區間內識別的物種數量多于DenseNet121，說明DenseNet121在識別效果和特異性上好于MobileNetV3網絡，針對種類較多的入侵昆蟲多分類識別整體準確性更好。

F1值為100%時，DenseNet121與MobileNetV3模型識別昆蟲重合種類較多，包括桔小實蠅、椰心葉甲、水椰八角鐵甲、海棗異胸潛甲、煙粉虱、福壽螺、稻水象甲、蔗扁蛾8類昆蟲。這幾類識別效果好的昆蟲相較于其他昆蟲外形特征明顯，對于網絡模型訓練具有極大優勢。

通過圖4對比31類物種在四種網絡模型的F1值，發現DenseNet121相較其他網絡模型更均衡。南瓜實蠅與瓜實蠅同屬于果實蠅屬，肉眼觀察兩者體形極為相近，但DenseNet121仍能分別達到87.03%和97.33%的F1值，遠高于MobileNetV3的F1值64.37%和82.26%、ResNet101的F1值71.58%和83.64%以及ShuffleNet的F1值69.31%和80.36%，說明DenseNet121與其他模型相比在識別入侵昆蟲時針對不具有明顯特征昆蟲的識別能力相對較好。

四種模型識別效果較差的昆蟲是番石榴果實蠅和蜜柑大實蠅，圖5所示兩張圖像樣本昆蟲均未能在模型中正確預測，對應四種模型的測試識別結果如表2所示。

由表2可以看出，四種模型對蜜柑大實蠅和番石榴果實蠅F1表現均較差，DenseNet121對兩種昆蟲的識別效果在四種模型中F1值最優，MobileNetV3對蜜柑大實蠅的表現僅次于DenseNet121，但對番石榴果實蠅的F1值表現在四種模型中最差，ShuffleNet與ResNet101表現一般。DenseNet121與MobileNetV3對蜜柑大實蠅的召回率較好，但精度較差，對番石榴果實蠅則與之相反，ResNet101與ShuffleNet則對兩類昆蟲的召回率和精度表現在同一水平，效果較差。通過混淆矩陣分析，DenseNet121與MobileNetV3易將番石榴果實蠅識別為蜜柑大實蠅，分別導致番石榴果實蠅召回率和蜜柑大實蠅的識別精度低于正常值，但這兩類模型對于真實值為蜜柑大實蠅樣本的識別效果較好，正確識別率高。ResNet101和ShuffleNet則對兩類昆蟲物種的識別效果不好，混淆矩陣中出現兩種昆蟲互相誤識別，從而得到如表2所示的結果。此外四種模型對蜜柑大實蠅的F1值均大于番石榴果實蠅，在圖像樣本與兩種昆蟲極其相似情況下，模型同時表現出將樣本預測為蜜柑大實蠅的趨勢。

綜上，在識別精度和準確率等評價指標方面，DenseNet121略優于MobIleNetV3，對所有昆蟲的識別測試上DenseNet121平均方差較小，表現出不錯的穩定性。對于個別難以識別的昆蟲如南瓜實蠅和瓜實蠅，DenseNet121的識別效果也要略強于MobileNetV3，在四種模型中最優。但MobileNetV3的整體平均性能強于DenseNet121，尤其在模型大小和識別時間上的優秀表現對于提高MobileNetV3的整體競爭力具有極大幫助，在入侵昆蟲識別系統的開發上具有更好的潛力。對于四種模型識別效果一般的番石榴果實蠅和蜜柑大實蠅，可重點關注番石榴果實蠅的數據集訓練樣本圖像特征挑選以增強特征提取能力，以及對樣本識別結果為蜜柑大實蠅的人工篩查以防止系統偏差導致的誤識別。相比其他模型，在入侵昆蟲綜合識別系統識別功能后臺算法應用上，MobileNetV3表現出更好的綜合性能。入侵昆蟲識別系統的開發需綜合考慮用戶體驗和設備運行情況，優先選擇MobileNetV3作為入侵昆蟲識別功能的后臺識別算法的基礎模型。

3 MobileNetV3模型改進與試驗分析

3.1 模型特性分析與改進

MobileNetV3在MobileNet輕量化基礎上利用倒殘差結構繼續減小模型的結構大小［13］，在瓶頸層加入SE（Squeeze-and-Excitation）注意力模型加強模型的學習效率，利用H-swish激活函數替換swish函數在維持精度方面效果較好。

1） SE注意力模塊。MobileNetV3中的SE注意力模塊側重通道注意力，是衡量動態學習每個輸出特征矩陣通道的重要性指標［14］。該模塊使得網絡能夠重新分配各個通道的權重，加強有用信息，壓縮無用信息。MobileNetV3模型的SE模塊在線性瓶頸層的最后一層上代替MobileNetV2中的逐點卷積，在瓶頸結構中，SE模塊一般在深度卷積之后、逐點卷積之前，增減都不會更改原來的深度可分離卷積操作以及瓶頸層主體結構。

在收集通道權重過程中，SE模塊包括兩個操作：擠壓操作、激勵操作。由于SE模塊激勵操作使用的全連接層相比卷積層計算量變化不大，但參數量明顯增加，在部署中SE模塊會消耗相當的計算資源［15］，拖慢計算進程。在特定瓶頸層的SE模塊會因分類對象的特異性常常導致權重分配出現偏差，進而影響整體準確率。因此可通過對SE模塊在瓶頸層微調進而提升網絡整體性能。

2） 激活函數。MobileNetV3模型采用H-swish激活函數不僅保留非線性關系，還保持模型深度，同時減少計算成本，節省求導時間，但H-swish函數相較于ReLU6函數速度較慢。ReLU6函數軟硬件框架的普適性強且能夠加速梯度下降速度，近似消除由Sigmoid引起的精度損失［16］。

此外H-swish可以實現為分段函數，MobileNetV3中在模型的前半部分均使用ReLU6激活函數，后半部分使用H-swish函數來保證模型的整體性能，因此對H-swish函數特定層進行調整不會對其它層H-swish函數的計算過程產生影響。

3） 改進策略。由MobileNetV3模型的特性可知，對于模型的改進方向從兩方面入手，一方面是將網絡模型的部分h-swish激活函數替換為ReLU6函數來提升精度，另一方面是調整SE模塊的應用層來調整整體的參數數量進而節省計算資源。改進后的MobileNetV3具體結構如表3所示。

3.2 改進模型測試試驗與結果分析

通過對訓練完成的MobileNetV3改進模型基于與原模型相同的測試集進行測試，得到整體模型準確率為92.8%，整體平均F1為92.9%，識別時間為19.152s。改進后的MobileNetV3模型與原模型相比整體準確率提高0.5%，整體平均F1提高0.6%，對昆蟲的識別準確效果上與DenseNet121持平，同時相較原模型識別時間減少15.2%。通過對每種物種的對應F1進行區間劃分，得到改進后模型針對昆蟲具體的識別表現，原模型與改進后模型對比結果如圖6所示。

相較于原模型，改進模型在F1值為100%時，識別物種數量增加4種，F1值在85%～95%時，識別物種數量增加1種。F1值在區間85%～95%和小于85%區間時，原模型分別比改進模型的對應物種類別多2和3種。結合兩模型的整體平均F1數據，可知改進模型相比原模型對昆蟲物種的識別方差要小，識別效果更加平均，整體效果均好于原模型。改進模型識別的物種數量在F1值小于85%區間內，改進模型識別物種數量更少，在高F1值的區間中種類更多，說明改進后的模型相比于原模型表現出更好的識別穩定性，對更多不同物種的識別表現更好，體現出更好的特異性。

改進前后模型對31類入侵昆蟲的具體識別特性對比如圖7所示。改進模型的31類入侵昆蟲的F1值曲線相比于原模型波動較小，對比其他昆蟲種類，改進模型對于昆蟲南瓜實蠅、德國小蠊、瓜實蠅表現出的識別效果更好，但對于昆蟲苜蓿葉象甲和馬鈴薯甲蟲，改進模型的識別效果均不如原模型。針對前述MobileNetV3在南瓜實蠅和瓜實蠅的識別性能上弱于DenseNet121的表現，改進后的MobileNetV3模型相比于原模型F1值分別提升8%和6%，雖未達到DenseNet121的識別效果，但對于原模型提升較大。對于四種模型均表現欠佳的識別對象—番石榴果實蠅和南瓜實蠅，改進后的模型F1分別為54%和71%，相較于原模型變化不明顯，分別提高2%和降低1%。

改進后的MobileNetV3模型與原模型相比整體準確率提高0.5%，識別時間縮短15.2%，整體平均F1上升0.6%，昆蟲的識別準確率與DenseNet121持平，改進后的識別效果優于其他三種模型。對于單個物種識別，相較于原模型，改進后的MobileNetV3識別效果分布方差較小，識別效果差的昆蟲種類較少，識別特異性強于原模型，特別是對南瓜實蠅和瓜實蠅提升效果明顯。本次模型改進測試試驗中，改進模型的識別效果得到較大提高，能夠很好地滿足實際應用需要。

4 結論

1） 基于四種卷積神經網絡模型DensetNet121、MobileNetV3、ResNet101和ShuffleNet進行訓練和性能測試，根據測試結果分析模型對31類入侵昆蟲的整體和單類物種的識別效果，其中MobileNetV3模型具有較好的整體識別準確率，且其識別時間與模型大小均是最優，MobileNetV3作為輕量化網絡模型具有快速識別能力，為昆蟲綜合識別系統提供識別算法表現更好。

2） 原MobileNetV3模型的平均精度、平均召回率、平均F1和平均準確率均稍劣于DensetNet121模型。對MobileNetV3模型特性進行分析，并對其SE注意力機制與激活函數進行改進。改進后的網絡模型可以有效實現對圖像中多種入侵昆蟲的識別，整體識別準確率為92.8%，單幅圖像平均識別時間為0.012s，整體平均F1為92.9%。相較于原MobileNetV3網絡模型，改進網絡模型的整體識別準確率提高0.5%，識別時間縮短15.2%，且針對識別困難的入侵昆蟲，該網絡模型的識別效果也得到較大提升，可選其作為入侵昆蟲綜合識別系統的識別算法。

參 考 文 獻

［1］Bartz R， Kowarik I. Assessing the environmental impacts of invasive alien plants： A review of assessment approaches ［J］. Neobiota， 2019（43）： 69-99.

［2］Cordeiro B， Marchante H， Castro P， et al. Does public awareness about invasive plants pays off？ An analysis of knowledge and perceptions of environmentally aware citizens in Portugal ［J］. Biological Invasions， 2020， 22（7）： 2267-2281.

［3］Botella C， Joly A， Bonnet P， et al. Species distribution modeling based on the automated identification of citizen observations ［J］. Applications in Plant Sciences， 2018， 6（2）： e1029.

［4］郭建洋， 冼曉青， 張桂芬， 等. 我國入侵昆蟲研究進展［J］. 應用昆蟲學報， 2019， 56（6）： 1186-1192.

［5］Bai Z， Tang Z， Diao L， et al. Video target detection of East Asian migratory locust based on the MOG2-YOLOv4 network ［J］. International Journal of Tropical Insect Science， 2022， 42（1）： 793-806.

［6］Wang B. Identification of crop diseases and insect pests based on deep learning ［J］. Scientific Programming， 2022， 2022： 9179998.

［7］Ayan E， Erbay H， Varn F. Crop pest classification with a genetic algorithm-based weighted ensemble of deep convolutional neural networks ［J］. Computers and Electronics in Agriculture， 2020， 179： 105809.

［8］Alves A N， Souza W S R， Borges D L. Cotton pests classification in field-based images using deep residual networks ［J］. Computers and Electronics in Agriculture， 2020， 174： 105488.

［9］Theivaprakasham H. Identification of Indian butterflies using deep convolutional neural network ［J］. Journal of Asia-Pacific Entomology， 2021， 24（1）： 329-340.

［10］Abdelghani B A， Banitaan S， Maleki M， et al. Kissing bugs identification using convolutional neural network ［J］. IEEE Access， 2021， 9： 140539-140548.

［11］Lim S， Kim S， Park S， et al. Development of application for forest insect classification using CNN ［C］. 2018 15th International Conference on Control， Automation， Robotics and Vision （ICARCV）， 2018： 1128-1131.

［12］Pataki B A， Garriga J， Eritja R， et al. Deep learning identification for citizen science surveillance of tiger mosquitoes ［J］. Scientific Reports， 2021， 11（1）： 4718.

［13］Howard A， Sandler M， Chen B， et al. Searching for MobileNetV3 ［C］. 2019 IEEE/CVF International Conference on Computer Vision （ICCV）， 2019： 1314-1324.

［14］Cui Y， Xia J， Wang Z， et al. Lightweight spectral-spatial attention network for hyperspectral image classification ［J］. IEEE Transactions on Geoscience and Remote Sensing， 2022， 60： 1-14.

［15］Han W. A YOLOv3 system for garbage detection based on mobileNetV3_lite as backbone ［C］. 2021 International Conference on Electronics， Circuits and Information Engineering （ECIE）， 2021： 254-258.

［16］Wang Q， Tu J， Liu F. Garbage sorting front-end system based on deep learning and embedded technology ［C］. 2021 International Conference on Electronic Information Technology and Smart Agriculture （ICEITSA）， 2021： 464-469.