1.

Pendahuluan

Pemantauan populasi hama secara real-time di lahan pertanian penting untuk menerapkan
manajemen hama terpadu (PHT) secara efektif (Kogan 1998). Secara internasional, praktik
pemantauan hama lapangan saat ini melibatkan investigasi lapangan manual, jaring sapu, feromon,
papan perangkap lengket, perangkap cahaya atau perangkap serangga lainnya (Epsky et al. 2008).
Perangkap cahaya dapat menarik banyak spesies hama dengan menggunakan spektrum optik yang
berbeda. Mereka sudah terbiasa memantau atau membunuh hama di seluruh dunia karena
merupakan teknik pengendalian fisik dan tidak mahal, efektif dan tidak menimbulkan polusi (Probst
et al. 2015). Perangkap cahaya telah ditingkatkan dari perangkap cahaya sederhana menjadi
perangkap cahaya cerdas dengan pengembangan teknologi. Di Cina, beberapa perangkap cahaya
hama yang cerdas dapat secara otomatis menyalakan dan mematikan lampu, membunuh serangga
dengan sinar infra merah jauh, dan secara otomatis menukar kantong daur ulang serangga setiap
hari. Setelah satu minggu, teknisi mengumpulkan kantong dan mengambil OPT target dan
menghitungnya (Gbr. 1). Namun, pendekatan manual untuk mengidentifikasi dan menghitung OPT
dari serangga yang terperangkap memakan waktu, padat karya, dan rentan kesalahan, terutama
pada periode puncak OPT. Upaya telah dilakukan untuk secara otomatis mengidentifikasi dan
menghitung hama perangkap cahaya berdasarkan penglihatan mesin. Qiu dkk. (2007) merancang
sistem deteksi untuk secara otomatis mengidentifikasi hama perangkap cahaya dalam air
berdasarkan pengolahan citra dan metode saraf tiruan propagasi balik. Sulit untuk secara akurat
mengidentifikasi hama di dalam air. Yao dkk. (2012) mengembangkan sistem identifikasi hama
perangkap cahaya di laboratorium. Serangga yang terperangkap disortir secara manual melalui
saringan jaring. Metode aliran optik dan algoritme pemotongan yang dinormalisasi digunakan untuk
memisahkan serangga yang menyentuh. Zou dkk. (2012) merancang sistem pengenalan wereng
padi hidup yang tertarik pada tirai dengan lampu merkuri bertekanan tinggi. Wereng diidentifikasi
dengan metode pengenalan pola tradisional. Namun, kedua sistem ini masih melibatkan manipulasi
manual untuk menangkap gambar dan mengidentifikasi hama perangkap cahaya, yang merupakan
tantangan untuk diterapkan dalam praktik. Dalam dua dekade terakhir, metode identifikasi hama
otomatis berdasarkan visi mesin telah dipelajari secara intensif. Secara umum, langkah-langkah
berikut telah dilibatkan.

Pertama, peneliti menggunakan sensor cahaya tampak (kamera digital, ponsel, dll.) Untuk
mengumpulkan gambar hama yang hidup di ladang (Liu et al. 2016), hama mati pada papan yang
lengket atau hama yang terperangkap Gambar. 1 Perangkap cahaya cerdas dengan tujuh kantong
daur ulang serangga (A) dan identifikasi manual serta penghitungan hama sasaran (B).

yang dibawa kembali ke laboratorium (George et al.2009; Ding et al.2016). Kedua, berbagai jenis
fitur citra OPT diekstraksi dan dipilih untuk membedakan spesies OPT yang berbeda. Fitur ini
termasuk fitur global (Zhao et al. 2007; Zhu et al. 2010; Yaakob et al. 2012), fitur lokal (Wen et
al.2009; Solissánchez et al. 2011; Yao et al. 2014) atau fitur fusi ( Larios et al.2008; Xie et al.2015).
Ketiga, pengklasifikasi yang berbeda dilatih tentang kumpulan sampel untuk mencapai tingkat
akurasi identifikasi hama yang tinggi. Pengklasifikasi ini termasuk mesin vektor dukungan (Xian dkk.
2015; Lu dkk. 2020), jaringan saraf tiruan (Zhou dkk. 2008), tetangga terdekat k (Wen dkk. 2009),
pembelajaran multi-kemel (Xie et al. al. 2015) dan k-means (Wang et al. 2014). Pada spesies hama
terbatas dan kumpulan gambar spesimen kecil yang dikumpulkan di lingkungan laboratorium,
pendekatan identifikasi hama berdasarkan desain fitur manual dapat memberikan tingkat akurasi
identifikasi hama yang tinggi (Zhong et al.2018). Namun demikian, citra OPT dari lapangan nyata
memiliki latar belakang yang kompleks dan terdapat perbedaan posisi OPT, perbedaan intraspesies,
kesamaan antarspesies dan banyak serangga non target. Di bawah kondisi lapangan yang beragam
dan kompleks, metode identifikasi berbasis fitur tradisional menunjukkan kekokohan dan
generalisasi yang buruk, sehingga sulit untuk diterapkan di lapangan. Dalam beberapa tahun
terakhir, jaringan saraf konvolusional (CNNS) dan variannya telah dilaporkan bekerja dengan baik
dalam tugas pengenalan dan deteksi objek (Sharif et al. 2014), CNNS menggunakan pekerjaan pra-
pemrosesan yang relatif sedikit dan dapat memilih fitur tingkat tinggi untuk mengklasifikasikan objek
. Kemandirian dari pengetahuan sebelumnya dan upaya tangan dalam desain fitur adalah
keuntungan utama. Terinspirasi oleh keberhasilan CNNS, beberapa peneliti mulai menggunakan SSP
untuk mengidentifikasi hama tanaman. Liu et al. (2016) menggunakan analisis saliensi citra dan
CNNS untuk melokalkan dan mengidentifikasi hama pada citra yang dikumpulkan dari lapangan.
Ding dan Taylor (2016) mengadopsi pipeline deteksi jendela geser yang populer dengan CNNS
sebagai pengklasifikasi gambar untuk mengidentifikasi dan menghitung hama pada gambar
perangkap feromon. Cheng dkk. (2017) menggunakan CN untuk mengidentifikasi sepuluh spesies
hama pertanian di latar belakang etode kompleks dan residu. Semua studi yang didasarkan pada
CNNS ini mencapai tingkat akurasi yang tinggi untuk identifikasi OPT. Dalam penelitian ini, semua
OPT sasaran berukuran relatif besar dalam ukuran tubuh. Chen (2018) menggunakan beberapa
model CNN untuk mengidentifikasi wereng berukuran kecil dengan tahapan instar yang berbeda
pada batang padi. Untuk mengurangi manipulasi manual dan mencapai akurasi penghitungan hama
padi, perangkap cahaya cerdas berdasarkan visi mesin dikembangkan untuk secara otomatis
mengumpulkan gambar serangga yang tersebar dan pendekatan yang kuat berdasarkan segmentasi
serangga sentuh dan model CNN diusulkan untuk mengidentifikasi dan menghitung tiga ngengat
secara akurat. dan dua wereng dari sawah.

2. Bahan dan Metode

2.1. Deskripsi sistem Sistem pemantauan hama perangkap lampu beras otomatis berdasarkan visi
mesin terdiri dari perangkap cahaya cerdas, platform klien PC atau ponsel, dan server cloud (Gbr. 2).
Perangkap cahaya pertama-tama menjebak, membunuh, dan menyebarkan serangga, kemudian
mengumpulkan gambar serangga yang terperangkap dan mengirimkan setiap gambar ke server
cloud. Hama sasaran dalam gambar diidentifikasi dan dihitung menggunakan model identifikasi
hama yang dimuat di server. Jumlah setiap spesies OPT dihitung setiap hari untuk memberikan
informasi tentang kejadian dan puncak OPT.

2.2. Modul pembunuhan desain perangkap cahaya, modul transmisi serangga, modul akuisisi
gambar, dan kotak daur ulang serangga (Gbr. 3). Perangkap cahaya cerdas terdiri dari perangkap
serangga dan Semua modul lain kecuali modul perangkap cahaya dipasang dalam kotak tertutup
untuk mencapai lingkungan yang konsisten untuk akuisisi gambar. Lampu biack dipasang secara
vertikal di atas lampu.

Gbr. 2 Sistem pemantauan hama perangkap lampu padi otomatis berdasarkan penglihatan mesin.
A, perangkap cahaya. B, server. C. komputer atau ponsel.

Gbr. 3 Perangkap cahaya cerdas berdasarkan penglihatan mesin. A, garis luar perangkap cahaya. B,
struktur bagian dalam. C, gambar serangga perangkap cahaya.
perangkap untuk menarik dan menjebak hama. Tiga layar kaca yang diposisikan pada sudut 120
derajat yang sama dipasang secara vertikal di sekitar lampu. Strip tipis baja tahan karat ditempatkan
di sekitar layar kaca untuk mencegah serangga besar dan hujan non-target. Serangga tertarik oleh
lampu hitam di malam hari dan menabrak layar kaca, kemudian jatuh ke saluran tempat mereka
dibunuh dengan unit pemanas infra merah. Suhu unit pemanas dapat dikontrol untuk membunuh
serangga tanpa membakarnya. Serangga yang terperangkap tinggal di dalam saluran selama waktu
yang ditentukan yang dapat diatur (10-15 menit) dan kemudian jatuh di bawah saluran. Modul
penyebaran serangga Untuk menghindari serangga mati saling bersentuhan dan tumpang tindih,
mereka dibubarkan dengan pelat bergetar terus menerus yang ditempatkan pada sudut ke bawah
sehingga mereka jatuh ke sabuk konveyor bergerak putih. Kecepatan sabuk konveyor dikendalikan
oleh motor penggerak. Modul akuisisi citra serangga Modul akuisisi citra terdiri dari kamera digital
resolusi tinggi (12 megapiksel) dan sumber cahaya LED datar. Modul ini dipasang di atas ban
berjalan. Serangga di sabuk dibawa ke bawah kamera dan kamera mengumpulkan gambar serangga
saat sabuk berhenti. Interval waktu pengumpulan gambar dapat disesuaikan dengan kecepatan ban
berjalan. Ukuran gambar 3000x4000 piksel, gambar serangga dikirim ke cloud server dimuat dengan
otomatis