方夢(mèng)瑞 呂 軍 ＊ 姚 波

（1.黃山學(xué)院信息工程學(xué)院，安徽 黃山 245041；2.浙江理工大學(xué)信息學(xué)院，浙江 杭州 310018）

0 引言

水稻是我國(guó)主要的糧食作物之一， 全國(guó)約四分之一的耕地面積用來種植水稻。 每年因水稻病害造成的經(jīng)濟(jì)損失約有400～500 萬噸[1]，而水稻病害具有發(fā)生快、易擴(kuò)散等特點(diǎn)。 因此，需要對(duì)水稻病害做出及時(shí)、快速地判斷與防治。 隨著人工智能技術(shù)的不斷發(fā)展，水稻病害自動(dòng)診斷已成為水稻信息化防治研究熱點(diǎn)。 本文對(duì)已有研究成果進(jìn)行總結(jié)并做出未來展望，以為相關(guān)研究人員提供理論基礎(chǔ)。

1 近紅外光譜技術(shù)在水稻病害診斷中的應(yīng)用

基于近紅外光譜技術(shù)的水稻病害診斷主要是通過水稻受到病害入侵時(shí)，葉綠素會(huì)降低對(duì)紅光和藍(lán)光的吸收能力， 進(jìn)而產(chǎn)生光譜反射率變化已達(dá)到診斷效果[2]。譚峰[3]利用近紅外光譜技術(shù)采集健康與染病水稻植株的光譜特征，實(shí)現(xiàn)了稻瘟病、谷粒瘟和穗莖瘟三種病害的等級(jí)鑒定。 周麗娜[4]、王曉麗[5]、吳迪[6]對(duì)水稻病害光譜數(shù)據(jù)進(jìn)行預(yù)處理后， 分別利用高斯擬合法、 主成分分析法、UVE—SPA 組合法提取特征波長(zhǎng)，建立了不同等級(jí)和不同種類的水稻病害識(shí)別模型。 基于近紅外光譜技術(shù)的水稻病害自動(dòng)診斷具有綠色、 無損等特點(diǎn)， 但該方法僅依據(jù)病害侵染前后的光譜變化情況，并沒有結(jié)合病斑呈現(xiàn)的外部特征。

2 圖像處理技術(shù)在水稻病害診斷中的應(yīng)用

基于圖像處理技術(shù)的水稻病害診斷主要是通過病害圖像增強(qiáng)、分割等預(yù)處理，提取病害顏色、形狀和紋理等特征， 最后結(jié)合模式識(shí)別方法實(shí)現(xiàn)水稻病害的自動(dòng)診斷。水稻病斑分割是水稻病害自動(dòng)分析與識(shí)別的關(guān)鍵環(huán)節(jié)之一,其分割效果直接影響后續(xù)處理。石鳳梅[7]通過提取水稻病斑的R、G、B 分量作為特征向量， 然后利用網(wǎng)格搜索法優(yōu)化參數(shù)獲得SVM 最優(yōu)模型，最終實(shí)現(xiàn)了稻瘟病的有效分割。 有效的特征提取不僅可以加快計(jì)算速度，也可以提高識(shí)別精度，路陽(yáng)[8]利用PCA 對(duì)水稻病害進(jìn)行降維， 該算法提高了水稻病害識(shí)別的魯棒性和識(shí)別率。 袁媛[9]、管澤鑫[10]、楊昕薇[11]分別利用支持向量機(jī)、 貝葉斯判別和逐步判別法實(shí)現(xiàn)了水稻病害的自動(dòng)識(shí)別。 基于圖像處理技術(shù)的水稻病害識(shí)別具有快速、 識(shí)別率高等特點(diǎn)， 但均借助于病害呈現(xiàn)的病斑特征， 沒有結(jié)合病害呈現(xiàn)的內(nèi)部變化， 無法滿足早期診斷與及時(shí)防治的需求。

3 高光譜成像技術(shù)在水稻病害診斷中的應(yīng)用

高光譜技術(shù)既可以采集光譜信息也可以得到圖像信息， 能夠兼具樣本內(nèi)部變化和外部呈現(xiàn)的特征差異來進(jìn)行水稻病害的自動(dòng)診斷。 袁建清[12]采用高光譜成像儀獲得不同時(shí)期的水稻葉片光譜圖像， 分別建立了基于最小二乘法判別分析（PLS-DA）和主成分加支持向量機(jī)方法（PCA-SVM）的稻瘟病識(shí)別模型，準(zhǔn)確識(shí)別率分別為100%和97.5%。 鄭志雄[13]利用主成分分析法和最大類間法分割不同時(shí)期的稻瘟病高光譜圖像，然后以病斑光譜差異、 不同等級(jí)病害形態(tài)差異和水稻葉片延伸率等參數(shù)為識(shí)別依據(jù)， 實(shí)現(xiàn)了稻瘟病等級(jí)鑒定。 黃雙萍[14]提出基于光譜詞袋 （bag of spectrum words，BoSW）的稻穗病等級(jí)鑒定方法。 首先利用BoSW方法生成詞袋表達(dá)，最后采用卡方-支持矢量機(jī)（Chi-SVM）分類算法建立了稻穗病等級(jí)鑒定模型，測(cè)試分類精度達(dá)94.72%。

4 深度學(xué)習(xí)在水稻病害診斷中的應(yīng)用

卷積神經(jīng)網(wǎng)絡(luò)（CNN）作為一種有效的自主學(xué)習(xí)特征方法，可以將圖像直接作為輸入，自學(xué)習(xí)圖像特征，以避免傳統(tǒng)特征提取對(duì)識(shí)別模型的影響[15]。 黃雙萍[16]建立了基于GoogLeNet 模型的稻穗病檢測(cè)模型，測(cè)試準(zhǔn)確率為92.0%。 張楠[17]利用最大類間方差法分割稻瘟病病斑區(qū)域， 然后建立了基于softmax 分類器的稻瘟病自動(dòng)識(shí)別模型，平均識(shí)別準(zhǔn)確率可達(dá)95.2%。卜翔宇[18]、劉成[19]分別利用Maxout 單元和fine-tuning 優(yōu)化水稻病害識(shí)別卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，以提高網(wǎng)絡(luò)識(shí)別精度。

5 結(jié)語

本文綜述了近紅外光譜、數(shù)字圖像處理、高光譜成像和深度學(xué)習(xí)四種技術(shù)在水稻病害自動(dòng)診斷方面的應(yīng)用，為相關(guān)研究人員提高理論參考，但以上水稻病害智能診斷距離實(shí)際應(yīng)用還存在一定差距，未來可通過增加水稻病害種類、樣本量和網(wǎng)絡(luò)優(yōu)化以提高診斷模型的魯棒性和普適性， 以及開發(fā)水稻病害遠(yuǎn)程診斷APP 等。