王彥翔，張 艷，，*，楊成婭，孟慶龍，尚 靜

(1.貴州大學(xué) 大數(shù)據(jù)與信息工程學(xué)院，貴州 貴陽(yáng) 550025； 2.貴陽(yáng)學(xué)院 農(nóng)產(chǎn)品無(wú)損檢測(cè)工程研究中心，貴州 貴陽(yáng) 550005)

精準(zhǔn)農(nóng)業(yè)是在20世紀(jì)80年代由美國(guó)和加拿大等國(guó)率先提出，其關(guān)鍵是利用遙感技術(shù)、地理信息技術(shù)和全球衛(wèi)星定位技術(shù)以及計(jì)算機(jī)自動(dòng)控制技術(shù)實(shí)時(shí)監(jiān)控作物的生長(zhǎng)環(huán)境，包括土壤結(jié)構(gòu)、植物營(yíng)養(yǎng)、含水量、病蟲(chóng)害等，確定其最優(yōu)的施肥施藥量，使其可以在減少污染的前提下提高產(chǎn)量，減少成本。及時(shí)準(zhǔn)確的作物病害信息對(duì)其防治有著重要意義，早發(fā)現(xiàn)，早防治，可有效減緩作物病害的傳播，同時(shí)在病害早期可以用更少的藥物對(duì)其進(jìn)行防治，可以減少對(duì)環(huán)境的污染。

傳統(tǒng)的農(nóng)作物病蟲(chóng)害檢測(cè)耗時(shí)長(zhǎng)，過(guò)程復(fù)雜，通常局限在實(shí)驗(yàn)室內(nèi)的離線分析。近年來(lái)，許多研究采用成像技術(shù)和圖像處理技術(shù)對(duì)農(nóng)作物病蟲(chóng)害的進(jìn)行檢測(cè)，相較于之前的化學(xué)檢測(cè)手段，這兩種技術(shù)的結(jié)合不僅更快速準(zhǔn)確，不會(huì)對(duì)被測(cè)對(duì)象造成不可逆的破壞，而且還可以避免各種化學(xué)檢測(cè)手段造成的附帶污染；可以實(shí)現(xiàn)對(duì)農(nóng)作物各類(lèi)信息的有效提取，達(dá)到對(duì)農(nóng)作物病蟲(chóng)害進(jìn)行線上檢測(cè)的目的。隨著高光譜成像技術(shù)及紅外熱成像技術(shù)等先進(jìn)檢測(cè)技術(shù)在農(nóng)作物病蟲(chóng)害領(lǐng)域的應(yīng)用[1]，可以對(duì)人眼尚未發(fā)現(xiàn)的早期病害特征進(jìn)行監(jiān)測(cè)，同時(shí)高光譜圖像所采集的數(shù)據(jù)立方提供了大量的多維的樣本數(shù)據(jù)，使得深度學(xué)習(xí)在作物病蟲(chóng)害檢測(cè)識(shí)別方面的應(yīng)用成為可能。本文主要介紹了以近紅外熱成像技術(shù)和高光譜成像技術(shù)為代表的新型無(wú)損檢測(cè)技術(shù)及以深度學(xué)習(xí)為代表的圖像識(shí)別技術(shù)等在農(nóng)作物病蟲(chóng)害無(wú)損檢測(cè)中的國(guó)內(nèi)外研究現(xiàn)狀。

1 農(nóng)作物病蟲(chóng)害的圖像識(shí)別方法

1.1 傳統(tǒng)的農(nóng)作物病蟲(chóng)害圖像識(shí)別方法

傳統(tǒng)的圖像識(shí)別技術(shù)包括降噪、腐蝕、增強(qiáng)等，還有對(duì)圖像各個(gè)顏色空間特征和紋理特征的提取，并利用得出的特征值進(jìn)行線性建模，建模方式采用偏最小二乘法(PLS)等。但是線性建模有著很大的局限性，面對(duì)非線性數(shù)據(jù)的建模識(shí)別成功率很低，因而在農(nóng)作物病害檢測(cè)中，其建模識(shí)別成功率非常不理想。

淺層神經(jīng)網(wǎng)絡(luò)是基于非線性數(shù)據(jù)建模的各種困難和失敗結(jié)果，而興起的一種建模識(shí)別方法。經(jīng)典的淺層人工神經(jīng)網(wǎng)絡(luò)包括BP神經(jīng)網(wǎng)絡(luò)、ART神經(jīng)網(wǎng)絡(luò)、RBF神經(jīng)網(wǎng)絡(luò)等。我們以BP神經(jīng)網(wǎng)絡(luò)為例，它是經(jīng)典的3層神經(jīng)網(wǎng)絡(luò)，包括輸入層、隱含層及輸出層，其結(jié)構(gòu)如圖1所示。圖中x，y分別代表神經(jīng)網(wǎng)絡(luò)的輸入層和輸出層，每個(gè)節(jié)點(diǎn)表示一個(gè)神經(jīng)元，神經(jīng)網(wǎng)絡(luò)的各層通過(guò)節(jié)點(diǎn)間的權(quán)系數(shù)相互溝通。如果BP神經(jīng)網(wǎng)絡(luò)信息的正向傳播結(jié)果滿足預(yù)期效果，那么該次網(wǎng)絡(luò)學(xué)習(xí)處理完成，算法停止學(xué)習(xí)；如果沒(méi)完成預(yù)想結(jié)果，進(jìn)行誤差反向傳播調(diào)節(jié)各層的權(quán)值繼續(xù)完成學(xué)習(xí)處理的過(guò)程。淺層神經(jīng)網(wǎng)絡(luò)中對(duì)象識(shí)別有著更高的準(zhǔn)確率，但是在復(fù)雜光照和復(fù)雜背景下，其圖像分類(lèi)結(jié)果并不理想。

1.2 基于深度學(xué)習(xí)的農(nóng)作物病蟲(chóng)害圖像處理識(shí)別方法

深度學(xué)習(xí)是相較于淺層網(wǎng)絡(luò)來(lái)說(shuō)的，是機(jī)器學(xué)習(xí)的一種新的方法和方向，也是實(shí)現(xiàn)人工智能的一種新方法。深度學(xué)習(xí)是由加拿大多倫多大學(xué)教授、機(jī)器學(xué)習(xí)領(lǐng)域的大師Hinton在2006年首次提出的，其主要觀點(diǎn)是：含多個(gè)隱層的人工神經(jīng)網(wǎng)絡(luò)可以將從訓(xùn)練模型的原始輸入中提取出的低級(jí)特征整合成高級(jí)特征，與之前的淺層人工神經(jīng)網(wǎng)絡(luò)相比，可以獲得更高的識(shí)別準(zhǔn)確率，能更好地解決圖像分類(lèi)和可視化問(wèn)題。這一概念的出現(xiàn)引發(fā)了關(guān)于深度學(xué)習(xí)的研究熱潮，在ImageNet世界大賽上深度學(xué)習(xí)網(wǎng)絡(luò)的出現(xiàn)打破了淺層神經(jīng)網(wǎng)絡(luò)的識(shí)別準(zhǔn)確率，并以壓倒性的優(yōu)勢(shì)獲得冠軍，在語(yǔ)音識(shí)別、圖像識(shí)別、圖像分類(lèi)等許多應(yīng)用上都得到了突破性的進(jìn)展。深度學(xué)習(xí)是類(lèi)似于淺層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的，不過(guò)它包含很多個(gè)隱含層結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)，典型的深度學(xué)習(xí)網(wǎng)絡(luò)包括卷積神經(jīng)網(wǎng)絡(luò)(CNN)、有受限玻爾茲曼機(jī)(RBM)、深度置信網(wǎng)絡(luò)、深度玻爾茲曼機(jī)(DBM)等。

圖1 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.1 BP neural network structure

圖2 卷積神經(jīng)網(wǎng)絡(luò)基本結(jié)構(gòu)圖Fig.2 Basic flow of deep learning recognition detection

我們以卷積神經(jīng)網(wǎng)絡(luò)為例，它的基本結(jié)構(gòu)如圖2所示，包括三層：輸入層、隱含層、輸出層。其中最為核心的是隱含層，包括卷積層、池化層(也稱采樣層或下采樣層)、全連接層。輸入層輸入一定尺寸的圖片，并且a≥b，b≥c，c≥d，d≥e(a、b、c、d、e均為圖像的像素尺寸)。卷積層是由多個(gè)濾波器組成，對(duì)整個(gè)圖像進(jìn)行卷積運(yùn)算，提取圖像的多個(gè)特征圖，一般的卷積層都是由前一個(gè)卷積層的結(jié)果作為輸入的，其計(jì)算方式為：

(1)

池化層是為了將數(shù)據(jù)進(jìn)行降維，通過(guò)將區(qū)域內(nèi)的數(shù)據(jù)取均值或者取最大、最小值來(lái)達(dá)到這個(gè)目的，將特征空間進(jìn)一步減小。全連接層本質(zhì)上是一個(gè)分類(lèi)器，將提取出的最后一層的特征圖像進(jìn)行最后的卷積，將這些二維圖像降維成一維數(shù)組，進(jìn)行特征的提取分類(lèi)。一個(gè)卷積神經(jīng)網(wǎng)絡(luò)的簡(jiǎn)單結(jié)構(gòu)包括輸入層，同等數(shù)量的卷積層和池化層相互交替，然后將提取到高度抽象的特征圖像輸入進(jìn)全連接層進(jìn)行分類(lèi)，最后得出結(jié)果輸出到輸出層，實(shí)現(xiàn)了圖像的分類(lèi)。

深度學(xué)習(xí)的建模方法相較于傳統(tǒng)的圖像處理手段省去了大量的預(yù)處理手段，只需要將圖像裁剪成合適尺寸即可以進(jìn)行圖像識(shí)別，大量縮短了識(shí)別時(shí)間且大幅度提高識(shí)別準(zhǔn)確率。相較于淺層神經(jīng)網(wǎng)絡(luò)，深度學(xué)習(xí)的學(xué)習(xí)能力更強(qiáng)，識(shí)別準(zhǔn)確率更高。雖然識(shí)別時(shí)間較之前明顯縮短，但是在深度學(xué)習(xí)訓(xùn)練中將會(huì)耗費(fèi)大量時(shí)間，增加訓(xùn)練集訓(xùn)練的時(shí)間成本。

利用深度學(xué)習(xí)的強(qiáng)大的圖像分類(lèi)能力可以直接將患病作物的圖像分離出來(lái)，識(shí)別率較傳統(tǒng)的建模方法和淺層神經(jīng)網(wǎng)絡(luò)要高，而且對(duì)外界環(huán)境條件要求不高，可以應(yīng)用到實(shí)際的生產(chǎn)生活中，其識(shí)別流程如圖3所示。圖像在進(jìn)行訓(xùn)練時(shí)，先選出候選區(qū)域?qū)ζ鋱D像特征進(jìn)行提取，然后分為正負(fù)樣本，正樣本為正確的訓(xùn)練分類(lèi)結(jié)果，負(fù)樣本為不正確的分類(lèi)結(jié)果，通過(guò)對(duì)正負(fù)樣本的分類(lèi)，可以準(zhǔn)確地對(duì)圖像進(jìn)行分類(lèi)。

圖3 基于深度學(xué)習(xí)的圖像檢測(cè)識(shí)別的基本流程Fig.3 Basic flow of deep learning recognition detection

2 農(nóng)作物病蟲(chóng)害圖像識(shí)別技術(shù)的研究進(jìn)展

2.1 傳統(tǒng)圖像識(shí)別技術(shù)在農(nóng)作物病害檢測(cè)識(shí)別方面的研究進(jìn)展

在國(guó)際上，越來(lái)越多的研究者選擇紅外成像技術(shù)和高光譜成像技術(shù)，傳統(tǒng)的圖像識(shí)別技術(shù)可以很好地反映出檢測(cè)手段所明確表征的被測(cè)物的外部特征、內(nèi)部化學(xué)成分含量和生理結(jié)構(gòu)的變化，更容易在早期識(shí)別出被測(cè)物是否發(fā)生病變及其化學(xué)成分的變化。

2016年，浙江大學(xué)的Zhao等[2]利用高光譜成像技術(shù)來(lái)確定黃瓜葉中葉綠素和類(lèi)胡蘿卜素的含量，并通過(guò)其含量判斷其是否感染角葉斑點(diǎn)。使用偏最小二乘回歸模型來(lái)開(kāi)發(fā)通過(guò)生化分析測(cè)量的光譜和色素含量之間的定量分析。由特征波長(zhǎng)開(kāi)發(fā)的偏最小二乘回歸模型提供了最佳的測(cè)量結(jié)果，相關(guān)系數(shù)分別為葉綠素和類(lèi)胡蘿卜素含量的預(yù)測(cè)值0.871和0.876，并且可以通過(guò)其含量來(lái)準(zhǔn)確判斷出黃瓜葉是否感染了角葉斑點(diǎn)。其具體測(cè)定的主要步驟如圖4所示，首先是在高光譜圖像采集和校正之后，從感興趣區(qū)域(ROI)提取反射率值。然后通過(guò)生化分析(Chl-BA，Car-BA)測(cè)定Chl和Car含量。使用Chl-BA，Car-BA的樣品和內(nèi)容物的平均光譜來(lái)選擇用于開(kāi)發(fā)偏最小二乘回歸(PLSR)模型的重要波長(zhǎng)(IW)。最后，建立的PLSR模型用于計(jì)算高光譜圖像上每個(gè)像素的Chl-HSI和Car-HSI值。黃瓜葉片的Chl-HSI和Car-HSI空間分布受到不同嚴(yán)重程度的丁香假單胞菌致病變種的感染。在MATLAB軟件的幫助下顯示lachrymans感染。

2018年，安徽農(nóng)業(yè)大學(xué)的Wang等[3]利用高光譜成像技術(shù)區(qū)分氮肥水平的方法，通過(guò)主成分分析選擇5個(gè)特征波長(zhǎng)，通過(guò)灰度梯度共生矩陣從特征波長(zhǎng)的圖像中提取紋理特征，使用支持向量機(jī)(SVM)建立基于全光譜數(shù)據(jù)、特征波長(zhǎng)、紋理特征和數(shù)據(jù)融合的分類(lèi)模型。使用融合數(shù)據(jù)的SVM模型給出了預(yù)測(cè)集合具有最高正確分類(lèi)率100%的最佳性能，可以完全判斷出茶葉的施氮肥含量，該研究證明了高光譜技術(shù)可以準(zhǔn)確地判斷出作物的氮肥釋放量。2017年，美國(guó)內(nèi)布拉斯加大學(xué)林肯分校的Pandey等[4]利用高光譜成像技術(shù)的量化玉米和大豆植物體內(nèi)化學(xué)特性的效用。這些性質(zhì)包括葉片含水量以及常量營(yíng)養(yǎng)素氮(N)、磷(P)、鉀(K)、鎂(Mg)、鈣(Ca)和硫(S)以及微量營(yíng)養(yǎng)素鈉(Na)、鐵(Fe)、錳(Mn)、硼(B)、銅(Cu)和鋅(Zn)。利用每種植物的反射光譜，建立偏最小二乘回歸模型以將光譜數(shù)據(jù)與化學(xué)數(shù)據(jù)相關(guān)聯(lián)。在所有化學(xué)性質(zhì)研究中，以水含量為最高，預(yù)測(cè)精度為0.93。所有宏量營(yíng)養(yǎng)素也被令人滿意地定量精度從0.69到0.92，N最好，其次是P、K和S。微量營(yíng)養(yǎng)素組顯示較低的預(yù)測(cè)準(zhǔn)確度從0.19到0.86，其相較于傳統(tǒng)的反演方式具有更高的準(zhǔn)確性。2018年，法國(guó)蒙彼利埃大學(xué)的Nouri等[5]利用高光譜成像技術(shù)研究了荔枝果實(shí)的非破壞性分級(jí)測(cè)試方法，提取荔枝果實(shí)感興趣區(qū)的高光譜數(shù)據(jù)并使用主成分分析來(lái)確定用于識(shí)別荔枝品質(zhì)特性的特征波長(zhǎng)694、725和798 nm，使用灰度共生矩陣提取紋理特征，進(jìn)行最小二乘支持向量機(jī)建模，以對(duì)荔枝的不同品質(zhì)進(jìn)行分類(lèi)。該模型使用實(shí)驗(yàn)數(shù)據(jù)進(jìn)行驗(yàn)證，驗(yàn)證集的平均準(zhǔn)確率為93.75%，而外部驗(yàn)證集為95%。

圖4 高光譜成像技術(shù)測(cè)定感染角葉斑點(diǎn)的黃瓜葉片中葉綠素和類(lèi)胡蘿卜素含量的主要步驟[2]Fig.4 Hyperspectral imaging techniques for determination of chlorophyll and carotenoid contents in cucumber leaves with infected leaf spots[2]

在國(guó)內(nèi)利用高光譜成像技術(shù)進(jìn)行作物檢測(cè)的研究開(kāi)始較晚，并且多數(shù)是對(duì)作物的顯性病癥進(jìn)行識(shí)別，對(duì)作物的化學(xué)成分含量反演的研究較少，且多數(shù)的研究都是針對(duì)作物葉片病害開(kāi)展的。2012年，浙江大學(xué)的楊燕[6]利用520和690 nm特征波段的1階導(dǎo)數(shù)光譜的高斯擬合參數(shù)建立LDA水稻稻瘟病的病害判別模型，準(zhǔn)確率達(dá)到96%以上，實(shí)現(xiàn)了利用高光譜技術(shù)對(duì)水稻稻瘟病的快速無(wú)損檢測(cè)，早期發(fā)現(xiàn)和治療可以把病害的損失降到最低。

利用高光譜成像技術(shù)可以實(shí)現(xiàn)對(duì)農(nóng)作物病害的早期識(shí)別檢測(cè)，相較于傳統(tǒng)的檢測(cè)手段更加快速準(zhǔn)確，并且無(wú)需使用化學(xué)試劑，可有效減少污染。利用高光譜成像技術(shù)對(duì)作物化學(xué)成分進(jìn)行反演，也是傳統(tǒng)檢測(cè)手段在無(wú)損前提下無(wú)法實(shí)現(xiàn)的，實(shí)時(shí)監(jiān)控農(nóng)作物的化學(xué)成分變化也是實(shí)現(xiàn)精準(zhǔn)農(nóng)業(yè)的重要條件。

2.2 深度學(xué)習(xí)在農(nóng)作物病害檢測(cè)識(shí)別方面的研究進(jìn)展

在國(guó)外，圖像處理技術(shù)在農(nóng)作物病蟲(chóng)害檢測(cè)方面的應(yīng)用研究相對(duì)較早，且有著完善的可見(jiàn)光圖像數(shù)據(jù)庫(kù)。2010年，馬來(lái)西亞國(guó)立大學(xué)的Albashish等[7]提出的方法試圖找出5種不同的植物病害，經(jīng)過(guò)預(yù)處理階段降噪圖像后，應(yīng)用K均值聚類(lèi)算法將圖像分為4個(gè)群集；對(duì)于每個(gè)群集，通過(guò)HSI色彩空間共現(xiàn)方法提取許多顏色和紋理特征，將這些特征輸入到具有10個(gè)隱藏層的MLP神經(jīng)網(wǎng)絡(luò)，并最終執(zhí)行分類(lèi)。2011年，Guo等[8]提出了一種識(shí)別玉米葉片3種疾病的方法，其首先將圖像轉(zhuǎn)換為YCbCr顏色空間；在閾值化過(guò)程中準(zhǔn)確確定閾值，以正確分割患病區(qū)域，并從灰度共生矩陣中提取許多紋理特征；最后，將這些特征提交給具有一個(gè)隱藏層的MLP神經(jīng)網(wǎng)絡(luò)達(dá)到識(shí)別疾病的目的。2016年，瑞士洛桑聯(lián)邦理工學(xué)院Mohanty等[9]分析了在PlantVillage數(shù)據(jù)庫(kù)中的54 306幅植物葉子的圖像，其中包括了14種作物和26種作物疾病，首先將圖像大小調(diào)整為256×256像素，對(duì)這些縮小圖像執(zhí)行模型優(yōu)化和預(yù)測(cè)。最佳建模方式為利用GoogLeNet卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，對(duì)80%的彩色圖像進(jìn)行遷移學(xué)習(xí)訓(xùn)練，且其他建模方式的準(zhǔn)確率也達(dá)到了0.9000以上。2017年，北京工業(yè)大學(xué)的Wang等[10]利用深度學(xué)習(xí)技術(shù)建立了一套判斷蘋(píng)果葉真菌感染程度的系統(tǒng)，將蘋(píng)果葉分為4種，健康葉、初期感染、中期感染和末期疾病，利用VGG16結(jié)構(gòu)的卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行分類(lèi)，其分類(lèi)準(zhǔn)確率可以達(dá)到90.4%，利用PlantVillage數(shù)據(jù)庫(kù)中的數(shù)據(jù)，并且不用經(jīng)過(guò)復(fù)雜的圖像預(yù)處理，進(jìn)行裁剪和歸一化后即可進(jìn)行訓(xùn)練和測(cè)試。2017年，美國(guó)賓夕法尼亞州州立大學(xué)的Ramcharan等[11]應(yīng)用學(xué)習(xí)遷移訓(xùn)練深度卷積神經(jīng)網(wǎng)絡(luò)對(duì)木薯3種病害和兩種病蟲(chóng)害識(shí)別。利用Inception v3模型，測(cè)試集精度分別為褐斑病98%、對(duì)紅蜘蛛的傷害96%、綠螨害95%、木薯褐條病98%、木薯花葉病96%；其所利用的卷積神經(jīng)網(wǎng)絡(luò)模型已可在Android系統(tǒng)內(nèi)進(jìn)行應(yīng)用，這對(duì)將檢測(cè)設(shè)備微型化有著重大意義。2018年，美國(guó)特拉華大學(xué)的Holmes等[12]利用高光譜技術(shù)在2014年、2015年和2016年收獲的蘋(píng)果中取得了350～2 500 nm反射光譜數(shù)據(jù)，從550～1 400 nm范圍內(nèi)的蘋(píng)果兩側(cè)捕獲高光譜圖像，分析這些圖像以提取在苦基坑檢測(cè)中有效的光譜特征，開(kāi)發(fā)了自動(dòng)空間數(shù)據(jù)分析算法來(lái)檢測(cè)苦味點(diǎn)，提取特征區(qū)域，并使用邏輯回歸來(lái)定義分類(lèi)閾值。該研究根據(jù)高光譜和成像技術(shù)確定了顯著的光譜特征，能夠以85%的準(zhǔn)確度對(duì)健康和苦澀的蘋(píng)果進(jìn)行分類(lèi)，可用于開(kāi)發(fā)感測(cè)解決方案，對(duì)包裝線上的水果進(jìn)行分類(lèi)。相較于傳統(tǒng)的圖像識(shí)別方法，深度學(xué)習(xí)的精度更高，檢測(cè)速度更快，近年來(lái)的研究也驗(yàn)證了深度學(xué)習(xí)技術(shù)可以在可見(jiàn)光范圍內(nèi)對(duì)作物種類(lèi)和作物疾病的快速無(wú)損識(shí)別。在實(shí)際生產(chǎn)生活中，光照條件的不同可能會(huì)導(dǎo)致圖像特征值發(fā)生較大的變化，使分類(lèi)的精度斷崖式下降，這也是圖像處理現(xiàn)在所面臨的一大難題。

在國(guó)內(nèi)對(duì)利用可見(jiàn)光圖像進(jìn)行作物病蟲(chóng)害檢測(cè)時(shí)，大多是對(duì)作物葉片上的疾病進(jìn)行識(shí)別，且缺乏圖像采集的數(shù)據(jù)共享平臺(tái)。2018年，西京學(xué)院的張善文等[13]針對(duì)黃瓜的病害識(shí)別設(shè)計(jì)了一個(gè)以LeNet卷積神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)的11層深度卷積神經(jīng)網(wǎng)絡(luò)模型。其首先對(duì)不間斷拍攝的1 200張各種黃瓜病害的彩色圖像進(jìn)行預(yù)處理，主要進(jìn)行圖像的裁剪和歸一化；對(duì)經(jīng)過(guò)預(yù)處理的彩色圖像進(jìn)行訓(xùn)練，并通過(guò)RGB通道進(jìn)行微調(diào)，進(jìn)而增加訓(xùn)練精度。相較于傳統(tǒng)的圖像識(shí)別方法，該方法具有更高的準(zhǔn)確率，更快的識(shí)別速度，其正確識(shí)別率能達(dá)到90%以上，但是需要大量的訓(xùn)練時(shí)間。2018年，甘肅農(nóng)業(yè)大學(xué)的劉闐宇等[14]采用區(qū)域Faster-RCNN方法準(zhǔn)確定位田間圖像的葡萄葉片位置，利用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行模型建立，檢測(cè)流程如圖5所示。通過(guò)采集到的圖像輸入到卷積神經(jīng)網(wǎng)絡(luò)中進(jìn)行分類(lèi)，通過(guò)分類(lèi)器判斷是否患病以及確定患病種類(lèi)，對(duì)葉片病變的檢測(cè)成功率最高可達(dá)75.52%，最低為60.56%。主要誤差來(lái)源是不同光照條件和遮擋條件下會(huì)影響檢測(cè)的準(zhǔn)確率，這是在田間采集的圖像普遍存在的問(wèn)題也是未來(lái)研究的一個(gè)方向。

近來(lái)，越來(lái)越多的研究者運(yùn)用新型無(wú)損檢測(cè)技術(shù)和深度學(xué)習(xí)相結(jié)合對(duì)作物病害進(jìn)行識(shí)別，并且還對(duì)作物的化學(xué)成分進(jìn)行定量的反演分析，使得其準(zhǔn)確性更高，穩(wěn)定性更好，對(duì)外界環(huán)境的要求更小，更有利于實(shí)現(xiàn)其在生產(chǎn)生活中的應(yīng)用。2015年，英國(guó)華威大學(xué)的Raza等[15]利用近紅外與可見(jiàn)光圖像與深度信息的機(jī)器學(xué)習(xí)系統(tǒng)相結(jié)合設(shè)計(jì)出一種可以遠(yuǎn)程檢測(cè)番茄植株是否感染番茄白粉病的系統(tǒng)。在受控條件下，連續(xù)13 d采集感染株和健康株圖像，其采集系統(tǒng)由2臺(tái)可見(jiàn)光成像相機(jī)和1臺(tái)近紅外成像相機(jī)組成。算法部分包括4個(gè)部分，近紅外圖和彩色圖像的位置匹配、深度學(xué)習(xí)訓(xùn)練、特征值的提取和分類(lèi)器，所提出的算法的框圖如圖6所示。IL和IR表示來(lái)自左側(cè)和右側(cè)相機(jī)的可見(jiàn)光圖像，IT表示熱圖像，將IL、IR和IT進(jìn)行定位，將3張圖片的各個(gè)像素點(diǎn)定位重合，得到一個(gè)基于紅外熱成像和可見(jiàn)光成像的合成圖片。利用這張圖片進(jìn)行局部特征和全體特征的提取并進(jìn)行分類(lèi)，最后得出通過(guò)近紅外圖像和可見(jiàn)光圖像結(jié)合深度學(xué)習(xí)方法可以大幅提高判斷準(zhǔn)確率，使其達(dá)到90%以上，在7 d以前近紅外圖像可以更加準(zhǔn)確地識(shí)別出感染株，而在7 d后感染株發(fā)生了肉眼可見(jiàn)的變化之后，可見(jiàn)光圖像的識(shí)別準(zhǔn)確率隨著時(shí)間的推移越來(lái)越接近近紅外圖像的，表明近紅外圖像可在作物疾病的早期階段做出更好的判斷。

圖5 利用圖像檢測(cè)識(shí)別作物病害的一般流程[14]Fig.5 Disease detection framework[14]

圖6 用于檢測(cè)病株的算法的框圖[15]Fig.6 Block diagram of an algorithm for detecting diseased plants[15]

2017年，浙江大學(xué)的Zhu等[16]利用高光譜成像技術(shù)，結(jié)合變量選擇方法和機(jī)器學(xué)習(xí)分類(lèi)，研究了使用高光譜成像對(duì)煙草病癥進(jìn)行可見(jiàn)癥狀前檢測(cè)的可行性。采集感染后2、4和6 d的健康和TMV感染葉片的圖像，利用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行建模，識(shí)別精度高達(dá)95%。高光譜成像技術(shù)具有作為快速非侵入性方法在短時(shí)間(48 h)內(nèi)識(shí)別感染葉片的可能性。2017年，華南理工大學(xué)的黃雙萍等[17]在田間采集了1 467株穗株高光譜圖像，其中包括247株健康植株，剩下的均感染不同程度的穗瘟。利用卷積神經(jīng)網(wǎng)絡(luò)的GoogleLeNet進(jìn)行建模，首先將高光譜圖像裁剪成統(tǒng)一尺寸，采用隨機(jī)梯度下降法和隨機(jī)平移平均光譜圖像亮度增加訓(xùn)練精度，使得測(cè)試集最高的準(zhǔn)確率可以達(dá)到92.0%。2018年，華南農(nóng)業(yè)大學(xué)的甘海明等[18]利用深度學(xué)習(xí)的經(jīng)典模型稀疏自編碼建立了龍眼葉片葉綠素含量預(yù)測(cè)的高光譜反演模型，通過(guò)深度學(xué)習(xí)的方法可以大大提高精度，并且基本不受生長(zhǎng)期的影響；在灰度圖像中顏色越深的葉片，其葉綠素含量越低，彩色圖像中藍(lán)色越多，則表示葉綠素含量越低。該設(shè)計(jì)表明了基于深度學(xué)習(xí)的高光譜反演是可行的，可將其基于葉綠素含量這一植物生長(zhǎng)的重要指標(biāo)的設(shè)計(jì)思想推廣到其他的植物應(yīng)用中。

可見(jiàn)，光成像和紅外熱成像及高光譜成像相結(jié)合的研究可以大幅度提高僅利用可見(jiàn)光成像進(jìn)行研究的準(zhǔn)確性和抗干擾性，并且結(jié)合深度學(xué)習(xí)的應(yīng)用可以更加快速準(zhǔn)確地進(jìn)行農(nóng)作物病害識(shí)別，比單純用淺層神經(jīng)網(wǎng)絡(luò)的準(zhǔn)確率要明顯提高。與國(guó)外的相關(guān)研究相比，我國(guó)的彩色圖像數(shù)據(jù)庫(kù)的建立較為落后，一般訓(xùn)練集中的圖片均為實(shí)驗(yàn)人員自行采集自行存儲(chǔ)，并沒(méi)有形成一個(gè)有聯(lián)互通的數(shù)據(jù)庫(kù)網(wǎng)絡(luò)，當(dāng)需要研究不同類(lèi)型的作物時(shí)往往需要花費(fèi)大量時(shí)間進(jìn)行圖像采集。

3 展望

可見(jiàn)光成像的技術(shù)已經(jīng)相當(dāng)成熟，但是它只能得到作物的表面信息，只有在作物的病變或者蟲(chóng)害肉眼可見(jiàn)時(shí)才能取得比較好的識(shí)別效果。將紅外成像和高光譜成像引入其中可以在作物患病還沒(méi)有表征的時(shí)候，發(fā)現(xiàn)被測(cè)物的內(nèi)部結(jié)構(gòu)和化學(xué)成分的改變，進(jìn)行早期判斷，可以實(shí)現(xiàn)作物病害的早期檢測(cè)，在植物病害的防治過(guò)程中具有重要價(jià)值，有利于實(shí)現(xiàn)精準(zhǔn)農(nóng)業(yè)。今后農(nóng)作物病害的無(wú)損檢測(cè)技術(shù)可分為以下幾個(gè)研究方向：

(1) 利用紅外熱成像、高光譜成像技術(shù)為農(nóng)作物病害的早期探測(cè)提供了可能性，是農(nóng)作物病害早期探測(cè)的發(fā)展方向；

(2) 深度學(xué)習(xí)的圖像處理技術(shù)可以將復(fù)雜背景下的圖像進(jìn)行分類(lèi)識(shí)別并具有極高的準(zhǔn)確率，可為農(nóng)作物病害的早期識(shí)別提供算法保障；

(3) 高光譜成像技術(shù)具有圖譜合一的特點(diǎn)，為深度學(xué)習(xí)的圖像識(shí)別提供了不同波段的海量圖像信息，使得高光譜成像技術(shù)和深度學(xué)習(xí)的圖像識(shí)別技術(shù)結(jié)合在農(nóng)作物病害檢測(cè)識(shí)別方面具有廣泛的應(yīng)用前景；

(4) 在深度學(xué)習(xí)的應(yīng)用中，針對(duì)學(xué)習(xí)過(guò)程中會(huì)花費(fèi)大量的時(shí)間成本的問(wèn)題，未來(lái)可在算法上進(jìn)行改進(jìn)，減少時(shí)間成本，使其可以對(duì)不同的病害種類(lèi)和發(fā)生階段進(jìn)行識(shí)別，對(duì)病蟲(chóng)害的檢測(cè)具有重要的意義。