周馳燕　朱宇涵　姚照勝　楊俊　劉濤　孫成明

摘要水稻病害是影響水稻產(chǎn)量及品質(zhì)的重要因素，開展水稻病害識別與檢測研究對推動(dòng)水稻高產(chǎn)、優(yōu)質(zhì)、高效發(fā)展具有重要意義。本文從圖像技術(shù)、光譜技術(shù)及不同算法等方面總結(jié)了水稻常見病害的識別與檢測方法，分析了不同方法的基本原理及應(yīng)用效果，并對存在的問題和研究展望進(jìn)行了探討，以期為病害識別研究提供借鑒。

關(guān)鍵詞 水稻病害;圖像;光譜;識別

中圖分類號 S435.111;S126

文獻(xiàn)標(biāo)識碼 1

文章編號 1007-5739（2019）07-0111-03

水稻是我國的幾大主糧之一，在糧食生產(chǎn)中占有重要地位，保持水稻的長期高產(chǎn)、穩(wěn)產(chǎn)是保證我國糧食安全的有效措施。為了實(shí)現(xiàn)這一目標(biāo)，水稻育種和栽培專家都在努力探索除了不斷培育出新品種外，栽培管理措施也發(fā)揮著重要的作用。水稻病害是影響產(chǎn)量的主要因素之一，如何快速、準(zhǔn)確地識別與檢測水稻病害并進(jìn)行有效防治，已成為水稻栽培工作者近年來主攻的方向。

水稻生：長過程中常見的病害主要有稻瘟病紋枯病、稻曲病、白葉枯病、惡苗病等，不同病害產(chǎn)生的癥狀及危害不同，檢測與識別的方法也不同1-1。傳統(tǒng)的方法是人工識別，主要通過觀察病斑的特征，再根據(jù)積累的經(jīng)驗(yàn)進(jìn)行判別。隨著信息技術(shù)的不斷發(fā)展，新方法不斷出現(xiàn)，如通過圖像技術(shù)、光譜技術(shù)、遙感技術(shù)等進(jìn)行識別。這些方法均是通過獲取病害特征的圖像信息或光譜反射值，對病害特征信息進(jìn)行相關(guān)分析，構(gòu)建相應(yīng)的模型等，再通過驗(yàn)證，最后實(shí)現(xiàn)對病害的識別3?，F(xiàn)將其研究方法及過程總結(jié)如下。

1基于圖像技術(shù)的水稻病害識別與檢測

數(shù)字圖像技術(shù)是近幾年發(fā)展起來的一種有效的水稻病害識別與檢測技術(shù)，其在作物生長發(fā)育監(jiān)測方面有一定的應(yīng)用。通過對獲取的圖像進(jìn)行分析，可以定量識別病害的類型與特征。

1.1病害圖像的預(yù)處理與分割技術(shù)

利用數(shù)字圖像技術(shù)實(shí)現(xiàn)水稻病害的識別，其前提是要解決圖像的特征值提取。一般來說，田間直接獲取的圖像會受到多種因素的影響，如光線、背景以及其他干擾物等，這些都稱為噪聲。有噪聲的圖像不能直接識別應(yīng)用，必須要在圖像獲取后先進(jìn)行去噪與增強(qiáng)等預(yù)處理4。預(yù)處理流程主要包括灰度處理、中值濾波、再轉(zhuǎn)換成灰度圖像等，然后再進(jìn)行特征值提取，主要流程包括閾值分割、邊緣檢測病斑提取等，最后計(jì)算相應(yīng)的特征參數(shù)（。前述研究者后來又提出一種新的基于PCA和Whitening融合算法的水稻病害圖像預(yù)處理方法，該方法獲取了大量水稻病害圖像的訓(xùn)練樣本和測試樣本，通過對獲取的彩色圖像和灰度圖像進(jìn)行PCA降維，再對降維后的樣本隨機(jī)取樣，應(yīng)用Whitening算法獲取最后的圖像特征。驗(yàn)證結(jié)果表明，該融合算法增強(qiáng)了預(yù)處理后水稻病害圖像的真實(shí)性，可有效提高病害識別準(zhǔn)確率5。

病害圖像預(yù)處理完成后，接下來就是圖像的分割問題。病斑圖像分割是病害識別的關(guān)鍵問題，不同的分割方法會產(chǎn)生不同的效果。張武等采用最大類間方差法、數(shù)學(xué)形態(tài)學(xué)方法以及K均值聚類法相結(jié)合，較好地從復(fù)雜背景中分割出小麥病斑圖像，有效去除了光照、泥土和雜草等的影響。蘇博妮等研究了YCbCr.Lab、HSV和RGB顏色空間下水稻細(xì)菌性條斑病、稻曲病和稻瘟病等3種病害圖像的分割方法，結(jié)果表明，在RGB顏色空間下R分量高于B分量和G分量的特征，提取了水稻病斑，取得了較好的分割效果。對于分割后的圖像質(zhì)量評價(jià)，劉立波等18也提出了一種無參考質(zhì)量評價(jià)方法，該方法在分析影響圖像質(zhì)量的部分因素基礎(chǔ)上，提出了綜合像素空間顏色分布、邊緣分布、色相計(jì)數(shù)、清晰度、模糊度和對比度幾個(gè)方面的整體質(zhì)量評價(jià)方法，為水稻病害圖像分割質(zhì)量評價(jià)提供了新的參考。

1.2基于圖像技術(shù)的水稻病害識別與檢測方法

水稻病害發(fā)生的部位不同，采用的圖像識別方法也不同。對于水稻紋枯病及稻瘟病的危害程度，馬德貴等9研究利用橢圓模型來擬合單株最大病斑，計(jì)算橢圓主軸長與人工檢測的實(shí)際最大病斑的長度比例，分析兩者相關(guān)性，結(jié)果對2種病害的識別均達(dá)到極顯著水平。管澤鑫等以水稻紋枯病、稻瘟病和白葉枯病等3種常見病害為例，應(yīng)用逐步判別方法進(jìn)行參數(shù)刪減（病斑形態(tài)、顏色、紋理特征等共63個(gè)參數(shù)），并利用貝葉斯判別法對這3種病害圖像進(jìn)行識別，其中逐步判別方法在不影響最終識別結(jié)果的基礎(chǔ)上，最多可以使參數(shù)減少到原來的35%以上，有效剔除相關(guān)性小的冗余參數(shù)，最終準(zhǔn)確率達(dá)到97%以上。劉濤等”利用計(jì)算機(jī)圖像技術(shù)對多種水稻病害進(jìn)行了識別，準(zhǔn)確率均達(dá)到了90%以上;研究所用水稻病害圖像一部分采用數(shù)碼相機(jī)拍攝，另一部分通過病害數(shù)據(jù)庫獲取，共計(jì)300張圖像，包含15種水稻病害，首先利用改進(jìn)的mean?shift圖像分割算法提取病葉圖像中的病斑并根據(jù)相關(guān)方程獲取病斑特征信息，然后針對相似病斑誤報(bào)率高的問題提出一種病健交界特征參數(shù)，再結(jié)合球狀性、偏心率、不變矩、二階矩、對比度等特征參數(shù)，實(shí)現(xiàn)對病害圖像的識別與檢測。

在近地圖像的獲取過程中，除了數(shù)碼相機(jī)外，無人機(jī)的應(yīng)用也越來越廣泛。田間圖像獲取所用的無人機(jī)可以是小型固定翼或多旋翼無人機(jī)，搭載高分辨率的數(shù)碼相機(jī)。王震等2提出一種利用小型多旋翼無人機(jī)采集稻田圖像，基于哈爾一萊克特征和阿達(dá)布斯特學(xué)習(xí)算法的稻田病害白穗識別方法，并通過試驗(yàn)研究哈爾一萊克特征描述能力與阿達(dá)布斯特學(xué)習(xí)過程中訓(xùn)練次數(shù)對識別算法性能的影響，實(shí)現(xiàn)了快速準(zhǔn)確識別稻田病害白穗。劉小紅3借助4G網(wǎng)絡(luò)，采用C/S的網(wǎng)絡(luò)架構(gòu)，對前端獲取的圖像，通過裁剪、壓縮后，上傳至設(shè)計(jì)好的系統(tǒng)，再利用系統(tǒng)的分析診斷功能，對圖像進(jìn)行識別，可實(shí)時(shí)、準(zhǔn)確地識別出病害種類，并提供準(zhǔn)確的診斷信息。

2基于光譜技術(shù)的水稻病害檢測

地物受到輻射后，會產(chǎn)生相應(yīng)的反射光譜，水稻也有自身特定的反射光譜。如果水稻在生長過程中受到病害的侵染，就會在表觀上產(chǎn)生相應(yīng)的癥狀，包括含水量和葉綠素含量減少，使光譜反射曲線隨之產(chǎn)生相應(yīng)的變化。根據(jù)上述原理，就可以利用不同的光譜參數(shù)對水稻病害進(jìn)行診斷。

2.1高光譜成像技術(shù)

基于高（多）光譜成像技術(shù)的水稻病害檢測高光譜成像技術(shù)是在傳統(tǒng)光譜技術(shù)基礎(chǔ)上發(fā)展起來的一項(xiàng)新的檢測技術(shù)，是成像技術(shù)和光譜技術(shù)的有機(jī)結(jié)合。利用高光譜技術(shù)檢測水稻病害的原理是水稻受病害侵染后，其體內(nèi)的色素及水分含量會發(fā)生變化，光譜反射率也隨之發(fā)生變化。楊燕4利用高光譜成像技術(shù)建立了基于光譜特征的稻瘟病病害識別模型和高光譜圖像統(tǒng)計(jì)信息的水稻稻瘟病分類判別模型，并通過分析水稻冠層光譜信息與抗氧化酶活性關(guān)系，實(shí)現(xiàn)了稻瘟病可見癥狀發(fā)生之前的預(yù)測預(yù)報(bào)。鄭志雄等19利用高光譜成像技術(shù)，分析了不同程序病害圖像，在2個(gè)特征波段上通過PCA和Otsu方法，對水稻葉瘟病病害程度進(jìn)行分級，準(zhǔn)確率可以達(dá)到96%以上，為稻瘟病的田間評估提供了技術(shù)支撐。Qin等呵研究了寬帶高空間分辨率ADAR（機(jī)載數(shù)據(jù)采集與配準(zhǔn)）遙感數(shù)據(jù)在水稻紋枯病檢測中的適用性，構(gòu)建了一個(gè)綜合的現(xiàn)場疾病指數(shù)（DI）來衡量病害感染嚴(yán)重程度，結(jié)果表明，多光譜遙感圖像具有較強(qiáng)的檢測能力。

2.2近紅外技術(shù)

基于近紅外光譜技術(shù)的水稻病害檢測近紅外技術(shù)在作物生長及病害檢測上的應(yīng)用還不太多，但近幾年已有一些應(yīng)用。王曉麗針對近紅外光譜的數(shù)據(jù)量大、波段眾多等問題，提出了水稻病害葉片光譜數(shù)據(jù)采集的相關(guān)流程，對進(jìn)人預(yù)處理階段的光譜進(jìn)行了篩選，最后采用PCA方法篩選了5個(gè)特征波段用于診斷建模，并運(yùn)用BP神經(jīng)網(wǎng)絡(luò)方法和逐步回歸法對其中的2種主要病害進(jìn)行識別，結(jié)果準(zhǔn)確率較高，可以對水稻主要病害進(jìn)行檢測和診斷。同時(shí)，采用紅邊面積參數(shù)和660～990nm范圍反射率建立水稻紋枯病監(jiān)測模型。采用逐步回歸法和BP神經(jīng)網(wǎng)絡(luò)法建立2種疾病的識別模型，與逐步回歸分析比較，評價(jià)BP神經(jīng)網(wǎng)絡(luò)為在660.990、1933nm的特性波段，性能更好，為水稻病害的間接快速檢測提供了理論依據(jù)8。

3基于多種算法的水稻病害識別

3.1基于機(jī)器學(xué)習(xí)的水稻病害識別

機(jī)器學(xué)習(xí)是人工智能領(lǐng)域比較核心的技術(shù)之一。利用機(jī)器學(xué)習(xí)可以進(jìn)行圖像分割、圖像識別以及目標(biāo)特征檢測與提取等，目前在作物病害檢測上也有一定的應(yīng)用，但在水稻上的應(yīng)用還較少。黃雙萍等19利用機(jī)器學(xué)習(xí)中的卷積神經(jīng)網(wǎng)絡(luò)GoogLeNet模型對水稻穗瘟病進(jìn)行了檢測，利用多尺度卷積核提取不同尺度穗瘟病斑分布式特征，學(xué)習(xí)復(fù)雜噪聲高光譜圖像的隱高維特征表達(dá)并進(jìn)行級聯(lián)融合，通過對Softmax分類器統(tǒng)一學(xué)習(xí)與訓(xùn)練，實(shí)現(xiàn)穗瘟病害預(yù)測建模。劉成2利用改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)，結(jié)合SVM和HOG算法，通過機(jī)器學(xué)習(xí)對稻曲病進(jìn)行了分類識別，并在此基礎(chǔ)上開展更深的網(wǎng)絡(luò)訓(xùn)練，得到6種水稻病害的識別方法，經(jīng)過驗(yàn)證效果較好。

3.2基于其他算法的水稻病害識別

在其他的算法應(yīng)用中，貝葉斯理論也是其中的一種。楊昕薇等叫利用貝葉斯分類器，將水稻常見病害組合成4個(gè)不同的參數(shù)集，并進(jìn)行篩選和多余參數(shù)剔除，最后構(gòu)建識別模型。李鍵紅等針對不同種類水稻病害特征有相似的問題，提出了多任務(wù)聯(lián)合稀疏表示的水稻葉片病害自動(dòng)識別算法，該算法將單一病害特征的識別過程看作“任務(wù)”并按照稀疏表示進(jìn)行數(shù)據(jù)集的訓(xùn)練，從而實(shí)現(xiàn)單一任務(wù)的相互聯(lián)合，最終提高識別的效率。Xiao等2把主成分分析和神經(jīng)網(wǎng)絡(luò)相結(jié)合，通過降維處理，把21個(gè)參數(shù)變?yōu)?個(gè)參數(shù)，最后構(gòu)建6-11-4，3層BP神經(jīng)網(wǎng)絡(luò)識別模型，識別準(zhǔn)確率達(dá)95%以上，能夠快速有效地識別稻瘟病。Kim等129利用韓國水稻生產(chǎn)代表性地區(qū)稻瘟病發(fā)生的歷史資料和歷史氣候資料，對韓國3個(gè)不同地區(qū)Cheolwon、Icheon、Milyang建立了區(qū)域特有的稻瘟病模型，然后使用長期記憶網(wǎng)絡(luò)（LSTMs）提前1年預(yù)測稻瘟病的發(fā)病率;與傳統(tǒng)的稻瘟病預(yù)測模型相比，該模型對水稻育種工作者和稻瘟病研究人員更有幫助。4存在的問題

4.1研究的病害部位單一

目前，開展的病害識別研究仍以葉部病害為主，其他如莖鞘等部位的病害還缺少相應(yīng)的快速檢測技術(shù)。這主要是因?yàn)檫@些部位的病害特征獲取困難，不論是數(shù)字圖像還是光譜技術(shù)，均無法穿透到植株群體的內(nèi)部。

4.2識別技術(shù)單一

雖然信息技術(shù)手段已在水稻常見病害識別中發(fā)揮了重要作用，但總體上使用的技術(shù)還比較單一，多數(shù)使用圖像技術(shù)光譜技術(shù)等。

4.3識別精度不高

由于多數(shù)學(xué)者使用的技術(shù)單一，加之病害特征復(fù)雜等因素影響，現(xiàn)有研究中對某個(gè)病害的識別精度較高，但對常見病害的總體識別精度卻不高。

5研究展望

5.1加強(qiáng)信息獲取設(shè)備的研發(fā)

針對目前水稻病害研究部位單一的問題，應(yīng)大力研發(fā)適合在基部或群體內(nèi)部獲取信息的設(shè)備，比如手持式可伸縮圖像獲取設(shè)備、地面行走圖像獲取設(shè)備等。

5.2加強(qiáng)多技術(shù)的融合

為了提升識別精度，必須加強(qiáng)多個(gè)技術(shù)的融合，比如圖像與光譜技術(shù)的融合、常規(guī)算法與機(jī)器學(xué)習(xí)的融合等。

5.3加強(qiáng)學(xué)科的交叉

水稻病害的識別與檢測涉及多個(gè)學(xué)科，如農(nóng)學(xué)、植保、土肥、信息、環(huán)境等學(xué)科，如果只考慮農(nóng)學(xué)與信息2個(gè)學(xué)科，可能會因問題搞不清楚而影響最終的精度;因此，必須加強(qiáng)學(xué)科的交，叉融合，才能弄清需要解決的問題，從而推進(jìn)水稻病害識別與檢測研究的快速發(fā)展。

6參考文獻(xiàn)

[1]許秀，吳逸群.水稻主要病害及其防治技術(shù)[J].四川農(nóng)業(yè)科技，2017（3）：27-29.

[2]趙洪貴.水稻主要病害及其防治技術(shù)[I].農(nóng)業(yè)工程技術(shù)，2018（6）：24-26.

[3]管澤新.基于圖像的水稻病害識別方法的研究[D].杭州：浙江理工大學(xué)，2010.

[4]路陽，關(guān)海鷗，趙斌，等.水稻病害圖像預(yù)處理及其特征提取方法研究[J].農(nóng)機(jī)化研究，2011（8）：27-30.

[5]路陽，衣淑娟，張勇，等.基于PCA和Whitening算法的水稻病害圖像預(yù)處理研究[J].黑龍江八一農(nóng)墾大學(xué)學(xué)報(bào)，2017，29（2）：97-101.

[6]張武，黃帥，汪京京，等.復(fù)雜背景下小麥葉部病害圖像分割方法研究[J].計(jì)算機(jī)工程與科學(xué)，2015，37（7）：1349-1354.

[7]蘇博妮，化希耀，范振岐.基于顏色特征的水稻病害圖像分割方法研究[J].計(jì)算機(jī)與數(shù)字工程，2018，46（8）：1638-1642.

[8]劉立波，王劍，周國民水稻病害圖像無參考質(zhì)量評價(jià)方法研究[J].農(nóng)機(jī)化研究，2011（3）：50-54.

[9]馬德貴，邵陸壽，葛婧，等.水稻稻瘟病及水稻紋枯病病害程度圖像檢測[J].中國農(nóng)學(xué)通報(bào)，2008，24（9）：485-489.

[10]管澤鑫，唐健，楊保軍，等.基于圖像的水稻病害識別方法研究[J].中國水稻科學(xué)，2010，24（5）：497-502.

[11]劉濤，仲曉春，孫成明，等.基于計(jì)算機(jī)視覺的水稻葉部病害識別研究[J].中國農(nóng)業(yè)科學(xué)，2014，47（4）：664-674.

[12]王震，褚桂坤，張宏建，等.基于無人機(jī)可見光圖像Haar一like特征的水稻病害白穗識別[J].農(nóng)業(yè)工程學(xué)報(bào)，2018，34（20）：73-82.

[13]劉小紅.自適應(yīng)圖像壓縮的水稻病害診斷平臺[J].計(jì)算機(jī)技術(shù)與發(fā)展，2018，28（10）：173-177.

[14]楊燕.基于高光譜成像技術(shù)的水稻稻瘟病診斷關(guān)鍵技術(shù)研究[D].杭州：浙江大學(xué)，2012.

[15]鄭志雄，齊龍，馬旭，等.基于高光譜成像技術(shù)的水稻葉瘟病病害程度分級方法[J].農(nóng)業(yè)工程學(xué)報(bào)，2013，29（19）：138-144.

[16]QINZH，ZHANG?M?H.Detection?of?rice?sheath?blight?for?in-season?disease?management?using?multispectral?remote?sensing[J].International?Joural?of?Applied?Earth?Observation?and?Geoinformation，2005，7：115-128.

[17]王曉麗.基于近紅外光譜技術(shù)的水稻葉部病害診斷模型構(gòu)建[D].北京：中國農(nóng)業(yè)科學(xué)院，2011.

[18]WANGXL，ZHANGXL，ZHOU?G?M.Automatic?detection?of?rice?disease?using?near?infrared?spectra?technologies[J].J?Indian?Soc?Remote?Sens，2017，45（5）：785-794.

[19]黃雙萍，孫超，齊龍，等.基于卷積神經(jīng)網(wǎng)絡(luò)的水稻穗瘟病檢測方法[J].農(nóng)業(yè)工程學(xué)報(bào)，2017，33（20）：169-176.

[20]劉成.基于機(jī)器學(xué)習(xí)的水稻病害識別算法的研究[D].合肥：安徽大學(xué)，2018.

[21]楊昕薇，譚峰.基于貝葉斯分類器的水稻病害識別處理的研究[I].黑龍江八一農(nóng)墾大學(xué)學(xué)報(bào)，2012，24（3）：64-67.

[22]李鍵紅，吳亞榕.基于多任務(wù)聯(lián)合稀疏表示的水稻葉片病害自動(dòng)識別算法[J].仲愷農(nóng)業(yè)工程學(xué)院學(xué)報(bào)，2017，30（2）：40-44.

[23]XIAO?M?H，MA?Y，F(xiàn)ENG?Z?X，et?al.?Rice?blast?recognition?based?on.

principal?component?analysis?and?neural?network[J].Computers?and?Electronics?in?Agriculture，2018，154：482-490.

[24]KIM?Y，ROH?J，KIM?H?Y.Early?forecasting?of?rice?blast?disease?using?long?short-term?memory?recurrent?neural?networks[J].Sustainability，2017，10（1）：34.