陶 明，齊 龍，郭子淳，黃家懌，李慎磊，李 英

（1.華南農(nóng)業(yè)大學(xué)工程學(xué)院，廣東 廣州 510642；2.廣東省現(xiàn)代農(nóng)業(yè)裝備研究所，廣東 廣州 510630；3.廣州瑞豐生物科技有限公司，廣東 廣州 510663；4.上海聯(lián)適導(dǎo)航技術(shù)股份有限公司，上海 201702）

0 引言

農(nóng)作物生產(chǎn)過(guò)程中，病蟲害是造成作物產(chǎn)量與質(zhì)量下降的重要因素[1]，病蟲害的有效防治對(duì)農(nóng)作物的高產(chǎn)優(yōu)產(chǎn)十分重要[2]，然而現(xiàn)階段的農(nóng)業(yè)生產(chǎn)中，大部分農(nóng)戶對(duì)農(nóng)作物病害的種類及田間蟲情信息掌握不清，導(dǎo)致時(shí)常出現(xiàn)誤用農(nóng)藥、過(guò)量噴藥的情況，這不僅會(huì)延誤最佳治療時(shí)機(jī)，造成經(jīng)濟(jì)損失，還會(huì)帶來(lái)水土污染、生態(tài)失衡等環(huán)境問(wèn)題[3]。因此，實(shí)現(xiàn)對(duì)病害的準(zhǔn)確識(shí)別與蟲害的準(zhǔn)確檢測(cè)，對(duì)減少農(nóng)藥浪費(fèi)和降低環(huán)境污染有著重要的意義。

近年來(lái)，隨著傳感器技術(shù)與信息技術(shù)的融合與發(fā)展，人們開始使用傳感器與計(jì)算機(jī)等設(shè)備對(duì)農(nóng)作物的病蟲害情況進(jìn)行檢測(cè)，以此來(lái)代替人工判斷，從而減少人為誤判。對(duì)于農(nóng)作物病害，由于發(fā)病癥狀明顯，常有區(qū)域性發(fā)病，一般研究方向集中于單株作物病害識(shí)別和區(qū)域性病害檢測(cè)及預(yù)警。對(duì)于蟲害監(jiān)測(cè)，由于田間害蟲具有遷移性和隱蔽性，難以直接檢測(cè)害蟲個(gè)體，因此研究方向通常集中于田間取樣采集害蟲樣本后檢測(cè)識(shí)別，獲取田間蟲情信息。本文介紹了國(guó)內(nèi)外學(xué)者在田間不同作物上的病害識(shí)別與蟲情監(jiān)測(cè)技術(shù)研究現(xiàn)狀，以期為后續(xù)的技術(shù)發(fā)展和深入研究提供借鑒。

1 病害檢測(cè)方法

1.1 病害檢測(cè)方法概述

目前對(duì)于作物病害情況，通常依靠人工經(jīng)驗(yàn)進(jìn)行判斷，一些農(nóng)戶可以通過(guò)經(jīng)驗(yàn)對(duì)常見(jiàn)的病害種類進(jìn)行判斷，但對(duì)于田間較少出現(xiàn)的病害，農(nóng)戶難以辨認(rèn)，無(wú)法對(duì)癥下藥。經(jīng)過(guò)系統(tǒng)知識(shí)培訓(xùn)的農(nóng)業(yè)專家可以對(duì)農(nóng)作物病害的類型及程度進(jìn)行更準(zhǔn)確的判斷，然而農(nóng)業(yè)專家與植保人員相對(duì)較少，難以滿足廣大農(nóng)戶的需求，當(dāng)出現(xiàn)大規(guī)模病害時(shí)，將會(huì)出現(xiàn)無(wú)法及時(shí)處理的情況，會(huì)造成嚴(yán)重的經(jīng)濟(jì)損失。由于人工判斷病害存在較多弊端，因此利用機(jī)器對(duì)田間作物病害進(jìn)行快速準(zhǔn)確的識(shí)別十分必要，目前常用的田間病害識(shí)別技術(shù)主要有光譜技術(shù)、計(jì)算機(jī)視覺(jué)技術(shù)和深度學(xué)習(xí)技術(shù)等[4]。

1.2 基于光譜技術(shù)的病害檢測(cè)方法

光譜技術(shù)通過(guò)獲取可見(jiàn)光、近紅外、短波紅外等波段的光譜信息來(lái)監(jiān)測(cè)田間的作物病害，由于病害會(huì)造成作物葉片的營(yíng)養(yǎng)成分、水分等生理情況發(fā)生變化，導(dǎo)致患病作物在光譜反射特性上與健康作物存在較大差別，從而實(shí)現(xiàn)對(duì)病害的檢測(cè)。對(duì)于大范圍的檢測(cè)，通常采用高光譜遙感技術(shù)，利用衛(wèi)星或無(wú)人機(jī)等航空航天飛行器采集目標(biāo)地塊內(nèi)的光譜數(shù)據(jù)，根據(jù)該數(shù)據(jù)建立病害檢測(cè)模型，實(shí)現(xiàn)病害檢測(cè)[5]。該技術(shù)的優(yōu)勢(shì)在于可對(duì)區(qū)域性的病害進(jìn)行檢測(cè)，同時(shí)可以對(duì)早期病害進(jìn)行檢測(cè)，實(shí)現(xiàn)對(duì)病害的預(yù)警，從而進(jìn)行精確的區(qū)域病害防治工作。但該技術(shù)同樣存在一定劣勢(shì)，在實(shí)際生產(chǎn)過(guò)程中，不同的病害可能會(huì)引起作物產(chǎn)生相似的癥狀，使得不同病害產(chǎn)生相似的光譜特征，造成“同譜異病”的情況出現(xiàn)，且光譜易受天氣和地形影響，導(dǎo)致檢測(cè)精度下降[6]；加之高光譜檢測(cè)設(shè)備成本昂貴，小農(nóng)戶難以負(fù)擔(dān)，田間推廣存在一定難度。

1.3 基于計(jì)算機(jī)視覺(jué)技術(shù)的病害檢測(cè)方法

計(jì)算機(jī)視覺(jué)技術(shù)主要利用農(nóng)作物的病害圖像對(duì)病害進(jìn)行識(shí)別。傳統(tǒng)的計(jì)算機(jī)視覺(jué)識(shí)別病害使用人工提取特征的方法，該方法主要依靠研究人員的先驗(yàn)知識(shí)設(shè)計(jì)算法，對(duì)病害的紋理、顏色及形狀等特征進(jìn)行提取和匹配，以實(shí)現(xiàn)對(duì)病害的識(shí)別。如PUGOY 和MARIANO 將圖像轉(zhuǎn)為 HSI 色彩空間后，利用 K 均值聚類將像素分組，與各疾病進(jìn)行比較，生成與各疾病的匹配度，從而實(shí)現(xiàn)病害的識(shí)別[7]。PHADIKAR 通過(guò)提取病斑特征，利用粗糙集理論對(duì)特征進(jìn)行篩選和建模，實(shí)現(xiàn)了對(duì)4 種水稻病害的識(shí)別[8]。賈建楠和吉海彥則采集了黃瓜細(xì)菌性角斑病和黃瓜霜霉病葉片的圖像，采用最大類間方差法提取了10 個(gè)病斑形狀特征，以此對(duì)二者進(jìn)行識(shí)別[9]。上述方法均能在特定的病害識(shí)別中達(dá)到良好的識(shí)別效果，但大部分傳統(tǒng)計(jì)算機(jī)視覺(jué)方法均依賴人工提取作物的病害特征，這使得算法的表達(dá)能力十分有限，難以概括病害的全部特征，泛化能力較差，對(duì)于不同的環(huán)境背景適應(yīng)性較差，也存在易與其他病害混淆的情況[10]。且對(duì)于不同的作物和病害，人工提取的特征并不能直接進(jìn)行復(fù)用，科研人員需要重新對(duì)算法進(jìn)行設(shè)計(jì)以適應(yīng)新作物與新病害，這極大地增加了后續(xù)研究的復(fù)雜程度，因此該方法較難在實(shí)際應(yīng)用中落地。

1.4 基于深度學(xué)習(xí)技術(shù)的病害檢測(cè)方法

深度學(xué)習(xí)技術(shù)是在計(jì)算機(jī)視覺(jué)技術(shù)的基礎(chǔ)上，利用卷積神經(jīng)網(wǎng)絡(luò)對(duì)圖像中的病害特征進(jìn)行自動(dòng)提取，以此代替人工設(shè)計(jì)提取特征，因而避免了傳統(tǒng)計(jì)算機(jī)視覺(jué)方法存在的問(wèn)題。近年來(lái)，深度學(xué)習(xí)技術(shù)在圖像分類、圖像檢測(cè)、內(nèi)容推薦等領(lǐng)域得到了廣泛的應(yīng)用，在農(nóng)業(yè)領(lǐng)域，也有大量學(xué)者開始使用深度學(xué)習(xí)技術(shù)和卷積神經(jīng)網(wǎng)絡(luò)技術(shù)對(duì)不同作物病害進(jìn)行識(shí)別和檢測(cè)。如LU 等采用了深度多實(shí)例學(xué)習(xí)，設(shè)計(jì)了一種田間自動(dòng)病害診斷系統(tǒng)，對(duì)6 種小麥病害進(jìn)行了識(shí)別和定位，使用的VGG-FCN-VD16和VGG-FCN-S 兩種網(wǎng)絡(luò)均達(dá)到了95%以上的準(zhǔn)確率[11]。OZGUVEN和ADEM則采用了Faster R-CNN目標(biāo)檢測(cè)網(wǎng)絡(luò)結(jié)構(gòu)，實(shí)現(xiàn)了對(duì)甜菜葉上的病斑進(jìn)行定位識(shí)別[12]。黃雙萍等提出了基于深度卷積神經(jīng)網(wǎng)絡(luò)GoogLeNet的水稻穗瘟病檢測(cè)方法，克服了室外自然光照的影響，利用多尺度卷積核提取不同尺度病斑的分布式特征，并對(duì)它們進(jìn)行了級(jí)聯(lián)融合，以實(shí)現(xiàn)稻瘟病的識(shí)別[13]。孫俊等采用了全局均值池化方法以替代卷積神經(jīng)網(wǎng)絡(luò)中的全連接層，結(jié)果表明，這項(xiàng)改進(jìn)可以提升不同作物病害的識(shí)別準(zhǔn)確率[14]。KARLEKAR和SEAL針對(duì)大豆，設(shè)計(jì)了SoyNet，實(shí)現(xiàn)了對(duì)16種大豆病害的識(shí)別，達(dá)到了97%以上的準(zhǔn)確率[15]。CHEN等將Inception架構(gòu)移植至VGGNet，并采用了遷移學(xué)習(xí)方法，將其他數(shù)據(jù)集上學(xué)習(xí)到的特征提取能力應(yīng)用到水稻病害數(shù)據(jù)上，達(dá)到了92%的分類準(zhǔn)確率[16]。KC等則將深度可分離卷積結(jié)構(gòu)與簡(jiǎn)化的MobileNet進(jìn)行了結(jié)合，使用PlantVillage數(shù)據(jù)集進(jìn)行訓(xùn)練并測(cè)試，結(jié)果表明，該網(wǎng)絡(luò)可以以較小體積實(shí)現(xiàn)較高的病害分類精度[17]。林中琦針對(duì)小麥病害樣本數(shù)量不均衡的問(wèn)題，將局部支持向量機(jī)與卷積神經(jīng)網(wǎng)絡(luò)相結(jié)合，提出了CNN-LSVM模型，提高了不平衡數(shù)據(jù)集中識(shí)別分類的精度[18]。ARNAL BARBEDO提出了一種基于單個(gè)病變和斑點(diǎn)的圖像分類算法，測(cè)試了14種植物的79種疾病，結(jié)果表明，對(duì)單個(gè)病變進(jìn)行識(shí)別的效果要優(yōu)于整體識(shí)別[19]。PICON等則采用了多元信息融合的方式，將背景非圖像元數(shù)據(jù)與病害圖像進(jìn)行結(jié)合，提出了3種不同的CNN架構(gòu)，實(shí)現(xiàn)了對(duì)5種作物、17種病害的識(shí)別[20]。RAHMAN針對(duì)模型尺寸問(wèn)題，提出了一種兩階段的小型CNN架構(gòu)對(duì)水稻病害進(jìn)行了檢測(cè)，達(dá)到了93.3%的準(zhǔn)確率[21]。

目前深度學(xué)習(xí)技術(shù)在各種作物的病害識(shí)別上都得到了應(yīng)用，具備識(shí)別種類多，準(zhǔn)確率高的特點(diǎn)，同時(shí)由于遷移學(xué)習(xí)技術(shù)，還擁有良好的遷移擴(kuò)展能力，這使得深度學(xué)習(xí)技術(shù)在農(nóng)業(yè)計(jì)算機(jī)視覺(jué)領(lǐng)域已經(jīng)開始逐步取代傳統(tǒng)的圖像處理方法。上述研究主要為針對(duì)網(wǎng)絡(luò)結(jié)構(gòu)、病害數(shù)據(jù)集情況及模型尺寸進(jìn)行的改進(jìn)，且都取得了較好的效果。但在實(shí)際應(yīng)用中，深度學(xué)習(xí)方法仍然存在一些不足。對(duì)于數(shù)據(jù)集，一些少見(jiàn)的病害難以獲得足夠的病害樣本，部分?jǐn)?shù)據(jù)集的場(chǎng)景單一，缺乏普適性，盡管數(shù)據(jù)增強(qiáng)可以對(duì)病害圖像數(shù)量進(jìn)行擴(kuò)增，但無(wú)法生成全新的病害特征，這使得訓(xùn)練得到的模型難以真正應(yīng)用到實(shí)際生產(chǎn)中[22]。而一些網(wǎng)絡(luò)模型的尺寸較大，對(duì)硬件的要求較高，導(dǎo)致其在田間使用中受限。

2 蟲害檢測(cè)方法

2.1 蟲害檢測(cè)方法概述

目前我國(guó)對(duì)蟲害的監(jiān)測(cè)主要還是采用通過(guò)人工田間趕蛾或殺蟲燈誘捕害蟲，次日將害蟲取出進(jìn)行人工計(jì)數(shù)的方法。該方法存在效率低、勞動(dòng)強(qiáng)度大等缺點(diǎn)，且監(jiān)測(cè)結(jié)果受測(cè)報(bào)人員主觀經(jīng)驗(yàn)因素影響大，缺乏統(tǒng)一標(biāo)準(zhǔn)；而次日取出計(jì)數(shù)也意味著無(wú)法對(duì)田間害蟲數(shù)量進(jìn)行準(zhǔn)確實(shí)時(shí)的監(jiān)測(cè)，不利于實(shí)現(xiàn)害蟲的快速防治。隨著計(jì)算機(jī)技術(shù)的發(fā)展，數(shù)字化與自動(dòng)化也被引入到蟲害計(jì)數(shù)領(lǐng)域中，目前害蟲自動(dòng)計(jì)數(shù)技術(shù)主要有光電傳感器計(jì)數(shù)、聲特征檢測(cè)以及圖像識(shí)別等。

2.2 基于光電傳感器技術(shù)的蟲害檢測(cè)方法

光電傳感器計(jì)數(shù)主要利用害蟲下落經(jīng)過(guò)傳感器時(shí)切斷光路產(chǎn)生的電脈沖進(jìn)行計(jì)數(shù)，該方法具有靈敏度高、經(jīng)濟(jì)性好等優(yōu)點(diǎn)，且安裝適用性較強(qiáng)，但當(dāng)害蟲下落距離較近時(shí)則易出現(xiàn)重疊現(xiàn)象導(dǎo)致誤判，從而影響計(jì)數(shù)的準(zhǔn)確率，現(xiàn)有的害蟲監(jiān)測(cè)裝置多采用該方法計(jì)數(shù)。早在1996 年，SHUMAN 等便研制出了一款監(jiān)測(cè)倉(cāng)貯害蟲的裝置，該裝置以光電傳感器為基礎(chǔ)，通過(guò)電子探管實(shí)現(xiàn)對(duì)害蟲的計(jì)數(shù)，計(jì)數(shù)準(zhǔn)確率達(dá)到了88%[23]，隨后又采用正交方法的雙光電技術(shù)對(duì)該裝置進(jìn)行了改進(jìn)，成功過(guò)濾了裝置中的其他干擾物，且增加了獲取蟲體長(zhǎng)度的功能[24]。OPI systems 公司通過(guò)收集大量實(shí)倉(cāng)的試驗(yàn)數(shù)據(jù)，提出了基于光電電子計(jì)數(shù)的統(tǒng)計(jì)模型，根據(jù)該模型計(jì)算得到成蟲蟲口密度數(shù)據(jù)，針對(duì)不同倉(cāng)儲(chǔ)溫度下的害蟲數(shù)量給予對(duì)應(yīng)的預(yù)警[25]。JIANG 等在2008 年基于雙層光電傳感器設(shè)計(jì)了一種桔小實(shí)蠅誘捕及自動(dòng)計(jì)數(shù)系統(tǒng)，準(zhǔn)確率達(dá)到了80%[26]。文韜等通過(guò)在裝置入口處設(shè)置兩組光電傳感器，利用光電耦合探頭的電信號(hào)變化對(duì)害蟲的運(yùn)動(dòng)方向進(jìn)行統(tǒng)計(jì)，實(shí)現(xiàn)對(duì)桔小實(shí)蠅的自動(dòng)計(jì)數(shù)與成蟲蟲口密度動(dòng)態(tài)監(jiān)測(cè)，該方法減少了害蟲活動(dòng)造成的計(jì)數(shù)誤差，結(jié)果顯示計(jì)數(shù)的相對(duì)誤差約為3%～8%，同時(shí)結(jié)合無(wú)線傳感器網(wǎng)絡(luò)實(shí)現(xiàn)了害蟲的遠(yuǎn)程實(shí)時(shí)監(jiān)測(cè)[27]。

2.3 基于聲特征技術(shù)的蟲害檢測(cè)方法

聲特征技術(shù)主要通過(guò)拾音器獲取害蟲的爬行、吃食、鳴叫等聲音電信號(hào)，對(duì)獲取得到的電信號(hào)進(jìn)行處理后可以計(jì)算害蟲數(shù)量。如耿森林對(duì)赤擬谷盜、黑菌蟲和米象成蟲在小麥、大豆和玉米中的爬行聲進(jìn)行了采集和分析，建立了害蟲活動(dòng)聲的無(wú)規(guī)聲源模型，利用害蟲活動(dòng)聲功率譜特征檢測(cè)和區(qū)分害蟲[28]。但由于該方法易受環(huán)境噪聲等因素的干擾，在分辨復(fù)合種類、多數(shù)量害蟲的聲信息等方面仍然存在一定的困難，因此，目前較多應(yīng)用于倉(cāng)儲(chǔ)中蟲害的檢測(cè)，在田間的監(jiān)測(cè)應(yīng)用仍處于實(shí)驗(yàn)室探索階段。

2.4 基于機(jī)器視覺(jué)技術(shù)的蟲害檢測(cè)方法

機(jī)器視覺(jué)技術(shù)通過(guò)在捕蟲裝置內(nèi)部安裝光源、攝像機(jī)、接蟲板等設(shè)備，定時(shí)對(duì)捕獲到的害蟲進(jìn)行拍照，通過(guò)圖像處理技術(shù)對(duì)捕獲到的害蟲進(jìn)行識(shí)別計(jì)數(shù)，準(zhǔn)確率相對(duì)較高。如韓瑞珍和何勇基于計(jì)算機(jī)視覺(jué)技術(shù)，設(shè)計(jì)了一套大田害蟲遠(yuǎn)程自動(dòng)識(shí)別系統(tǒng)，該系統(tǒng)通過(guò)無(wú)線網(wǎng)絡(luò)將害蟲圖像傳輸?shù)街骺仄脚_(tái)中，主控平臺(tái)中系統(tǒng)通過(guò)對(duì)害蟲的形態(tài)和顏色特征進(jìn)行提取，實(shí)現(xiàn)了大田害蟲的快速識(shí)別和診斷，達(dá)到了87.4%的準(zhǔn)確率[29]。該方法的不足在于監(jiān)測(cè)結(jié)果受環(huán)境光照影響大，算法普適性較差，光源攝像機(jī)設(shè)備導(dǎo)致成本上升，這使得機(jī)器視覺(jué)技術(shù)在田間害蟲監(jiān)測(cè)中的應(yīng)用和推廣受到了一定的限制。

2.5 基于多項(xiàng)技術(shù)融合的蟲害檢測(cè)方法

除了單獨(dú)使用上述技術(shù)進(jìn)行蟲害監(jiān)測(cè)外，部分學(xué)者也開始采用多種傳感器進(jìn)行共同監(jiān)測(cè)。如田冉等將光電紅外傳感器技術(shù)與圖像處理技術(shù)進(jìn)行融合，實(shí)現(xiàn)了對(duì)梨小食心蟲、蘋小卷葉蛾和桃蛀螟的監(jiān)測(cè)，通過(guò)兩種渠道獲取害蟲信息，有效提高了害蟲計(jì)數(shù)的準(zhǔn)確率[30]。此類融合方法在一定程度上可以取長(zhǎng)補(bǔ)短，從多個(gè)角度獲取害蟲的相關(guān)信息，通過(guò)互相驗(yàn)證減弱環(huán)境的影響，達(dá)到提升監(jiān)測(cè)效果的目的。但該方法對(duì)融合算法具有一定的要求，需要研究人員對(duì)不同傳感器的數(shù)據(jù)進(jìn)行取舍建模，以達(dá)到最優(yōu)效果。

3 結(jié)語(yǔ)

準(zhǔn)確識(shí)別田間農(nóng)作物的病蟲害情況是保障我國(guó)糧食安全的重要基礎(chǔ)之一。在田間病蟲害獲取過(guò)程中，人工識(shí)別病害和計(jì)數(shù)的效率低、準(zhǔn)確率低，且無(wú)法做到實(shí)時(shí)監(jiān)測(cè)，這使得田間病蟲害的防治較為困難，因此，對(duì)田間病蟲害情況進(jìn)行快速、準(zhǔn)確、實(shí)時(shí)的識(shí)別是現(xiàn)代農(nóng)業(yè)植保環(huán)節(jié)的迫切需求。

從國(guó)內(nèi)外研究現(xiàn)狀來(lái)看，現(xiàn)有的病蟲害檢測(cè)技術(shù)在可控環(huán)境下均能達(dá)到較好的效果。對(duì)于病害識(shí)別，高光譜遙感與深度學(xué)習(xí)技術(shù)已逐步成為田間不同尺度上的主流，目前的研究主要集中于如何有效區(qū)分相似病害以及克服田間環(huán)境干擾的問(wèn)題；未來(lái)的研究可考慮多源、多傳感器融合的病害識(shí)別模型，通過(guò)結(jié)合農(nóng)學(xué)知識(shí)、氣象信息、地理信息、遙感光譜及視覺(jué)圖像信息等，利用大數(shù)據(jù)實(shí)現(xiàn)田間作物病害的識(shí)別、監(jiān)控與預(yù)警。對(duì)于蟲害監(jiān)測(cè)，現(xiàn)有的技術(shù)仍然面臨較多難題，主要難點(diǎn)在于害蟲的活動(dòng)位置較為隱蔽，難以發(fā)現(xiàn)；未來(lái)的研究可考慮利用光電、聲特征、壓電、光譜、視覺(jué)等多種傳感器信息，從不同角度對(duì)害蟲進(jìn)行監(jiān)測(cè)，以得到全面的蟲害信息。