崔金榮 ，鄭 鴻 ，譚建偉 ，劉 心

（1.華南農(nóng)業(yè)大學(xué) 數(shù)學(xué)與信息學(xué)院，廣東 廣州 510642；2.華南農(nóng)業(yè)大學(xué) 工程學(xué)院，廣東 廣州 510642；3.廣州市智慧農(nóng)業(yè)重點實驗室，廣東 廣州 510642）

水稻是世界主要糧食作物之一。保證水稻產(chǎn)量安全尤其是對水稻病害進行有效防治成為了民生大計。

水稻常見病害主要有褐斑病、白葉枯病、稻瘟病、假黑穗病和紋枯病[1]。每種疾病的顏色、形狀和大小各不相同。但有時兩種疾病的顏色可能相同但形狀可能不同。目前主要依靠經(jīng)驗、指南鑒定這些疾病的情況，一方面會加大對人員培訓(xùn)的時間成本；另一方面極易導(dǎo)致誤鑒。而誤鑒往往導(dǎo)致一些不正確的防治措施，如濫用和不及時使用農(nóng)藥。因此水稻病害的自動檢測技術(shù)因其可以快速分類和預(yù)測結(jié)果，而成為近年來的一個重要研究課題。本文的目的便是對已有研究成果進行總結(jié)并做出未來展望，為相關(guān)研究人員提供理論基礎(chǔ)。

1 不同類型的水稻病害

胡麻斑病、稻瘟病、紋枯病、白葉枯病和假黑穗病等是水稻最常見、最危險的幾種主要病害。每種葉片病害的常見性狀及顏色特點等如圖1所示。

圖1 常見水稻病害

2 基于高光譜技術(shù)的水稻病害檢測

高光譜成像技術(shù)（HSI）是一種將成像技術(shù)和光譜技術(shù)結(jié)合起來的新技術(shù)，其中包含了豐富的空間和光譜信息。因為病害的發(fā)生會改變植物組織的生物物理和生化特性，從而引起葉片組織反射率的變化，所以可通過光譜反射率識別害蟲侵染引起的外部損害和內(nèi)部損害[2]。

提取光譜數(shù)據(jù)特征的一個思路是特征選擇方法；另一個思路是使用各種變換原始數(shù)據(jù)的方法，將一個高維的高光譜圖像簡化為低維的數(shù)據(jù)，再從低維空間的數(shù)據(jù)中提取到新的特征。YUAN等[3]人采用支持向量機和判別分析相結(jié)合的連續(xù)投影算法（SPA）特征提取方法構(gòu)建水稻葉瘟高光譜識別模型。使用支持向量機和線性判別分析（LDA）構(gòu)建水稻葉瘟識別模型。實驗結(jié)果表明，SG-SPA-SVM模型和SG-SPA-LDA模型的預(yù)測精度均為98.7% 。

3 圖像處理和模式識別技術(shù)

隨著科學(xué)技術(shù)的發(fā)展，植物病害的圖像識別受到了廣泛的關(guān)注。一般來說，該方法首先利用圖像處理技術(shù)從獲得的圖像中的病變區(qū)域提取特征信息，然后利用模式識別方法（如判別分析、神經(jīng)網(wǎng)絡(luò)和支持向量機）實現(xiàn)疾病識別。該方法不僅有助于疾病的準(zhǔn)確診斷，而且有助于疾病的分類。

PHADIKAR等[4]人提出了一種基于植被指數(shù)的水稻褐斑病和稻瘟病自動分類系統(tǒng)。MAI等[5]人提出了一種基于超像素分割（SLIC）和隨機森林分類器的病變自動分割方法。PHADIKAR等[6]人提出了一種基于費米能級的分割方法來區(qū)分不同類型的水稻病害。BANDARA等[7]人將顏色閾值法應(yīng)用于水稻葉片病害區(qū)識別。XIAO等[8]人提出了一種基于主成分分析和反向傳播神經(jīng)網(wǎng)絡(luò)的稻瘟病識別方法。

4 基于深度學(xué)習(xí)的水稻病害檢測方法

深度學(xué)習(xí)技術(shù)以其強大的學(xué)習(xí)能力成為了目前水稻病害檢測的主流[9]，表1中列出了基于深度學(xué)習(xí)方法的水稻病蟲害檢測研究相關(guān)文獻。

表1 基于深度學(xué)習(xí)方法的水稻病害檢測研究文獻簡介

RAHMAN等[10]人提出了一種基于深度學(xué)習(xí)的水稻病蟲害檢測方法。由于大規(guī)模架構(gòu)不適合移動設(shè)備，因此作者提出了一種新型的兩階段輕量型CNN架構(gòu)，并與先進的輕量化CNN架構(gòu)如MobileNet、NasNet mobile和SqueezeNet進行了比較。實驗結(jié)果表明，該體系結(jié)構(gòu)在顯著減小模型尺寸（如與VGG16相比減少99% ）的情況下，可以達到預(yù)期的93.3% 的精度。

目標(biāo)檢測技術(shù)是深度學(xué)習(xí)的一大主要分支，而且能夠有效指明水稻病害的具體區(qū)域，對后續(xù)的治理有利。LI等[11]人設(shè)計了一種新型深度卷積神經(jīng)網(wǎng)絡(luò)（DCNN）主干，用于取代Faster-Rcnn的原始主干，并將改進后的Faster-Rcnn用于視頻中的病蟲害檢測。Faster-Rcnn是一種兩步法的目標(biāo)檢測算法，如圖2所示。

圖2 用于水稻病害檢測的經(jīng)典目標(biāo)檢測架構(gòu)[10]

5 存在問題

5.1 水稻病害檢測位置受限

現(xiàn)如今水稻病害識別的主要研究方向還是水稻的葉片病害識別。對于水稻葉鞘，水稻葉穗，水稻莖稈的病害識別研究成果并不多。綜其原因，一則這些部位的病變區(qū)域難以分割，難以提取有效的特征；二則數(shù)據(jù)難以獲取。

5.2 應(yīng)用方面受限

對于水稻病害的問題主要集中在進行植株病害的分類上，對于水稻病害的目標(biāo)檢測問題研究成果非常少。

5.3 識別精度受限

由于許多常見病害的特征（如顏色、形狀）高度相似，同時水稻植株的背景復(fù)雜，導(dǎo)致目前對常見病害的總體精度識別準(zhǔn)確率不高。

未來研究者們應(yīng)深入了解視覺算法和深度學(xué)習(xí)的最新進展，取長補短，將其與水稻病害檢測結(jié)合，用于分析不同區(qū)域、不同類別的病害對水稻植株的影響，提升檢測的準(zhǔn)確率。