刁 鵬 ，高立兵

（甘肅有色冶金職業(yè)技術(shù)學(xué)院，甘肅 金昌 737100）

0 引言

病蟲害是導(dǎo)致作物產(chǎn)量下降的主要因素，如果對病蟲害防治不及時，作物每年的減產(chǎn)量可達15%～20%。調(diào)查表明，夏伏時節(jié)隨著氣溫的回升和田間濕度的增大，蟲口密度逐日攀升，至夏末秋初達到高峰，各類蟲害呈中度或重度發(fā)生[1]，防治非常困難。傳統(tǒng)的作物病蟲害監(jiān)測方法既費時費力[2]，監(jiān)測效率又不高。無人機遙感技術(shù)是指將各類傳感器搭載在無人機上，利用無人機可低空飛行的優(yōu)勢，借助傳感器獲取地面上的高清影像圖，通過計算機處理影像圖，從而獲取各類作物生長的特征信息。它可以大面積、快速無破壞、無污染地對作物進行監(jiān)測，能節(jié)省人力、物力，提高監(jiān)測效率，保護環(huán)境，從真正意義上實現(xiàn)經(jīng)濟效益、社會效益、生態(tài)效益相統(tǒng)一[3]。

近年來，隨著無人機及傳感器等硬件的飛速發(fā)展和計算機技術(shù)、機器視覺技術(shù)的不斷成熟，無人機遙感已成功應(yīng)用于作物長勢監(jiān)測、作物識別、病蟲害監(jiān)測、面積測算和產(chǎn)量估算等方面，尤其在作物病蟲害監(jiān)測方面成績斐然[4]。本文主要圍繞無人機遙感在作物病蟲害監(jiān)測方面的研究，從影像采集和數(shù)據(jù)處理這兩個方面介紹無人機遙感在作物病蟲害監(jiān)測上的技術(shù)方法；然后介紹可見光、熱紅外、多光譜、高光譜、激光雷達這5種常見的傳感器在作物病蟲害監(jiān)測上的應(yīng)用方法；最后探討了無人機遙感技術(shù)目前存在的問題和發(fā)展建議。

1 無人機遙感監(jiān)測作物蟲害的方法

1.1 概述

當(dāng)作物發(fā)生病蟲害時，其顏色、紋理、形狀等會發(fā)生變化，與健康情況下相比其反射率會表現(xiàn)出明顯的差異。通過測定不同波段上的反射率并加以對比分析，可以實現(xiàn)對病蟲害的類型及受害程度的監(jiān)測。

無人機遙感監(jiān)測作物的病蟲害是指將各類傳感器搭載在無人機上，通過遠程遙控?zé)o人機來航拍作物的影像圖，然后利用圖像處理軟件對影像圖進行處理，提取作物的特征信息，從而達到識別作物病蟲害的目的，其系統(tǒng)組成如圖1所示。

圖1 無人機遙感系統(tǒng)

其監(jiān)測的方法可以概括成兩種情況：1）單一監(jiān)測方法，指不借助其他方式只通過無人機遙感及相關(guān)的圖像處理軟件來實現(xiàn)作物的病蟲害識別；2）綜合監(jiān)測法，通過無人機遙感和人工解譯等手段的結(jié)合來實現(xiàn)病蟲害的監(jiān)測。根據(jù)實際需要選擇單一或綜合手段來進行病蟲害的監(jiān)測，實現(xiàn)作物監(jiān)測的智能化，為作物的病蟲害防治提供參考。

無人機遙感監(jiān)測的過程中主要涉及的儀器設(shè)備及軟件如下：無人機、傳感器、ENVI、Pix4Dmapper、數(shù)據(jù)算法模型等。

1.2 數(shù)據(jù)采集方式

1.2.1 無人機平臺

無人機是指可以通過人工地面遙控來實現(xiàn)空中作業(yè)的飛行器。按照其飛行平臺的構(gòu)造可分為固定翼、混合翼、單旋翼、多旋翼，如圖2所示。無人機遙感作業(yè)質(zhì)量的好壞主要取決以下因素：荷載、飛行高度、續(xù)航時間、航攝分辨率、定位及監(jiān)測精度等。幾種不同型號的無人機參數(shù)對照表如表1所示。無人機遙感是否穩(wěn)定是影像數(shù)據(jù)質(zhì)量好壞的關(guān)鍵影響因素，所以要根據(jù)作業(yè)區(qū)的要求來慎重選擇無人機。目前，作物的病蟲害監(jiān)測飛行平臺一般選擇多旋翼無人機，其穩(wěn)定性強，可以定點懸停，可控性能好，被廣泛應(yīng)用于農(nóng)業(yè)的各個領(lǐng)域。

圖2 幾種常見的飛行平臺

表1 不同無人機性能指標(biāo)

1.2.2 機載傳感器

目前常見的機載傳感器主要有可見光波段數(shù)碼相機、近紅外波段多光譜相機、熱紅外波段相機、激光雷達等，如圖3所示。幾種常見的傳感器及其性能指標(biāo)如表2所示。在進行作物病蟲害的監(jiān)測時可以根據(jù)實際需要選擇適合的傳感器。

表2 常用機載傳感器參數(shù)

圖3 無人機遙感搭載的幾種常見傳感器

1.2.3 圖像采集流程

由地面控制無人機飛行至工作區(qū)進行作業(yè)，過程中要保證無人機飛行穩(wěn)定，以保證獲取的數(shù)據(jù)的質(zhì)量，從而獲得較好的遙感影像圖。無人機獲取的圖像的質(zhì)量與數(shù)量是影響監(jiān)測信息精確性的關(guān)鍵因素。無人機航攝工作流程如下。

1）飛行前期準(zhǔn)備。主要包括試驗區(qū)的病情分析、空域申請、飛行設(shè)備采購、飛機質(zhì)量檢查、飛行航線優(yōu)化、飛機的航向重疊率優(yōu)化、設(shè)備檢查、天氣情況查詢等。

2）航線規(guī)劃。航線規(guī)劃要綜合考慮各種要素，包括試驗區(qū)的地形、飛機的續(xù)航與荷載、作物病蟲害等。規(guī)劃內(nèi)容主要包括網(wǎng)絡(luò)鏈接方式、飛行高度、拍攝模式、起降點、航向與旁向重疊等。

3）低空飛行作業(yè)。作業(yè)人員要通過地面控制系統(tǒng)實時掌握飛機的飛行情況，如飛行速度、飛機位置、任務(wù)完成情況、電量等，若遇到緊急情況可手動控制飛行。

4）飛行作業(yè)結(jié)束。飛行結(jié)束后首先要檢查圖像的質(zhì)量，關(guān)閉設(shè)備電源，放置好飛行設(shè)備。

1.3 監(jiān)測數(shù)據(jù)處理方法

實現(xiàn)作物病蟲害監(jiān)測的關(guān)鍵在于影像信息的提取，內(nèi)容包括作物的顏色、紋理、形狀、反射率等，信息是否精準(zhǔn)將直接影響到最終的判別結(jié)果。目前的研究多是圍繞這些光譜信息來進行的，現(xiàn)階段數(shù)據(jù)的主要處理方式有統(tǒng)計分析與機器學(xué)習(xí)兩種。

目前，主要的數(shù)據(jù)處理技術(shù)有圖像預(yù)處理，圖像分割、拼接、清洗、特征提取、幾何校正、設(shè)計模型等。數(shù)據(jù)處理軟件有無人機平臺配備的專門處理軟件和攝影測量軟件，如Pix4Dmapper、ENVI、Inpho、Metashape等。

1.3.1 統(tǒng)計分析法

目前，常用于病蟲害的統(tǒng)計分析法有對比分析法、綜合評價法、回歸分析、相關(guān)分析、方差分析和聚類分析等。在進行光譜特征分析時，常使用上述方法來研究病蟲害的光譜曲線變化。作物葉片或冠層光譜特征提取的方法有光譜波段、反射率及植被指數(shù)等。

由于病蟲害種類繁多且影響程度不同，所以基于光譜波段的特征識別更精準(zhǔn)。光譜波段通過提取與計算后可以生成歸一化植被指數(shù)（NDVI）和增強植被指數(shù)（EVI）等。植被指數(shù)（VI）可以將作物生長情況進行量化，根據(jù)量化值的大小進行判別。利用VI值可以構(gòu)建病情嚴重度反演和病害光譜診斷模型，模型的構(gòu)建需要借助大量的實測數(shù)據(jù)，所以數(shù)據(jù)的好壞是影響識別結(jié)果精準(zhǔn)度的關(guān)鍵因素。模型通常會受到地域的限制，有的地方該模型精度高，有的地方該模型得出的結(jié)果會存在很大的誤差。

1.3.2 機器學(xué)習(xí)法

目前，機器學(xué)習(xí)法是研究作物病蟲害脅迫的常用方法。機器學(xué)習(xí)法是通過對無人機遙感的數(shù)據(jù)解譯，實現(xiàn)對作物的健康狀況進行判斷。其中包括的算法有面向?qū)ο蠓诸?、支持向量機、隨機森林、連續(xù)小波分析、光譜調(diào)諧匹配濾波、主成分分析等。學(xué)習(xí)形式可以分為監(jiān)督學(xué)習(xí)、非監(jiān)督學(xué)習(xí)、半監(jiān)督學(xué)習(xí)、深度學(xué)習(xí)等。

機器學(xué)習(xí)法的關(guān)鍵在于特征提取。作物在受到病蟲侵染后，色素系統(tǒng)常常被破壞，產(chǎn)生病斑、傷斑，導(dǎo)致可見光波長范圍的反射率改變。當(dāng)侵染加重后，會進一步引起植株的整體性損傷，如細胞破裂、植株萎蔫等[5]。因此，除了光譜特征外，還需要對作物顏色、形狀、紋理等進行提取。此外，為了保證判斷精準(zhǔn)，有時還需要對作物的葉綠素含量、含水量等進行實地采樣。當(dāng)作物發(fā)生病蟲害時，外界環(huán)境如溫度、濕度、含水量、地理位置等也會對病蟲害的監(jiān)測產(chǎn)生影響，也需要進行長期的研究。

近年來，隨著算法的不斷成熟，深度學(xué)習(xí)法也取得了不錯的進展，在處理遙感數(shù)據(jù)方面也得到了使用且數(shù)據(jù)處理效果良好。傳統(tǒng)的機器學(xué)習(xí)自動化程度低，需要借助人工提取信息，速度慢，而深度學(xué)習(xí)可以克服這些缺陷，可以將任務(wù)與特征進行融合建模，自動化程度高，提取信息精準(zhǔn)、高效。但是，深度學(xué)習(xí)也有缺陷，不僅需要大量的實驗數(shù)據(jù)，同時對計算機的性能要求也高，此外還對模型有更高的要求。盡管如此，但深度學(xué)習(xí)有更好的分類精度、更高的效率，所以未來還需要不斷對其進行研究。

2 無人機遙感監(jiān)測作物病蟲害脅迫最新研究進展

本文主要總結(jié)了2019—2022年無人機在作物病蟲害方面的研究數(shù)據(jù)，從可見光、熱紅外、多光譜、高光譜、激光雷達等方面進行論述。

2.1 可見光成像遙感

在無人機上搭載可見光相機進行拍攝，可以獲取紅、藍、綠這3個波段上的影像。目前，在作物蟲害監(jiān)測方面可見光成像遙感的應(yīng)用比較廣泛。通過提取幾個波段上的信息構(gòu)建植被指數(shù)模型與分類模型，從而實現(xiàn)作物的病蟲害監(jiān)測。李浩等[6]基于可見光影像提出通過超綠特征因子與最大類間方差法相結(jié)合的圖像分割算法以及遙感全景圖的病害程度分析方法，對病害松木的病害程度進行具體分析，識別精度達到90.4%。Nazir等[7]利用從可見光提取的信息構(gòu)建了大氣阻力指數(shù)（Visual Atmospheric Resistance Index, VARI），利用VARI-green模型對作物病蟲害受損程度進行了分類，成功地監(jiān)測了桉樹健康狀況。該研究展示了無人機結(jié)合可見光相機實現(xiàn)大面積監(jiān)測林場的可能性。Dutta等[8]基于可見光遙感信息構(gòu)建了VI與Otsu模型，實現(xiàn)了十字花科作物的病蟲害監(jiān)測，成功地識別了健康葉片與患病葉片，精確度可達90%以上。

上述案例說明，可見光遙感能夠滿足作物病蟲害監(jiān)測的需要，且有不錯的精度。研究基于可見光遙感的作物病蟲害監(jiān)測方法有更大的需求，可以進行大面積推廣，促進智慧農(nóng)業(yè)的發(fā)展。

2.2 多光譜成像遙感

多光譜成像遙感是指無人機搭載兩個及以上光譜通道的傳感器進行成像，將作物分為幾個窄波段分割來測定反射率，從而進行作物病蟲害的識別，根據(jù)需要一般選擇2～5個波段進行研究。

國內(nèi)外在研究方法大多是通過多個波段上的作物特征提取，再結(jié)合與病蟲害相關(guān)的植被指數(shù)（VI），如利用遙感數(shù)據(jù)提取歸一化差值植被指數(shù)（NDVI）、重歸一化差值植被指數(shù)（RDVI）、增強植被指數(shù)（EVI）等，同時結(jié)合人工取樣方式。通過上述指數(shù)的構(gòu)建，利用指數(shù)實現(xiàn)對多種作物（小麥、玉米、白菜、甘藍、辣椒、油菜）病蟲害的識別與分析。競霞等[9]基于野外定位調(diào)查數(shù)據(jù)及高空間分辨率遙感影像，利用變量投影重要性（VIP）準(zhǔn)則篩選最優(yōu)變量，用偏最小二乘回歸（PLS）方法建立棉花黃萎病病情嚴重度的定量估測模型，能夠有效估測棉花黃萎病病情嚴重度。地力夏提·依馬木等[10]借助多光譜遙感影像和Logistic算法，實現(xiàn)對棉田蟲害的田間監(jiān)測，準(zhǔn)確率達到90.5%。馬云強等[11]基于多光譜遙感對云南切梢小蠹的危害情況進行監(jiān)測，結(jié)果表明，NDVI與云南切梢小蠹危害的枯梢率呈負相關(guān)。

上述研究表明，通過多光譜遙感結(jié)合統(tǒng)計分析法和機器學(xué)習(xí)法可以實現(xiàn)作物的病蟲害識別與作物的分類。相比于可見光，監(jiān)測結(jié)果更精準(zhǔn)。

2.3 高光譜成像遙感

目前，基于高光譜成像遙感的病蟲害監(jiān)測主要應(yīng)用于小麥、水稻等作物。高光譜成像遙感分辨率更高，數(shù)據(jù)量更大，相鄰波段有很強的相關(guān)性，同時有光譜域與空間域信息。馬書英等[12]基于高光譜遙感實現(xiàn)了板栗樹紅蜘蛛病蟲害危害程度的分析。郭偉等[13]利用棉花的冠層高光譜影像結(jié)合敏感波段，實現(xiàn)了棉花蚜害的監(jiān)測。上述案例均是高光譜在作物病蟲害監(jiān)測方面的應(yīng)用。其中的分析方法有用到VI，基于高光譜VI，已經(jīng)實現(xiàn)了偏最小二乘回歸法的小麥全蝕病識別、線性回歸法的玉米大斑病監(jiān)測、秩和檢驗的水稻稻曲病分析。

高光譜成像遙感具有光譜連續(xù)、波段更多、數(shù)據(jù)量更大等特點，因此與多光譜遙感相比，其結(jié)果的精度更高。但是在高光譜影像的信息發(fā)掘方面仍然存在一定的困難，這也是今后發(fā)展的方向。

2.4 熱紅外成像遙感

熱紅外遙感主要是根據(jù)溫度的變化對作物的病蟲害進行分析，所以，這種手段很容易受到外界環(huán)境的干擾，如溫度、濕度、風(fēng)力、雨、云等。目前，基于熱紅外的病蟲害監(jiān)測技術(shù)還不成熟，需要繼續(xù)深入研究。

Francesconi等[14]利用熱紅外、RGB影像結(jié)合溫度、光合作用效率、病原分子建構(gòu)的模型，實現(xiàn)了對小麥赤霉病的監(jiān)測，說明了熱紅外監(jiān)測存在一定的可行性。陳欣欣等[15]利用無人機搭載熱紅外傳感器實現(xiàn)了油菜菌核病感染過程的監(jiān)測。

熱紅外監(jiān)測速度快，也有其自身的優(yōu)勢。但是這個方式更容易受到外界環(huán)境的干擾，未來需要開發(fā)更好的、抗干擾更強的方法。值得關(guān)注的是，熱紅外融合其他遙感成像方法可以更好地提升監(jiān)測效率。

2.5 激光雷達成像遙感

激光雷達成像遙感利用激光反射強度來實現(xiàn)作物的病蟲害監(jiān)測。一般通過測定作物冠層反射率來進行監(jiān)測。不僅如此，激光雷達還可以追蹤昆蟲的運動軌跡。目前，搭載在無人機上的激光雷達一臺的造價高達5～15萬元，所以小范圍的病蟲害監(jiān)測普及困難。

基于激光雷達的算法模型還不夠成熟，需要改進。目前的研究多集中在大面積的林業(yè)領(lǐng)域，例如對松樹紅斑病的監(jiān)測，并且多數(shù)是結(jié)合其他的成像方式開展的。Briechle等[16]利用激光雷達與多光譜數(shù)據(jù)結(jié)合的方式，構(gòu)建了3D深度神經(jīng)網(wǎng)絡(luò)，對多種樹木進行了分類識別。Yu等[17]利用高光譜成像與激光雷達監(jiān)測了松梢甲蟲對松林枝條的損害，并評估出了損失量。研究證明，高光譜數(shù)據(jù)和激光雷達的結(jié)合在識別單一松林枝條損害方面準(zhǔn)確度更高。

3 問題與展望

目前，基于無人機遙感監(jiān)測作物病蟲害的研究仍處在初級階段，在無人機技術(shù)、傳感器技術(shù)、算法模型等方面還存在著很大的進步空間。

3.1 無人機性能需要優(yōu)化

目前技術(shù)條件下生產(chǎn)的無人機還存在許多缺陷，如飛行不穩(wěn)定、續(xù)航能力不足、飛機載重小、容易受環(huán)境因素影響等。未來需要開發(fā)出具有強穩(wěn)定性、長續(xù)航、大荷載和強抗干擾能力的無人機。在傳感器方面，目前的傳感器搭載在無人機上進行影像獲取時得到的影像圖受到外界因素的影響大，從而導(dǎo)致信息不太精準(zhǔn)，所以根據(jù)影像圖進行作物病蟲害的判別時會存在誤差。由于飛機荷載不足，可以搭載的傳感器的數(shù)量也存在限制。因此，未來開發(fā)出能高質(zhì)量完成作物病蟲害監(jiān)測任務(wù)的無人機平臺是關(guān)鍵。此外，在無人機飛行時其安全性也需要加強，需要加強作業(yè)人員安全意識方面的教育，消除存在的安全隱患。

3.2 監(jiān)測數(shù)據(jù)采集存在困難

在使用無人機進行病蟲害的監(jiān)測時，容易受到天氣環(huán)境的影響，作業(yè)時對光照條件要求較高。無人機作業(yè)時很多情況下需要人工控制，自動化程度有待提高，這限制了其應(yīng)用的普及。目前，監(jiān)測任務(wù)針對單一病蟲害時完成情況較好，但在對多種病蟲害進行監(jiān)測時數(shù)據(jù)采集困難。此外，進行作物病蟲害的監(jiān)測作業(yè)時，需要作業(yè)人員攜帶校正板自行校正數(shù)據(jù)。因此，如何獲取多值域空間內(nèi)的光譜數(shù)據(jù)是新的研究方向。值得注意的是，目前已經(jīng)出現(xiàn)了大量的數(shù)據(jù)采集方法及數(shù)據(jù)處理平臺，可以為作物的病蟲害監(jiān)測提供數(shù)據(jù)支持。

3.3 遙感監(jiān)測數(shù)據(jù)的處理需要優(yōu)化

目前的無人機平臺還無法進行實時數(shù)據(jù)解析，需要作業(yè)人員在電腦上導(dǎo)出數(shù)據(jù)進行處理，所以信息的獲取有滯后性。多數(shù)數(shù)據(jù)處理軟件應(yīng)用范圍窄，需要大量的人員進行更多軟件的開發(fā)。無人機遙感結(jié)合物聯(lián)網(wǎng)技術(shù)實現(xiàn)“空天地”一體化監(jiān)測及數(shù)據(jù)處理，有較大的發(fā)展空間。因此，未來需要加強數(shù)據(jù)處理軟件方面的研究，提高軟件處理的速度和準(zhǔn)確性；從單一數(shù)據(jù)轉(zhuǎn)向多源數(shù)據(jù)，完成作物病蟲害的監(jiān)測任務(wù)；利用處理速度更快的5G網(wǎng)絡(luò)進行數(shù)據(jù)傳輸與處理，能更快、更精確地實現(xiàn)病蟲害監(jiān)測。

3.4 算法模型需要優(yōu)化

目前，監(jiān)測結(jié)果容易受到作物生長環(huán)境、氣候變化、監(jiān)測時間、作物生長期等因素影響，在地域和時間上受到限制，所以普遍性、準(zhǔn)確性較差。例如，多次監(jiān)測同一區(qū)域時，識別率存在差異。因此，未來需要對病蟲害進行不間斷的監(jiān)測，總結(jié)各個時間段監(jiān)測結(jié)果的平均數(shù)，統(tǒng)一監(jiān)測結(jié)果。并開發(fā)更好的算法，構(gòu)建更優(yōu)的模型，從而創(chuàng)新作物病蟲害的監(jiān)測方法，推動遙感在作物病蟲害監(jiān)測方面的發(fā)展與應(yīng)用。