溫艷蘭， 陳友鵬， 王克強(qiáng)， 劉展眉， 林欽永， 蔡 肯， 馬佳佳， 孔翰博

(仲愷農(nóng)業(yè)工程學(xué)院1，廣州 510225) (廣州南洋理工職業(yè)學(xué)院2，廣州 510980)

在農(nóng)業(yè)生產(chǎn)中，病蟲(chóng)害是造成作物減產(chǎn)、欠收的重要原因之一，常常使農(nóng)民遭受經(jīng)濟(jì)損失。我國(guó)是世界上農(nóng)作物病蟲(chóng)害發(fā)生最嚴(yán)重的國(guó)家之一，每年農(nóng)作物有害生物年發(fā)生面積超過(guò)4億公頃次[1]。2020年我國(guó)農(nóng)作物重大病蟲(chóng)害發(fā)生總體比2019年嚴(yán)重，累計(jì)發(fā)生面積約3億公頃次[2]。預(yù)計(jì)2021年我國(guó)農(nóng)作物病蟲(chóng)害總體會(huì)呈偏重發(fā)生態(tài)勢(shì)[3]。通過(guò)測(cè)報(bào)早期病蟲(chóng)害的發(fā)生動(dòng)態(tài)，農(nóng)業(yè)生產(chǎn)者可以有針對(duì)性的、有計(jì)劃的采取病蟲(chóng)害防治措施，減少一定的損失。傳統(tǒng)的農(nóng)作物病蟲(chóng)害測(cè)報(bào)方法存在工作量大、耗時(shí)費(fèi)力、效率低和精度差等問(wèn)題[4]，已經(jīng)無(wú)法滿足人們對(duì)病蟲(chóng)害測(cè)報(bào)實(shí)時(shí)性和準(zhǔn)確性的需求。因此，構(gòu)建一個(gè)自動(dòng)、高效和準(zhǔn)確的病蟲(chóng)害識(shí)別系統(tǒng)具有重要的現(xiàn)實(shí)意義。

隨著向量機(jī)、神經(jīng)網(wǎng)絡(luò)、深度學(xué)習(xí)等相關(guān)算法的不斷發(fā)展和優(yōu)化，病蟲(chóng)害的分類準(zhǔn)確率得到了很大的提高。目前，機(jī)器視覺(jué)技術(shù)在病蟲(chóng)害檢測(cè)領(lǐng)域中較為成熟、穩(wěn)定，能夠在一定程度上代替?zhèn)鹘y(tǒng)的肉眼識(shí)別，在減輕勞動(dòng)強(qiáng)度的同時(shí)提高了檢測(cè)效率，但仍面臨著許多問(wèn)題，例如針對(duì)不同種類病蟲(chóng)害如何設(shè)計(jì)合適的檢測(cè)系統(tǒng)實(shí)現(xiàn)實(shí)時(shí)檢測(cè)；此外如何改進(jìn)相關(guān)算法，進(jìn)一步提高分類準(zhǔn)確率仍需研究。為此，國(guó)內(nèi)外已有較多學(xué)者對(duì)病蟲(chóng)害檢測(cè)的相關(guān)算法進(jìn)行了大量研究，極大推動(dòng)了機(jī)器視覺(jué)技術(shù)在病蟲(chóng)害檢測(cè)方面的應(yīng)用。

本文主要圍繞機(jī)器視覺(jué)病蟲(chóng)害檢測(cè)展開(kāi)，對(duì)近年來(lái)機(jī)器視覺(jué)檢測(cè)系統(tǒng)在作物病蟲(chóng)害檢測(cè)中的研究工作進(jìn)行概述，對(duì)圖像分割、特征提取和檢測(cè)與識(shí)別分類則對(duì)檢測(cè)系統(tǒng)中的關(guān)鍵技術(shù)進(jìn)行闡述，最后對(duì)整個(gè)研究工作進(jìn)行總結(jié)與展望。

1 基于機(jī)器視覺(jué)的病蟲(chóng)害檢測(cè)系統(tǒng)

我國(guó)是一個(gè)農(nóng)業(yè)大國(guó)，但是農(nóng)業(yè)基礎(chǔ)相對(duì)薄弱。病蟲(chóng)害作為作物減產(chǎn)的主要因素之一，提高病蟲(chóng)害的檢測(cè)和識(shí)別效率，對(duì)提高農(nóng)業(yè)生產(chǎn)的產(chǎn)量和質(zhì)量具有重要意義。目前，對(duì)作物為害狀的檢測(cè)已經(jīng)比較成熟，而對(duì)害蟲(chóng)的檢測(cè)和識(shí)別還在不斷探索中。

針對(duì)傳統(tǒng)測(cè)報(bào)系統(tǒng)存在的問(wèn)題，肖衡[5]利用深度學(xué)習(xí)算法從硬件和軟件兩個(gè)方面對(duì)蟲(chóng)害圖像測(cè)報(bào)系統(tǒng)進(jìn)行優(yōu)化設(shè)計(jì)，實(shí)現(xiàn)了稻飛虱的識(shí)別和異常報(bào)警的啟動(dòng)，測(cè)報(bào)準(zhǔn)確率高達(dá)99.78%。圖像的獲取會(huì)對(duì)識(shí)別準(zhǔn)確率產(chǎn)生一定的影響，因此，YAO等[6]研發(fā)了水稻光誘捕害蟲(chóng)成像系統(tǒng)，用于實(shí)現(xiàn)對(duì)水稻蟲(chóng)害的自動(dòng)識(shí)別，平均準(zhǔn)確率達(dá)97.5%。YAO等[7]又研制了田間水稻光阱害蟲(chóng)自動(dòng)監(jiān)測(cè)系統(tǒng)，解決了之前系統(tǒng)的害蟲(chóng)堆積和重疊問(wèn)題，但是采用新的模型對(duì)害蟲(chóng)的識(shí)別準(zhǔn)確率卻有所降低，其中，對(duì)3種大型害蟲(chóng)的平均準(zhǔn)確率達(dá)到88.9%，對(duì)2種小型害蟲(chóng)的平均準(zhǔn)確率達(dá)到90.4%。

除了稻田病蟲(chóng)害，果木的健康與否也是農(nóng)民比較關(guān)心的一個(gè)問(wèn)題。Partel等[8]利用機(jī)器視覺(jué)和人工智能技術(shù)開(kāi)發(fā)了用于自動(dòng)監(jiān)測(cè)柑桔木虱的系統(tǒng)，準(zhǔn)確率和召回率分別為80%和95%，但是其檢測(cè)的樣本數(shù)量較少，結(jié)果的普適性較低，而You等[9]利用大量的柑橘病蟲(chóng)害數(shù)據(jù)集構(gòu)建了基于深度壓縮神經(jīng)網(wǎng)絡(luò)的離線診斷系統(tǒng)，準(zhǔn)確率可達(dá)93.2%，比SqueezeNet、MobileNet、AlexNet、VGG-16高1.3%～16.6%。

在檢測(cè)過(guò)程中，對(duì)害蟲(chóng)的數(shù)目進(jìn)行統(tǒng)計(jì)有助于農(nóng)業(yè)生產(chǎn)者采取合理防治措施，精準(zhǔn)控制施藥量。Rustia等[10]開(kāi)發(fā)了基于集成攝像機(jī)模塊和嵌入式系統(tǒng)的害蟲(chóng)自動(dòng)計(jì)數(shù)與環(huán)境監(jiān)測(cè)系統(tǒng)，能夠在不受控的環(huán)境下實(shí)現(xiàn)對(duì)害蟲(chóng)的檢測(cè)與計(jì)數(shù)，平均檢測(cè)準(zhǔn)確率達(dá)93%，可為害蟲(chóng)行為的長(zhǎng)期觀察以及害蟲(chóng)預(yù)警提供有效的工具。此外，Habib等[11]提出一個(gè)基于機(jī)器視覺(jué)的木瓜病害識(shí)別系統(tǒng)，利用K-means聚類算法和SVM(Support Vector Machine)進(jìn)行建模，準(zhǔn)確率達(dá)95.2%，高于決策樹(shù)和NB(Naive Bayes)，驗(yàn)證了該方法的可行性和有效性。

基于機(jī)器視覺(jué)的病蟲(chóng)害檢測(cè)，首先要得到清晰的病蟲(chóng)害圖像。病害圖像比蟲(chóng)害圖像的獲取容易得多，因?yàn)楹οx(chóng)是運(yùn)動(dòng)的，很難直接獲得清晰的圖像。比較實(shí)用的方法是使用誘捕器捕獲害蟲(chóng)后，進(jìn)行圖像的采集。合理利用機(jī)器視覺(jué)設(shè)備、機(jī)器學(xué)習(xí)算法、互聯(lián)網(wǎng)技術(shù)等設(shè)計(jì)一個(gè)自動(dòng)化綜合檢測(cè)系統(tǒng)，有助于病蟲(chóng)害的綜合治理。

2 病蟲(chóng)害圖像分割的研究現(xiàn)狀

圖像分割是根據(jù)研究的實(shí)際需要，利用圖像區(qū)域相似或相同的特征把圖像分成多個(gè)區(qū)域，從而提取出關(guān)鍵信息，去除非感興趣區(qū)域。圖像分割算法種類繁多，表1是幾種分割方法在作物病蟲(chóng)害圖像中的應(yīng)用情況。

表1 幾種分割方法在作物病蟲(chóng)害圖像中的應(yīng)用情況

2.1 閾值分割法

Ebrahimi等[12]將gamma算子應(yīng)用到RGB顏色空間具有高對(duì)比度的B通道圖像中，進(jìn)行非花區(qū)域背景的去除，再使用Otsu法分割出草莓花上的薊馬目標(biāo)。肖志云等[13]將采集的馬鈴薯蟲(chóng)害圖像經(jīng)I通道的中值濾波、a通道的二維Otsu法與形態(tài)學(xué)分割后，利用蟲(chóng)害分離二值圖像與RGB原彩色圖像級(jí)聯(lián)，分離出蟲(chóng)害目標(biāo)，但是仍存在目標(biāo)邊緣分割不足或者過(guò)分割的現(xiàn)象。楊麗麗等[14]使用Otsu法在H分量上獲得96.56%的分割精度，通過(guò)使用形態(tài)學(xué)的和最大連通區(qū)域標(biāo)記算法去除背景雜色和誤拍區(qū)域，以獲得受棉葉螨危害的圖像區(qū)域。Otsu法是較為常用的一種分割方法，但是往往需要結(jié)合其他算法才能夠獲得較好的分割效果。

2.2 標(biāo)記控制的分水嶺分割算法

閾值分割主要是針對(duì)簡(jiǎn)單的單個(gè)目標(biāo)的分割，而標(biāo)記控制的分水嶺分割算法可以實(shí)現(xiàn)對(duì)重疊對(duì)象的分割，并且可以有效避免過(guò)分割的問(wèn)題。Sunoj等[15]在RGB圖像中的B通道中利用標(biāo)記控制的分水嶺分割算法，實(shí)現(xiàn)了對(duì)重疊大豆蚜蟲(chóng)的分離。Nabilah等[16]使用標(biāo)記控制的分水嶺分割來(lái)分離葉片圖像的前景和背景，以獲取辣椒病蟲(chóng)害區(qū)域圖像。Xia等[17]從YCbCr顏色模型的Cb通道中提取圖像的局部極大值作為標(biāo)記控制的分水嶺分割的標(biāo)記，將背景圖像中的害蟲(chóng)個(gè)體分割出來(lái)，但是分割的精度會(huì)受到圖像分辨率的影響，分割后的圖像可能會(huì)包含周圍的背景。標(biāo)記控制的分水嶺分割能夠有效避免在噪聲和局部不連通情況下常常出現(xiàn)過(guò)度分割狀況，得到精確的分割圖像。

2.3 K-means聚類分割

此外，K-means聚類也常用于病蟲(chóng)害圖像的分割中。為快速檢測(cè)紅蜘蛛蟲(chóng)害，李震等[18]采用K-means聚類算法實(shí)現(xiàn)對(duì)柑橘紅蜘蛛的識(shí)別，根據(jù)不同清晰程度的圖像獲得88%～100%的識(shí)別率，取得了較好的效果。Shah等[19]利用K-means聚類成功地將褐飛虱和背景分割開(kāi)來(lái)，并將圖像背景設(shè)為白色，褐飛虱保持原色。Prajapati等[20]比較了3種不同的分割技術(shù)，結(jié)果表明基于HSV顏色空間的K-means聚類方法對(duì)水稻病害的分割準(zhǔn)確率最高，可達(dá)到96.71%。因此，K-means聚類分割原理比較簡(jiǎn)單、收斂快，但是要特別注意k值的選擇，因?yàn)閗值對(duì)最后的聚類結(jié)果和運(yùn)行時(shí)間都有很大的影響。

3 病蟲(chóng)害圖像的特征提取的研究現(xiàn)狀

每幅圖像都有其獨(dú)特的特征或?qū)傩?，合理使用特征或?qū)傩詫?duì)圖像是作物病蟲(chóng)害識(shí)別與檢測(cè)的重要環(huán)節(jié)，特征參數(shù)的準(zhǔn)確性和實(shí)時(shí)性對(duì)病蟲(chóng)害的識(shí)別精度影響較大。常用的病蟲(chóng)害識(shí)別特征有形狀特征、顏色特征、紋理特征等全局特征和局部特征。

3.1 形態(tài)、顏色、紋理特征提取法

楊信廷等[21]對(duì)提取的5個(gè)形態(tài)特征和9個(gè)顏色特征，通過(guò)比較不同特征向量的組合方式，發(fā)現(xiàn)將形態(tài)和顏色特征進(jìn)行融合獲得的準(zhǔn)確率更高，最終實(shí)現(xiàn)對(duì)粉虱和薊馬的識(shí)別率分別為96.0%和91.0%。高雄等[22]提取了5個(gè)形狀特征來(lái)識(shí)別甘藍(lán)蟲(chóng)害，青菜蟲(chóng)的識(shí)別準(zhǔn)確率為83%，甘藍(lán)夜蛾為90%，二十八星瓢蟲(chóng)為100%。由此可見(jiàn)，不同蟲(chóng)害的形態(tài)對(duì)識(shí)別準(zhǔn)確率有較大的影響。Sorte等[23]將統(tǒng)計(jì)特征和LBP特征用于咖啡病害的識(shí)別中，實(shí)驗(yàn)結(jié)果表明，該方法能夠?qū)崿F(xiàn)對(duì)病害初期的診斷。因此，對(duì)于不同種類的病蟲(chóng)害，可以采用不同的方法進(jìn)行特征提取，而作物的病害通常體現(xiàn)在植株的葉片或者果實(shí)上的顏色變化，通常會(huì)用顏色特征和紋理特征來(lái)進(jìn)行識(shí)別。

3.2 多特征融合特征提取法

由于實(shí)際環(huán)境復(fù)雜性的影響，采用多特征融合的方法更加貼近實(shí)際生產(chǎn)應(yīng)用的需要。YAO等[24]將HOG(Histogram of Oriented Gradient)特征與顏色、形狀和Haar特征相結(jié)合，用于水田稻飛虱的自動(dòng)檢測(cè)和計(jì)數(shù)。Liu等[25]將MSER(Maximally Stable Extremal Regions)算法和HOG特征相結(jié)合，用于檢測(cè)麥田中不同顏色和密度的蚜蟲(chóng)，平均識(shí)別準(zhǔn)確率達(dá)86.81%。

合理利用特征融合技術(shù)，能夠在降低計(jì)算量的同時(shí)提高識(shí)別的準(zhǔn)確率。牛沖等[26]將提取的草莓蛇眼病害葉片灰度圖像直方圖中的8個(gè)特征融合在一起，并利用SVM實(shí)現(xiàn)92%的分類準(zhǔn)確率，分別比KNN(K Nearest Neighbor)和NB高6%和12%。胡永強(qiáng)等[27]在稀疏表示識(shí)別框架下運(yùn)用AdaBoost算法對(duì)顏色、形狀和紋理特征進(jìn)行特征融合，識(shí)別準(zhǔn)確率最高可達(dá)92.4%，比單一特征方法識(shí)別準(zhǔn)確率提高7%以上?？梢?jiàn)，在進(jìn)行特征提取時(shí)，要結(jié)合圖像自身的特點(diǎn)靈活應(yīng)用相應(yīng)的特征提取和融合方法。

4 病蟲(chóng)害的檢測(cè)與分類識(shí)別

及早發(fā)現(xiàn)農(nóng)作物上的病蟲(chóng)害可以確保農(nóng)業(yè)生產(chǎn)者作出適當(dāng)和及時(shí)的管理決策，因此，國(guó)內(nèi)外相關(guān)領(lǐng)域的專家學(xué)者對(duì)不同的檢測(cè)與分類算法進(jìn)行了大量的研究。根據(jù)分類器學(xué)習(xí)的深度可以分為淺層學(xué)習(xí)和深度學(xué)習(xí)，淺層學(xué)習(xí)以經(jīng)典機(jī)器學(xué)習(xí)為代表，而深度學(xué)習(xí)以神經(jīng)網(wǎng)絡(luò)為學(xué)習(xí)基礎(chǔ)，可自動(dòng)學(xué)習(xí)和提取特征實(shí)現(xiàn)圖像的分類識(shí)別。

4.1 經(jīng)典病蟲(chóng)害檢測(cè)與分類識(shí)別方法

隨著計(jì)算機(jī)視覺(jué)的不斷發(fā)展，機(jī)器學(xué)習(xí)算法在作物病蟲(chóng)害檢測(cè)和分類中得到了廣泛的應(yīng)用。經(jīng)典的檢測(cè)與分類識(shí)別方法通常經(jīng)驗(yàn)來(lái)選擇不同的特征以設(shè)計(jì)分類方案，其識(shí)別精度容易受到人為特征選擇的影響。表2簡(jiǎn)要概述了近年來(lái)經(jīng)典分類算法在作物病蟲(chóng)害檢測(cè)與分類中的應(yīng)用情況。

表2 經(jīng)典分類算法在作物病蟲(chóng)害檢測(cè)與分類中的應(yīng)用情況

4.1.1 早期檢測(cè)與分類識(shí)別方法

Verma等[28]提出了基于徑向基核函數(shù)網(wǎng)絡(luò)的水稻病害自動(dòng)識(shí)別模型，對(duì)5類水稻病害的平均識(shí)別率為95.5%。Shah等[19]提出用KNN對(duì)稻田褐飛虱進(jìn)行自動(dòng)識(shí)別與計(jì)數(shù)，平均識(shí)別準(zhǔn)確率達(dá)97%，比決策樹(shù)算法高10%。Sabrol等[29]采用決策樹(shù)算法對(duì)番茄的5種病害進(jìn)行分類識(shí)別，準(zhǔn)確率達(dá)97.3%。這些研究根據(jù)病蟲(chóng)害自身的特點(diǎn)采用合適的分類器進(jìn)行建模，均得到了理想的分類效果。

Singh等[30]采用GA(Genetic Algorithm)進(jìn)行病害葉片圖像的分割，通過(guò)SVM對(duì)顏色共生法提取的特征進(jìn)行分類訓(xùn)練，獲得95.71%的準(zhǔn)確率，優(yōu)于K-means+MDC(Minimum Distance Criterion)和GA+MDC。后來(lái)，Singh[31]又提出利用粒子群優(yōu)化算法對(duì)向日葵病害葉片圖像進(jìn)行分割，利用MDC分類器實(shí)現(xiàn)98%的平均識(shí)別準(zhǔn)確率，高于其之前提出的GA+SVM算法?？梢?jiàn)，通過(guò)嘗試不同的優(yōu)化算法能夠使得識(shí)別與分類效果越來(lái)越好。

4.1.2 支持向量機(jī)法

在經(jīng)典識(shí)別方法中，SVM是最常用的一種分類識(shí)別方法。Pan等[32]采用SVM與區(qū)域生長(zhǎng)算法相結(jié)合的方法，將識(shí)別過(guò)程融入到分割中，實(shí)現(xiàn)對(duì)4類蔬菜害蟲(chóng)的識(shí)別準(zhǔn)確率均在93%以上。基于SVM模型，Zhang等[33]通過(guò)提取黃瓜葉片病害圖像的奇異值來(lái)構(gòu)成關(guān)鍵向量，獲得91.63%的平均識(shí)別率，后來(lái)，Zhang等[34]結(jié)合超像素分割、EM算法(expectation maximization)和PHOG(pyramid HOG)特征，完成對(duì)5類黃瓜病害的分類，平均識(shí)別率為91.48%。Singh等[35]采用K-means聚類算法對(duì)水稻葉片圖像進(jìn)行分割后，提取其中的紋理特征向量作為SVM的輸入，實(shí)現(xiàn)了82%的分類準(zhǔn)確率。這些研究表明，SVM模型已經(jīng)廣泛應(yīng)用于作物病蟲(chóng)害識(shí)別領(lǐng)域，并取得了良好的效果。

4.1.3 分類器級(jí)聯(lián)法

盧柳江等[36]利用Haar-like特征提取的害蟲(chóng)特征構(gòu)建了一個(gè)用于識(shí)別大螟的級(jí)聯(lián)AdaBoost，在簡(jiǎn)單背景下識(shí)別率達(dá)95.71%，而復(fù)雜背景下的識(shí)別率為86.67%。此外，M-SVM(Multi-class SVM)也是多類分類中常用的一種方法。Sharif等[37]將所選的最佳特征反饋給M-SVM進(jìn)行柑橘病害的分類，分類準(zhǔn)確率最高可達(dá)97%。Khan等[38]設(shè)計(jì)了黃瓜葉片病害檢測(cè)與分類系統(tǒng)，利用M-SVM實(shí)現(xiàn)對(duì)5種黃瓜葉片病害98.08%的分類準(zhǔn)確率。可見(jiàn)，在合理選擇特征的情況下，M-SVM能夠在病蟲(chóng)害識(shí)別與分類中表現(xiàn)出良好的性能。

單一的分類方法可能存在一定的局限性，通過(guò)分類器級(jí)聯(lián)和融合能夠在一定程度上提高分類的準(zhǔn)確率。雖然傳統(tǒng)的機(jī)器學(xué)習(xí)方法對(duì)于病蟲(chóng)害的分類識(shí)別已經(jīng)取得了很大的進(jìn)展，但是仍然存在一些缺陷，而且標(biāo)準(zhǔn)化程度相對(duì)較低，模型的擬合度因所取特征的優(yōu)劣而導(dǎo)致識(shí)別率的波動(dòng)較大，相關(guān)模型的檢測(cè)和分類精度和魯棒性有待進(jìn)一步研究。

4.2 基于深度學(xué)習(xí)的病蟲(chóng)害檢測(cè)與分類識(shí)別方法

隨著深度神經(jīng)網(wǎng)絡(luò)的不斷發(fā)展，相繼出現(xiàn)了CNN(Convolutional Neural Networks)、Faster R-CNN、DNN(Deep Neural Networks)等一系列深度學(xué)習(xí)框架，在圖像識(shí)別和分類任務(wù)中表現(xiàn)出較好的性能，為及時(shí)、準(zhǔn)確地識(shí)別作物病蟲(chóng)害提供了可能。表3歸納了近年來(lái)基于深度學(xué)習(xí)算法在作物病蟲(chóng)害檢測(cè)與分類中的應(yīng)用情況。

表3 基于深度學(xué)習(xí)算法在作物病蟲(chóng)害檢測(cè)與分類中的應(yīng)用情況

4.2.1 AlexNet及其改進(jìn)算法

標(biāo)準(zhǔn)的AlexNet模型能夠解決梯度消失的問(wèn)題，但是仍存在冗余現(xiàn)象。雖然減少全連接層節(jié)點(diǎn)數(shù)量能夠提高識(shí)別準(zhǔn)確率和運(yùn)算速率，但是效果并不是特別明顯，因而有研究者將目標(biāo)轉(zhuǎn)向AlexNet中卷積層數(shù)的改變上，Wang等[39]實(shí)現(xiàn)對(duì)82種作物害蟲(chóng)圖像91%的分類識(shí)別準(zhǔn)確率，而Atole等[40]在水稻葉片圖像的健康狀況分類中獲得的準(zhǔn)確率可達(dá)到91.23%。趙立新等[41]通過(guò)改進(jìn)AlexNet模型中的全連接層的結(jié)構(gòu)，實(shí)現(xiàn)對(duì)棉花病蟲(chóng)害的平均測(cè)試準(zhǔn)確率為97.16%，在加快收斂速度的同時(shí)解決了過(guò)擬合問(wèn)題。

4.2.2 VGG及其改進(jìn)算法

VGG在AlexNet的基礎(chǔ)上加深了網(wǎng)絡(luò)的深度，能更好的提取特征，但是也將面臨參數(shù)多和計(jì)算量大的問(wèn)題。Fuentes等[42]利用CNN濾波器組框架解決了番茄病蟲(chóng)害識(shí)別中誤報(bào)和類別不平衡的問(wèn)題，獲得了96.25%的平均準(zhǔn)確率，與Fuentes等[43]之前利用VGG-16特征提取器構(gòu)建的Faster R-CNN模型83.06%的平均準(zhǔn)確率相比，平均準(zhǔn)確率提高約13%。復(fù)雜背景圖像會(huì)降低識(shí)別的準(zhǔn)確率，針對(duì)這一問(wèn)題，Chen等[44]將增強(qiáng)型VGG與Inception模塊融合在一起，對(duì)水稻病害進(jìn)行分類預(yù)測(cè)，平均準(zhǔn)確率達(dá)92%，在降低計(jì)算量的同時(shí)保證了模型良好的穩(wěn)定性。

4.2.3 GoogLeNet及其改進(jìn)算法

針對(duì)常規(guī)玉米螟蟲(chóng)識(shí)別方法準(zhǔn)確率的問(wèn)題，李靜等[45]提出一種基于改進(jìn)GoogLeNet卷積神經(jīng)網(wǎng)絡(luò)模型的玉米螟蟲(chóng)害圖像識(shí)別方法，平均識(shí)別準(zhǔn)確率達(dá)96.44%，實(shí)現(xiàn)對(duì)玉米螟蟲(chóng)較高的實(shí)用性。Liu等[46]提出一種基于深度卷積神經(jīng)網(wǎng)絡(luò)的蘋果葉片病害識(shí)別方法，將GoogLeNet引入到AlexNet中進(jìn)行模型改進(jìn)，實(shí)現(xiàn)97.62%的總體準(zhǔn)確率，為蘋果葉片病害的早期診斷和控制提供了較好的解決方案。在GoogleNet的基礎(chǔ)上進(jìn)行改進(jìn)產(chǎn)生了Inception，能夠減少了計(jì)算量和參數(shù)量Tetila等[47]利用改進(jìn)的Inception-v3深度學(xué)習(xí)模型實(shí)現(xiàn)對(duì)大豆病害的識(shí)別，準(zhǔn)確率高達(dá)99.04%，能夠?qū)崿F(xiàn)對(duì)大豆病害的準(zhǔn)確監(jiān)測(cè)。

4.2.4 Faster R-CNN及其改進(jìn)算法

Faster R-CNN能夠更好地解決對(duì)小目標(biāo)害蟲(chóng)的實(shí)時(shí)識(shí)別與檢測(cè)問(wèn)題。Hong等[48]提出利用7種深度學(xué)習(xí)對(duì)斜紋夜蛾、甜菜夜蛾和煙夜蛾進(jìn)行檢測(cè)，其中，F(xiàn)aster R-CNN ResNet101的性能最佳，可獲得90.25%的平均準(zhǔn)確率，但仍存在將多個(gè)飛蛾被檢測(cè)為一個(gè)對(duì)象的錯(cuò)誤檢測(cè)現(xiàn)象。He等[49]提出了基于雙層Faster R-CNN的褐飛虱檢測(cè)算法，在不同數(shù)目的檢測(cè)中，平均準(zhǔn)確率為94.64%，而在不同蟲(chóng)齡的檢測(cè)中，平均準(zhǔn)確率為92.92%。Esmail等[50]提出了基于云計(jì)算的Faster R-CNN用于檢測(cè)和識(shí)別害蟲(chóng)圖像，結(jié)合Inception-v2模型實(shí)現(xiàn)了98.8%的分類準(zhǔn)確率。這些Faster R-CNN模型主要是用于單目標(biāo)的檢測(cè)，因此，多目標(biāo)害蟲(chóng)檢測(cè)更具有實(shí)際意義。

4.2.5 ResNet及其改進(jìn)算法

為了防止農(nóng)業(yè)害蟲(chóng)造成的損害，正確識(shí)別害蟲(chóng)的類別能夠幫助農(nóng)業(yè)生產(chǎn)者采取有針對(duì)性的控制措施。余小東等[51]提出了改進(jìn)的殘差網(wǎng)絡(luò)的作物病蟲(chóng)害識(shí)別模型，識(shí)別準(zhǔn)確率可達(dá)91.51%，比ResNet 50模型的高3.99%。Liu等[52]提出一種新的虛擬數(shù)據(jù)庫(kù)生成方法，并以此為基礎(chǔ)構(gòu)建了基于ResNet 152-v2的害蟲(chóng)識(shí)別模型，識(shí)別準(zhǔn)確率達(dá)到97.8%，能夠在節(jié)省訓(xùn)練數(shù)據(jù)的采集成本和時(shí)間的同時(shí)提高訓(xùn)練精度。Cheng等[53]將深度殘差學(xué)習(xí)用于復(fù)雜背景下的害蟲(chóng)識(shí)別中，平均分類準(zhǔn)確率可達(dá)98.67%。這些改進(jìn)模型能夠針對(duì)實(shí)際的問(wèn)題作出相應(yīng)的改進(jìn)，進(jìn)而提高識(shí)別的結(jié)果和模型的泛化能力。

4.2.6 DenseNet及其改進(jìn)算法

DenseNet是一種具有密集連接的卷積神經(jīng)網(wǎng)絡(luò)，且能夠有效地利用深層特征，解決深度神經(jīng)網(wǎng)絡(luò)中的冗余問(wèn)題。Xing等[54]采用級(jí)聯(lián)DenseNet實(shí)現(xiàn)對(duì)柑橘病蟲(chóng)害的診斷和鑒定，分類準(zhǔn)確率達(dá)93.33%，該模型主要是通過(guò)提高模型參數(shù)的利用率來(lái)提高模型的精度。Too等[55]利用38種病害對(duì)VGG16、Inception-v4、ResNet和Densenet的性能進(jìn)行了評(píng)估，通過(guò)比較發(fā)現(xiàn)，Densenet獲得了最佳的性能，準(zhǔn)確率達(dá)99.75%。這些研究顯示了DenseNet及其優(yōu)化模型在病蟲(chóng)害識(shí)別中具有良好的性能。

4.2.7 其他深度學(xué)習(xí)及其改進(jìn)算法

此外，還有一些其他的深度學(xué)習(xí)方法。賈少鵬等[56]將膠囊網(wǎng)絡(luò)作為模型的全連接層加入到CNN架構(gòu)中，實(shí)現(xiàn)對(duì)番茄灰霉病病害的識(shí)別精度達(dá)到93.75%，比CNN模型提高了3.55%，但仍存在改進(jìn)的空間。Rahman等[57]提出一種輕量型的簡(jiǎn)單CNN架構(gòu)，利用兩級(jí)訓(xùn)練的方法實(shí)現(xiàn)對(duì)水稻病蟲(chóng)害94.33%的平均分類準(zhǔn)確率，且能夠用于移動(dòng)設(shè)備中，能夠?yàn)槠h(yuǎn)地區(qū)的農(nóng)民提供有效的病蟲(chóng)害檢測(cè)工具。

針對(duì)生成對(duì)抗網(wǎng)絡(luò)訓(xùn)練的不穩(wěn)定性，王鐸等[58]引入了深度卷積條件，能夠在增強(qiáng)模型穩(wěn)定的同時(shí)加快收斂速度，對(duì)害蟲(chóng)的分類準(zhǔn)確率可達(dá)96.8%。孫鵬等[59]將基于注意力機(jī)制的卷積神經(jīng)網(wǎng)絡(luò)模型用于識(shí)別大豆蚜蟲(chóng)，準(zhǔn)確率達(dá)96.85%，為之后的精準(zhǔn)施藥和節(jié)省農(nóng)業(yè)資源提供有效助力。Muppala等[60]提出了用于檢測(cè)稻田卷葉螟和三化螟的DNN-SAR模型，準(zhǔn)確率達(dá)98.29%，在獲得較快收斂速度的同時(shí)提高了檢測(cè)精度。

在病蟲(chóng)害檢測(cè)和分類識(shí)別任務(wù)中，具有更深層次的模型往往比簡(jiǎn)單模型具有更高的性能。然而，隨著性能的顯著提高，深層架構(gòu)的復(fù)雜性也有所增加。因此在實(shí)際應(yīng)用中，往往需要對(duì)選取的深度神經(jīng)網(wǎng)絡(luò)模型進(jìn)行改進(jìn)，以獲得更高的準(zhǔn)確率和更好的穩(wěn)定性。

5 總結(jié)與展望

本文從病蟲(chóng)害檢測(cè)系統(tǒng)、圖像分割技術(shù)、特征提取以及分類識(shí)別算法4個(gè)方面，綜述了近幾年來(lái)國(guó)內(nèi)外的專家學(xué)者在作物病蟲(chóng)害圖像識(shí)別領(lǐng)域的研究進(jìn)展。雖然研究方法層出不窮，發(fā)展也比較迅速，且取得了一定的成果，但是在實(shí)際的應(yīng)用過(guò)程中仍然存在一些問(wèn)題需要解決和改善。

作物病蟲(chóng)害蟲(chóng)檢測(cè)系統(tǒng)容易受光源、光照強(qiáng)度、輸送裝置、相機(jī)分辨率等諸多因素的影響，因此，結(jié)合農(nóng)業(yè)物聯(lián)網(wǎng)以及各種智能終端設(shè)備，實(shí)現(xiàn)對(duì)作物病蟲(chóng)害的實(shí)時(shí)、高效、全方位檢測(cè)是未來(lái)的研究方向之一，能夠推進(jìn)農(nóng)業(yè)現(xiàn)代化與智能化。

對(duì)于復(fù)雜背景下的病蟲(chóng)害圖像的分割，往往需要結(jié)合多種分割方法才能獲得較為理想的分割效果。不同種類的病蟲(chóng)害需要提取的特征往往不同，其中，多特征融合能夠獲得更加全面的信息，具有較大的發(fā)展?jié)摿?。傳統(tǒng)機(jī)器學(xué)習(xí)方法的方法在很大程度上依賴于選擇的分類特征來(lái)提高識(shí)別和分類精度，而深度學(xué)習(xí)算法具有更好的效果，但其計(jì)算量和復(fù)雜度也更高。如何結(jié)合新的算法和其他深度學(xué)習(xí)結(jié)構(gòu)對(duì)模型進(jìn)行優(yōu)化訓(xùn)練，并在提高精度的同時(shí)加快運(yùn)算速率仍然是未來(lái)的研究的熱點(diǎn)與難點(diǎn)。