孫 亮，柯宇航，劉 輝，胡義鈺，馮成天，劉文波，王真輝，張 宇，鄭服從,

（1. 中國(guó)熱帶農(nóng)業(yè)科學(xué)院 橡膠研究所/農(nóng)業(yè)農(nóng)村部 橡膠樹(shù)生物學(xué)與遺傳資源利用重點(diǎn)實(shí)驗(yàn)室/省部共建國(guó)家重點(diǎn)實(shí)驗(yàn)室培育基地—海南省熱帶作物栽培生理學(xué)重點(diǎn)實(shí)驗(yàn)室/農(nóng)業(yè)農(nóng)村部 儋州熱帶作物科學(xué)觀測(cè)實(shí)驗(yàn)站，海口 571101; 2. 海南大學(xué) 植物保護(hù)學(xué)院，海口 570228）

農(nóng)作物病害影響作物產(chǎn)量、糧食安全和國(guó)民經(jīng)濟(jì)[1]。病害預(yù)防是在病害發(fā)生早期快速、準(zhǔn)確地發(fā)現(xiàn)和識(shí)別病害[2]，因此，病害預(yù)防在農(nóng)業(yè)生產(chǎn)中極為重要。然而，在大田作物中監(jiān)測(cè)和鑒定植物病害是一項(xiàng)非常復(fù)雜的任務(wù)，通常通過(guò)人工目視診斷來(lái)實(shí)現(xiàn)。人工目視診斷是借助于專(zhuān)業(yè)知識(shí)、書(shū)籍或者互聯(lián)網(wǎng)中關(guān)于植物病害的文字和圖片描述來(lái)判斷病害，但在實(shí)際生產(chǎn)過(guò)程中，人們判別植物病害時(shí)容易產(chǎn)生偏見(jiàn)、視錯(cuò)覺(jué)，導(dǎo)致偏差[3]，并最終導(dǎo)致農(nóng)藥和殺菌劑使用不當(dāng)[4]。同時(shí)，人工目視診斷也存在效率低、成本高等一系列問(wèn)題。隨著科學(xué)進(jìn)步和新技術(shù)的引進(jìn)，目前植物病害檢測(cè)方法有基于脫氧核糖核酸的聚合酶鏈反應(yīng)(Polymerase chain reaction, PCR)，基于血清學(xué)方法的酶聯(lián)免疫吸附試驗(yàn)(Enzyme linked immunosorbent assay,ELISA)，基于分子生物學(xué)方法的熒光原位雜交(Fluorescence in situ hybridization, FISH)和免疫熒光(Immunofluorescence, IF)，還有基于熒光顯微鏡(Fluorescence microscope)、流式細(xì)胞術(shù)(Flow cytometry, FC)和激光技術(shù)等方法[5]，這些生物檢測(cè)方法通常非常耗時(shí)，不能及時(shí)提供有效信息[6]。隨著農(nóng)業(yè)和現(xiàn)代化信息技術(shù)交互碰撞，相互聯(lián)結(jié)，智能化農(nóng)業(yè)快速發(fā)展，在許多國(guó)家使用計(jì)算機(jī)視覺(jué)技術(shù)對(duì)農(nóng)業(yè)生產(chǎn)進(jìn)行智能化管理已成為農(nóng)業(yè)發(fā)展的主要趨勢(shì)[7]。與傳統(tǒng)方法相比，基于遙感的傳感器以及成像技術(shù)應(yīng)用于自動(dòng)化病害識(shí)別過(guò)程更加迅捷、精確和實(shí)時(shí)，已成為農(nóng)業(yè)現(xiàn)代化發(fā)展的研究熱點(diǎn)[8]。筆者綜述了包括圖像處理、機(jī)器視覺(jué)和機(jī)器學(xué)習(xí)技術(shù)在內(nèi)的計(jì)算機(jī)視覺(jué)識(shí)別植物病害技術(shù)的基本概念、研究現(xiàn)狀和方法，并提出存在的問(wèn)題和展望，為計(jì)算機(jī)視覺(jué)技術(shù)在植物病害識(shí)別上的應(yīng)用和研究提供依據(jù)。

1 植物病害與檢測(cè)系統(tǒng)

植物病害是指在生物或非生物因素影響下植物在形態(tài)、生理或行為上出現(xiàn)異常的現(xiàn)象。生物因素引起侵染性病害，如真菌性、細(xì)菌性、病毒性和線(xiàn)蟲(chóng)性病害等；非生物因素引起非侵染性病害，如凍害、缺素癥、澇害等。非侵染性病害由于其非傳染性性質(zhì)，危險(xiǎn)性較低，大多可以避免。侵染性病害具有傳染性，開(kāi)始在少數(shù)植株上發(fā)生，之后向四周迅速蔓延，造成大范圍植株葉片脫落和生理紊亂，從而導(dǎo)致光合作用下降，進(jìn)而降低植株產(chǎn)量和經(jīng)濟(jì)價(jià)值，危害極大。因此，必須建立有效的防治機(jī)制來(lái)管理、預(yù)防和控制病害發(fā)生。計(jì)算機(jī)視覺(jué)概念是借助計(jì)算機(jī)系統(tǒng)或機(jī)器對(duì)實(shí)時(shí)信息進(jìn)行可視化分析和理解的技術(shù)，已廣泛應(yīng)用于醫(yī)療、國(guó)防、交通、農(nóng)業(yè)和商業(yè)分析等多個(gè)領(lǐng)域。攝像機(jī)作為系統(tǒng)的眼睛，以信號(hào)和圖像的形式獲取現(xiàn)實(shí)世界的信息，并在計(jì)算機(jī)的幫助下進(jìn)行處理，從中獲得一些有用信息來(lái)解決復(fù)雜問(wèn)題。近十年來(lái)，計(jì)算機(jī)視覺(jué)和圖像處理技術(shù)已廣泛應(yīng)用于植物病害檢測(cè)和分類(lèi)，該檢測(cè)系統(tǒng)可分為以下幾個(gè)模塊：圖像采集、圖像預(yù)處理、圖像分割、特征提取、識(shí)別和分類(lèi)(圖1)。首先采集植物的葉、根、莖、枝等圖像，然后根據(jù)實(shí)際情況，使用縮放、旋轉(zhuǎn)、平滑等各種預(yù)處理技術(shù)對(duì)圖像進(jìn)行處理，下一步通過(guò)分割算法從原始圖像中獲取所需病變區(qū)域。為了對(duì)植物病害進(jìn)行準(zhǔn)確分類(lèi)，需要利用分類(lèi)器對(duì)機(jī)器進(jìn)行訓(xùn)練，訓(xùn)練特征集從圖像中分割和提取。

圖1 植物病害檢測(cè)系統(tǒng)基本步驟

侵染性病害有3點(diǎn)特性與識(shí)別精確性直接相關(guān)：第一，不同病原物侵染后會(huì)出現(xiàn)不同癥狀，也會(huì)出現(xiàn)相似癥狀；第二，隨著病害周期延長(zhǎng)，病害嚴(yán)重程度加深，感染部位初期和后期癥狀不一致；第三，1株植物存在多種病害現(xiàn)象，導(dǎo)致感染后的葉片有多種癥狀，每個(gè)癥狀呈現(xiàn)相似或不相似特征。這些特性對(duì)該系統(tǒng)識(shí)別病害造成較大阻礙。筆者介紹了計(jì)算機(jī)識(shí)別系統(tǒng)基本步驟（圖1），并對(duì)文獻(xiàn)中提出的解決方案進(jìn)行總結(jié)。精確度通常是評(píng)價(jià)該系統(tǒng)有效和適用的性能指標(biāo)[9]。

2 圖像采集與處理

2.1 圖像采集圖像采集是指從某些數(shù)據(jù)庫(kù)中檢索圖像，或者是通過(guò)采集設(shè)備從田間或室內(nèi)采集到圖像，再轉(zhuǎn)換為數(shù)字圖像進(jìn)行下一步處理的過(guò)程。病害檢測(cè)系統(tǒng)準(zhǔn)確性取決于用于訓(xùn)練的采集圖像的質(zhì)量，捕獲圖像的質(zhì)量在很大程度上取決于所使用相機(jī)及其定位。因此，需要采用一些措施，以增加圖像可用性。陳佳娟等[10]采用圖像掃描儀采集圖像，旨在提高圖片質(zhì)量。徐貴力等[11]設(shè)計(jì)了一種活體采光箱，使后期圖像處理和識(shí)別過(guò)程能更順利進(jìn)行。近年來(lái)，在植物病害檢測(cè)上很少有關(guān)于高光譜成像的研究[12]，大多都是利用電荷耦合器件彩色相機(jī)捕捉或者利用安卓手機(jī)以高光譜的方式捕捉葉片圖像，研究人員利用這些設(shè)備在實(shí)時(shí)現(xiàn)場(chǎng)條件或受控實(shí)驗(yàn)室環(huán)境中收集自創(chuàng)建數(shù)據(jù)集。 PICON等[13]生成超過(guò)10萬(wàn)張由手機(jī)在真實(shí)野外條件下拍攝的圖像數(shù)據(jù)集。這個(gè)數(shù)據(jù)集包含17種疾病和5種作物(小麥、大麥、玉米、水稻和油菜籽)的疾病階段，并提出一種作物條件的卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)，它可以無(wú)縫整合由植物物種鑒定組成的上下文元數(shù)據(jù)。文獻(xiàn)中常出現(xiàn)的Plant Village數(shù)據(jù)集里包含近9萬(wàn)張，共58類(lèi)植物病蟲(chóng)害的圖像，有助于了解田間所遇到的植物病蟲(chóng)害現(xiàn)象[14]。許良鳳等[15]構(gòu)建玉米葉部病害數(shù)據(jù)庫(kù)，可幫助識(shí)別田間玉米病害。

2.2 圖像預(yù)處理圖像的質(zhì)量會(huì)因?yàn)殛幱?、扭曲、噪聲和?fù)雜背景的存在等原因而下降；在主要數(shù)據(jù)集中，圖像是實(shí)時(shí)收集的，包含不適當(dāng)信息。因此，在特征提取前，需對(duì)圖像進(jìn)行預(yù)處理，以提高疾病檢測(cè)系統(tǒng)計(jì)算精度。目前主要使用背景消除、增強(qiáng)、色彩空間轉(zhuǎn)換、裁剪和平滑化等預(yù)處理技術(shù)[16]。在色彩空間轉(zhuǎn)換中，RGB、HSV、HSI、Lab、YIQ和灰度顏色空間被許多研究人員使用[17?20]。RGB顏色空間是通過(guò)紅、綠、藍(lán)3個(gè)顏色通道的變化及它們互相之間疊加得到的其他各種顏色。HSV是指根據(jù)顏色的色調(diào)、飽和度及明度3個(gè)直觀特性創(chuàng)建的一種顏色空間，而HIS則是把HSV中的明度更換成了強(qiáng)度。Lab顏色空間則是由亮度、a顏色通道和b顏色通道組成。YIQ空間中，Y表示圖像的亮度信息，I和Q分量表示攜帶的顏色信息。灰度是指用不同飽和度的黑色來(lái)表示圖像。除了色彩空間轉(zhuǎn)化，一些圖像增強(qiáng)技術(shù)和過(guò)濾器的應(yīng)用會(huì)使得病害識(shí)別正確率提高。研究人員經(jīng)常采用均值濾波和中值濾波去除圖像噪聲，王雙喜等[21]把黃瓜炭疽病和霜霉病圖像經(jīng)由頻域?yàn)V波增強(qiáng)、空域?yàn)V波增強(qiáng)和灰度變換增強(qiáng)3種圖像增強(qiáng)技術(shù)進(jìn)行處理，發(fā)現(xiàn)快速中值濾波是效率最高、效能最顯著的一種增強(qiáng)方法。

3 圖像分割

圖像分割是幾乎所有圖像處理或計(jì)算機(jī)視覺(jué)應(yīng)用中的重要組成部分[22]，主要作用是為了區(qū)分植物組織感病區(qū)域和非感病區(qū)域，再將感病區(qū)域的顏色、紋理、形狀結(jié)構(gòu)和灰度特征劃分成一個(gè)個(gè)不重疊的小區(qū)域[23]，計(jì)算機(jī)才能基于這些特征準(zhǔn)確判斷病害類(lèi)別。然而，在圖像分割過(guò)程中，主要存在以下問(wèn)題：第一，著綠色像素背景包含許多元素，這些元素很難正確分割，特別是在感病區(qū)域；第二，很難區(qū)分健康區(qū)域和患病區(qū)域的界線(xiàn)；第三，光照變化和陰影的存在；第四，感病區(qū)域特征分布不均，排列無(wú)序。針對(duì)上述情況，許多研究人員都在尋找一種能在任何情景下都適用的分割算法，但是由于植物種類(lèi)不同、發(fā)生病害不同、發(fā)病時(shí)期不同，所表現(xiàn)出來(lái)的各方面特征都不一樣。所以圖像分割算法有多種類(lèi)型，主要分為兩大類(lèi)，一類(lèi)是基于邊緣檢測(cè)、區(qū)域增長(zhǎng)，基于閾值和基于特定理論的傳統(tǒng)方法；另一類(lèi)是基于計(jì)算機(jī)智能技術(shù)，包括利用軟計(jì)算方法如遺傳算法、模糊邏輯、神經(jīng)網(wǎng)絡(luò)等進(jìn)行分割[2]。

基于邊緣檢測(cè)的分割技術(shù)已經(jīng)在各種研究中得到實(shí)現(xiàn)，SHINDE等[24]采用sobel算子、canny邊緣檢測(cè)、prewitt算子、k-means聚類(lèi)算法等技術(shù)對(duì)大豆圖像進(jìn)行分割，同時(shí)采用區(qū)域生長(zhǎng)與局部閾值相結(jié)合實(shí)現(xiàn)對(duì)病斑的有效分割。在一項(xiàng)針對(duì)楊樹(shù)葉部病害的研究中，明浩等[25]將改進(jìn)的canny邊緣檢測(cè)法和霍斯變化相結(jié)合提取葉片輪廓，效果良好。在閾值分割算法中，閾值設(shè)定技術(shù)如Otsu閾值設(shè)定、以自適應(yīng)強(qiáng)度為基礎(chǔ)的閾值設(shè)定和基于熵的閾值設(shè)定都是常用方法。其中Otsu算法比較具有代表性，PHADIKAR等[9]基于Otsu閾值分割算法，將圖像分割為兩部分，最大限度地利用類(lèi)間方差參數(shù)來(lái)檢測(cè)閾值。張會(huì)敏等[26]基于小波變換和Otsu法，提出一種基于小波變換和Otsu法的圖像分割算法，在辣椒病害葉片圖像上采用該方法進(jìn)行分割實(shí)驗(yàn), 結(jié)果表明該方法切實(shí)有效。閾值確定是基于閾值分割法中非常關(guān)鍵的一步，如果閾值選擇不正確則會(huì)直接導(dǎo)致分割不正確。趙輝等[27]基于AD-GAC模型和最大熵閾值法對(duì)復(fù)雜背景下葉片病斑進(jìn)行分割，效果較好。基于特定理論的分割算法中，張芳等[28]利用k-means聚類(lèi)算法、基于拉普拉斯高斯算子和基于超像素的最優(yōu)匹配搜索方法，分割在復(fù)雜背景下黃瓜葉片病斑，其準(zhǔn)確率達(dá)94.7%。k-means聚類(lèi)進(jìn)行疾病區(qū)域分割，比基于邊緣的分割方法更有效、更適合[29]。也有一些研究人員選擇模糊c均值聚類(lèi)對(duì)感染區(qū)域進(jìn)行分割[30－31]。近年來(lái)，深度學(xué)習(xí)技術(shù)快速發(fā)展，許多研究人員基于卷積神經(jīng)網(wǎng)絡(luò)對(duì)圖像進(jìn)行分割，如溫長(zhǎng)吉等[32]分割玉米病害圖像就是通過(guò)改進(jìn)蜂群算法優(yōu)化了的神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)的。王振等[33]針對(duì)玉米葉病提出基于改進(jìn)全卷積神經(jīng)網(wǎng)絡(luò)的葉片病斑分割方法，可以準(zhǔn)確分割出理想病斑區(qū)域。目前，利用遺傳算法對(duì)植物葉片病害進(jìn)行圖像分割只有少數(shù)報(bào)道[34]。

4 特征提取

病害癥狀的相似性極大地影響病害分類(lèi)的正確性。特征提取是構(gòu)建分類(lèi)或識(shí)別模型的重要步驟，其目的是提取圖像每一類(lèi)相關(guān)屬性，如形狀、顏色、大小、紋理等，再根據(jù)這些特征將一個(gè)對(duì)象與其他對(duì)象區(qū)別開(kāi)來(lái)。在研究中，灰度共生矩陣(Gray-level co-occurrence matrices, GLCM)與Haralick特征、Gabor濾波器、平移不變特征變換(Shift-invariant feature transform, SIFT)、離散小波變換(Discrete wavelet trans-Form, DWT)和局部二值模式(Local binary patterns, LBPs)等方法被廣泛應(yīng)用于特征提取。

在對(duì)柑橘炭疽病、黑斑病、潰瘍病、痂病、青色病和黑素病進(jìn)行分類(lèi)時(shí)，提取了18個(gè)GLCM特征，除了有14個(gè)Haralick特征外還新增簇突出、簇蔭、同質(zhì)性和能量特征[35]，旨在尋找精度較好的柑橘病害檢測(cè)系統(tǒng)。在針對(duì)蘋(píng)果表面病害識(shí)別研究中，為了建立特征向量，研究了不同特征描述子的Gabor小波組合來(lái)觀察它們的性能，其中Gabor和LBP組合形成強(qiáng)大的特征提取算法，識(shí)別精確度最高[2]。SIFT是用特征向量表示圖像局部特征的特征描述子，用SIFT提取水稻褐斑病、黑穗病和白葉枯病的葉片特征再進(jìn)行分類(lèi)檢測(cè)，效果良好[29]。LBPs是一種簡(jiǎn)單但非常有效的紋理算子，它通過(guò)通過(guò)閾值來(lái)標(biāo)記中心點(diǎn)像素與其鄰域像素之間的差別，并將結(jié)果視為一個(gè)二進(jìn)制數(shù)，對(duì)葡萄葉部病害識(shí)別中應(yīng)用LBPs與直方圖結(jié)合方法提取復(fù)雜背景下彩色數(shù)字圖片特征。顏色特征是一種基于圖片像素點(diǎn)的全局特征[36]，圖像灰度或顏色分布的某種規(guī)律性稱(chēng)為形狀[37]。對(duì)這些特征進(jìn)行提取，然后通過(guò)相似性度量或通過(guò)一些機(jī)器學(xué)習(xí)算法映射用于病害識(shí)別和分類(lèi)。劉麗娟等[38]引入HIS模型進(jìn)行顏色特征提取，引入病斑區(qū)域規(guī)律度、分形錐數(shù)值和熵等6個(gè)參數(shù)進(jìn)行紋理特征提取，再采用改進(jìn)的BP(Back propagation)神經(jīng)網(wǎng)絡(luò)，搭建識(shí)別玉米葉部病害系統(tǒng)。趙進(jìn)輝等[39]利用顏色特征2G-R-B、2R-G-B和面積閾值分割法將圖像中甘蔗病斑從土壤和其他綠色植物中提取出來(lái)，從而識(shí)別甘蔗病害。顏色是基于顏色直方圖和顏色共生矩陣的，顏色直方圖表示一幅圖像中顏色分布，BARBEDO等[40]提出基于顏色變換、顏色直方圖和兩兩分類(lèi)系統(tǒng)的疾病識(shí)別方法，這種方法對(duì)圖像捕獲條件具有較強(qiáng)的魯棒性。顏色共生矩陣(color co-occurrence matrix, CCM)以矩陣的形式表示每個(gè)顏色通道的顏色分布[41]。PYDIPATI等[42]利用CCM法獲得患病柑桔葉片油脂斑、黑素、瘡痂等紋理特征。形狀特征基于一些參數(shù)定義任何圖像或?qū)ο蟮男螤顚傩裕腔谌~片面積、質(zhì)心、偏心度、等效直徑、范圍、長(zhǎng)軸長(zhǎng)度、短軸長(zhǎng)度、方向和周長(zhǎng)提取的計(jì)算值。VIJAYALAKSHMI等[43]提出一種基于紋理、形狀和顏色特性的葉片分類(lèi)方法。

5 植物病害識(shí)別與分類(lèi)

識(shí)別和分類(lèi)步驟是利用計(jì)算機(jī)視覺(jué)和圖像處理技術(shù)進(jìn)行植物病害的檢測(cè)和分類(lèi)，它是植物病害識(shí)別最后階段，也是最關(guān)鍵階段。它的分類(lèi)精確性取決于之前圖像采集、預(yù)處理、感病區(qū)域的分割以及最終的特征提取和選擇，將這些步驟的原始數(shù)據(jù)輸入訓(xùn)練后的分類(lèi)器中來(lái)判斷葉片病害類(lèi)別[3]。

5.1 機(jī)器學(xué)習(xí)的應(yīng)用機(jī)器學(xué)習(xí)為系統(tǒng)提供自動(dòng)學(xué)習(xí)能力，在沒(méi)有明確編程的情況下，從經(jīng)驗(yàn)中改進(jìn)，并具有決策能力。目前報(bào)道的機(jī)器學(xué)習(xí)技術(shù)大多是基于人工神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)和kmeans聚類(lèi)來(lái)實(shí)現(xiàn)。使用感病植物和健康植物數(shù)據(jù)集訓(xùn)練分類(lèi)器，對(duì)2個(gè)數(shù)據(jù)集進(jìn)行測(cè)試，可以檢查分類(lèi)器性能及其準(zhǔn)確性。人工神經(jīng)網(wǎng)絡(luò)是機(jī)器基于數(shù)學(xué)模型仿效生物神經(jīng)網(wǎng)絡(luò)構(gòu)造和效能進(jìn)行學(xué)習(xí)的一種方法[23]，已經(jīng)在植物病害圖像分類(lèi)研究中得到普遍應(yīng)用。其主要步驟是將提取的病害圖像特征數(shù)據(jù)作為分類(lèi)器輸入量，對(duì)神經(jīng)網(wǎng)絡(luò)識(shí)別模型進(jìn)行訓(xùn)練，經(jīng)過(guò)訓(xùn)練得到線(xiàn)性決策函數(shù)。以此為依據(jù)，模型可以對(duì)已訓(xùn)練過(guò)的植物病害進(jìn)行分類(lèi)識(shí)別。HUANG[44]利用可調(diào)參數(shù)指數(shù)變換和圖像處理技術(shù)對(duì)蝴蝶蘭幼苗3種病害的病斑分布區(qū)域進(jìn)行分割，提取到顏色和紋理特征，進(jìn)一步用GLCM描述病變區(qū)域紋理特征，再將紋理特征和R、G、B的平均灰度作為參數(shù)，采用神經(jīng)網(wǎng)絡(luò)技術(shù)對(duì)病害進(jìn)行分類(lèi)，準(zhǔn)確率達(dá)89.6%。譚克竹等[45]對(duì)大豆灰斑病、霜霉病和細(xì)菌性病害的病斑特征展開(kāi)分析，搭建大豆葉片病害的BP神經(jīng)網(wǎng)絡(luò)診斷模型。李頎等[46]利用基于遺傳算法的BP神經(jīng)網(wǎng)絡(luò)定義原始特征參數(shù)對(duì)分類(lèi)結(jié)果靈敏度進(jìn)行優(yōu)化，剔除靈敏度較低的若干特征, 減低特征參數(shù)維數(shù)，實(shí)驗(yàn)結(jié)果標(biāo)明, 該方法對(duì)黃瓜炭疽病和白粉病的分類(lèi)準(zhǔn)確率在96%以上。1964年，VAPNIK等[47?48]提出支持向量機(jī)(Support vector machine,SVM)，它使用結(jié)構(gòu)風(fēng)險(xiǎn)最小化原理，兼顧訓(xùn)練誤差和泛化能力，在解決小樣本、非線(xiàn)性、高維數(shù)、局部極小值等模式識(shí)別問(wèn)題中顯現(xiàn)出很多獨(dú)特的優(yōu)勢(shì)。在一些研究中，支持向量機(jī)、上下文感知支持向量機(jī)(Context-aware support vector machine, CSVM)和單類(lèi)支持向量機(jī)(One-class support vector machine, OCSVM)在基于病斑區(qū)域的各種特征對(duì)植物病害進(jìn)行的分類(lèi)中，其分類(lèi)精度明顯優(yōu)于人工神經(jīng)網(wǎng)絡(luò)[16,20,35]。除了神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)，在一些研究中基于模糊邏輯的推理系統(tǒng)和基于模糊規(guī)則的系統(tǒng)也被用于植物病害檢測(cè)。

5.2 深度學(xué)習(xí)的應(yīng)用目前，圖像處理和計(jì)算機(jī)視覺(jué)領(lǐng)域的研究重點(diǎn)已經(jīng)聚焦到深度學(xué)習(xí)上[49?51]，深度學(xué)習(xí)是機(jī)器學(xué)習(xí)的分支，DL方法是一種具有多級(jí)表征的表示學(xué)習(xí)方法，通過(guò)組合簡(jiǎn)單但非線(xiàn)性的模塊獲得，每個(gè)模塊都將一個(gè)級(jí)別的表示轉(zhuǎn)換為更高、更抽象的級(jí)別表示。通過(guò)組合足夠多這樣的變換，可以學(xué)習(xí)非常復(fù)雜的函數(shù)。深度學(xué)習(xí)工具中應(yīng)用最廣泛的是卷積神經(jīng)網(wǎng)絡(luò)。SLADOJEVIC等[52]從收集用于訓(xùn)練和識(shí)別的圖像到圖像的預(yù)處理和增強(qiáng)，再到CNN訓(xùn)練和微調(diào)，提出一種利用深度學(xué)習(xí)對(duì)植物病害進(jìn)行自動(dòng)分類(lèi)和檢測(cè)的新方法，開(kāi)發(fā)的模型能夠從葉片中識(shí)別出13種不同類(lèi)型的植物病害，并具有從周?chē)h(huán)境中識(shí)別植物葉片的能力。模型試驗(yàn)結(jié)果表明，在單獨(dú)的分類(lèi)測(cè)試中準(zhǔn)確率達(dá)到91%～98%。秦豐等[53]基于CNN提取苜蓿褐斑病、銹病、小光殼葉斑病和尾孢菌葉斑病的病斑圖像特征, 建立病害識(shí)別支持向量機(jī)模型，其識(shí)別效果不錯(cuò)。劉闐宇等[54]提出一種基于卷積神經(jīng)網(wǎng)絡(luò)區(qū)域建議算法(Faster-region convolutional neural network, Faster-RCNN)的病害檢測(cè)方法，該方法可去除背景因素?cái)_亂，提高識(shí)別精確度。

自2015年起，深度學(xué)習(xí)在植物病害識(shí)別上的應(yīng)用研究開(kāi)始漸漸深入，Caffe是多位媒體科學(xué)家和實(shí)踐者提供的一個(gè)簡(jiǎn)潔和可修改的框架，用于最先進(jìn)的深度學(xué)習(xí)算法和一組參考模型。此外還有Alex Net、VGG-16、GoogLeNet和ResNet等多種網(wǎng)絡(luò)架構(gòu)被提出且在病害識(shí)別上得到應(yīng)用[55?58]。評(píng)價(jià)深度學(xué)習(xí)的性能通常使用準(zhǔn)確率、召回率、F1值和平均正確值等指標(biāo)。DL技術(shù)在植物病害檢測(cè)、識(shí)別和分類(lèi)領(lǐng)域表現(xiàn)出識(shí)別速度快、魯棒性強(qiáng)和泛化性能好等性能，其精確度能高達(dá)95%以上。

6 展 望

利用可視范圍圖像自動(dòng)識(shí)別植物病害在過(guò)去20 a中受到廣泛關(guān)注。本研究對(duì)計(jì)算機(jī)視覺(jué)技術(shù)在植物病害識(shí)別上的研究進(jìn)行綜述。目前該領(lǐng)域研究已經(jīng)取得一定進(jìn)展，研究者提供一些植物病害圖像處理、分割、特征提取和病害分類(lèi)的算法來(lái)解決在侵染性病害識(shí)別中常見(jiàn)的問(wèn)題。然而當(dāng)前提出的技術(shù)手段還局限于一定范圍，有許多研究都是基于實(shí)驗(yàn)室條件下的計(jì)算機(jī)視覺(jué)診斷，或者是對(duì)單一作物的單一病害進(jìn)行研究，如果應(yīng)用到田間，難度會(huì)比較大。其次，如何實(shí)現(xiàn)復(fù)雜環(huán)境下作物圖像的背景分割是公認(rèn)的研究難點(diǎn)，若沒(méi)有適合的圖像分割技術(shù)，會(huì)對(duì)病害識(shí)別造成比較大的困擾。再次，許多植物病害的病斑其顏色、大小、形狀等特征在不同時(shí)期會(huì)有不同變化，單一某個(gè)時(shí)期的病害識(shí)別系統(tǒng)對(duì)不同發(fā)病時(shí)期的病葉診斷會(huì)有所不同，不同的病害產(chǎn)生的癥狀可能非常相似，而且他們可能同時(shí)存在，在復(fù)雜背景下診斷多種病害的研究還比較少。今后研究重點(diǎn)是：第一，將病害診斷系統(tǒng)從實(shí)驗(yàn)室擴(kuò)展到田間，使其保有更加穩(wěn)定的識(shí)別精確度。第二，加快圖像處理新算法的研究，使得系統(tǒng)能在復(fù)雜背景下分割和提取葉片病斑特征。第三，研發(fā)動(dòng)態(tài)的植物病害診斷系統(tǒng)。如今，農(nóng)業(yè)現(xiàn)代化、智能化、自動(dòng)化的趨勢(shì)越來(lái)越明朗，計(jì)算機(jī)視覺(jué)技術(shù)是當(dāng)中不可缺少的一環(huán)，還需要投入更多的精力去研究解決相關(guān)技術(shù)問(wèn)題。

在植物病害識(shí)別研究中，機(jī)器學(xué)習(xí)技術(shù)已有很好的效果，而深度學(xué)習(xí)其強(qiáng)大的學(xué)習(xí)能力可提高神經(jīng)網(wǎng)絡(luò)的性能和識(shí)別精度，把這項(xiàng)研究推進(jìn)了一大步。深度學(xué)習(xí)的研究是近幾年來(lái)在計(jì)算機(jī)科學(xué)和農(nóng)業(yè)信息化領(lǐng)域的熱門(mén)，其性能非常依賴(lài)于數(shù)據(jù)集，數(shù)據(jù)集越豐富則深度學(xué)習(xí)的性能越好。國(guó)內(nèi)外的專(zhuān)家學(xué)者應(yīng)該全面構(gòu)建和擴(kuò)充更多植物類(lèi)型，更多病害類(lèi)型的數(shù)據(jù)集。同時(shí)，由于目前大部分的研究?jī)?nèi)容還是基于經(jīng)典的卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)，優(yōu)化其架構(gòu)和開(kāi)發(fā)更加先進(jìn)的架構(gòu)等尚待加強(qiáng)。

我國(guó)研究人員根據(jù)人工神經(jīng)網(wǎng)絡(luò)、綜合知識(shí)庫(kù)和集成推理等技術(shù)開(kāi)發(fā)了一批植物病蟲(chóng)害診斷專(zhuān)家系統(tǒng)，已應(yīng)用于生產(chǎn)的如月季病蟲(chóng)害智能系統(tǒng)、面向山東的果樹(shù)病蟲(chóng)害診斷專(zhuān)家系統(tǒng)、蘋(píng)果病蟲(chóng)害診斷專(zhuān)家Android 系統(tǒng)[59?61]。雖然有很多病害系統(tǒng)已經(jīng)開(kāi)發(fā)，但是向大眾推廣應(yīng)用程度并不高，一些技術(shù)比較成熟的系統(tǒng)沒(méi)有被合理利用起來(lái)。未來(lái)計(jì)算機(jī)視覺(jué)在植物保護(hù)的應(yīng)用上應(yīng)該是緊跟國(guó)際上最新的研究動(dòng)態(tài)，努力創(chuàng)造新的技術(shù)和方法，并且能夠利用已成熟的科技成果，研制出適合我國(guó)實(shí)際情況的軟件和硬件系統(tǒng)，并及時(shí)應(yīng)用于生產(chǎn)。