張友為 王鑫鑫 范曉飛

doi：10.15889/j.issn.1002-1302.2024.10.002

摘要：近年來，病蟲害嚴(yán)重影響了農(nóng)作物的生長和產(chǎn)量，在當(dāng)前人口劇增、糧食短缺的背景下，解決這一問題具有急迫性和重要性。因此，深度學(xué)習(xí)憑借學(xué)習(xí)能力強(qiáng)和高準(zhǔn)確性等優(yōu)勢，逐漸成為農(nóng)業(yè)病蟲害檢測技術(shù)的研究熱點(diǎn)之一。深度學(xué)習(xí)結(jié)合多種技術(shù)可以更加高效地幫助農(nóng)民檢測病蟲害，從而及時(shí)采取措施對(duì)農(nóng)作物病蟲害進(jìn)行防治，提高農(nóng)作物產(chǎn)量和質(zhì)量。本文以玉米和番茄為研究對(duì)象，針對(duì)農(nóng)作物病蟲害檢測技術(shù)對(duì)病蟲害檢測研究中常用的深度學(xué)習(xí)模型進(jìn)行了概述，并分別對(duì)深度學(xué)習(xí)與傳感器技術(shù)和遙感技術(shù)結(jié)合的病蟲害檢測系統(tǒng)和不同應(yīng)用場景上深度學(xué)習(xí)結(jié)合不同技術(shù)對(duì)病蟲害檢測起到的應(yīng)用效果進(jìn)行闡述；同時(shí)總結(jié)了玉米和番茄的常見害蟲種類、害蟲體型特點(diǎn)和啃食特點(diǎn)。最后，討論了深度學(xué)習(xí)技術(shù)在實(shí)際應(yīng)用中存在的問題和未來深度學(xué)習(xí)技術(shù)的發(fā)展方向。深度學(xué)習(xí)與先進(jìn)技術(shù)的結(jié)合將為農(nóng)民和農(nóng)作物專家提供有效的工具，幫助他們及時(shí)發(fā)現(xiàn)和應(yīng)對(duì)病蟲害問題，提高農(nóng)作物的產(chǎn)量和質(zhì)量。

關(guān)鍵詞：深度學(xué)習(xí)；玉米；番茄；病蟲害檢測；傳感器技術(shù)；遙感技術(shù)

中圖分類號(hào)：S126；S127? 文獻(xiàn)標(biāo)志碼：A

文章編號(hào)：1002-1302（2024）10-0010-11

收稿日期：2023-08-09

基金項(xiàng)目：國家自然科學(xué)基金面上項(xiàng)目（編號(hào)：32072572）；河北省高層次人才資助項(xiàng)目（編號(hào)：E2019100006）；河北省重點(diǎn)研發(fā)計(jì)劃（編號(hào)：20327403D）；河北農(nóng)業(yè)大學(xué)引進(jìn)人才科研專項(xiàng)（編號(hào)：YJ201847）。

作者簡介：張友為（2000—），男，河北滄州人，碩士研究生，主要從事深度學(xué)習(xí)研究。E-mail：1511313883@qq.com。

通信作者：范曉飛，博士，教授，從事智慧農(nóng)業(yè)研究。E-mail：fanxiaofei@hebau.edu.cn。

農(nóng)業(yè)作為人類社會(huì)的基本產(chǎn)業(yè)之一，對(duì)于人類的糧食安全和經(jīng)濟(jì)發(fā)展具有重要意義。然而，病蟲害是農(nóng)作物生長過程中的一個(gè)嚴(yán)重問題，會(huì)影響農(nóng)作物的產(chǎn)量和質(zhì)量。因此，如何快速、準(zhǔn)確地檢測病蟲害，并及時(shí)采取有效的防治措施，是農(nóng)業(yè)生產(chǎn)中亟待解決的問題。在眾多檢測方法中，基于深度學(xué)習(xí)的病蟲害檢測方法，通過利用大量的數(shù)據(jù)和深度神經(jīng)網(wǎng)絡(luò)的強(qiáng)大學(xué)習(xí)能力，并且結(jié)合其他技術(shù)，可以快速、準(zhǔn)確地檢測病蟲害，為農(nóng)業(yè)生產(chǎn)提供了一種高效的解決方案。

近年來，前人已經(jīng)在病蟲害檢測領(lǐng)域進(jìn)行了大量的嘗試和實(shí)踐，取得了一定的進(jìn)展。例如，利用深度學(xué)習(xí)技術(shù)在圖像處理領(lǐng)域的自動(dòng)識(shí)別，能夠高精度地檢測病蟲害［1-3］。另外，針對(duì)一些蟲害檢測，基于深度學(xué)習(xí)的聲音識(shí)別技術(shù)可以通過捕捉聲音信號(hào)［4］實(shí)現(xiàn)非接觸式的檢測。應(yīng)用傳感器技術(shù)進(jìn)行病害檢測也可以達(dá)到較為理想的效果［5-7］。使用先進(jìn)的傳感器技術(shù)來測量現(xiàn)場的各種參數(shù)，即通過采集環(huán)境中的氣象、土壤等多種數(shù)據(jù)，進(jìn)行綜合分析和診斷。而對(duì)于一些特殊的病害，紅外熱成像技術(shù)可以根據(jù)病害的溫度等特性實(shí)現(xiàn)病害的檢測［8-9］。深度學(xué)習(xí)技術(shù)結(jié)合不同設(shè)備對(duì)病蟲害進(jìn)行檢測可以起到意想不到的效果。例如，基于光譜成像技術(shù)的病蟲害檢測方法［10］已被用于檢測植物中由各種因素引起的疾病和脅迫［11］，可以結(jié)合更多的硬件設(shè)施，進(jìn)一步開發(fā)這類技術(shù)，有望為實(shí)地條件下的大規(guī)模實(shí)時(shí)病蟲害監(jiān)測創(chuàng)造一個(gè)實(shí)用工具［12］。與多種傳感器結(jié)合的基于深度學(xué)習(xí)的病蟲害檢測技術(shù)，可以實(shí)現(xiàn)大量數(shù)據(jù)的采集，從而獲取需要的信息以用于對(duì)深度學(xué)習(xí)的輸入［13-15］。對(duì)于一些高難度拍攝的農(nóng)業(yè)圖像，可以借助無人機(jī)協(xié)同拍攝來采集圖像［16-17］。根據(jù)衛(wèi)星遙感的圖像，將特征融合數(shù)據(jù)作為模型的輸入數(shù)據(jù)，可以為產(chǎn)量預(yù)測提供更多的數(shù)據(jù)支撐［18-19］。

在基于深度學(xué)習(xí)的病蟲害檢測領(lǐng)域存在著2個(gè)關(guān)鍵問題，即模型設(shè)計(jì)問題和實(shí)時(shí)性問題［20］。由于不同作物的病害在形態(tài)上存在很大的差異，因此需要針對(duì)不同的病蟲害選擇合適的架構(gòu)和模型進(jìn)行訓(xùn)練和優(yōu)化［21］。實(shí)時(shí)性問題是指如何在短時(shí)間內(nèi)對(duì)病蟲害進(jìn)行準(zhǔn)確檢測，以便及時(shí)采取有效的防治措施［22］。在這方面，深度學(xué)習(xí)算法可以結(jié)合傳感器技術(shù)，以實(shí)現(xiàn)快速準(zhǔn)確的檢測。在大量的病蟲害檢測文獻(xiàn)研究［23-25］中，主要通過算法改進(jìn)、優(yōu)化方法或結(jié)合傳感器、遙感技術(shù)等應(yīng)對(duì)實(shí)際檢測過程中的一些難題。改進(jìn)和優(yōu)化算法和在病害檢測方面的應(yīng)用已經(jīng)得到了廣泛的研究。對(duì)于多種病害檢測，采用分類模型來檢測病蟲害可以提高檢測效率。對(duì)于種類繁多的病蟲害數(shù)據(jù)集而言，其檢測就顯得比較困難［26］。應(yīng)用目標(biāo)檢測模型檢測病害的研究也較多，該模型有著高精度性能、適用性廣泛等優(yōu)點(diǎn)，但是其訓(xùn)練速度較慢，并且對(duì)于小目標(biāo)或者物體密集的場景檢測精度會(huì)受影響［27］。

本研究以玉米（Zea mays L.）和番茄（Solanum lycopersicum）作為露天作物和設(shè)施作物的代表，對(duì)深度學(xué)習(xí)技術(shù)在病蟲害檢測方面的應(yīng)用進(jìn)行研究，并分析深度學(xué)習(xí)結(jié)合不同技術(shù)對(duì)病害檢測的優(yōu)勢，以及玉米和番茄害蟲的種類和檢測方式。最后，對(duì)整個(gè)研究工作進(jìn)行總結(jié)和展望。

1? 病蟲害檢測方法

農(nóng)作物病蟲害檢測是指利用技術(shù)手段對(duì)農(nóng)作物病蟲害進(jìn)行檢測和診斷的過程，旨在及時(shí)發(fā)現(xiàn)和防治病蟲害，保障農(nóng)作物的生產(chǎn)和品質(zhì)。目前，國內(nèi)外在病蟲害的檢測上主要有以下4種方法。

（1）傳統(tǒng)目測檢驗(yàn)：使用放大鏡和顯微鏡觀察害蟲，判斷種類和數(shù)量，但誤差大且耗時(shí)，工作量大［28］。

（2）生物學(xué)檢驗(yàn)：利用化學(xué)方法對(duì)土壤、水體、農(nóng)作物等進(jìn)行檢測，以判斷是否存在農(nóng)藥殘留、病原菌等有害物質(zhì)［29］。該方法對(duì)檢測人員的專業(yè)水平要求較高，耗時(shí)長，工作量大。

（3）分子生物學(xué)檢驗(yàn)：生物學(xué)檢測是利用生物學(xué)特性進(jìn)行檢測，如利用PCR技術(shù)檢測和診斷病原體［30］，具有高靈敏度和特異性，但需要復(fù)雜的試驗(yàn)設(shè)備和技術(shù)，成本較高。

（4）深度學(xué)習(xí)技術(shù)：深度學(xué)習(xí)技術(shù)通過學(xué)習(xí)樣本數(shù)據(jù)的內(nèi)在規(guī)律和表示層次，來獲得需要的信息，對(duì)圖像和聲音等數(shù)據(jù)的解釋有很大幫助［31］。它的最終目標(biāo)是讓機(jī)器能擁有類似人腦的分析學(xué)習(xí)能力，能夠自動(dòng)識(shí)別文字、圖像和聲音等數(shù)據(jù)［32］?；谏疃葘W(xué)習(xí)的植物病害檢測模型具有精度高、普適性好和訓(xùn)練效率高等特點(diǎn)。

這些技術(shù)的優(yōu)缺點(diǎn)各不相同，近年來，基于深度學(xué)習(xí)的目標(biāo)檢測技術(shù)被廣泛應(yīng)用于植物病理學(xué)［33-35］。這種技術(shù)具有處理速度快、準(zhǔn)確性高等優(yōu)點(diǎn)，適用于大規(guī)模農(nóng)作物病蟲害檢測。

2? 病害檢測

2.1? 算法改進(jìn)與優(yōu)化方式

2.1.1? 玉米病害檢測算法改進(jìn)

玉米是常見的露天作物，也是世界上最重要的糧食作物之一，但是玉米在生長過程中經(jīng)常受到各種病蟲害的侵害，這給農(nóng)民帶來了巨大的經(jīng)濟(jì)損失。

針對(duì)玉米葉片的病害圖像檢測，卷積神經(jīng)網(wǎng)絡(luò)（CNN）可以通過卷積層和池化層來提取圖像的局部特征，從而捕捉到病害區(qū)域的細(xì)節(jié)信息，并且CNN模型在卷積操作中使用了滑動(dòng)窗口的方式對(duì)輸入數(shù)據(jù)進(jìn)行特征提取，提高了模型對(duì)數(shù)據(jù)的魯棒性和泛化能力，更易于訓(xùn)練，對(duì)圖像處理也有出色的表現(xiàn)。例如，Mishra等針對(duì)玉米銹病和葉萎病設(shè)計(jì)的Deep CNN模型平均準(zhǔn)確率為98.40%［36］。Waheed等針對(duì)玉米病害采用優(yōu)化密集CNN結(jié)構(gòu)（DenseNet）進(jìn)行檢測，模型的準(zhǔn)確率為98.06%［37］。CNN算法可以應(yīng)用于病害檢測系統(tǒng)中，幫助系統(tǒng)處理圖像數(shù)據(jù)，并進(jìn)行分類、分割等任務(wù)。通過調(diào)整參數(shù)、改變池化組合［38］、使用更深的網(wǎng)絡(luò)結(jié)構(gòu)、調(diào)整主干網(wǎng)絡(luò)等多種方式對(duì)CNN算法進(jìn)行改進(jìn)以達(dá)到更高模型的準(zhǔn)確性和性能。Priyadharshini等提出了一種基于CNN的改進(jìn)LeNet體系結(jié)構(gòu)，采用梯度下降算法對(duì)LeNet深度網(wǎng)絡(luò)進(jìn)行訓(xùn)練，對(duì)玉米病害進(jìn)行分類，準(zhǔn)確率為97.89%［39］。Li等針對(duì)玉米病害提出了一種改進(jìn)的AlexNet與 Inception-v4結(jié)合的算法，AlexNet卷積層被適當(dāng)調(diào)整，并添加了Inception-v4作為主干網(wǎng)絡(luò)，該算法可以準(zhǔn)確地識(shí)別玉米葉片病害，準(zhǔn)確率達(dá)到94.46%，但該模型不能區(qū)分具有相似特征的不同病害［40］。

YOLO系列算法速度快、精度高，還具備很好的可擴(kuò)展性。徐會(huì)杰等研究發(fā)現(xiàn)，YOLO v3在檢測玉米葉片上的較小病斑時(shí)，并沒有體現(xiàn)出很好的檢測效果。他們改變YOLO v3算法感受野等來檢測病斑，得到Y(jié)OLO v3.Corn算法，對(duì)玉米病害進(jìn)行檢測，YOLO v3.Corn模型在平均檢測精確度上相比YOLO v3和 YOLO v3-tiny分別提高4.03%和8.26%，在對(duì)小目標(biāo)的檢測中，精確度比YOLO v3-tiny和YOLO v3分別提高12.86%和7.13%，召回率分別提高18.56%和9.78%［41］。表1中為基于深度學(xué)習(xí)的玉米病害檢測研究。

表1? 基于深度學(xué)習(xí)的玉米病害檢測研究

病害采用模型技術(shù)特點(diǎn)準(zhǔn)確率

銹病和葉萎?。?6］Deep CNN網(wǎng)絡(luò)模型調(diào)整超參數(shù)和調(diào)節(jié)GPU系統(tǒng)中的池組合，進(jìn)一步優(yōu)化了該模型的參數(shù)平均準(zhǔn)確率為98.40%

銹病、尾孢葉斑灰葉斑和大斑?。?7］DenseNet網(wǎng)絡(luò)模型采用優(yōu)化密集卷積神經(jīng)網(wǎng)絡(luò)（CNN）結(jié)構(gòu)（DenseNet）進(jìn)行檢測優(yōu)化后的密度網(wǎng)模型準(zhǔn)確率為98.06%

繡病、灰葉斑病、大斑?。?9］改進(jìn)LeNet網(wǎng)絡(luò)模型通過改變核大小和深度等參數(shù)來研究LeNet結(jié)構(gòu)學(xué)習(xí)模型的準(zhǔn)確率為97.89%

黑斑病、普通銹病和大斑?。?0］AlexNet與 Inception-v4結(jié)合網(wǎng)絡(luò)模型AlexNet卷積層被適當(dāng)調(diào)整，并添加了Inception-v4作為主干網(wǎng)絡(luò)準(zhǔn)確率達(dá)到94.46%

大斑病、小斑病、銹病、草地貪夜蛾卵、草地貪夜蛾幼蟲［41］YOLO v3.Corn算法模型改變YOLO v3算法感受野YOLO v3.Corn在平均檢測精確度上相比YOLO v3和 YOLO v3-tiny分別提高4.03%和8.26%，在對(duì)小目標(biāo)的檢測中，精確度比YOLO v3-tiny和YOLO v3分別提高12.86%和7.13%

2.1.2? 番茄病害檢測算法改進(jìn)

番茄是一種常見的設(shè)施作物，由于病害的侵?jǐn)_，產(chǎn)量和品質(zhì)常常受到影響，因此應(yīng)該著重進(jìn)行病蟲害預(yù)防［42］。傳統(tǒng)的病蟲害檢測方法耗時(shí)耗力，而基于深度學(xué)習(xí)的方法較為實(shí)用，在病蟲害檢測領(lǐng)域得到了廣泛應(yīng)用［8］。

使用CNN模型［43］，或者使用經(jīng)過微調(diào)的CNN模型對(duì)番茄病害進(jìn)行檢測時(shí)［44］，不需預(yù)處理就具有快速的收斂和良好的訓(xùn)練能力，因此多種CNN模型在檢測番茄病害中體現(xiàn)出良好性能［45］，可以通過對(duì)比試驗(yàn)選取最佳模型，對(duì)于評(píng)估番茄早疫病的嚴(yán)重程度方面，Prabhakar等通過與其他預(yù)先訓(xùn)練過的VGG16、VGG19、GoogLeNet、AlexNet和ResNet50模型相對(duì)比，發(fā)現(xiàn)ResNet101模型的準(zhǔn)確率最高，為94.6%［46］。Kibriya等在公開的Plant Village數(shù)據(jù)集上訓(xùn)練GoogLeNet和VGG16模型均達(dá)到了很好的效果［47］。針對(duì)番茄病害的檢測，改進(jìn)和優(yōu)化深度學(xué)習(xí)算法模型，使模型在檢測多種番茄病害時(shí)體現(xiàn)更好的性能，讓模型檢測病害能夠更加高效的完成。例如，劉志勇等改進(jìn)了LeNet網(wǎng)絡(luò)結(jié)構(gòu)，在對(duì)番茄多種病害分類檢測中，得到LeNet-5網(wǎng)絡(luò)結(jié)構(gòu)檢測準(zhǔn)確率為95.3%［48］。還可以將優(yōu)化好的模型集成到自動(dòng)化測量系統(tǒng)［49］中，讓檢測效果達(dá)到最佳。

YOLO v3在使用深度殘差網(wǎng)絡(luò)提取圖像特征時(shí)，由于特征提取的最小特征圖太大，檢測速度降低，對(duì)中大尺寸物體的檢測效果不好。YOLO v3-tiny對(duì)原始網(wǎng)絡(luò)版本進(jìn)行壓縮，沒有殘差層，而使用了2個(gè)不同尺度的YOLO輸出層，提高了小目標(biāo)檢測的檢測速度和精度。番茄病害中病斑大多是小目標(biāo)，檢測速度要求高，適應(yīng)于該檢測的基本網(wǎng)絡(luò)。Wang等采用優(yōu)化YOLO v3-Tiny算法在深度分離、碎片遮擋和葉片重疊3種情況下得到的平均精度（mAP）分別為98.3%、92.1%和90.2%［50］。他們改善了網(wǎng)絡(luò)深化過程中的梯度消失現(xiàn)象，實(shí)現(xiàn)網(wǎng)絡(luò)多層特征復(fù)用與融合。改變邊界框形狀也可以提高檢測精準(zhǔn)度。如果邊界框的形狀不準(zhǔn)確，預(yù)測的坐標(biāo)也可能會(huì)存在一定的誤差。通過調(diào)整邊界框的形狀，可以使其更加貼合目標(biāo)番茄，減少預(yù)測坐標(biāo)［51］，減少誤差，提高模型的精確性和魯棒性。表2為基于深度學(xué)習(xí)的番茄病害檢測研究。

2.1.3? 遷移學(xué)習(xí)和注意力機(jī)制優(yōu)化方式

當(dāng)目標(biāo)領(lǐng)域的數(shù)據(jù)很少時(shí)，模型可能會(huì)過度擬合訓(xùn)練數(shù)據(jù)，從而導(dǎo)致泛化能力降低，無法有效地處理新的數(shù)據(jù)。同樣，當(dāng)模型在目標(biāo)領(lǐng)域中過擬合時(shí)，也會(huì)導(dǎo)致泛化能力降低，無法適應(yīng)新的數(shù)據(jù)。遇到數(shù)據(jù)

表2? 基于深度學(xué)習(xí)的番茄病害檢測研究

病害采用模型技術(shù)特點(diǎn)準(zhǔn)確率

早疫?。?6］ResNet101模型與其他預(yù)先訓(xùn)練過的VGG16、VGG19、GoogLeNet、AlexNet和ResNet50相對(duì)比，ResNet101的準(zhǔn)確率最高準(zhǔn)確率為94.6%

細(xì)菌斑、晚疫病、早疫?。?7］GoogLeNet模型和VGG16模型使用公開數(shù)據(jù)集訓(xùn)練GoogLeNet和VGG16 VGG16的準(zhǔn)確率為98%，而GoogLeNet的準(zhǔn)確率為99.23%

早疫病、葉霉病、紅蜘蛛?。?8］改進(jìn)LeNet-5網(wǎng)絡(luò)結(jié)構(gòu)模型加入 BN 層、用 PReLU 激活函數(shù)并在全連接層采用 Dropout 策略、加入 Inception 結(jié)構(gòu)等多種改進(jìn)試驗(yàn)檢測準(zhǔn)確率為95.3%

早疫病、晚疫病、灰葉病、褐斑病、灰霉病、白粉病、卷葉病、粉虱病、番茄潛葉蠅、花葉病［50］優(yōu)化的YOLO v3-tiny算法模型優(yōu)化特征提取網(wǎng)絡(luò)，改善網(wǎng)絡(luò)深化過程中的梯度消失現(xiàn)象，實(shí)現(xiàn)網(wǎng)絡(luò)多層特征復(fù)用與融合。采用擴(kuò)展數(shù)據(jù)集和多尺度策略對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到最優(yōu)權(quán)重模型該方法在深度分離、碎片遮擋和葉片重疊3種情況下得到平均精度分別為98.3%、92.1%和90.2%

稀缺問題、模型過擬合問題等情況，采用遷移學(xué)習(xí)方法優(yōu)化模型后，能夠提高模型的性能［52］。Sun等提出了基于Inception-v3或Inception-v4模型的遷移學(xué)習(xí)方法來分類檢測玉米病害，并對(duì)預(yù)先訓(xùn)練后的模型進(jìn)行微調(diào)，達(dá)到了很好的效果。深度神經(jīng)網(wǎng)絡(luò)訓(xùn)練時(shí)，由于網(wǎng)絡(luò)深度增加，梯度消失的問題會(huì)變得越來越嚴(yán)重，深度殘差網(wǎng)絡(luò)（ResNet）通過殘差塊來解決這個(gè)問題［53］。胡文藝等構(gòu)建了基于SE模塊的ResNet深度殘差網(wǎng)絡(luò)模型，并通過遷移學(xué)習(xí)，得到了平均分類準(zhǔn)確率，最高為97.96%［54］。ResNet的參數(shù)量較大，需要更多的計(jì)算資源才能進(jìn)行訓(xùn)練和推理。深度可分離卷積具有較少的模型參數(shù)量，從而可以在較低的計(jì)算資源下完成模型訓(xùn)練和推理。Liu等以MobileNet v2為該骨干網(wǎng)絡(luò)，采用混合訓(xùn)練和遷移學(xué)習(xí)相結(jié)合的預(yù)訓(xùn)練方法，對(duì)番茄病害進(jìn)行檢測，能夠在光照充足且無遮擋的情況下達(dá)到94.13%的F1得分和92.53%的AP［55］。

增加注意力機(jī)制可以使模型更加關(guān)注圖像中重要的區(qū)域或特征［56-58］，從而提高模型的性能和可解釋性。增加注意力機(jī)制還可以幫助減少模型參數(shù)的數(shù)量，從而減少模型的大小和訓(xùn)練時(shí)間，降低模型的計(jì)算成本。Liu等也提出了一種基于改進(jìn)的YOLO v4融合三重注意機(jī)制（YOLO v4TAM）的番茄病害檢測算法，并通過引入焦點(diǎn)損失函數(shù)解決了圖像中正負(fù)樣本數(shù)量不平衡的問題，其平均檢測準(zhǔn)確率達(dá)到95.2%［59］。還可以改變邊界框來提高模型的精準(zhǔn)度，改變模型的邊界框位置或形狀，可以更加準(zhǔn)確地定位物體。表3中為采用優(yōu)化方法的深度學(xué)習(xí)模型對(duì)病害檢測的研究。

2.2? 結(jié)合傳感器檢測

利用深度學(xué)習(xí)進(jìn)行病害檢測時(shí)，需要大量的數(shù)據(jù)集來訓(xùn)練模型，但這些數(shù)據(jù)集可能缺乏真實(shí)的場景信息，無法捕捉到病害檢測的實(shí)際情況。而在使用深度學(xué)習(xí)技術(shù)基礎(chǔ)上結(jié)合傳感器進(jìn)行病害檢測，可以獲取實(shí)時(shí)的農(nóng)作物生長、環(huán)境溫度、濕度等數(shù)據(jù)，從而更加準(zhǔn)確地判斷農(nóng)作物的生長狀況。結(jié)合深度學(xué)習(xí)技術(shù)，可以通過大量的傳感器數(shù)據(jù)訓(xùn)練深度學(xué)習(xí)模型，實(shí)現(xiàn)對(duì)病害的自動(dòng)化識(shí)別和定量化測量。深度學(xué)習(xí)模型可以通過卷積神經(jīng)網(wǎng)絡(luò)等算法對(duì)傳感器數(shù)據(jù)進(jìn)行處理和分析，提取出與作物病害相關(guān)的特征，實(shí)現(xiàn)對(duì)不同類型作物病害的精準(zhǔn)識(shí)別和分析。同時(shí)，深度學(xué)習(xí)模型可以實(shí)現(xiàn)對(duì)多個(gè)物理量數(shù)據(jù)的協(xié)同處理，提高模型的準(zhǔn)確率和可靠性。結(jié)合傳感器進(jìn)行病害檢測的技術(shù)已經(jīng)用于農(nóng)業(yè)生產(chǎn)領(lǐng)域，例如光學(xué)成像傳感器已被廣泛地結(jié)合深度學(xué)習(xí)技術(shù)用于作物病害識(shí)別［60］。但在結(jié)合傳感器技術(shù)方面也存在不可避免的問題，即數(shù)據(jù)故障問題和數(shù)據(jù)隱私問題［61-62］，未來研究可致力于解決這2個(gè)問題。

2.3? 結(jié)合遙感技術(shù)檢測

遙感技術(shù)在農(nóng)業(yè)領(lǐng)域已經(jīng)取得了顯著發(fā)展并且日趨成熟，有大量的期刊、會(huì)議和組織專門研究這一方面［63］。遙感技術(shù)可以用于作物產(chǎn)量預(yù)測方面，通過整合衛(wèi)星數(shù)據(jù)、氣候數(shù)據(jù)、土壤數(shù)據(jù)等多源數(shù)據(jù)集來推斷出良好的預(yù)測［64］，為作物產(chǎn)量預(yù)測提供了準(zhǔn)確性和可靠性［65］。遙感技術(shù)可與深度學(xué)習(xí)技術(shù)結(jié)合應(yīng)用于作物病害檢測方面，利用遙感技術(shù)進(jìn)行病害檢測和預(yù)測，能夠同時(shí)滿足快速、準(zhǔn)確、有效的要求［66］，本文主要綜述了結(jié)合無人機(jī)（UAV）和結(jié)合光譜技術(shù)2種結(jié)合遙感技術(shù)的病害檢測方式。

2.3.1? 結(jié)合無人機(jī)檢測

當(dāng)今，無人機(jī)已經(jīng)廣泛應(yīng)用于農(nóng)業(yè)領(lǐng)域［67-68］。在病害檢測方面，使用無人機(jī)結(jié)合不同深度學(xué)習(xí)模型對(duì)農(nóng)作物病害進(jìn)行檢測，可以充分利用無人機(jī)獲取的遙感圖像和視頻數(shù)據(jù)，實(shí)現(xiàn)對(duì)農(nóng)作物病害的自動(dòng)化檢測。無人機(jī)可以快速覆蓋大面積作物田地獲取圖像數(shù)據(jù)［69］，并且可以在短時(shí)間內(nèi)完成整個(gè)作物病害檢測過程。例如，Ishengoma等采用了UAV遙感技術(shù)，快速高效地捕獲了病害葉片［70-71］。Ahmad等使用無人機(jī)系統(tǒng)（UAS）和手持圖像傳感器，于田間獲取玉米病害圖像對(duì)病害進(jìn)行檢測，有效提高了病害檢測效率［72］。圖1為無人機(jī)檢測病害系統(tǒng)流程。

在作物病害定量測量方面，深度學(xué)習(xí)技術(shù)可以用于圖像分割任務(wù)，將圖像中的病害部分和健康部分分割開來。結(jié)合無人機(jī)技術(shù)，可以實(shí)現(xiàn)對(duì)作物群體的遙感圖像采集和分割［73］，能夠提供準(zhǔn)確、高通量的植物病害定量測量［74］。同時(shí)可以實(shí)現(xiàn)對(duì)不同時(shí)間點(diǎn)和不同生長階段的作物進(jìn)行監(jiān)測和比較，為病害的防治提供更為科學(xué)的依據(jù)。Wiesner-Hanks等通過無人機(jī)拍攝的野外玉米病害圖像訓(xùn)練CNN，將圖像分割成病變區(qū)域和非病變區(qū)域，準(zhǔn)確率為99.79%［75］。Wu等展示了一個(gè)自動(dòng)化的高通量檢測玉米植株的現(xiàn)場圖像的系統(tǒng)，他們使用無人機(jī)獲取高分辨率圖像，利用CNN對(duì)玉米病害進(jìn)行檢測，獲得了95.1%的準(zhǔn)確率［76］。但無人機(jī)存在電池容量，運(yùn)行深度學(xué)習(xí)算法所需的計(jì)算能力和高有效載荷等問題限制［77］，需要進(jìn)一步進(jìn)行研究。

2.3.2? 結(jié)合光譜技術(shù)檢測

光譜技術(shù)可以通過測量作物葉片表面反射的光譜信號(hào)，獲取作物葉片的光譜信息，包括波長、強(qiáng)度、反射率等參數(shù)。而不同作物病害所引起的葉片變化，會(huì)導(dǎo)致葉片光譜信息的變化，例如葉綠素含量、葉片結(jié)構(gòu)、生理狀態(tài)等，這些變化可以通過光譜數(shù)據(jù)的分析和處理，實(shí)現(xiàn)對(duì)作物病害的檢測。結(jié)合深度學(xué)習(xí)技術(shù)，可以通過大量的光譜數(shù)據(jù)訓(xùn)練深度學(xué)習(xí)模型，實(shí)現(xiàn)對(duì)作物病害的自動(dòng)化識(shí)別和定量化測量。深度學(xué)習(xí)模型可以通過卷積神經(jīng)網(wǎng)絡(luò)等算法對(duì)光譜數(shù)據(jù)進(jìn)行處理和分析，提取出與作物病害相關(guān)的特征，實(shí)現(xiàn)對(duì)不同類型作物病害的精準(zhǔn)識(shí)別和分析。目前，光譜技術(shù)已經(jīng)日益成熟，高光譜成像已廣泛應(yīng)用于植物表型研究［78］。高光譜可以在早期檢測到病害［79］。例如，周占坤提出了基于NIR高光譜的番茄病害檢測方法，將葉霉病分為4個(gè)等級(jí)，得到其模型總體檢測率為92.65%［80］。Brahim等研究利用高光譜成像系統(tǒng)檢測早期番茄葉片中過量的氮［81］。基于高光譜圖像和深度學(xué)習(xí)技術(shù)相結(jié)合還可以估算玉米產(chǎn)量［82］、估算玉米幼苗的冷損傷情況［83-84］、檢測種子活力［85］等。但是高光譜數(shù)據(jù)較為復(fù)雜且成本較高［86］，目前公開可用的高光譜數(shù)據(jù)集也較少［87］，有待進(jìn)一步開發(fā)。

3? 蟲害檢測

3.1? 玉米蟲害檢測

蟲害的侵蝕是導(dǎo)致玉米減產(chǎn)的一個(gè)重要原因，它們可能會(huì)在不同的生長階段對(duì)玉米造成不同程度的危害，以下是玉米主要的幾種蟲害。

玉米黏蟲（Mythimna separata Walker），別稱行軍蟲，是一種季節(jié)性的遷徙害蟲［88］。它們通過吸食植物汁液導(dǎo)致玉米葉片變黃、枯萎甚至死亡，是玉米最大的蟲害之一。

棉鈴蟲（Helicoverpa armigera Hübner），體色多變，一般雌成蟲黃褐色或灰褐色，雄成蟲灰綠色，前翅中橫線由腎狀斑下斜伸至后緣，末端達(dá)環(huán)形斑的正下方。棉鈴蟲主要以幼蟲蛀食危害，危害玉米苗、玉米稈、玉米穗等。

二點(diǎn)委夜蛾（Athetis lepigone），成蟲體長10～12 mm，翅展20 mm。雌蟲體會(huì)略大于雄蟲。頭、胸、腹灰褐色，前翅灰褐色，有暗褐色細(xì)點(diǎn)。其主要在幼蟲時(shí)期危害［89］，幼蟲咬斷玉米根部，包括氣生根和主根。受危害的玉米田，輕者玉米植株東倒西歪，嚴(yán)重者造成玉米心葉萎蔫枯死，造成缺苗斷壟，玉米田中出現(xiàn)大面積空白地。

小地老虎（Agrotis ypsilon），蛹時(shí)期體長18～24 mm，紅褐色或暗紅褐色。老熟幼蟲體長37～47 mm，頭寬3.0～3.5 mm。黃褐色至黑褐色，體表粗糙，密布大小顆粒。成蟲體長16～23 mm，翅展42～54 mm。前翅黑褐色，亞基線、內(nèi)橫線、外橫線及亞緣線均為雙條曲線，其翅膀具有再生能力［90］。主要啃食玉米幼苗。

大黑鰓金龜（Holotrichia oblita Faldermann），體長17～21 mm，寬8.4～11.0 mm，長橢圓形，體黑褐色至黑色，具光澤，觸角鰓葉狀，棒狀部3節(jié)。其生長受土壤濕度影響［91］。成蟲取食寄主的芽、葉和花，或啃食果實(shí)。幼蟲食害寄主根部幼嫩組織。被害葉呈不規(guī)則缺刻或僅殘留葉脈，果被害后，果實(shí)呈不規(guī)則孔洞，易被病害感染變黑變腐。果苗受害損失嚴(yán)重。

黃地老虎（Agrotis segetum Schiffermüller），成蟲體長14～19 mm，翅展32～43 mm。全體黃褐色。前翅亞基線及內(nèi)、中、外橫紋不明顯；卵半圓形，底平，直徑約0.5 mm。多以第1代幼蟲危害春播作物的幼苗，常切斷幼苗近地面的莖部，使整株死亡，造成缺苗斷壟，甚至毀種。

暗黑鰓金龜（Holotrichia parallela），成蟲體長16～22 mm，長橢圓形，后方較闊；體黃褐色、栗褐色、黑褐色至黑色，被淡藍(lán)灰色粉狀閃光薄層。幼蟲棲息在土壤中，取食萌發(fā)的種子，造成缺苗斷壟；咬斷根莖、根系，使植株枯死。

細(xì)胸金針蟲（Agriotes subrittatus Motschulsky），成蟲體長8～9 mm，寬約2.5 mm。體形細(xì)長扁平，被黃色細(xì)臥毛。金針蟲的蛀孔細(xì)小，能夠蛀入到作物深處進(jìn)行危害。金針蟲除了危害地下塊根、塊莖外，還可危害寄主的根、莖。

草地貪夜蛾（Spodoptera frugiperda），別稱秋黏蟲。成蟲體長15～20 mm，翅展32～40 mm，前翅灰色至棕色；雄蛾環(huán)形紋和腎形紋明顯，翅頂角處分別有2個(gè)大白斑。草地貪夜蛾幼蟲取食作物葉片，導(dǎo)致作物葉片脫落。當(dāng)害蟲較多時(shí)，草地貪夜蛾幼蟲會(huì)咬掉幼苗和小植物的莖。

玉米害蟲較為常見，數(shù)據(jù)容易收集。害蟲一般在玉米葉片或玉米稈上寄生，背景相對(duì)單一，沒有太多復(fù)雜的紋理和顏色變化，這都有利于深度學(xué)習(xí)算法在背景中將害蟲區(qū)分出來。Ishengoma等提出一個(gè)混合CNN模型，用于對(duì)草地貪夜蛾侵染玉米葉片的檢測。該模型基于一個(gè)并行結(jié)構(gòu)，來利用VGG16和Inception-v3這2個(gè)單獨(dú)模型的優(yōu)點(diǎn)［92］。與現(xiàn)有VGG16、Inception-v3、XceptionNet和ResNet50這4種模型相比，該混合模型減少了16%～44%的訓(xùn)練時(shí)間，準(zhǔn)確率高達(dá)96.98%。

YOLO系列算法是一種典型的目標(biāo)檢測算法，具有良好的檢測性能。由于圖像中實(shí)際情況下的害蟲比較小，原YOLO系列算法不能夠滿足當(dāng)今農(nóng)業(yè)對(duì)害蟲檢測準(zhǔn)確率的要求，因此需要進(jìn)行改進(jìn)。Lv等通過線性變換對(duì)K-means聚類算法生成的錨點(diǎn)進(jìn)行優(yōu)化，提高了錨點(diǎn)與地面實(shí)際情況的匹配精度。此外，他們?cè)谠璝OLO v3網(wǎng)絡(luò)的第2個(gè)殘差塊中添加2個(gè)殘差單元，以獲取有關(guān)底層小目標(biāo)位置的更多信息，其中一個(gè)ResNet單元用于特征金字塔網(wǎng)絡(luò)結(jié)構(gòu)，以取代2個(gè)DBL（Conv+BN+LeakyReLU）結(jié)構(gòu)，增強(qiáng)害蟲特征的權(quán)重。與原YOLO v3方法相比，該方法的mAP和mRecall分別提高了6.3%和4.61%，能夠更好地根據(jù)實(shí)際情況進(jìn)行檢測［93］。

不僅可以對(duì)害蟲直接檢測，也可以通過對(duì)害蟲啃食過的葉片進(jìn)行檢測來判斷害蟲類別。被不同害蟲啃食過的葉片具有不同的明顯的特征，如形狀變化、顏色改變等，這有助于深度學(xué)習(xí)模型對(duì)害蟲啃食的痕跡進(jìn)行準(zhǔn)確檢測。數(shù)據(jù)集需要無人機(jī)在實(shí)際農(nóng)田中采集。Feng等利用機(jī)載無人機(jī)結(jié)合深度學(xué)習(xí)技術(shù)進(jìn)行圖像采集，開發(fā)了一種基于卷積神經(jīng)網(wǎng)絡(luò)的玉米葉啃孔自動(dòng)檢測玉米重要害蟲的方法，他們驗(yàn)證了經(jīng)典網(wǎng)絡(luò)結(jié)構(gòu)ResNet50中的分裂注意力機(jī)制，提高了準(zhǔn)確性和魯棒性，并驗(yàn)證了2種啃孔作為草地貪夜蛾入侵識(shí)別特征的可行性［94］。

3.2? 番茄蟲害檢測

煙粉虱（Bemisia tabaci）是一種危害番茄作物的昆蟲害蟲，其成蟲體長1.5～2.0 mm，呈淺黃色或灰色，身體扁平，2對(duì)翅膀交疊在一起形成三角形。煙粉虱吸食植物汁液，被害植株葉片褪綠、變黃、萎蔫，甚至全株死亡。它還傳播黃化曲葉病毒，導(dǎo)致番茄葉片萎縮［95］。

薊馬（Thripidae）成蟲身體黃色，前胸后緣有緣鬃，翅細(xì)長透明，周緣有許多細(xì)長毛。卵長橢圓形，初產(chǎn)時(shí)白色，略透明，后期橙紅色。若蟲體淡黃色，老熟時(shí)帶桃紅色。薊馬成蟲和若蟲銼吸植株幼嫩組織汁液為食。

煙粉虱和薊馬的外形特征鮮明，體型相對(duì)于其他昆蟲來說大小適中，較為常見，便于采集數(shù)據(jù)，但是YOLO系列算法并不能很好地檢測蟲害，由于圖像中蟲害目標(biāo)較小，并不能很好地實(shí)現(xiàn)檢測。在對(duì)番茄煙粉虱和薊馬蟲害檢測時(shí)，需要進(jìn)一步改進(jìn)算法，Domingues等采用YOLO v5，使用了一種滑動(dòng)窗口方法來最大限度地減少昆蟲的重復(fù)檢測，取得了良好的效果，準(zhǔn)確率和召回率分別為88%和91%，準(zhǔn)確率需要進(jìn)一步提高［96］。

4? 結(jié)論與展望

本綜述對(duì)近年來基于深度學(xué)習(xí)的農(nóng)業(yè)病蟲害檢測的相關(guān)研究進(jìn)行了總結(jié)，發(fā)現(xiàn)深度學(xué)習(xí)技術(shù)結(jié)合不同的技術(shù)能夠應(yīng)對(duì)實(shí)際情況中不同的難題。雖然深度學(xué)習(xí)技術(shù)已經(jīng)取得了很多成果，但仍存在著一些挑戰(zhàn)和問題。這些結(jié)合不同技術(shù)的檢測方法并不是為了取代現(xiàn)有的疾病診斷解決方案，而是為了補(bǔ)充它們，因?yàn)閷?shí)驗(yàn)室檢測總是比單純基于視覺癥狀的診斷更可靠，而且早期診斷通常具有一定的難度和挑戰(zhàn)性［97］。以下是總結(jié)的主要問題。

（1）深度學(xué)習(xí)的一個(gè)顯著缺點(diǎn)是即使使用了數(shù)據(jù)增強(qiáng)技術(shù)，也需要許多數(shù)據(jù)集來提供更好的性能［98］。并且存在數(shù)據(jù)獲取困難、模型可解釋性問題、無人機(jī)飛行安全等限制因素，對(duì)于數(shù)據(jù)質(zhì)量和數(shù)量不足的問題，目前沒有較好的解決方法。

（2）大多病蟲害檢測模型泛化能力不強(qiáng)，常表現(xiàn)為對(duì)新數(shù)據(jù)的預(yù)測能力差、對(duì)噪聲數(shù)據(jù)敏感、對(duì)數(shù)據(jù)分布變化敏感和不具有通用性。解決方法包括增加訓(xùn)練數(shù)據(jù)量、選擇合適的模型結(jié)構(gòu)和超參數(shù)以及對(duì)輸入數(shù)據(jù)進(jìn)行預(yù)處理和增強(qiáng)等，但由于數(shù)據(jù)的復(fù)雜性和多樣性，如光譜數(shù)據(jù)處理和分析的復(fù)雜性、樣本數(shù)量和質(zhì)量的限制等。特別是訓(xùn)練階段，這些方法存在一定的局限性，因此可以選擇遷移學(xué)習(xí)來改善模型［99］。對(duì)于處理具有相似特性的病蟲害圖像問題，需要高效預(yù)處理和采用較好的特征融合技術(shù)［100］。

（3）盡管基于深度學(xué)習(xí)的病蟲害檢測技術(shù)取得一定進(jìn)展，但目前市場上還沒有成熟的商業(yè)化解決方案［101］。解決商業(yè)化問題的關(guān)鍵是解決硬件限制和病蟲害變異性2個(gè)問題。深度學(xué)習(xí)模型需要大量的計(jì)算資源和存儲(chǔ)空間，這使得部署和維護(hù)成本較高，對(duì)于一些中小企業(yè)和農(nóng)戶來說難以承擔(dān)。此外，病蟲害有很強(qiáng)的變異性，分類器難以捕捉到這些變化，導(dǎo)致模型的準(zhǔn)確率和泛化能力受到影響。為了促進(jìn)相關(guān)者之間的合作，需要開發(fā)合適的商業(yè)模式和潛在的法律框架［102］。

未來的研究可以致力于解決模型的泛化性和穩(wěn)定性問題，開發(fā)所提出的混合深度學(xué)習(xí)系統(tǒng)用于病蟲害檢測并在準(zhǔn)確性方面評(píng)估其性能［98］，并提高輕量化模型在算力有限的嵌入式設(shè)備上的檢測速度，開發(fā)可用于邊緣設(shè)備進(jìn)行實(shí)時(shí)準(zhǔn)確檢測果實(shí)目標(biāo)的模型［103］。要注意在討論病害檢測和定量問題的同時(shí)，也需要研究量化技術(shù)和預(yù)測模型的進(jìn)展［104］。基于深度學(xué)習(xí)的農(nóng)業(yè)病蟲害檢測具有廣泛應(yīng)用前景，需要進(jìn)一步研究和開發(fā)。結(jié)合多種傳感器技術(shù)，可以采集更加豐富和多樣化的數(shù)據(jù)，提高數(shù)據(jù)的精度和可靠性，但需要注意數(shù)據(jù)的安全性和隱私保護(hù)問題。無人機(jī)技術(shù)的發(fā)展將進(jìn)一步提高其飛行安全和穩(wěn)定性，從而更加穩(wěn)定地執(zhí)行監(jiān)測和數(shù)據(jù)采集任務(wù)。未來將在技術(shù)和數(shù)據(jù)方面不斷發(fā)展完善，為各個(gè)領(lǐng)域的決策者和從業(yè)者提供更加精準(zhǔn)的數(shù)據(jù)和更高效的服務(wù)。

參考文獻(xiàn)：

［1］張? 帆，郭思媛，任方濤，等. 基于改進(jìn)YOLO v3的玉米葉片氣孔自動(dòng)識(shí)別與測量方法［J］. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2023，54（2）：216-222.

［2］Hesamian M H，Jia W J，He X J，et al. Deep learning techniques for medical image segmentation：achievements and challenges［J］. Journal of Digital Imaging，2019，32（4）：582-596.

［3］Wang J，Liu C，F(xiàn)u T，et al. Research on automatic target detection and recognition based on deep learning［J］. Journal of Visual Communication and Image Representation，2019，60：44-50.

［4］Patrício D I，Rieder R. Computer vision and artificial intelligence in precision agriculture for grain crops：a systematic review［J］. Computers and Electronics in Agriculture，2018，153：69-81.

［5］Mohammad-Razdari A，Rousseau D，Bakhshipour A，et al. Recent advances in e-monitoring of plant diseases［J］. Biosensors and Bioelectronics，2022，201：113953.

［6］Patel R，Mitra B，Vinchurkar M，et al. Plant pathogenicity and associated/related detection systems.A review［J］. Talanta，2023，251：123808.

［7］Mahlein A K. Plant disease detection by imaging sensors-parallels and specific demands for precision agriculture and plant phenotyping［J］. Plant Disease，2016，100（2）：241-251.

［8］Chiwaki K，Nagamori S，Inoue Y. Predicting bacterial wilt disease of tomato plants using remotely sensed thermal imagery［J］. Journal of Agricultural Meteorology，2005，61（3）：153-164.

［9］Sankaran S，Maja J M，Buchanon S，et al. Huanglongbing （citrus greening） detection using visible，near infrared and thermal imaging techniques［J］. Sensors，2013，13（2）：2117-2130.

［10］Xie C Q，Shao Y N，Li X L，et al. Detection of early blight and late blight diseases on tomato leaves using hyperspectral imaging［J］. Scientific Reports，2015，5：16564.

［11］Sankaran S，Mishra A，Ehsani R，et al. A review of advanced techniques for detecting plant diseases［J］. Computers and Electronics in Agriculture，2010，72（1）：1-13.

［12］Lowe A，Harrison N，F(xiàn)rench A P. Hyperspectral image analysis techniques for the detection and classification of the early onset of plant disease and stress［J］. Plant Methods，2017，13：80.

［13］Kamilaris A，Prenafeta-Boldú F X. A review of the use of convolutional neural networks in agriculture［J］. The Journal of Agricultural Science，2018，156（3）：312-322.

［14］Terentev A，Dolzhenko V，F(xiàn)edotov A，et al. Current state of hyperspectral remote sensing for early plant disease detection：a review［J］. Sensors，2022，22（3）：757.

［15］Zheng C W，Abd-Elrahman A，Whitaker V. Remote sensing and machine learning in crop phenotyping and management，with an emphasis on applications in strawberry farming［J］. Remote Sensing，2021，13（3）：531.

［16］Velusamy P，Rajendran S，Mahendran R K，et al. Unmanned aerial vehicles （UAV） in precision agriculture：applications and challenges［J］. Energies，2021，15（1）：217.

［17］Kaivosoja J，Hautsalo J，Heikkinen J，et al. Reference measurements in developing UAV systems for detecting pests，weeds，and diseases［J］. Remote Sensing，2021，13（7）：1238.

［18］王鵬新，田惠仁，張? 悅，等. 基于深度學(xué)習(xí)的作物長勢監(jiān)測和產(chǎn)量估測研究進(jìn)展［J］. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2022，53（2）：1-14.

［19］李靜雪. 基于深度學(xué)習(xí)的農(nóng)作物產(chǎn)量預(yù)測［D］. 北京：華北電力大學(xué)，2020.

［20］Guo Y，Zhang J，Yin C X，et al. Plant disease identification based on deep learning algorithm in smart farming［J］. Discrete Dynamics in Nature and Society，2020，2020：1-11.

［21］Kamilaris A，Prenafeta-Boldú F X. Deep learning in agriculture：a survey［J］. Computers and Electronics in Agriculture，2018，147：70-90.

［22］Alruwaili M，Siddiqi M H，Khan A，et al. RTF-RCNN：an architecture for real-time tomato plant leaf diseases detection in video streaming using faster-RCNN［J］. Bioengineering，2022，9（10）：565.

［23］Li D S，Wang R J，Xie C J，et al. A recognition method for rice plant diseases and pests video detection based on deep convolutional neural network［J］. Sensors，2020，20（3）：578.

［24］Raj N，Perumal S，Singla S，et al. Computer aided agriculture development for crop disease detection by segmentation and classification using deep learning architectures［J］. Computers and Electrical Engineering，2022，103：108357.

［25］Saleem M H，Khanchi S，Potgieter J，et al. Image-based plant disease identification by deep learning meta-architectures［J］. Plants，2020，9（11）：1451.

［26］Liu L，Wang R J，Xie C J，et al. PestNet：an end-to-end deep learning approach for large-scale multi-class pest detection and classification［J］. IEEE Access，2019，7：45301-45312.

［27］耿艷利，林彥伯，付艷芳，等. 基于雙擴(kuò)張層和旋轉(zhuǎn)框定位的群豬目標(biāo)檢測算法研究［J］. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2023，54（4）：323-330.

［28］Tee C A T，Teoh Y X，Yee P L，et al. Discovering the Ganoderma boninense detection methods using machine learning：a review of manual，laboratory，and remote approaches［J］. Ieee Access，2021，9：105776-105787.

［29］Putnam M L. Evaluation of selected methods of plant disease diagnosis［J］. Crop Protection，1995，14（6）：517-525.

［30］Revill P A，Wright P J.RT-PCR detection of dsRNAs associated with La France disease of the cultivated mushroom Agaricus bisporus （Lange） Imbach［J］. Journal of Virological Methods，1997，63（1/2）：17-26.

［31］Shorten C，Khoshgoftaar T. A survey on image data augmentation for deep learning［J］. Journal of Big Data，2019，6：1-48.

［32］陸麗娜. 農(nóng)業(yè)科學(xué)數(shù)據(jù)監(jiān)管模型構(gòu)建及應(yīng)用研究［D］. 長春：吉林大學(xué)，2018.

［33］Meena S D，Susank M，Guttula T，et al. Crop yield improvement with weeds，pest and disease detection［J］. Procedia Computer Science，2023，218：2369-2382.

［34］Jha K，Doshi A，Patel P，et al. A comprehensive review on automation in agriculture using artificial intelligence［J］. Artificial Intelligence in Agriculture，2019，2：1-12.

［35］Wang Y H，Su W H.Convolutional neural networks in computer vision for grain crop phenotyping：a review［J］. Agronomy，2022，12（11）：2659.

［36］Mishra S，Sachan R，Rajpal D. Deep convolutional neural network based detection system for real-time corn plant disease recognition［J］. Procedia Computer Science，2020，167：2003-2010.

［37］Waheed A，Goyal M，Gupta D，et al. An optimized dense convolutional neural network model for disease recognition and classification in corn leaf［J］. Computers and Electronics in Agriculture，2020，175：105456.

［38］Zhang X H，Qiao Y，Meng F F，et al. Identification of maize leaf diseases using improved deep convolutional neural networks［J］. IEEE Access，2018，6：30370-30377.

［39］Priyadharshini R A，Arivazhagan S，Arun M，et al. Maize leaf disease classification using deep convolutional neural networks［J］. Neural Computing and Applications，2019，31（12）：8887-8895.

［40］Li Z X，Li C，Deng L F，et al. Improved AlexNet with inception-v4 for plant disease diagnosis［J］. Computational Intelligence and Neuroscience，2022，2022：5862600.

［41］徐會(huì)杰，黃儀龍，劉? 曼. 基于改進(jìn)YOLO v3模型的玉米葉片病蟲害檢測與識(shí)別研究［J］. 南京農(nóng)業(yè)大學(xué)學(xué)報(bào)，2022，45（6）：1276-1285.

［42］Tortorici S，Biondi A，Pérez-Hedo M，et al. Plant defences for enhanced integrated pest management in tomato［J］. Annals of Applied Biology，2022，180（3）：328-337.

［43］Brahimi M，Boukhalfa K，Moussaoui A. Deep learning for tomato diseases：classification and symptoms visualization［J］. Applied Artificial Intelligence，2017，31（4）：299-315.

［44］Maeda-Gutiérrez V，Galván-Tejada C E，Zanella-Calzada L A，et al. Comparison of convolutional neural network architectures for classification of tomato plant diseases［J］. Applied Sciences，2020，10（4）：1245.

［45］賈少鵬，高紅菊，杭? 瀟. 基于深度學(xué)習(xí)的農(nóng)作物病蟲害圖像識(shí)別技術(shù)研究進(jìn)展［J］. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2019，50（增刊1）：313-317.

［46］Prabhakar M，Purushothaman R，Awasthi D P.Deep learning based assessment of disease severity for early blight in tomato crop［J］. Multimedia Tools and Applications，2020，79（39/40）：28773-28784.

［47］Kibriya H，Rafique R，Ahmad W，et al. Tomato leaf disease detection using convolution neural network［C］//2021 International Bhurban Conference on Applied Sciences and Technologies （IBCAST）. Islamabad，Pakistan.IEEE，2021：346-351.

［48］劉志勇，張麗秀，鐘婷婷，等. 基于改進(jìn)leNet-5的番茄病蟲害識(shí)別的研究［J］. 贛南師范大學(xué)學(xué)報(bào)，2020，41（6）：70-74.

［49］Wspanialy P，Moussa M. A detection and severity estimation system for generic diseases of tomato greenhouse plants［J］. Computers and Electronics in Agriculture，2020，178：105701.

［50］Wang X W，Liu J，Liu G X. Diseases detection of occlusion and overlapping tomato leaves based on deep learning［J］. Frontiers in Plant Science，2021，12：792244.

［51］Liu G X，Nouaze J C，Touko Mbouembe P L，et al. YOLO-tomato：a robust algorithm for tomato detection based on YOLO v3［J］. Sensors，2020，20（7）：2145.

［52］Hu R J，Zhang S，Wang P，et al. The identification of corn leaf diseases based on transfer learning and data augmentation［C］//Proceedings of the 2020 3rd International Conference on Computer Science and Software Engineering.Beijing China.New York，NY，USA：ACM，2020：58-65.

［53］Sun X L，Wei J S. Identification of maize disease based on transfer learning［J］. Journal of Physics：Conference Series，2020，1437（1）：012080.

［54］胡文藝，王洪坤，杜育佳.基于SE模塊和ResNet的番茄病蟲害識(shí)別方法［J］. 農(nóng)業(yè)工程，2022，12（9）：33-40.

［55］Liu J，Wang X W. Early recognition of tomato gray leaf spot disease based on MobileNet v2-YOLO v3 model［J］. Plant Methods，2020，16：83.

［56］郭? 輝，陳海洋，高國民，等. 基于YOLO v5m的紅花花冠目標(biāo)檢測與空間定位方法［J］. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2023，54（7）：272-281.

［57］唐? 詹，柏? 召，刁? 磊，等. 基于注意力池化和堆疊式結(jié)構(gòu)的病蟲害文獻(xiàn)識(shí)別模型［J］. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2021，52（增刊1）：178-184.

［58］王美華，吳振鑫，周祖光. 基于注意力改進(jìn)CBAM的農(nóng)作物病蟲害細(xì)粒度識(shí)別研究［J］. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2021，52（4）：239-247.

［59］Liu J，Wang X W，Miao W Q，et al. Tomato pest recognition algorithm based on improved YOLO v4［J］. Frontiers in Plant Science，2022，13：814681.

［60］Xu Y L，Kong S L，Gao Z M，et al. HLNet model and application in crop leaf diseases identification［J］. Sustainability，2022，14（14）：8915.

［61］Rahaman M M，Azharuddin M. Wireless sensor networks in agriculture through machine learning：a survey［J］. Computers and Electronics in Agriculture，2022，197：106928.

［62］Zou X G，Liu W C，Huo Z Q，et al. Current status and prospects of research on sensor fault diagnosis of agricultural internet of things［J］. Sensors，2023，23（5）：2528.

［63］García-Berná J A，Ouhbi S，Benmouna B，et al. Systematic mapping study on remote sensing in agriculture［J］. Applied Sciences，2020，10（10）：3456.

［64］Sun J，Lai Z L，Di L P，et al. Multilevel deep learning network for county-level corn yield estimation in the U.S.corn belt［J］. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing，2020，13：5048-5060.

［65］Darwin B，Dharmaraj P，Prince S，et al. Recognition of bloom/yield in crop images using deep learning models for smart agriculture：a review［J］. Agronomy，2021，11（4）：646.

［66］Dhau I，Adam E，Mutanga O，et al. Detecting the severity of maize streak virus infestations in maize crop using in situ hyperspectral data［J］. Transactions of the Royal Society of South Africa，2018，73（1）：8-15.

［67］Vong C N，Conway L S，F(xiàn)eng A J，et al. Corn emergence uniformity estimation and mapping using UAV imagery and deep learning［J］. Computers and Electronics in Agriculture，2022，198：107008.

［68］Vong C N，Conway L S，Zhou J F，et al. Early corn stand count of different cropping systems using UAV-imagery and deep learning［J］. Computers and Electronics in Agriculture，2021，186：106214.

［69］Bouguettaya A，Zarzour H，Kechida A，et al. Deep learning techniques to classify agricultural crops through UAV imagery：a review［J］. Neural Computing & Applications，2022，34（12）：9511-9536.

［70］Ishengoma F S，Rai I A，Said R N. Identification of maize leaves infected by fall armyworms using UAV-based imagery and convolutional neural networks［J］. Computers and Electronics in Agriculture，2021，184：106124.

［71］申華磊，蘇歆琪，趙巧麗，等. 基于深度學(xué)習(xí)的無人機(jī)遙感小麥倒伏面積提取方法［J］. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2022，53（9）：252-260，341.

［72］Ahmad A，Saraswat D，Gamal A，et al. Comparison of deep learning models for corn disease region location，identification of disease type，and severity estimation using images acquired from UAS-mounted and handheld sensors［J］. Journal of the ASABE，2022，65（6）：1433-1442.

［73］Osco L P，Marcato J Jr，Marques Ramos A P，et al. A review on deep learning in UAV remote sensing［J］. International Journal of Applied Earth Observation and Geoinformation，2021，102：102456.

［74］Stewart E L，Wiesner-Hanks T，Kaczmar N，et al. Quantitative phenotyping of northern leaf blight in UAV images using deep learning［J］. Remote Sensing，2019，11（19）：2209.

［75］Wiesner-Hanks T，Wu H，Stewart E，et al. Millimeter-level plant disease detection from aerial photographs via deep learning and crowdsourced data［J］. Frontiers in Plant Science，2019，10：1550.

［76］Wu H，Wiesner‐Hanks T，Stewart E L，et al. Autonomous detection of plant disease symptoms directly from aerial imagery［J］. The Plant Phenome Journal，2019，2（1）：1-9.

［77］Bouguettaya A，Zarzour H，Kechida A，et al. A survey on deep learning-based identification of plant and crop diseases from UAV-based aerial images［J］. Cluster Computing，2023，26（2）：1297-1317.

［78］Rehman T，Jin J. Deep adversarial domain adaptation for hyperspectral calibration model transfer among plant phenotyping systems［J］. Biosystems Engineering，2022，224：246-258.

［79］Thangaraj R，Anandamurugan S，Pandiyan P，et al. Artificial intelligence in tomato leaf disease detection：a comprehensive review and discussion［J］. Journal of Plant Diseases and Protection，2021，129（3）：1-20.

［80］周占坤. 基于THz-NIR高光譜相融合的番茄病蟲害檢測研究［D］. 鎮(zhèn)江：江蘇大學(xué)，2022.

［81］Brahim B，Raziyeh P，Sajad S，et al. Comparison of classic classifiers，metaheuristic algorithms and convolutional neural networks in hyperspectral classification of nitrogen treatment in tomato leaves［J］. Remote Sensing，2022，14（24）：6366.

［82］Yang W，Nigon T，Hao Z Y，et al. Estimation of corn yield based on hyperspectral imagery and convolutional neural network［J］. Computers and Electronics in Agriculture，2021，184：106092.

［83］Yang W，Yang C，Hao Z Y，et al. Diagnosis of plant cold damage based on hyperspectral imaging and convolutional neural network［J］. IEEE Access，2019，7：118239-118248.

［84］Zhang J，Dai L M，Cheng F.Identification of corn seeds with different freezing damage degree based on hyperspectral reflectance imaging and deep learning method［J］. Food Analytical Methods，2021，14（2）：389-400.

［85］Pang L，Men S，Yan L，et al. Rapid vitality estimation and prediction of corn seeds based on spectra and images using deep learning and hyperspectral imaging techniques［J］. IEEE Access，2020，8：123026-123036.

［86］Guerri M F，Distante C，Spagnolo P，et al. Deep learning techniques for hyperspectral image analysis in agriculture：a review［J/OL］. 2023：arXiv：2304.13880.https：//arxiv.org/abs/2304.13880.pdf.

［87］Khan A，Vibhute A D，Mali S，et al. A systematic review on hyperspectral imaging technology with a machine and deep learning methodology for agricultural applications［J］. Ecological Informatics，2022，69：101678.

［88］Zhang K P，Yu Z H，Jiang S X，et al. Association of host plant growth and weed occurrence with armyworm （Mythimna separata） damage in corn fields［J］. Journal of Integrative Agriculture，2018，17（7）：1538-1544.

［89］Li L T，Zhu Y B，Ma J F，et al. An analysis of the Athetis lepigone transcriptome from four developmental stages［J］. PLoS One，2013，8（9）：e73911.

［90］Xu Y Y，Wei W，Lin G Z，et al. The Ras/MAPK pathway is required for regenerative growth of wing discs in the black cutworm Agrotis ypsilon［J］. Insect Biochemistry and Molecular Biology，2021，131：103552.

［91］Chen H L，Lin L L，Xie M H，et al. Influence of constant temperature on reproductive parameters of Holotrichia oblita （Coleoptera：Scarabaeidae）［J］. Journal of Insect Science，2015，15（1）：93.

［92］Ishengoma F S，Rai I A，Ngoga S R.Hybrid convolution neural network model for a quicker detection of infested maize plants with fall armyworms using UAV-based images［J］. Ecological Informatics，2022，67：101502.

［93］Lv J W，Li W Y，F(xiàn)an M Y，et al. Detecting pests from light-trapping images based on improved YOLO v3 model and instance augmentation［J］. Frontiers in Plant Science，2022，13：939498.

［94］Feng J D，Sun Y Q，Zhang K F，et al. Autonomous detection of Spodoptera frugiperda by feeding symptoms directly from UAV RGB imagery［J］. Applied Sciences，2022，12（5）：2592.

［95］Jiu M，Zhou X P，Tong L，et al. Vector-virus mutualism accelerates population increase of an invasive whitefly［J］. PLoS One，2007，2（1）：e182.

［96］Domingues T，Brando T，Ribeiro R，et al. Insect detection in sticky trap images of tomato crops using machine learning［J］. Agriculture，2022，12（11）：1967.

［97］Mohanty S P，Hughes D P，Salathé M.Using deep learning for image-based plant disease detection［J］. Frontiers in Plant Science，2016，7：1419.

［98］Altalak M，Ammad Uddin M，Alajmi A，et al. Smart agriculture applications using deep learning technologies：a survey［J］. Applied Sciences，2022，12（12）：5919.

［99］Khan R U，Khan K，Albattah W，et al. Image-based detection of plant diseases：from classical machine learning to deep learning journey［J］. Wireless Communications and Mobile Computing，2021，2021：1-13.

［100］Manavalan R. Automatic identification of diseases in grains crops through computational approaches：a review［J］. Computers and Electronics in Agriculture，2020，178：105802.

［101］Sladojevic S，Arsenovic M，Anderla A，et al. Deep neural networks based recognition of plant diseases by leaf image classification［J］. Computational Intelligence and Neuroscience，2016，2016：3289801.

［102］Fink O，Wang Q，Svensén M，et al. Potential，challenges and future directions for deep learning in prognostics and health management applications［J］. Engineering Applications of Artificial Intelligence，2020，92：103678.

［103］宋懷波，尚鈺瑩，何東健. 果實(shí)目標(biāo)深度學(xué)習(xí)識(shí)別技術(shù)研究進(jìn)展［J］. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2023，54（1）：1-19.

［104］Verma S，Chug A，Singh A P. Prediction models for identification and diagnosis of tomato plant diseases［C］//2018 International Conference on Advances in Computing，Communications and Informatics （ICACCI）.Bangalore，India.IEEE，2018：1557-1563.