關(guān)鍵詞：農(nóng)作物病蟲害檢測(cè)；卷積神經(jīng)網(wǎng)絡(luò)；深度學(xué)習(xí)；計(jì)算機(jī)視覺

中圖分類號(hào)：S431.9 文獻(xiàn)標(biāo)識(shí)號(hào)：A 文章編號(hào)：1001-4942（2024）11-0170-11

病蟲害是造成農(nóng)作物產(chǎn)量和質(zhì)量降低的主要原因之一，嚴(yán)重威脅著全球農(nóng)業(yè)發(fā)展和糧食安全，及時(shí)監(jiān)測(cè)識(shí)別并采取有效防治措施是降低農(nóng)作物病蟲害危害的關(guān)鍵。植物病蟲害有許多可觀察到的癥狀，目前大多數(shù)病蟲害檢測(cè)方法是基于此進(jìn)行的。其中，傳統(tǒng)的檢測(cè)方法一般是檢測(cè)人員目視檢查，不僅受檢測(cè)人員知識(shí)儲(chǔ)備的限制，而且存在誤判和效率低等不足，在規(guī)模化農(nóng)業(yè)生產(chǎn)中的應(yīng)用效果較差。隨著機(jī)器視覺和機(jī)器學(xué)習(xí)技術(shù)的發(fā)展，利用計(jì)算機(jī)視覺進(jìn)行圖像識(shí)別和物體分類不斷取得突破，農(nóng)作物病蟲害檢測(cè)成為該領(lǐng)域的一個(gè)重要研究方向，并且目前已有將其初步應(yīng)用于草莓生產(chǎn)的報(bào)道，這對(duì)于農(nóng)業(yè)生產(chǎn)的規(guī)?；⒅悄芑l(fā)展具有重要意義。

機(jī)器學(xué)習(xí)（ML）是基于計(jì)算機(jī)視覺檢測(cè)農(nóng)作物病蟲害的關(guān)鍵，能夠通過一系列算法經(jīng)監(jiān)督學(xué)習(xí)或非監(jiān)督學(xué)習(xí)從圖像數(shù)據(jù)中提取特征，實(shí)現(xiàn)病蟲害的識(shí)別。支持向量機(jī)（SVM）是傳統(tǒng)機(jī)器學(xué)習(xí)常用的算法之一，應(yīng)用比較廣泛。例如：Sharif等提出一種多支持向量機(jī)（M-SVM）模型，用于柑橘病害分類檢測(cè)的準(zhǔn)確率達(dá)到97%：Ebrahi-mi等將SVM算法應(yīng)用于移動(dòng)機(jī)器人，用來檢測(cè)溫室草莓病蟲害。但傳統(tǒng)機(jī)器學(xué)習(xí)過度依賴人工特征提取，無法從原始圖像中自動(dòng)學(xué)習(xí)和提取特征，且難以提取背景復(fù)雜圖像的特征信息。深度學(xué)習(xí)（DL）是一種基于人工神經(jīng)網(wǎng)絡(luò)（ANN）的機(jī)器學(xué)習(xí)，能夠通過建立模擬人腦的神經(jīng)網(wǎng)絡(luò)，自動(dòng)從文本、聲音和圖像數(shù)據(jù)中學(xué)習(xí)并提取低級(jí)特征、中間特征和高級(jí)語義特征等多層次特征信息，具有良好的自主學(xué)習(xí)能力和特征表達(dá)能力。卷積神經(jīng)網(wǎng)絡(luò)（CNN） 是深度學(xué)習(xí)的代表算法之一，在圖像處理和分類領(lǐng)域展現(xiàn)出突出的能力，迅速成為目前最流行的圖像識(shí)別分類器，被越來越多地用于農(nóng)業(yè)病蟲害檢測(cè)研究，并取得良好效果，如Turkoglu等將6個(gè)微調(diào)后的CNN模型集成后用于植物病蟲害檢測(cè)，識(shí)別準(zhǔn)確率達(dá)到97.56%。本文即介紹了CNN技術(shù)的要點(diǎn)，綜述了CNN在識(shí)別農(nóng)作物病蟲害方向的研究進(jìn)展，并提出目前研究面臨的問題以及今后的研究方向。

1基于卷積神經(jīng)網(wǎng)絡(luò)的農(nóng)作物病蟲害檢測(cè)技術(shù)要點(diǎn)

卷積神經(jīng)網(wǎng)絡(luò)是一種深度神經(jīng)網(wǎng)絡(luò)，主要結(jié)構(gòu)組成有卷積層、池化層、非線性激活層和全連接層，具有卷積層中使用共享權(quán)值、預(yù)處理量少、特征提取過程比較簡(jiǎn)單等優(yōu)點(diǎn)。其運(yùn)行流程如圖1所示，即將預(yù)處理后的圖像輸入到網(wǎng)絡(luò)中，經(jīng)由幾個(gè)交替排列的卷積層和池化層處理，然后由全連接層進(jìn)行分類，最后輸出分類結(jié)果。

1.1卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)

1.1.1卷積層 卷積層是卷積神經(jīng)網(wǎng)絡(luò)的核心模塊，通過多個(gè)卷積層的卷積運(yùn)算可以提取出輸入圖像的不同特征，其中，底層卷積一般提取共同特征，例如紋理、線條、邊緣等，卷積核可以提取圖像的邊緣信息，而上層卷積則提取更為抽象的特征。

灰度圖在計(jì)算機(jī)中是以數(shù)字矩陣的形式存儲(chǔ)的，每個(gè)灰度點(diǎn)用0～255的像素值表示。卷積層的運(yùn)算本質(zhì)上就是卷積核與輸入的數(shù)字矩陣的部分區(qū)域做點(diǎn)積運(yùn)算，如圖2所示，即卷積核從數(shù)字矩陣的左上角開始，按照從左到右、從上到下的順序依次運(yùn)算，最后得到結(jié)果。

1.1.2池化層 池化層一般在卷積層之后，通過降低輸入圖像的維度縮減模型大小，以達(dá)到減輕計(jì)算壓力、防止過擬合、提高魯棒性的目的，并實(shí)現(xiàn)輸入圖像的尺度不變性、平移不變性和旋轉(zhuǎn)不變性。

平均池化與最大池化是使用最廣泛且最經(jīng)典的池化方法，如圖3所示，平均池化取窗口內(nèi)所有值的均值作為輸出，最大池化取窗口內(nèi)的最大值作為輸出。另外還有隨機(jī)池化、混合池化、多尺度池化等多種池化方法。

1.1，3非線性激活層 非線性激活層的作用是利用合適的非線性激活函數(shù)對(duì)卷積層的輸出結(jié)果進(jìn)行非線性映射，以顯著提高神經(jīng)網(wǎng)絡(luò)的性能。常見的激活函數(shù)有sigmoid函數(shù)、Tanh函數(shù)、ReLu函數(shù)、Leaky ReLu函數(shù)等。

1.1.4全連接層 全連接層位于卷積神經(jīng)網(wǎng)絡(luò)的末端，是卷積神經(jīng)網(wǎng)絡(luò)的分類器。特征圖經(jīng)過卷積層的特征提取與池化層的降維操作后轉(zhuǎn)換為一維的特征向量，由全連接層對(duì)特征向量進(jìn)行整合和分類，最終輸出圖像的類別信息。

1.2數(shù)據(jù)集構(gòu)建

豐富的數(shù)據(jù)集是檢測(cè)工作的基礎(chǔ)，然而目前還沒有一個(gè)大型、統(tǒng)一、全面的植物病蟲害數(shù)據(jù)集。因此，數(shù)據(jù)集創(chuàng)建成為影響模型訓(xùn)練效果的關(guān)鍵因素。目前研究中使用的植物病蟲害數(shù)據(jù)集一般是通過自采集和網(wǎng)絡(luò)收集兩種方法創(chuàng)建。自采集是研究人員通過地面攝像機(jī)拍攝、無人機(jī)航拍及利用高光譜成像儀、近紅外光譜儀等獲取植物病蟲害圖片：網(wǎng)絡(luò)收集是通過網(wǎng)絡(luò)公共數(shù)據(jù)集如PlantVillage或其他渠道收集植物病蟲害圖片。

1.3圖像預(yù)處理

若將拍攝的植物病蟲害圖像直接用作模型的輸入，受噪聲、不良背景、低照度等因素的影響，不能獲得準(zhǔn)確的結(jié)果。因此，圖像在輸入卷積神經(jīng)網(wǎng)絡(luò)之前必須進(jìn)行預(yù)處理，這有助于加快訓(xùn)練進(jìn)程并提高分類精度。常見預(yù)處理技術(shù)有灰度化、調(diào)整圖像尺寸、歸一化、標(biāo)注、去噪、數(shù)據(jù)增強(qiáng)等（表1）。

1.4選擇或設(shè)計(jì)網(wǎng)絡(luò)架構(gòu)

卷積神經(jīng)網(wǎng)絡(luò)的架構(gòu)在圖像識(shí)別任務(wù)中起著至關(guān)重要的作用，使用合適的網(wǎng)絡(luò)架構(gòu)可以增強(qiáng)層間擬合效果，減少網(wǎng)絡(luò)中的冗余計(jì)算，使網(wǎng)絡(luò)的性能更加優(yōu)越。目前大多數(shù)研究是選用成熟的網(wǎng)絡(luò)架構(gòu)，例如AlexNet、GoogLeNet、VG-GNet、ResNet等；也有研究人員基于實(shí)際問題自己設(shè)計(jì)網(wǎng)絡(luò)架構(gòu)，例如Wen等設(shè)計(jì)了一種基于增強(qiáng)超分辨率生成對(duì)抗網(wǎng)絡(luò)（ESRGAN）的農(nóng)作物病害分類網(wǎng)絡(luò)，利用ESRGAN從低分辨率圖像中恢復(fù)農(nóng)作物圖像，然后應(yīng)用遷移學(xué)習(xí)來改善模型性能，實(shí)驗(yàn)結(jié)果表明其可以顯著提高作物病害分類的準(zhǔn)確性。每種網(wǎng)絡(luò)架構(gòu)都有其獨(dú)特的優(yōu)勢(shì)與特點(diǎn)，適用于特定的數(shù)據(jù)集和實(shí)驗(yàn)條件，在使用時(shí)需根據(jù)實(shí)際情況選用合適的網(wǎng)絡(luò)架構(gòu)。表2中列出了一些經(jīng)典的圖像分類架構(gòu)。

1.5優(yōu)化算法

為了讓模型達(dá)到準(zhǔn)確的預(yù)測(cè)判斷效果，需要通過訓(xùn)練數(shù)據(jù)集對(duì)其進(jìn)行訓(xùn)練，然后根據(jù)訓(xùn)練結(jié)果與真實(shí)數(shù)據(jù)之間的誤差調(diào)整模型參數(shù)，以將誤差減小到可接受的程度。量化誤差的數(shù)學(xué)表達(dá)式稱為損失函數(shù)，模型訓(xùn)練的本質(zhì)就是找到合適的模型參數(shù)使損失函數(shù)最小化。由于實(shí)際模型具有復(fù)雜性、非線性、約束性等特點(diǎn)，通過遍歷參數(shù)找到最優(yōu)參數(shù)組合十分困難，而優(yōu)化算法可以幫助模型高效、準(zhǔn)確地找到最優(yōu)的參數(shù)組合。表3列出一些常用的優(yōu)化算法及其變體。

除了單獨(dú)使用一種算法優(yōu)化神經(jīng)網(wǎng)絡(luò)模型外，同時(shí)使用多種算法進(jìn)行模型訓(xùn)練也是一種可行的方案，而且實(shí)驗(yàn)表明應(yīng)用多級(jí)優(yōu)化方法往往會(huì)獲得比單級(jí)優(yōu)化方法更好的模型性能。例如Zhang等研究了梯度下降優(yōu)化方法的組合框架和多階段組合策略，對(duì)于MNIST上的100次訓(xùn)練，組合框架比非組合框架有更好的效果。

2卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用于農(nóng)作物病蟲害檢測(cè)的發(fā)展歷程

2.1圖像分類階段

在早期的農(nóng)業(yè)病蟲害識(shí)別任務(wù)中，首要問題是如何通過圖像分類來判斷作物是否感染病害，即這一時(shí)期的任務(wù)重點(diǎn)在于區(qū)分健康作物與患病作物。然而傳統(tǒng)的圖像處理方法精度較低，且難以處理復(fù)雜的背景和病害特征。AlexNet在2012年ImageNet競(jìng)賽中的勝利，不僅讓深度學(xué)習(xí)在圖像分類領(lǐng)域嶄露頭角，也彰顯了CNN在圖像分類任務(wù)中的卓越性能。之后，深度卷積網(wǎng)絡(luò)開始廣泛應(yīng)用于計(jì)算機(jī)視覺領(lǐng)域，而這也成為卷積神經(jīng)網(wǎng)絡(luò)在農(nóng)業(yè)病蟲害圖像識(shí)別領(lǐng)域應(yīng)用的開端，隨后GoogLeNet、VGG、ResNet等更多更深層次的CNN架構(gòu)被應(yīng)用到農(nóng)業(yè)病蟲害分類任務(wù)中。

訓(xùn)練后的CNN模型可以自動(dòng)識(shí)別不同作物的病害種類，能精確判斷作物是否感染病害。李凱雨通過結(jié)合AlexNet、VGG-16和GoogLeNet三種CNN模型，實(shí)現(xiàn)了小麥、花生和煙草3種農(nóng)作物及其7種病害的分類任務(wù)，通過引入遷移學(xué)習(xí)及微調(diào)訓(xùn)練，平均識(shí)別率達(dá)到98.92%。

2.2目標(biāo)檢測(cè)階段

CNN在圖像分類上取得初步成果后，病害區(qū)域的定位和檢測(cè)成為新的需求。農(nóng)作物病害表征通常是以斑點(diǎn)或斑塊形式出現(xiàn)在葉片或植株表面，精準(zhǔn)定位的難度較高，尤其在復(fù)雜背景下。而CNN模型不僅需要判斷出作物是否感染病害，還需要精確定位病害區(qū)域。R-CNN是目標(biāo)檢測(cè)領(lǐng)域的第一代深度學(xué)習(xí)方法，它首先生成多個(gè)候選區(qū)域，然后對(duì)每個(gè)候選區(qū)域進(jìn)行特征提取和分類，但是速度較慢；Faster R-CNN將目標(biāo)檢測(cè)效率大幅提高：YOLO的端到端目標(biāo)檢測(cè)方法則突破了檢測(cè)速度的瓶頸，在保持高精度的同時(shí)實(shí)現(xiàn)了實(shí)時(shí)檢測(cè)。楊文姬等基于改進(jìn)YOLOv5算法，提出一種檢測(cè)蘋果與番茄病害的高性能方案，平均檢測(cè)時(shí)間為0.033s，平均準(zhǔn)確率較基礎(chǔ)模型提升1.7%。目標(biāo)檢測(cè)技術(shù)的發(fā)展為精準(zhǔn)農(nóng)業(yè)提供了強(qiáng)大的技術(shù)支持。

2.3語義分割階段

雖然目標(biāo)檢測(cè)技術(shù)可以識(shí)別病害區(qū)域，但無法精確標(biāo)注出病害的邊界，而在實(shí)際農(nóng)業(yè)應(yīng)用中，尤其是病害斑塊形狀復(fù)雜的情況下，需要更細(xì)粒度的病害信息。因此，像素級(jí)別的病害分割需求開始浮現(xiàn)，這推動(dòng)了可對(duì)病害區(qū)域進(jìn)行精確邊界劃分的語義分割技術(shù)的發(fā)展。FCN是第一個(gè)將卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用于語義分割的模型，它通過移除全連接層并使用上采樣（反卷積）恢復(fù)原圖尺寸，實(shí)現(xiàn)了端到端的像素級(jí)分類，奠定了語義分割的基礎(chǔ)。隨后出現(xiàn)的U-Net、DeepLab等模型也相繼被應(yīng)用到農(nóng)作物病害分割任務(wù)中。語義分割技術(shù)不僅可以識(shí)別病害的形狀和邊界，實(shí)現(xiàn)對(duì)病害斑塊的精準(zhǔn)分割，還可以同時(shí)分割多種病害斑塊，能為作物的多重病害檢測(cè)提供更多細(xì)節(jié)信息。例如王英允等提出一種改進(jìn)的U-Net網(wǎng)絡(luò)結(jié)構(gòu)，實(shí)現(xiàn)了蘋果葉片病害的分類與分割，平均分類精度為90.25%，平均分割精度為85.92%。

2.4多任務(wù)學(xué)習(xí)與實(shí)際應(yīng)用階段

隨著農(nóng)業(yè)病蟲害識(shí)別需求的提高，研究人員已不僅僅滿足于單一任務(wù)的解決方案，而是希望通過多任務(wù)學(xué)習(xí)來實(shí)現(xiàn)更加綜合、智能的病害診斷系統(tǒng)，以滿足不同的實(shí)際需求，還希望這些模型能在移動(dòng)設(shè)備或其他硬件平臺(tái)上實(shí)時(shí)運(yùn)行，以便在農(nóng)田中進(jìn)行實(shí)時(shí)監(jiān)控和決策。高軒針對(duì)傳統(tǒng)單分類檢測(cè)任務(wù)中存在的不足，提出一種多分類學(xué)習(xí)模型Multi-Mobilenet，實(shí)現(xiàn)了對(duì)番茄葉片病害的分類及其嚴(yán)重程度的評(píng)估，準(zhǔn)確率分別為98.62%和90.29%，并基于該模型搭建出番茄病害智能診斷系統(tǒng)，實(shí)現(xiàn)了模型的實(shí)際應(yīng)用。

3基于卷積神經(jīng)網(wǎng)絡(luò)的農(nóng)作物病蟲害檢測(cè)研究進(jìn)展

病蟲害識(shí)別技術(shù)在深度學(xué)習(xí)快速發(fā)展的驅(qū)動(dòng)下不斷取得突破，不僅識(shí)別精度顯著提升，應(yīng)用功能也逐步增強(qiáng)以適應(yīng)多樣化的農(nóng)業(yè)需求。本文從模型識(shí)別能力的提升、識(shí)別任務(wù)的功能拓展、模型在實(shí)際應(yīng)用中的優(yōu)化以及高質(zhì)量數(shù)據(jù)集的構(gòu)建與共享四個(gè)方面概述了基于卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行農(nóng)作物病蟲害識(shí)別研究的進(jìn)展。

3.1模型識(shí)別能力提升

卷積神經(jīng)網(wǎng)絡(luò)模型的識(shí)別能力對(duì)于實(shí)現(xiàn)病蟲害的準(zhǔn)確識(shí)別至關(guān)重要。通過增強(qiáng)特征提取、改進(jìn)模型結(jié)構(gòu)和結(jié)合多模態(tài)數(shù)據(jù)等手段對(duì)模型性能進(jìn)行優(yōu)化，能夠進(jìn)一步增強(qiáng)模型對(duì)病蟲害的準(zhǔn)確識(shí)別能力。Chang等為了能準(zhǔn)確分類3種易混淆的小麥銹病——條銹病、葉銹病和莖銹病，選用DenseNet121為基礎(chǔ)模型，通過分析分類結(jié)果，討論潛在混淆因素，然后根據(jù)討論的因素對(duì)模型進(jìn)行調(diào)整和優(yōu)化，最終改進(jìn)的模型在不同數(shù)據(jù)集上均實(shí)現(xiàn)了3種小麥銹病更高的分類準(zhǔn)確率。Fu等提出了一個(gè)基于光譜恢復(fù)的玉米病害檢測(cè)框架，通過高光譜恢復(fù)卷積神經(jīng)網(wǎng)絡(luò)（HSCNN+）將原始RGB圖像重建為高光譜圖像作為檢測(cè)網(wǎng)絡(luò)輸入，然后利用CNN進(jìn)行病害檢測(cè)，實(shí)現(xiàn)了檢測(cè)精度的有效改善，與基于原始RGB圖像的檢測(cè)結(jié)果相比提升了6.14%的檢測(cè)精度，達(dá)到與直接使用高光譜圖像相近的檢測(cè)效果。Yang等采用高光譜成像結(jié)合稀疏自編碼器和卷積神經(jīng)網(wǎng)絡(luò)算法，實(shí)現(xiàn)對(duì)玉米籽粒霉變等級(jí)的有效分類，訓(xùn)練集和測(cè)試集的正確識(shí)別率分別達(dá)到99. 47%和98.94%，在檢測(cè)早期霉變玉米籽粒方面表現(xiàn)出良好的識(shí)別能力。Wang等利用機(jī)載高光譜影像檢測(cè)小麥全蝕?。═ake-All）分布，通過PROSAIL模型模擬不同冠層葉綠素含量下的反射率數(shù)據(jù)，結(jié)合一維卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建反演模型，并應(yīng)用遷移學(xué)習(xí)方法識(shí)別病害程度，通過輸入機(jī)載成像光譜儀獲得的光譜反射率數(shù)據(jù)，模型能夠反推出冠層葉綠素含量，從而繪制出小麥全蝕病的分布圖。Liang等提出了一種基于深度學(xué)習(xí)和光學(xué)相干斷層掃描（OCT）技術(shù)的分類方法，使用特征塊提取細(xì)微霉菌像素等細(xì)粒度信息，采用自注意力機(jī)制融合兩通道的特征，利用包含霉變區(qū)域信息的融合特征向量進(jìn)行分類，實(shí)現(xiàn)霉變大豆的早期檢測(cè)，平均準(zhǔn)確率達(dá)99.5%，較傳統(tǒng)CNN模型提高了15個(gè)百分點(diǎn)。

3.2病蟲害識(shí)別任務(wù)拓展

應(yīng)用場(chǎng)景的多樣化需求對(duì)計(jì)算機(jī)視覺模型的識(shí)別功能提出了更高的要求。如何通過技術(shù)創(chuàng)新增加模型的功能，以使其能夠應(yīng)用到更加復(fù)雜多樣的場(chǎng)景中，成為進(jìn)一步挖掘計(jì)算機(jī)視覺技術(shù)在農(nóng)業(yè)中應(yīng)用潛力的重要一環(huán)。Verma等提出了一個(gè)統(tǒng)一的輕量級(jí)CNN模型，通過在同一層中采用不同尺寸的卷積層來檢測(cè)各種大小的感染區(qū)域，能夠識(shí)別玉米、水稻和小麥三種作物的健康與感染類別，分類準(zhǔn)確率分別為99.74%、82.67%和97.50%。Deng等利用團(tuán)隊(duì)開發(fā)的一種微型微波檢測(cè)設(shè)備獲得霉變小麥樣品的傳輸指標(biāo)，然后采用基于卷積神經(jīng)網(wǎng)絡(luò)的多任務(wù)學(xué)習(xí)模型進(jìn)行傳輸指標(biāo)的自學(xué)習(xí)和模型校準(zhǔn)，提出了一種基于微波檢測(cè)技術(shù)結(jié)合多任務(wù)學(xué)習(xí)策略的小麥霉菌程度和黃曲霉毒素B₁的定性和定量分析方法，能夠準(zhǔn)確分析出小麥中霉菌毒素的污染水平，而且多任務(wù)學(xué)習(xí)策略的應(yīng)用能有效避免模型校準(zhǔn)中的資源浪費(fèi)。Lamba等基于深度學(xué)習(xí)構(gòu)建了對(duì)稻葉病害的多任務(wù)識(shí)別模型，通過GAN數(shù)據(jù)擴(kuò)增、CNN與SVM的結(jié)合等技術(shù)，提升了對(duì)稻葉細(xì)菌性枯萎病、稻瘟病和稻葉黑粉病病害類型檢測(cè)和嚴(yán)重程度量化的準(zhǔn)確性，準(zhǔn)確率達(dá)到98.43%。Hamila等構(gòu)建了基于3D-CNN的小麥赤霉病檢測(cè)和嚴(yán)重程度評(píng)估模型，通過多光譜3D點(diǎn)云圖像數(shù)據(jù)提升檢測(cè)和量化的精度，不僅能夠自動(dòng)識(shí)別病害，還可以對(duì)穗數(shù)和感染嚴(yán)重度進(jìn)行多任務(wù)估算。

3.3模型應(yīng)用的探索

應(yīng)用于實(shí)際生產(chǎn)是模型設(shè)計(jì)優(yōu)化的最終目的。為了使模型能夠在田間低資源條件和復(fù)雜環(huán)境中高效、穩(wěn)定運(yùn)行，研究人員通過結(jié)構(gòu)優(yōu)化和硬件加速等手段對(duì)模型進(jìn)行輕量化與資源優(yōu)化改進(jìn)，以實(shí)現(xiàn)在真實(shí)農(nóng)業(yè)生產(chǎn)環(huán)境中的高效適應(yīng)性，為田間作業(yè)的自動(dòng)化與智能化提供便捷的技術(shù)方案。Bao等提出了一種基于DDMA-YOLO的無人機(jī)遙感方法，用于監(jiān)測(cè)茶葉枯萎病，模型以YOLOv5為基礎(chǔ)，增加了多尺度RFB模塊以提升病葉特征提取的精度，引入了雙維度混合注意力（DDMA），結(jié)合通道、空間和非局部信息，以減少因葉片密集分布造成的漏檢和誤檢，性能優(yōu)于傳統(tǒng)目標(biāo)檢測(cè)方法。Yang等提出了一種基于YOLOv7的高精度實(shí)時(shí)玉米病蟲害檢測(cè)網(wǎng)絡(luò)Maize-YOLO，通過插入CSPResNeXt-50模塊和VoVGSCSP模塊，提高了網(wǎng)絡(luò)檢測(cè)的準(zhǔn)確性和速度，同時(shí)減少模型的計(jì)算量。Lin等使用多尺度Retinex色彩恢復(fù)算法對(duì)具有光照不均的大豆種子圖像進(jìn)行分割處理，然后構(gòu)建CNN模型并成功部署于NVIDIA Jetson TX2平臺(tái)，實(shí)現(xiàn)了對(duì)大豆種子的分類，準(zhǔn)確率為95.63%，單顆種子的平均分類時(shí)間為4.92ms。Yang等提出了全連接瓶頸變換器模塊，并將其嵌入YOLOv8n模型主干的末端，構(gòu)建了FCBTYOLO目標(biāo)檢測(cè)模型，將其應(yīng)用于構(gòu)建的包含14類水稻害蟲的GPest14數(shù)據(jù)集及多個(gè)公開數(shù)據(jù)集上均獲得90%以上的準(zhǔn)確率，而模型大小僅為6.7MB，單張害蟲圖像的檢測(cè)時(shí)間僅需16.8 ms，適合于田間環(huán)境應(yīng)用。

3.4數(shù)據(jù)集的構(gòu)建與共享

高質(zhì)量的數(shù)據(jù)集是農(nóng)作物病蟲害智能識(shí)別技術(shù)發(fā)展的基石。涵蓋多種作物病害類型、采集自復(fù)雜環(huán)境、包含豐富標(biāo)注信息的數(shù)據(jù)集，可為模型的訓(xùn)練與應(yīng)用提供很好的數(shù)據(jù)支持。

Joseph等構(gòu)建了一個(gè)糧食作物病害數(shù)據(jù)集，涵蓋了水稻的2種細(xì)菌病害和2種真菌病害、玉米的4種真菌病害以及小麥的4種真菌病害，基于該數(shù)據(jù)集對(duì)提出的CNN模型進(jìn)行訓(xùn)練，在玉米、水稻和小麥上的識(shí)別準(zhǔn)確率分別達(dá)到97%、97%和98%。Rajput等創(chuàng)建了一個(gè)名為“Soy-Net”的數(shù)據(jù)集，包含超過9000張高質(zhì)量的健康和患病大豆葉片圖像，這些圖像是從不同角度、不同光照條件和背景下拍攝的，可以比較準(zhǔn)確地反映真實(shí)的農(nóng)田情況，用其訓(xùn)練、測(cè)試和驗(yàn)證大豆葉片病害分類模型，取得了較好的分類效果。趙鴻鑫等創(chuàng)建的棉花病害數(shù)據(jù)集，涵蓋了炭疽病、細(xì)菌性角斑病、褐斑病和枯萎病4種常見棉花病害，有3453張高分辨率的健康葉片和不同生長(zhǎng)階段的病葉圖像，均是從復(fù)雜的田間環(huán)境中采集，為棉花病害智能識(shí)別模型及算法的研究、訓(xùn)練與驗(yàn)證提供了高質(zhì)量的數(shù)據(jù)。

4存在的問題及應(yīng)對(duì)策略

目前基于卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行農(nóng)作物病蟲害檢測(cè)研究涉及的作物種類非常廣泛，包括各類蔬菜、果樹和糧食作物等，完成的任務(wù)也不僅是分類、檢測(cè)、分割等基本任務(wù)，還有感染程度、成熟度判斷等復(fù)雜任務(wù)，都已經(jīng)取得了一些成果，但仍存在許多問題，還無法滿足實(shí)際生產(chǎn)中輕便、高效、實(shí)時(shí)監(jiān)測(cè)病蟲害發(fā)生的需求。本文對(duì)目前研究中存在的主要問題進(jìn)行總結(jié)，并提出相應(yīng)的解決措施。

4.1數(shù)據(jù)集規(guī)模小

現(xiàn)有研究中使用的數(shù)據(jù)集，部分用自收集的農(nóng)作物病蟲害樣本構(gòu)建，部分來源于網(wǎng)絡(luò)。目前研究人員使用較多的公開數(shù)據(jù)集主要是ImageNet和PlantVillage，其中ImageNet是對(duì)象識(shí)別領(lǐng)域的大型數(shù)據(jù)庫(kù)，包含2萬多個(gè)類別1400多萬個(gè)樣本數(shù)據(jù)；而PlantVillage是目前最大的葉子圖像公共數(shù)據(jù)集，包含5萬多張健康和不健康的葉子圖像。但是實(shí)際生產(chǎn)場(chǎng)景更為復(fù)雜、病蟲害類型更為多樣，這些公開數(shù)據(jù)集也無法滿足多樣化的實(shí)際需求，因此，自建數(shù)據(jù)集仍是許多研究的數(shù)據(jù)來源。然而，由于植物病蟲害種類多、發(fā)生時(shí)間分散且部分病蟲害發(fā)生率低，圖像采集成本很高，自建數(shù)據(jù)集普遍存在規(guī)模小、樣本少、標(biāo)注困難等問題，易導(dǎo)致深度學(xué)習(xí)模型訓(xùn)練不充分。因此，數(shù)據(jù)集規(guī)模小已經(jīng)成為阻礙基于卷積神經(jīng)網(wǎng)絡(luò)檢測(cè)農(nóng)作物病蟲害技術(shù)發(fā)展的主要因素之一。

遷移學(xué)習(xí)可以利用一個(gè)類似的已知數(shù)據(jù)集的訓(xùn)練模型為新收集的未標(biāo)記樣本開發(fā)模型，在經(jīng)過參數(shù)微調(diào)或修改后，可應(yīng)用于局部植物病蟲害檢測(cè)，不僅能降低模型訓(xùn)練成本，還能使卷積神經(jīng)網(wǎng)絡(luò)適應(yīng)小樣本數(shù)據(jù)，這為數(shù)據(jù)集規(guī)模小的問題提供了有效的解決方案。陳浪浪等在DenseNet121基礎(chǔ)上，提出了一種基于遷移學(xué)習(xí)的小樣本數(shù)據(jù)集的水稻葉病識(shí)別網(wǎng)絡(luò)，通過引入坐標(biāo)注意力機(jī)制來增強(qiáng)特征，測(cè)試精度達(dá)到98.95%，優(yōu)于ResNet50、Xception、InceptionV3、In-ceptionResNetV2及原DenseNet121模型。

此外，小樣本學(xué)習(xí)（Few-shot learning，F(xiàn)SL） 也為小規(guī)模數(shù)據(jù)集的病蟲害識(shí)別提供了新的思路。FSL可通過少量樣本獲得良好的學(xué)習(xí)性能，從而解決神經(jīng)網(wǎng)絡(luò)因數(shù)據(jù)量不足而難以有效訓(xùn)練的問題。但FSL用于植物病害識(shí)別時(shí)存在獲取特征有限和泛化能力差的問題，為此，Chen等結(jié)合傳統(tǒng)的學(xué)習(xí)策略與元學(xué)習(xí)框架，提出Meta-Baseline方法，利用特定的基線方法和策略來改進(jìn)模型在新任務(wù)上的表現(xiàn)，提高了小樣本學(xué)習(xí)模型的泛化能力。Lin等提出一種基于Meta-Baseline方法的網(wǎng)絡(luò)，通過融合級(jí)聯(lián)多尺度特征融合（CMSFF）和通道注意力機(jī)制（CA）獲得更豐富的特征表示，在最優(yōu)配置下可獲得92.83針對(duì)多植物的任務(wù)定位精度。綜合可見，F(xiàn)SL也是一種可行的、有潛力的植物病害識(shí)別方法。

4.2小尺寸病變的早期檢測(cè)困難

在農(nóng)作物病害發(fā)生的早期及時(shí)發(fā)現(xiàn)、準(zhǔn)確識(shí)別并采取有效防治措施是降低其危害以獲得高產(chǎn)的關(guān)鍵。但許多植物病變?cè)缙谔卣鞑幻黠@、病區(qū)尺寸小，在利用卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行特征提取時(shí)容易被忽略，而且受復(fù)雜背景的噪聲影響，誤判的概率高，影響了卷積神經(jīng)網(wǎng)絡(luò)模型的識(shí)別和分類準(zhǔn)確度。

高光譜傳感器可以獲得數(shù)百個(gè)窄光譜帶的光譜信息，而這些窄光譜帶對(duì)不同類型疾病引起的植物葉片細(xì)微變化高度敏感，可以用于進(jìn)行相似病害的區(qū)分和早期小尺寸病變的檢測(cè)，因此，基于高光譜圖像進(jìn)行植物病害檢測(cè)成為近年研究的熱點(diǎn)。Xie等利用高光譜成像技術(shù)，通過分析成像信息和光譜信息，采用逐次投影算法（SPA）選擇有用波長(zhǎng)，并建立基于極限學(xué)習(xí)機(jī)（ELM）模型識(shí)別病變樣本，實(shí)現(xiàn)對(duì)番茄兩種葉片病害的識(shí)別與分類，準(zhǔn)確率為97.1%。

4.3復(fù)雜環(huán)境下的病蟲害識(shí)別精度低

建立的卷積神經(jīng)網(wǎng)絡(luò)模型在應(yīng)用到實(shí)際生產(chǎn)中時(shí)，識(shí)別精度往往會(huì)大幅降低，這主要是因?yàn)榇蠖鄶?shù)模型訓(xùn)練時(shí)使用的樣本圖像通常是在受控情況下拍攝的感興趣區(qū)域的圖像，忽略了自然環(huán)境下背景噪聲的影響，而實(shí)際生產(chǎn)環(huán)境中背景噪聲要復(fù)雜許多，而且存在光照不同、樹枝和葉片遮擋等問題，嚴(yán)重干擾模型識(shí)別，導(dǎo)致很多誤判、錯(cuò)判的情況；另外，不同植物病害的表征存在相似性，同一病害在不同階段可能展現(xiàn)出不同的特征，以及同一葉片上出現(xiàn)混合病害等復(fù)雜情況，都影響了模型性能和分類準(zhǔn)確度。

注意力機(jī)制的本質(zhì)是采用帶加權(quán)系數(shù)的方法分離特征，從而抑制圖像中的背景噪聲，忽略不重要的信息，快速發(fā)現(xiàn)感興趣的區(qū)域，實(shí)現(xiàn)更準(zhǔn)確的檢測(cè)。Karthik等將注意力機(jī)制應(yīng)用于CNN殘差網(wǎng)絡(luò)，并使用PlantVillage數(shù)據(jù)集進(jìn)行實(shí)驗(yàn)，對(duì)番茄葉片病害識(shí)別的總體準(zhǔn)確率達(dá)到98%。

4.4檢測(cè)速度與便攜性有待提升

雖然相比于傳統(tǒng)方法，基于卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行農(nóng)作物病蟲害識(shí)別和分類的效果更好，但目前的模型大多計(jì)算復(fù)雜度較高，檢測(cè)速度較低，所占內(nèi)存較大，不能搭載到智能手機(jī)等小型移動(dòng)設(shè)備上，還無法滿足實(shí)際應(yīng)用中實(shí)時(shí)性、便攜性的需求。因此，平衡計(jì)算負(fù)荷和便攜性是影響卷積神經(jīng)網(wǎng)絡(luò)模型在實(shí)際生產(chǎn)中推廣應(yīng)用的關(guān)鍵。

溫釗發(fā)等設(shè)計(jì)了一種輕量化網(wǎng)絡(luò)EssNet，基于包含蘋果和玉米11種病害的測(cè)試集，識(shí)別準(zhǔn)確率達(dá)到95.21%，為應(yīng)用輕量級(jí)模型識(shí)別田間作物病害提供了參考。Liu等將MobileNet網(wǎng)絡(luò)部署在手機(jī)上，對(duì)田間采集的6種葡萄病葉的平均識(shí)別準(zhǔn)確率為87.5%，單張圖像的平均計(jì)算時(shí)間為134ms?？梢?，通過重構(gòu)現(xiàn)有網(wǎng)絡(luò)結(jié)構(gòu)或設(shè)計(jì)新的輕量化網(wǎng)絡(luò)結(jié)構(gòu)，可實(shí)現(xiàn)在獲得較高檢測(cè)精度的同時(shí)保證較高的檢測(cè)速度，這為將訓(xùn)練模型開發(fā)為手機(jī)APP或小程序、農(nóng)戶通過手機(jī)拍照上傳作物患病部位就可快速獲得診斷結(jié)果及防治方案等信息提供了可能，從而達(dá)到幫助農(nóng)戶科學(xué)防治病蟲害、收獲高產(chǎn)優(yōu)質(zhì)農(nóng)產(chǎn)品的目的。

5研究展望

綜上所述，當(dāng)前研究已充分展示了卷積神經(jīng)網(wǎng)絡(luò)等深度學(xué)習(xí)技術(shù)在農(nóng)作物病蟲害識(shí)別中的應(yīng)用潛力。然而，實(shí)現(xiàn)模型的實(shí)際落地應(yīng)用仍面臨諸多挑戰(zhàn)，如高光譜成像在實(shí)時(shí)檢測(cè)應(yīng)用時(shí)受限于圖像處理的復(fù)雜性、注意力機(jī)制對(duì)計(jì)算資源的需求增加了部署難度等。在今后的研究中仍需在模型的輕量化和數(shù)據(jù)的高效處理算法以及高光譜成像技術(shù)的經(jīng)濟(jì)實(shí)用性等方面進(jìn)行深入研究，此外，通過云計(jì)算來增強(qiáng)移動(dòng)設(shè)備的處理能力，也是提升該技術(shù)模型在農(nóng)田復(fù)雜環(huán)境中的適應(yīng)性和實(shí)用性的重要研究方向。期望能將理論研究成果真正落實(shí)和普及到農(nóng)業(yè)生產(chǎn)活動(dòng)中，推動(dòng)農(nóng)業(yè)智能化、規(guī)?；l(fā)展。