郭文娟，馮全，李相周

(1. 甘肅政法大學(xué)網(wǎng)絡(luò)空間安全學(xué)院，蘭州市，730070； 2. 甘肅農(nóng)業(yè)大學(xué)機(jī)電工程學(xué)院，蘭州市，730070)

0 引言

國(guó)家的經(jīng)濟(jì)發(fā)展離不開(kāi)農(nóng)業(yè)的發(fā)展，農(nóng)作物的病害問(wèn)題是制約農(nóng)業(yè)發(fā)展的關(guān)鍵因素[1-2]。因此，農(nóng)作物病害的快速準(zhǔn)確檢測(cè)和識(shí)別是治理病害的基礎(chǔ)，是提高農(nóng)作物產(chǎn)量的重要途徑，是推動(dòng)農(nóng)業(yè)的生產(chǎn)智能化與現(xiàn)代化發(fā)展的重要因素。傳統(tǒng)的農(nóng)作物病害識(shí)別主要通過(guò)病害專家的肉眼去判斷識(shí)別，這樣做的弊端是耗費(fèi)了大量的人力，同時(shí)病害識(shí)別的時(shí)效性得不到保障，因此會(huì)錯(cuò)過(guò)農(nóng)作物病害治理的最佳時(shí)機(jī)，造成作物病害加劇導(dǎo)致減產(chǎn)損失。如今，隨著計(jì)算機(jī)應(yīng)用技術(shù)的快速發(fā)展，越來(lái)越多的農(nóng)作物病害智能識(shí)別技術(shù)被推廣應(yīng)用[3]。

近年來(lái)，深度學(xué)習(xí)逐漸成為人工智能領(lǐng)域的研究熱點(diǎn)和主流發(fā)展方向。深度學(xué)習(xí)是機(jī)器學(xué)習(xí)的分支之一，主要用來(lái)模擬人類的神經(jīng)系統(tǒng)，旨在構(gòu)建人工神經(jīng)系統(tǒng)，能夠?qū)斎氲臄?shù)據(jù)樣本進(jìn)行分析解釋，自動(dòng)提取數(shù)據(jù)的特征信息。卷積神經(jīng)網(wǎng)絡(luò)是深度學(xué)習(xí)模型的典型代表，該模型被廣泛應(yīng)用于圖像處理領(lǐng)域，尤其在農(nóng)作物的病害檢測(cè)與識(shí)別上。本文基于農(nóng)作物病害檢測(cè)與識(shí)別的卷積神經(jīng)網(wǎng)絡(luò)模型研究，分別從農(nóng)作物病害分類識(shí)別、農(nóng)作物病害目標(biāo)檢測(cè)和農(nóng)作物病害嚴(yán)重程度評(píng)估3個(gè)方面綜述農(nóng)作物病害檢測(cè)與識(shí)別的各類卷積神經(jīng)網(wǎng)絡(luò)模型相關(guān)研究進(jìn)展，結(jié)合卷積神經(jīng)網(wǎng)絡(luò)模型發(fā)展和優(yōu)化歷程，對(duì)各類典型農(nóng)作物病害檢測(cè)與識(shí)別的卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行了分析對(duì)比，指出了基于農(nóng)作物病害檢測(cè)與識(shí)別的卷積神經(jīng)網(wǎng)絡(luò)模型當(dāng)前存在的問(wèn)題，對(duì)該領(lǐng)域未來(lái)研究方向進(jìn)行了展望。

1 傳統(tǒng)的病害識(shí)別方法

如圖1所示，傳統(tǒng)的農(nóng)作物病害圖像識(shí)別過(guò)程主要包含3部分。首先是農(nóng)作物病害樣本的采集，通過(guò)輸入設(shè)備把要識(shí)別的農(nóng)作物病害信息輸入到計(jì)算機(jī)中，經(jīng)過(guò)測(cè)量、采樣和量化相關(guān)步驟，采用矩陣或向量來(lái)表示要識(shí)別對(duì)象的信息。接著是對(duì)原始圖像的預(yù)處理過(guò)程，應(yīng)用圖像增強(qiáng)、圖像變換、圖像平滑和圖像濾波等技術(shù)對(duì)農(nóng)作物病害原始圖像處理，期望去除噪聲，加強(qiáng)其中有用的信息。最后是特征提取的預(yù)選擇，為有效實(shí)現(xiàn)分類，選擇出最能體現(xiàn)分類本質(zhì)的特征。根據(jù)樣本分布的特征信息制定出相應(yīng)的分類器，利用分類器對(duì)農(nóng)作物病害圖像信息進(jìn)行分類判別并做出決策。

圖1 傳統(tǒng)農(nóng)作物病害圖像識(shí)別過(guò)程

現(xiàn)有的傳統(tǒng)農(nóng)作物病害圖像識(shí)別主要圍繞著以下幾個(gè)方面展開(kāi)研究。

1) 基于病斑圖像的分割。該類算法對(duì)病斑圖像進(jìn)行分割，分割過(guò)程中舍棄了圖像中與病斑識(shí)別無(wú)關(guān)的信息。如張善文等[4]利用區(qū)域增長(zhǎng)分割算法對(duì)病害葉片中的病斑圖像分割，該病害識(shí)別方法識(shí)別精度為94.4%。Cui等[5]通過(guò)means-shift算法和OTSU算法對(duì)大豆的病害區(qū)域進(jìn)行病斑分割，實(shí)現(xiàn)大豆銹病的自動(dòng)檢測(cè)。

2) 基于病斑圖像的特征提取。該類算法是通過(guò)提取農(nóng)作物病害圖像的紋理、顏色、形狀等特征來(lái)展開(kāi)研究。Mainkar等[6]對(duì)葉片病害區(qū)域的GLCM紋理特征進(jìn)行提取后再進(jìn)行病害的識(shí)別。Mondal等[7]分別提取秋葵葉片的10個(gè)形態(tài)特征、苦瓜葉片的9個(gè)形態(tài)特征，在此基礎(chǔ)上實(shí)現(xiàn)了黃脈花葉病毒的識(shí)別。

3) 農(nóng)作物病害圖像分類器的設(shè)計(jì)?，F(xiàn)有常用的分類器包括支持向量機(jī)、K近鄰、貝葉斯分類、集成學(xué)習(xí)、K-means算法等。劉立波[8]首先采用PCA方法進(jìn)行特征降維，然后采用KNN、SVM和BP模型分別識(shí)別水稻葉片的病害。Pujari等[9]構(gòu)建KNN分類器對(duì)蔬菜常見(jiàn)的病害進(jìn)行分類識(shí)別。

相關(guān)研究進(jìn)展表明，雖然傳統(tǒng)農(nóng)作物病害識(shí)別方法能夠較準(zhǔn)確地識(shí)別病害，但仍然存在以下弊端：農(nóng)作物病害圖像分割難度大，尤其是在復(fù)雜的背景下去準(zhǔn)確分割農(nóng)作物病害圖像存在很大的困難；再者，農(nóng)作物病害的特征提取很大部分依舊依賴于人工提取，不能保證所提取特征的準(zhǔn)確性，進(jìn)而不能保證病害識(shí)別的準(zhǔn)確度；此外，主要通過(guò)農(nóng)民長(zhǎng)期以來(lái)積累的種植經(jīng)驗(yàn)去判斷農(nóng)作物的病害，因此，研究人員所選擇的特征對(duì)象缺乏公認(rèn)度；最后，農(nóng)作物病害的數(shù)據(jù)集要靠人工采集并且加以標(biāo)注，從而限制了數(shù)據(jù)集的數(shù)量及其規(guī)模，準(zhǔn)確獲取目標(biāo)農(nóng)作物病害數(shù)據(jù)集具有很大難度。

2 典型卷積神經(jīng)網(wǎng)絡(luò)模型

相比傳統(tǒng)的機(jī)器學(xué)習(xí)方法而言，深度學(xué)習(xí)通過(guò)持續(xù)增加網(wǎng)絡(luò)模型的深度和迭代次數(shù)，能夠從大量的輸入樣本數(shù)據(jù)中自動(dòng)提取特征并實(shí)現(xiàn)分類識(shí)別，有效克服了傳統(tǒng)的手動(dòng)提取特征所帶來(lái)的工作效率低和分類準(zhǔn)確率不高的難題，兩者的優(yōu)缺點(diǎn)如表1所示。

表1 傳統(tǒng)機(jī)器學(xué)習(xí)技術(shù)和深度學(xué)習(xí)技術(shù)的比較Tab. 1 Comparison between traditional machine learning technology and deep learning technology

作為深度學(xué)習(xí)的代表算法之一[10-11]，卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks, CNN)是一種包括了卷積計(jì)算和深層次結(jié)構(gòu)的前饋神經(jīng)網(wǎng)絡(luò)。21世紀(jì)以來(lái)，深度學(xué)習(xí)理論被提出且得到了快速的發(fā)展，同時(shí)卷積神經(jīng)網(wǎng)絡(luò)算法得到了極大的更新。由于在卷積神經(jīng)網(wǎng)絡(luò)模型中增加了局部感受野、參數(shù)的共享以及稀疏權(quán)重[12]，相比其他的神經(jīng)網(wǎng)絡(luò)，卷積神經(jīng)網(wǎng)絡(luò)具有平移和尺度不變性的特點(diǎn)，該特點(diǎn)使得卷積神經(jīng)網(wǎng)絡(luò)能有效地對(duì)特定的特征進(jìn)行識(shí)別，更適合于圖像數(shù)據(jù)的處理[13]，卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖如圖2所示。

圖2 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

當(dāng)前，典型的用于農(nóng)作物病害檢測(cè)與識(shí)別的卷積神經(jīng)網(wǎng)絡(luò)模型包括VGGNet模型[14]、Inception系列[15-18]、ResNet模型[19]、DenseNet模型[20]、MoileNet模型[21]、SENet模型[22]和SKNet模型[23]等。

3 農(nóng)作物病害檢測(cè)與識(shí)別的卷積神經(jīng)網(wǎng)絡(luò)模型

相比傳統(tǒng)的農(nóng)作物病害識(shí)別方法，基于卷積神經(jīng)網(wǎng)絡(luò)的農(nóng)作物病害檢測(cè)與識(shí)別模型在識(shí)別精度上得到了很大幅度的提升，其基本流程總結(jié)如圖3所示[24]。

圖3 基于卷積神經(jīng)網(wǎng)絡(luò)的農(nóng)作物病害檢測(cè)與識(shí)別流程

依照?qǐng)D3流程所示，基于卷積神經(jīng)網(wǎng)絡(luò)的農(nóng)作物病害檢測(cè)與識(shí)別過(guò)程具體可總結(jié)為：(1)獲取農(nóng)作物病害圖像，創(chuàng)建數(shù)據(jù)集。(2)完成病害圖像的預(yù)處理。各個(gè)數(shù)據(jù)集都有各自的特征分布特點(diǎn)，卷積神經(jīng)網(wǎng)絡(luò)的最終目標(biāo)是擬合數(shù)據(jù)集中的分布，因此構(gòu)建好病害數(shù)據(jù)集且做好預(yù)處理，更能體現(xiàn)出網(wǎng)絡(luò)模型的效果。(3)將數(shù)據(jù)集劃分為訓(xùn)練集、驗(yàn)證集和測(cè)試集。數(shù)據(jù)集劃分方式的不同使得數(shù)據(jù)集中特征的分布有差異，通常訓(xùn)練集、驗(yàn)證集和測(cè)試集的比例為6∶2∶2。(4)根據(jù)數(shù)據(jù)集的特征選擇合適的卷積神經(jīng)網(wǎng)絡(luò)模型架構(gòu)，進(jìn)行訓(xùn)練參數(shù)調(diào)整，完成模型設(shè)計(jì)。(5)輸入訓(xùn)練集和驗(yàn)證集進(jìn)行卷積神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練，直到損失函數(shù)不再收斂為止。(6)通過(guò)常用的評(píng)價(jià)指標(biāo)、交叉驗(yàn)證和混淆矩陣等進(jìn)行模型評(píng)估。常用的評(píng)價(jià)指標(biāo)有準(zhǔn)確率、精確度、召回率和F1值等。(7)輸入未知標(biāo)簽的病害圖像進(jìn)行模型預(yù)測(cè)。(8)輸出對(duì)農(nóng)作物病害的預(yù)測(cè)結(jié)果。(9)可視化模型的輸出結(jié)果，解釋輸出結(jié)果，有助于普通用戶更好地理解卷積神經(jīng)網(wǎng)絡(luò)模型的輸出結(jié)果。

目前，農(nóng)作物病害檢測(cè)與識(shí)別的卷積神經(jīng)網(wǎng)絡(luò)模型主要從以下三個(gè)方面展開(kāi)研究。

3.1 農(nóng)作物病害分類識(shí)別的卷積神經(jīng)網(wǎng)絡(luò)模型

近年來(lái)，國(guó)內(nèi)外很多學(xué)者在公開(kāi)數(shù)據(jù)集和自建數(shù)據(jù)集上訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)模型，實(shí)現(xiàn)了農(nóng)作物病害的分類識(shí)別，具有較高的識(shí)別精度。

3.1.1 基于公開(kāi)數(shù)據(jù)集的農(nóng)作物病害分類識(shí)別

相比其他研究領(lǐng)域，農(nóng)業(yè)領(lǐng)域中的公開(kāi)數(shù)據(jù)集比較少，如表2所示[25]，其中PlantVillage數(shù)據(jù)集和AI Challenger 2018數(shù)據(jù)集應(yīng)用較多。

表2 公開(kāi)的農(nóng)業(yè)領(lǐng)域數(shù)據(jù)集Tab. 2 Public datasets in domain of agriculture

公開(kāi)數(shù)據(jù)集的廣泛應(yīng)用促生出大量?jī)?yōu)秀的農(nóng)作物病害分類識(shí)別卷積神經(jīng)網(wǎng)絡(luò)模型，這些模型具有較高的識(shí)別精度，可以在相關(guān)研究中直接進(jìn)行應(yīng)用。例如，Mohanty等[26]在PlantVillage數(shù)據(jù)集上訓(xùn)練AlexNet和GoogleNet模型，通過(guò)實(shí)驗(yàn)表明當(dāng)訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)比例為8∶2時(shí)，GoogleNet網(wǎng)絡(luò)上平均的識(shí)別準(zhǔn)確率最高。孫俊等[27]針對(duì)模型參數(shù)龐大的問(wèn)題，提出了批歸一化和全局池化相結(jié)合的改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)識(shí)別模型，用于訓(xùn)練和識(shí)別PlantVillage數(shù)據(jù)集中的26類病害，較原始的AlexNet模型，改進(jìn)模型在參數(shù)內(nèi)存和訓(xùn)練時(shí)間上有明顯優(yōu)勢(shì)。何自芬等[28]通過(guò)增加注意力機(jī)制模塊，提出一種非對(duì)稱的混洗卷積神經(jīng)網(wǎng)絡(luò) ASNet。實(shí)驗(yàn)證明，該模型在PlantVillage數(shù)據(jù)集上的分割精度為96.8%，在AI Challanger農(nóng)作物病害分割挑戰(zhàn)賽和實(shí)地采集的蘋(píng)果葉部病害圖像混合數(shù)據(jù)集上的平均精度為94.7%。Zeng等[29]在基本網(wǎng)絡(luò)模型中引入注意力卷積模塊，在MK-D2公開(kāi)數(shù)據(jù)集上有較高識(shí)別率。

卷積神經(jīng)網(wǎng)絡(luò)之所以能自動(dòng)提取特征，原因之一是模型的訓(xùn)練數(shù)據(jù)集很龐大，但是實(shí)際環(huán)境中很難獲得大量的病害圖像作為訓(xùn)練集，訓(xùn)練集過(guò)小容易導(dǎo)致模型產(chǎn)生過(guò)擬合，進(jìn)而影響識(shí)別效果。結(jié)合遷移學(xué)習(xí)方法，通過(guò)參數(shù)微調(diào)的方式把源數(shù)據(jù)集上訓(xùn)練好的模型遷移到目標(biāo)數(shù)據(jù)集上繼續(xù)訓(xùn)練，以擴(kuò)展目標(biāo)數(shù)據(jù)集的先驗(yàn)知識(shí)，遷移學(xué)習(xí)在很大程度上緩解了過(guò)擬合現(xiàn)象。基于此，一些學(xué)者首先在公開(kāi)數(shù)據(jù)集上訓(xùn)練模型，然后遷移到自建數(shù)據(jù)集上進(jìn)行農(nóng)作物的病害識(shí)別，這樣做顯著改善了模型在小規(guī)模病害數(shù)據(jù)集上的識(shí)別性能。例如，趙立新等[30]在PlantVillage數(shù)據(jù)集上預(yù)訓(xùn)練模型，利用遷移學(xué)習(xí)，在自建的棉花病害數(shù)據(jù)集上微調(diào)參數(shù)，精確率達(dá)到97.16%。鐘昌源等[31]基于改進(jìn)的分組注意力模塊提出了具有實(shí)時(shí)高效性的農(nóng)作物病害葉片語(yǔ)義分割模型，采用遷移學(xué)習(xí)將ResNet18在PlantVillage數(shù)據(jù)集上學(xué)習(xí)到的農(nóng)作物共性知識(shí)遷移到自建數(shù)據(jù)集上，運(yùn)行速度快且分割精度高。王東方等[32]基于遷移學(xué)習(xí)提出了一種農(nóng)作物病害分類模型TL-SE-ResNeXt-101，該模型適用于不指定農(nóng)作物種類的病害識(shí)別，在AI Challenger數(shù)據(jù)集上平均準(zhǔn)確率為 98%，在PlantDoc測(cè)試集上準(zhǔn)確率為47.37%。

3.1.2 基于自建數(shù)據(jù)集的農(nóng)作物病害分類識(shí)別

雖然農(nóng)業(yè)領(lǐng)域中的公開(kāi)數(shù)據(jù)集為病害分類識(shí)別的卷積神經(jīng)網(wǎng)絡(luò)模型提供了大量數(shù)據(jù)來(lái)源，在公開(kāi)數(shù)據(jù)集上采用遷移學(xué)習(xí)有效改善了模型在小規(guī)模數(shù)據(jù)集上識(shí)別率低的缺陷，但是公開(kāi)數(shù)據(jù)集樣本的背景過(guò)于簡(jiǎn)單，基于公開(kāi)數(shù)據(jù)集的病害分類識(shí)別模型應(yīng)用于實(shí)際環(huán)境中時(shí)識(shí)別精度會(huì)大大降低。實(shí)際環(huán)境中農(nóng)作物病害圖像更為復(fù)雜，包含各種噪聲及其復(fù)雜背景，同時(shí)病害圖像還受到分辨率、拍照角度和不同光照等影響。因此，提高農(nóng)作物病害分類識(shí)別模型的精度和增強(qiáng)模型的抗干擾能力同樣重要。更多學(xué)者關(guān)注于優(yōu)化面向真實(shí)環(huán)境的農(nóng)作物病害分類識(shí)別模型，選擇在自建的具有復(fù)雜背景的數(shù)據(jù)集上展開(kāi)相關(guān)研究，提出的神經(jīng)網(wǎng)絡(luò)模型具有識(shí)別精度高、抗干擾能力強(qiáng)的優(yōu)勢(shì)。如Kawasaki等[33]利用自建黃瓜圖像數(shù)據(jù)集訓(xùn)練CNN模型，采用4折交叉驗(yàn)證，準(zhǔn)確識(shí)別病害葉片和非病害葉片。Ramcharan等[34]采用遷移學(xué)習(xí)的方法訓(xùn)練Inception v3模型，在自建木薯葉片數(shù)據(jù)集上識(shí)別3種病害和2種蟲(chóng)害，與傳統(tǒng)的SVM、KNN分類器作比較，實(shí)驗(yàn)結(jié)果表明Inception v3的平均識(shí)別準(zhǔn)確率明顯高于傳統(tǒng)分類器。同時(shí)，為改善模型訓(xùn)練的收斂時(shí)間長(zhǎng)，模型的參數(shù)龐大問(wèn)題，F(xiàn)erentinos[35]在自建數(shù)據(jù)集上去比較5種經(jīng)典的CNN模型病害識(shí)別精度，實(shí)驗(yàn)結(jié)果顯示VGG模型的識(shí)別效果最好。Xing等[36]提出了一種改進(jìn)的DenseNet模型，采集12 561張病蟲(chóng)害圖像作為數(shù)據(jù)集，通過(guò)對(duì)比6種典型的網(wǎng)絡(luò)模型，表明改進(jìn)的DenseNet模型識(shí)別準(zhǔn)確率最高。曾偉輝等[37]提出了面向?qū)嶋H環(huán)境且具有高魯棒性的改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)模型，在公開(kāi)數(shù)據(jù)集和自然環(huán)境下的數(shù)據(jù)集上實(shí)驗(yàn)驗(yàn)證，該模型較其他模型具有更高的識(shí)別率。黃林生等[38]提出了一種多尺度卷積結(jié)構(gòu)和注意力機(jī)制相結(jié)合的農(nóng)作物病害檢測(cè)與識(shí)別模型，該模型在復(fù)雜的田間環(huán)境中收集的8種農(nóng)作物病害數(shù)據(jù)集上獲得較高的平均識(shí)別準(zhǔn)確率。

綜上所述，基于農(nóng)作物病害分類識(shí)別的卷積神經(jīng)網(wǎng)絡(luò)模型具有較好的分類效果，但在公開(kāi)數(shù)據(jù)集上識(shí)別效果良好的網(wǎng)絡(luò)模型在自建復(fù)雜背景下的農(nóng)作物病害圖像數(shù)據(jù)集上識(shí)別效果還需進(jìn)一步提升。針對(duì)特定類型的病害識(shí)別問(wèn)題，仍然需要經(jīng)過(guò)大量的實(shí)驗(yàn)驗(yàn)證才能找到最佳的網(wǎng)絡(luò)模型。

3.2 農(nóng)作物病害目標(biāo)檢測(cè)的卷積神經(jīng)網(wǎng)絡(luò)模型

隨著卷積神經(jīng)網(wǎng)絡(luò)模型的不斷完善優(yōu)化，基于卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測(cè)算法也取得了巨大進(jìn)步，如表3所示[39]。基于卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測(cè)算法分為雙階段目標(biāo)檢測(cè)(two-stage)和單階段目標(biāo)檢測(cè)(one-stage)兩種。雙階段目標(biāo)檢測(cè)算法也稱為基于候選框的檢測(cè)算法，例如R-CNN[40]系列、R-FCN[41]等算法。單階段目標(biāo)檢測(cè)算法也叫基于回歸的檢測(cè)算法，如YOLO[42]系列、SSD[43]系列。目標(biāo)檢測(cè)算法的流程如圖4所示[44]，兩類檢測(cè)算法相比，單階段目標(biāo)檢測(cè)算法速度快但精度低，而雙階段目標(biāo)檢測(cè)算法速度慢但精度高。

表3 經(jīng)典目標(biāo)檢測(cè)算法及主流特征提取網(wǎng)絡(luò)出現(xiàn)的時(shí)間Tab. 3 Time of appearance of classic object detection algorithms and mainstream feature extraction networks

(a) 單階段目標(biāo)檢測(cè)算法流程

(b) 雙階段目標(biāo)檢測(cè)算法流程

由于卷積神經(jīng)網(wǎng)絡(luò)能夠?qū)δ繕?biāo)的高維特征進(jìn)行高度提取，使得在復(fù)雜背景下采用目標(biāo)檢測(cè)算法進(jìn)行農(nóng)作物葉部病害檢測(cè)成為可能。在農(nóng)作物病害檢測(cè)中，目標(biāo)檢測(cè)的任務(wù)是定位病害目標(biāo)的大小和位置，學(xué)者們對(duì)此做了大量研究，分別用雙階段目標(biāo)檢測(cè)算法和單階段目標(biāo)檢測(cè)算法進(jìn)行農(nóng)作物病害檢測(cè)，獲得了較高的檢測(cè)準(zhǔn)確率。

3.2.1 基于雙階段目標(biāo)檢測(cè)的農(nóng)作物病害檢測(cè)

目前，基于雙階段目標(biāo)檢測(cè)的農(nóng)作物病害檢測(cè)算法如表4所示，農(nóng)作物病害檢測(cè)中的雙階段目標(biāo)檢測(cè)模型具有較高的檢測(cè)準(zhǔn)確率。

表4 農(nóng)作物病害目標(biāo)檢測(cè)的平均檢測(cè)準(zhǔn)確率Tab. 4 Average detection accuracy of crop disease target detection

如Fuentes等[45]采用Faster RCNN、R-FCN和SSD算法分別對(duì)西紅柿病害進(jìn)行目標(biāo)檢測(cè)，實(shí)驗(yàn)結(jié)果表明，F(xiàn)aster R-CNN和VGG16的組合模型能夠獲得最好的效果。Selvaraj等[46]在自建的香蕉病蟲(chóng)害數(shù)據(jù)集上運(yùn)行幾種經(jīng)典的目標(biāo)檢測(cè)框架和骨干網(wǎng)絡(luò)的組合模型，最終實(shí)驗(yàn)數(shù)據(jù)表明SSD框架和MobileNetV1的組合運(yùn)行效果最好。Arsenovic等[47]提出了一種PDNet檢測(cè)網(wǎng)絡(luò)，與Faster R-CNN、YOLO V3、SSD在自建的病害圖像數(shù)據(jù)集上做比較，證明所提出的PDNet檢測(cè)網(wǎng)絡(luò)效果最佳。

由此看來(lái)，現(xiàn)有基于雙階段目標(biāo)檢測(cè)的農(nóng)作物病害檢測(cè)算法的研究中很大部分是基于Faster R-CNN算法實(shí)現(xiàn)的，究其原因在于Faster R-CNN 算法采用區(qū)域預(yù)測(cè)網(wǎng)絡(luò)，代替了傳統(tǒng)的感興趣區(qū)域預(yù)測(cè)方法，在保持檢測(cè)高精度的同時(shí)有效提升了檢測(cè)速度，更有利于農(nóng)作物的病害檢測(cè)。如劉闐宇等[48-49]利用Faster R-CNN模型，骨干網(wǎng)絡(luò)為ZF Net和VGG在自建的葡萄葉片數(shù)據(jù)集上做比較，實(shí)驗(yàn)表明所提出的模型能有效檢測(cè)出葡萄葉片和葉片病斑。李就好等[50]提出改進(jìn)的Faster R-CNN用于田間苦瓜葉部的病害檢測(cè)，該方法獲得較高的魯棒性和較高的精度。樊湘鵬等[51]引入?yún)^(qū)域卷積神經(jīng)網(wǎng)絡(luò)以改進(jìn)Faster R-CNN模型，試驗(yàn)表明，改進(jìn)的Faster R-CNN框架和VGG16卷積層結(jié)構(gòu)組合獲得了較高的準(zhǔn)確率和較快的速度。李鑫然等[52]通過(guò)改進(jìn)的Faster R-CNN模型，對(duì)實(shí)際環(huán)境中的5種蘋(píng)果葉片病害進(jìn)行檢測(cè)，平均檢測(cè)精度為82.48%，明顯優(yōu)于原始Faster R-CNN、Mask R-CNN和YOLO V3模型。大量研究進(jìn)展結(jié)果表明，基于雙階段目標(biāo)檢測(cè)的農(nóng)作物病害檢測(cè)算法具有較高的檢測(cè)精度，適用于高精度的農(nóng)作物病害檢測(cè)，但是該類檢測(cè)算法的實(shí)時(shí)性差，且檢測(cè)小目標(biāo)時(shí)效果不理想。

3.2.2 基于單階段目標(biāo)檢測(cè)的農(nóng)作物病害檢測(cè)

雙階段目標(biāo)檢測(cè)算法在輸入圖像后首先在第一階段生成感興趣區(qū)域，然后在第二階段針對(duì)感興趣區(qū)域中內(nèi)容進(jìn)行特征提取、分類和回歸，這種做法導(dǎo)致失去局部目標(biāo)在整個(gè)數(shù)據(jù)集樣本中的空間分布信息。基于此，學(xué)者們提出了單階段目標(biāo)檢測(cè)算法來(lái)克服上述缺陷，單階段目標(biāo)檢測(cè)算法直接實(shí)現(xiàn)了感興趣區(qū)域的生成和預(yù)測(cè)目標(biāo)的分類，是端到端的過(guò)程。

現(xiàn)有研究中基于單階段目標(biāo)檢測(cè)的農(nóng)作物病害檢測(cè)算法相比基于雙階段目標(biāo)檢測(cè)的農(nóng)作物病害檢測(cè)算法較少一些，現(xiàn)有研究主要集中在利用改進(jìn)SSD算法或改進(jìn)YOLO算法來(lái)實(shí)現(xiàn)農(nóng)作物的病害檢測(cè)。相比YOLO算法，SSD算法最大的區(qū)別在于通過(guò)卷積核直接檢測(cè)。SSD算法采用多個(gè)卷積層進(jìn)行輸出預(yù)測(cè)，實(shí)現(xiàn)了各卷積層的回歸和分類。如葉中華等[53]采用SSD算法對(duì)自建數(shù)據(jù)集進(jìn)行復(fù)雜背景下作物病害檢測(cè)，檢測(cè)的平均精度為83.90%。Jiang等[54]在SSD模型中引入Inception，通過(guò)結(jié)合Rainbow級(jí)聯(lián)和優(yōu)化特征提取網(wǎng)絡(luò)對(duì)蘋(píng)果葉片病害進(jìn)行檢測(cè)。俞佩仕[55]提出了改進(jìn)的SSD模型，將VGG16網(wǎng)絡(luò)替換為ResNet50，實(shí)現(xiàn)了水稻紋枯病的病害檢測(cè)。YOLO系列算法在預(yù)測(cè)時(shí)采用網(wǎng)絡(luò)的方式將特征圖進(jìn)行劃分，這樣做顯著提高了算法的檢測(cè)速度。如Liu等[56]改進(jìn)YOLO V3模型，在番茄葉片病害數(shù)據(jù)集上進(jìn)行測(cè)試，具有較高的檢測(cè)精度和檢測(cè)速度。同時(shí)Liu等[57]還提出了基于MobileNetV2和YOLO V3的改進(jìn)模型，實(shí)現(xiàn)了番茄灰斑病的早期檢測(cè)，改進(jìn)后的模型具有內(nèi)存消耗少、識(shí)別精度高、識(shí)別速度快等優(yōu)點(diǎn)，檢測(cè)結(jié)果如圖5所示。

由上述可以看出，基于單階段目標(biāo)檢測(cè)的農(nóng)作物病害檢測(cè)算法具有較高的檢測(cè)精度，實(shí)時(shí)性高，實(shí)現(xiàn)了端到端的優(yōu)化，適用于農(nóng)作物病害的實(shí)時(shí)目標(biāo)檢測(cè)。然而基于單階段目標(biāo)檢測(cè)的農(nóng)作物病害檢測(cè)算法在復(fù)雜背景下(如遮擋目標(biāo)或背景類似)對(duì)病害的檢測(cè)效果一般。

圖5 番茄灰斑病的早期檢測(cè)

3.3 農(nóng)作物病害嚴(yán)重程度評(píng)估的卷積神經(jīng)網(wǎng)絡(luò)模型

農(nóng)作物圖像很容易受到復(fù)雜背景的干擾，尤其是同類病害的不同嚴(yán)重程度之間的紋理顏色等特征非常相似，因此基于傳統(tǒng)機(jī)器視覺(jué)的農(nóng)作物病害嚴(yán)重程度評(píng)估算法很難提取到關(guān)鍵特征，該類評(píng)估算法的準(zhǔn)確率較低。

針對(duì)農(nóng)作物病害的嚴(yán)重程度等級(jí)間特征差異小的問(wèn)題，現(xiàn)有研究中，學(xué)者們采用大量數(shù)據(jù)來(lái)訓(xùn)練網(wǎng)絡(luò)，構(gòu)建并優(yōu)化卷積神經(jīng)網(wǎng)絡(luò)模型實(shí)現(xiàn)農(nóng)作物病害的嚴(yán)重程度評(píng)估，主要有基于圖像注意力機(jī)制的方法和基于圖像細(xì)粒度特征表達(dá)的方法。在國(guó)外，Liang等[58]提出改進(jìn)后的PD2SE-net，應(yīng)用于植物的物種識(shí)別、病害分類和病害嚴(yán)重程度的估計(jì)，用較低的計(jì)算成本獲得較好的性能。Jose等[59]提出了基于卷積神經(jīng)網(wǎng)絡(luò)的多任務(wù)系統(tǒng)組成模型，用于識(shí)別和估計(jì)咖啡葉上病害的嚴(yán)重程度，準(zhǔn)確率為95.24%。Xiang等[60]提出了一種新的基于輕量級(jí)卷積神經(jīng)網(wǎng)絡(luò)L-CSMS，用于植物病害嚴(yán)重程度的識(shí)別且運(yùn)行效果良好。在國(guó)內(nèi)，鮑文霞等[61]結(jié)合注意力和局部細(xì)粒度特征表達(dá)提出了基于循環(huán)空間變換的卷積神經(jīng)網(wǎng)絡(luò)RSTCNN，利用該網(wǎng)絡(luò)對(duì)小麥葉片的病害進(jìn)行嚴(yán)重程度評(píng)估，并且獲得較高的準(zhǔn)確率。為了便于用戶使用，一些學(xué)者通過(guò)小程序，搭建了用戶的圖形界面，實(shí)現(xiàn)模型可視化識(shí)別應(yīng)用。如萬(wàn)軍杰等[62]將GoogleNet模型和遷移學(xué)習(xí)相結(jié)合提出改進(jìn)的模型，在6種果園作物共25類病蟲(chóng)害數(shù)據(jù)樣本上進(jìn)行病害識(shí)別和病害程度分級(jí)，其中病害程度分級(jí)的平均精度為92.78%，同時(shí)在MATLAB平臺(tái)上設(shè)計(jì)成可視化系統(tǒng)。郭小清等[63]利用改進(jìn)的Multi-Scale AlexNet模型對(duì)番茄葉部病害識(shí)別，番茄的葉部病害和每種病害早、中、晚期的平均識(shí)別準(zhǔn)確率為92.7%，還開(kāi)發(fā)出基于Android平臺(tái)的病害識(shí)別系統(tǒng)。王美華等[64]提出新的注意力模塊，在農(nóng)作物病蟲(chóng)害數(shù)據(jù)集上進(jìn)行細(xì)粒度識(shí)別，具有較高的病害程度識(shí)別準(zhǔn)確率，同時(shí)搭建了病害嚴(yán)重程度評(píng)估的小程序。

總體來(lái)看，農(nóng)作物病害嚴(yán)重程度評(píng)估的卷積神經(jīng)網(wǎng)絡(luò)模型已取得良好的評(píng)估效果，但是現(xiàn)有算法中實(shí)驗(yàn)的數(shù)據(jù)集都是針對(duì)單張葉片或單枝植株，還無(wú)法在復(fù)雜的大田環(huán)境中去準(zhǔn)確評(píng)估農(nóng)作物的病害程度。

4 總結(jié)與展望

本文系統(tǒng)闡述了農(nóng)作物病害檢測(cè)與識(shí)別的卷積神經(jīng)網(wǎng)絡(luò)模型的研究進(jìn)展。首先介紹了傳統(tǒng)病害識(shí)別的常用方法，然后簡(jiǎn)要介紹了卷積神經(jīng)網(wǎng)絡(luò)典型網(wǎng)絡(luò)模型，最后從病害的分類識(shí)別、病害目標(biāo)檢測(cè)和病害嚴(yán)重程度的評(píng)估三個(gè)方面對(duì)目前的研究做了描述與總結(jié)。

通過(guò)進(jìn)展分析可以看出，雖然農(nóng)作物病害檢測(cè)與識(shí)別的卷積神經(jīng)網(wǎng)絡(luò)模型的結(jié)構(gòu)設(shè)計(jì)越來(lái)越優(yōu)化，模型運(yùn)行的精確度逐漸被提升，模型參數(shù)減少的同時(shí)，模型的推理和訓(xùn)練速度不斷加快，然而農(nóng)作物病害檢測(cè)與識(shí)別的卷積神經(jīng)網(wǎng)絡(luò)模型仍然存在一定的局限性，未來(lái)的研究方向歸納如下。

1) 如何獲取高質(zhì)量的農(nóng)作物病害數(shù)據(jù)集。目前所建立的農(nóng)作物病害圖像數(shù)據(jù)庫(kù)，較大部分是在實(shí)驗(yàn)室條件下拍攝，較少部分在自然條件下拍攝，這樣采集到的病害圖像生理機(jī)理較差，很難訓(xùn)練出魯棒性強(qiáng)、抗干擾力強(qiáng)的病害識(shí)別模型。因此，建立一個(gè)統(tǒng)一的農(nóng)作物病害圖像采集標(biāo)準(zhǔn)和規(guī)范的農(nóng)作物病害圖像數(shù)據(jù)庫(kù)是值得深入研究的。

2) 如何提升網(wǎng)絡(luò)的泛化性能?，F(xiàn)有的識(shí)別網(wǎng)絡(luò)都是針對(duì)特定類型的農(nóng)作物病害所設(shè)計(jì)的，無(wú)法在不同類型病害的數(shù)據(jù)集上進(jìn)行推廣使用，因此網(wǎng)絡(luò)模型的泛化性能有待提高。

3) 如何提升大田環(huán)境中農(nóng)作物監(jiān)測(cè)性能。在大田環(huán)境中的農(nóng)作物監(jiān)測(cè)任務(wù)中需要設(shè)計(jì)小病斑檢測(cè)算法進(jìn)行農(nóng)作的病害檢測(cè)，同時(shí)要在小算力的邊緣計(jì)算平臺(tái)上進(jìn)行實(shí)時(shí)的農(nóng)作物病害檢測(cè)。因此基于小病斑的農(nóng)作物病害檢測(cè)算法和基于小算力邊緣平臺(tái)的實(shí)時(shí)病害檢測(cè)算法尚待研究。

4) 如何進(jìn)行大面積植株受病的范圍定位、病害嚴(yán)重程度的評(píng)估以及單枝植株的病害預(yù)警。目前通過(guò)田間攝像頭或者智能手機(jī)采集到的農(nóng)作物病害圖像只是獲取了植株病葉的表面信息，然而在實(shí)際應(yīng)用中，大面積植株受病的范圍定位、病害嚴(yán)重程度的評(píng)估以及單枝植株的病害預(yù)警都是難題。因此，能夠?qū)?shí)際環(huán)境中農(nóng)作物病害區(qū)域進(jìn)行實(shí)時(shí)的檢測(cè)且能高效定位病害區(qū)域并進(jìn)行嚴(yán)重程度評(píng)估也是今后的研究重點(diǎn)。