吳俊鵬，黃光文，李君, 2

(1. 華南農(nóng)業(yè)大學(xué)工程學(xué)院，廣州市，510642； 2. 廣東省農(nóng)業(yè)人工智能重點(diǎn)實(shí)驗(yàn)室, 廣州市，510642)

0 引言

水果產(chǎn)業(yè)是我國(guó)農(nóng)業(yè)的重要組成部分，是糧食、蔬菜之后的第三大農(nóng)業(yè)種植產(chǎn)業(yè)[1]。2020年全國(guó)果園總面積12.65萬(wàn)平方千米，年水果總產(chǎn)量2.87億噸[2]，穩(wěn)居全球首位。感染病害是導(dǎo)致水果減產(chǎn)的重要原因，造成的平均損失約10%[3]，最大損失可達(dá)80%[4]，帶來(lái)嚴(yán)重經(jīng)濟(jì)損失。在生產(chǎn)中，許多果農(nóng)難以及時(shí)掌握水果病害信息，導(dǎo)致錯(cuò)失防控良機(jī)，或者盲目過(guò)量施藥。及時(shí)準(zhǔn)確地檢測(cè)出水果病害，有助于實(shí)現(xiàn)水果生產(chǎn)過(guò)程的病害精準(zhǔn)管理，減少化學(xué)藥劑的使用，提升水果產(chǎn)量和品質(zhì)。

通過(guò)視覺(jué)與光譜技術(shù)實(shí)現(xiàn)水果病害檢測(cè)是當(dāng)前研究熱點(diǎn)，一些高經(jīng)濟(jì)價(jià)值的水果如柑橘[5-6]、草莓[7-8]、蘋(píng)果[9-10]等的典型病害檢測(cè)已有一定的研究。視覺(jué)與光譜檢測(cè)具有無(wú)損性、直觀性、實(shí)時(shí)性和準(zhǔn)確性的特點(diǎn)，符合水果病害檢測(cè)的需求，在病害早期檢測(cè)、病情分級(jí)等領(lǐng)域有明顯優(yōu)勢(shì)[11]。還解決了基于專(zhuān)家經(jīng)驗(yàn)、統(tǒng)計(jì)學(xué)、生物化學(xué)等的傳統(tǒng)檢測(cè)方法存在效率低、主觀性大、應(yīng)用難度大等缺點(diǎn)[12-13]。本文介紹了部分國(guó)內(nèi)外學(xué)者關(guān)于水果病害視覺(jué)與光譜檢測(cè)技術(shù)的最新研究進(jìn)展，以期為生產(chǎn)實(shí)踐和后續(xù)的深入研究提供參考。

1 機(jī)器視覺(jué)檢測(cè)方法

水果在感染某種病害后，在其葉片、果實(shí)等相應(yīng)部位通常會(huì)呈現(xiàn)出肉眼可觀察到的特定表征，例如枯黃、褐變、病斑等，這為機(jī)器視覺(jué)檢測(cè)水果病害提供了理論可能。而攝像頭是一種成本低、應(yīng)用廣的傳感器。因此，基于機(jī)器視覺(jué)技術(shù)分析攝像頭拍攝的圖像數(shù)據(jù)，開(kāi)展水果病害檢測(cè)的研究，貼近水果產(chǎn)業(yè)的實(shí)際生產(chǎn)需求，有利于未來(lái)技術(shù)落地推廣。

1.1 傳統(tǒng)圖像處理技術(shù)

傳統(tǒng)圖像處理技術(shù)主要通過(guò)一定的邏輯和算法來(lái)理解圖片中的內(nèi)容，特別是顏色、紋理等特征，從而實(shí)現(xiàn)水果病害的檢測(cè)。圖像處理技術(shù)經(jīng)過(guò)多年發(fā)展已經(jīng)有相對(duì)成熟的理論方法，常見(jiàn)方法包括圖像增強(qiáng)、色彩空間變換、邊緣檢測(cè)、圖像分割、形態(tài)學(xué)處理等[14]。然而研究者仍在繼續(xù)研究創(chuàng)新，進(jìn)一步挖掘圖像處理技術(shù)的潛力。邵彧等[15]提出了一種基于圖像處理技術(shù)的蘋(píng)果葉片病害檢測(cè)方法，利用GrabCut和分水嶺圖像分割算法去除背景，再通過(guò)判別局部保持投影算法提取葉片病害的特征，最后通過(guò)K-最近鄰分類(lèi)器實(shí)現(xiàn)病害檢測(cè)，識(shí)別準(zhǔn)確率為91.84%，較傳統(tǒng)方法提升了3～5個(gè)百分點(diǎn)。

此外，基于傳統(tǒng)圖像處理技術(shù)的水果病害檢測(cè)方法對(duì)結(jié)果有較好的解釋性，有利于與植保農(nóng)藝研究相結(jié)合。圖像處理算法中每個(gè)參數(shù)都有具體的物理意義，可以從數(shù)學(xué)上對(duì)水果病害的幾何、光學(xué)、物理等性質(zhì)進(jìn)行建模。孫世鵬等在通過(guò)圖像處理技術(shù)檢測(cè)冬棗黑斑類(lèi)病害的研究中，對(duì)圖像在RGB、HSB和Lab顏色空間的9個(gè)顏色分量進(jìn)行分析建模，病害檢測(cè)正確率為 94.2%，達(dá)到了較佳檢測(cè)效果。該研究中，可以結(jié)合冬棗感染黑斑類(lèi)病害后的顏色特征變化的相關(guān)研究，驗(yàn)證顏色分量分析過(guò)程的合理性，以提高病害檢測(cè)模型的科學(xué)性。

1.2 深度學(xué)習(xí)技術(shù)

當(dāng)前關(guān)于機(jī)器視覺(jué)技術(shù)在水果病害識(shí)別中的應(yīng)用的研究更多著眼于深度學(xué)習(xí)領(lǐng)域[16]。深度學(xué)習(xí)是一種學(xué)習(xí)數(shù)據(jù)表示的多級(jí)方法，強(qiáng)調(diào)從連續(xù)的層中進(jìn)行學(xué)習(xí)，這些層對(duì)應(yīng)越來(lái)越有意義的表示[17]，最終實(shí)現(xiàn)對(duì)數(shù)據(jù)的理解。深度學(xué)習(xí)模型對(duì)水果病害特征有很強(qiáng)的自動(dòng)學(xué)習(xí)能力，極大地簡(jiǎn)化了研究流程，對(duì)葡萄[18-19]、柑橘[20-21]、蘋(píng)果[22-23]等典型水果病害均展現(xiàn)了較好的檢測(cè)效果。Zhong等[24]提出了一種基于深度學(xué)習(xí)的蘋(píng)果葉片病害檢測(cè)方法，在DenseNet-121深度卷積網(wǎng)絡(luò)的基礎(chǔ)上提出回歸、多標(biāo)簽分類(lèi)和焦點(diǎn)損失函數(shù)三種優(yōu)化方法，準(zhǔn)確率超過(guò)93%。訓(xùn)練深度學(xué)習(xí)模型通常需要大量圖片數(shù)據(jù)集，PlantVillage、PlantDoc和PlantDisease等國(guó)際知名的大型公開(kāi)數(shù)據(jù)庫(kù)收集了大量水果病害的圖片[25]，為研究者開(kāi)展研究提供了數(shù)據(jù)。針對(duì)水果病害檢測(cè)的特點(diǎn)優(yōu)化深度學(xué)習(xí)算法并改良模型結(jié)構(gòu)是該領(lǐng)域的研究重點(diǎn)之一，公開(kāi)數(shù)據(jù)庫(kù)也便于研究者驗(yàn)證深度學(xué)習(xí)模型優(yōu)化的效果。尚遠(yuǎn)航等[26]利用PlantVillage數(shù)據(jù)庫(kù)中大量葡萄、草莓、蘋(píng)果等水果病害的圖片數(shù)據(jù)展開(kāi)研究，提出一種基于混合注意力機(jī)制改良深度殘差網(wǎng)絡(luò)的水果病害檢測(cè)方法，注意力機(jī)制有助于深度學(xué)習(xí)模型選擇性地關(guān)注更重要的輸入特征，以提高檢測(cè)精度，該方法經(jīng)測(cè)試準(zhǔn)確率為92.08%，較改良前提升8.76個(gè)百分點(diǎn)。

除了公開(kāi)數(shù)據(jù)集中收錄的常見(jiàn)水果的典型病害，還有大量沒(méi)被收錄的其他水果病害，如荔枝霜疫病等。研究者需要自行采集水果病害圖像，構(gòu)建數(shù)據(jù)集。受限于各種因素，這種數(shù)據(jù)集規(guī)模通常不大。因此，基于有限的數(shù)據(jù)集規(guī)模，通過(guò)深度學(xué)習(xí)技術(shù)實(shí)現(xiàn)水果病害檢測(cè)對(duì)生產(chǎn)有重要價(jià)值，是當(dāng)前備受關(guān)注的領(lǐng)域。肖偉等[27]研究了匹配網(wǎng)絡(luò)、原型網(wǎng)絡(luò)和關(guān)系網(wǎng)絡(luò)等針對(duì)小規(guī)模數(shù)據(jù)集的深度學(xué)習(xí)框架在水果病害檢測(cè)應(yīng)用的效果，通過(guò)試驗(yàn)發(fā)現(xiàn)雖然訓(xùn)練樣本的減少會(huì)降低模型的檢測(cè)準(zhǔn)確率，但選擇合適的小樣本深度學(xué)習(xí)模型并做針對(duì)性?xún)?yōu)化，可以降低數(shù)據(jù)采集難度，減少模型訓(xùn)練時(shí)間，對(duì)水果病害的檢測(cè)效果可以逼近大樣本模型。此外，同一種病害感染不同水果的癥狀往往有一定的聯(lián)系，利用深度學(xué)習(xí)的遷移學(xué)習(xí)能力可以在數(shù)據(jù)集規(guī)模有限的條件下有效建模，充分利用基于大規(guī)模數(shù)據(jù)集訓(xùn)練的效果良好的水果病害檢測(cè)模型，有利于深度學(xué)習(xí)檢測(cè)水果病害的技術(shù)更廣泛地應(yīng)用于不同的水果。Afifi等[28]提出了一種使用有限數(shù)據(jù)自動(dòng)識(shí)別植物病害的深度學(xué)習(xí)網(wǎng)絡(luò)，通過(guò)大型公開(kāi)數(shù)據(jù)集訓(xùn)練基線(xiàn)模型，以此為基礎(chǔ)運(yùn)用遷移學(xué)習(xí)、Triplet網(wǎng)絡(luò)和深度對(duì)抗度量學(xué)習(xí)等技術(shù)構(gòu)建可以從少量數(shù)據(jù)中學(xué)習(xí)的小樣本模型，其效果可以達(dá)到基線(xiàn)模型的81%。該研究的思路較為新穎，打破了研究深度學(xué)習(xí)檢測(cè)作物病害通常著眼于具體某一種作物病害的局限，考慮不同的作物的同種病害的共通性，提高了深度學(xué)習(xí)技術(shù)解決水果病害檢測(cè)問(wèn)題的泛化能力，更適合實(shí)際應(yīng)用。

2 光譜技術(shù)檢測(cè)方法

利用光譜技術(shù)檢測(cè)水果病害是當(dāng)前研究熱點(diǎn)，大量研究表明水果作物的果實(shí)、葉片等器官在受到病害侵染時(shí)，外部形態(tài)和生理機(jī)能發(fā)生變化的同時(shí)，光譜特征會(huì)隨之發(fā)生變化。光譜傳感器對(duì)這種細(xì)微變化具有高度敏感性[29]，這為使用光譜技術(shù)來(lái)檢測(cè)水果病害，甚至是判斷病害嚴(yán)重程度提供了理論可能。

2.1 透射光譜技術(shù)

透射光譜技術(shù)主要應(yīng)用于檢測(cè)一些為害果實(shí)內(nèi)部的病原性和生理性水果病害，如蘋(píng)果霉心病[30]、菠蘿水心病[31]等。此類(lèi)病害沒(méi)有顯著的表面癥狀，感染后自?xún)?nèi)而外地破壞水果內(nèi)部，使得果肉逐漸腐壞。因而具有很強(qiáng)的隱蔽性，難以被及時(shí)發(fā)現(xiàn)。透射光譜檢測(cè)設(shè)備通常包括暗箱、遮光托盤(pán)、光源、光譜儀等，被測(cè)水果樣品放置于光源和光譜儀之間，使光譜儀接收由光源發(fā)出并穿過(guò)樣本后的光線(xiàn)[32]。透射光在穿透被測(cè)水果樣本時(shí)，水果內(nèi)部物質(zhì)會(huì)吸收、削弱特定頻率的光。分析健康水果和患病水果的透射光譜特性，可以實(shí)現(xiàn)水果內(nèi)部病害的無(wú)損檢測(cè)。徐賽等[33]提出了一種基于透射光譜技術(shù)的菠蘿水心病無(wú)損檢測(cè)方法，結(jié)合多項(xiàng)式平滑、標(biāo)準(zhǔn)正態(tài)變量校正和概率神經(jīng)網(wǎng)絡(luò)等方法構(gòu)建模型，在不同波段中驗(yàn)證檢測(cè)效果，最高達(dá)到98.51%。在實(shí)際應(yīng)用中，透射光譜檢測(cè)水果病害會(huì)受到許多因素的干擾，如水果尺寸形態(tài)、操作方法等。Tian等[34]研究了果實(shí)大小(即光程長(zhǎng)度)對(duì)蘋(píng)果霉心病透射光譜檢測(cè)的影響，提出了一種基于水果尺寸的光譜校正方法。建立了一個(gè)計(jì)算果實(shí)內(nèi)部透射光消光系數(shù)的公式?；诖耍瑧?yīng)用誤差反向傳播人工神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)模型驗(yàn)證了霉心病檢測(cè)效果，準(zhǔn)確率達(dá)到90.20%，比校正前高5.89個(gè)百分點(diǎn)。秦楷等[35]通過(guò)試驗(yàn)比較了透射光譜檢測(cè)時(shí)四種不同的擺放姿態(tài)的影響，并比較了不同的建模分析方法，結(jié)果表明豎放柄朝上是最佳擺放方式，偏最小二乘判別分析模型的檢測(cè)效果最佳，準(zhǔn)確率最高達(dá)到93.75%。

2.2 反射光譜技術(shù)

反射光譜技術(shù)在水果病害檢測(cè)領(lǐng)域的應(yīng)用更廣，主要用于檢測(cè)一些為害果實(shí)、葉片表面的病原性水果病害，如柑橘黃龍病[36-37]、酥梨炭疽病[38]、番茄灰霉病[39]、番茄花葉病[40]等。水果感染此類(lèi)病害后，為害部位的表面的一些理化指標(biāo)會(huì)發(fā)生變化，逐漸出現(xiàn)各類(lèi)病斑、霉?fàn)钗铩⒖蔹S等癥狀[41]，反射光譜技術(shù)可以敏銳地檢測(cè)這種變化。反射光譜檢測(cè)可以在暗箱試驗(yàn)臺(tái)進(jìn)行，也可以利用便攜式光譜儀[42]在田間進(jìn)行。檢測(cè)時(shí)光譜儀和光源布置在被測(cè)水果樣本的同側(cè)，光線(xiàn)與被測(cè)水果樣本的表面和內(nèi)部相互作用，經(jīng)過(guò)一段相對(duì)復(fù)雜的光學(xué)過(guò)程后離開(kāi)樣本表面，被光譜儀、高光譜相機(jī)等設(shè)備接收。分析光譜數(shù)據(jù)中蘊(yùn)含的特征信息，可以實(shí)現(xiàn)水果病害的檢測(cè)。張昭等[43]對(duì)葡萄霜霉病的早期檢測(cè)和防治展開(kāi)了研究，通過(guò)分析從健康到患病的連續(xù)6天的葡萄葉片反射光譜數(shù)據(jù)，優(yōu)選出4個(gè)波段特征，并構(gòu)建支持向量機(jī)霜霉病檢測(cè)模型，最高準(zhǔn)確率達(dá)到84.6%，實(shí)現(xiàn)了葡萄霜霉病顯癥前的早期檢測(cè)。Xie等[44]研究了通過(guò)光譜反射率檢測(cè)柑橘黑斑病，基于偏最小二乘分析的回歸系數(shù)選擇有效波長(zhǎng)，并建立K-最近鄰模型，對(duì)早期階段黑斑病檢測(cè)準(zhǔn)確率達(dá)到93.8%。Jiang等[45]分析草莓葉片炭疽病和灰霉病不同發(fā)病階段的反射光譜數(shù)據(jù)，結(jié)合光譜指紋特征提取和深度學(xué)習(xí)方法建立模型，獲得了相對(duì)較好的準(zhǔn)確度(100%)和穩(wěn)健的性能，在草莓明顯出現(xiàn)疾病跡象之前識(shí)別出無(wú)癥狀的真菌感染類(lèi)別。由此可見(jiàn)，反射光譜檢測(cè)方法在水果病害早期檢測(cè)領(lǐng)域有很大的應(yīng)用潛力，有助于在水果被感染但尚未出現(xiàn)明顯癥狀的階段便及時(shí)發(fā)現(xiàn)病害。

一些研究者還做了更為細(xì)致的研究，通過(guò)反射光譜技術(shù)實(shí)現(xiàn)水果病害的嚴(yán)重程度分級(jí)檢測(cè)，為精準(zhǔn)施藥等病害防控工作提供更為準(zhǔn)確的參考。Hou等[46]在反射光譜檢測(cè)葡萄卷葉病的研究中，按照嚴(yán)重程度劃分了4個(gè)類(lèi)別，應(yīng)用蟻群聚類(lèi)算法建模分析，4個(gè)類(lèi)別平均準(zhǔn)確率最高為84.33%。Xie等[47]在番茄葉片灰霉病的研究中，按照嚴(yán)重程度劃分了6個(gè)類(lèi)別，并對(duì)反射光譜數(shù)據(jù)建模分析，6個(gè)類(lèi)別平均準(zhǔn)確率最高為61.11%，而若僅以是否染病劃分為2類(lèi)，則準(zhǔn)確率最高達(dá)到97.22%。相較而言，反射光譜檢測(cè)水果病害嚴(yán)重程度的準(zhǔn)確性不高。這是由于水果病害的發(fā)展是一個(gè)連續(xù)的過(guò)程，而病害嚴(yán)重程度通常不隨時(shí)間呈線(xiàn)性趨勢(shì)。因而一些樣本容易被誤檢為相鄰的類(lèi)別，特別是在類(lèi)別劃分較多的模型中。如何更為科學(xué)地劃分染病階段，并通過(guò)優(yōu)化光譜數(shù)據(jù)分析方法提高水果病害的嚴(yán)重程度分級(jí)檢測(cè)的準(zhǔn)確性，值得進(jìn)一步深入研究。

2.3 光譜數(shù)據(jù)分析方法

通過(guò)透射或反射光譜技術(shù)得到的一般是若干光譜曲線(xiàn)，對(duì)此進(jìn)行數(shù)據(jù)分析并建立模型，構(gòu)建光譜數(shù)據(jù)與水果病害信息之間的定性關(guān)系，以實(shí)現(xiàn)水果病害的檢測(cè)。原始光譜數(shù)據(jù)中除了包含有效信息之外，還會(huì)受到水果樣品表面的各種物理性質(zhì)特征的影響而產(chǎn)生噪聲和散射現(xiàn)象。運(yùn)用適當(dāng)?shù)墓庾V預(yù)處理方法能夠有效消除背景噪聲及特定物理因素的干擾，提高圖譜與水果樣品屬性之間的相關(guān)性。常用的方法有SG平滑法、多元散射校正(MSC)、標(biāo)準(zhǔn)正態(tài)變量變換(SNV)等。

在分析光譜數(shù)據(jù)的過(guò)程中，提取光譜特征是關(guān)鍵步驟。用光譜特征替代大量的原始數(shù)據(jù)，可以使得建模分析更加簡(jiǎn)潔、高效、準(zhǔn)確，有利于提高模型的預(yù)測(cè)能力，還可以在投入實(shí)際生產(chǎn)應(yīng)用時(shí)大幅度降低成本。常用的方法有競(jìng)爭(zhēng)性自適應(yīng)重加權(quán)采樣法(CARS)、連續(xù)投影算法(SPA)、主成分分析(PCA)、線(xiàn)性判別分析(LDA)等，一些常見(jiàn)水果病害的光譜特征[47-50]如表1所示。

表1 常見(jiàn)水果病害的光譜特征Tab. 1 Spectral characteristics of typical fruit diseases

要實(shí)現(xiàn)通過(guò)光譜數(shù)據(jù)對(duì)水果病害信息進(jìn)行正確判斷，本質(zhì)是定性分類(lèi)問(wèn)題。常見(jiàn)的無(wú)監(jiān)督學(xué)習(xí)建模方法有聚類(lèi)算法、k均值算法等，常見(jiàn)的有監(jiān)督學(xué)習(xí)建模方法有K鄰近法(KNN)、支持向量機(jī)(SVM)、人工神經(jīng)網(wǎng)絡(luò)(ANN)等。

3 展望

水果產(chǎn)業(yè)具有很高的經(jīng)濟(jì)價(jià)值，在水果種植生產(chǎn)過(guò)程中，有效防控病害是水果產(chǎn)量、質(zhì)量和收益的有力保障。在當(dāng)前農(nóng)業(yè)現(xiàn)代化快速發(fā)展的大背景下，對(duì)水果病害防控有了新的目標(biāo)和要求。一方面，果園種植生產(chǎn)朝著規(guī)?；?、機(jī)械化、智能化的方向發(fā)展，另一方面，新時(shí)代綠色無(wú)公害的消費(fèi)觀念要求水果種植過(guò)程中盡可能少地使用化學(xué)藥劑，應(yīng)當(dāng)根據(jù)病害情況精準(zhǔn)施藥?；诖耍P(guān)于水果病害智能識(shí)別檢測(cè)的研究應(yīng)運(yùn)而生，能夠及時(shí)、準(zhǔn)確、可靠地判斷作物病害狀況，是實(shí)現(xiàn)精準(zhǔn)施藥的基本前提?；谝曈X(jué)與光譜技術(shù)的水果病害檢測(cè)方法將為化學(xué)藥劑噴施提供重要依據(jù)，對(duì)于水果病害精準(zhǔn)防控具有重要意義，也是精準(zhǔn)農(nóng)業(yè)這個(gè)未來(lái)發(fā)展大趨勢(shì)的要求。

3.1 機(jī)器視覺(jué)檢測(cè)方法的優(yōu)化和應(yīng)用

從國(guó)內(nèi)外研究現(xiàn)狀來(lái)看，機(jī)器視覺(jué)技術(shù)方法在一定的條件下可以較好地實(shí)現(xiàn)水果病害檢測(cè)?；趥鹘y(tǒng)圖像處理的方法理論成熟，且具有對(duì)水果病害檢測(cè)過(guò)程解釋性強(qiáng)等優(yōu)點(diǎn)，仍然值得進(jìn)一步深入研究，并與深度學(xué)習(xí)等其他方法融合應(yīng)用。而深度學(xué)習(xí)是當(dāng)下機(jī)器視覺(jué)領(lǐng)域的主流技術(shù)，在準(zhǔn)確性、通用性等方面具備優(yōu)勢(shì)，進(jìn)一步提高模型應(yīng)對(duì)真實(shí)應(yīng)用場(chǎng)景中的復(fù)雜環(huán)境的能力是研究熱點(diǎn)。

關(guān)于基于機(jī)器視覺(jué)技術(shù)的水果病害檢測(cè)方法的進(jìn)一步研究中，提升檢測(cè)的準(zhǔn)確性和魯棒性是研究重點(diǎn)。準(zhǔn)確性是評(píng)價(jià)水果病害檢測(cè)效果的核心指標(biāo)，魯棒性是體現(xiàn)水果病害檢測(cè)方法在真實(shí)環(huán)境中效果的關(guān)鍵指標(biāo)，二者很大程度上決定了水果病害檢測(cè)方法的實(shí)用性，也是研究者們持續(xù)關(guān)注的焦點(diǎn)。通過(guò)應(yīng)用更先進(jìn)、合適的模型，針對(duì)水果病害檢測(cè)任務(wù)對(duì)模型作優(yōu)化改良，調(diào)整改進(jìn)數(shù)據(jù)采集、模型訓(xùn)練的方式等方面，提高基于機(jī)器視覺(jué)技術(shù)的水果病害檢測(cè)方法的準(zhǔn)確性和魯棒性。此外，檢測(cè)模型的輕量化也是值得關(guān)注的問(wèn)題。在實(shí)際應(yīng)用中，更輕量化、簡(jiǎn)潔的水果病害檢測(cè)模型，意味著對(duì)硬件性能更克制的需求，有利于在實(shí)際應(yīng)用過(guò)程中控制成本，更好地推廣。

關(guān)于機(jī)器視覺(jué)水果病害檢測(cè)方法的應(yīng)用，得益于攝像頭的低廉設(shè)備成本，是當(dāng)前最有可能推廣的技術(shù)路線(xiàn)?；跈C(jī)器視覺(jué)技術(shù)的水果病害檢測(cè)方法通過(guò)嵌入式開(kāi)發(fā)集成部署到微型計(jì)算機(jī)上，結(jié)合邊緣計(jì)算、物聯(lián)網(wǎng)等網(wǎng)絡(luò)通訊技術(shù)，搭載到果園監(jiān)控系統(tǒng)、巡檢小車(chē)或是其他作業(yè)設(shè)備上，擴(kuò)大病害檢測(cè)的覆蓋范圍，實(shí)現(xiàn)全天候的持續(xù)檢測(cè)，以及時(shí)預(yù)警水果病害。

3.2 光譜技術(shù)檢測(cè)方法的優(yōu)化和應(yīng)用

基于光譜技術(shù)的水果病害檢測(cè)方法相較機(jī)器視覺(jué)方法有更高的敏感性，有利于提高對(duì)水果病害檢測(cè)的準(zhǔn)確性，特別是有望發(fā)現(xiàn)已感染而未呈現(xiàn)癥狀的潛伏期階段的水果病害，也可以實(shí)現(xiàn)水果病害嚴(yán)重程度分級(jí)等精度更高的檢測(cè)。

關(guān)于基于光譜技術(shù)的水果病害檢測(cè)方法的進(jìn)一步研究中，特征波長(zhǎng)是研究重點(diǎn)。通過(guò)一定的方法優(yōu)選出可以表征水果病害的光譜波長(zhǎng)以剔除冗余波長(zhǎng)，提高模型效率，降低應(yīng)用成本。除了深入研究?jī)?yōu)化目前常見(jiàn)的特征波長(zhǎng)選取方法外，可以嘗試與深度學(xué)習(xí)等當(dāng)前最新的分析技術(shù)相結(jié)合。另外，光譜數(shù)據(jù)采集對(duì)環(huán)境和操作技術(shù)的要求較高，原始光譜數(shù)據(jù)難免均一性不強(qiáng)、噪聲較多。因此，如何針對(duì)原始光譜數(shù)據(jù)進(jìn)行適當(dāng)?shù)念A(yù)處理，提高均一性并去除噪聲，為后續(xù)水果病害分析打好基礎(chǔ)，值得深入研究。

關(guān)于光譜技術(shù)的水果病害檢測(cè)方法的應(yīng)用，考慮到光譜技術(shù)的工作特點(diǎn)，可以將基于光譜技術(shù)的水果病害檢測(cè)方法部署在小型便攜式設(shè)備上，應(yīng)用到采后處理的品質(zhì)檢測(cè)環(huán)節(jié)中。光譜技術(shù)是品質(zhì)檢測(cè)的常用技術(shù)路線(xiàn)，而是否存在病害也是體現(xiàn)水果品質(zhì)的一種指標(biāo)，特別是及時(shí)發(fā)現(xiàn)處在沒(méi)有顯著癥狀的病害早期的水果，可以更好地保證上市水果的品質(zhì)。

此外，為了進(jìn)一步充分發(fā)揮光譜技術(shù)的優(yōu)勢(shì)，提高種植階段對(duì)水果病害監(jiān)控的效率，可以將高光譜設(shè)備搭載到無(wú)人機(jī)上，結(jié)合低空遙感和光譜技術(shù)，以實(shí)現(xiàn)對(duì)大片果園的病害情況進(jìn)行監(jiān)測(cè)預(yù)警。真實(shí)果園種植環(huán)境中多變的光線(xiàn)條件、復(fù)雜的背景等會(huì)對(duì)光譜技術(shù)的應(yīng)用造成干擾，多設(shè)備協(xié)同的標(biāo)定也較為復(fù)雜，應(yīng)當(dāng)針對(duì)這些技術(shù)難點(diǎn)進(jìn)行攻關(guān)，使之可以在自然環(huán)境中更好地應(yīng)用。

3.3 水果病害檢測(cè)的實(shí)際生產(chǎn)應(yīng)用前景

基于視覺(jué)與光譜技術(shù)的水果病害檢測(cè)方法在投入實(shí)際生產(chǎn)應(yīng)用方面有廣闊的前景，未來(lái)隨著相關(guān)應(yīng)用研究的深入，應(yīng)選擇適合的試點(diǎn)果園，將現(xiàn)有的技術(shù)盡快地投入實(shí)際生產(chǎn)，實(shí)現(xiàn)產(chǎn)學(xué)融合。在實(shí)踐中即能更好地檢驗(yàn)現(xiàn)有檢測(cè)技術(shù)的應(yīng)用效果，也可以在實(shí)際應(yīng)用中發(fā)現(xiàn)現(xiàn)有檢測(cè)技術(shù)的缺陷、不足，同時(shí)可以積累更多更貼近實(shí)際的寶貴經(jīng)驗(yàn)和數(shù)據(jù)，為后續(xù)進(jìn)一步研究提供思路。最終將進(jìn)一步提升水果病害精準(zhǔn)防控的水平，進(jìn)而推動(dòng)化學(xué)藥劑使用的減少和水果產(chǎn)量、質(zhì)量的提升。

短期內(nèi)，基于視覺(jué)與光譜技術(shù)的水果病害檢測(cè)方法和相應(yīng)的智能設(shè)備難以完全代替人工，但智能裝備方法與傳統(tǒng)的人工識(shí)別方法相結(jié)合，作為相互的補(bǔ)充，可以很好地協(xié)同工作。智能水果病害檢測(cè)方法可以實(shí)現(xiàn)大范圍、持續(xù)性的覆蓋，以及較高的工作效率。雖然存在誤報(bào)等局限性，但通過(guò)智能裝備方法提供早期預(yù)警，再由人工去再次確認(rèn)和決策，將大幅度減小相關(guān)專(zhuān)家的工作量，提高勞動(dòng)效率。

最后，整體來(lái)看目前關(guān)于水果病害檢測(cè)的研究大多聚焦于某種特定水果，以及某種特定病害。這便產(chǎn)生了許多重復(fù)工作，導(dǎo)致研究效率低下。事實(shí)上，不同的水果病害檢測(cè)研究中所應(yīng)用的視覺(jué)或光譜技術(shù)很大程度上是相通的，乃至其他作物病害檢測(cè)均有可借鑒之處，而不同的水果作物病害檢測(cè)研究中所面臨的也是共同的技術(shù)難點(diǎn)、困難挑戰(zhàn)。在開(kāi)展水果病害檢測(cè)研究時(shí)，可以適當(dāng)統(tǒng)籌，對(duì)一些可以侵染不同水果的病害，以及某種水果的不同病害可以一并展開(kāi)研究，充分利用技術(shù)通用性，以加快研究的進(jìn)展。