麻劍鈞，劉曉慈，金龍新，熊 偉，易森林，封春芳，劉 陽，夏先亮

（1.湖南省農(nóng)業(yè)農(nóng)村信息中心，湖南 長沙 410005；2.衡陽縣優(yōu)質(zhì)農(nóng)產(chǎn)品開發(fā)中心，湖南 衡陽 421200；3.湖南省農(nóng)業(yè)信息與工程研究所，湖南 長沙 410125；4.常寧市洋泉鎮(zhèn)農(nóng)業(yè)綜合服務中心，湖南 衡陽 421524；5.衡南縣三塘鎮(zhèn)農(nóng)業(yè)綜合服務中心，湖南 衡陽 421100；6.常寧市農(nóng)業(yè)技術(shù)推廣中心，湖南 衡陽 421500）

農(nóng)作物病害是影響農(nóng)業(yè)生產(chǎn)的主要問題之一。農(nóng)作物一旦感病，不可避免的會出現(xiàn)減產(chǎn)降質(zhì)等現(xiàn)象，導致農(nóng)民收入受損，并對糧食安全構(gòu)成威脅[1-3]。傳統(tǒng)的病害識別通常依賴于肉眼觀察和經(jīng)驗判斷，這種方法既費時費力又容易受主觀因素的影響。隨著計算機視覺技術(shù)的迅速發(fā)展，采用計算機進行農(nóng)作物病害識別成為研究熱點，為人工識別效率低下、存在誤差等問題提供了新的解決方案[4-6]?；跈C器視覺的農(nóng)作物病害識別是利用計算機圖像處理和模式識別的技術(shù)，實現(xiàn)對農(nóng)作物病害的自動檢測和準確識別。該技術(shù)的發(fā)展對于提高農(nóng)作物產(chǎn)量、減少農(nóng)藥使用、增加農(nóng)民收入以及保障全球糧食安全均具有重要意義。

1 傳統(tǒng)病蟲害識別的機器學習方法

機器學習方法是一種基于數(shù)據(jù)的人工智能技術(shù)，通過從數(shù)據(jù)中自動學習，發(fā)現(xiàn)數(shù)據(jù)背后的規(guī)律和結(jié)構(gòu)，并用這些知識來做出預測、分類、聚類、決策等任務。常用于農(nóng)作物病害識別的機器學習算法主要有支持向量機（SVM）、K 近鄰算法（KNN）、隨機森林（Random Forest）和BP 神經(jīng)網(wǎng)絡（BNN）等，需要分割圖像，提取病害區(qū)域的顏色、紋理、形狀和光譜等特征信息，然后輸入上述算法訓練并構(gòu)建出病害識別模型[7-11]。

國內(nèi)外對于機器學習算法在農(nóng)作物病害識別方向的應用進行了廣泛的研究。Hossain 等[12]采用K-means 對葉片病斑進行分割，將提取的顏色和紋理特征輸入到KNN 中進行分類，獲得了96.76%的識別準確率。張鑠等[13]使用K-means 分割病害圖像的紋理特征，然后使用SVM 進行分類，最高識別精度到達了90.67%。郭小清等[14]提取番茄葉病害的顏色和紋理特征，傳入到SVM 中構(gòu)建分類模型，識別準確率達到了90%。陳麗等[15]采用遺傳算法從圖像中篩選色調(diào)I、顏色矩、形狀因子和病斑面積4 類特征，再采用概率神經(jīng)網(wǎng)絡（PNN）法進行分類，最終識別準確率達到了90.4%。張建華等[16]采用顏色矩和灰度共生矩陣提取病害的顏色和紋理特征，并結(jié)合粗糙集理論和BP 神經(jīng)網(wǎng)絡構(gòu)建分類模型，識別精度達到了92.72%。馬素萍等[17]從圖像的CIELAB 顏色空間中分割，提取紋理和RGB、HSV 空間中的顏色特征，然后使用主成分分析（PCA）和KNN 方法進行分類，獲得了92.6%的識別準確率。

雖然以上基于機器學習的病害識別方法已經(jīng)取得了一定的成效，但這些方法的實現(xiàn)需要繁瑣的圖像預處理，往往會因為手工設(shè)計和提取的特征不充足，導致訓練模型的識別效果不佳[18]。其次，構(gòu)建的模型大多是基于特定的數(shù)據(jù)集，泛化性較低。

2 自動特征提取的深度學習方法

近年來，深度學習技術(shù)被廣泛用于農(nóng)作物病害識別研究。該技術(shù)不需要人工提取病害特征，而是通過自動學習，從而更加客觀地獲得樣本內(nèi)部細節(jié)信息，更加便捷地構(gòu)建識別模型。當前在農(nóng)作物病害識別領(lǐng)域中使用最多是卷積神經(jīng)網(wǎng)絡（CNN）。卷積神經(jīng)網(wǎng)絡是受生物視覺系統(tǒng)啟發(fā)而設(shè)計的，主要由卷積層、池化層、激活函數(shù)和全連接層構(gòu)成，這些層級結(jié)構(gòu)使得網(wǎng)絡能夠從輸入數(shù)據(jù)中自動提取有意義的特征，從而在圖像分類、目標檢測、語義分割等任務上取得優(yōu)秀的性能。常用的卷積神經(jīng)網(wǎng)絡框架有AlexNet、VGGNet、GoogLeNet、ResNet、DenseNet 和MobileNet 等。深度學習方法不僅可以識別農(nóng)作物病害的種類，還可以定位到病害的具體區(qū)域并將該區(qū)域從背景中分離出來。深度學習方法無需手動提取特征，但對數(shù)據(jù)量的要求較高，為了降低數(shù)據(jù)量不充足導致的問題，預處理階段常通過數(shù)據(jù)增強方法擴充數(shù)據(jù)集。該文將從病害分類、病害檢測和病害分割3 個方面介紹深度學習方法在農(nóng)作物病害識別中的應用。

2.1 病害分類

病害分類是利用計算機技術(shù)對農(nóng)作物的圖像進行分析，從而判斷其否患上了病害，以及判斷病害的類型和嚴重程度。該方式主要是通過將患病的農(nóng)作物病害圖像信息輸入到CNN 網(wǎng)絡中，通過訓練讓網(wǎng)絡學習到不同病害的具有辨別性的特征，然后構(gòu)建識別模型。構(gòu)建好的模型可以布置在種植現(xiàn)場，直接通過攝像頭遠程判斷農(nóng)作物是否患病及患病的類型。與傳統(tǒng)人工肉眼識別相比，該方式的識別效率和精度更好，有助于實現(xiàn)更精準、更自動化的農(nóng)作物病害監(jiān)測和防治。

蘇仕芳等[18]改進了VGG-16 網(wǎng)絡的全連接層，然后以遷移學習的方式訓練改進模型并部署到移動端，實現(xiàn)了田間葡萄葉片病害的識別。牛學德等[19]通過遷移學習構(gòu)建了一種基于DenseNet 的番茄葉片圖像識別模型，識別準確率達到了97.76%，高于VGG、AlexNet 和MobileNet 模型。張文靜等[20]通過加權(quán)平均融合MSRCR 和Gamma 算法對圖像進行預處理，然后訓練InceptionV3 模型對5 種病害進行識別，與未預處理后訓練的模型相比，其識別率提升了29.71%。賈鶴鳴等[21]通過深度可分離卷積、全局平均池化和批歸一化改進 VGG 網(wǎng)絡，改進后的網(wǎng)絡模型在PlantVillage 上的識別精度達到了99.43%，內(nèi)存占用空間為6.47 MB。李好等[22]通過H-Swish和ECA 模塊改進了ShuffleNet V2，構(gòu)建了一種輕量級病害識別模型，該模型的參數(shù)量約為0.295 M，在PlantVillage 上的平均識別準確率達到了99.24%。孟亮等[23]以深度卷積為基本單元構(gòu)建了輕量級農(nóng)作物病害識別模型，對辣椒、番茄和馬鈴薯病害的識別精度達到了98.32%。

2.2 病害檢測

病害檢測是通過計算機視覺技術(shù)，識別和定位農(nóng)作物病害的位置和范圍的過程。與病害分類不同，病害檢測不僅可以判斷圖像中是否存在病害，還能夠精確定位病害在圖像中的具體位置。病害檢測可以幫助農(nóng)業(yè)專家對病害進行更準確地分析，并進行量化，同時識別多個病害，從而提供全面的病害信息。

李偉豪等[24]將Yolov7-T 網(wǎng)絡中的LeakReLU激活函數(shù)替換為SiLU 激活函數(shù)，同時通過融合坐標注意力機制進一步提升對目標輪廓和空間位置的特征感知能力，構(gòu)建了一種輕量型的茶葉病害檢測模型，準確率達到了94.2%。李康順等[25]使用卷積注意力模塊CBAM 改進YOLOX-Nano 網(wǎng)絡的特征金字塔結(jié)構(gòu)，并將二分類交叉熵損失函數(shù) （Binary cross entropy loss，BCE Loss）和回歸損失函數(shù)分別替換為焦點損失函數(shù)（Focal Loss）和CenterIOU Loss 函數(shù)，構(gòu)建了一種農(nóng)作物病害檢測模型，平均識別精度達到99.56%。孫豐剛等[26]通過采用遷移學習、卷積注意力模塊和加權(quán)雙向特征金字塔網(wǎng)絡改進YOLOv5s 模型，構(gòu)建了蘋果果實病害檢測模型，該模型在IoU 閾值為0.5 下的平均精度均值（mAP0.5）達到了0.916，較原始模型提升了8.5%，可以實現(xiàn)果實病害的快速檢測。Liu 等[27]使用加入特征金字塔的 YOLOv3 對常見番茄病害進行識別，平均精度達到 92.39%。儲鑫等[28]提出一種基于改進YOLOv4 算法的輕量化番茄葉部病害識別方法，相較于原YOLOv4 模型，模型參數(shù)量減少80%，每秒傳輸幀數(shù)比原始YOLOv4 模型提高了130%。邱菊等[29]使用YOLOv5s 構(gòu)建了草莓病害識別系統(tǒng)，結(jié)果顯示系統(tǒng)識別精度接近80%，相較于傳統(tǒng)草莓病害識別技術(shù)更便捷且識別效率更高。王超學等[30]提出了一個基于YOLOv3 的葡萄病害智能識別系統(tǒng)，該系統(tǒng)由微信小程序、云服務器和葡萄病害識別模型構(gòu)成，不僅識別準確率達98.60%，識別結(jié)果、病害特征、發(fā)病原因、病害地理分布和防治建議還可以立刻反饋給用戶。

2.3 病害分割

病害分割是對農(nóng)作物或植物圖像進行分割，將圖像中的病害部分從背景和其他區(qū)域中準確挑選出來，從而幫助人類更精細地理解病害在植物上的分布和范圍，提供更詳細的病害信息，便于科學研究、病害監(jiān)測和防治。

張善文等[31]提出一種基于多尺度融合卷積神經(jīng)網(wǎng)絡（MSF-CNNs）的黃瓜病害葉片分割方法，該方法采用多尺度卷積神經(jīng)網(wǎng)絡和基于九點雙線性插值算法構(gòu)建了集編碼和解碼為一體的模型結(jié)構(gòu)，該模型對黃瓜葉病害的像素分類精度、平均分割準確率和平均交并比分別為92.38%、93.12%和91.36%，能夠滿足復雜環(huán)境下的黃瓜病害葉片圖像分割需求。曹曉麗等[32]針對復雜背景下作物病害葉片分割問題，提出一種改進模糊C 均值聚類（Fuzzy C Means，F(xiàn)CM）的作物病害圖像分割方法，對黃瓜病害葉片圖像的分割正確率達到了97.81%。王振等[33]針對傳統(tǒng)卷積神經(jīng)網(wǎng)絡在作物病害葉片圖像中分割精度低的問題，提出一種基于級聯(lián)卷積神經(jīng)網(wǎng)絡（CascadeConvolutional Neural Network，CCNN）的作物病害葉片圖像分割方法，該網(wǎng)絡基于傳統(tǒng)的VGG16 模型和多尺度卷積核構(gòu)建區(qū)域病斑檢測網(wǎng)絡和區(qū)域病斑分割網(wǎng)絡，分割精度和召回率分別為87.04%和78.31%，單幅圖像分割速度達到了0.23 s。

3 基于機器視覺的農(nóng)作物病害識別技術(shù)目前面臨的挑戰(zhàn)

盡管機器視覺在農(nóng)作物病害識別方面具有高效、準確和自動化等優(yōu)勢，但模型的推廣仍存在諸多挑戰(zhàn)。深度學習模型訓練對數(shù)據(jù)量的要求較高，但采集大規(guī)模農(nóng)作物病害圖像數(shù)據(jù)集是一項挑戰(zhàn)性工作，特別是在現(xiàn)場實際農(nóng)田環(huán)境下采集難度更大。而且，對大規(guī)模數(shù)據(jù)集進行準確標注也需要專業(yè)知識和經(jīng)驗。其次，農(nóng)作物病害的種類繁多，而且不同病害可能在不同的生長階段表現(xiàn)出不同的癥狀。同時，受環(huán)境、光照等因素的影響，農(nóng)作物圖像可能存在噪聲和變化，增加了病害識別的難度。此外，農(nóng)作物病害數(shù)據(jù)集通常存在類別不平衡的問題，某些病害樣本數(shù)量可能較少，導致模型在少數(shù)類別上表現(xiàn)不佳。對于一些罕見的或新出現(xiàn)的農(nóng)作物病害，缺乏充足的樣本數(shù)據(jù)，這會影響模型的泛化能力。模型訓練需要大量的計算資源，如何降低成本并將訓練好的模型嵌入到微型設(shè)備并部署到實際場景，仍具有一定難度。

4 總結(jié)與展望

基于機器視覺的農(nóng)作物病害識別是近年來廣受關(guān)注的研究領(lǐng)域，該技術(shù)旨在幫助農(nóng)民及時發(fā)現(xiàn)作物病害，以便采取有效的防治措施，從而有效提高農(nóng)作物的產(chǎn)量和品質(zhì)。在這個領(lǐng)域，以深度學習為代表的方法已經(jīng)取得了顯著成效，可以實現(xiàn)病害的自動化識別、檢測和精度定位，但也存在部分待優(yōu)化的地方，只有更好地解決這些問題才能真正為農(nóng)戶生產(chǎn)提供更便捷有效的幫助。

4.1 數(shù)據(jù)集和標注

當前農(nóng)作物病害數(shù)據(jù)集較少，未來可繼續(xù)努力收集和構(gòu)建更大規(guī)模、多樣化的農(nóng)作物病害數(shù)據(jù)集。為了解決數(shù)據(jù)標準費時費力、專業(yè)要求較高的問題，可進一步研究自動標注模型，以解決樣本不充足的問題。

4.2 識別與部署

開發(fā)輕量級模型或模型壓縮技術(shù)，降低模型的部署要求，提高實時性以及其在邊緣設(shè)備上的應用能力，以便將模型部署到實際種植場景，實現(xiàn)病害的實時監(jiān)測，有助于農(nóng)戶及早采取防治措施，減少病害對農(nóng)作物產(chǎn)質(zhì)量的影響。

4.3 多樣性應用

近年來，多模態(tài)信息在農(nóng)作物病害識別領(lǐng)域中發(fā)揮了重要作用，如紅外圖像、遙感數(shù)據(jù)等?？墒褂枚喾N模態(tài)信息融合的數(shù)據(jù)進一步優(yōu)化深度學習方法，以提升基于機器視覺的農(nóng)作物病害識別的性能和效率。

4.4 系統(tǒng)整合

農(nóng)作物病害識別是一種輔助農(nóng)戶種植農(nóng)產(chǎn)品的科學方法，為了進一步推動農(nóng)業(yè)發(fā)展，可將農(nóng)作物病害識別技術(shù)與預測、預警等技術(shù)相結(jié)合，為農(nóng)業(yè)生產(chǎn)提供全面的決策支持。