基于農(nóng)作物病害檢測與識別的卷積神經(jīng)網(wǎng)絡(luò)模型研究進展*

郭文娟，馮全，李相周

(1. 甘肅政法大學網(wǎng)絡(luò)空間安全學院，蘭州市，730070； 2. 甘肅農(nóng)業(yè)大學機電工程學院，蘭州市，730070)

0 引言

國家的經(jīng)濟發(fā)展離不開農(nóng)業(yè)的發(fā)展，農(nóng)作物的病害問題是制約農(nóng)業(yè)發(fā)展的關(guān)鍵因素[1-2]。因此，農(nóng)作物病害的快速準確檢測和識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)作物病害識別主要通過病害專家的肉眼去判斷識別，這樣做的弊端是耗費了大量的人力，同時病害識別的時效性得不到保障，因此會錯過農(nóng)作物病害治理的最佳時機，造成作物病害加劇導致減產(chǎn)損失。如今，隨著計算機應(yīng)用技術(shù)的快速發(fā)展，越來越多的農(nóng)作物病害智能識別技術(shù)被推廣應(yīng)用[3]。

近年來，深度學習逐漸成為人工智能領(lǐng)域的研究熱點和主流發(fā)展方向。深度學習是機器學習的分支之一，主要用來模擬人類的神經(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)樣本進行分析解釋，自動提取數(shù)據(jù)的特征信息。卷積神經(jīng)網(wǎng)絡(luò)是深度學習模型的典型代表，該模型被廣泛應(yīng)用于圖像處理領(lǐng)域，尤其在農(nóng)作物的病害檢測與識別上。本文基于農(nóng)作物病害檢測與識別的卷積神經(jīng)網(wǎng)絡(luò)模型研究，分別從農(nóng)作物病害分類識別、農(nóng)作物病害目標檢測和農(nóng)作物病害嚴重程度評估3個方面綜述農(nóng)作物病害檢測與識別的各類卷積神經(jīng)網(wǎng)絡(luò)模型相關(guān)研究進展，結(jié)合卷積神經(jīng)網(wǎng)絡(luò)模型發(fā)展和優(yōu)化歷程，對各類典型農(nóng)作物病害檢測與識別的卷積神經(jīng)網(wǎng)絡(luò)模型進行了分析對比，指出了基于農(nóng)作物病害檢測與識別的卷積神經(jīng)網(wǎng)絡(luò)模型當前存在的問題，對該領(lǐng)域未來研究方向進行了展望。

1 傳統(tǒng)的病害識別方法

如圖1所示，傳統(tǒng)的農(nóng)作物病害圖像識別過程主要包含3部分。首先是農(nóng)作物病害樣本的采集，通過輸入設(shè)備把要識別的農(nóng)作物病害信息輸入到計算機中，經(jīng)過測量、采樣和量化相關(guān)步驟，采用矩陣或向量來表示要識別對象的信息。接著是對原始圖像的預處理過程，應(yīng)用圖像增強、圖像變換、圖像平滑和圖像濾波等技術(shù)對農(nóng)作物病害原始圖像處理，期望去除噪聲，加強其中有用的信息。最后是特征提取的預選擇，為有效實現(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，利用分類器對農(nóng)作物病害圖像信息進行分類判別并做出決策。

圖1 傳統(tǒng)農(nóng)作物病害圖像識別過程

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

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

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

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

相關(guān)研究進展表明，雖然傳統(tǒng)農(nóng)作物病害識別方法能夠較準確地識別病害，但仍然存在以下弊端：農(nóng)作物病害圖像分割難度大，尤其是在復雜的背景下去準確分割農(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確性，進而不能保證病害識別的準確度；此外，主要通過農(nóng)民長期以來積累的種植經(jīng)驗去判斷農(nóng)作物的病害，因此，研究人員所選擇的特征對象缺乏公認度；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注，從而限制了數(shù)據(jù)集的數(shù)量及其規(guī)模，準確獲取目標農(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)的機器學習方法而言，深度學習通過持續(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)中自動提取特征并實現(xiàn)分類識別，有效克服了傳統(tǒng)的手動提取特征所帶來的工作效率低和分類準確率不高的難題，兩者的優(yōu)缺點如表1所示。

表1 傳統(tǒng)機器學習技術(shù)和深度學習技術(shù)的比較Tab. 1 Comparison between traditional machine learning technology and deep learning technology

作為深度學習的代表算法之一[10-11]，卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks, CNN)是一種包括了卷積計算和深層次結(jié)構(gòu)的前饋神經(jīng)網(wǎng)絡(luò)。21世紀以來，深度學習理論被提出且得到了快速的發(fā)展，同時卷積神經(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，該特點使得卷積神經(jīng)網(wǎng)絡(luò)能有效地對特定的特征進行識別，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

當前，典型的用于農(nóng)作物病害檢測與識別的卷積神經(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)作物病害檢測與識別的卷積神經(jīng)網(wǎng)絡(luò)模型

相比傳統(tǒng)的農(nóng)作物病害識別方法，基于卷積神經(jīng)網(wǎng)絡(luò)的農(nóng)作物病害檢測與識別模型在識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)作物病害檢測與識別流程

依照圖3流程所示，基于卷積神經(jīng)網(wǎng)絡(luò)的農(nóng)作物病害檢測與識別過程具體可總結(jié)為：(1)獲取農(nóng)作物病害圖像，創(chuàng)建數(shù)據(jù)集。(2)完成病害圖像的預處理。各個數(shù)據(jù)集都有各自的特征分布特點，卷積神經(jīng)網(wǎng)絡(luò)的最終目標是擬合數(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)集劃分為訓練集、驗證集和測試集。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，通常訓練集、驗證集和測試集的比例為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)，進行訓練參數(shù)調(diào)整，完成模型設(shè)計。(5)輸入訓練集和驗證集進行卷積神經(jīng)網(wǎng)絡(luò)模型訓練，直到損失函數(shù)不再收斂為止。(6)通過常用的評價指標、交叉驗證和混淆矩陣等進行模型評估。常用的評價指標有準確率、精確度、召回率和F1值等。(7)輸入未知標簽的病害圖像進行模型預測。(8)輸出對農(nóng)作物病害的預測結(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)作物病害檢測與識別的卷積神經(jīng)網(wǎng)絡(luò)模型主要從以下三個方面展開研究。

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

近年來，國內(nèi)外很多學者在公開數(shù)據(jù)集和自建數(shù)據(jù)集上訓練卷積神經(jīng)網(wǎng)絡(luò)模型，實現(xiàn)了農(nóng)作物病害的分類識別，具有較高的識別精度。

3.1.1 基于公開數(shù)據(jù)集的農(nóng)作物病害分類識別

相比其他研究領(lǐng)域，農(nóng)業(yè)領(lǐng)域中的公開數(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 公開的農(nóng)業(yè)領(lǐng)域數(shù)據(jù)集Tab. 2 Public datasets in domain of agriculture

公開數(shù)據(jù)集的廣泛應(yīng)用促生出大量優(yōu)秀的農(nóng)作物病害分類識別卷積神經(jīng)網(wǎng)絡(luò)模型，這些模型具有較高的識別精度，可以在相關(guān)研究中直接進行應(yīng)用。例如，Mohanty等[26]在PlantVillage數(shù)據(jù)集上訓練AlexNet和GoogleNet模型，通過實驗表明當訓練數(shù)據(jù)和測試數(shù)據(jù)比例為8∶2時，GoogleNet網(wǎng)絡(luò)上平均的識別準確率最高。孫俊等[27]針對模型參數(shù)龐大的問題，提出了批歸一化和全局池化相結(jié)合的改進卷積神經(jīng)網(wǎng)絡(luò)識別模型，用于訓練和識別PlantVillage數(shù)據(jù)集中的26類病害，較原始的AlexNet模型，改進模型在參數(shù)內(nèi)存和訓練時間上有明顯優(yōu)勢。何自芬等[28]通過增加注意力機制模塊，提出一種非對稱的混洗卷積神經(jīng)網(wǎng)絡(luò) ASNet。實驗證明，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)賽和實地采集的蘋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公開數(shù)據(jù)集上有較高識別率。

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

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

雖然農(nóng)業(yè)領(lǐng)域中的公開數(shù)據(jù)集為病害分類識別的卷積神經(jīng)網(wǎng)絡(luò)模型提供了大量數(shù)據(jù)來源，在公開數(shù)據(jù)集上采用遷移學習有效改善了模型在小規(guī)模數(shù)據(jù)集上識別率低的缺陷，但是公開數(shù)據(jù)集樣本的背景過于簡單，基于公開數(shù)據(jù)集的病害分類識別模型應(yīng)用于實際環(huán)境中時識別精度會大大降低。實際環(huán)境中農(nóng)作物病害圖像更為復雜，包含各種噪聲及其復雜背景，同時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)作物病害分類識別模型的精度和增強模型的抗干擾能力同樣重要。更多學者關(guān)注于優(yōu)化面向真實環(huán)境的農(nóng)作物病害分類識別模型，選擇在自建的具有復雜背景的數(shù)據(jù)集上展開相關(guān)研究，提出的神經(jīng)網(wǎng)絡(luò)模型具有識別精度高、抗干擾能力強的優(yōu)勢。如Kawasaki等[33]利用自建黃瓜圖像數(shù)據(jù)集訓練CNN模型，采用4折交叉驗證，準確識別病害葉片和非病害葉片。Ramcharan等[34]采用遷移學習的方法訓練Inception v3模型，在自建木薯葉片數(shù)據(jù)集上識別3種病害和2種蟲害，與傳統(tǒng)的SVM、KNN分類器作比較，實驗結(jié)果表明Inception v3的平均識別準確率明顯高于傳統(tǒng)分類器。同時，為改善模型訓練的收斂時間長，模型的參數(shù)龐大問題，F(xiàn)erentinos[35]在自建數(shù)據(jù)集上去比較5種經(jīng)典的CNN模型病害識別精度，實驗結(jié)果顯示VGG模型的識別效果最好。Xing等[36]提出了一種改進的DenseNet模型，采集12 561張病蟲害圖像作為數(shù)據(jù)集，通過對比6種典型的網(wǎng)絡(luò)模型，表明改進的DenseNet模型識別準確率最高。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卷積神經(jīng)網(wǎng)絡(luò)模型，在公開數(shù)據(jù)集和自然環(huán)境下的數(shù)據(jù)集上實驗驗證，該模型較其他模型具有更高的識別率。黃林生等[38]提出了一種多尺度卷積結(jié)構(gòu)和注意力機制相結(jié)合的農(nóng)作物病害檢測與識別模型，該模型在復雜的田間環(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別準確率。

綜上所述，基于農(nóng)作物病害分類識別的卷積神經(jīng)網(wǎng)絡(luò)模型具有較好的分類效果，但在公開數(shù)據(jù)集上識別效果良好的網(wǎng)絡(luò)模型在自建復雜背景下的農(nóng)作物病害圖像數(shù)據(jù)集上識別效果還需進一步提升。針對特定類型的病害識別問題，仍然需要經(jīng)過大量的實驗驗證才能找到最佳的網(wǎng)絡(luò)模型。

3.2 農(nóng)作物病害目標檢測的卷積神經(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)的目標檢測算法也取得了巨大進步，如表3所示[39]?；诰矸e神經(jīng)網(wǎng)絡(luò)的目標檢測算法分為雙階段目標檢測(two-stage)和單階段目標檢測(one-stage)兩種。雙階段目標檢測算法也稱為基于候選框的檢測算法，例如R-CNN[40]系列、R-FCN[41]等算法。單階段目標檢測算法也叫基于回歸的檢測算法，如YOLO[42]系列、SSD[43]系列。目標檢測算法的流程如圖4所示[44]，兩類檢測算法相比，單階段目標檢測算法速度快但精度低，而雙階段目標檢測算法速度慢但精度高。

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

(a) 單階段目標檢測算法流程

(b) 雙階段目標檢測算法流程

由于卷積神經(jīng)網(wǎng)絡(luò)能夠?qū)δ繕说母呔S特征進行高度提取，使得在復雜背景下采用目標檢測算法進行農(nóng)作物葉部病害檢測成為可能。在農(nóng)作物病害檢測中，目標檢測的任務(wù)是定位病害目標的大小和位置，學者們對此做了大量研究，分別用雙階段目標檢測算法和單階段目標檢測算法進行農(nóng)作物病害檢測，獲得了較高的檢測準確率。

3.2.1 基于雙階段目標檢測的農(nóng)作物病害檢測

目前，基于雙階段目標檢測的農(nóng)作物病害檢測算法如表4所示，農(nóng)作物病害檢測中的雙階段目標檢測模型具有較高的檢測準確率。

表4 農(nóng)作物病害目標檢測的平均檢測準確率Tab. 4 Average detection accuracy of crop disease target detection

如Fuentes等[45]采用Faster RCNN、R-FCN和SSD算法分別對西紅柿病害進行目標檢測，實驗結(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]在自建的香蕉病蟲害數(shù)據(jù)集上運行幾種經(jīng)典的目標檢測框架和骨干網(wǎng)絡(luò)的組合模型，最終實驗數(shù)據(jù)表明SSD框架和MobileNetV1的組合運行效果最好。Arsenovic等[47]提出了一種PDNet檢測網(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檢測網(wǎng)絡(luò)效果最佳。

由此看來，現(xiàn)有基于雙階段目標檢測的農(nóng)作物病害檢測算法的研究中很大部分是基于Faster R-CNN算法實現(xiàn)的，究其原因在于Faster R-CNN 算法采用區(qū)域預測網(wǎng)絡(luò)，代替了傳統(tǒng)的感興趣區(qū)域預測方法，在保持檢測高精度的同時有效提升了檢測速度，更有利于農(nóng)作物的病害檢測。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，實驗表明所提出的模型能有效檢測出葡萄葉片和葉片病斑。李就好等[50]提出改進的Faster R-CNN用于田間苦瓜葉部的病害檢測，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Faster R-CNN模型，試驗表明，改進的Faster R-CNN框架和VGG16卷積層結(jié)構(gòu)組合獲得了較高的準確率和較快的速度。李鑫然等[52]通過改進的Faster R-CNN模型，對實際環(huán)境中的5種蘋果葉片病害進行檢測，平均檢測精度為82.48%，明顯優(yōu)于原始Faster R-CNN、Mask R-CNN和YOLO V3模型。大量研究進展結(jié)果表明，基于雙階段目標檢測的農(nóng)作物病害檢測算法具有較高的檢測精度，適用于高精度的農(nóng)作物病害檢測，但是該類檢測算法的實時性差，且檢測小目標時效果不理想。

3.2.2 基于單階段目標檢測的農(nóng)作物病害檢測

雙階段目標檢測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感興趣區(qū)域中內(nèi)容進行特征提取、分類和回歸，這種做法導致失去局部目標在整個數(shù)據(jù)集樣本中的空間分布信息?；诖耍瑢W者們提出了單階段目標檢測算法來克服上述缺陷，單階段目標檢測算法直接實現(xiàn)了感興趣區(qū)域的生成和預測目標的分類，是端到端的過程。

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

由上述可以看出，基于單階段目標檢測的農(nóng)作物病害檢測算法具有較高的檢測精度，實時性高，實現(xiàn)了端到端的優(yōu)化，適用于農(nóng)作物病害的實時目標檢測。然而基于單階段目標檢測的農(nóng)作物病害檢測算法在復雜背景下(如遮擋目標或背景類似)對病害的檢測效果一般。

圖5 番茄灰斑病的早期檢測

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

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

針對農(nóng)作物病害的嚴重程度等級間特征差異小的問題，現(xiàn)有研究中，學者們采用大量數(shù)據(jù)來訓練網(wǎng)絡(luò)，構(gòu)建并優(yōu)化卷積神經(jīng)網(wǎng)絡(luò)模型實現(xiàn)農(nóng)作物病害的嚴重程度評估，主要有基于圖像注意力機制的方法和基于圖像細粒度特征表達的方法。在國外，Liang等[58]提出改進后的PD2SE-net，應(yīng)用于植物的物種識別、病害分類和病害嚴重程度的估計，用較低的計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，用于識別和估計咖啡葉上病害的嚴重程度，準確率為95.24%。Xiang等[60]提出了一種新的基于輕量級卷積神經(jīng)網(wǎng)絡(luò)L-CSMS，用于植物病害嚴重程度的識別且運行效果良好。在國內(nèi)，鮑文霞等[61]結(jié)合注意力和局部細粒度特征表達提出了基于循環(huán)空間變換的卷積神經(jīng)網(wǎng)絡(luò)RSTCNN，利用該網(wǎng)絡(luò)對小麥葉片的病害進行嚴重程度評估，并且獲得較高的準確率。為了便于用戶使用，一些學者通過小程序，搭建了用戶的圖形界面，實現(xiàn)模型可視化識別應(yīng)用。如萬軍杰等[62]將GoogleNet模型和遷移學習相結(jié)合提出改進的模型，在6種果園作物共25類病蟲害數(shù)據(jù)樣本上進行病害識別和病害程度分級，其中病害程度分級的平均精度為92.78%，同時在MATLAB平臺上設(shè)計成可視化系統(tǒng)。郭小清等[63]利用改進的Multi-Scale AlexNet模型對番茄葉部病害識別，番茄的葉部病害和每種病害早、中、晚期的平均識別準確率為92.7%，還開發(fā)出基于Android平臺的病害識別系統(tǒng)。王美華等[64]提出新的注意力模塊，在農(nóng)作物病蟲害數(shù)據(jù)集上進行細粒度識別，具有較高的病害程度識別準確率，同時搭建了病害嚴重程度評估的小程序。

總體來看，農(nóng)作物病害嚴重程度評估的卷積神經(jīng)網(wǎng)絡(luò)模型已取得良好的評估效果，但是現(xiàn)有算法中實驗的數(shù)據(jù)集都是針對單張葉片或單枝植株，還無法在復雜的大田環(huán)境中去準確評估農(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)作物病害檢測與識別的卷積神經(jīng)網(wǎng)絡(luò)模型的研究進展。首先介紹了傳統(tǒng)病害識別的常用方法，然后簡要介紹了卷積神經(jīng)網(wǎng)絡(luò)典型網(wǎng)絡(luò)模型，最后從病害的分類識別、病害目標檢測和病害嚴重程度的評估三個方面對目前的研究做了描述與總結(jié)。

通過進展分析可以看出，雖然農(nóng)作物病害檢測與識別的卷積神經(jīng)網(wǎng)絡(luò)模型的結(jié)構(gòu)設(shè)計越來越優(yōu)化，模型運行的精確度逐漸被提升，模型參數(shù)減少的同時，模型的推理和訓練速度不斷加快，然而農(nóng)作物病害檢測與識別的卷積神經(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，較大部分是在實驗室條件下拍攝，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理較差，很難訓練出魯棒性強、抗干擾力強的病害識別模型。因此，建立一個統(tǒng)一的農(nóng)作物病害圖像采集標準和規(guī)范的農(nóng)作物病害圖像數(shù)據(jù)庫是值得深入研究的。

2) 如何提升網(wǎng)絡(luò)的泛化性能?，F(xiàn)有的識別網(wǎng)絡(luò)都是針對特定類型的農(nóng)作物病害所設(shè)計的，無法在不同類型病害的數(shù)據(jù)集上進行推廣使用，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)測性能。在大田環(huán)境中的農(nóng)作物監(jiān)測任務(wù)中需要設(shè)計小病斑檢測算法進行農(nóng)作的病害檢測，同時要在小算力的邊緣計算平臺上進行實時的農(nóng)作物病害檢測。因此基于小病斑的農(nóng)作物病害檢測算法和基于小算力邊緣平臺的實時病害檢測算法尚待研究。

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