基于機(jī)器視覺的農(nóng)作物病害識(shí)別研究進(jìn)展

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(zhǎng)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(zhǎng)沙 410125；4.常寧市洋泉鎮(zhèn)農(nóng)業(yè)綜合服務(wù)中心，湖南 衡陽 421524；5.衡南縣三塘鎮(zhèn)農(nóng)業(yè)綜合服務(wù)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(huì)出現(xiàn)減產(chǎn)降質(zhì)等現(xiàn)象，導(dǎo)致農(nóng)民收入受損，并對(duì)糧食安全構(gòu)成威脅[1-3]。傳統(tǒng)的病害識(shí)別通常依賴于肉眼觀察和經(jīng)驗(yàn)判斷，這種方法既費(fèi)時(shí)費(fèi)力又容易受主觀因素的影響。隨著計(jì)算機(jī)視覺技術(shù)的迅速發(fā)展，采用計(jì)算機(jī)進(jìn)行農(nóng)作物病害識(shí)別成為研究熱點(diǎn)，為人工識(shí)別效率低下、存在誤差等問題提供了新的解決方案[4-6]。基于機(jī)器視覺的農(nóng)作物病害識(shí)別是利用計(jì)算機(jī)圖像處理和模式識(shí)別的技術(shù)，實(shí)現(xiàn)對(duì)農(nóng)作物病害的自動(dòng)檢測(cè)和準(zhǔn)確識(shí)別。該技術(shù)的發(fā)展對(duì)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(shí)別的機(jī)器學(xué)習(xí)方法

機(jī)器學(xué)習(xí)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(dòng)學(xué)習(xí)，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(shí)來做出預(yù)測(cè)、分類、聚類、決策等任務(wù)。常用于農(nóng)作物病害識(shí)別的機(jī)器學(xué)習(xí)算法主要有支持向量機(jī)（SVM）、K 近鄰算法（KNN）、隨機(jī)森林（Random Forest）和BP 神經(jīng)網(wǎng)絡(luò)（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(xùn)練并構(gòu)建出病害識(shí)別模型[7-11]。

國內(nèi)外對(duì)于機(jī)器學(xué)習(xí)算法在農(nóng)作物病害識(shí)別方向的應(yīng)用進(jìn)行了廣泛的研究。Hossain 等[12]采用K-means 對(duì)葉片病斑進(jìn)行分割，將提取的顏色和紋理特征輸入到KNN 中進(jìn)行分類，獲得了96.76%的識(shí)別準(zhǔn)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(jìn)行分類，最高識(shí)別精度到達(dá)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(shí)別準(zhǔn)確率達(dá)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(luò)（PNN）法進(jìn)行分類，最終識(shí)別準(zhǔn)確率達(dá)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(luò)構(gòu)建分類模型，識(shí)別精度達(dá)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(jìn)行分類，獲得了92.6%的識(shí)別準(zhǔn)確率。

雖然以上基于機(jī)器學(xué)習(xí)的病害識(shí)別方法已經(jīng)取得了一定的成效，但這些方法的實(shí)現(xiàn)需要繁瑣的圖像預(yù)處理，往往會(huì)因?yàn)槭止ぴO(shè)計(jì)和提取的特征不充足，導(dǎo)致訓(xùn)練模型的識(shí)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(dòng)特征提取的深度學(xué)習(xí)方法

近年來，深度學(xué)習(xí)技術(shù)被廣泛用于農(nóng)作物病害識(shí)別研究。該技術(shù)不需要人工提取病害特征，而是通過自動(dòng)學(xué)習(xí)，從而更加客觀地獲得樣本內(nèi)部細(xì)節(jié)信息，更加便捷地構(gòu)建識(shí)別模型。當(dāng)前在農(nóng)作物病害識(shí)別領(lǐng)域中使用最多是卷積神經(jīng)網(wǎng)絡(luò)（CNN）。卷積神經(jīng)網(wǎng)絡(luò)是受生物視覺系統(tǒng)啟發(fā)而設(shè)計(jì)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(jí)結(jié)構(gòu)使得網(wǎng)絡(luò)能夠從輸入數(shù)據(jù)中自動(dòng)提取有意義的特征，從而在圖像分類、目標(biāo)檢測(cè)、語義分割等任務(wù)上取得優(yōu)秀的性能。常用的卷積神經(jīng)網(wǎng)絡(luò)框架有AlexNet、VGGNet、GoogLeNet、ResNet、DenseNet 和MobileNet 等。深度學(xué)習(xí)方法不僅可以識(shí)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(xué)習(xí)方法無需手動(dòng)提取特征，但對(duì)數(shù)據(jù)量的要求較高，為了降低數(shù)據(jù)量不充足導(dǎo)致的問題，預(yù)處理階段常通過數(shù)據(jù)增強(qiáng)方法擴(kuò)充數(shù)據(jù)集。該文將從病害分類、病害檢測(cè)和病害分割3 個(gè)方面介紹深度學(xué)習(xí)方法在農(nóng)作物病害識(shí)別中的應(yīng)用。

2.1 病害分類

病害分類是利用計(jì)算機(jī)技術(shù)對(duì)農(nóng)作物的圖像進(jìn)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(yán)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(luò)中，通過訓(xùn)練讓網(wǎng)絡(luò)學(xué)習(xí)到不同病害的具有辨別性的特征，然后構(gòu)建識(shí)別模型。構(gòu)建好的模型可以布置在種植現(xiàn)場(chǎng)，直接通過攝像頭遠(yuǎn)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(shí)別相比，該方式的識(shí)別效率和精度更好，有助于實(shí)現(xiàn)更精準(zhǔn)、更自動(dòng)化的農(nóng)作物病害監(jiān)測(cè)和防治。

蘇仕芳等[18]改進(jìn)了VGG-16 網(wǎng)絡(luò)的全連接層，然后以遷移學(xué)習(xí)的方式訓(xùn)練改進(jìn)模型并部署到移動(dòng)端，實(shí)現(xiàn)了田間葡萄葉片病害的識(shí)別。牛學(xué)德等[19]通過遷移學(xué)習(xí)構(gòu)建了一種基于DenseNet 的番茄葉片圖像識(shí)別模型，識(shí)別準(zhǔn)確率達(dá)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(duì)圖像進(jìn)行預(yù)處理，然后訓(xùn)練InceptionV3 模型對(duì)5 種病害進(jìn)行識(shí)別，與未預(yù)處理后訓(xùn)練的模型相比，其識(shí)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(jìn) VGG 網(wǎng)絡(luò)，改進(jìn)后的網(wǎng)絡(luò)模型在PlantVillage 上的識(shí)別精度達(dá)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(jìn)了ShuffleNet V2，構(gòu)建了一種輕量級(jí)病害識(shí)別模型，該模型的參數(shù)量約為0.295 M，在PlantVillage 上的平均識(shí)別準(zhǔn)確率達(dá)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(jí)農(nóng)作物病害識(shí)別模型，對(duì)辣椒、番茄和馬鈴薯病害的識(shí)別精度達(dá)到了98.32%。

2.2 病害檢測(cè)

病害檢測(cè)是通過計(jì)算機(jī)視覺技術(shù)，識(shí)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(cè)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(cè)可以幫助農(nóng)業(yè)專家對(duì)病害進(jìn)行更準(zhǔn)確地分析，并進(jìn)行量化，同時(shí)識(shí)別多個(gè)病害，從而提供全面的病害信息。

李偉豪等[24]將Yolov7-T 網(wǎng)絡(luò)中的LeakReLU激活函數(shù)替換為SiLU 激活函數(shù)，同時(shí)通過融合坐標(biāo)注意力機(jī)制進(jìn)一步提升對(duì)目標(biāo)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(cè)模型，準(zhǔn)確率達(dá)到了94.2%。李康順等[25]使用卷積注意力模塊CBAM 改進(jìn)YOLOX-Nano 網(wǎng)絡(luò)的特征金字塔結(jié)構(gòu)，并將二分類交叉熵?fù)p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(diǎn)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(cè)模型，平均識(shí)別精度達(dá)到99.56%。孫豐剛等[26]通過采用遷移學(xué)習(xí)、卷積注意力模塊和加權(quán)雙向特征金字塔網(wǎng)絡(luò)改進(jìn)YOLOv5s 模型，構(gòu)建了蘋果果實(shí)病害檢測(cè)模型，該模型在IoU 閾值為0.5 下的平均精度均值（mAP0.5）達(dá)到了0.916，較原始模型提升了8.5%，可以實(shí)現(xiàn)果實(shí)病害的快速檢測(cè)。Liu 等[27]使用加入特征金字塔的 YOLOv3 對(duì)常見番茄病害進(jìn)行識(shí)別，平均精度達(dá)到 92.39%。儲(chǔ)鑫等[28]提出一種基于改進(jìn)YOLOv4 算法的輕量化番茄葉部病害識(shí)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(shí)別系統(tǒng)，結(jié)果顯示系統(tǒng)識(shí)別精度接近80%，相較于傳統(tǒng)草莓病害識(shí)別技術(shù)更便捷且識(shí)別效率更高。王超學(xué)等[30]提出了一個(gè)基于YOLOv3 的葡萄病害智能識(shí)別系統(tǒng)，該系統(tǒng)由微信小程序、云服務(wù)器和葡萄病害識(shí)別模型構(gòu)成，不僅識(shí)別準(zhǔn)確率達(dá)98.60%，識(shí)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(duì)農(nóng)作物或植物圖像進(jìn)行分割，將圖像中的病害部分從背景和其他區(qū)域中準(zhǔn)確挑選出來，從而幫助人類更精細(xì)地理解病害在植物上的分布和范圍，提供更詳細(xì)的病害信息，便于科學(xué)研究、病害監(jiān)測(cè)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(luò)（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(luò)和基于九點(diǎn)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(duì)黃瓜葉病害的像素分類精度、平均分割準(zhǔn)確率和平均交并比分別為92.38%、93.12%和91.36%，能夠滿足復(fù)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(duì)復(fù)雜背景下作物病害葉片分割問題，提出一種改進(jìn)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(duì)黃瓜病害葉片圖像的分割正確率達(dá)到了97.81%。王振等[33]針對(duì)傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)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(jí)聯(lián)卷積神經(jīng)網(wǎng)絡(luò)（CascadeConvolutional Neural Network，CCNN）的作物病害葉片圖像分割方法，該網(wǎng)絡(luò)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(cè)網(wǎng)絡(luò)和區(qū)域病斑分割網(wǎng)絡(luò)，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(dá)到了0.23 s。

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

盡管機(jī)器視覺在農(nóng)作物病害識(shí)別方面具有高效、準(zhǔn)確和自動(dòng)化等優(yōu)勢(shì)，但模型的推廣仍存在諸多挑戰(zhàn)。深度學(xué)習(xí)模型訓(xùn)練對(duì)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(xiàng)挑戰(zhàn)性工作，特別是在現(xiàn)場(chǎng)實(shí)際農(nóng)田環(huán)境下采集難度更大。而且，對(duì)大規(guī)模數(shù)據(jù)集進(jìn)行準(zhǔn)確標(biāo)注也需要專業(yè)知識(shí)和經(jīng)驗(yàn)。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(zhǎng)階段表現(xiàn)出不同的癥狀。同時(shí)，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(shí)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(dǎo)致模型在少數(shù)類別上表現(xiàn)不佳。對(duì)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(huì)影響模型的泛化能力。模型訓(xùn)練需要大量的計(jì)算資源，如何降低成本并將訓(xùn)練好的模型嵌入到微型設(shè)備并部署到實(shí)際場(chǎng)景，仍具有一定難度。

4 總結(jié)與展望

基于機(jī)器視覺的農(nóng)作物病害識(shí)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(shí)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(gè)領(lǐng)域，以深度學(xué)習(xí)為代表的方法已經(jīng)取得了顯著成效，可以實(shí)現(xiàn)病害的自動(dòng)化識(shí)別、檢測(cè)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(biāo)注

當(dāng)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(biāo)準(zhǔn)費(fèi)時(shí)費(fèi)力、專業(yè)要求較高的問題，可進(jìn)一步研究自動(dòng)標(biāo)注模型，以解決樣本不充足的問題。

4.2 識(shí)別與部署

開發(fā)輕量級(jí)模型或模型壓縮技術(shù)，降低模型的部署要求，提高實(shí)時(shí)性以及其在邊緣設(shè)備上的應(yīng)用能力，以便將模型部署到實(shí)際種植場(chǎng)景，實(shí)現(xiàn)病害的實(shí)時(shí)監(jiān)測(cè)，有助于農(nóng)戶及早采取防治措施，減少病害對(duì)農(nóng)作物產(chǎn)質(zhì)量的影響。

4.3 多樣性應(yīng)用

近年來，多模態(tài)信息在農(nóng)作物病害識(shí)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(jìn)一步優(yōu)化深度學(xué)習(xí)方法，以提升基于機(jī)器視覺的農(nóng)作物病害識(shí)別的性能和效率。

4.4 系統(tǒng)整合

農(nóng)作物病害識(shí)別是一種輔助農(nóng)戶種植農(nóng)產(chǎn)品的科學(xué)方法，為了進(jìn)一步推動(dòng)農(nóng)業(yè)發(fā)展，可將農(nóng)作物病害識(shí)別技術(shù)與預(yù)測(cè)、預(yù)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。