水稻病害自動診斷方法的研究進展

方夢瑞 呂 軍 ＊ 姚 波

（1.黃山學院信息工程學院，安徽 黃山 245041；2.浙江理工大學信息學院，浙江 杭州 310018）

0 引言

水稻是我國主要的糧食作物之一， 全國約四分之一的耕地面積用來種植水稻。 每年因水稻病害造成的經濟損失約有400～500 萬噸[1]，而水稻病害具有發生快、易擴散等特點。 因此，需要對水稻病害做出及時、快速地判斷與防治。 隨著人工智能技術的不斷發展，水稻病害自動診斷已成為水稻信息化防治研究熱點。 本文對已有研究成果進行總結并做出未來展望，以為相關研究人員提供理論基礎。

1 近紅外光譜技術在水稻病害診斷中的應用

基于近紅外光譜技術的水稻病害診斷主要是通過水稻受到病害入侵時，葉綠素會降低對紅光和藍光的吸收能力， 進而產生光譜反射率變化已達到診斷效果[2]。譚峰[3]利用近紅外光譜技術采集健康與染病水稻植株的光譜特征，實現了稻瘟病、谷粒瘟和穗莖瘟三種病害的等級鑒定。 周麗娜[4]、王曉麗[5]、吳迪[6]對水稻病害光譜數據進行預處理后， 分別利用高斯擬合法、 主成分分析法、UVE—SPA 組合法提取特征波長，建立了不同等級和不同種類的水稻病害識別模型。 基于近紅外光譜技術的水稻病害自動診斷具有綠色、 無損等特點， 但該方法僅依據病害侵染前后的光譜變化情況，并沒有結合病斑呈現的外部特征。

2 圖像處理技術在水稻病害診斷中的應用

基于圖像處理技術的水稻病害診斷主要是通過病害圖像增強、分割等預處理，提取病害顏色、形狀和紋理等特征， 最后結合模式識別方法實現水稻病害的自動診斷。水稻病斑分割是水稻病害自動分析與識別的關鍵環節之一,其分割效果直接影響后續處理。石鳳梅[7]通過提取水稻病斑的R、G、B 分量作為特征向量， 然后利用網格搜索法優化參數獲得SVM 最優模型，最終實現了稻瘟病的有效分割。 有效的特征提取不僅可以加快計算速度，也可以提高識別精度，路陽[8]利用PCA 對水稻病害進行降維， 該算法提高了水稻病害識別的魯棒性和識別率。 袁媛[9]、管澤鑫[10]、楊昕薇[11]分別利用支持向量機、 貝葉斯判別和逐步判別法實現了水稻病害的自動識別。 基于圖像處理技術的水稻病害識別具有快速、 識別率高等特點， 但均借助于病害呈現的病斑特征， 沒有結合病害呈現的內部變化， 無法滿足早期診斷與及時防治的需求。

3 高光譜成像技術在水稻病害診斷中的應用

高光譜技術既可以采集光譜信息也可以得到圖像信息， 能夠兼具樣本內部變化和外部呈現的特征差異來進行水稻病害的自動診斷。 袁建清[12]采用高光譜成像儀獲得不同時期的水稻葉片光譜圖像， 分別建立了基于最小二乘法判別分析（PLS-DA）和主成分加支持向量機方法（PCA-SVM）的稻瘟病識別模型，準確識別率分別為100%和97.5%。 鄭志雄[13]利用主成分分析法和最大類間法分割不同時期的稻瘟病高光譜圖像，然后以病斑光譜差異、 不同等級病害形態差異和水稻葉片延伸率等參數為識別依據， 實現了稻瘟病等級鑒定。 黃雙萍[14]提出基于光譜詞袋 （bag of spectrum words，BoSW）的稻穗病等級鑒定方法。 首先利用BoSW方法生成詞袋表達，最后采用卡方-支持矢量機（Chi-SVM）分類算法建立了稻穗病等級鑒定模型，測試分類精度達94.72%。

4 深度學習在水稻病害診斷中的應用

卷積神經網絡（CNN）作為一種有效的自主學習特征方法，可以將圖像直接作為輸入，自學習圖像特征，以避免傳統特征提取對識別模型的影響[15]。 黃雙萍[16]建立了基于GoogLeNet 模型的稻穗病檢測模型，測試準確率為92.0%。 張楠[17]利用最大類間方差法分割稻瘟病病斑區域， 然后建立了基于softmax 分類器的稻瘟病自動識別模型，平均識別準確率可達95.2%。卜翔宇[18]、劉成[19]分別利用Maxout 單元和fine-tuning 優化水稻病害識別卷積神經網絡結構，以提高網絡識別精度。

5 結語

本文綜述了近紅外光譜、數字圖像處理、高光譜成像和深度學習四種技術在水稻病害自動診斷方面的應用，為相關研究人員提高理論參考，但以上水稻病害智能診斷距離實際應用還存在一定差距，未來可通過增加水稻病害種類、樣本量和網絡優化以提高診斷模型的魯棒性和普適性， 以及開發水稻病害遠程診斷APP 等。