基于深度學(xué)習(xí)的農(nóng)作物病害圖像識別技術(shù)進(jìn)展

王彥翔，張 艷，，*，楊成婭，孟慶龍，尚 靜

(1.貴州大學(xué) 大數(shù)據(jù)與信息工程學(xué)院，貴州 貴陽 550025； 2.貴陽學(xué)院 農(nóng)產(chǎn)品無損檢測工程研究中心，貴州 貴陽 550005)

精準(zhǔn)農(nóng)業(yè)是在20世紀(jì)80年代由美國和加拿大等國率先提出，其關(guān)鍵是利用遙感技術(shù)、地理信息技術(shù)和全球衛(wèi)星定位技術(shù)以及計算機(jī)自動控制技術(shù)實時監(jiān)控作物的生長環(huán)境，包括土壤結(jié)構(gòu)、植物營養(yǎng)、含水量、病蟲害等，確定其最優(yōu)的施肥施藥量，使其可以在減少污染的前提下提高產(chǎn)量，減少成本。及時準(zhǔn)確的作物病害信息對其防治有著重要意義，早發(fā)現(xiàn)，早防治，可有效減緩作物病害的傳播，同時在病害早期可以用更少的藥物對其進(jìn)行防治，可以減少對環(huán)境的污染。

傳統(tǒng)的農(nóng)作物病蟲害檢測耗時長，過程復(fù)雜，通常局限在實驗室內(nèi)的離線分析。近年來，許多研究采用成像技術(shù)和圖像處理技術(shù)對農(nóng)作物病蟲害的進(jìn)行檢測，相較于之前的化學(xué)檢測手段，這兩種技術(shù)的結(jié)合不僅更快速準(zhǔn)確，不會對被測對象造成不可逆的破壞，而且還可以避免各種化學(xué)檢測手段造成的附帶污染；可以實現(xiàn)對農(nóng)作物各類信息的有效提取，達(dá)到對農(nóng)作物病蟲害進(jìn)行線上檢測的目的。隨著高光譜成像技術(shù)及紅外熱成像技術(shù)等先進(jìn)檢測技術(shù)在農(nóng)作物病蟲害領(lǐng)域的應(yīng)用[1]，可以對人眼尚未發(fā)現(xiàn)的早期病害特征進(jìn)行監(jiān)測，同時高光譜圖像所采集的數(shù)據(jù)立方提供了大量的多維的樣本數(shù)據(jù)，使得深度學(xué)習(xí)在作物病蟲害檢測識別方面的應(yīng)用成為可能。本文主要介紹了以近紅外熱成像技術(shù)和高光譜成像技術(shù)為代表的新型無損檢測技術(shù)及以深度學(xué)習(xí)為代表的圖像識別技術(shù)等在農(nóng)作物病蟲害無損檢測中的國內(nèi)外研究現(xiàn)狀。

1 農(nóng)作物病蟲害的圖像識別方法

1.1 傳統(tǒng)的農(nóng)作物病蟲害圖像識別方法

傳統(tǒng)的圖像識別技術(shù)包括降噪、腐蝕、增強(qiáng)等，還有對圖像各個顏色空間特征和紋理特征的提取，并利用得出的特征值進(jìn)行線性建模，建模方式采用偏最小二乘法(PLS)等。但是線性建模有著很大的局限性，面對非線性數(shù)據(jù)的建模識別成功率很低，因而在農(nóng)作物病害檢測中，其建模識別成功率非常不理想。

淺層神經(jīng)網(wǎng)絡(luò)是基于非線性數(shù)據(jù)建模的各種困難和失敗結(jié)果，而興起的一種建模識別方法。經(jīng)典的淺層人工神經(jīng)網(wǎng)絡(luò)包括BP神經(jīng)網(wǎng)絡(luò)、ART神經(jīng)網(wǎng)絡(luò)、RBF神經(jīng)網(wǎng)絡(luò)等。我們以BP神經(jīng)網(wǎng)絡(luò)為例，它是經(jīng)典的3層神經(jīng)網(wǎng)絡(luò)，包括輸入層、隱含層及輸出層，其結(jié)構(gòu)如圖1所示。圖中x，y分別代表神經(jīng)網(wǎng)絡(luò)的輸入層和輸出層，每個節(jié)點表示一個神經(jīng)元，神經(jīng)網(wǎng)絡(luò)的各層通過節(jié)點間的權(quán)系數(shù)相互溝通。如果BP神經(jīng)網(wǎng)絡(luò)信息的正向傳播結(jié)果滿足預(yù)期效果，那么該次網(wǎng)絡(luò)學(xué)習(xí)處理完成，算法停止學(xué)習(xí)；如果沒完成預(yù)想結(jié)果，進(jìn)行誤差反向傳播調(diào)節(jié)各層的權(quán)值繼續(xù)完成學(xué)習(xí)處理的過程。淺層神經(jīng)網(wǎng)絡(luò)中對象識別有著更高的準(zhǔn)確率，但是在復(fù)雜光照和復(fù)雜背景下，其圖像分類結(jié)果并不理想。

1.2 基于深度學(xué)習(xí)的農(nóng)作物病蟲害圖像處理識別方法

深度學(xué)習(xí)是相較于淺層網(wǎng)絡(luò)來說的，是機(jī)器學(xué)習(xí)的一種新的方法和方向，也是實現(xiàn)人工智能的一種新方法。深度學(xué)習(xí)是由加拿大多倫多大學(xué)教授、機(jī)器學(xué)習(xí)領(lǐng)域的大師Hinton在2006年首次提出的，其主要觀點是：含多個隱層的人工神經(jīng)網(wǎng)絡(luò)可以將從訓(xùn)練模型的原始輸入中提取出的低級特征整合成高級特征，與之前的淺層人工神經(jīng)網(wǎng)絡(luò)相比，可以獲得更高的識別準(zhǔn)確率，能更好地解決圖像分類和可視化問題。這一概念的出現(xiàn)引發(fā)了關(guān)于深度學(xué)習(xí)的研究熱潮，在ImageNet世界大賽上深度學(xué)習(xí)網(wǎng)絡(luò)的出現(xiàn)打破了淺層神經(jīng)網(wǎng)絡(luò)的識別準(zhǔn)確率，并以壓倒性的優(yōu)勢獲得冠軍，在語音識別、圖像識別、圖像分類等許多應(yīng)用上都得到了突破性的進(jìn)展。深度學(xué)習(xí)是類似于淺層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的，不過它包含很多個隱含層結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)，典型的深度學(xué)習(xí)網(wǎng)絡(luò)包括卷積神經(jīng)網(wǎng)絡(luò)(CNN)、有受限玻爾茲曼機(jī)(RBM)、深度置信網(wǎng)絡(luò)、深度玻爾茲曼機(jī)(DBM)等。

圖1 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.1 BP neural network structure

圖2 卷積神經(jīng)網(wǎng)絡(luò)基本結(jié)構(gòu)圖Fig.2 Basic flow of deep learning recognition detection

我們以卷積神經(jīng)網(wǎng)絡(luò)為例，它的基本結(jié)構(gòu)如圖2所示，包括三層：輸入層、隱含層、輸出層。其中最為核心的是隱含層，包括卷積層、池化層(也稱采樣層或下采樣層)、全連接層。輸入層輸入一定尺寸的圖片，并且a≥b，b≥c，c≥d，d≥e(a、b、c、d、e均為圖像的像素尺寸)。卷積層是由多個濾波器組成，對整個圖像進(jìn)行卷積運算，提取圖像的多個特征圖，一般的卷積層都是由前一個卷積層的結(jié)果作為輸入的，其計算方式為：

(1)

池化層是為了將數(shù)據(jù)進(jìn)行降維，通過將區(qū)域內(nèi)的數(shù)據(jù)取均值或者取最大、最小值來達(dá)到這個目的，將特征空間進(jìn)一步減小。全連接層本質(zhì)上是一個分類器，將提取出的最后一層的特征圖像進(jìn)行最后的卷積，將這些二維圖像降維成一維數(shù)組，進(jìn)行特征的提取分類。一個卷積神經(jīng)網(wǎng)絡(luò)的簡單結(jié)構(gòu)包括輸入層，同等數(shù)量的卷積層和池化層相互交替，然后將提取到高度抽象的特征圖像輸入進(jìn)全連接層進(jìn)行分類，最后得出結(jié)果輸出到輸出層，實現(xiàn)了圖像的分類。

深度學(xué)習(xí)的建模方法相較于傳統(tǒng)的圖像處理手段省去了大量的預(yù)處理手段，只需要將圖像裁剪成合適尺寸即可以進(jìn)行圖像識別，大量縮短了識別時間且大幅度提高識別準(zhǔn)確率。相較于淺層神經(jīng)網(wǎng)絡(luò)，深度學(xué)習(xí)的學(xué)習(xí)能力更強(qiáng)，識別準(zhǔn)確率更高。雖然識別時間較之前明顯縮短，但是在深度學(xué)習(xí)訓(xùn)練中將會耗費大量時間，增加訓(xùn)練集訓(xùn)練的時間成本。

利用深度學(xué)習(xí)的強(qiáng)大的圖像分類能力可以直接將患病作物的圖像分離出來，識別率較傳統(tǒng)的建模方法和淺層神經(jīng)網(wǎng)絡(luò)要高，而且對外界環(huán)境條件要求不高，可以應(yīng)用到實際的生產(chǎn)生活中，其識別流程如圖3所示。圖像在進(jìn)行訓(xùn)練時，先選出候選區(qū)域?qū)ζ鋱D像特征進(jìn)行提取，然后分為正負(fù)樣本，正樣本為正確的訓(xùn)練分類結(jié)果，負(fù)樣本為不正確的分類結(jié)果，通過對正負(fù)樣本的分類，可以準(zhǔn)確地對圖像進(jìn)行分類。

圖3 基于深度學(xué)習(xí)的圖像檢測識別的基本流程Fig.3 Basic flow of deep learning recognition detection

2 農(nóng)作物病蟲害圖像識別技術(shù)的研究進(jìn)展

2.1 傳統(tǒng)圖像識別技術(shù)在農(nóng)作物病害檢測識別方面的研究進(jìn)展

在國際上，越來越多的研究者選擇紅外成像技術(shù)和高光譜成像技術(shù)，傳統(tǒng)的圖像識別技術(shù)可以很好地反映出檢測手段所明確表征的被測物的外部特征、內(nèi)部化學(xué)成分含量和生理結(jié)構(gòu)的變化，更容易在早期識別出被測物是否發(fā)生病變及其化學(xué)成分的變化。

2016年，浙江大學(xué)的Zhao等[2]利用高光譜成像技術(shù)來確定黃瓜葉中葉綠素和類胡蘿卜素的含量，并通過其含量判斷其是否感染角葉斑點。使用偏最小二乘回歸模型來開發(fā)通過生化分析測量的光譜和色素含量之間的定量分析。由特征波長開發(fā)的偏最小二乘回歸模型提供了最佳的測量結(jié)果，相關(guān)系數(shù)分別為葉綠素和類胡蘿卜素含量的預(yù)測值0.871和0.876，并且可以通過其含量來準(zhǔn)確判斷出黃瓜葉是否感染了角葉斑點。其具體測定的主要步驟如圖4所示，首先是在高光譜圖像采集和校正之后，從感興趣區(qū)域(ROI)提取反射率值。然后通過生化分析(Chl-BA，Car-BA)測定Chl和Car含量。使用Chl-BA，Car-BA的樣品和內(nèi)容物的平均光譜來選擇用于開發(fā)偏最小二乘回歸(PLSR)模型的重要波長(IW)。最后，建立的PLSR模型用于計算高光譜圖像上每個像素的Chl-HSI和Car-HSI值。黃瓜葉片的Chl-HSI和Car-HSI空間分布受到不同嚴(yán)重程度的丁香假單胞菌致病變種的感染。在MATLAB軟件的幫助下顯示lachrymans感染。

2018年，安徽農(nóng)業(yè)大學(xué)的Wang等[3]利用高光譜成像技術(shù)區(qū)分氮肥水平的方法，通過主成分分析選擇5個特征波長，通過灰度梯度共生矩陣從特征波長的圖像中提取紋理特征，使用支持向量機(jī)(SVM)建立基于全光譜數(shù)據(jù)、特征波長、紋理特征和數(shù)據(jù)融合的分類模型。使用融合數(shù)據(jù)的SVM模型給出了預(yù)測集合具有最高正確分類率100%的最佳性能，可以完全判斷出茶葉的施氮肥含量，該研究證明了高光譜技術(shù)可以準(zhǔn)確地判斷出作物的氮肥釋放量。2017年，美國內(nèi)布拉斯加大學(xué)林肯分校的Pandey等[4]利用高光譜成像技術(shù)的量化玉米和大豆植物體內(nèi)化學(xué)特性的效用。這些性質(zhì)包括葉片含水量以及常量營養(yǎng)素氮(N)、磷(P)、鉀(K)、鎂(Mg)、鈣(Ca)和硫(S)以及微量營養(yǎng)素鈉(Na)、鐵(Fe)、錳(Mn)、硼(B)、銅(Cu)和鋅(Zn)。利用每種植物的反射光譜，建立偏最小二乘回歸模型以將光譜數(shù)據(jù)與化學(xué)數(shù)據(jù)相關(guān)聯(lián)。在所有化學(xué)性質(zhì)研究中，以水含量為最高，預(yù)測精度為0.93。所有宏量營養(yǎng)素也被令人滿意地定量精度從0.69到0.92，N最好，其次是P、K和S。微量營養(yǎng)素組顯示較低的預(yù)測準(zhǔn)確度從0.19到0.86，其相較于傳統(tǒng)的反演方式具有更高的準(zhǔn)確性。2018年，法國蒙彼利埃大學(xué)的Nouri等[5]利用高光譜成像技術(shù)研究了荔枝果實的非破壞性分級測試方法，提取荔枝果實感興趣區(qū)的高光譜數(shù)據(jù)并使用主成分分析來確定用于識別荔枝品質(zhì)特性的特征波長694、725和798 nm，使用灰度共生矩陣提取紋理特征，進(jìn)行最小二乘支持向量機(jī)建模，以對荔枝的不同品質(zhì)進(jìn)行分類。該模型使用實驗數(shù)據(jù)進(jìn)行驗證，驗證集的平均準(zhǔn)確率為93.75%，而外部驗證集為95%。

圖4 高光譜成像技術(shù)測定感染角葉斑點的黃瓜葉片中葉綠素和類胡蘿卜素含量的主要步驟[2]Fig.4 Hyperspectral imaging techniques for determination of chlorophyll and carotenoid contents in cucumber leaves with infected leaf spots[2]

在國內(nèi)利用高光譜成像技術(shù)進(jìn)行作物檢測的研究開始較晚，并且多數(shù)是對作物的顯性病癥進(jìn)行識別，對作物的化學(xué)成分含量反演的研究較少，且多數(shù)的研究都是針對作物葉片病害開展的。2012年，浙江大學(xué)的楊燕[6]利用520和690 nm特征波段的1階導(dǎo)數(shù)光譜的高斯擬合參數(shù)建立LDA水稻稻瘟病的病害判別模型，準(zhǔn)確率達(dá)到96%以上，實現(xiàn)了利用高光譜技術(shù)對水稻稻瘟病的快速無損檢測，早期發(fā)現(xiàn)和治療可以把病害的損失降到最低。

利用高光譜成像技術(shù)可以實現(xiàn)對農(nóng)作物病害的早期識別檢測，相較于傳統(tǒng)的檢測手段更加快速準(zhǔn)確，并且無需使用化學(xué)試劑，可有效減少污染。利用高光譜成像技術(shù)對作物化學(xué)成分進(jìn)行反演，也是傳統(tǒng)檢測手段在無損前提下無法實現(xiàn)的，實時監(jiān)控農(nóng)作物的化學(xué)成分變化也是實現(xiàn)精準(zhǔn)農(nóng)業(yè)的重要條件。

2.2 深度學(xué)習(xí)在農(nóng)作物病害檢測識別方面的研究進(jìn)展

在國外，圖像處理技術(shù)在農(nóng)作物病蟲害檢測方面的應(yīng)用研究相對較早，且有著完善的可見光圖像數(shù)據(jù)庫。2010年，馬來西亞國立大學(xué)的Albashish等[7]提出的方法試圖找出5種不同的植物病害，經(jīng)過預(yù)處理階段降噪圖像后，應(yīng)用K均值聚類算法將圖像分為4個群集；對于每個群集，通過HSI色彩空間共現(xiàn)方法提取許多顏色和紋理特征，將這些特征輸入到具有10個隱藏層的MLP神經(jīng)網(wǎng)絡(luò)，并最終執(zhí)行分類。2011年，Guo等[8]提出了一種識別玉米葉片3種疾病的方法，其首先將圖像轉(zhuǎn)換為YCbCr顏色空間；在閾值化過程中準(zhǔn)確確定閾值，以正確分割患病區(qū)域，并從灰度共生矩陣中提取許多紋理特征；最后，將這些特征提交給具有一個隱藏層的MLP神經(jīng)網(wǎng)絡(luò)達(dá)到識別疾病的目的。2016年，瑞士洛桑聯(lián)邦理工學(xué)院Mohanty等[9]分析了在PlantVillage數(shù)據(jù)庫中的54 306幅植物葉子的圖像，其中包括了14種作物和26種作物疾病，首先將圖像大小調(diào)整為256×256像素，對這些縮小圖像執(zhí)行模型優(yōu)化和預(yù)測。最佳建模方式為利用GoogLeNet卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，對80%的彩色圖像進(jìn)行遷移學(xué)習(xí)訓(xùn)練，且其他建模方式的準(zhǔn)確率也達(dá)到了0.9000以上。2017年，北京工業(yè)大學(xué)的Wang等[10]利用深度學(xué)習(xí)技術(shù)建立了一套判斷蘋果葉真菌感染程度的系統(tǒng)，將蘋果葉分為4種，健康葉、初期感染、中期感染和末期疾病，利用VGG16結(jié)構(gòu)的卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行分類，其分類準(zhǔn)確率可以達(dá)到90.4%，利用PlantVillage數(shù)據(jù)庫中的數(shù)據(jù)，并且不用經(jīng)過復(fù)雜的圖像預(yù)處理，進(jìn)行裁剪和歸一化后即可進(jìn)行訓(xùn)練和測試。2017年，美國賓夕法尼亞州州立大學(xué)的Ramcharan等[11]應(yīng)用學(xué)習(xí)遷移訓(xùn)練深度卷積神經(jīng)網(wǎng)絡(luò)對木薯3種病害和兩種病蟲害識別。利用Inception v3模型，測試集精度分別為褐斑病98%、對紅蜘蛛的傷害96%、綠螨害95%、木薯褐條病98%、木薯花葉病96%；其所利用的卷積神經(jīng)網(wǎng)絡(luò)模型已可在Android系統(tǒng)內(nèi)進(jìn)行應(yīng)用，這對將檢測設(shè)備微型化有著重大意義。2018年，美國特拉華大學(xué)的Holmes等[12]利用高光譜技術(shù)在2014年、2015年和2016年收獲的蘋果中取得了350～2 500 nm反射光譜數(shù)據(jù)，從550～1 400 nm范圍內(nèi)的蘋果兩側(cè)捕獲高光譜圖像，分析這些圖像以提取在苦基坑檢測中有效的光譜特征，開發(fā)了自動空間數(shù)據(jù)分析算法來檢測苦味點，提取特征區(qū)域，并使用邏輯回歸來定義分類閾值。該研究根據(jù)高光譜和成像技術(shù)確定了顯著的光譜特征，能夠以85%的準(zhǔn)確度對健康和苦澀的蘋果進(jìn)行分類，可用于開發(fā)感測解決方案，對包裝線上的水果進(jìn)行分類。相較于傳統(tǒng)的圖像識別方法，深度學(xué)習(xí)的精度更高，檢測速度更快，近年來的研究也驗證了深度學(xué)習(xí)技術(shù)可以在可見光范圍內(nèi)對作物種類和作物疾病的快速無損識別。在實際生產(chǎn)生活中，光照條件的不同可能會導(dǎo)致圖像特征值發(fā)生較大的變化，使分類的精度斷崖式下降，這也是圖像處理現(xiàn)在所面臨的一大難題。

在國內(nèi)對利用可見光圖像進(jìn)行作物病蟲害檢測時，大多是對作物葉片上的疾病進(jìn)行識別，且缺乏圖像采集的數(shù)據(jù)共享平臺。2018年，西京學(xué)院的張善文等[13]針對黃瓜的病害識別設(shè)計了一個以LeNet卷積神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)的11層深度卷積神經(jīng)網(wǎng)絡(luò)模型。其首先對不間斷拍攝的1 200張各種黃瓜病害的彩色圖像進(jìn)行預(yù)處理，主要進(jìn)行圖像的裁剪和歸一化；對經(jīng)過預(yù)處理的彩色圖像進(jìn)行訓(xùn)練，并通過RGB通道進(jìn)行微調(diào)，進(jìn)而增加訓(xùn)練精度。相較于傳統(tǒng)的圖像識別方法，該方法具有更高的準(zhǔn)確率，更快的識別速度，其正確識別率能達(dá)到90%以上，但是需要大量的訓(xùn)練時間。2018年，甘肅農(nóng)業(yè)大學(xué)的劉闐宇等[14]采用區(qū)域Faster-RCNN方法準(zhǔn)確定位田間圖像的葡萄葉片位置，利用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行模型建立，檢測流程如圖5所示。通過采集到的圖像輸入到卷積神經(jīng)網(wǎng)絡(luò)中進(jìn)行分類，通過分類器判斷是否患病以及確定患病種類，對葉片病變的檢測成功率最高可達(dá)75.52%，最低為60.56%。主要誤差來源是不同光照條件和遮擋條件下會影響檢測的準(zhǔn)確率，這是在田間采集的圖像普遍存在的問題也是未來研究的一個方向。

近來，越來越多的研究者運用新型無損檢測技術(shù)和深度學(xué)習(xí)相結(jié)合對作物病害進(jìn)行識別，并且還對作物的化學(xué)成分進(jìn)行定量的反演分析，使得其準(zhǔn)確性更高，穩(wěn)定性更好，對外界環(huán)境的要求更小，更有利于實現(xiàn)其在生產(chǎn)生活中的應(yīng)用。2015年，英國華威大學(xué)的Raza等[15]利用近紅外與可見光圖像與深度信息的機(jī)器學(xué)習(xí)系統(tǒng)相結(jié)合設(shè)計出一種可以遠(yuǎn)程檢測番茄植株是否感染番茄白粉病的系統(tǒng)。在受控條件下，連續(xù)13 d采集感染株和健康株圖像，其采集系統(tǒng)由2臺可見光成像相機(jī)和1臺近紅外成像相機(jī)組成。算法部分包括4個部分，近紅外圖和彩色圖像的位置匹配、深度學(xué)習(xí)訓(xùn)練、特征值的提取和分類器，所提出的算法的框圖如圖6所示。IL和IR表示來自左側(cè)和右側(cè)相機(jī)的可見光圖像，IT表示熱圖像，將IL、IR和IT進(jìn)行定位，將3張圖片的各個像素點定位重合，得到一個基于紅外熱成像和可見光成像的合成圖片。利用這張圖片進(jìn)行局部特征和全體特征的提取并進(jìn)行分類，最后得出通過近紅外圖像和可見光圖像結(jié)合深度學(xué)習(xí)方法可以大幅提高判斷準(zhǔn)確率，使其達(dá)到90%以上，在7 d以前近紅外圖像可以更加準(zhǔn)確地識別出感染株，而在7 d后感染株發(fā)生了肉眼可見的變化之后，可見光圖像的識別準(zhǔn)確率隨著時間的推移越來越接近近紅外圖像的，表明近紅外圖像可在作物疾病的早期階段做出更好的判斷。

圖5 利用圖像檢測識別作物病害的一般流程[14]Fig.5 Disease detection framework[14]

圖6 用于檢測病株的算法的框圖[15]Fig.6 Block diagram of an algorithm for detecting diseased plants[15]

2017年，浙江大學(xué)的Zhu等[16]利用高光譜成像技術(shù)，結(jié)合變量選擇方法和機(jī)器學(xué)習(xí)分類，研究了使用高光譜成像對煙草病癥進(jìn)行可見癥狀前檢測的可行性。采集感染后2、4和6 d的健康和TMV感染葉片的圖像，利用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行建模，識別精度高達(dá)95%。高光譜成像技術(shù)具有作為快速非侵入性方法在短時間(48 h)內(nèi)識別感染葉片的可能性。2017年，華南理工大學(xué)的黃雙萍等[17]在田間采集了1 467株穗株高光譜圖像，其中包括247株健康植株，剩下的均感染不同程度的穗瘟。利用卷積神經(jīng)網(wǎng)絡(luò)的GoogleLeNet進(jìn)行建模，首先將高光譜圖像裁剪成統(tǒng)一尺寸，采用隨機(jī)梯度下降法和隨機(jī)平移平均光譜圖像亮度增加訓(xùn)練精度，使得測試集最高的準(zhǔn)確率可以達(dá)到92.0%。2018年，華南農(nóng)業(yè)大學(xué)的甘海明等[18]利用深度學(xué)習(xí)的經(jīng)典模型稀疏自編碼建立了龍眼葉片葉綠素含量預(yù)測的高光譜反演模型，通過深度學(xué)習(xí)的方法可以大大提高精度，并且基本不受生長期的影響；在灰度圖像中顏色越深的葉片，其葉綠素含量越低，彩色圖像中藍(lán)色越多，則表示葉綠素含量越低。該設(shè)計表明了基于深度學(xué)習(xí)的高光譜反演是可行的，可將其基于葉綠素含量這一植物生長的重要指標(biāo)的設(shè)計思想推廣到其他的植物應(yīng)用中。

可見，光成像和紅外熱成像及高光譜成像相結(jié)合的研究可以大幅度提高僅利用可見光成像進(jìn)行研究的準(zhǔn)確性和抗干擾性，并且結(jié)合深度學(xué)習(xí)的應(yīng)用可以更加快速準(zhǔn)確地進(jìn)行農(nóng)作物病害識別，比單純用淺層神經(jīng)網(wǎng)絡(luò)的準(zhǔn)確率要明顯提高。與國外的相關(guān)研究相比，我國的彩色圖像數(shù)據(jù)庫的建立較為落后，一般訓(xùn)練集中的圖片均為實驗人員自行采集自行存儲，并沒有形成一個有聯(lián)互通的數(shù)據(jù)庫網(wǎng)絡(luò)，當(dāng)需要研究不同類型的作物時往往需要花費大量時間進(jìn)行圖像采集。

3 展望

可見光成像的技術(shù)已經(jīng)相當(dāng)成熟，但是它只能得到作物的表面信息，只有在作物的病變或者蟲害肉眼可見時才能取得比較好的識別效果。將紅外成像和高光譜成像引入其中可以在作物患病還沒有表征的時候，發(fā)現(xiàn)被測物的內(nèi)部結(jié)構(gòu)和化學(xué)成分的改變，進(jìn)行早期判斷，可以實現(xiàn)作物病害的早期檢測，在植物病害的防治過程中具有重要價值，有利于實現(xiàn)精準(zhǔn)農(nóng)業(yè)。今后農(nóng)作物病害的無損檢測技術(shù)可分為以下幾個研究方向：

(1) 利用紅外熱成像、高光譜成像技術(shù)為農(nóng)作物病害的早期探測提供了可能性，是農(nóng)作物病害早期探測的發(fā)展方向；

(2) 深度學(xué)習(xí)的圖像處理技術(shù)可以將復(fù)雜背景下的圖像進(jìn)行分類識別并具有極高的準(zhǔn)確率，可為農(nóng)作物病害的早期識別提供算法保障；

(3) 高光譜成像技術(shù)具有圖譜合一的特點，為深度學(xué)習(xí)的圖像識別提供了不同波段的海量圖像信息，使得高光譜成像技術(shù)和深度學(xué)習(xí)的圖像識別技術(shù)結(jié)合在農(nóng)作物病害檢測識別方面具有廣泛的應(yīng)用前景；

(4) 在深度學(xué)習(xí)的應(yīng)用中，針對學(xué)習(xí)過程中會花費大量的時間成本的問題，未來可在算法上進(jìn)行改進(jìn)，減少時間成本，使其可以對不同的病害種類和發(fā)生階段進(jìn)行識別，對病蟲害的檢測具有重要的意義。