農作物病蟲害識別關鍵技術研究綜述

翟肇裕 曹益飛 徐煥良 袁培森 王浩云

(南京農業大學人工智能學院， 南京 210095)

0 引言

農作物病蟲害是制約我國農業生產的主要災害之一[1]，嚴重影響農作物的產量和質量，災難性農作物病蟲害的發生加劇了糧食供應的短缺。綜合農作物病蟲害發生基數、作物布局、種植制度和氣候條件等因素，2020年我國農作物重大病蟲害發生程度總體上比2019年嚴重[2]，災害累計發生面積高達3億hm2。預計2021年，我國農作物病蟲害仍會維持重發態勢[3]。劉萬才等[4]統計了2006—2015年我國農作物主要病蟲害的發生情況，我國農作物病蟲害總體處于嚴重發生狀態，發生面積為4.603 5～5.075 3億hm2，年均實際損失水稻、小麥、玉米、馬鈴薯等約2 000萬t，占全國糧食總產量的3.53%。近年來，隨著我國植物保護能力的明顯提高，通過采取各種病蟲害預防與治理手段，我國每年可減少糧食損失8 700～11 000萬t，占全國糧食總產量的16.00%～19.55%。由此可見，農作物病蟲害的預防與治理對農業生產具有十分重要的作用。

在農作物病蟲害預防與治理工作中，其首要問題是如何在農作物的生長過程中，快速、有效、精準地識別農作物病蟲害種類，并確定病蟲害發生的位置和范圍，評估病蟲害的嚴重程度，從而采取相關防治措施及時止損。在早期，農作物病蟲害識別主要通過人工進行現場檢查、測量、統計和辨識[5]，導致農業技術人員和農業專家面臨大量的重復工作，不僅費時費力，而且效率低下。隨著“3S”技術(遙感技術、地理信息系統和全球定位系統)、計算機技術、圖像處理技術的發展，農作物病蟲害識別方法有了很大的改進，運用機器學習技術識別農作物病蟲害已成為可能[6-8]，例如采用支持向量機、多層感知器、隨機森林等算法，通過識別農作物病蟲害圖像中病狀的形狀、顏色、區域等來判斷農作物病害的種類和嚴重程度。

在農業生產過程中，對農作物病蟲害進行精準識別并提出合理的防治措施、盡量減少用藥劑量、保障農作物的產量和質量具有重要的研究意義和研究價值[9]。基于此，本文通過總結與歸納國內外農作物病蟲害識別方法的研究現狀，闡述農作物病蟲害識別所涉及的關鍵技術，并針對存在的問題與面臨的挑戰，對農作物病蟲害識別的未來研究趨勢進行展望。

1 農作物病蟲害識別方法概述

在農作物病蟲害的預防與治理中，首先需要精準識別農作物所遭受的病蟲害，并對這些病蟲害的種類加以區分，對病蟲害的嚴重程度進行評估。以水稻為例，常見的水稻病害(圖1)包括細菌性病害[10]、真菌性病害[11]、病毒性病害[12]、生理性病害[13]等；常見的水稻蟲害(圖2)包括二化螟、稻縱卷葉螟、稻飛虱等[14]。只有準確識別和區分農作物病蟲害，才可以制定相應的防治策略，從而最大程度保障農作物的產量與質量。

1.1 農作物病蟲害的特點

農作物病蟲害發生的特點主要包括[15]：

(1)復雜性：針對不同的農作物，在不同生長時期、不同的環境條件下，容易爆發各類農作物病蟲害。

(2)傳染性：由生物因素引起的病害可在農作物個體間互相傳染，通常是由發病中心向四周擴展蔓延，患病株、健康株會交錯出現，離發病中心較遠的植株病情有減輕現象，相鄰病株間的病情也存在差異。

(3)積累性：大部分農作物病蟲害并不是即刻發生的，根據發生的時期，可以分為早、中、晚期，且農作物在患病的不同時期均有特定病癥，如早、中期細菌性病害在病部有膿狀物，早、中期真菌性病害在病部有銹狀物、粉狀物、霉狀物等。

(4)突發性：農作物病蟲害的發生常與溫度、濕度、光照、土質、水、肥等特殊條件有關，存在突然發生的現象。

1.2 農作物病蟲害識別方法發展歷程

農作物病蟲害的識別、預防與治理是農作物保護、農作物醫學學科的重要研究內容之一。農作物醫學是研究農作物的生命運動，通過增進健康、防治疾病以保障農作物正常生長或提高農作物產量及質量的知識體系和實踐活動[16]。隨著科學技術的發展以及人們對農作物、生態環境的進一步認知，農作物病害的識別方法也有了極大改進。

1.2.1基于人工的識別方法

早期，農作物病蟲害的識別主要是通過人工現場檢查、測量、統計、辨識。依據經驗[17]，真菌性病蟲害的主要特征比較明顯，患有該類病蟲害的農作物在患病處通常伴隨銹狀物、粉狀物、霉狀物等，根據不同的發病特征即可確定病蟲害的種類；細菌性病蟲害的主要特征是農作物患病處出現“菌膿”現象，用手觸摸患病處感覺到黏液類物質，即說明農作物可能患有細菌性病蟲害；病毒性病蟲害會造成傳染，一旦發生就面臨大規模感染的風險，一般呈現矮化、畸形等特征。除了依據經驗辨別農作物病蟲害，還可以對農作物患病處做切片觀察。

人工辨別農作物病蟲害的局限性在于：①主觀性強，即辨識結果通常受到觀測人員個人因素的影響，觀測人員經驗不同，辨識的結果可能產生偏差，尤其是評估病蟲害嚴重程度這一項，會存在較大誤差。②效率低，觀測人員需在田間環境或實驗室環境下逐株、逐片檢查樣本的患病情況，費時費力，且持續時間長。③識別準確率低，由于田間環境具有復雜性的特點，植株之間的相互遮擋、患病處隱蔽、患病特征不明顯、患病株與健康株相互交錯等現象會導致觀測人員漏檢、錯檢。

1.2.2基于儀器的識別方法

隨著各類便攜式農作物病蟲害檢測儀的發明與普及，農作物病蟲害的識別已從實驗室走入實際應用中[18]。李震等[19]研制了柑橘全爪螨蟲害快速檢測儀，采用光反射法，測量果樹冠層葉片對紅光和近紅外光的反射率，再根據反射率計算全爪螨為害程度指數作為儀器的輸出結果，進而按照無、輕度和重度3個級別判定柑橘全爪螨蟲害程度。殷憲同等[20]設計了一種便攜式農作物病蟲害檢測儀，可實時采集農作物病蟲害圖像，并與存儲在儀器內部的圖像進行對比識別，從而辨識出蟲害的種類。

新型便攜式檢測儀器的使用便利了農業工作者對農作物病蟲害發生情況的掌握、評估，但是，檢測儀器仍需人工進行操作，自動化和智能化程度普遍偏低。同時，檢測結果還容易受外界環境(例如溫度、光照)、硬件設備(例如光譜相機、傳感器)、軟件系統(例如數據處理系統、識別系統)等因素的影響，例如基于光反射法的檢測儀器對外界光照條件比較敏感，不同的光照條件對檢測結果會產生影響。

1.2.3基于數理統計的識別方法

數理統計在農業科學由經驗型向精準型的轉化中起到了不可忽視的作用，其應用已延伸至農作物病蟲害的田間實驗、診斷、預測預報等[21-22]。

石明旺等[23]通過分析小麥紋枯病在不同階段的流行特點，利用多年定點系統調查數據，采取統計學和流行學相結合的方法，組建了動態預測的回歸模型和預測模型，對小麥紋枯病的識別與預測進行了初步驗證。田有文等[24]利用統計模式識別的監督分類方法和基于Fisher準則的線性判別函數對農作物病害圖像進行真彩色二值化分割，從而滿足對病害圖像進一步處理的需要。NAYAK等[25]總結了數理統計模型在水稻病蟲害識別中的應用，這些統計模型不僅包括傳統的單分子、指數、對數等，還涵蓋關聯性分析、多元分析、貝葉斯統計、決策論等統計模型。

基于數理統計的識別方法在應用中存在以下的限制：①該識別方法在具體應用上需要大量、完整的歷史數據，往往需要幾年，甚至數十年的數據才能挖掘出農作物病蟲害發生的規律。②該識別方法的適用范圍較小，即某一地區的農作物病蟲害發生規律只適用于該地區，且往往只能識別某一作物的某一種病蟲害。③基于數理統計的識別方法需要專業的統計學知識，對農業技術人員提出了更高要求。

1.2.4基于模式識別和機器學習的識別方法

模式識別是在一定量度或觀測基礎上將待識別模式劃分到各自的模式類中，主要是通過計算機技術來研究模式的自動處理和判讀[26]。圖像識別是模式識別的一個重要應用領域，近年來，國內外專家學者將圖像處理與模式識別相結合，并廣泛地應用于農作物的病蟲害識別中[27]，將提取的顏色、形態、紋理等不同參數進行篩選與優化組合，再利用線性分類器[28]、貝葉斯決策理論[29-31]、模糊識別[32-33]等模式識別技術對各種農作物病蟲害進行識別、分類，提高了識別準確率，進一步推動了農業信息化與精準化的發展。

機器學習理論主要是設計和分析一些可使計算機自動“學習”的算法，這類算法能從數據中自動分析獲得規律，并利用規律對數據進行預測[34-35]。例如，鄭建華等[36]以葡萄黑腐病、輪斑病和褐斑病為研究對象，通過提取RGB顏色矩、HSV顏色直方圖特征、GLCM紋理特征和HOG特征，采用級聯融合方式獲得多維葡萄病害特征，并利用支持向量機算法進行識別訓練和測試，平均識別準確率達93.41%。王佳[37]以香芋病害檢測為研究目標，通過提取香芋葉片的顏色特征和紋理特征，建立香芋病害數據庫，并利用支持向量機對香芋病害進行識別，試驗結果表明，該方法對香芋黑斑病、輪斑病和病毒病的平均識別準確率達93.00%。NETTLETON等[38]以水稻為研究對象，提出了兩種基于機器學習的稻瘟病識別方法：M5Rules和遞歸神經網絡，分別與基于過程的預測模型(Yoshino和水文模型)進行對比，在數據樣本充足的情況下，基于機器學習的稻瘟病識別方法具有更高的識別準確率和更好的泛化能力。DUARTE-CARVAJALINO等[39]以識別馬鈴薯晚疫病為研究目標，通過無人機搭載的相機拍攝高光譜圖像構建數據集，收集到的數據作為輸入，用于多層感知器、卷積神經網絡、支持向量機、隨機森林等機器學習算法的訓練，試驗結果表明，可以精準預測晚疫病對馬鈴薯的影響程度，其中，卷積神經網絡的性能稍優于多層感知器、支持向量機和隨機森林算法。

基于模式識別和機器學習的識別方法能夠識別某一農作物的某些特定圖像特征，進而判斷農作物的受害情況。但是，模式識別和機器學習在農業領域的應用仍然面臨一些問題：

(1)特征提取難[39-42]：受光照條件、圖像拍攝角度、田間復雜背景等因素的影響，經典圖像處理方法很難準確檢測出圖像特征，從而使得農作物病蟲害目標識別失敗。與此同時，農作物病蟲害的發展是動態變化的過程，不同時間段、不同地區的氣候條件、種植條件等因素都會對病蟲害目標大小、特征顏色、區域分布產生影響，導致病蟲害目標很難采用一定范圍內的某一特征或多個特征進行表述。因此，預先訓練好的模型并不能直接使用，而是需要根據實際情況逐漸修正。

(2)訓練樣本少[43-46]：模式識別和機器學習都需要大量的圖像數據，在此前提下訓練的模型才能取得更高的識別準確率和更好的分類效果，若訓練樣本數量過小，可能會導致模型出現過擬合現象。但是，采集農作物病蟲害圖像十分困難，尤其是在大田環境中，存在葉片遮擋、受害區域隱蔽等問題，同時，可供模型訓練的帶有標簽的大型農作物病蟲害數據集很少。

1.2.5基于深度學習的識別方法

作為機器學習的一個重要分支，近年來，深度學習已經成為圖像處理、自然語言處理、推薦系統等各領域的熱門技術[47]。傳統的機器學習方法，例如最小二乘法[48]、K-means聚類算法[49]、支持向量機算法[49]等，通常僅包含一兩層隱藏層的神經網絡，往往直接根據預設特征對樣本進行分類，不進行特征變換或者只進行1次特征變換，通常稱作淺層模型或淺層學習方法，深度學習網絡可包含成百上千層的隱藏層，且會對特征進行多次變換。

深度學習的基礎是機器學習中的分散表示，即假定觀測值是由不同因子相互作用生成。在此基礎上，深度學習進一步假定這一相互作用的過程可分為多個層次，代表對觀測值的多層抽象。以像素矩陣表示的圖像作為輸入為例，深度學習網絡將這種復雜映射分解為一系列嵌套的簡單映射，每個簡單映射由網絡的不同層描述。圖3中，輸入層展示了圖像的原始像素，在提取特征的步驟中，深度學習網絡必須確定哪些概念有利于觀察數據中的關系，例如在“隱藏層1”中，網絡可以通過比較相鄰像素的亮度來識別邊緣特征，基于這些邊緣的描述，“隱藏層2”可以更加容易地識別角和擴展輪廓的邊集合，接著，“隱藏層3”可以根據輪廓和角的特定集合來識別特定對象的整體部分，最后，輸出層針對圖像描述中包含的對象部分，輸出目標識別的結果。

由此可見，深度學習可以應用于識別農作物病蟲害目標[50-53]，其核心思想是以數據為驅動，通過各種線性和非線性轉換，從大量數據中自動提取多層特征表示，利用有監督和無監督的組合訓練方式完成特征提取和轉換任務，實現復雜樣本數據的關系擬合。得益于深度神經網絡的結構，前一層網絡所提取的錯誤特征能在一定程度上被弱化，且復雜函數可以用較少的參數表示，使得深度神經網絡結構更加緊湊，進而提高了網絡的效率和性能表現。

1.2.6識別方法分析

隨著科技的進步，農作物病蟲害識別方法由傳統的人工辨識、儀器辨識，發展至基于數理統計的辨識和基于學習的識別方法，且新一代的方法在不斷地克服原有方法的缺陷。例如，相較于傳統的人工辨識，使用便攜式儀器識別農作物病蟲害的優勢是客觀性，避免了農業技術人員的主觀臆斷，但其局限性在于沒有幫助農業技術人員擺脫繁重的工作，即自動化和智能化程度較低。隨后基于數理統計和基于機器學習的農作物病蟲害識別方法充分利用了數據的優勢，能夠從大量數據中挖掘出農作物病蟲害的各類信息，包括病害部位、顏色、形狀等關鍵信息，但是基于機器學習的農作物病蟲害識別方法仍受制于特征提取難、訓練樣本少等因素。所以，越來越多的國內外學者開始借助深度學習技術進行農作物病蟲害的識別。深度學習技術可以自動、高效、準確地從大量農作物病蟲害圖像中提取病蟲害目標特征，從而代替傳統依賴手工提取特征的識別方法。

1.3 農作物病蟲害識別過程

上述多種農作物病蟲害分類和識別的過程大致遵從以下步驟：

(1)獲取病蟲害數據：在早期的人工辨識方法中，病蟲害數據的獲取主要是通過農業技術人員、農業專家在田間環境通過肉眼觀察農作物的患病、受害情況。隨后，影像技術的發展使得彩色數碼相機逐漸被應用于收集農作物病蟲害數據，取代了肉眼觀察的方法，該技術的應用使得大量農作物病蟲害圖像、視頻數據的獲取成為可能。如今，隨著遙感技術的日趨成熟，高光譜、多光譜、近紅外、激光雷達等相機相繼被用于獲取農作物病蟲害數據，通過周期性地采集，即可獲得農作物生長全周期的時序數據。

(2)處理病蟲害數據：該步驟是提取所獲取數據中的農作物病蟲害目標。在早期的人工辨識、儀器辨識方法中，病蟲害目標的提取主要是依賴農業專家和農業技術人員的個人經驗積累。但是，人工提取病蟲害特征的數據處理手段不僅效率低下，而且存在主觀性判斷失誤的問題。因此，基于數理統計和模式識別的數據分析方法被廣泛采用，使得研究多源農作物病蟲害數據的信息處理過程成為可能。然而，農作物病蟲害數據具有復雜性的特點，例如圖像數據中存在田間背景復雜的現象、光譜數據中存在特征波段不顯著的現象等，亟需引入更加高效、智能的手段處理病蟲害數據，例如基于機器學習的數據處理方法。

(3)應用病蟲害識別結果：準確的識別結果能夠為農作物病蟲害的預防與治理提供指導意見與理論依據。一方面，在準確識別目標的基礎上，可以進一步評估農作物患病、受害的嚴重情況，根據評估結果，制定相應的治理方案；另一方面，結合不同時期的農作物病蟲害識別結果所構成的時序數據，可以為農作物病蟲害的發生提供預報、預測服務。除此以外，還需特別注意對農作物病蟲害識別結果的可視化和可解釋性工作，為農業技術人員、農業專家提供更多的便利。

近年來，基于深度學習的農作物病蟲害識別方法受到了國內外學者的廣泛關注，且涌現出了許多成熟的深度學習網絡[54]，包括限制性玻爾茲曼機(Restrictive Boltzmann machine，RMB)、深度玻爾茲曼機(Deep Boltzmann machine，DBM)、深度置信網絡(Deep belief networks，DBN)、卷積神經網絡(Convolutional neural networks，CNN)、循環神經網絡(Recurrent neural networks，RNN)、膠囊網絡(Capsule network，CapsNet)等。考慮到深度學習技術的流行性和活躍程度，本文以基于深度學習的識別方法為例，簡要介紹其在農作物病蟲害識別中的應用流程。

相較于傳統的圖像處理手段，深度學習的建模方法節省了大量的預處理過程，僅需要將輸入圖像剪裁成合適的尺寸即可進行目標識別，在大幅提升識別準確率的前提下，還縮短了識別目標的時間[55]。利用深度學習強大的圖像分類和目標識別能力，患病作物、受害部位都能直接從圖像中分離出來，而且，深度學習網絡對外界環境條件不敏感，可以應用到實際的農業生產活動中。以CNN為例，其應用于農作物病蟲害識別任務的具體流程如圖4所示[56]。

在圖4中，基于CNN的農作物病蟲害識別可以分為以下步驟：

(1)收集農作物病蟲害圖像，創建一個數據集。數據是網絡的基礎，任何網絡都不能脫離數據或者應用場景來評判網絡性能。不同的數據集有不同的特征分布，CNN的最終目的是擬合數據中的趨勢或者分布，所以找到合適的數據并做好適當的預處理，能更好體現網絡效果。

(2)對數據集進行分割，將數據集分割為訓練集和測試集。訓練集的數據用于訓練網絡，測試集的數據用于驗證網絡的最終效果。數據集分割方式和比例的不同會使得數據特征的分布存在差異。一般情況下，原始數據集的80%被用于創建訓練集，剩余的20%被用于創建測試集[57-59]。在有驗證集的情況下，訓練集、測試集和驗證集的分割比例一般為6∶2∶2。

(3)選取合適的CNN并搭建網絡，例如AlexNet、ZFNet、GoogLeNet等。常用的CNN有很多種，且各自具有獨特的優勢[60]。例如VGG，該網絡在多個遷移學習任務中的表現優于GoogLeNet，但其缺點在于網絡的參數量非常高，所以需要更大的存儲空間；ResNet的優勢在于可以處理梯度消失和梯度爆炸的問題；DenseNet的特色在于能夠通過特征在通道上的連接實現特征重用。

(4)訓練搭建的網絡并驗證網絡對于農作物病蟲害的識別能力。在訓練網絡之前，回調函數、損失函數和優化器必須提前被定義。回調函數用于收集兩類信息：訓練過程中步長(step)和損失(loss)之間的關系信息，以及固定步長和對應網絡精度的信息。損失函數又稱作目標函數，用于衡量預測值和實際值差異的程度。在訓練過程中，網絡通過不斷地迭代來縮小損失函數的值。優化器用于最小化損失函數，常用的優化算法包括Adam算法、梯度下降法、遺傳算法等。

(5)分析網絡的性能表現。在深度學習中，常用的評價指標是準確率(accuracy)、精確度(precision)、召回率(recall)和F1值。這些評價指標源自二分類的混淆矩陣[61]，即True Positive(TP)、False Positive(FP)、True Negative(TN)和False Negative(FN)。

(6)可視化網絡的輸出結果[56,62]。使用CNN進行農作物病蟲害識別的用戶主要分為兩類：網絡開發者和普通用戶(農民、農業專家、農業技術人員等)。前者具備完善的計算機理論知識但缺乏病蟲害識別領域的專業知識，后者則相反。開發者在提出網絡構想后，需要通過實際生產中的農作物病蟲害識別應用來驗證網絡的綜合性能，用戶友好的可視化界面有助于開發者更好地理解網絡的輸出結果，再根據結果的優劣調整網絡的深度、層級連接方式、參數等，達到優化網絡的目的。普通用戶不關心網絡的卷積、池化計算過程，而更關注網絡的輸出結果，可視化網絡的輸出結果有助于隱藏網絡的復雜運算過程，幫助普通用戶合理、高效地使用基于CNN的農作物病蟲害識別應用。

(7)解釋網絡的輸出結果[63-64]。當下的CNN可被看作是一個黑盒模型，即站在人類的角度，網絡的輸出結果是不能被完全理解的，所以具備可解釋能力的人工智能逐漸受到了研究人員的廣泛關注。針對一個農作物病蟲害識別任務，網絡給出的錯誤識別結果也會造成災難性的結果，例如錯誤識別了農作物受害的嚴重程度，導致過度使用農藥，造成土壤污染、環境破壞等惡性循環的結果。因此，網絡的可解釋性是將CNN部署至農作物病蟲害識別應用中的重要一環。

2 農作物病蟲害識別關鍵技術

農作物病蟲害的識別過程遵從數據獲取、數據處理和數據應用3個基本步驟，因此，這3個基本步驟中所涉及的關鍵技術，分別是病蟲害數據獲取、病蟲害數據處理和病蟲害數據應用關鍵技術。相較于傳統的人工識別、儀器識別、基于數理統計和模式識別的農作物病蟲害識別方法，基于深度學習的農作物病蟲害識別方法在識別效率、識別準確率和應用場景等方面都展現了其獨特的優勢，因此，下面以基于深度學習的農作物病蟲害識別方法為主要研究對象。

當前，成熟的深度學習技術已廣泛地應用于國內外的農業生產活動中，研究的對象包括但不限于水稻、玉米、木薯、甜菜、番茄、茶樹等，且應用的范圍十分廣泛，包括但不限于農作物目標檢測、農作物病蟲害識別、農作物受害程度評估、農作物產量預測等[27,34,55]。

隨著對深度學習技術在農作物病蟲害識別任務中應用的深入研究，有不少學者指出了深度學習技術在農業領域應用的局限性，例如，郭祥云等[65]認為，當前的基礎設施仍不足以支撐深度學習技術的全場景部署，同時，基于深度學習技術的農作物病蟲害識別應用需要巨量的計算資源，網絡參數過多而引起的時間復雜度是需要關注的問題，而且，在農業領域，缺乏相應的大量標簽數據以及人工標注數據的主觀性也是值得思考的問題。康飛龍等[66]指出當前很多學者和團隊都是在實驗室理想條件下采集并處理了農作物病蟲害圖像數據，但真正用于實際項目的并不多見。在農作物病蟲害識別應用中，數據的采集與預處理往往是最耗時的，由于農藥的大量使用，在真實田間或溫室環境下難以采集到規模足夠的農作物病蟲害圖像，且一個種植園區不可能同時具有多種病蟲害。同時，農作物目標及病蟲害的識別還受限于圖像中的復雜背景、光照條件、葉片重疊及遮擋、前景目標與背景顏色極為相近等因素，因此，優化和改進網絡就顯得尤為重要。HASAN等[60]也總結了當前深度學習技術在農作物病蟲害識別應用中的一些問題，包括缺乏帶有標簽的訓練數據、網絡訓練過程中存在的梯度消失和梯度爆炸現象、預測結果的過擬合問題、網絡的計算量問題等。

為了克服上述挑戰與困難，本文通過對國內外病蟲害識別方法研究現狀的調研，分別從基于田間/室內移動和固定的數據獲取技術、手持式數據獲取技術、基于無人機的數據獲取技術等方面闡述如何獲取農作物病蟲害數據；再從數據預處理、數據增強和深度學習網絡優化等方面介紹農作物病蟲害數據的關鍵處理技術；最后從可視化、可解釋性和預測預報方面概述如何運用農作物病蟲害識別結果。

2.1 病蟲害數據獲取關鍵技術

深度學習網絡的性能十分依賴于數據集，高質量、高相關性、具備完整標注、大規模的數據集對網絡的訓練很有幫助[67-68]。在農作物病蟲害識別應用中，最為常見的數據是由專業相機、手機所拍攝的彩色圖像，隨著傳感器技術及高光譜技術的發展，農業領域的數據變得更加豐富，多源農業數據的概念隨之衍生，高光譜、近紅外、紅外圖像等數據的獲取與使用，為網絡的訓練提供了極大的幫助。

從獲取方法上，農作物病蟲害數據的來源主要有以下兩種：利用現有的公開數據集訓練網絡；根據實際應用需求，自行采集病蟲害數據。

2.1.1利用公開數據集

當前，農業領域的公開數據集比較少，具體見表1。

表1 公開的農業領域數據集

由表1可知，在農業領域，可供網絡訓練的公開數據集并不多，與其他領域(如人臉識別、目標檢測)的數據集相比，每個數據集中所包含的類別數量、圖像數量也并不占優勢。其中，包含類別最多、圖像數量最多的是IP102數據集，分別有102個類別，75 000幅圖像。文獻[73]對一些小型的公開數據集進行了總結。

2.1.2自定義數據集

隨著研究的深入，當前的公開農作物病蟲害數據集不足以滿足國內外學者的需要，尤其是缺失包含不同地區、不同作物、不同生長周期、不同種類，以及早、中、晚期病蟲害等元素的多源農業數據集。因此，越來越多的學者會根據自己的需求，定制自定義的農作物病蟲害數據集。LIU等[74]在自然光環境下，利用數碼相機采集了966幅番茄圖像，包含了3 465個番茄。WU等[75]利用搭載在無人機上的數碼相機采集了6 267幅玉米圖像，其中患病圖像3 741幅，健康圖像2 526幅。LI等[76]利用智能手機和數碼相機采集了水稻鞘枯病、胡麻斑病等病蟲害圖像5 320幅和4 290幀視頻。XIAO等[77]利用數碼相機采集了2 385幅草莓葉片病害圖像，構建了自定義數據集。

隨著高光譜技術、激光雷達技術、遙感技術的發展，可采集的農作物病蟲害數據不僅限于圖像數據、地理位置、作物信息、氣象數據、田間調查數據等，還包括高光譜圖像、近紅外圖像、聲譜信息等[78-80]。

目前，國內外農作物高通量數據獲取平臺有十多種，各平臺都搭載了多種農作物數據獲取設備，按照搭載的方式，這些數據獲取平臺可以分為臺式、傳送帶式、車載式、自走式、門架式、懸索式以及無人機式等，表2對比了這些數據獲取平臺的使用環境和功能特點。

表2 農作物數據獲取平臺對比

由表2可知，當前，農作物病蟲害數據的獲取技術可分為3大類：

(1)基于田間/室內移動或固定的數據獲取技術

該類數據獲取技術通常指將成像組件加裝到現有農用車輛上后所構建的數據采集系統，例如，在農用拖拉機上裝載攝像機、激光雷達、高光譜相機等數據采集設備后，拖拉機可以改裝為移動式車載數據獲取平臺[88]。使用車載式數據獲取平臺的最大問題是傳感器校準，由于不同傳感器組在不同試驗環境下存在較大差異，在采集數據前，需要校準傳感器組以保障不同區域數據的可靠性和可比性。同時，車載式數據獲取平臺往往需要加裝復雜的控制系統，且須由專業的技術人員進行操控，使用代價相對高昂，因此，在實際應用中，該類數據獲取平臺有諸多限制。

為了解決車載式數據獲取平臺的局限性，近幾年，有學者指出可以搭建在田間或室內搭建軌道式數據獲取平臺[89]。該類平臺不僅可以帶動沉重的高精度監測設備，同時還可以長時間、高頻次的進行數據獲取工作，例如英國洛桑實驗室(Rothamsted Research)、蘇黎世聯邦理工學院、南京農業大學植物表型組學研究中心等都籌建了該類數據獲取平臺。但是，該平臺的多個技術難關仍不容忽視，尤其是數據采集設備在風雨條件下的工作情況、傳感器組的校準、植物表型精確重建等。

(2)手持式數據獲取技術

小型便攜式設備不僅具有制造成本低的優勢，同時還具有較好的采集靈活性。張超等[90]設計并實現了一種便攜式農業病蟲害圖像采集儀，如圖5a所示。該采集儀由WiFi鏡頭相機、Android手機或平板、可伸縮手持桿組成，農業技術人員可以通過手持桿將相機鏡頭推送至采集部位，再通過手機端實時預覽相機端視頻流，調整相機位置，控制相機的拍照。MULLER-LINOW等[91]使用立體相機裝置對三維冠層和葉片空間結構進行分析，該數據獲取裝置如圖5b所示。LAMPSON等[92]開發了一種便攜式設備，通過炭黑聚合物復合傳感器從病害區域提取揮發物，并測量每個傳感器的電阻變化，從而檢測農作物的受害情況，如圖5c所示。

手持式數據獲取設備的局限性在于較高的人工和軟件成本，即需要通過手動方式選擇合適的采集區域，且需要使用分析軟件來標準化數據。同時，手持式數據獲取設備的效率并不能滿足高頻率、多地點的數據采集需求。因此，當前迫切需要開發集成多個低成本傳感器的分布式全生長季病蟲害數據獲取平臺，例如可以獨立運行的小型田間工作站，通過分組無線業務或者無線通訊技術，完成多地點的數據互聯和獲取，實現對農作物病蟲害的實時監測與觀察[93]。

(3)基于無人機的數據獲取技術

基于無人機的數據獲取技術[94]指在無人飛行設備上裝載近遠程光學遙感成像儀(例如數碼相機、高光譜相機、多光譜相機、紅外熱成像儀、激光雷達成像儀等)在大規模田間進行數據采集。該數據獲取技術的優勢體現在可以在短時間內對多片區域進行取樣，所以尤其適用于大規模田間環境。隨著無人機和硬件成本的下降、技術可靠性和傳感設備性能的提升，基于無人機的數據獲取技術在近幾年迅猛發展[95]。賈鵬宇等[96]指出農業無人機不僅可以完成病蟲害監測的任務，其在土壤分析及規劃、植被覆蓋度監測、農田噴灑等農業生產活動中也大有可為。裴文斌[97]研究了植保無人機在玉米病蟲害防治中的應用，利用導航飛控或地面遙控的方式對受害區域的玉米進行藥劑、粉劑飛灑，實現了精準施藥。馬書英等[98]通過無人機跟蹤飛行、圖像傳輸、圖像處理和支持向量機算法，實現了農作物病蟲害的實時視頻監控和識別。

由以上的研究成果可知，雖然基于無人機的數據獲取技術具有高通量、大規模的優勢，但是該技術需要在相對穩定的天氣條件下才能得以施用，例如無人機只能在風速小于10 m/s的天氣條件下飛行，且不能在大雨、濃霧等情況下飛行[99]。此外，無人機所搭載的光學數據采集設備對光照強度、拍攝角度要求較高，不同時間段、不同拍攝角度獲取的數據可能會出現較大偏差。這些因素大大影響了該技術在應用中的數據質量、使用頻率、使用時長的不穩定性。

除了上述的農作物病蟲害數據獲取關鍵技術，建設農作物病蟲害共享數據資源平臺也迫在眉睫[100-101]。應當鼓勵網絡開發者、農業專家、農業技術人員上傳各自在研究工作中所采集到的病蟲害數據，利用多源數據融合技術，整合全球各地的數據集資源，為農作物病蟲害識別方法的應用研究提供有利基礎，為大規模復雜網絡的訓練提供數據支撐。

2.2 病蟲害數據處理關鍵技術

在多源農作物病蟲害數據中，蘊藏著農作物病蟲害發生的基本規律和主要特征，然而這些知識并不能直接通過瀏覽農作物病蟲害數據獲得，而是需要通過數據預處理、數據增強等技術對病蟲害數據進行進一步處理，為深度學習網絡的訓練做好準備，并通過網絡優化技術提高深度學習網絡對病蟲害數據處理的效率和識別準確性。

2.2.1數據預處理

從廣義上說，數據預處理可以被認為是在正式輸入數據至網絡之前的一切操作，包括對數據的直接處理，如歸一化、白化等操作，也包括數據擴充、不平衡樣本的處理等其他操作。本文區分了數據預處理和數據增強這兩個概念，即從狹義的角度來分析數據預處理的問題，有關數據增強的問題將單獨表述。

數據預處理的原則是使原始數據更適于網絡的計算，在本文選取的國內外文獻中，有些學者并未明確指出數據預處理的方法，但是根據網絡的需求，通常需要對原始數據進行歸一化處理，即調整數據每一個維度的值，使處理后的數據向量落在[0,1]或[-1,1]的區間內。除此以外，常用的數據預處理方法包括標簽標注、顯著圖標注、灰度處理等。

一方面，大部分病蟲害識別應用的數據預處理環節都涉及到標簽標注、顯著圖標注[102]。GANESH等[103]手工標注了橘子的數量、形狀，以幫助網絡準確識別圖像中的橘子目標。SELVARAJ等[104]邀請多位農業專家為30 952幅香蕉病蟲害圖像標注了不同生長時期、不同受害情況、不同拍攝環境等關鍵信息。LIU等[105]在獲取15 000幅番茄病蟲害圖像后，分別標注了每幅圖像中的番茄數量和受害情況。為農作物病蟲害數據添加標注是深度學習技術中數據預處理過程中的關鍵手段，因為網絡可以學習、識別標注數據中重復出現的模式，當一個網絡處理過大量的標注數據后，即可在新的、未標注數據出現時，識別出相同的模式。但是，當前的標簽標注通常都是采用人工標注的方式，這種方式不僅費時、費力，而且主觀性強，常常會出現錯誤的標注。雖然有的學者提出可以引入校準機制用以監督標注數據的可靠性，或者采用多人標注的方式，但這些方法并沒有完全解決人工標注標簽的根本問題。所以有學者指出，為了擺脫網絡對數據標簽的依賴，可以在深度學習中引入無監督學習[106-107]和弱監督學習[108-109]的方法。盡管深度學習基本都是基于強監督學習的，但是其極強的非線性映射能力可以較好地描述向量的空間特征，這些基于網絡學習到的特征可以遷移到其他的目標檢測、識別任務中，因此，無監督學習和弱監督學習同樣適用于基于深度學習的網絡中。

另一方面，在數據預處理階段，去除病蟲害數據中的無關內容與噪聲也是研究的方向[110]。MOHANTY等[111]利用灰度處理、圖片分割、背景移除等手段對獲取到的農作物病害圖像進行數據預處理，大大提高了圖像數據的質量與可用性。BRAHIMI等[112]對獲取到的14 828幅番茄葉片病蟲害圖像進行了顏色變換、背景移除、尺寸調整等數據預處理操作，以此助力AlexNet和GoogLeNet的訓練任務。ZHANG等[113]在小麥枯萎病檢測及感染程度評估的研究中，對采集的1 680幅光譜圖像進行了光譜提取和灰度處理，結果表明，預處理后的數據有助于提升深度學習網絡的識別準確率。通常情況下，農作物病蟲害圖像存在背景復雜、受害區域與健康區域無明顯邊界、受害區域面積較小不易識別等特點，這為農作物病蟲害的精準識別帶來了極大挑戰。因此，需要重視農作物病蟲害數據的預處理工作，包括但不僅限于標簽標注、顯著圖標注、灰度處理，同時還需考慮處理數據缺失值、數據編碼等問題。

2.2.2數據增強

數據增強是使有限的數據產生更多的等價數據，從而增加訓練樣本的數量及多樣性，最終提升深度學習網絡的性能。一個網絡具有百萬計的參數，為了使這些參數能夠正常運轉網絡，需要大量的數據進行訓練，但是在農作物識別應用中，通常難以找到充足的數據來支撐網絡的訓練。

常用的數據增強方法包括空間幾何變換法[74-75,114-119](翻轉、裁剪、旋轉、縮放等)和添加噪聲法[118,120-123](高斯噪聲、模糊、對比度變換、顏色擾動、隨機擦除、銳化等)，數據增強方法示例見圖6[124]。

圖6中，以第1行蘋果的原始圖像及其變換后的圖像為例，一個欠訓練的深度學習網絡會認為這些蘋果圖像是不同、獨特的圖像。但是這些基于空間幾何變換法和添加噪聲法的數據增強手段也具有一定的局限性，例如在隨機裁剪圖像時，選到的區域有時并不包含真實目標的區域，這就意味著，有時會使用帶有錯誤標簽的數據去訓練網絡。

雖然傳統的數據增強方法可以在原始數據集的基礎上生成更多的訓練樣本，但是，當原始數據集的質量不佳，或原始數據集中的數據并不具備代表性時，通過空間幾何變換法和添加噪聲法所生成的新數據并不能有效滿足網絡訓練過程中對訓練樣本的需求。因此，如何利用有限的原始數據生成新的、高質量的訓練樣本成為亟需解決的技術問題。有學者指出，對抗式生成網絡[125-126]、樣本匹配[127]、反事實推理[128-129]、自動增強[130]等方法的引入有望解決訓練樣本數量不足的問題。例如，自動增強(AutoAugment)方法是由Google提出的自動選擇最優數據增強方案，其基本思路是使用增強學習從數據本身尋找最優的圖像變換策略，通過從常規的數據增強操作中選取若干個操作并將其結合，隨機生成使用特定操作的概率和相應的幅度，并評估網絡的泛化能力來反饋新生成訓練樣本的質量。隨著新訓練樣本的加入，網絡可以有效提升識別準確率，同時，有效緩解識別結果的過擬合現象。

2.2.3深度學習網絡優化

在使用基于深度學習技術的農作物病蟲害識別方法時，需要對網絡中成千上萬的參數進行調整，以達到最優的病蟲害目標識別準確率，因此，網絡的復雜度及網絡優化是學者們普遍關注的問題。

網絡的復雜度可以從以下方面考慮[131]：首先是網絡每層的時間復雜度，以一個大小為k×d的卷積核為例，該卷積核做n次運算的復雜度為O(nkd2)，其中d為維度，k為卷積核的尺寸。其次是考慮序列操作數，從計算方式上看，卷積的n次序列操作均可以并行完成，故模型復雜度為O(1)。最后考慮序列中兩個元素進行交互所需經過的最大路徑長度，深度學習網絡通過卷積層來捕捉局部依賴，擴大層數從而擴大視野，對每個節點來說，能夠感知到的局部內容取決于卷積核的層數和大小，所以，交互所經過的最大路徑長度的復雜度可求解得O(logkn)。

為了完成大規模復雜網絡的訓練任務，大多數國內外學者都充分利用了GPU的加速運算能力[119-120,132-134]。然而，該方法是通過硬件的方式解決網絡復雜度的問題，以軟件方面為切入點，優化網絡結構、提升網絡性能的思路在本文所檢索的文獻中還少有涉及。

隨著農作物病蟲害識別研究的深入，可以利用以下技術來優化深度學習網絡[135]：

(1)網絡剪枝[136-137]：在網絡的訓練過程中引入評判機制，剔除不重要的連接、節點甚至卷積核，以達到精簡網絡結構的目的。網絡剪枝的優點在于可以減少網絡的參數，可以有效緩解過擬合現象的發生，同時，隨著網絡參數的減少，可以大幅降低內存開銷，且可以縮短網絡訓練的時間。

(2)張量分解[138-139]：該方法對于深度學習網絡的壓縮與加速具有直接作用，可以作為網絡結構優化的重要補充。需要注意的是，目前大多數的張量分解方法都是逐層分解網絡，缺乏對網絡整體性的考慮，有可能會導致不同隱含層之間的信息損失。此外，由于張量分解涉及相關矩陣的分解操作，需要增加額外的計算資源開銷。

(3)知識遷移[140]：該方法是基于遷移學習的一種網絡結構優化方法，即將源領域的相關知識遷移到目標領域中，完成網絡的壓縮與加速。但是，該優化方法通常只是將源領域的網絡輸出值作為知識進行遷移，而未考慮到源領域網絡結構對目標領域網絡結構的影響。未來，需要充分考慮源領域網絡的內部結構知識，從而更好地優化目標領域的網絡結構。

2.3 病蟲害識別結果應用關鍵技術

在獲得準確的農作物病蟲害識別結果后，需要將該結果展示給用戶，包括深度學習網絡的開發者和普通用戶(農業技術人員、農業專家等)。農作物病蟲害識別結果的可視化、可解釋性對實時、科學地指導農作物病蟲害的預測預報起著至關重要的作用。

2.3.1可視化界面

可視化工作分為兩大類：通過前向計算的方法直接可視化深度學習網絡每一層的卷積核及提取的特征圖，然后觀察其數值的變化；通過反向計算，將低維度的特征圖反向傳播至原圖像像素空間，觀察特征圖被原圖的哪一部分激活，從而理解特征圖從原圖像中學習到了何種特征。例如KRIZHEVSKY等[141]直接可視化了第1個卷積層的卷積核，如圖7所示。

有部分學者借鑒了KRIZHEVSKY在AlexNet中的可視化示范，采用了目標區域顯示、分區顯示、可信度顯示等方法來達到結果可視化的目的。例如，SELVARAJ等[104]和LIU等[121]分別采用目標區域顯示和卷積層激活像素顯示的方法可視化了病害識別結果，如圖8所示。

學界目前并沒有統一、標準的可視化工具對深度學習網絡識別結果進行可視化，所以學者在進行可視化工作時，需從網絡中手動讀取所需的特征圖、權重等參數。不僅如此，目前的可視化結果大多是面向網絡開發者的，僅有少數的工作[120,133,142]考慮了圖形化界面的設計，但可視化結果的可閱讀性較差，并不能為使用農作物病蟲害應用的普通用戶提供便利與解釋。

可視化技術將是深度學習未來研究的重點之一，尤其是農作物病蟲害識別結果的可視化，對實時、科學地指導農作物病蟲害的預防與治理具有重要意義。

目前，越來越多的深度學習框架也逐漸重視網絡可視化的相關研究，例如Tensorflow為網絡開發者提供了TensorBoard可視化工具，通過該工具，網絡開發者可以輕松查看網絡結構、損失、準確率等指標的變化情況；華為MindSpore深度學習框架也為用戶提供了類似的可視化工具MindInsight，該工具提供了豐富的功能，包括標量可視化、參數分布圖可視化、計算圖可視化、數據圖可視化、圖像可視化、張量可視化等，網絡開發者可以在訓練列表里選擇指定的訓練，進入MindInsight。但是需要注意的是，MindInsight目前僅支持導出在華為昇騰910 AI處理器上訓練所得的可視化結果，而且，受可視化工作的影響，網絡訓練的性能會有所下降，對計算機的內存控制也提出了更高的要求。

由此可見，針對網絡結果及識別過程的可視化還有待深入的研究[56]，一方面，需要改進現有的面向網絡開發者的可視化工具，均衡可視化工作、網絡訓練和內存控制等方面的側重點；另一方面，迫切需要研發出面向普通用戶(農業專家、農業技術人員)的可視化工具，為他們在制定農作物病蟲害預防與治理工作中提供更多便利。

2.3.2可解釋性

以卷積神經網絡為代表的深度學習技術在信息領域的應用極大地提高了信息的利用效率和挖掘價值，深刻地影響了各領域的業態，同時，也引發了監管部門和用戶對這一新技術在運用過程中出現的“黑盒問題”有所顧忌和疑慮。在農業領域，深度學習技術的不透明性和不穩定性也同樣是一個值得關注的問題，如何對網絡給出的病蟲害識別結果進行合理解釋成為亟需解決的問題。一方面，針對網絡識別結果的解釋可以為網絡開發者帶來便利，通過驗證支撐識別結果的關鍵特征，能夠有效為網絡開發者確認網絡的識別機理是否正確，并為網絡的優化、改進提供新的方向；另一方面，伴隨識別結果所給出的解釋可以解決普通用戶的疑慮，增強用戶對識別結果的信心，從而更好地部署后續防治工作，同時，所給出的解釋有助于用戶認識尚未發現的新規律，為未來的研究指明潛在方向。

當下，對農作物病蟲害識別結果可解釋性的研究尚處于起步階段，在FERENTINOS[115]所提出的作物病害檢測和診斷系統中，系統在輸出識別結果的同時，也給出了與識別結果最為相似的圖像作為解釋。余小東等[120]在設計基于CNN的農作物病蟲害檢測方法中，不僅告知了用戶作物所患病害的名稱，同時評估了作物受害的嚴重程度，并針對作物的病狀進行了文字描述，這樣的解釋有助于用戶更加確信網絡輸出的病蟲害識別結果。

深度學習技術雖然可以精準、快速地識別農作物病蟲害，并對病蟲害的流行趨勢做出預測，但是深度學習網絡通常是一個“黑盒”。網絡雖然可以識別出與農作物病蟲害強相關的特征，但是網絡無法將因果性和相關性解耦，導致次優甚至錯誤的病蟲害識別結果，最終導致錯用、濫用農藥的嚴重后果，所以研究具備解釋能力的網絡是農作物病蟲害識別應用研究的一個必然趨勢，也是迫切需要克服的困難。針對網絡的可解釋性，本文建議可以借鑒以下技術：

(1)反事實推理[143]：反事實推理能力是人類智力的一個重要標志，該方法是基于因果推理理論的，通過對過去已經發生的事實進行否定而重新表征，構建一種可能性假設的思維活動。該解釋方法可以結合網絡對反事實問題的推理、反饋，從而驗證網絡的解耦合能力。

(2)基于事例的推理[144-145]：該方法主要是通過一些具有代表性的樣本來解釋網絡的識別結果，例如可以為每一個聚類簇選取若干個代表性樣例和重要的子空間。基于事例推理的解釋方法尤其適用于為普通用戶解釋網絡的輸出結果。

(3)反向傳播[146]：該方法主要是依據微積分中的鏈式法則，沿著從輸出層到輸入層的順序，依次計算并存儲目標函數有關網絡各層的中間變量以及參數的梯度。常見的反向傳播方法包括敏感性分析、泰勒分解、逐層相關性傳播、DeepLIFT等。

2.3.3預測預報

有效的農作物病蟲害預測預報是提高農作物植保綜合防控水平的關鍵[147]。總結與歸納已識別出的農作物病蟲害、受害嚴重程度、受害區域、受害時間等信息，為后續的農作物病蟲害預測預報工作提供有效經驗與借鑒。被廣泛采用的病蟲害預測預報技術包括：

(1)靜態預測預報技術

該技術針對某一特定時期病蟲害發生的狀況進行短期或年際預測預報，思路較為簡單，所以能夠提供的預測、預報信息量較少。王秀美等[148]利用深度信念網絡，建立了基于深度學習的小麥蚜蟲短期預測模型，并利用有監督微調對網絡參數進一步優化，預測準確率達到82.14%。紀思琪等[149]采用決策樹算法構建了蔬菜病害靜態預警模型，并以黃瓜黑星病為例，對模型進行分析評價，實驗結果表明，模型預測準確率為90%。

(2)時序動態預測預報技術

該技術針對病蟲害發生過程進行預測預報，具有動態預測預報、靈活度高的優點。它的輸入數據通常是時序數據，或者輸出的數據是基于時序序列的。KIM等[150]結合長時間序列氣象數據和病害流行學模型EPIRICE，建立了水稻稻瘟病和紋枯病的動態預測模型，模型結果通過地理信息系統輸出，展示了這兩種水稻病害在特定區域的未來發展趨勢。QIN等[151]通過長期監測天氣情況和森林環境數據，將監測數據與森林病蟲害發生情況建立相關性聯系，從而動態預測、預警病蟲害的發生。

(3)空間傳播預測預報技術

該技術充分考慮了農作物病蟲害的空間傳播，例如孢子傳播、害蟲遷飛等現象。王海光等[152]應用HYSPLIT-4模式分析了小麥條銹病的發生與病原菌遠程傳播的相關性，在充分考慮著落區孢子濃度時間序列與監測區域降雨情況，得出小麥條銹病的遠程傳播與發生時間可通過計算大氣環流運動來預測的結論。ARIAS等[153]建立了一種流行病預測模型，研究病原體在農作物之間的擴散機理，該預測模型可以根據已感染病害農作物的區域和嚴重程度，預測以感染區域為中心的病害傳播路徑。

目前，預測預報技術還存在一定的局限性，具體表現在：①預測預報模型大多數基于單一的數據源來構造。②只能對局部小區域的尺度范圍進行預測預報。③缺少描述復雜過程的機制。因此，本文建議從以下方面考慮農作物病蟲害預測預報技術的改進：①將農業多源數據與病蟲害發生機理模型充分結合，由傳統、單一的氣象、農作物數據，拓展至高光譜、激光雷達等多源數據，建立全面、綜合的預測預報模型。②優化農作物病蟲害預測預報算法，隨著高時間分辨率氣象數據和高分辨率遙感影像數據的獲取，如何有效地對這些數據進行分析和挖掘，設計相應的由大數據驅動的預測預報算法是亟需研究的問題。

3 發展展望

快速、有效、精準地識別農作物病蟲害是病蟲害預防與治理工作的第1步。農作物病蟲害識別方法從最初的人工識別、儀器識別發展至基于模式識別、機器學習技術的識別方法，如今，隨著人工智能技術的發展以及計算機數據處理能力的提升，結合圖像處理的深度學習技術在農作物病蟲害識別上的應用愈加廣泛，且取得了豐碩成果。

通過歸納國內外病蟲害識別方法的研究現狀，總結了當前基于深度學習技術的農作物病蟲害識別方法所涉及的數據獲取、數據處理和數據應用等關鍵技術，挖掘出當前深度學習在農作物病蟲害識別領域所遭遇的問題與挑戰，并進一步闡述了潛在的解決方法，為未來深度學習技術在農作物病蟲害識別應用中的研究指明了新方向，提供了新思路。

深度學習是機器學習領域的熱門技術，其在農作物病蟲害識別領域的研究應用，從文獻數量、應用成果、社會影響等方面看，尚處于起步階段。未來，針對基于深度學習的農作物病蟲害識別應用的優化與改進可以從以下方面著手。

(1)數據獲取方面：使用多種數據采集設備，包括各類傳感器、彩色數碼相機、高光譜相機、近紅外相機、激光雷達相機等，創建包含不同地區、不同作物、不同生長周期、不同種類早中晚病蟲害等元素的多源農業數據集。同時，積極打造農作物病蟲害數據共享資源平臺，鼓勵網絡開發者、農業專家、農業技術人員上傳各自在研究工作中獲取的農作物病蟲害數據，利用多源數據融合技術，整合全球各地的數據集資源，為日后農作物病蟲害識別方法的應用研究提供有利基礎，為大規模復雜深度學習網絡的訓練提供數據支撐。

(2)數據處理方面：為了擺脫對數據標注的依賴，可以引入無監督學習和弱監督學習的方法，并結合遷移學習算法，將學習到的特征遷移到農作物病蟲害目標識別任務中。同時，使用對抗式生成網絡、樣本匹配、反事實推理等新式數據增強方法增加訓練樣本的數量，從而提高模型的識別準確率。最后，還需要考慮深度學習網絡的復雜度問題，以網絡剪枝、張量分解等手段壓縮、加速網絡，提升網絡的綜合性能。

(3)數據應用方面：針對農作物病蟲害目標的識別結果，尤其是要重視其可視化和可解釋性的工作，為深度學習網絡開發者和普通用戶帶來便利。同時，利用以時間為序列的長期目標識別結果，建立農作物病蟲害發生預測、預報模型，充分利用多源農業數據和農作物病蟲害發生機理模型的優勢，對農作物病蟲害的復雜發生情況進行詳盡描述，并通過由農業大數據驅動的預測預報算法為農作物病蟲害的預防與治理提供科學指導和可信依據。