無損檢測技術(shù)在作物病害檢測中的研究綜述

陳 寅，劉曉宇，王 琳，王柏生

（1.江蘇農(nóng)林職業(yè)技術(shù)學(xué)院信息工程學(xué)院 江蘇，句容 212400；2.句容市柏生草莓專業(yè)合作社 江蘇，句容 212400）

2021年2月，國務(wù)院發(fā)布了關(guān)于全面推進(jìn)鄉(xiāng)村振興加快農(nóng)業(yè)農(nóng)村現(xiàn)代化的意見，意見強(qiáng)調(diào)要加快推進(jìn)農(nóng)業(yè)現(xiàn)代化，深入實(shí)施重要農(nóng)產(chǎn)品保障戰(zhàn)略，確保糧食和重要農(nóng)產(chǎn)品供給安全。作物病害是我國主要農(nóng)業(yè)災(zāi)害之一，如果防治不及時(shí)，將嚴(yán)重影響農(nóng)產(chǎn)品的質(zhì)量和產(chǎn)量。傳統(tǒng)農(nóng)作物病情檢測完全靠人工在田間進(jìn)行，檢測者憑借經(jīng)驗(yàn)來確定作物是否患病，這種檢測方法不僅效率低、勞動強(qiáng)度大、實(shí)時(shí)性差，且因檢測人員的主觀判斷以及經(jīng)驗(yàn)差異導(dǎo)致識別精度低、誤差大。也有些病害采用提前施藥進(jìn)行防治，容易帶來農(nóng)藥超標(biāo)的風(fēng)險(xiǎn)，造成土壤、水資源環(huán)境污染等問題。意見對加強(qiáng)化肥農(nóng)藥減量增效，推進(jìn)農(nóng)業(yè)綠色發(fā)展做出了整體部署，對農(nóng)作物病蟲害防控工作提出了更高的要求。若能采用非接觸的在線檢測方法，快速、準(zhǔn)確的確定病蟲害發(fā)生時(shí)間，就能實(shí)現(xiàn)精準(zhǔn)施藥、減少污染、有效防控，這對推進(jìn)我國農(nóng)業(yè)可持續(xù)發(fā)展具有重要意義。研究表明作物受到病害脅迫后，外部形態(tài)及生理特性均會發(fā)生一定的變化，而生理特性的變化往往早于外部形態(tài)的變化。與健康作物相比，染病葉片的圖像及光譜特征均存在不同程度的差異，這使得圖像處理技術(shù)、光譜技術(shù)、高光譜成像技術(shù)在作物病害無損檢測上成為了可能。隨著計(jì)算機(jī)、傳感器、大數(shù)據(jù)、人工智能等技術(shù)的快速發(fā)展,結(jié)合深度學(xué)習(xí)的無損檢測在農(nóng)產(chǎn)品病害檢測領(lǐng)域得到了廣泛的應(yīng)用，并取得了較好的研究成果。

1 機(jī)器視覺技術(shù)在作物病害檢測中的研究及應(yīng)用

機(jī)器視覺技術(shù)主要使用視覺圖像傳感器及計(jì)算機(jī)來模擬實(shí)現(xiàn)人的視覺功能，即通過該技術(shù)可以實(shí)現(xiàn)對外在環(huán)境的信息感知、數(shù)據(jù)采集、處理以及目標(biāo)識別判斷等功能，是計(jì)算機(jī)、光學(xué)、自動化、模式識別和人工智能等技術(shù)的有機(jī)結(jié)合。從20 世紀(jì)70年代開始，機(jī)器視覺技術(shù)逐步應(yīng)用于農(nóng)業(yè)工程領(lǐng)域，包括水果品質(zhì)檢測、農(nóng)產(chǎn)品質(zhì)量分級、產(chǎn)品種類鑒別、作物生長過程檢測等。采用機(jī)器視覺技術(shù)，可以獲取葉片的顏色、紋理、形狀等特征，進(jìn)一步通過模式識別算法建立模型實(shí)現(xiàn)病害識別或分類。Pydipati 等通過提取HIS 三通道的圖像，得到39個(gè)紋理特征，從而實(shí)現(xiàn)了柑橘類病害葉片的識別。田有文等利用色度矩提取病害葉片圖像的彩色紋理特征，并結(jié)合支持向量機(jī)算法實(shí)現(xiàn)了黃瓜葉片的病害圖像的有效分類，并且通過對比不同的核函數(shù)算法，指出線性核函數(shù)的SVM算法效果最佳。趙玉霞等對病害玉米葉片進(jìn)行顏色特征和形狀特征提取后，使用樸素貝葉斯算法實(shí)現(xiàn)了銹病、褐斑病、灰斑病、小斑病和彎孢菌葉斑病五種病斑圖像的分類識別，精確度達(dá)到83%以上。王美麗等將小麥葉片圖像由RGB 彩色空間轉(zhuǎn)換到HSV 顏色空間，提取顏色特征及形狀特征，并通過每種病害的特征范圍實(shí)現(xiàn)白粉病和銹病的有效識別。

2 光譜技術(shù)在作物病害檢測中的研究及應(yīng)用

光譜技術(shù)可以獲得人眼不能感知的光波段信息，因此利用其良好的光學(xué)性能，可以大大提高作物樣本信息的采集量。Malthus 等在400-1100 nm 波長范圍內(nèi)對被灰霉侵染的蠶豆葉片進(jìn)行了研究，結(jié)果顯示其一階導(dǎo)數(shù)反射率可以用來監(jiān)測蠶豆病害感染情況。Bravo等在可見光-近紅外中的四個(gè)不同波段對健康小麥和染病小麥的光譜反射率進(jìn)行了研究，建立了二次判別分類模型，使得分類錯(cuò)誤率從12%降至4%，從而實(shí)現(xiàn)小麥黃繡病的早期識別。Sankaran 等基于可見近紅外光譜技術(shù),分別使用二次判別分析法（QDA）和軟獨(dú)立建模分類法（SIMCA）對柑橘黃龍病進(jìn)行了識別，取得了較好的效果。吳迪等應(yīng)用可見近紅外波段的光譜信息分別對茄子以及番茄葉片灰霉病進(jìn)行了早期診斷研究，采用主成分分析對光譜進(jìn)行降維，并通過將前8個(gè)主成分輸入BP 神經(jīng)網(wǎng)絡(luò)建模實(shí)現(xiàn)葉片病害程度的檢測。張健等利用短波紅外成像儀獲取小麥葉片的光譜圖像，研究發(fā)現(xiàn)1350-1600nm 光譜范圍內(nèi)數(shù)據(jù)特征差異明顯，可以實(shí)現(xiàn)小麥赤霉病的檢測。穆炳宇等采用CARS 提取感染灰霉病花椰菜的近紅外光譜特征，并基于PLSR算法建立最小判別模型實(shí)現(xiàn)花椰菜是否染病的早期檢測。

3 高光譜技術(shù)在作物病害檢測中的研究及應(yīng)用

高光譜成像技術(shù)融合了圖像處理技術(shù)和光譜技術(shù)的優(yōu)點(diǎn)，獲取的高光譜圖像具有“圖譜合一”的特點(diǎn)，已經(jīng)廣泛應(yīng)用于農(nóng)產(chǎn)品品質(zhì)與安全的快速無損檢測中。Moshou等將高光譜反射圖像、多光譜熒光成像進(jìn)行數(shù)據(jù)融合，實(shí)現(xiàn)了冬小麥條銹病的診斷，識別率達(dá)到94.5%。Rumpf等采集侵染不同病害的甜菜高光譜數(shù)據(jù)，并基于支持向量機(jī)模型，實(shí)現(xiàn)不同病害的早期檢測與分類。Bauriegel等利用高光譜成像，并使用主成分分析可以實(shí)現(xiàn)小麥鐮刀菌引起的赤霉病的早期檢測。黃雙萍等對水稻穗瘟病的高光譜圖像進(jìn)行研究，提出了光譜詞袋模型分析法，并構(gòu)建卡方-支持向量機(jī)分類模型，提高了穗瘟病病害程度的分級準(zhǔn)確率, 分級識別精度達(dá)到94.72%。胡耀華等對受晚疫病脅迫下的馬鈴薯葉片進(jìn)行了高光譜分級研究，結(jié)果顯示經(jīng)光譜變換預(yù)處理后，建立的LS-SVM 模型效果較好，預(yù)測識別均達(dá)到94.87%。

高光譜成像技術(shù)是基于非常多窄波段的影像數(shù)據(jù)技術(shù)，獲得的數(shù)據(jù)相比多光譜分辨率更高，波段數(shù)更豐富，這給深度學(xué)習(xí)在作物病害檢測方面的應(yīng)用帶來可能。Zhu等利用高光譜成像儀采集TMV感染后2、4和6 d的煙草葉片以及相應(yīng)時(shí)間點(diǎn)的健康葉片圖像，結(jié)合變量選擇方法和機(jī)器學(xué)習(xí)分類方法，采用BP 神經(jīng)網(wǎng)絡(luò)進(jìn)行建模，對煙草病癥進(jìn)行早期檢測，最終選擇識別精度高達(dá)95%。黃雙萍等采用便攜式戶外高光譜成像儀在田間采集穗株高光譜圖像，利用GoogleLeNet 卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行建模，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，使得水稻穗瘟病害預(yù)測準(zhǔn)確率可以達(dá)到92.0%。王建濤等以柑橘正常葉片、潰瘍病葉片、紅蜘蛛葉片、煤煙病葉片、除草劑（草甘磷）葉片為研究對象，利用高光譜成像技術(shù)提取450-900nm 下的81個(gè)波段作為模型輸入數(shù)據(jù)，建立基于CNN的柑橘病葉分類模型，在訓(xùn)練1000 次以上，模型的準(zhǔn)確率為98.75%。桂江生等建立基于高光譜的卷積神經(jīng)網(wǎng)絡(luò)模型實(shí)現(xiàn)了對大豆花葉病害初期的快速檢測，可以實(shí)現(xiàn)健康葉片、接種SC3病毒的花葉病葉片、接種SC7 病毒的花葉病葉片有效識別。

4 總結(jié)

綜上所述，目前應(yīng)用光譜成像技術(shù)和機(jī)器學(xué)習(xí)技術(shù)實(shí)現(xiàn)作物病害檢測的研究已經(jīng)很多，主要集中于水稻、小麥等糧食作物以及大豆、黃瓜、馬鈴薯、煙草、柑橘等經(jīng)濟(jì)作物。但還存在如下問題：①大部分研究基于實(shí)驗(yàn)室數(shù)據(jù)階段，而針對大田或?qū)嶋H生長環(huán)境的作物病害檢測比較少；②國內(nèi)外學(xué)者對病害檢測識別模型或算法研究的較深，但對病害早期檢測預(yù)防研究較少；③國內(nèi)基于光譜和圖像處理的便攜式病害檢測裝置研究還很少，有待進(jìn)一步研究開發(fā)。