基于計算機視覺技術的水稻病害圖像識別研究進展

李 輝，羅 敏，岳佳欣

（1.成都農業科技職業學院機電信息學院，成都 611130；2.四川水利職業技術學院信息工程系，四川 崇州 611200）

近年來，隨著精準農業和智慧農業的興起，運用計算機視覺技術輔助農業生產為農作物病害的識別提供了新思路，基于圖像處理技術的農作物病害識別能提高識別的準確度、客觀性與識別效率，為農作物病害識別的自動化、智能化、精準化和科學化管理提供技術支持。國內外大量學者利用計算機視覺技術對水稻病害圖像診斷與識別開展了深入研究，研究內容主要集中在圖像采集、圖像處理、特征提取、分類識別4 個方面。水稻病害是影響水稻產量及質量的重要因素，水稻病害診斷和識別是精準農業的一個重要研究方向，開展水稻病害圖像識別研究對于推動水稻綠色高產、穩產、優質、高效發展具有重要意義。

本研究從水稻病害圖像采集、圖像處理、特征提取、分類識別4 個方面介紹國內外的研究現狀，分析了典型方法的基本原理、關鍵技術、實現方法和應用效果，總結了該領域現有研究存在的問題與不足，對未來的發展趨勢和研究方向進行了展望，以期為后續研究提供參考。

1 水稻病害圖像采集

圖像采集是圖像識別的基礎，采集到的圖像質量直接影響圖像識別結果的準確性和可靠性。數碼相機、數字化掃描儀、移動智能手機為水稻病害圖像的采集與處理提供了解決途徑和方法。

1.1 數碼相機或掃描儀

采用數碼相機、可360 度旋轉的高清攝像頭、視頻服務器等設備，在田間自然光照條件下對水稻常見典型病害的葉部為害狀進行圖像采集，但對水稻根、莖、穗部不同受害部位的病害圖像采集有待改進和提高［1］。針對數碼相機不適合采集狹長的水稻葉部圖像的缺點，采用EPSON 掃描儀采集病害活體樣本數字圖像［2］。

基于數碼相機或掃描儀的圖像采集主要有兩種方法。①在田間采集待測農作物的葉片等樣本，帶回實驗室，通過搭建固定的圖像采集裝置，完成對樣本葉片的檢測過程。這種方法具有檢測環境統一、圖像采集和處理算法簡單等優點，但采集到的樣本容易在傳輸中受損，成本較高，不具備普適性和通用性，在實際農業生產中難以普及運用。②采用數碼相機或掃描儀直接在田間拍攝獲取和存儲圖像信息，大大降低了采集成本，但圖像的獲取需要回到實驗室采用計算機設備進行圖像讀取，工序較為復雜；同時，相機分辨率、天氣、光照影響會加大后續圖像處理算法的難度。

1.2 移動智能手機

隨著智能手機的普及，圖像處理能力和傳輸能力大幅提升。智能手機的輕巧便捷性和精確性更能滿足田間作業的特殊要求，為水稻作物病害的快速識別與處理提供了新的解決途徑和方法。

研究者設計了分布式移動農業病蟲害圖像采集與診斷系統，可以實現人手或視覺難以企及的病蟲害區域圖像采集［3］。但由于水稻莖、葉遮擋和重疊現象嚴重，獲取的圖像數據信息不夠客觀、準確，對病害圖像識別準確率有一定影響。鄭姣等［4］以水稻常見病害為研究對象，采用Android 手機對水稻病害圖像進行采集，但該方法采用覆蓋有黑色棉布的方木板夾住葉片進行固定拍攝，對病害圖像采集需要限定在均勻光線、簡單背景下，不適合自然、復雜背景下的水稻圖像采集與診斷。劉小紅［5］提出手機客戶端對病害圖像進行實時采集和壓縮并上傳、遠程服務端識別返回結果的方法，該方法對于復雜背景的特征提取方法有待改進，圖像準確診斷率、壓縮率有待提高。姜慧［6］設計了一種手持式水稻飛虱圖像采集裝置，通過Android 手機控制相機采集水稻基部飛虱圖像，但未對水稻病蟲圖像去背景方法進行研究。張永玲［7］采用開源軟件LAMP 及客戶端開發環境，提出并開發了一種基于Android 系統的開放式水稻病蟲害診斷系統。張芳［8］通過Android 手機獲取病蟲害圖像，并可對獲取圖像進行裁剪以減少數據傳輸量。

采用移動手機進行圖像拍攝并及時發回圖像識別系統，可實現對病害的實時檢測，具有操作簡便、使用靈活、通用性和實用性強等優點，也對相關的圖像處理算法提出了更高要求。

1.3 無人機技術

隨著科技的進步，無人機在農業生產中的應用也越來越廣泛。基于無人機技術對稻田進行航拍，獲取樣本信息，并實時傳回數據，地面站通過病蟲害識別系統和軟件可以實時識別出病害類型、區域以及嚴重程度。王震等［9］提出一種利用小型多旋翼無人機采集稻田圖像，實現了快速準確識別稻田病害白穂病。景晨［10］通過無人機低空巡航飛行對水稻按周期進行拍照，回傳照片和位置信息；地面站對航拍的水稻圖像進行處理，選出疑似感染水稻縱卷葉螟的區域，為無人機精準施藥提供參考。

無人機獲取農作物病蟲害圖像技術，有利于形成更多層面、更加完善的三維空間維度平臺體系，是對精準農業信息獲取技術的重要補充，為低成本、高效、靈活實時獲取大面積和高空間分辨率的農作物信息奠定了基礎。

2 水稻病害圖像處理

圖像分割是圖像處理過程中的前續步驟，也是圖像識別的難點和研究熱點。圖像分割技術主要分為兩大類：①利用圖像灰度的不連續性的邊界方法，如邊緣檢測法。②利用圖像灰度的相似性的區域方法，如閾值分割。

2.1 邊緣檢測法

邊緣檢測法的實質是提取圖像中對象與背景之間的交界線，通過圖像灰度分布的梯度來反映圖像的灰度變化。常用的邊緣檢測算子包括Roberts 算子、Sobel 算子等［11］。何丹丹等［12］將水稻葉片圖像采用Canny 算子進行邊緣檢測，采用開運算和閉運算拼接不連續的邊緣點并去除非邊緣信息，從而提出一種基于多策略融合技術的水稻葉片邊緣檢測算法，該算法具有高效、準確、魯棒的特性。段瑞玲等［13］以水稻葉瘟病RGB 圖像為研究對象，計算2RG 色差分量模型，采用Canny 算法進行邊緣檢測；采用HIS 模型的H 分量獲得葉片范圍內的病斑邊界結果，采用DNGBI 閾值分割可檢測出水稻葉瘟病的普通型。

邊緣檢測法通過在不同區域間的邊緣上像素灰度值的急劇變化來解決分割問題，具有簡單易操作的優點，缺點在于分割效率依賴于邊緣檢測算子，魯棒性較差。

2.2 閾值分割法

閾值分割法是一種常見、簡單、高效的圖像分割方法，它通過設定一個或多個閾值，將圖像的灰度級劃分為幾個部分，各像素點閾值比較與劃分像素，同一部分的像素是一個整體。何丹丹等［12］根據綠色通道減去紅色通道（GMR）值的大小和分布設置閾值，對水稻冠層圖像進行分割。吳露露等［14］基于水稻植株RGB 彩色圖像的G 分量與R 分量的比值圖中，水稻植株與周圍環境的差異較大這一特性，采用迭代的方法選擇閾值，用閾值分割的方法對比值圖進行分割，檢測到的水稻植株結果比較理想。

閾值分割法的特點是簡單、執行效率高，難點在于閾值的選取。

2.3 數學形態學法

數學形態學法是采用具有一定形態的結構元素去處理和提取圖像的相似形狀，以簡化圖像，保留所需的基本形狀信息。數學形態學的研究主要分為二值形態學、灰度形態學和彩色形態學。劉立波等［15］利用橢圓模型，用橢圓擬合水稻稻瘟病單株最大病斑計算兩橢圓主軸長，并求兩者之比對水稻紋枯病病害程度進行檢測。

數學形態學法有效解決了圖像分割精度低下、效果差等問題。該方法對于邊界噪聲敏感，對于復雜生長環境下的圖像分割精度問題較為突出。結構元素的選取是形態學運算的關鍵。

2.4 聚類分析法

聚類分析法是研究分類問題的一種統計分析方法，同時也是數據挖掘的一個重要算法。聚類分析法內容非常豐富，有系統聚類法、K-均值法、有序樣品聚類法等。江林等［16］通過對42 個水稻品種進行人工離葉片接種，分別按抗瘟性的多個抗性指標進行系統聚類分析，對選育水稻抗瘟新品種和防治稻瘟病暴發具有一定的實際意義。研究者分別對水稻抗稻瘟病、褐飛虱和稻癭蚊進行了聚類分析，對水稻病蟲害診治提供了參考［17，18］。

聚類法的優點是直觀、結論形式簡明；但在樣本量較大時，取得聚類結論有一定困難，對圖像噪聲和初始化數據敏感，算法的運算量較大，在農業生產應用方面有待進一步改進和優化。

2.5 神經網絡

基于神經網絡的分割方法將樣本圖像數據用來訓練多層感知機，進而用獲得的決策函數和訓練好的神經網絡對圖像進行分類，得到分割的結果。譚峰等［19］提出用訓練BP 神經元網絡的方法來分割水稻疫病圖像，以圖像的RGB 顏色分量作為訓練的樣本，較好地保留了圖像的紋理特征，實現了較好的分割效果。Liu 等［20］以水稻褐斑病為研究對象，設計了BP 神經網絡分類器對水稻葉片的健康部分和病態部分進行分類。

由于神經網絡具有巨量連接容易引入空間信息的特點，將其應用于圖像分割，有效解決了圖像中存在的噪聲和不均勻問題［21］。選擇何種網絡結構是神經網絡法運用于圖像分割所要解決的主要問題。

2.6 深度學習

深度學習是近年來圖像識別領域重要的技術手段。特別是卷積神經網絡的引入，在圖像分割和特征提取方面十分有效。賈少鵬等［22］提出了一種CNN 與膠囊的組合模型進行農作物病蟲害圖像識別，模型的圖像識別正確率非常高，為深度學習技術的不斷發展創造了條件。王琢等［23］以Caffe 深度學習框架為基礎，構建全卷積神經網絡FCN，采用有監督的學習方法，通過對數據集標注、數據集標簽制作，實現葉片圖像的分割。陳天嬌等［24］構建了基于深度學習方法的病蟲害種類特征自動學習、特征融合、識別和位置回歸計算框架，實現了田間病蟲害識別自動化、智能化和高效率。Xiong 等［25］提出了基于簡單線性迭代聚類的超像素區域生成、卷積神經網絡分類和熵率超像素優化，采用Qseg、Sr 等6 個指標評價分割效果對測試樣本進行了平均分割。段凌鳳等［26］應用水稻圖像數據集和數據增廣技術，優選了基于Seg Net 的網絡。該算法能克服稻穗邊緣嚴重不規則，不同品種及生育期稻穗外觀差異大，穂葉顏色混疊和復雜的大田環境中光照、遮擋等因素的干擾，提升了稻穗分割準確度及效率。Zhao 等［27］提出了一種基于深度學習的U 形網絡結構的水稻倒伏評估方法，為大面積、高效率、低成本的水稻倒伏監測研究提供了重要方法。

深度學習通過局部連接和權值共享2 個特性，大大減少了模型參數的數量，具有識別速度快、準確率高等優勢。但該方法存在訓練樣本大、模型結構復雜、復雜圖像識別正確率低等問題。

3 特征提取

特征提取是圖像識別的關鍵步驟，圖像特征提取的效果直接決定著圖像識別的效果和精確性。由于致病因素的不同，不同的水稻病害在水稻根、莖、葉等位置會呈現出不同的顏色、形狀和紋理病斑。

3.1 顏色特征

顏色特征是一種用來形容圖像內目標事物表面某些性質的全局特征，描述了圖像或圖像區域所對應景物的表面性質，有很強的魯棒性。目前，使用較為廣泛的顏色特征模型包括RGB、HSV、YcbCr、HIS等。劉麗娟等［28］結合水稻紋枯病的顏色特征，圖像質量得到顯著改善，對比度提高，輪廓細節清楚，病斑邊界清晰；同時對圖像進行中值濾波，保護目標圖像邊緣，濾除圖像噪聲。

顏色特征具有直觀高效，不受圖像平移、旋轉和圖像大小影響，魯棒性強等特點，但不能很好地表示圖像中目標的局部特征，在農業圖像識別研究中有其局限性。

3.2 紋理特征

同顏色特征不同，紋理特征不是基于像素點的特征，它需要在包含多個像素點的區域中進行統計計算。在模式匹配中，紋理特征作為區域性特征有較大的優越性，不會由于局部偏差而無法匹配成功。Yang 等［29］采用基于顯微圖像紋理和形狀特征協同判斷的圖像識別方法與決策樹混淆矩陣法，采用距離變換高斯濾波分水嶺算法對稻瘟病孢子進行分離。Sanyal 等［30］通過抽取水稻病害葉片的紋理特征，對水稻褐斑病和稻瘟病進行了自動識別研究。

紋理特征是一種重要的視覺線索，具有旋轉不變性、抗噪能力強等優點，但它無法完全反映出物體的本質屬性和獲得高層次圖像內容。同時，紋理分析是一個非常耗時的過程。

3.3 形態特征

圖像的形態特征可以彌補顏色特征提取的不確定性。對于水稻病害而言，不同的病害具有不同的形態，也就存在一定的差異性。二值化后的圖像一般占用空間較小，形態特征清晰，減少了數據量和計算時間。路陽等［31］針對水稻葉鞘腐敗病最明顯的特征就是病斑部位，隨著病情的加重而逐漸擴大的情況，采用邊緣檢測處理方法有效提取了該病害的形狀特征，獲取了特征參量。趙開才［32］研究了適合水稻稻瘟病病斑分類的形態特征提取算法，在提取病斑面積、周長等傳統形態特征的基礎上，定義了病斑數、病斑面積/病斑個數比2 個新的形態特征，對急性型、慢性型和白點型3 種不同類型水稻稻瘟病進行了分類識別。

形態特征提取的難度較小，但存在缺乏較完善的數學形態模型、目標形狀信息與人眼的直觀感覺不完全一致等問題，導致提取的形態特征有效性受到影響，也加大了計算難度。

3.4 空間關系特征

空間關系特征是指圖像分割出來的多個目標之間的、相互的空間位置或相對方向關系，這些關系也可分為連接/鄰接關系、交疊/重疊關系等。如劉濤等［33］針對一些相似病害，如水稻白葉枯病和葉尖枯病在這3 個特征上非常相似，區分難度較大，但是2種病癥的一個很大區別在于病健交界明顯與否；水稻胡麻斑病與褐點型葉瘟病在形狀上表現為點狀，顏色大都表現為褐色，兩者的區別是外圍是否有黃色暈圈；提出一種基于病斑內部、邊緣以及外圍顏色差別的病健交界特征來區分相似病斑，對相似病害的識別精度效果顯著。

空間關系特征的使用可加強對圖像內容的描述區分能力，但對圖像或目標的旋轉、反轉、尺度變化等比較敏感。

3.5 多特征融合

多特征融合克服了單一方法特征提取容易引起圖像某方面的信息丟失，從而造成分類錯誤的缺點，既保留了參與融合的、多特征的有效鑒別信息，又可以在較大程度上消除信息冗余，實現壓縮，有利于圖像的實時處理和分類。崔麗潔［34］根據水稻病斑部位顏色和正常葉片顏色不同的特點，利用OpenCV實現HSV 空間顏色直方圖特征提取顏色特征，利用HOG 方向梯度直方圖特征描述圖像的局部紋理和形狀特征；將2 種特征向量相融合得到特征總長度作為模型的輸入，該模型具有高效性、強魯棒性和泛化能力強等特點。李妍［35］對分割后的圖像提取特征參數，采用HSV 顏色模型獲取圖像的顏色特征，使用Hu 矩獲取圖像的形狀特征，采用灰度共生矩陣獲取圖像紋理特征，利用LLE 流形算法對圖像數據降維，提取3 維特征，由這4 類特征構成特征向量，實現了特征向量的識別分類。袁媛等［36］采用RGB 系統和HIS 系統來描述了水稻紋枯病病害部位圖像的顏色特征表達，利用紋理特征實現了水稻紋枯病的有效識別。關瑩［37］分析了水稻稻瘟病、紋枯病、白葉枯病3 種病害病斑特征，從顏色、形狀、紋理3 個方面提取了不同的特征參數，基于特征參數有效組合實現了病害的有效識別。劉濤等［33］采用顏色特征、形狀特征、紋理特征、病健交界特征參數融合的方法對水稻葉部病害圖像進行特征提取。

目前，對水稻病害圖像特征提取方面的研究，主要基于以下2 個方面。①提取方法逐步從單一的特征提取方法，如直方圖法提取病害圖像特征、灰度共生矩陣法提取紋理特征、邊界特征法提取形狀特征等過渡到綜合考慮多種特征或多特征融合提取算法。②提取的目標具有單一性，以水稻葉片局部病斑區域為主，影響了病害研究的全局性；提取的時間節點單一，往往在水稻病害癥狀較為明顯時才進行研究，嚴重影響了圖像特征提取的實時性。大多數研究從圖像識別和圖像處理的角度出發對水稻病害圖像進行研究，缺乏從水稻病理學知識角度進行特征提取。如水稻稻瘟病分為苗瘟、葉瘟、節瘟等多種形式，在全部生育期均可發病，各部位都可能暴發病狀信息。今后的研究宜選取多時間節點、多部位進行特征提取，才能為病害暴發的不同時期準確提取特征信息，為及時識別和防治病害提供可靠的依據。

4 分類識別

圖像的分類識別是圖像處理的目的。高效率、高精度、高準確率的分類識別方法是農作物病害識別研究領域的重要目標，圖像分類識別方法隨著數學算法的進步而不斷發展。

4.1 支持向量機

支持向量機方法（SVM）是一種基于結構風險最小化原理提出的、基于統計學習理論的分類及模式識別方法，其關鍵在于核函數。趙開才［32］以提取的特征參數組合作為支持向量機的特征向量，對急性型、慢性型和白典型3 種不同類型水稻稻瘟病進行分類識別。袁媛等［36］設計并實現了一種基于支持向量機的水稻紋枯病識別方法，分別選擇水稻紋枯病、健康水稻作為訓練樣本，選擇徑向基核函數來訓練分類器，根據提取病斑的顏色和紋理特征并降維，采用Lib-SVM 對提取的特征數據進行分類訓練和測試，通過訓練取得模型。張超［38］采取SVM 分類器識別紋枯病病斑，并根據紋枯病病斑面積占比來診斷紋枯病為害等級。謝亞平［39］采用高光譜技術建立了健康和患病水稻的識別模型，采用Linear、Polynominal、Radial Basis Function、Sigmoid 4 種核函數的支持向量機建模算法對水稻稻曲病進行分類識別。

支持向量機方法兼顧了訓練誤差和泛化能力，在解決小樣本、非線性、高維數、局部極小值等模式識別問題中表現出許多特有的優勢，可有效克服神經網絡方法收斂難、解不穩定以及推廣性差的缺點。但SVM 方法對缺失數據敏感，對農作物病害圖像的識別分類沒有一個通用解決方案；在基于支持向量機的病斑分類過程中，目前關于核函數參數的選擇均采用試驗的方式確定，需要繼續深入研究。

4.2 神經網絡法

神經網絡是一種利用類似生物大腦的神經結點聯接的結構對信息進行處理的數學模型。神經網絡法具有大規模并行、分布式處理、自組織、自學習、抗噪性強、分類精度高等優點。BP 神經網絡是人工神經網絡的一種，具有非線性映射、泛化能力和容錯能力強的優點。劉立波等［40］選取水稻葉片紋理特征、顏色特征，采用BP 神經網絡成功地進行了水稻稻瘟病葉片病害區域和正常區域的有效識別。劉海波［41］采用BP 神經網絡方法，利用多元非線性回歸分析方法建立預警模型，同時根據病蟲害發生的周期性，建立季節性指數平滑模型。劉麗娟［42］使用三層BP 網絡建立預測模型，學習訓練樣本數據，建立模擬仿真系統進行病蟲害預測仿真，取得了較好的識別效果。王園媛等［43］利用人工神經網絡對復雜非線性問題映射能力強的特點，建立水稻白葉枯病害神經網絡預測模型，采取trailm 函數的BP 神經網絡模型，預測水稻病害的發生程度。胡越浪［44］通過將病害圖像特征建立輸入和輸出矩陣，放入BP 神經網絡中進行訓練，并根據結果對BPS 算法進行改進，從中選出識別效果最佳的網絡模型。

BP 神經網絡對初始網絡權重非常敏感，以不同的權值初始化網絡往往會收斂于不同的局部極小，影響訓練結果；同時，BP 神經網絡分類識別計算量大，收斂速度較慢，樣本實例的選取和訓練都影響神經網絡在圖像識別中的應用。

4.3 深度學習法

深度學習是指多層神經網絡上運用各種機器學習算法解決圖像、文本等各種問題的算法集合。卷積神經網絡（CNN）可以不依賴圖像特定特征進行圖像識別，因此被廣泛地應用到人臉識別、農作物病蟲害識別等領域。李淼等［45］引入了知識遷移和深度學習的方法，采用ImageNet 圖像大數據集和Plant Village 植物病害公共數據集為對象，探討了適用于農作物病害識別問題的最佳網絡和對應的遷移策略。譚云蘭等［46］采用深度卷積神經網絡模型，將常見8 類水稻病害圖像輸入網絡模型中進行訓練和測試，取得較高的識別精度。邱靖等［47］通過使用深度卷積網絡建立水稻病害識別模型，對水稻稻瘟病、紋枯病、稻曲病等常見病害進行分類識別研究。該模型具有泛化能力較強、準確率較高、魯棒性較好及損失率較小等特點。劉婷婷等［48］以卷積神經網絡進行水稻紋枯病識別，取得了較好的識別效果。劉成［49］提出了基于卷積神經網絡識別稻曲病的方法，以淺層網絡結構為模型，改進和優化網絡結構，使用數據增強增加樣本數據量，提高訓練結果的泛化能力。張楠等［50］基于Softmax 深度回歸分類方法研究了稻瘟病病害的識別技術，對水稻稻瘟病病害進行了有效識別。黃雙萍等［51］提出了基于深度卷積神經網絡GoogLeNet模型的水稻穗瘟病檢測方法。

深度學習的神經網絡層數多、寬度廣、學習能力強，覆蓋范圍廣，適應性能好，數據驅動上限高，可移植性好，能解決復雜的問題，但也存在計算量大、成本高、對硬件需求高、模型設計復雜等不足。

4.4 高光譜圖像法

高光譜圖像作為一種新型遙感圖像。高光譜圖像眾多的波段、較高的光譜分辨率、豐富的光譜信息、靈活的數據描述分析方法使得對目標實現有效區分和辨識成為可能。李志偉等［52］以健康和感染紋枯病的水稻幼苗為研究對象，獲得水稻葉片的光譜曲線，對不同預處理的光譜建模和特征信息提取，建立線性判別分析模型和誤差反向傳播神經網絡判別模型。鄭志雄等［53］利用高光譜成像系統采集了受稻瘟病侵染后不同病害等級的水稻葉片高光譜圖像，通過分析葉瘟病斑區域與正常葉片部位的光譜特征，提取只含病斑的高光譜圖像，對水稻葉瘟病病害程度進行分級。楊燕［54］提出了針對稻瘟病病害檢測的高光譜特征提取方法，系統建立了基于高斯擬合參數、植被指數和小波近似系數的水稻稻瘟病病害分類判別模型，實現了稻瘟病的精確、無損檢測。黃雙萍等［55］提出了一種光譜詞袋模型分析方法，分析稻穗的高光譜圖像，自動評判穗瘟病害程度。朱夢遠等［56］基于高光譜成像技術和化學計量方法，將葉綠素含量與光譜特征、圖像特征組合，建立反向傳播神經網絡線性判別分析模型，實現了對水稻紋枯病害的早期檢測識別。

基于水稻病蟲害的多類多樣，建立詳細完整的水稻病害光譜庫和設計專有的光譜成像采集分析系統都是十分必要的。

目前，在水稻病害圖像分類識別方面的研究主要基于以下2 個方面：①大多數研究都是針對一兩類疾病在特定環境和特定病發時期，采用單一的分類識別算法進行特征識別，算法局限性強，魯棒性差；②大多數水稻病害識別系統均為線下、單機、試驗環境下的靜態識別，實時性和泛化性差，識別精度不高，識別效率低下，導致實際應用效果差。

5 小結與展望

本研究對基于計算機視覺技術的水稻病害圖像識別進行了比較全面的綜述研究，總結出進一步的研究趨勢：①在圖像采集方面，圖像采集設備正不斷朝著數字化、網絡化、集成化、智能化、高分辨率化、移動化方向發展，圖像采集方法也從傳統實驗室里基于少量圖像樣本獲取信息到如今基于大規模農田智慧化獲取海量數據樣本信息，正不斷滿足精細化、智能化農業生產的要求。②對大規模復雜、真實自然場景下的圖像分割仍將是研究的重點和難點，圖像分割算法的快速性、高效性、魯棒性研究還有巨大的提升空間。③任何一種病斑圖像分割、特征提取和分類識別方法都存在一些不足與局限，引入新學科理論，結合新科技、新方法，基于研究對象和條件選擇合適的算法，或將多種算法有效結合使用，以尋求最優的圖像識別策略是當今領域主流的研究趨勢，可以取得更好的識別效果。④隨著大數據、物聯網、人工智能、遙感技術的高速發展，圖像特征提取和分類識別正不斷朝著數字化、集成化、智能化、標準化方向發展。真實自然環境下大面積農作物病蟲害圖像智能識別與防治、病蟲害海量數據標準化處理將是農作物病蟲害識別未來的重要研究方向。