水果病害視覺與光譜檢測技術研究現狀及展望*

吳俊鵬，黃光文，李君, 2

(1. 華南農業大學工程學院，廣州市，510642； 2. 廣東省農業人工智能重點實驗室, 廣州市，510642)

0 引言

水果產業是我國農業的重要組成部分，是糧食、蔬菜之后的第三大農業種植產業[1]。2020年全國果園總面積12.65萬平方千米，年水果總產量2.87億噸[2]，穩居全球首位。感染病害是導致水果減產的重要原因，造成的平均損失約10%[3]，最大損失可達80%[4]，帶來嚴重經濟損失。在生產中，許多果農難以及時掌握水果病害信息，導致錯失防控良機，或者盲目過量施藥。及時準確地檢測出水果病害，有助于實現水果生產過程的病害精準管理，減少化學藥劑的使用，提升水果產量和品質。

通過視覺與光譜技術實現水果病害檢測是當前研究熱點，一些高經濟價值的水果如柑橘[5-6]、草莓[7-8]、蘋果[9-10]等的典型病害檢測已有一定的研究。視覺與光譜檢測具有無損性、直觀性、實時性和準確性的特點，符合水果病害檢測的需求，在病害早期檢測、病情分級等領域有明顯優勢[11]。還解決了基于專家經驗、統計學、生物化學等的傳統檢測方法存在效率低、主觀性大、應用難度大等缺點[12-13]。本文介紹了部分國內外學者關于水果病害視覺與光譜檢測技術的最新研究進展，以期為生產實踐和后續的深入研究提供參考。

1 機器視覺檢測方法

水果在感染某種病害后，在其葉片、果實等相應部位通常會呈現出肉眼可觀察到的特定表征，例如枯黃、褐變、病斑等，這為機器視覺檢測水果病害提供了理論可能。而攝像頭是一種成本低、應用廣的傳感器。因此，基于機器視覺技術分析攝像頭拍攝的圖像數據，開展水果病害檢測的研究，貼近水果產業的實際生產需求，有利于未來技術落地推廣。

1.1 傳統圖像處理技術

傳統圖像處理技術主要通過一定的邏輯和算法來理解圖片中的內容，特別是顏色、紋理等特征，從而實現水果病害的檢測。圖像處理技術經過多年發展已經有相對成熟的理論方法，常見方法包括圖像增強、色彩空間變換、邊緣檢測、圖像分割、形態學處理等[14]。然而研究者仍在繼續研究創新，進一步挖掘圖像處理技術的潛力。邵彧等[15]提出了一種基于圖像處理技術的蘋果葉片病害檢測方法，利用GrabCut和分水嶺圖像分割算法去除背景，再通過判別局部保持投影算法提取葉片病害的特征，最后通過K-最近鄰分類器實現病害檢測，識別準確率為91.84%，較傳統方法提升了3～5個百分點。

此外，基于傳統圖像處理技術的水果病害檢測方法對結果有較好的解釋性，有利于與植保農藝研究相結合。圖像處理算法中每個參數都有具體的物理意義，可以從數學上對水果病害的幾何、光學、物理等性質進行建模。孫世鵬等在通過圖像處理技術檢測冬棗黑斑類病害的研究中，對圖像在RGB、HSB和Lab顏色空間的9個顏色分量進行分析建模，病害檢測正確率為 94.2%，達到了較佳檢測效果。該研究中，可以結合冬棗感染黑斑類病害后的顏色特征變化的相關研究，驗證顏色分量分析過程的合理性，以提高病害檢測模型的科學性。

1.2 深度學習技術

當前關于機器視覺技術在水果病害識別中的應用的研究更多著眼于深度學習領域[16]。深度學習是一種學習數據表示的多級方法，強調從連續的層中進行學習，這些層對應越來越有意義的表示[17]，最終實現對數據的理解。深度學習模型對水果病害特征有很強的自動學習能力，極大地簡化了研究流程，對葡萄[18-19]、柑橘[20-21]、蘋果[22-23]等典型水果病害均展現了較好的檢測效果。Zhong等[24]提出了一種基于深度學習的蘋果葉片病害檢測方法，在DenseNet-121深度卷積網絡的基礎上提出回歸、多標簽分類和焦點損失函數三種優化方法，準確率超過93%。訓練深度學習模型通常需要大量圖片數據集，PlantVillage、PlantDoc和PlantDisease等國際知名的大型公開數據庫收集了大量水果病害的圖片[25]，為研究者開展研究提供了數據。針對水果病害檢測的特點優化深度學習算法并改良模型結構是該領域的研究重點之一，公開數據庫也便于研究者驗證深度學習模型優化的效果。尚遠航等[26]利用PlantVillage數據庫中大量葡萄、草莓、蘋果等水果病害的圖片數據展開研究，提出一種基于混合注意力機制改良深度殘差網絡的水果病害檢測方法，注意力機制有助于深度學習模型選擇性地關注更重要的輸入特征，以提高檢測精度，該方法經測試準確率為92.08%，較改良前提升8.76個百分點。

除了公開數據集中收錄的常見水果的典型病害，還有大量沒被收錄的其他水果病害，如荔枝霜疫病等。研究者需要自行采集水果病害圖像，構建數據集。受限于各種因素，這種數據集規模通常不大。因此，基于有限的數據集規模，通過深度學習技術實現水果病害檢測對生產有重要價值，是當前備受關注的領域。肖偉等[27]研究了匹配網絡、原型網絡和關系網絡等針對小規模數據集的深度學習框架在水果病害檢測應用的效果，通過試驗發現雖然訓練樣本的減少會降低模型的檢測準確率，但選擇合適的小樣本深度學習模型并做針對性優化，可以降低數據采集難度，減少模型訓練時間，對水果病害的檢測效果可以逼近大樣本模型。此外，同一種病害感染不同水果的癥狀往往有一定的聯系，利用深度學習的遷移學習能力可以在數據集規模有限的條件下有效建模，充分利用基于大規模數據集訓練的效果良好的水果病害檢測模型，有利于深度學習檢測水果病害的技術更廣泛地應用于不同的水果。Afifi等[28]提出了一種使用有限數據自動識別植物病害的深度學習網絡，通過大型公開數據集訓練基線模型，以此為基礎運用遷移學習、Triplet網絡和深度對抗度量學習等技術構建可以從少量數據中學習的小樣本模型，其效果可以達到基線模型的81%。該研究的思路較為新穎，打破了研究深度學習檢測作物病害通常著眼于具體某一種作物病害的局限，考慮不同的作物的同種病害的共通性，提高了深度學習技術解決水果病害檢測問題的泛化能力，更適合實際應用。

2 光譜技術檢測方法

利用光譜技術檢測水果病害是當前研究熱點，大量研究表明水果作物的果實、葉片等器官在受到病害侵染時，外部形態和生理機能發生變化的同時，光譜特征會隨之發生變化。光譜傳感器對這種細微變化具有高度敏感性[29]，這為使用光譜技術來檢測水果病害，甚至是判斷病害嚴重程度提供了理論可能。

2.1 透射光譜技術

透射光譜技術主要應用于檢測一些為害果實內部的病原性和生理性水果病害，如蘋果霉心病[30]、菠蘿水心病[31]等。此類病害沒有顯著的表面癥狀，感染后自內而外地破壞水果內部，使得果肉逐漸腐壞。因而具有很強的隱蔽性，難以被及時發現。透射光譜檢測設備通常包括暗箱、遮光托盤、光源、光譜儀等，被測水果樣品放置于光源和光譜儀之間，使光譜儀接收由光源發出并穿過樣本后的光線[32]。透射光在穿透被測水果樣本時，水果內部物質會吸收、削弱特定頻率的光。分析健康水果和患病水果的透射光譜特性，可以實現水果內部病害的無損檢測。徐賽等[33]提出了一種基于透射光譜技術的菠蘿水心病無損檢測方法，結合多項式平滑、標準正態變量校正和概率神經網絡等方法構建模型，在不同波段中驗證檢測效果，最高達到98.51%。在實際應用中，透射光譜檢測水果病害會受到許多因素的干擾，如水果尺寸形態、操作方法等。Tian等[34]研究了果實大小(即光程長度)對蘋果霉心病透射光譜檢測的影響，提出了一種基于水果尺寸的光譜校正方法。建立了一個計算果實內部透射光消光系數的公式。基于此，應用誤差反向傳播人工神經網絡和支持向量機模型驗證了霉心病檢測效果，準確率達到90.20%，比校正前高5.89個百分點。秦楷等[35]通過試驗比較了透射光譜檢測時四種不同的擺放姿態的影響，并比較了不同的建模分析方法，結果表明豎放柄朝上是最佳擺放方式，偏最小二乘判別分析模型的檢測效果最佳，準確率最高達到93.75%。

2.2 反射光譜技術

反射光譜技術在水果病害檢測領域的應用更廣，主要用于檢測一些為害果實、葉片表面的病原性水果病害，如柑橘黃龍病[36-37]、酥梨炭疽病[38]、番茄灰霉病[39]、番茄花葉病[40]等。水果感染此類病害后，為害部位的表面的一些理化指標會發生變化，逐漸出現各類病斑、霉狀物、枯黃等癥狀[41]，反射光譜技術可以敏銳地檢測這種變化。反射光譜檢測可以在暗箱試驗臺進行，也可以利用便攜式光譜儀[42]在田間進行。檢測時光譜儀和光源布置在被測水果樣本的同側，光線與被測水果樣本的表面和內部相互作用，經過一段相對復雜的光學過程后離開樣本表面，被光譜儀、高光譜相機等設備接收。分析光譜數據中蘊含的特征信息，可以實現水果病害的檢測。張昭等[43]對葡萄霜霉病的早期檢測和防治展開了研究，通過分析從健康到患病的連續6天的葡萄葉片反射光譜數據，優選出4個波段特征，并構建支持向量機霜霉病檢測模型，最高準確率達到84.6%，實現了葡萄霜霉病顯癥前的早期檢測。Xie等[44]研究了通過光譜反射率檢測柑橘黑斑病，基于偏最小二乘分析的回歸系數選擇有效波長，并建立K-最近鄰模型，對早期階段黑斑病檢測準確率達到93.8%。Jiang等[45]分析草莓葉片炭疽病和灰霉病不同發病階段的反射光譜數據，結合光譜指紋特征提取和深度學習方法建立模型，獲得了相對較好的準確度(100%)和穩健的性能，在草莓明顯出現疾病跡象之前識別出無癥狀的真菌感染類別。由此可見，反射光譜檢測方法在水果病害早期檢測領域有很大的應用潛力，有助于在水果被感染但尚未出現明顯癥狀的階段便及時發現病害。

一些研究者還做了更為細致的研究，通過反射光譜技術實現水果病害的嚴重程度分級檢測，為精準施藥等病害防控工作提供更為準確的參考。Hou等[46]在反射光譜檢測葡萄卷葉病的研究中，按照嚴重程度劃分了4個類別，應用蟻群聚類算法建模分析，4個類別平均準確率最高為84.33%。Xie等[47]在番茄葉片灰霉病的研究中，按照嚴重程度劃分了6個類別，并對反射光譜數據建模分析，6個類別平均準確率最高為61.11%，而若僅以是否染病劃分為2類，則準確率最高達到97.22%。相較而言，反射光譜檢測水果病害嚴重程度的準確性不高。這是由于水果病害的發展是一個連續的過程，而病害嚴重程度通常不隨時間呈線性趨勢。因而一些樣本容易被誤檢為相鄰的類別，特別是在類別劃分較多的模型中。如何更為科學地劃分染病階段，并通過優化光譜數據分析方法提高水果病害的嚴重程度分級檢測的準確性，值得進一步深入研究。

2.3 光譜數據分析方法

通過透射或反射光譜技術得到的一般是若干光譜曲線，對此進行數據分析并建立模型，構建光譜數據與水果病害信息之間的定性關系，以實現水果病害的檢測。原始光譜數據中除了包含有效信息之外，還會受到水果樣品表面的各種物理性質特征的影響而產生噪聲和散射現象。運用適當的光譜預處理方法能夠有效消除背景噪聲及特定物理因素的干擾，提高圖譜與水果樣品屬性之間的相關性。常用的方法有SG平滑法、多元散射校正(MSC)、標準正態變量變換(SNV)等。

在分析光譜數據的過程中，提取光譜特征是關鍵步驟。用光譜特征替代大量的原始數據，可以使得建模分析更加簡潔、高效、準確，有利于提高模型的預測能力，還可以在投入實際生產應用時大幅度降低成本。常用的方法有競爭性自適應重加權采樣法(CARS)、連續投影算法(SPA)、主成分分析(PCA)、線性判別分析(LDA)等，一些常見水果病害的光譜特征[47-50]如表1所示。

表1 常見水果病害的光譜特征Tab. 1 Spectral characteristics of typical fruit diseases

要實現通過光譜數據對水果病害信息進行正確判斷，本質是定性分類問題。常見的無監督學習建模方法有聚類算法、k均值算法等，常見的有監督學習建模方法有K鄰近法(KNN)、支持向量機(SVM)、人工神經網絡(ANN)等。

3 展望

水果產業具有很高的經濟價值，在水果種植生產過程中，有效防控病害是水果產量、質量和收益的有力保障。在當前農業現代化快速發展的大背景下，對水果病害防控有了新的目標和要求。一方面，果園種植生產朝著規模化、機械化、智能化的方向發展，另一方面，新時代綠色無公害的消費觀念要求水果種植過程中盡可能少地使用化學藥劑，應當根據病害情況精準施藥。基于此，關于水果病害智能識別檢測的研究應運而生，能夠及時、準確、可靠地判斷作物病害狀況，是實現精準施藥的基本前提。基于視覺與光譜技術的水果病害檢測方法將為化學藥劑噴施提供重要依據，對于水果病害精準防控具有重要意義，也是精準農業這個未來發展大趨勢的要求。

3.1 機器視覺檢測方法的優化和應用

從國內外研究現狀來看，機器視覺技術方法在一定的條件下可以較好地實現水果病害檢測。基于傳統圖像處理的方法理論成熟，且具有對水果病害檢測過程解釋性強等優點，仍然值得進一步深入研究，并與深度學習等其他方法融合應用。而深度學習是當下機器視覺領域的主流技術，在準確性、通用性等方面具備優勢，進一步提高模型應對真實應用場景中的復雜環境的能力是研究熱點。

關于基于機器視覺技術的水果病害檢測方法的進一步研究中，提升檢測的準確性和魯棒性是研究重點。準確性是評價水果病害檢測效果的核心指標，魯棒性是體現水果病害檢測方法在真實環境中效果的關鍵指標，二者很大程度上決定了水果病害檢測方法的實用性，也是研究者們持續關注的焦點。通過應用更先進、合適的模型，針對水果病害檢測任務對模型作優化改良，調整改進數據采集、模型訓練的方式等方面，提高基于機器視覺技術的水果病害檢測方法的準確性和魯棒性。此外，檢測模型的輕量化也是值得關注的問題。在實際應用中，更輕量化、簡潔的水果病害檢測模型，意味著對硬件性能更克制的需求，有利于在實際應用過程中控制成本，更好地推廣。

關于機器視覺水果病害檢測方法的應用，得益于攝像頭的低廉設備成本，是當前最有可能推廣的技術路線。基于機器視覺技術的水果病害檢測方法通過嵌入式開發集成部署到微型計算機上，結合邊緣計算、物聯網等網絡通訊技術，搭載到果園監控系統、巡檢小車或是其他作業設備上，擴大病害檢測的覆蓋范圍，實現全天候的持續檢測，以及時預警水果病害。

3.2 光譜技術檢測方法的優化和應用

基于光譜技術的水果病害檢測方法相較機器視覺方法有更高的敏感性，有利于提高對水果病害檢測的準確性，特別是有望發現已感染而未呈現癥狀的潛伏期階段的水果病害，也可以實現水果病害嚴重程度分級等精度更高的檢測。

關于基于光譜技術的水果病害檢測方法的進一步研究中，特征波長是研究重點。通過一定的方法優選出可以表征水果病害的光譜波長以剔除冗余波長，提高模型效率，降低應用成本。除了深入研究優化目前常見的特征波長選取方法外，可以嘗試與深度學習等當前最新的分析技術相結合。另外，光譜數據采集對環境和操作技術的要求較高，原始光譜數據難免均一性不強、噪聲較多。因此，如何針對原始光譜數據進行適當的預處理，提高均一性并去除噪聲，為后續水果病害分析打好基礎，值得深入研究。

關于光譜技術的水果病害檢測方法的應用，考慮到光譜技術的工作特點，可以將基于光譜技術的水果病害檢測方法部署在小型便攜式設備上，應用到采后處理的品質檢測環節中。光譜技術是品質檢測的常用技術路線，而是否存在病害也是體現水果品質的一種指標，特別是及時發現處在沒有顯著癥狀的病害早期的水果，可以更好地保證上市水果的品質。

此外，為了進一步充分發揮光譜技術的優勢，提高種植階段對水果病害監控的效率，可以將高光譜設備搭載到無人機上，結合低空遙感和光譜技術，以實現對大片果園的病害情況進行監測預警。真實果園種植環境中多變的光線條件、復雜的背景等會對光譜技術的應用造成干擾，多設備協同的標定也較為復雜，應當針對這些技術難點進行攻關，使之可以在自然環境中更好地應用。

3.3 水果病害檢測的實際生產應用前景

基于視覺與光譜技術的水果病害檢測方法在投入實際生產應用方面有廣闊的前景，未來隨著相關應用研究的深入，應選擇適合的試點果園，將現有的技術盡快地投入實際生產，實現產學融合。在實踐中即能更好地檢驗現有檢測技術的應用效果，也可以在實際應用中發現現有檢測技術的缺陷、不足，同時可以積累更多更貼近實際的寶貴經驗和數據，為后續進一步研究提供思路。最終將進一步提升水果病害精準防控的水平，進而推動化學藥劑使用的減少和水果產量、質量的提升。

短期內，基于視覺與光譜技術的水果病害檢測方法和相應的智能設備難以完全代替人工，但智能裝備方法與傳統的人工識別方法相結合，作為相互的補充，可以很好地協同工作。智能水果病害檢測方法可以實現大范圍、持續性的覆蓋，以及較高的工作效率。雖然存在誤報等局限性，但通過智能裝備方法提供早期預警，再由人工去再次確認和決策，將大幅度減小相關專家的工作量，提高勞動效率。

最后，整體來看目前關于水果病害檢測的研究大多聚焦于某種特定水果，以及某種特定病害。這便產生了許多重復工作，導致研究效率低下。事實上，不同的水果病害檢測研究中所應用的視覺或光譜技術很大程度上是相通的，乃至其他作物病害檢測均有可借鑒之處，而不同的水果作物病害檢測研究中所面臨的也是共同的技術難點、困難挑戰。在開展水果病害檢測研究時，可以適當統籌，對一些可以侵染不同水果的病害，以及某種水果的不同病害可以一并展開研究，充分利用技術通用性，以加快研究的進展。