基于信息技術的水稻病害識別與檢測研究進展

周馳燕　朱宇涵　姚照勝　楊俊　劉濤　孫成明

摘要水稻病害是影響水稻產量及品質的重要因素，開展水稻病害識別與檢測研究對推動水稻高產、優質、高效發展具有重要意義。本文從圖像技術、光譜技術及不同算法等方面總結了水稻常見病害的識別與檢測方法，分析了不同方法的基本原理及應用效果，并對存在的問題和研究展望進行了探討，以期為病害識別研究提供借鑒。

關鍵詞 水稻病害;圖像;光譜;識別

中圖分類號 S435.111;S126

文獻標識碼 1

文章編號 1007-5739（2019）07-0111-03

水稻是我國的幾大主糧之一，在糧食生產中占有重要地位，保持水稻的長期高產、穩產是保證我國糧食安全的有效措施。為了實現這一目標，水稻育種和栽培專家都在努力探索除了不斷培育出新品種外，栽培管理措施也發揮著重要的作用。水稻病害是影響產量的主要因素之一，如何快速、準確地識別與檢測水稻病害并進行有效防治，已成為水稻栽培工作者近年來主攻的方向。

水稻生：長過程中常見的病害主要有稻瘟病紋枯病、稻曲病、白葉枯病、惡苗病等，不同病害產生的癥狀及危害不同，檢測與識別的方法也不同1-1。傳統的方法是人工識別，主要通過觀察病斑的特征，再根據積累的經驗進行判別。隨著信息技術的不斷發展，新方法不斷出現，如通過圖像技術、光譜技術、遙感技術等進行識別。這些方法均是通過獲取病害特征的圖像信息或光譜反射值，對病害特征信息進行相關分析，構建相應的模型等，再通過驗證，最后實現對病害的識別3。現將其研究方法及過程總結如下。

1基于圖像技術的水稻病害識別與檢測

數字圖像技術是近幾年發展起來的一種有效的水稻病害識別與檢測技術，其在作物生長發育監測方面有一定的應用。通過對獲取的圖像進行分析，可以定量識別病害的類型與特征。

1.1病害圖像的預處理與分割技術

利用數字圖像技術實現水稻病害的識別，其前提是要解決圖像的特征值提取。一般來說，田間直接獲取的圖像會受到多種因素的影響，如光線、背景以及其他干擾物等，這些都稱為噪聲。有噪聲的圖像不能直接識別應用，必須要在圖像獲取后先進行去噪與增強等預處理4。預處理流程主要包括灰度處理、中值濾波、再轉換成灰度圖像等，然后再進行特征值提取，主要流程包括閾值分割、邊緣檢測病斑提取等，最后計算相應的特征參數（。前述研究者后來又提出一種新的基于PCA和Whitening融合算法的水稻病害圖像預處理方法，該方法獲取了大量水稻病害圖像的訓練樣本和測試樣本，通過對獲取的彩色圖像和灰度圖像進行PCA降維，再對降維后的樣本隨機取樣，應用Whitening算法獲取最后的圖像特征。驗證結果表明，該融合算法增強了預處理后水稻病害圖像的真實性，可有效提高病害識別準確率5。

病害圖像預處理完成后，接下來就是圖像的分割問題。病斑圖像分割是病害識別的關鍵問題，不同的分割方法會產生不同的效果。張武等采用最大類間方差法、數學形態學方法以及K均值聚類法相結合，較好地從復雜背景中分割出小麥病斑圖像，有效去除了光照、泥土和雜草等的影響。蘇博妮等研究了YCbCr.Lab、HSV和RGB顏色空間下水稻細菌性條斑病、稻曲病和稻瘟病等3種病害圖像的分割方法，結果表明，在RGB顏色空間下R分量高于B分量和G分量的特征，提取了水稻病斑，取得了較好的分割效果。對于分割后的圖像質量評價，劉立波等18也提出了一種無參考質量評價方法，該方法在分析影響圖像質量的部分因素基礎上，提出了綜合像素空間顏色分布、邊緣分布、色相計數、清晰度、模糊度和對比度幾個方面的整體質量評價方法，為水稻病害圖像分割質量評價提供了新的參考。

1.2基于圖像技術的水稻病害識別與檢測方法

水稻病害發生的部位不同，采用的圖像識別方法也不同。對于水稻紋枯病及稻瘟病的危害程度，馬德貴等9研究利用橢圓模型來擬合單株最大病斑，計算橢圓主軸長與人工檢測的實際最大病斑的長度比例，分析兩者相關性，結果對2種病害的識別均達到極顯著水平。管澤鑫等以水稻紋枯病、稻瘟病和白葉枯病等3種常見病害為例，應用逐步判別方法進行參數刪減（病斑形態、顏色、紋理特征等共63個參數），并利用貝葉斯判別法對這3種病害圖像進行識別，其中逐步判別方法在不影響最終識別結果的基礎上，最多可以使參數減少到原來的35%以上，有效剔除相關性小的冗余參數，最終準確率達到97%以上。劉濤等”利用計算機圖像技術對多種水稻病害進行了識別，準確率均達到了90%以上;研究所用水稻病害圖像一部分采用數碼相機拍攝，另一部分通過病害數據庫獲取，共計300張圖像，包含15種水稻病害，首先利用改進的mean?shift圖像分割算法提取病葉圖像中的病斑并根據相關方程獲取病斑特征信息，然后針對相似病斑誤報率高的問題提出一種病健交界特征參數，再結合球狀性、偏心率、不變矩、二階矩、對比度等特征參數，實現對病害圖像的識別與檢測。

在近地圖像的獲取過程中，除了數碼相機外，無人機的應用也越來越廣泛。田間圖像獲取所用的無人機可以是小型固定翼或多旋翼無人機，搭載高分辨率的數碼相機。王震等2提出一種利用小型多旋翼無人機采集稻田圖像，基于哈爾一萊克特征和阿達布斯特學習算法的稻田病害白穗識別方法，并通過試驗研究哈爾一萊克特征描述能力與阿達布斯特學習過程中訓練次數對識別算法性能的影響，實現了快速準確識別稻田病害白穗。劉小紅3借助4G網絡，采用C/S的網絡架構，對前端獲取的圖像，通過裁剪、壓縮后，上傳至設計好的系統，再利用系統的分析診斷功能，對圖像進行識別，可實時、準確地識別出病害種類，并提供準確的診斷信息。

2基于光譜技術的水稻病害檢測

地物受到輻射后，會產生相應的反射光譜，水稻也有自身特定的反射光譜。如果水稻在生長過程中受到病害的侵染，就會在表觀上產生相應的癥狀，包括含水量和葉綠素含量減少，使光譜反射曲線隨之產生相應的變化。根據上述原理，就可以利用不同的光譜參數對水稻病害進行診斷。

2.1高光譜成像技術

基于高（多）光譜成像技術的水稻病害檢測高光譜成像技術是在傳統光譜技術基礎上發展起來的一項新的檢測技術，是成像技術和光譜技術的有機結合。利用高光譜技術檢測水稻病害的原理是水稻受病害侵染后，其體內的色素及水分含量會發生變化，光譜反射率也隨之發生變化。楊燕4利用高光譜成像技術建立了基于光譜特征的稻瘟病病害識別模型和高光譜圖像統計信息的水稻稻瘟病分類判別模型，并通過分析水稻冠層光譜信息與抗氧化酶活性關系，實現了稻瘟病可見癥狀發生之前的預測預報。鄭志雄等19利用高光譜成像技術，分析了不同程序病害圖像，在2個特征波段上通過PCA和Otsu方法，對水稻葉瘟病病害程度進行分級，準確率可以達到96%以上，為稻瘟病的田間評估提供了技術支撐。Qin等呵研究了寬帶高空間分辨率ADAR（機載數據采集與配準）遙感數據在水稻紋枯病檢測中的適用性，構建了一個綜合的現場疾病指數（DI）來衡量病害感染嚴重程度，結果表明，多光譜遙感圖像具有較強的檢測能力。

2.2近紅外技術

基于近紅外光譜技術的水稻病害檢測近紅外技術在作物生長及病害檢測上的應用還不太多，但近幾年已有一些應用。王曉麗針對近紅外光譜的數據量大、波段眾多等問題，提出了水稻病害葉片光譜數據采集的相關流程，對進人預處理階段的光譜進行了篩選，最后采用PCA方法篩選了5個特征波段用于診斷建模，并運用BP神經網絡方法和逐步回歸法對其中的2種主要病害進行識別，結果準確率較高，可以對水稻主要病害進行檢測和診斷。同時，采用紅邊面積參數和660～990nm范圍反射率建立水稻紋枯病監測模型。采用逐步回歸法和BP神經網絡法建立2種疾病的識別模型，與逐步回歸分析比較，評價BP神經網絡為在660.990、1933nm的特性波段，性能更好，為水稻病害的間接快速檢測提供了理論依據8。

3基于多種算法的水稻病害識別

3.1基于機器學習的水稻病害識別

機器學習是人工智能領域比較核心的技術之一。利用機器學習可以進行圖像分割、圖像識別以及目標特征檢測與提取等，目前在作物病害檢測上也有一定的應用，但在水稻上的應用還較少。黃雙萍等19利用機器學習中的卷積神經網絡GoogLeNet模型對水稻穗瘟病進行了檢測，利用多尺度卷積核提取不同尺度穗瘟病斑分布式特征，學習復雜噪聲高光譜圖像的隱高維特征表達并進行級聯融合，通過對Softmax分類器統一學習與訓練，實現穗瘟病害預測建模。劉成2利用改進的卷積神經網絡，結合SVM和HOG算法，通過機器學習對稻曲病進行了分類識別，并在此基礎上開展更深的網絡訓練，得到6種水稻病害的識別方法，經過驗證效果較好。

3.2基于其他算法的水稻病害識別

在其他的算法應用中，貝葉斯理論也是其中的一種。楊昕薇等叫利用貝葉斯分類器，將水稻常見病害組合成4個不同的參數集，并進行篩選和多余參數剔除，最后構建識別模型。李鍵紅等針對不同種類水稻病害特征有相似的問題，提出了多任務聯合稀疏表示的水稻葉片病害自動識別算法，該算法將單一病害特征的識別過程看作“任務”并按照稀疏表示進行數據集的訓練，從而實現單一任務的相互聯合，最終提高識別的效率。Xiao等2把主成分分析和神經網絡相結合，通過降維處理，把21個參數變為6個參數，最后構建6-11-4，3層BP神經網絡識別模型，識別準確率達95%以上，能夠快速有效地識別稻瘟病。Kim等129利用韓國水稻生產代表性地區稻瘟病發生的歷史資料和歷史氣候資料，對韓國3個不同地區Cheolwon、Icheon、Milyang建立了區域特有的稻瘟病模型，然后使用長期記憶網絡（LSTMs）提前1年預測稻瘟病的發病率;與傳統的稻瘟病預測模型相比，該模型對水稻育種工作者和稻瘟病研究人員更有幫助。4存在的問題

4.1研究的病害部位單一

目前，開展的病害識別研究仍以葉部病害為主，其他如莖鞘等部位的病害還缺少相應的快速檢測技術。這主要是因為這些部位的病害特征獲取困難，不論是數字圖像還是光譜技術，均無法穿透到植株群體的內部。

4.2識別技術單一

雖然信息技術手段已在水稻常見病害識別中發揮了重要作用，但總體上使用的技術還比較單一，多數使用圖像技術光譜技術等。

4.3識別精度不高

由于多數學者使用的技術單一，加之病害特征復雜等因素影響，現有研究中對某個病害的識別精度較高，但對常見病害的總體識別精度卻不高。

5研究展望

5.1加強信息獲取設備的研發

針對目前水稻病害研究部位單一的問題，應大力研發適合在基部或群體內部獲取信息的設備，比如手持式可伸縮圖像獲取設備、地面行走圖像獲取設備等。

5.2加強多技術的融合

為了提升識別精度，必須加強多個技術的融合，比如圖像與光譜技術的融合、常規算法與機器學習的融合等。

5.3加強學科的交叉

水稻病害的識別與檢測涉及多個學科，如農學、植保、土肥、信息、環境等學科，如果只考慮農學與信息2個學科，可能會因問題搞不清楚而影響最終的精度;因此，必須加強學科的交，叉融合，才能弄清需要解決的問題，從而推進水稻病害識別與檢測研究的快速發展。

6參考文獻

[1]許秀，吳逸群.水稻主要病害及其防治技術[J].四川農業科技，2017（3）：27-29.

[2]趙洪貴.水稻主要病害及其防治技術[I].農業工程技術，2018（6）：24-26.

[3]管澤新.基于圖像的水稻病害識別方法的研究[D].杭州：浙江理工大學，2010.

[4]路陽，關海鷗，趙斌，等.水稻病害圖像預處理及其特征提取方法研究[J].農機化研究，2011（8）：27-30.

[5]路陽，衣淑娟，張勇，等.基于PCA和Whitening算法的水稻病害圖像預處理研究[J].黑龍江八一農墾大學學報，2017，29（2）：97-101.

[6]張武，黃帥，汪京京，等.復雜背景下小麥葉部病害圖像分割方法研究[J].計算機工程與科學，2015，37（7）：1349-1354.

[7]蘇博妮，化希耀，范振岐.基于顏色特征的水稻病害圖像分割方法研究[J].計算機與數字工程，2018，46（8）：1638-1642.

[8]劉立波，王劍，周國民水稻病害圖像無參考質量評價方法研究[J].農機化研究，2011（3）：50-54.

[9]馬德貴，邵陸壽，葛婧，等.水稻稻瘟病及水稻紋枯病病害程度圖像檢測[J].中國農學通報，2008，24（9）：485-489.

[10]管澤鑫，唐健，楊保軍，等.基于圖像的水稻病害識別方法研究[J].中國水稻科學，2010，24（5）：497-502.

[11]劉濤，仲曉春，孫成明，等.基于計算機視覺的水稻葉部病害識別研究[J].中國農業科學，2014，47（4）：664-674.

[12]王震，褚桂坤，張宏建，等.基于無人機可見光圖像Haar一like特征的水稻病害白穗識別[J].農業工程學報，2018，34（20）：73-82.

[13]劉小紅.自適應圖像壓縮的水稻病害診斷平臺[J].計算機技術與發展，2018，28（10）：173-177.

[14]楊燕.基于高光譜成像技術的水稻稻瘟病診斷關鍵技術研究[D].杭州：浙江大學，2012.

[15]鄭志雄，齊龍，馬旭，等.基于高光譜成像技術的水稻葉瘟病病害程度分級方法[J].農業工程學報，2013，29（19）：138-144.

[16]QINZH，ZHANG?M?H.Detection?of?rice?sheath?blight?for?in-season?disease?management?using?multispectral?remote?sensing[J].International?Joural?of?Applied?Earth?Observation?and?Geoinformation，2005，7：115-128.

[17]王曉麗.基于近紅外光譜技術的水稻葉部病害診斷模型構建[D].北京：中國農業科學院，2011.

[18]WANGXL，ZHANGXL，ZHOU?G?M.Automatic?detection?of?rice?disease?using?near?infrared?spectra?technologies[J].J?Indian?Soc?Remote?Sens，2017，45（5）：785-794.

[19]黃雙萍，孫超，齊龍，等.基于卷積神經網絡的水稻穗瘟病檢測方法[J].農業工程學報，2017，33（20）：169-176.

[20]劉成.基于機器學習的水稻病害識別算法的研究[D].合肥：安徽大學，2018.

[21]楊昕薇，譚峰.基于貝葉斯分類器的水稻病害識別處理的研究[I].黑龍江八一農墾大學學報，2012，24（3）：64-67.

[22]李鍵紅，吳亞榕.基于多任務聯合稀疏表示的水稻葉片病害自動識別算法[J].仲愷農業工程學院學報，2017，30（2）：40-44.

[23]XIAO?M?H，MA?Y，FENG?Z?X，et?al.?Rice?blast?recognition?based?on.

principal?component?analysis?and?neural?network[J].Computers?and?Electronics?in?Agriculture，2018，154：482-490.

[24]KIM?Y，ROH?J，KIM?H?Y.Early?forecasting?of?rice?blast?disease?using?long?short-term?memory?recurrent?neural?networks[J].Sustainability，2017，10（1）：34.