無損檢測技術在作物病害檢測中的研究綜述

陳 寅，劉曉宇，王 琳，王柏生

（1.江蘇農林職業技術學院信息工程學院 江蘇，句容 212400；2.句容市柏生草莓專業合作社 江蘇，句容 212400）

2021年2月，國務院發布了關于全面推進鄉村振興加快農業農村現代化的意見，意見強調要加快推進農業現代化，深入實施重要農產品保障戰略，確保糧食和重要農產品供給安全。作物病害是我國主要農業災害之一，如果防治不及時，將嚴重影響農產品的質量和產量。傳統農作物病情檢測完全靠人工在田間進行，檢測者憑借經驗來確定作物是否患病，這種檢測方法不僅效率低、勞動強度大、實時性差，且因檢測人員的主觀判斷以及經驗差異導致識別精度低、誤差大。也有些病害采用提前施藥進行防治，容易帶來農藥超標的風險，造成土壤、水資源環境污染等問題。意見對加強化肥農藥減量增效，推進農業綠色發展做出了整體部署，對農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、準確的確定病蟲害發生時間，就能實現精準施藥、減少污染、有效防控，這對推進我國農業可持續發展具有重要意義。研究表明作物受到病害脅迫后，外部形態及生理特性均會發生一定的變化，而生理特性的變化往往早于外部形態的變化。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、光譜技術、高光譜成像技術在作物病害無損檢測上成為了可能。隨著計算機、傳感器、大數據、人工智能等技術的快速發展,結合深度學習的無損檢測在農產品病害檢測領域得到了廣泛的應用，并取得了較好的研究成果。

1 機器視覺技術在作物病害檢測中的研究及應用

機器視覺技術主要使用視覺圖像傳感器及計算機來模擬實現人的視覺功能，即通過該技術可以實現對外在環境的信息感知、數據采集、處理以及目標識別判斷等功能，是計算機、光學、自動化、模式識別和人工智能等技術的有機結合。從20 世紀70年代開始，機器視覺技術逐步應用于農業工程領域，包括水果品質檢測、農產品質量分級、產品種類鑒別、作物生長過程檢測等。采用機器視覺技術，可以獲取葉片的顏色、紋理、形狀等特征，進一步通過模式識別算法建立模型實現病害識別或分類。Pydipati 等通過提取HIS 三通道的圖像，得到39個紋理特征，從而實現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，并結合支持向量機算法實現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算法，指出線性核函數的SVM算法效果最佳。趙玉霞等對病害玉米葉片進行顏色特征和形狀特征提取后，使用樸素貝葉斯算法實現了銹病、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，精確度達到83%以上。王美麗等將小麥葉片圖像由RGB 彩色空間轉換到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現白粉病和銹病的有效識別。

2 光譜技術在作物病害檢測中的研究及應用

光譜技術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 波長范圍內對被灰霉侵染的蠶豆葉片進行了研究，結果顯示其一階導數反射率可以用來監測蠶豆病害感染情況。Bravo等在可見光-近紅外中的四個不同波段對健康小麥和染病小麥的光譜反射率進行了研究，建立了二次判別分類模型，使得分類錯誤率從12%降至4%，從而實現小麥黃繡病的早期識別。Sankaran 等基于可見近紅外光譜技術,分別使用二次判別分析法（QDA）和軟獨立建模分類法（SIMCA）對柑橘黃龍病進行了識別，取得了較好的效果。吳迪等應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行了早期診斷研究，采用主成分分析對光譜進行降維，并通過將前8個主成分輸入BP 神經網絡建模實現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，研究發現1350-1600nm 光譜范圍內數據特征差異明顯，可以實現小麥赤霉病的檢測。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現花椰菜是否染病的早期檢測。

3 高光譜技術在作物病害檢測中的研究及應用

高光譜成像技術融合了圖像處理技術和光譜技術的優點，獲取的高光譜圖像具有“圖譜合一”的特點，已經廣泛應用于農產品品質與安全的快速無損檢測中。Moshou等將高光譜反射圖像、多光譜熒光成像進行數據融合，實現了冬小麥條銹病的診斷，識別率達到94.5%。Rumpf等采集侵染不同病害的甜菜高光譜數據，并基于支持向量機模型，實現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現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行研究，提出了光譜詞袋模型分析法，并構建卡方-支持向量機分類模型，提高了穗瘟病病害程度的分級準確率, 分級識別精度達到94.72%。胡耀華等對受晚疫病脅迫下的馬鈴薯葉片進行了高光譜分級研究，結果顯示經光譜變換預處理后，建立的LS-SVM 模型效果較好，預測識別均達到94.87%。

高光譜成像技術是基于非常多窄波段的影像數據技術，獲得的數據相比多光譜分辨率更高，波段數更豐富，這給深度學習在作物病害檢測方面的應用帶來可能。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時間點的健康葉片圖像，結合變量選擇方法和機器學習分類方法，采用BP 神經網絡進行建模，對煙草病癥進行早期檢測，最終選擇識別精度高達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 卷積神經網絡進行建模，采用隨機梯度下降法和隨機平移平均光譜圖像亮度增加訓練精度，使得水稻穗瘟病害預測準確率可以達到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提取450-900nm 下的81個波段作為模型輸入數據，建立基于CNN的柑橘病葉分類模型，在訓練1000 次以上，模型的準確率為98.75%。桂江生等建立基于高光譜的卷積神經網絡模型實現了對大豆花葉病害初期的快速檢測，可以實現健康葉片、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

綜上所述，目前應用光譜成像技術和機器學習技術實現作物病害檢測的研究已經很多，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、柑橘等經濟作物。但還存在如下問題：①大部分研究基于實驗室數據階段，而針對大田或實際生長環境的作物病害檢測比較少；②國內外學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防研究較少；③國內基于光譜和圖像處理的便攜式病害檢測裝置研究還很少，有待進一步研究開發。