基于智能化技术的水稻常见病害检测研究进展

崔金荣 ，郑 鸿 ，谭建伟 ，刘 心

（1.华南农业大学 数学与信息学院，广东 广州 510642；2.华南农业大学 工程学院，广东 广州 510642；3.广州市智慧农业重点实验室，广东 广州 510642）

水稻是世界主要粮食作物之一。保证水稻产量安全尤其是对水稻病害进行有效防治成为了民生大计。

水稻常见病害主要有褐斑病、白叶枯病、稻瘟病、假黑穗病和纹枯病[1]。每种疾病的颜色、形状和大小各不相同。但有时两种疾病的颜色可能相同但形状可能不同。目前主要依靠经验、指南鉴定这些疾病的情况，一方面会加大对人员培训的时间成本；另一方面极易导致误鉴。而误鉴往往导致一些不正确的防治措施，如滥用和不及时使用农药。因此水稻病害的自动检测技术因其可以快速分类和预测结果，而成为近年来的一个重要研究课题。本文的目的便是对已有研究成果进行总结并做出未来展望，为相关研究人员提供理论基础。

1 不同类型的水稻病害

胡麻斑病、稻瘟病、纹枯病、白叶枯病和假黑穗病等是水稻最常见、最危险的几种主要病害。每种叶片病害的常见性状及颜色特点等如图1所示。

图1 常见水稻病害

2 基于高光谱技术的水稻病害检测

高光谱成像技术（HSI）是一种将成像技术和光谱技术结合起来的新技术，其中包含了丰富的空间和光谱信息。因为病害的发生会改变植物组织的生物物理和生化特性，从而引起叶片组织反射率的变化，所以可通过光谱反射率识别害虫侵染引起的外部损害和内部损害[2]。

提取光谱数据特征的一个思路是特征选择方法；另一个思路是使用各种变换原始数据的方法，将一个高维的高光谱图像简化为低维的数据，再从低维空间的数据中提取到新的特征。YUAN等[3]人采用支持向量机和判别分析相结合的连续投影算法（SPA）特征提取方法构建水稻叶瘟高光谱识别模型。使用支持向量机和线性判别分析（LDA）构建水稻叶瘟识别模型。实验结果表明，SG-SPA-SVM模型和SG-SPA-LDA模型的预测精度均为98.7% 。

3 图像处理和模式识别技术

随着科学技术的发展，植物病害的图像识别受到了广泛的关注。一般来说，该方法首先利用图像处理技术从获得的图像中的病变区域提取特征信息，然后利用模式识别方法（如判别分析、神经网络和支持向量机）实现疾病识别。该方法不仅有助于疾病的准确诊断，而且有助于疾病的分类。

PHADIKAR等[4]人提出了一种基于植被指数的水稻褐斑病和稻瘟病自动分类系统。MAI等[5]人提出了一种基于超像素分割（SLIC）和随机森林分类器的病变自动分割方法。PHADIKAR等[6]人提出了一种基于费米能级的分割方法来区分不同类型的水稻病害。BANDARA等[7]人将颜色阈值法应用于水稻叶片病害区识别。XIAO等[8]人提出了一种基于主成分分析和反向传播神经网络的稻瘟病识别方法。

4 基于深度学习的水稻病害检测方法

深度学习技术以其强大的学习能力成为了目前水稻病害检测的主流[9]，表1中列出了基于深度学习方法的水稻病虫害检测研究相关文献。

表1 基于深度学习方法的水稻病害检测研究文献简介

RAHMAN等[10]人提出了一种基于深度学习的水稻病虫害检测方法。由于大规模架构不适合移动设备，因此作者提出了一种新型的两阶段轻量型CNN架构，并与先进的轻量化CNN架构如MobileNet、NasNet mobile和SqueezeNet进行了比较。实验结果表明，该体系结构在显著减小模型尺寸（如与VGG16相比减少99% ）的情况下，可以达到预期的93.3% 的精度。

目标检测技术是深度学习的一大主要分支，而且能够有效指明水稻病害的具体区域，对后续的治理有利。LI等[11]人设计了一种新型深度卷积神经网络（DCNN）主干，用于取代Faster-Rcnn的原始主干，并将改进后的Faster-Rcnn用于视频中的病虫害检测。Faster-Rcnn是一种两步法的目标检测算法，如图2所示。

图2 用于水稻病害检测的经典目标检测架构[10]

5 存在问题

5.1 水稻病害检测位置受限

现如今水稻病害识别的主要研究方向还是水稻的叶片病害识别。对于水稻叶鞘，水稻叶穗，水稻茎秆的病害识别研究成果并不多。综其原因，一则这些部位的病变区域难以分割，难以提取有效的特征；二则数据难以获取。

5.2 应用方面受限

对于水稻病害的问题主要集中在进行植株病害的分类上，对于水稻病害的目标检测问题研究成果非常少。

5.3 识别精度受限

由于许多常见病害的特征（如颜色、形状）高度相似，同时水稻植株的背景复杂，导致目前对常见病害的总体精度识别准确率不高。

未来研究者们应深入了解视觉算法和深度学习的最新进展，取长补短，将其与水稻病害检测结合，用于分析不同区域、不同类别的病害对水稻植株的影响，提升检测的准确率。