无损检测技术在作物病害检测中的研究综述

陈 寅，刘晓宇，王 琳，王柏生

（1.江苏农林职业技术学院信息工程学院 江苏，句容 212400；2.句容市柏生草莓专业合作社 江苏，句容 212400）

2021年2月，国务院发布了关于全面推进乡村振兴加快农业农村现代化的意见，意见强调要加快推进农业现代化，深入实施重要农产品保障战略，确保粮食和重要农产品供给安全。作物病害是我国主要农业灾害之一，如果防治不及时，将严重影响农产品的质量和产量。传统农作物病情检测完全靠人工在田间进行，检测者凭借经验来确定作物是否患病，这种检测方法不仅效率低、劳动强度大、实时性差，且因检测人员的主观判断以及经验差异导致识别精度低、误差大。也有些病害采用提前施药进行防治，容易带来农药超标的风险，造成土壤、水资源环境污染等问题。意见对加强化肥农药减量增效，推进农业绿色发展做出了整体部署，对农作物病虫害防控工作提出了更高的要求。若能采用非接触的在线检测方法，快速、准确的确定病虫害发生时间，就能实现精准施药、减少污染、有效防控，这对推进我国农业可持续发展具有重要意义。研究表明作物受到病害胁迫后，外部形态及生理特性均会发生一定的变化，而生理特性的变化往往早于外部形态的变化。与健康作物相比，染病叶片的图像及光谱特征均存在不同程度的差异，这使得图像处理技术、光谱技术、高光谱成像技术在作物病害无损检测上成为了可能。随着计算机、传感器、大数据、人工智能等技术的快速发展,结合深度学习的无损检测在农产品病害检测领域得到了广泛的应用，并取得了较好的研究成果。

1 机器视觉技术在作物病害检测中的研究及应用

机器视觉技术主要使用视觉图像传感器及计算机来模拟实现人的视觉功能，即通过该技术可以实现对外在环境的信息感知、数据采集、处理以及目标识别判断等功能，是计算机、光学、自动化、模式识别和人工智能等技术的有机结合。从20 世纪70年代开始，机器视觉技术逐步应用于农业工程领域，包括水果品质检测、农产品质量分级、产品种类鉴别、作物生长过程检测等。采用机器视觉技术，可以获取叶片的颜色、纹理、形状等特征，进一步通过模式识别算法建立模型实现病害识别或分类。Pydipati 等通过提取HIS 三通道的图像，得到39个纹理特征，从而实现了柑橘类病害叶片的识别。田有文等利用色度矩提取病害叶片图像的彩色纹理特征，并结合支持向量机算法实现了黄瓜叶片的病害图像的有效分类，并且通过对比不同的核函数算法，指出线性核函数的SVM算法效果最佳。赵玉霞等对病害玉米叶片进行颜色特征和形状特征提取后，使用朴素贝叶斯算法实现了锈病、褐斑病、灰斑病、小斑病和弯孢菌叶斑病五种病斑图像的分类识别，精确度达到83%以上。王美丽等将小麦叶片图像由RGB 彩色空间转换到HSV 颜色空间，提取颜色特征及形状特征，并通过每种病害的特征范围实现白粉病和锈病的有效识别。

2 光谱技术在作物病害检测中的研究及应用

光谱技术可以获得人眼不能感知的光波段信息，因此利用其良好的光学性能，可以大大提高作物样本信息的采集量。Malthus 等在400-1100 nm 波长范围内对被灰霉侵染的蚕豆叶片进行了研究，结果显示其一阶导数反射率可以用来监测蚕豆病害感染情况。Bravo等在可见光-近红外中的四个不同波段对健康小麦和染病小麦的光谱反射率进行了研究，建立了二次判别分类模型，使得分类错误率从12%降至4%，从而实现小麦黄绣病的早期识别。Sankaran 等基于可见近红外光谱技术,分别使用二次判别分析法（QDA）和软独立建模分类法（SIMCA）对柑橘黄龙病进行了识别，取得了较好的效果。吴迪等应用可见近红外波段的光谱信息分别对茄子以及番茄叶片灰霉病进行了早期诊断研究，采用主成分分析对光谱进行降维，并通过将前8个主成分输入BP 神经网络建模实现叶片病害程度的检测。张健等利用短波红外成像仪获取小麦叶片的光谱图像，研究发现1350-1600nm 光谱范围内数据特征差异明显，可以实现小麦赤霉病的检测。穆炳宇等采用CARS 提取感染灰霉病花椰菜的近红外光谱特征，并基于PLSR算法建立最小判别模型实现花椰菜是否染病的早期检测。

3 高光谱技术在作物病害检测中的研究及应用

高光谱成像技术融合了图像处理技术和光谱技术的优点，获取的高光谱图像具有“图谱合一”的特点，已经广泛应用于农产品品质与安全的快速无损检测中。Moshou等将高光谱反射图像、多光谱荧光成像进行数据融合，实现了冬小麦条锈病的诊断，识别率达到94.5%。Rumpf等采集侵染不同病害的甜菜高光谱数据，并基于支持向量机模型，实现不同病害的早期检测与分类。Bauriegel等利用高光谱成像，并使用主成分分析可以实现小麦镰刀菌引起的赤霉病的早期检测。黄双萍等对水稻穗瘟病的高光谱图像进行研究，提出了光谱词袋模型分析法，并构建卡方-支持向量机分类模型，提高了穗瘟病病害程度的分级准确率, 分级识别精度达到94.72%。胡耀华等对受晚疫病胁迫下的马铃薯叶片进行了高光谱分级研究，结果显示经光谱变换预处理后，建立的LS-SVM 模型效果较好，预测识别均达到94.87%。

高光谱成像技术是基于非常多窄波段的影像数据技术，获得的数据相比多光谱分辨率更高，波段数更丰富，这给深度学习在作物病害检测方面的应用带来可能。Zhu等利用高光谱成像仪采集TMV感染后2、4和6 d的烟草叶片以及相应时间点的健康叶片图像，结合变量选择方法和机器学习分类方法，采用BP 神经网络进行建模，对烟草病症进行早期检测，最终选择识别精度高达95%。黄双萍等采用便携式户外高光谱成像仪在田间采集穗株高光谱图像，利用GoogleLeNet 卷积神经网络进行建模，采用随机梯度下降法和随机平移平均光谱图像亮度增加训练精度，使得水稻穗瘟病害预测准确率可以达到92.0%。王建涛等以柑橘正常叶片、溃疡病叶片、红蜘蛛叶片、煤烟病叶片、除草剂（草甘磷）叶片为研究对象，利用高光谱成像技术提取450-900nm 下的81个波段作为模型输入数据，建立基于CNN的柑橘病叶分类模型，在训练1000 次以上，模型的准确率为98.75%。桂江生等建立基于高光谱的卷积神经网络模型实现了对大豆花叶病害初期的快速检测，可以实现健康叶片、接种SC3病毒的花叶病叶片、接种SC7 病毒的花叶病叶片有效识别。

4 总结

综上所述，目前应用光谱成像技术和机器学习技术实现作物病害检测的研究已经很多，主要集中于水稻、小麦等粮食作物以及大豆、黄瓜、马铃薯、烟草、柑橘等经济作物。但还存在如下问题：①大部分研究基于实验室数据阶段，而针对大田或实际生长环境的作物病害检测比较少；②国内外学者对病害检测识别模型或算法研究的较深，但对病害早期检测预防研究较少；③国内基于光谱和图像处理的便携式病害检测装置研究还很少，有待进一步研究开发。