田間農作物病蟲害檢測技術研究進展與展望

陶 明，齊 龍，郭子淳，黃家懌，李慎磊，李 英

（1.華南農業(yè)大學工程學院，廣東 廣州 510642；2.廣東省現(xiàn)代農業(yè)裝備研究所，廣東 廣州 510630；3.廣州瑞豐生物科技有限公司，廣東 廣州 510663；4.上海聯(lián)適導航技術股份有限公司，上海 201702）

0 引言

農作物生產過程中，病蟲害是造成作物產量與質量下降的重要因素[1]，病蟲害的有效防治對農作物的高產優(yōu)產十分重要[2]，然而現(xiàn)階段的農業(yè)生產中，大部分農戶對農作物病害的種類及田間蟲情信息掌握不清，導致時常出現(xiàn)誤用農藥、過量噴藥的情況，這不僅會延誤最佳治療時機，造成經(jīng)濟損失，還會帶來水土污染、生態(tài)失衡等環(huán)境問題[3]。因此，實現(xiàn)對病害的準確識別與蟲害的準確檢測，對減少農藥浪費和降低環(huán)境污染有著重要的意義。

近年來，隨著傳感器技術與信息技術的融合與發(fā)展，人們開始使用傳感器與計算機等設備對農作物的病蟲害情況進行檢測，以此來代替人工判斷，從而減少人為誤判。對于農作物病害，由于發(fā)病癥狀明顯，常有區(qū)域性發(fā)病，一般研究方向集中于單株作物病害識別和區(qū)域性病害檢測及預警。對于蟲害監(jiān)測，由于田間害蟲具有遷移性和隱蔽性，難以直接檢測害蟲個體，因此研究方向通常集中于田間取樣采集害蟲樣本后檢測識別，獲取田間蟲情信息。本文介紹了國內外學者在田間不同作物上的病害識別與蟲情監(jiān)測技術研究現(xiàn)狀，以期為后續(xù)的技術發(fā)展和深入研究提供借鑒。

1 病害檢測方法

1.1 病害檢測方法概述

目前對于作物病害情況，通常依靠人工經(jīng)驗進行判斷，一些農戶可以通過經(jīng)驗對常見的病害種類進行判斷，但對于田間較少出現(xiàn)的病害，農戶難以辨認，無法對癥下藥。經(jīng)過系統(tǒng)知識培訓的農業(yè)專家可以對農作物病害的類型及程度進行更準確的判斷，然而農業(yè)專家與植保人員相對較少，難以滿足廣大農戶的需求，當出現(xiàn)大規(guī)模病害時，將會出現(xiàn)無法及時處理的情況，會造成嚴重的經(jīng)濟損失。由于人工判斷病害存在較多弊端，因此利用機器對田間作物病害進行快速準確的識別十分必要，目前常用的田間病害識別技術主要有光譜技術、計算機視覺技術和深度學習技術等[4]。

1.2 基于光譜技術的病害檢測方法

光譜技術通過獲取可見光、近紅外、短波紅外等波段的光譜信息來監(jiān)測田間的作物病害，由于病害會造成作物葉片的營養(yǎng)成分、水分等生理情況發(fā)生變化，導致患病作物在光譜反射特性上與健康作物存在較大差別，從而實現(xiàn)對病害的檢測。對于大范圍的檢測，通常采用高光譜遙感技術，利用衛(wèi)星或無人機等航空航天飛行器采集目標地塊內的光譜數(shù)據(jù)，根據(jù)該數(shù)據(jù)建立病害檢測模型，實現(xiàn)病害檢測[5]。該技術的優(yōu)勢在于可對區(qū)域性的病害進行檢測，同時可以對早期病害進行檢測，實現(xiàn)對病害的預警，從而進行精確的區(qū)域病害防治工作。但該技術同樣存在一定劣勢，在實際生產過程中，不同的病害可能會引起作物產生相似的癥狀，使得不同病害產生相似的光譜特征，造成“同譜異病”的情況出現(xiàn)，且光譜易受天氣和地形影響，導致檢測精度下降[6]；加之高光譜檢測設備成本昂貴，小農戶難以負擔，田間推廣存在一定難度。

1.3 基于計算機視覺技術的病害檢測方法

計算機視覺技術主要利用農作物的病害圖像對病害進行識別。傳統(tǒng)的計算機視覺識別病害使用人工提取特征的方法，該方法主要依靠研究人員的先驗知識設計算法，對病害的紋理、顏色及形狀等特征進行提取和匹配，以實現(xiàn)對病害的識別。如PUGOY 和MARIANO 將圖像轉為 HSI 色彩空間后，利用 K 均值聚類將像素分組，與各疾病進行比較，生成與各疾病的匹配度，從而實現(xiàn)病害的識別[7]。PHADIKAR 通過提取病斑特征，利用粗糙集理論對特征進行篩選和建模，實現(xiàn)了對4 種水稻病害的識別[8]。賈建楠和吉海彥則采集了黃瓜細菌性角斑病和黃瓜霜霉病葉片的圖像，采用最大類間方差法提取了10 個病斑形狀特征，以此對二者進行識別[9]。上述方法均能在特定的病害識別中達到良好的識別效果，但大部分傳統(tǒng)計算機視覺方法均依賴人工提取作物的病害特征，這使得算法的表達能力十分有限，難以概括病害的全部特征，泛化能力較差，對于不同的環(huán)境背景適應性較差，也存在易與其他病害混淆的情況[10]。且對于不同的作物和病害，人工提取的特征并不能直接進行復用，科研人員需要重新對算法進行設計以適應新作物與新病害，這極大地增加了后續(xù)研究的復雜程度，因此該方法較難在實際應用中落地。

1.4 基于深度學習技術的病害檢測方法

深度學習技術是在計算機視覺技術的基礎上，利用卷積神經(jīng)網(wǎng)絡對圖像中的病害特征進行自動提取，以此代替人工設計提取特征，因而避免了傳統(tǒng)計算機視覺方法存在的問題。近年來，深度學習技術在圖像分類、圖像檢測、內容推薦等領域得到了廣泛的應用，在農業(yè)領域，也有大量學者開始使用深度學習技術和卷積神經(jīng)網(wǎng)絡技術對不同作物病害進行識別和檢測。如LU 等采用了深度多實例學習，設計了一種田間自動病害診斷系統(tǒng)，對6 種小麥病害進行了識別和定位，使用的VGG-FCN-VD16和VGG-FCN-S 兩種網(wǎng)絡均達到了95%以上的準確率[11]。OZGUVEN和ADEM則采用了Faster R-CNN目標檢測網(wǎng)絡結構，實現(xiàn)了對甜菜葉上的病斑進行定位識別[12]。黃雙萍等提出了基于深度卷積神經(jīng)網(wǎng)絡GoogLeNet的水稻穗瘟病檢測方法，克服了室外自然光照的影響，利用多尺度卷積核提取不同尺度病斑的分布式特征，并對它們進行了級聯(lián)融合，以實現(xiàn)稻瘟病的識別[13]。孫俊等采用了全局均值池化方法以替代卷積神經(jīng)網(wǎng)絡中的全連接層，結果表明，這項改進可以提升不同作物病害的識別準確率[14]。KARLEKAR和SEAL針對大豆，設計了SoyNet，實現(xiàn)了對16種大豆病害的識別，達到了97%以上的準確率[15]。CHEN等將Inception架構移植至VGGNet，并采用了遷移學習方法，將其他數(shù)據(jù)集上學習到的特征提取能力應用到水稻病害數(shù)據(jù)上，達到了92%的分類準確率[16]。KC等則將深度可分離卷積結構與簡化的MobileNet進行了結合，使用PlantVillage數(shù)據(jù)集進行訓練并測試，結果表明，該網(wǎng)絡可以以較小體積實現(xiàn)較高的病害分類精度[17]。林中琦針對小麥病害樣本數(shù)量不均衡的問題，將局部支持向量機與卷積神經(jīng)網(wǎng)絡相結合，提出了CNN-LSVM模型，提高了不平衡數(shù)據(jù)集中識別分類的精度[18]。ARNAL BARBEDO提出了一種基于單個病變和斑點的圖像分類算法，測試了14種植物的79種疾病，結果表明，對單個病變進行識別的效果要優(yōu)于整體識別[19]。PICON等則采用了多元信息融合的方式，將背景非圖像元數(shù)據(jù)與病害圖像進行結合，提出了3種不同的CNN架構，實現(xiàn)了對5種作物、17種病害的識別[20]。RAHMAN針對模型尺寸問題，提出了一種兩階段的小型CNN架構對水稻病害進行了檢測，達到了93.3%的準確率[21]。

目前深度學習技術在各種作物的病害識別上都得到了應用，具備識別種類多，準確率高的特點，同時由于遷移學習技術，還擁有良好的遷移擴展能力，這使得深度學習技術在農業(yè)計算機視覺領域已經(jīng)開始逐步取代傳統(tǒng)的圖像處理方法。上述研究主要為針對網(wǎng)絡結構、病害數(shù)據(jù)集情況及模型尺寸進行的改進，且都取得了較好的效果。但在實際應用中，深度學習方法仍然存在一些不足。對于數(shù)據(jù)集，一些少見的病害難以獲得足夠的病害樣本，部分數(shù)據(jù)集的場景單一，缺乏普適性，盡管數(shù)據(jù)增強可以對病害圖像數(shù)量進行擴增，但無法生成全新的病害特征，這使得訓練得到的模型難以真正應用到實際生產中[22]。而一些網(wǎng)絡模型的尺寸較大，對硬件的要求較高，導致其在田間使用中受限。

2 蟲害檢測方法

2.1 蟲害檢測方法概述

目前我國對蟲害的監(jiān)測主要還是采用通過人工田間趕蛾或殺蟲燈誘捕害蟲，次日將害蟲取出進行人工計數(shù)的方法。該方法存在效率低、勞動強度大等缺點，且監(jiān)測結果受測報人員主觀經(jīng)驗因素影響大，缺乏統(tǒng)一標準；而次日取出計數(shù)也意味著無法對田間害蟲數(shù)量進行準確實時的監(jiān)測，不利于實現(xiàn)害蟲的快速防治。隨著計算機技術的發(fā)展，數(shù)字化與自動化也被引入到蟲害計數(shù)領域中，目前害蟲自動計數(shù)技術主要有光電傳感器計數(shù)、聲特征檢測以及圖像識別等。

2.2 基于光電傳感器技術的蟲害檢測方法

光電傳感器計數(shù)主要利用害蟲下落經(jīng)過傳感器時切斷光路產生的電脈沖進行計數(shù)，該方法具有靈敏度高、經(jīng)濟性好等優(yōu)點，且安裝適用性較強，但當害蟲下落距離較近時則易出現(xiàn)重疊現(xiàn)象導致誤判，從而影響計數(shù)的準確率，現(xiàn)有的害蟲監(jiān)測裝置多采用該方法計數(shù)。早在1996 年，SHUMAN 等便研制出了一款監(jiān)測倉貯害蟲的裝置，該裝置以光電傳感器為基礎，通過電子探管實現(xiàn)對害蟲的計數(shù)，計數(shù)準確率達到了88%[23]，隨后又采用正交方法的雙光電技術對該裝置進行了改進，成功過濾了裝置中的其他干擾物，且增加了獲取蟲體長度的功能[24]。OPI systems 公司通過收集大量實倉的試驗數(shù)據(jù)，提出了基于光電電子計數(shù)的統(tǒng)計模型，根據(jù)該模型計算得到成蟲蟲口密度數(shù)據(jù)，針對不同倉儲溫度下的害蟲數(shù)量給予對應的預警[25]。JIANG 等在2008 年基于雙層光電傳感器設計了一種桔小實蠅誘捕及自動計數(shù)系統(tǒng)，準確率達到了80%[26]。文韜等通過在裝置入口處設置兩組光電傳感器，利用光電耦合探頭的電信號變化對害蟲的運動方向進行統(tǒng)計，實現(xiàn)對桔小實蠅的自動計數(shù)與成蟲蟲口密度動態(tài)監(jiān)測，該方法減少了害蟲活動造成的計數(shù)誤差，結果顯示計數(shù)的相對誤差約為3%～8%，同時結合無線傳感器網(wǎng)絡實現(xiàn)了害蟲的遠程實時監(jiān)測[27]。

2.3 基于聲特征技術的蟲害檢測方法

聲特征技術主要通過拾音器獲取害蟲的爬行、吃食、鳴叫等聲音電信號，對獲取得到的電信號進行處理后可以計算害蟲數(shù)量。如耿森林對赤擬谷盜、黑菌蟲和米象成蟲在小麥、大豆和玉米中的爬行聲進行了采集和分析，建立了害蟲活動聲的無規(guī)聲源模型，利用害蟲活動聲功率譜特征檢測和區(qū)分害蟲[28]。但由于該方法易受環(huán)境噪聲等因素的干擾，在分辨復合種類、多數(shù)量害蟲的聲信息等方面仍然存在一定的困難，因此，目前較多應用于倉儲中蟲害的檢測，在田間的監(jiān)測應用仍處于實驗室探索階段。

2.4 基于機器視覺技術的蟲害檢測方法

機器視覺技術通過在捕蟲裝置內部安裝光源、攝像機、接蟲板等設備，定時對捕獲到的害蟲進行拍照，通過圖像處理技術對捕獲到的害蟲進行識別計數(shù)，準確率相對較高。如韓瑞珍和何勇基于計算機視覺技術，設計了一套大田害蟲遠程自動識別系統(tǒng)，該系統(tǒng)通過無線網(wǎng)絡將害蟲圖像傳輸?shù)街骺仄脚_中，主控平臺中系統(tǒng)通過對害蟲的形態(tài)和顏色特征進行提取，實現(xiàn)了大田害蟲的快速識別和診斷，達到了87.4%的準確率[29]。該方法的不足在于監(jiān)測結果受環(huán)境光照影響大，算法普適性較差，光源攝像機設備導致成本上升，這使得機器視覺技術在田間害蟲監(jiān)測中的應用和推廣受到了一定的限制。

2.5 基于多項技術融合的蟲害檢測方法

除了單獨使用上述技術進行蟲害監(jiān)測外，部分學者也開始采用多種傳感器進行共同監(jiān)測。如田冉等將光電紅外傳感器技術與圖像處理技術進行融合，實現(xiàn)了對梨小食心蟲、蘋小卷葉蛾和桃蛀螟的監(jiān)測，通過兩種渠道獲取害蟲信息，有效提高了害蟲計數(shù)的準確率[30]。此類融合方法在一定程度上可以取長補短，從多個角度獲取害蟲的相關信息，通過互相驗證減弱環(huán)境的影響，達到提升監(jiān)測效果的目的。但該方法對融合算法具有一定的要求，需要研究人員對不同傳感器的數(shù)據(jù)進行取舍建模，以達到最優(yōu)效果。

3 結語

準確識別田間農作物的病蟲害情況是保障我國糧食安全的重要基礎之一。在田間病蟲害獲取過程中，人工識別病害和計數(shù)的效率低、準確率低，且無法做到實時監(jiān)測，這使得田間病蟲害的防治較為困難，因此，對田間病蟲害情況進行快速、準確、實時的識別是現(xiàn)代農業(yè)植保環(huán)節(jié)的迫切需求。

從國內外研究現(xiàn)狀來看，現(xiàn)有的病蟲害檢測技術在可控環(huán)境下均能達到較好的效果。對于病害識別，高光譜遙感與深度學習技術已逐步成為田間不同尺度上的主流，目前的研究主要集中于如何有效區(qū)分相似病害以及克服田間環(huán)境干擾的問題；未來的研究可考慮多源、多傳感器融合的病害識別模型，通過結合農學知識、氣象信息、地理信息、遙感光譜及視覺圖像信息等，利用大數(shù)據(jù)實現(xiàn)田間作物病害的識別、監(jiān)控與預警。對于蟲害監(jiān)測，現(xiàn)有的技術仍然面臨較多難題，主要難點在于害蟲的活動位置較為隱蔽，難以發(fā)現(xiàn)；未來的研究可考慮利用光電、聲特征、壓電、光譜、視覺等多種傳感器信息，從不同角度對害蟲進行監(jiān)測，以得到全面的蟲害信息。