基于計(jì)算機(jī)視覺(jué)技術(shù)的水稻病害圖像識(shí)別研究進(jìn)展

李 輝，羅 敏，岳佳欣

（1.成都農(nóng)業(yè)科技職業(yè)學(xué)院機(jī)電信息學(xué)院，成都 611130；2.四川水利職業(yè)技術(shù)學(xué)院信息工程系，四川 崇州 611200）

近年來(lái)，隨著精準(zhǔn)農(nóng)業(yè)和智慧農(nóng)業(yè)的興起，運(yùn)用計(jì)算機(jī)視覺(jué)技術(shù)輔助農(nóng)業(yè)生產(chǎn)為農(nóng)作物病害的識(shí)別提供了新思路，基于圖像處理技術(shù)的農(nóng)作物病害識(shí)別能提高識(shí)別的準(zhǔn)確度、客觀性與識(shí)別效率，為農(nóng)作物病害識(shí)別的自動(dòng)化、智能化、精準(zhǔn)化和科學(xué)化管理提供技術(shù)支持。國(guó)內(nèi)外大量學(xué)者利用計(jì)算機(jī)視覺(jué)技術(shù)對(duì)水稻病害圖像診斷與識(shí)別開(kāi)展了深入研究，研究?jī)?nèi)容主要集中在圖像采集、圖像處理、特征提取、分類(lèi)識(shí)別4 個(gè)方面。水稻病害是影響水稻產(chǎn)量及質(zhì)量的重要因素，水稻病害診斷和識(shí)別是精準(zhǔn)農(nóng)業(yè)的一個(gè)重要研究方向，開(kāi)展水稻病害圖像識(shí)別研究對(duì)于推動(dòng)水稻綠色高產(chǎn)、穩(wěn)產(chǎn)、優(yōu)質(zhì)、高效發(fā)展具有重要意義。

本研究從水稻病害圖像采集、圖像處理、特征提取、分類(lèi)識(shí)別4 個(gè)方面介紹國(guó)內(nèi)外的研究現(xiàn)狀，分析了典型方法的基本原理、關(guān)鍵技術(shù)、實(shí)現(xiàn)方法和應(yīng)用效果，總結(jié)了該領(lǐng)域現(xiàn)有研究存在的問(wèn)題與不足，對(duì)未來(lái)的發(fā)展趨勢(shì)和研究方向進(jìn)行了展望，以期為后續(xù)研究提供參考。

1 水稻病害圖像采集

圖像采集是圖像識(shí)別的基礎(chǔ)，采集到的圖像質(zhì)量直接影響圖像識(shí)別結(jié)果的準(zhǔn)確性和可靠性。數(shù)碼相機(jī)、數(shù)字化掃描儀、移動(dòng)智能手機(jī)為水稻病害圖像的采集與處理提供了解決途徑和方法。

1.1 數(shù)碼相機(jī)或掃描儀

采用數(shù)碼相機(jī)、可360 度旋轉(zhuǎn)的高清攝像頭、視頻服務(wù)器等設(shè)備，在田間自然光照條件下對(duì)水稻常見(jiàn)典型病害的葉部為害狀進(jìn)行圖像采集，但對(duì)水稻根、莖、穗部不同受害部位的病害圖像采集有待改進(jìn)和提高［1］。針對(duì)數(shù)碼相機(jī)不適合采集狹長(zhǎng)的水稻葉部圖像的缺點(diǎn)，采用EPSON 掃描儀采集病害活體樣本數(shù)字圖像［2］。

基于數(shù)碼相機(jī)或掃描儀的圖像采集主要有兩種方法。①在田間采集待測(cè)農(nóng)作物的葉片等樣本，帶回實(shí)驗(yàn)室，通過(guò)搭建固定的圖像采集裝置，完成對(duì)樣本葉片的檢測(cè)過(guò)程。這種方法具有檢測(cè)環(huán)境統(tǒng)一、圖像采集和處理算法簡(jiǎn)單等優(yōu)點(diǎn)，但采集到的樣本容易在傳輸中受損，成本較高，不具備普適性和通用性，在實(shí)際農(nóng)業(yè)生產(chǎn)中難以普及運(yùn)用。②采用數(shù)碼相機(jī)或掃描儀直接在田間拍攝獲取和存儲(chǔ)圖像信息，大大降低了采集成本，但圖像的獲取需要回到實(shí)驗(yàn)室采用計(jì)算機(jī)設(shè)備進(jìn)行圖像讀取，工序較為復(fù)雜；同時(shí)，相機(jī)分辨率、天氣、光照影響會(huì)加大后續(xù)圖像處理算法的難度。

1.2 移動(dòng)智能手機(jī)

隨著智能手機(jī)的普及，圖像處理能力和傳輸能力大幅提升。智能手機(jī)的輕巧便捷性和精確性更能滿足田間作業(yè)的特殊要求，為水稻作物病害的快速識(shí)別與處理提供了新的解決途徑和方法。

研究者設(shè)計(jì)了分布式移動(dòng)農(nóng)業(yè)病蟲(chóng)害圖像采集與診斷系統(tǒng)，可以實(shí)現(xiàn)人手或視覺(jué)難以企及的病蟲(chóng)害區(qū)域圖像采集［3］。但由于水稻莖、葉遮擋和重疊現(xiàn)象嚴(yán)重，獲取的圖像數(shù)據(jù)信息不夠客觀、準(zhǔn)確，對(duì)病害圖像識(shí)別準(zhǔn)確率有一定影響。鄭姣等［4］以水稻常見(jiàn)病害為研究對(duì)象，采用Android 手機(jī)對(duì)水稻病害圖像進(jìn)行采集，但該方法采用覆蓋有黑色棉布的方木板夾住葉片進(jìn)行固定拍攝，對(duì)病害圖像采集需要限定在均勻光線、簡(jiǎn)單背景下，不適合自然、復(fù)雜背景下的水稻圖像采集與診斷。劉小紅［5］提出手機(jī)客戶端對(duì)病害圖像進(jìn)行實(shí)時(shí)采集和壓縮并上傳、遠(yuǎn)程服務(wù)端識(shí)別返回結(jié)果的方法，該方法對(duì)于復(fù)雜背景的特征提取方法有待改進(jìn)，圖像準(zhǔn)確診斷率、壓縮率有待提高。姜慧［6］設(shè)計(jì)了一種手持式水稻飛虱圖像采集裝置，通過(guò)Android 手機(jī)控制相機(jī)采集水稻基部飛虱圖像，但未對(duì)水稻病蟲(chóng)圖像去背景方法進(jìn)行研究。張永玲［7］采用開(kāi)源軟件LAMP 及客戶端開(kāi)發(fā)環(huán)境，提出并開(kāi)發(fā)了一種基于Android 系統(tǒng)的開(kāi)放式水稻病蟲(chóng)害診斷系統(tǒng)。張芳［8］通過(guò)Android 手機(jī)獲取病蟲(chóng)害圖像，并可對(duì)獲取圖像進(jìn)行裁剪以減少數(shù)據(jù)傳輸量。

采用移動(dòng)手機(jī)進(jìn)行圖像拍攝并及時(shí)發(fā)回圖像識(shí)別系統(tǒng)，可實(shí)現(xiàn)對(duì)病害的實(shí)時(shí)檢測(cè)，具有操作簡(jiǎn)便、使用靈活、通用性和實(shí)用性強(qiáng)等優(yōu)點(diǎn)，也對(duì)相關(guān)的圖像處理算法提出了更高要求。

1.3 無(wú)人機(jī)技術(shù)

隨著科技的進(jìn)步，無(wú)人機(jī)在農(nóng)業(yè)生產(chǎn)中的應(yīng)用也越來(lái)越廣泛?；跓o(wú)人機(jī)技術(shù)對(duì)稻田進(jìn)行航拍，獲取樣本信息，并實(shí)時(shí)傳回?cái)?shù)據(jù)，地面站通過(guò)病蟲(chóng)害識(shí)別系統(tǒng)和軟件可以實(shí)時(shí)識(shí)別出病害類(lèi)型、區(qū)域以及嚴(yán)重程度。王震等［9］提出一種利用小型多旋翼無(wú)人機(jī)采集稻田圖像，實(shí)現(xiàn)了快速準(zhǔn)確識(shí)別稻田病害白穂病。景晨［10］通過(guò)無(wú)人機(jī)低空巡航飛行對(duì)水稻按周期進(jìn)行拍照，回傳照片和位置信息；地面站對(duì)航拍的水稻圖像進(jìn)行處理，選出疑似感染水稻縱卷葉螟的區(qū)域，為無(wú)人機(jī)精準(zhǔn)施藥提供參考。

無(wú)人機(jī)獲取農(nóng)作物病蟲(chóng)害圖像技術(shù)，有利于形成更多層面、更加完善的三維空間維度平臺(tái)體系，是對(duì)精準(zhǔn)農(nóng)業(yè)信息獲取技術(shù)的重要補(bǔ)充，為低成本、高效、靈活實(shí)時(shí)獲取大面積和高空間分辨率的農(nóng)作物信息奠定了基礎(chǔ)。

2 水稻病害圖像處理

圖像分割是圖像處理過(guò)程中的前續(xù)步驟，也是圖像識(shí)別的難點(diǎn)和研究熱點(diǎn)。圖像分割技術(shù)主要分為兩大類(lèi)：①利用圖像灰度的不連續(xù)性的邊界方法，如邊緣檢測(cè)法。②利用圖像灰度的相似性的區(qū)域方法，如閾值分割。

2.1 邊緣檢測(cè)法

邊緣檢測(cè)法的實(shí)質(zhì)是提取圖像中對(duì)象與背景之間的交界線，通過(guò)圖像灰度分布的梯度來(lái)反映圖像的灰度變化。常用的邊緣檢測(cè)算子包括Roberts 算子、Sobel 算子等［11］。何丹丹等［12］將水稻葉片圖像采用Canny 算子進(jìn)行邊緣檢測(cè)，采用開(kāi)運(yùn)算和閉運(yùn)算拼接不連續(xù)的邊緣點(diǎn)并去除非邊緣信息，從而提出一種基于多策略融合技術(shù)的水稻葉片邊緣檢測(cè)算法，該算法具有高效、準(zhǔn)確、魯棒的特性。段瑞玲等［13］以水稻葉瘟病RGB 圖像為研究對(duì)象，計(jì)算2RG 色差分量模型，采用Canny 算法進(jìn)行邊緣檢測(cè)；采用HIS 模型的H 分量獲得葉片范圍內(nèi)的病斑邊界結(jié)果，采用DNGBI 閾值分割可檢測(cè)出水稻葉瘟病的普通型。

邊緣檢測(cè)法通過(guò)在不同區(qū)域間的邊緣上像素灰度值的急劇變化來(lái)解決分割問(wèn)題，具有簡(jiǎn)單易操作的優(yōu)點(diǎn)，缺點(diǎn)在于分割效率依賴于邊緣檢測(cè)算子，魯棒性較差。

2.2 閾值分割法

閾值分割法是一種常見(jiàn)、簡(jiǎn)單、高效的圖像分割方法，它通過(guò)設(shè)定一個(gè)或多個(gè)閾值，將圖像的灰度級(jí)劃分為幾個(gè)部分，各像素點(diǎn)閾值比較與劃分像素，同一部分的像素是一個(gè)整體。何丹丹等［12］根據(jù)綠色通道減去紅色通道（GMR）值的大小和分布設(shè)置閾值，對(duì)水稻冠層圖像進(jìn)行分割。吳露露等［14］基于水稻植株RGB 彩色圖像的G 分量與R 分量的比值圖中，水稻植株與周?chē)h(huán)境的差異較大這一特性，采用迭代的方法選擇閾值，用閾值分割的方法對(duì)比值圖進(jìn)行分割，檢測(cè)到的水稻植株結(jié)果比較理想。

閾值分割法的特點(diǎn)是簡(jiǎn)單、執(zhí)行效率高，難點(diǎn)在于閾值的選取。

2.3 數(shù)學(xué)形態(tài)學(xué)法

數(shù)學(xué)形態(tài)學(xué)法是采用具有一定形態(tài)的結(jié)構(gòu)元素去處理和提取圖像的相似形狀，以簡(jiǎn)化圖像，保留所需的基本形狀信息。數(shù)學(xué)形態(tài)學(xué)的研究主要分為二值形態(tài)學(xué)、灰度形態(tài)學(xué)和彩色形態(tài)學(xué)。劉立波等［15］利用橢圓模型，用橢圓擬合水稻稻瘟病單株最大病斑計(jì)算兩橢圓主軸長(zhǎng)，并求兩者之比對(duì)水稻紋枯病病害程度進(jìn)行檢測(cè)。

數(shù)學(xué)形態(tài)學(xué)法有效解決了圖像分割精度低下、效果差等問(wèn)題。該方法對(duì)于邊界噪聲敏感，對(duì)于復(fù)雜生長(zhǎng)環(huán)境下的圖像分割精度問(wèn)題較為突出。結(jié)構(gòu)元素的選取是形態(tài)學(xué)運(yùn)算的關(guān)鍵。

2.4 聚類(lèi)分析法

聚類(lèi)分析法是研究分類(lèi)問(wèn)題的一種統(tǒng)計(jì)分析方法，同時(shí)也是數(shù)據(jù)挖掘的一個(gè)重要算法。聚類(lèi)分析法內(nèi)容非常豐富，有系統(tǒng)聚類(lèi)法、K-均值法、有序樣品聚類(lèi)法等。江林等［16］通過(guò)對(duì)42 個(gè)水稻品種進(jìn)行人工離葉片接種，分別按抗瘟性的多個(gè)抗性指標(biāo)進(jìn)行系統(tǒng)聚類(lèi)分析，對(duì)選育水稻抗瘟新品種和防治稻瘟病暴發(fā)具有一定的實(shí)際意義。研究者分別對(duì)水稻抗稻瘟病、褐飛虱和稻癭蚊進(jìn)行了聚類(lèi)分析，對(duì)水稻病蟲(chóng)害診治提供了參考［17，18］。

聚類(lèi)法的優(yōu)點(diǎn)是直觀、結(jié)論形式簡(jiǎn)明；但在樣本量較大時(shí)，取得聚類(lèi)結(jié)論有一定困難，對(duì)圖像噪聲和初始化數(shù)據(jù)敏感，算法的運(yùn)算量較大，在農(nóng)業(yè)生產(chǎn)應(yīng)用方面有待進(jìn)一步改進(jìn)和優(yōu)化。

2.5 神經(jīng)網(wǎng)絡(luò)

基于神經(jīng)網(wǎng)絡(luò)的分割方法將樣本圖像數(shù)據(jù)用來(lái)訓(xùn)練多層感知機(jī)，進(jìn)而用獲得的決策函數(shù)和訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)對(duì)圖像進(jìn)行分類(lèi)，得到分割的結(jié)果。譚峰等［19］提出用訓(xùn)練BP 神經(jīng)元網(wǎng)絡(luò)的方法來(lái)分割水稻疫病圖像，以圖像的RGB 顏色分量作為訓(xùn)練的樣本，較好地保留了圖像的紋理特征，實(shí)現(xiàn)了較好的分割效果。Liu 等［20］以水稻褐斑病為研究對(duì)象，設(shè)計(jì)了BP 神經(jīng)網(wǎng)絡(luò)分類(lèi)器對(duì)水稻葉片的健康部分和病態(tài)部分進(jìn)行分類(lèi)。

由于神經(jīng)網(wǎng)絡(luò)具有巨量連接容易引入空間信息的特點(diǎn)，將其應(yīng)用于圖像分割，有效解決了圖像中存在的噪聲和不均勻問(wèn)題［21］。選擇何種網(wǎng)絡(luò)結(jié)構(gòu)是神經(jīng)網(wǎng)絡(luò)法運(yùn)用于圖像分割所要解決的主要問(wèn)題。

2.6 深度學(xué)習(xí)

深度學(xué)習(xí)是近年來(lái)圖像識(shí)別領(lǐng)域重要的技術(shù)手段。特別是卷積神經(jīng)網(wǎng)絡(luò)的引入，在圖像分割和特征提取方面十分有效。賈少鵬等［22］提出了一種CNN 與膠囊的組合模型進(jìn)行農(nóng)作物病蟲(chóng)害圖像識(shí)別，模型的圖像識(shí)別正確率非常高，為深度學(xué)習(xí)技術(shù)的不斷發(fā)展創(chuàng)造了條件。王琢等［23］以Caffe 深度學(xué)習(xí)框架為基礎(chǔ)，構(gòu)建全卷積神經(jīng)網(wǎng)絡(luò)FCN，采用有監(jiān)督的學(xué)習(xí)方法，通過(guò)對(duì)數(shù)據(jù)集標(biāo)注、數(shù)據(jù)集標(biāo)簽制作，實(shí)現(xiàn)葉片圖像的分割。陳天嬌等［24］構(gòu)建了基于深度學(xué)習(xí)方法的病蟲(chóng)害種類(lèi)特征自動(dòng)學(xué)習(xí)、特征融合、識(shí)別和位置回歸計(jì)算框架，實(shí)現(xiàn)了田間病蟲(chóng)害識(shí)別自動(dòng)化、智能化和高效率。Xiong 等［25］提出了基于簡(jiǎn)單線性迭代聚類(lèi)的超像素區(qū)域生成、卷積神經(jīng)網(wǎng)絡(luò)分類(lèi)和熵率超像素優(yōu)化，采用Qseg、Sr 等6 個(gè)指標(biāo)評(píng)價(jià)分割效果對(duì)測(cè)試樣本進(jìn)行了平均分割。段凌鳳等［26］應(yīng)用水稻圖像數(shù)據(jù)集和數(shù)據(jù)增廣技術(shù)，優(yōu)選了基于Seg Net 的網(wǎng)絡(luò)。該算法能克服稻穗邊緣嚴(yán)重不規(guī)則，不同品種及生育期稻穗外觀差異大，穂葉顏色混疊和復(fù)雜的大田環(huán)境中光照、遮擋等因素的干擾，提升了稻穗分割準(zhǔn)確度及效率。Zhao 等［27］提出了一種基于深度學(xué)習(xí)的U 形網(wǎng)絡(luò)結(jié)構(gòu)的水稻倒伏評(píng)估方法，為大面積、高效率、低成本的水稻倒伏監(jiān)測(cè)研究提供了重要方法。

深度學(xué)習(xí)通過(guò)局部連接和權(quán)值共享2 個(gè)特性，大大減少了模型參數(shù)的數(shù)量，具有識(shí)別速度快、準(zhǔn)確率高等優(yōu)勢(shì)。但該方法存在訓(xùn)練樣本大、模型結(jié)構(gòu)復(fù)雜、復(fù)雜圖像識(shí)別正確率低等問(wèn)題。

3 特征提取

特征提取是圖像識(shí)別的關(guān)鍵步驟，圖像特征提取的效果直接決定著圖像識(shí)別的效果和精確性。由于致病因素的不同，不同的水稻病害在水稻根、莖、葉等位置會(huì)呈現(xiàn)出不同的顏色、形狀和紋理病斑。

3.1 顏色特征

顏色特征是一種用來(lái)形容圖像內(nèi)目標(biāo)事物表面某些性質(zhì)的全局特征，描述了圖像或圖像區(qū)域所對(duì)應(yīng)景物的表面性質(zhì)，有很強(qiáng)的魯棒性。目前，使用較為廣泛的顏色特征模型包括RGB、HSV、YcbCr、HIS等。劉麗娟等［28］結(jié)合水稻紋枯病的顏色特征，圖像質(zhì)量得到顯著改善，對(duì)比度提高，輪廓細(xì)節(jié)清楚，病斑邊界清晰；同時(shí)對(duì)圖像進(jìn)行中值濾波，保護(hù)目標(biāo)圖像邊緣，濾除圖像噪聲。

顏色特征具有直觀高效，不受圖像平移、旋轉(zhuǎn)和圖像大小影響，魯棒性強(qiáng)等特點(diǎn)，但不能很好地表示圖像中目標(biāo)的局部特征，在農(nóng)業(yè)圖像識(shí)別研究中有其局限性。

3.2 紋理特征

同顏色特征不同，紋理特征不是基于像素點(diǎn)的特征，它需要在包含多個(gè)像素點(diǎn)的區(qū)域中進(jìn)行統(tǒng)計(jì)計(jì)算。在模式匹配中，紋理特征作為區(qū)域性特征有較大的優(yōu)越性，不會(huì)由于局部偏差而無(wú)法匹配成功。Yang 等［29］采用基于顯微圖像紋理和形狀特征協(xié)同判斷的圖像識(shí)別方法與決策樹(shù)混淆矩陣法，采用距離變換高斯濾波分水嶺算法對(duì)稻瘟病孢子進(jìn)行分離。Sanyal 等［30］通過(guò)抽取水稻病害葉片的紋理特征，對(duì)水稻褐斑病和稻瘟病進(jìn)行了自動(dòng)識(shí)別研究。

紋理特征是一種重要的視覺(jué)線索，具有旋轉(zhuǎn)不變性、抗噪能力強(qiáng)等優(yōu)點(diǎn)，但它無(wú)法完全反映出物體的本質(zhì)屬性和獲得高層次圖像內(nèi)容。同時(shí)，紋理分析是一個(gè)非常耗時(shí)的過(guò)程。

3.3 形態(tài)特征

圖像的形態(tài)特征可以彌補(bǔ)顏色特征提取的不確定性。對(duì)于水稻病害而言，不同的病害具有不同的形態(tài)，也就存在一定的差異性。二值化后的圖像一般占用空間較小，形態(tài)特征清晰，減少了數(shù)據(jù)量和計(jì)算時(shí)間。路陽(yáng)等［31］針對(duì)水稻葉鞘腐敗病最明顯的特征就是病斑部位，隨著病情的加重而逐漸擴(kuò)大的情況，采用邊緣檢測(cè)處理方法有效提取了該病害的形狀特征，獲取了特征參量。趙開(kāi)才［32］研究了適合水稻稻瘟病病斑分類(lèi)的形態(tài)特征提取算法，在提取病斑面積、周長(zhǎng)等傳統(tǒng)形態(tài)特征的基礎(chǔ)上，定義了病斑數(shù)、病斑面積/病斑個(gè)數(shù)比2 個(gè)新的形態(tài)特征，對(duì)急性型、慢性型和白點(diǎn)型3 種不同類(lèi)型水稻稻瘟病進(jìn)行了分類(lèi)識(shí)別。

形態(tài)特征提取的難度較小，但存在缺乏較完善的數(shù)學(xué)形態(tài)模型、目標(biāo)形狀信息與人眼的直觀感覺(jué)不完全一致等問(wèn)題，導(dǎo)致提取的形態(tài)特征有效性受到影響，也加大了計(jì)算難度。

3.4 空間關(guān)系特征

空間關(guān)系特征是指圖像分割出來(lái)的多個(gè)目標(biāo)之間的、相互的空間位置或相對(duì)方向關(guān)系，這些關(guān)系也可分為連接/鄰接關(guān)系、交疊/重疊關(guān)系等。如劉濤等［33］針對(duì)一些相似病害，如水稻白葉枯病和葉尖枯病在這3 個(gè)特征上非常相似，區(qū)分難度較大，但是2種病癥的一個(gè)很大區(qū)別在于病健交界明顯與否；水稻胡麻斑病與褐點(diǎn)型葉瘟病在形狀上表現(xiàn)為點(diǎn)狀，顏色大都表現(xiàn)為褐色，兩者的區(qū)別是外圍是否有黃色暈圈；提出一種基于病斑內(nèi)部、邊緣以及外圍顏色差別的病健交界特征來(lái)區(qū)分相似病斑，對(duì)相似病害的識(shí)別精度效果顯著。

空間關(guān)系特征的使用可加強(qiáng)對(duì)圖像內(nèi)容的描述區(qū)分能力，但對(duì)圖像或目標(biāo)的旋轉(zhuǎn)、反轉(zhuǎn)、尺度變化等比較敏感。

3.5 多特征融合

多特征融合克服了單一方法特征提取容易引起圖像某方面的信息丟失，從而造成分類(lèi)錯(cuò)誤的缺點(diǎn)，既保留了參與融合的、多特征的有效鑒別信息，又可以在較大程度上消除信息冗余，實(shí)現(xiàn)壓縮，有利于圖像的實(shí)時(shí)處理和分類(lèi)。崔麗潔［34］根據(jù)水稻病斑部位顏色和正常葉片顏色不同的特點(diǎn)，利用OpenCV實(shí)現(xiàn)HSV 空間顏色直方圖特征提取顏色特征，利用HOG 方向梯度直方圖特征描述圖像的局部紋理和形狀特征；將2 種特征向量相融合得到特征總長(zhǎng)度作為模型的輸入，該模型具有高效性、強(qiáng)魯棒性和泛化能力強(qiáng)等特點(diǎn)。李妍［35］對(duì)分割后的圖像提取特征參數(shù)，采用HSV 顏色模型獲取圖像的顏色特征，使用Hu 矩獲取圖像的形狀特征，采用灰度共生矩陣獲取圖像紋理特征，利用LLE 流形算法對(duì)圖像數(shù)據(jù)降維，提取3 維特征，由這4 類(lèi)特征構(gòu)成特征向量，實(shí)現(xiàn)了特征向量的識(shí)別分類(lèi)。袁媛等［36］采用RGB 系統(tǒng)和HIS 系統(tǒng)來(lái)描述了水稻紋枯病病害部位圖像的顏色特征表達(dá)，利用紋理特征實(shí)現(xiàn)了水稻紋枯病的有效識(shí)別。關(guān)瑩［37］分析了水稻稻瘟病、紋枯病、白葉枯病3 種病害病斑特征，從顏色、形狀、紋理3 個(gè)方面提取了不同的特征參數(shù)，基于特征參數(shù)有效組合實(shí)現(xiàn)了病害的有效識(shí)別。劉濤等［33］采用顏色特征、形狀特征、紋理特征、病健交界特征參數(shù)融合的方法對(duì)水稻葉部病害圖像進(jìn)行特征提取。

目前，對(duì)水稻病害圖像特征提取方面的研究，主要基于以下2 個(gè)方面。①提取方法逐步從單一的特征提取方法，如直方圖法提取病害圖像特征、灰度共生矩陣法提取紋理特征、邊界特征法提取形狀特征等過(guò)渡到綜合考慮多種特征或多特征融合提取算法。②提取的目標(biāo)具有單一性，以水稻葉片局部病斑區(qū)域?yàn)橹?，影響了病害研究的全局性；提取的時(shí)間節(jié)點(diǎn)單一，往往在水稻病害癥狀較為明顯時(shí)才進(jìn)行研究，嚴(yán)重影響了圖像特征提取的實(shí)時(shí)性。大多數(shù)研究從圖像識(shí)別和圖像處理的角度出發(fā)對(duì)水稻病害圖像進(jìn)行研究，缺乏從水稻病理學(xué)知識(shí)角度進(jìn)行特征提取。如水稻稻瘟病分為苗瘟、葉瘟、節(jié)瘟等多種形式，在全部生育期均可發(fā)病，各部位都可能暴發(fā)病狀信息。今后的研究宜選取多時(shí)間節(jié)點(diǎn)、多部位進(jìn)行特征提取，才能為病害暴發(fā)的不同時(shí)期準(zhǔn)確提取特征信息，為及時(shí)識(shí)別和防治病害提供可靠的依據(jù)。

4 分類(lèi)識(shí)別

圖像的分類(lèi)識(shí)別是圖像處理的目的。高效率、高精度、高準(zhǔn)確率的分類(lèi)識(shí)別方法是農(nóng)作物病害識(shí)別研究領(lǐng)域的重要目標(biāo)，圖像分類(lèi)識(shí)別方法隨著數(shù)學(xué)算法的進(jìn)步而不斷發(fā)展。

4.1 支持向量機(jī)

支持向量機(jī)方法（SVM）是一種基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化原理提出的、基于統(tǒng)計(jì)學(xué)習(xí)理論的分類(lèi)及模式識(shí)別方法，其關(guān)鍵在于核函數(shù)。趙開(kāi)才［32］以提取的特征參數(shù)組合作為支持向量機(jī)的特征向量，對(duì)急性型、慢性型和白典型3 種不同類(lèi)型水稻稻瘟病進(jìn)行分類(lèi)識(shí)別。袁媛等［36］設(shè)計(jì)并實(shí)現(xiàn)了一種基于支持向量機(jī)的水稻紋枯病識(shí)別方法，分別選擇水稻紋枯病、健康水稻作為訓(xùn)練樣本，選擇徑向基核函數(shù)來(lái)訓(xùn)練分類(lèi)器，根據(jù)提取病斑的顏色和紋理特征并降維，采用Lib-SVM 對(duì)提取的特征數(shù)據(jù)進(jìn)行分類(lèi)訓(xùn)練和測(cè)試，通過(guò)訓(xùn)練取得模型。張超［38］采取SVM 分類(lèi)器識(shí)別紋枯病病斑，并根據(jù)紋枯病病斑面積占比來(lái)診斷紋枯病為害等級(jí)。謝亞平［39］采用高光譜技術(shù)建立了健康和患病水稻的識(shí)別模型，采用Linear、Polynominal、Radial Basis Function、Sigmoid 4 種核函數(shù)的支持向量機(jī)建模算法對(duì)水稻稻曲病進(jìn)行分類(lèi)識(shí)別。

支持向量機(jī)方法兼顧了訓(xùn)練誤差和泛化能力，在解決小樣本、非線性、高維數(shù)、局部極小值等模式識(shí)別問(wèn)題中表現(xiàn)出許多特有的優(yōu)勢(shì)，可有效克服神經(jīng)網(wǎng)絡(luò)方法收斂難、解不穩(wěn)定以及推廣性差的缺點(diǎn)。但SVM 方法對(duì)缺失數(shù)據(jù)敏感，對(duì)農(nóng)作物病害圖像的識(shí)別分類(lèi)沒(méi)有一個(gè)通用解決方案；在基于支持向量機(jī)的病斑分類(lèi)過(guò)程中，目前關(guān)于核函數(shù)參數(shù)的選擇均采用試驗(yàn)的方式確定，需要繼續(xù)深入研究。

4.2 神經(jīng)網(wǎng)絡(luò)法

神經(jīng)網(wǎng)絡(luò)是一種利用類(lèi)似生物大腦的神經(jīng)結(jié)點(diǎn)聯(lián)接的結(jié)構(gòu)對(duì)信息進(jìn)行處理的數(shù)學(xué)模型。神經(jīng)網(wǎng)絡(luò)法具有大規(guī)模并行、分布式處理、自組織、自學(xué)習(xí)、抗噪性強(qiáng)、分類(lèi)精度高等優(yōu)點(diǎn)。BP 神經(jīng)網(wǎng)絡(luò)是人工神經(jīng)網(wǎng)絡(luò)的一種，具有非線性映射、泛化能力和容錯(cuò)能力強(qiáng)的優(yōu)點(diǎn)。劉立波等［40］選取水稻葉片紋理特征、顏色特征，采用BP 神經(jīng)網(wǎng)絡(luò)成功地進(jìn)行了水稻稻瘟病葉片病害區(qū)域和正常區(qū)域的有效識(shí)別。劉海波［41］采用BP 神經(jīng)網(wǎng)絡(luò)方法，利用多元非線性回歸分析方法建立預(yù)警模型，同時(shí)根據(jù)病蟲(chóng)害發(fā)生的周期性，建立季節(jié)性指數(shù)平滑模型。劉麗娟［42］使用三層BP 網(wǎng)絡(luò)建立預(yù)測(cè)模型，學(xué)習(xí)訓(xùn)練樣本數(shù)據(jù)，建立模擬仿真系統(tǒng)進(jìn)行病蟲(chóng)害預(yù)測(cè)仿真，取得了較好的識(shí)別效果。王園媛等［43］利用人工神經(jīng)網(wǎng)絡(luò)對(duì)復(fù)雜非線性問(wèn)題映射能力強(qiáng)的特點(diǎn)，建立水稻白葉枯病害神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，采取trailm 函數(shù)的BP 神經(jīng)網(wǎng)絡(luò)模型，預(yù)測(cè)水稻病害的發(fā)生程度。胡越浪［44］通過(guò)將病害圖像特征建立輸入和輸出矩陣，放入BP 神經(jīng)網(wǎng)絡(luò)中進(jìn)行訓(xùn)練，并根據(jù)結(jié)果對(duì)BPS 算法進(jìn)行改進(jìn)，從中選出識(shí)別效果最佳的網(wǎng)絡(luò)模型。

BP 神經(jīng)網(wǎng)絡(luò)對(duì)初始網(wǎng)絡(luò)權(quán)重非常敏感，以不同的權(quán)值初始化網(wǎng)絡(luò)往往會(huì)收斂于不同的局部極小，影響訓(xùn)練結(jié)果；同時(shí)，BP 神經(jīng)網(wǎng)絡(luò)分類(lèi)識(shí)別計(jì)算量大，收斂速度較慢，樣本實(shí)例的選取和訓(xùn)練都影響神經(jīng)網(wǎng)絡(luò)在圖像識(shí)別中的應(yīng)用。

4.3 深度學(xué)習(xí)法

深度學(xué)習(xí)是指多層神經(jīng)網(wǎng)絡(luò)上運(yùn)用各種機(jī)器學(xué)習(xí)算法解決圖像、文本等各種問(wèn)題的算法集合。卷積神經(jīng)網(wǎng)絡(luò)（CNN）可以不依賴圖像特定特征進(jìn)行圖像識(shí)別，因此被廣泛地應(yīng)用到人臉識(shí)別、農(nóng)作物病蟲(chóng)害識(shí)別等領(lǐng)域。李淼等［45］引入了知識(shí)遷移和深度學(xué)習(xí)的方法，采用ImageNet 圖像大數(shù)據(jù)集和Plant Village 植物病害公共數(shù)據(jù)集為對(duì)象，探討了適用于農(nóng)作物病害識(shí)別問(wèn)題的最佳網(wǎng)絡(luò)和對(duì)應(yīng)的遷移策略。譚云蘭等［46］采用深度卷積神經(jīng)網(wǎng)絡(luò)模型，將常見(jiàn)8 類(lèi)水稻病害圖像輸入網(wǎng)絡(luò)模型中進(jìn)行訓(xùn)練和測(cè)試，取得較高的識(shí)別精度。邱靖等［47］通過(guò)使用深度卷積網(wǎng)絡(luò)建立水稻病害識(shí)別模型，對(duì)水稻稻瘟病、紋枯病、稻曲病等常見(jiàn)病害進(jìn)行分類(lèi)識(shí)別研究。該模型具有泛化能力較強(qiáng)、準(zhǔn)確率較高、魯棒性較好及損失率較小等特點(diǎn)。劉婷婷等［48］以卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行水稻紋枯病識(shí)別，取得了較好的識(shí)別效果。劉成［49］提出了基于卷積神經(jīng)網(wǎng)絡(luò)識(shí)別稻曲病的方法，以淺層網(wǎng)絡(luò)結(jié)構(gòu)為模型，改進(jìn)和優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)，使用數(shù)據(jù)增強(qiáng)增加樣本數(shù)據(jù)量，提高訓(xùn)練結(jié)果的泛化能力。張楠等［50］基于Softmax 深度回歸分類(lèi)方法研究了稻瘟病病害的識(shí)別技術(shù)，對(duì)水稻稻瘟病病害進(jìn)行了有效識(shí)別。黃雙萍等［51］提出了基于深度卷積神經(jīng)網(wǎng)絡(luò)GoogLeNet模型的水稻穗瘟病檢測(cè)方法。

深度學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)層數(shù)多、寬度廣、學(xué)習(xí)能力強(qiáng)，覆蓋范圍廣，適應(yīng)性能好，數(shù)據(jù)驅(qū)動(dòng)上限高，可移植性好，能解決復(fù)雜的問(wèn)題，但也存在計(jì)算量大、成本高、對(duì)硬件需求高、模型設(shè)計(jì)復(fù)雜等不足。

4.4 高光譜圖像法

高光譜圖像作為一種新型遙感圖像。高光譜圖像眾多的波段、較高的光譜分辨率、豐富的光譜信息、靈活的數(shù)據(jù)描述分析方法使得對(duì)目標(biāo)實(shí)現(xiàn)有效區(qū)分和辨識(shí)成為可能。李志偉等［52］以健康和感染紋枯病的水稻幼苗為研究對(duì)象，獲得水稻葉片的光譜曲線，對(duì)不同預(yù)處理的光譜建模和特征信息提取，建立線性判別分析模型和誤差反向傳播神經(jīng)網(wǎng)絡(luò)判別模型。鄭志雄等［53］利用高光譜成像系統(tǒng)采集了受稻瘟病侵染后不同病害等級(jí)的水稻葉片高光譜圖像，通過(guò)分析葉瘟病斑區(qū)域與正常葉片部位的光譜特征，提取只含病斑的高光譜圖像，對(duì)水稻葉瘟病病害程度進(jìn)行分級(jí)。楊燕［54］提出了針對(duì)稻瘟病病害檢測(cè)的高光譜特征提取方法，系統(tǒng)建立了基于高斯擬合參數(shù)、植被指數(shù)和小波近似系數(shù)的水稻稻瘟病病害分類(lèi)判別模型，實(shí)現(xiàn)了稻瘟病的精確、無(wú)損檢測(cè)。黃雙萍等［55］提出了一種光譜詞袋模型分析方法，分析稻穗的高光譜圖像，自動(dòng)評(píng)判穗瘟病害程度。朱夢(mèng)遠(yuǎn)等［56］基于高光譜成像技術(shù)和化學(xué)計(jì)量方法，將葉綠素含量與光譜特征、圖像特征組合，建立反向傳播神經(jīng)網(wǎng)絡(luò)線性判別分析模型，實(shí)現(xiàn)了對(duì)水稻紋枯病害的早期檢測(cè)識(shí)別。

基于水稻病蟲(chóng)害的多類(lèi)多樣，建立詳細(xì)完整的水稻病害光譜庫(kù)和設(shè)計(jì)專(zhuān)有的光譜成像采集分析系統(tǒng)都是十分必要的。

目前，在水稻病害圖像分類(lèi)識(shí)別方面的研究主要基于以下2 個(gè)方面：①大多數(shù)研究都是針對(duì)一兩類(lèi)疾病在特定環(huán)境和特定病發(fā)時(shí)期，采用單一的分類(lèi)識(shí)別算法進(jìn)行特征識(shí)別，算法局限性強(qiáng)，魯棒性差；②大多數(shù)水稻病害識(shí)別系統(tǒng)均為線下、單機(jī)、試驗(yàn)環(huán)境下的靜態(tài)識(shí)別，實(shí)時(shí)性和泛化性差，識(shí)別精度不高，識(shí)別效率低下，導(dǎo)致實(shí)際應(yīng)用效果差。

5 小結(jié)與展望

本研究對(duì)基于計(jì)算機(jī)視覺(jué)技術(shù)的水稻病害圖像識(shí)別進(jìn)行了比較全面的綜述研究，總結(jié)出進(jìn)一步的研究趨勢(shì)：①在圖像采集方面，圖像采集設(shè)備正不斷朝著數(shù)字化、網(wǎng)絡(luò)化、集成化、智能化、高分辨率化、移動(dòng)化方向發(fā)展，圖像采集方法也從傳統(tǒng)實(shí)驗(yàn)室里基于少量圖像樣本獲取信息到如今基于大規(guī)模農(nóng)田智慧化獲取海量數(shù)據(jù)樣本信息，正不斷滿足精細(xì)化、智能化農(nóng)業(yè)生產(chǎn)的要求。②對(duì)大規(guī)模復(fù)雜、真實(shí)自然場(chǎng)景下的圖像分割仍將是研究的重點(diǎn)和難點(diǎn)，圖像分割算法的快速性、高效性、魯棒性研究還有巨大的提升空間。③任何一種病斑圖像分割、特征提取和分類(lèi)識(shí)別方法都存在一些不足與局限，引入新學(xué)科理論，結(jié)合新科技、新方法，基于研究對(duì)象和條件選擇合適的算法，或?qū)⒍喾N算法有效結(jié)合使用，以尋求最優(yōu)的圖像識(shí)別策略是當(dāng)今領(lǐng)域主流的研究趨勢(shì)，可以取得更好的識(shí)別效果。④隨著大數(shù)據(jù)、物聯(lián)網(wǎng)、人工智能、遙感技術(shù)的高速發(fā)展，圖像特征提取和分類(lèi)識(shí)別正不斷朝著數(shù)字化、集成化、智能化、標(biāo)準(zhǔn)化方向發(fā)展。真實(shí)自然環(huán)境下大面積農(nóng)作物病蟲(chóng)害圖像智能識(shí)別與防治、病蟲(chóng)害海量數(shù)據(jù)標(biāo)準(zhǔn)化處理將是農(nóng)作物病蟲(chóng)害識(shí)別未來(lái)的重要研究方向。