水果病害視覺與光譜檢測技術(shù)研究現(xiàn)狀及展望*

吳俊鵬，黃光文，李君, 2

(1. 華南農(nóng)業(yè)大學工程學院，廣州市，510642； 2. 廣東省農(nóng)業(yè)人工智能重點實驗室, 廣州市，510642)

0 引言

水果產(chǎn)業(yè)是我國農(nóng)業(yè)的重要組成部分，是糧食、蔬菜之后的第三大農(nóng)業(yè)種植產(chǎn)業(yè)[1]。2020年全國果園總面積12.65萬平方千米，年水果總產(chǎn)量2.87億噸[2]，穩(wěn)居全球首位。感染病害是導致水果減產(chǎn)的重要原因，造成的平均損失約10%[3]，最大損失可達80%[4]，帶來嚴重經(jīng)濟損失。在生產(chǎn)中，許多果農(nóng)難以及時掌握水果病害信息，導致錯失防控良機，或者盲目過量施藥。及時準確地檢測出水果病害，有助于實現(xiàn)水果生產(chǎn)過程的病害精準管理，減少化學藥劑的使用，提升水果產(chǎn)量和品質(zhì)。

通過視覺與光譜技術(shù)實現(xiàn)水果病害檢測是當前研究熱點，一些高經(jīng)濟價值的水果如柑橘[5-6]、草莓[7-8]、蘋果[9-10]等的典型病害檢測已有一定的研究。視覺與光譜檢測具有無損性、直觀性、實時性和準確性的特點，符合水果病害檢測的需求，在病害早期檢測、病情分級等領(lǐng)域有明顯優(yōu)勢[11]。還解決了基于專家經(jīng)驗、統(tǒng)計學、生物化學等的傳統(tǒng)檢測方法存在效率低、主觀性大、應(yīng)用難度大等缺點[12-13]。本文介紹了部分國內(nèi)外學者關(guān)于水果病害視覺與光譜檢測技術(shù)的最新研究進展，以期為生產(chǎn)實踐和后續(xù)的深入研究提供參考。

1 機器視覺檢測方法

水果在感染某種病害后，在其葉片、果實等相應(yīng)部位通常會呈現(xiàn)出肉眼可觀察到的特定表征，例如枯黃、褐變、病斑等，這為機器視覺檢測水果病害提供了理論可能。而攝像頭是一種成本低、應(yīng)用廣的傳感器。因此，基于機器視覺技術(shù)分析攝像頭拍攝的圖像數(shù)據(jù)，開展水果病害檢測的研究，貼近水果產(chǎn)業(yè)的實際生產(chǎn)需求，有利于未來技術(shù)落地推廣。

1.1 傳統(tǒng)圖像處理技術(shù)

傳統(tǒng)圖像處理技術(shù)主要通過一定的邏輯和算法來理解圖片中的內(nèi)容，特別是顏色、紋理等特征，從而實現(xiàn)水果病害的檢測。圖像處理技術(shù)經(jīng)過多年發(fā)展已經(jīng)有相對成熟的理論方法，常見方法包括圖像增強、色彩空間變換、邊緣檢測、圖像分割、形態(tài)學處理等[14]。然而研究者仍在繼續(xù)研究創(chuàng)新，進一步挖掘圖像處理技術(shù)的潛力。邵彧等[15]提出了一種基于圖像處理技術(shù)的蘋果葉片病害檢測方法，利用GrabCut和分水嶺圖像分割算法去除背景，再通過判別局部保持投影算法提取葉片病害的特征，最后通過K-最近鄰分類器實現(xiàn)病害檢測，識別準確率為91.84%，較傳統(tǒng)方法提升了3～5個百分點。

此外，基于傳統(tǒng)圖像處理技術(shù)的水果病害檢測方法對結(jié)果有較好的解釋性，有利于與植保農(nóng)藝研究相結(jié)合。圖像處理算法中每個參數(shù)都有具體的物理意義，可以從數(shù)學上對水果病害的幾何、光學、物理等性質(zhì)進行建模。孫世鵬等在通過圖像處理技術(shù)檢測冬棗黑斑類病害的研究中，對圖像在RGB、HSB和Lab顏色空間的9個顏色分量進行分析建模，病害檢測正確率為 94.2%，達到了較佳檢測效果。該研究中，可以結(jié)合冬棗感染黑斑類病害后的顏色特征變化的相關(guān)研究，驗證顏色分量分析過程的合理性，以提高病害檢測模型的科學性。

1.2 深度學習技術(shù)

當前關(guān)于機器視覺技術(shù)在水果病害識別中的應(yīng)用的研究更多著眼于深度學習領(lǐng)域[16]。深度學習是一種學習數(shù)據(jù)表示的多級方法，強調(diào)從連續(xù)的層中進行學習，這些層對應(yīng)越來越有意義的表示[17]，最終實現(xiàn)對數(shù)據(jù)的理解。深度學習模型對水果病害特征有很強的自動學習能力，極大地簡化了研究流程，對葡萄[18-19]、柑橘[20-21]、蘋果[22-23]等典型水果病害均展現(xiàn)了較好的檢測效果。Zhong等[24]提出了一種基于深度學習的蘋果葉片病害檢測方法，在DenseNet-121深度卷積網(wǎng)絡(luò)的基礎(chǔ)上提出回歸、多標簽分類和焦點損失函數(shù)三種優(yōu)化方法，準確率超過93%。訓練深度學習模型通常需要大量圖片數(shù)據(jù)集，PlantVillage、PlantDoc和PlantDisease等國際知名的大型公開數(shù)據(jù)庫收集了大量水果病害的圖片[25]，為研究者開展研究提供了數(shù)據(jù)。針對水果病害檢測的特點優(yōu)化深度學習算法并改良模型結(jié)構(gòu)是該領(lǐng)域的研究重點之一，公開數(shù)據(jù)庫也便于研究者驗證深度學習模型優(yōu)化的效果。尚遠航等[26]利用PlantVillage數(shù)據(jù)庫中大量葡萄、草莓、蘋果等水果病害的圖片數(shù)據(jù)展開研究，提出一種基于混合注意力機制改良深度殘差網(wǎng)絡(luò)的水果病害檢測方法，注意力機制有助于深度學習模型選擇性地關(guān)注更重要的輸入特征，以提高檢測精度，該方法經(jīng)測試準確率為92.08%，較改良前提升8.76個百分點。

除了公開數(shù)據(jù)集中收錄的常見水果的典型病害，還有大量沒被收錄的其他水果病害，如荔枝霜疫病等。研究者需要自行采集水果病害圖像，構(gòu)建數(shù)據(jù)集。受限于各種因素，這種數(shù)據(jù)集規(guī)模通常不大。因此，基于有限的數(shù)據(jù)集規(guī)模，通過深度學習技術(shù)實現(xiàn)水果病害檢測對生產(chǎn)有重要價值，是當前備受關(guān)注的領(lǐng)域。肖偉等[27]研究了匹配網(wǎng)絡(luò)、原型網(wǎng)絡(luò)和關(guān)系網(wǎng)絡(luò)等針對小規(guī)模數(shù)據(jù)集的深度學習框架在水果病害檢測應(yīng)用的效果，通過試驗發(fā)現(xiàn)雖然訓練樣本的減少會降低模型的檢測準確率，但選擇合適的小樣本深度學習模型并做針對性優(yōu)化，可以降低數(shù)據(jù)采集難度，減少模型訓練時間，對水果病害的檢測效果可以逼近大樣本模型。此外，同一種病害感染不同水果的癥狀往往有一定的聯(lián)系，利用深度學習的遷移學習能力可以在數(shù)據(jù)集規(guī)模有限的條件下有效建模，充分利用基于大規(guī)模數(shù)據(jù)集訓練的效果良好的水果病害檢測模型，有利于深度學習檢測水果病害的技術(shù)更廣泛地應(yīng)用于不同的水果。Afifi等[28]提出了一種使用有限數(shù)據(jù)自動識別植物病害的深度學習網(wǎng)絡(luò)，通過大型公開數(shù)據(jù)集訓練基線模型，以此為基礎(chǔ)運用遷移學習、Triplet網(wǎng)絡(luò)和深度對抗度量學習等技術(shù)構(gòu)建可以從少量數(shù)據(jù)中學習的小樣本模型，其效果可以達到基線模型的81%。該研究的思路較為新穎，打破了研究深度學習檢測作物病害通常著眼于具體某一種作物病害的局限，考慮不同的作物的同種病害的共通性，提高了深度學習技術(shù)解決水果病害檢測問題的泛化能力，更適合實際應(yīng)用。

2 光譜技術(shù)檢測方法

利用光譜技術(shù)檢測水果病害是當前研究熱點，大量研究表明水果作物的果實、葉片等器官在受到病害侵染時，外部形態(tài)和生理機能發(fā)生變化的同時，光譜特征會隨之發(fā)生變化。光譜傳感器對這種細微變化具有高度敏感性[29]，這為使用光譜技術(shù)來檢測水果病害，甚至是判斷病害嚴重程度提供了理論可能。

2.1 透射光譜技術(shù)

透射光譜技術(shù)主要應(yīng)用于檢測一些為害果實內(nèi)部的病原性和生理性水果病害，如蘋果霉心病[30]、菠蘿水心病[31]等。此類病害沒有顯著的表面癥狀，感染后自內(nèi)而外地破壞水果內(nèi)部，使得果肉逐漸腐壞。因而具有很強的隱蔽性，難以被及時發(fā)現(xiàn)。透射光譜檢測設(shè)備通常包括暗箱、遮光托盤、光源、光譜儀等，被測水果樣品放置于光源和光譜儀之間，使光譜儀接收由光源發(fā)出并穿過樣本后的光線[32]。透射光在穿透被測水果樣本時，水果內(nèi)部物質(zhì)會吸收、削弱特定頻率的光。分析健康水果和患病水果的透射光譜特性，可以實現(xiàn)水果內(nèi)部病害的無損檢測。徐賽等[33]提出了一種基于透射光譜技術(shù)的菠蘿水心病無損檢測方法，結(jié)合多項式平滑、標準正態(tài)變量校正和概率神經(jīng)網(wǎng)絡(luò)等方法構(gòu)建模型，在不同波段中驗證檢測效果，最高達到98.51%。在實際應(yīng)用中，透射光譜檢測水果病害會受到許多因素的干擾，如水果尺寸形態(tài)、操作方法等。Tian等[34]研究了果實大小(即光程長度)對蘋果霉心病透射光譜檢測的影響，提出了一種基于水果尺寸的光譜校正方法。建立了一個計算果實內(nèi)部透射光消光系數(shù)的公式?；诖?，應(yīng)用誤差反向傳播人工神經(jīng)網(wǎng)絡(luò)和支持向量機模型驗證了霉心病檢測效果，準確率達到90.20%，比校正前高5.89個百分點。秦楷等[35]通過試驗比較了透射光譜檢測時四種不同的擺放姿態(tài)的影響，并比較了不同的建模分析方法，結(jié)果表明豎放柄朝上是最佳擺放方式，偏最小二乘判別分析模型的檢測效果最佳，準確率最高達到93.75%。

2.2 反射光譜技術(shù)

反射光譜技術(shù)在水果病害檢測領(lǐng)域的應(yīng)用更廣，主要用于檢測一些為害果實、葉片表面的病原性水果病害，如柑橘黃龍病[36-37]、酥梨炭疽病[38]、番茄灰霉病[39]、番茄花葉病[40]等。水果感染此類病害后，為害部位的表面的一些理化指標會發(fā)生變化，逐漸出現(xiàn)各類病斑、霉狀物、枯黃等癥狀[41]，反射光譜技術(shù)可以敏銳地檢測這種變化。反射光譜檢測可以在暗箱試驗臺進行，也可以利用便攜式光譜儀[42]在田間進行。檢測時光譜儀和光源布置在被測水果樣本的同側(cè)，光線與被測水果樣本的表面和內(nèi)部相互作用，經(jīng)過一段相對復雜的光學過程后離開樣本表面，被光譜儀、高光譜相機等設(shè)備接收。分析光譜數(shù)據(jù)中蘊含的特征信息，可以實現(xiàn)水果病害的檢測。張昭等[43]對葡萄霜霉病的早期檢測和防治展開了研究，通過分析從健康到患病的連續(xù)6天的葡萄葉片反射光譜數(shù)據(jù)，優(yōu)選出4個波段特征，并構(gòu)建支持向量機霜霉病檢測模型，最高準確率達到84.6%，實現(xiàn)了葡萄霜霉病顯癥前的早期檢測。Xie等[44]研究了通過光譜反射率檢測柑橘黑斑病，基于偏最小二乘分析的回歸系數(shù)選擇有效波長，并建立K-最近鄰模型，對早期階段黑斑病檢測準確率達到93.8%。Jiang等[45]分析草莓葉片炭疽病和灰霉病不同發(fā)病階段的反射光譜數(shù)據(jù)，結(jié)合光譜指紋特征提取和深度學習方法建立模型，獲得了相對較好的準確度(100%)和穩(wěn)健的性能，在草莓明顯出現(xiàn)疾病跡象之前識別出無癥狀的真菌感染類別。由此可見，反射光譜檢測方法在水果病害早期檢測領(lǐng)域有很大的應(yīng)用潛力，有助于在水果被感染但尚未出現(xiàn)明顯癥狀的階段便及時發(fā)現(xiàn)病害。

一些研究者還做了更為細致的研究，通過反射光譜技術(shù)實現(xiàn)水果病害的嚴重程度分級檢測，為精準施藥等病害防控工作提供更為準確的參考。Hou等[46]在反射光譜檢測葡萄卷葉病的研究中，按照嚴重程度劃分了4個類別，應(yīng)用蟻群聚類算法建模分析，4個類別平均準確率最高為84.33%。Xie等[47]在番茄葉片灰霉病的研究中，按照嚴重程度劃分了6個類別，并對反射光譜數(shù)據(jù)建模分析，6個類別平均準確率最高為61.11%，而若僅以是否染病劃分為2類，則準確率最高達到97.22%。相較而言，反射光譜檢測水果病害嚴重程度的準確性不高。這是由于水果病害的發(fā)展是一個連續(xù)的過程，而病害嚴重程度通常不隨時間呈線性趨勢。因而一些樣本容易被誤檢為相鄰的類別，特別是在類別劃分較多的模型中。如何更為科學地劃分染病階段，并通過優(yōu)化光譜數(shù)據(jù)分析方法提高水果病害的嚴重程度分級檢測的準確性，值得進一步深入研究。

2.3 光譜數(shù)據(jù)分析方法

通過透射或反射光譜技術(shù)得到的一般是若干光譜曲線，對此進行數(shù)據(jù)分析并建立模型，構(gòu)建光譜數(shù)據(jù)與水果病害信息之間的定性關(guān)系，以實現(xiàn)水果病害的檢測。原始光譜數(shù)據(jù)中除了包含有效信息之外，還會受到水果樣品表面的各種物理性質(zhì)特征的影響而產(chǎn)生噪聲和散射現(xiàn)象。運用適當?shù)墓庾V預(yù)處理方法能夠有效消除背景噪聲及特定物理因素的干擾，提高圖譜與水果樣品屬性之間的相關(guān)性。常用的方法有SG平滑法、多元散射校正(MSC)、標準正態(tài)變量變換(SNV)等。

在分析光譜數(shù)據(jù)的過程中，提取光譜特征是關(guān)鍵步驟。用光譜特征替代大量的原始數(shù)據(jù)，可以使得建模分析更加簡潔、高效、準確，有利于提高模型的預(yù)測能力，還可以在投入實際生產(chǎn)應(yīng)用時大幅度降低成本。常用的方法有競爭性自適應(yīng)重加權(quán)采樣法(CARS)、連續(xù)投影算法(SPA)、主成分分析(PCA)、線性判別分析(LDA)等，一些常見水果病害的光譜特征[47-50]如表1所示。

表1 常見水果病害的光譜特征Tab. 1 Spectral characteristics of typical fruit diseases

要實現(xiàn)通過光譜數(shù)據(jù)對水果病害信息進行正確判斷，本質(zhì)是定性分類問題。常見的無監(jiān)督學習建模方法有聚類算法、k均值算法等，常見的有監(jiān)督學習建模方法有K鄰近法(KNN)、支持向量機(SVM)、人工神經(jīng)網(wǎng)絡(luò)(ANN)等。

3 展望

水果產(chǎn)業(yè)具有很高的經(jīng)濟價值，在水果種植生產(chǎn)過程中，有效防控病害是水果產(chǎn)量、質(zhì)量和收益的有力保障。在當前農(nóng)業(yè)現(xiàn)代化快速發(fā)展的大背景下，對水果病害防控有了新的目標和要求。一方面，果園種植生產(chǎn)朝著規(guī)模化、機械化、智能化的方向發(fā)展，另一方面，新時代綠色無公害的消費觀念要求水果種植過程中盡可能少地使用化學藥劑，應(yīng)當根據(jù)病害情況精準施藥?；诖?，關(guān)于水果病害智能識別檢測的研究應(yīng)運而生，能夠及時、準確、可靠地判斷作物病害狀況，是實現(xiàn)精準施藥的基本前提?；谝曈X與光譜技術(shù)的水果病害檢測方法將為化學藥劑噴施提供重要依據(jù)，對于水果病害精準防控具有重要意義，也是精準農(nóng)業(yè)這個未來發(fā)展大趨勢的要求。

3.1 機器視覺檢測方法的優(yōu)化和應(yīng)用

從國內(nèi)外研究現(xiàn)狀來看，機器視覺技術(shù)方法在一定的條件下可以較好地實現(xiàn)水果病害檢測?；趥鹘y(tǒng)圖像處理的方法理論成熟，且具有對水果病害檢測過程解釋性強等優(yōu)點，仍然值得進一步深入研究，并與深度學習等其他方法融合應(yīng)用。而深度學習是當下機器視覺領(lǐng)域的主流技術(shù)，在準確性、通用性等方面具備優(yōu)勢，進一步提高模型應(yīng)對真實應(yīng)用場景中的復雜環(huán)境的能力是研究熱點。

關(guān)于基于機器視覺技術(shù)的水果病害檢測方法的進一步研究中，提升檢測的準確性和魯棒性是研究重點。準確性是評價水果病害檢測效果的核心指標，魯棒性是體現(xiàn)水果病害檢測方法在真實環(huán)境中效果的關(guān)鍵指標，二者很大程度上決定了水果病害檢測方法的實用性，也是研究者們持續(xù)關(guān)注的焦點。通過應(yīng)用更先進、合適的模型，針對水果病害檢測任務(wù)對模型作優(yōu)化改良，調(diào)整改進數(shù)據(jù)采集、模型訓練的方式等方面，提高基于機器視覺技術(shù)的水果病害檢測方法的準確性和魯棒性。此外，檢測模型的輕量化也是值得關(guān)注的問題。在實際應(yīng)用中，更輕量化、簡潔的水果病害檢測模型，意味著對硬件性能更克制的需求，有利于在實際應(yīng)用過程中控制成本，更好地推廣。

關(guān)于機器視覺水果病害檢測方法的應(yīng)用，得益于攝像頭的低廉設(shè)備成本，是當前最有可能推廣的技術(shù)路線?；跈C器視覺技術(shù)的水果病害檢測方法通過嵌入式開發(fā)集成部署到微型計算機上，結(jié)合邊緣計算、物聯(lián)網(wǎng)等網(wǎng)絡(luò)通訊技術(shù)，搭載到果園監(jiān)控系統(tǒng)、巡檢小車或是其他作業(yè)設(shè)備上，擴大病害檢測的覆蓋范圍，實現(xiàn)全天候的持續(xù)檢測，以及時預(yù)警水果病害。

3.2 光譜技術(shù)檢測方法的優(yōu)化和應(yīng)用

基于光譜技術(shù)的水果病害檢測方法相較機器視覺方法有更高的敏感性，有利于提高對水果病害檢測的準確性，特別是有望發(fā)現(xiàn)已感染而未呈現(xiàn)癥狀的潛伏期階段的水果病害，也可以實現(xiàn)水果病害嚴重程度分級等精度更高的檢測。

關(guān)于基于光譜技術(shù)的水果病害檢測方法的進一步研究中，特征波長是研究重點。通過一定的方法優(yōu)選出可以表征水果病害的光譜波長以剔除冗余波長，提高模型效率，降低應(yīng)用成本。除了深入研究優(yōu)化目前常見的特征波長選取方法外，可以嘗試與深度學習等當前最新的分析技術(shù)相結(jié)合。另外，光譜數(shù)據(jù)采集對環(huán)境和操作技術(shù)的要求較高，原始光譜數(shù)據(jù)難免均一性不強、噪聲較多。因此，如何針對原始光譜數(shù)據(jù)進行適當?shù)念A(yù)處理，提高均一性并去除噪聲，為后續(xù)水果病害分析打好基礎(chǔ)，值得深入研究。

關(guān)于光譜技術(shù)的水果病害檢測方法的應(yīng)用，考慮到光譜技術(shù)的工作特點，可以將基于光譜技術(shù)的水果病害檢測方法部署在小型便攜式設(shè)備上，應(yīng)用到采后處理的品質(zhì)檢測環(huán)節(jié)中。光譜技術(shù)是品質(zhì)檢測的常用技術(shù)路線，而是否存在病害也是體現(xiàn)水果品質(zhì)的一種指標，特別是及時發(fā)現(xiàn)處在沒有顯著癥狀的病害早期的水果，可以更好地保證上市水果的品質(zhì)。

此外，為了進一步充分發(fā)揮光譜技術(shù)的優(yōu)勢，提高種植階段對水果病害監(jiān)控的效率，可以將高光譜設(shè)備搭載到無人機上，結(jié)合低空遙感和光譜技術(shù)，以實現(xiàn)對大片果園的病害情況進行監(jiān)測預(yù)警。真實果園種植環(huán)境中多變的光線條件、復雜的背景等會對光譜技術(shù)的應(yīng)用造成干擾，多設(shè)備協(xié)同的標定也較為復雜，應(yīng)當針對這些技術(shù)難點進行攻關(guān)，使之可以在自然環(huán)境中更好地應(yīng)用。

3.3 水果病害檢測的實際生產(chǎn)應(yīng)用前景

基于視覺與光譜技術(shù)的水果病害檢測方法在投入實際生產(chǎn)應(yīng)用方面有廣闊的前景，未來隨著相關(guān)應(yīng)用研究的深入，應(yīng)選擇適合的試點果園，將現(xiàn)有的技術(shù)盡快地投入實際生產(chǎn)，實現(xiàn)產(chǎn)學融合。在實踐中即能更好地檢驗現(xiàn)有檢測技術(shù)的應(yīng)用效果，也可以在實際應(yīng)用中發(fā)現(xiàn)現(xiàn)有檢測技術(shù)的缺陷、不足，同時可以積累更多更貼近實際的寶貴經(jīng)驗和數(shù)據(jù)，為后續(xù)進一步研究提供思路。最終將進一步提升水果病害精準防控的水平，進而推動化學藥劑使用的減少和水果產(chǎn)量、質(zhì)量的提升。

短期內(nèi)，基于視覺與光譜技術(shù)的水果病害檢測方法和相應(yīng)的智能設(shè)備難以完全代替人工，但智能裝備方法與傳統(tǒng)的人工識別方法相結(jié)合，作為相互的補充，可以很好地協(xié)同工作。智能水果病害檢測方法可以實現(xiàn)大范圍、持續(xù)性的覆蓋，以及較高的工作效率。雖然存在誤報等局限性，但通過智能裝備方法提供早期預(yù)警，再由人工去再次確認和決策，將大幅度減小相關(guān)專家的工作量，提高勞動效率。

最后，整體來看目前關(guān)于水果病害檢測的研究大多聚焦于某種特定水果，以及某種特定病害。這便產(chǎn)生了許多重復工作，導致研究效率低下。事實上，不同的水果病害檢測研究中所應(yīng)用的視覺或光譜技術(shù)很大程度上是相通的，乃至其他作物病害檢測均有可借鑒之處，而不同的水果作物病害檢測研究中所面臨的也是共同的技術(shù)難點、困難挑戰(zhàn)。在開展水果病害檢測研究時，可以適當統(tǒng)籌，對一些可以侵染不同水果的病害，以及某種水果的不同病害可以一并展開研究，充分利用技術(shù)通用性，以加快研究的進展。