發布時間：2019-04-24所屬分類：農業論文瀏覽：1次
摘 要： 摘要:農作物病害的無損檢測和早期識別是精準農業和生態農業發展的關鍵。隨著圖像采集和圖像處理技術的進步，高光譜成像等先進成像探測技術和基于深度學習的圖像分析技術越來越多地應用于農作物病蟲害的無損檢測中。本文首先簡單介紹了以深度學習為代表的圖像
摘要:農作物病害的無損檢測和早期識別是精準農業和生態農業發展的關鍵。隨著圖像采集和圖像處理技術的進步，高光譜成像等先進成像探測技術和基于深度學習的圖像分析技術越來越多地應用于農作物病蟲害的無損檢測中。本文首先簡單介紹了以深度學習為代表的圖像識別技術的基本原理，然后系統地闡述了基于深度學習的先進成像技術和先進圖像識別分析技術在農作物病害檢測識別中的國內外研究現狀，分析了其在農作物病害檢測識別上存在的優缺點，如具有快速、準確率高等優點以及數據量過大處理不便等缺點，并進一步指出，利用高光譜成像和熱紅外成像與深度學習相結合，將成為今后研究農作物病蟲害早期檢測的主要發展方向。
關鍵詞:農作物病蟲害檢測;深度學習;圖像識別;高光譜成像技術
精準農業是在20世紀80年代由美國和加拿大等國率先提出，其關鍵是利用遙感技術、地理信息技術和全球衛星定位技術以及計算機自動控制技術實時監控作物的生長環境，包括土壤結構、植物營養、含水量、病蟲害等，確定其最優的施肥施藥量，使其可以在減少污染的前提下提高產量，減少成本。及時準確的作物病害信息對其防治有著重要意義，早發現，早防治，可有效減緩作物病害的傳播，同時在病害早期可以用更少的藥物對其進行防治，可以減少對環境的污染。
傳統的農作物病蟲害檢測耗時長，過程復雜，通常局限在實驗室內的離線分析。近年來，許多研究采用成像技術和圖像處理技術對農作物病蟲害的進行檢測，相較于之前的化學檢測手段，這兩種技術的結合不僅更快速準確，不會對被測對象造成不可逆的破壞，而且還可以避免各種化學檢測手段造成的附帶污染;可以實現對農作物各類信息的有效提取，達到對農作物病蟲害進行線上檢測的目的。隨著高光譜成像技術及紅外熱成像技術等先進檢測技術在農作物病蟲害領域的應用[1]，可以對人眼尚未發現的早期病害特征進行監測，同時高光譜圖像所采集的數據立方提供了大量的多維的樣本數據，使得深度學習在作物病蟲害檢測識別方面的應用成為可能。
本文主要介紹了以近紅外熱成像技術和高光譜成像技術為代表的新型無損檢測技術及以深度學習為代表的圖像識別技術等在農作物病蟲害無損檢測中的國內外研究現狀。
1農作物病蟲害的圖像識別方法
1.1傳統的農作物病蟲害圖像識別方法
傳統的圖像識別技術包括降噪、腐蝕、增強等，還有對圖像各個顏色空間特征和紋理特征的提取，并利用得出的特征值進行線性建模，建模方式采用偏最小二乘法(PLS)等。但是線性建模有著很大的局限性，面對非線性數據的建模識別成功率很低，因而在農作物病害檢測中，其建模識別成功率非常不理想。淺層神經網絡是基于非線性數據建模的各種困難和失敗結果，而興起的一種建模識別方法。經典的淺層人工神經網絡包括BP神經網絡、ART神經網絡、RBF神經網絡等。
我們以BP神經網絡為例，它是經典的3層神經網絡，包括輸入層、隱含層及輸出層，每個節點表示一個神經元，神經網絡的各層通過節點間的權系數相互溝通。如果BP神經網絡信息的正向傳播結果滿足預期效果，那么該次網絡學習處理完成，算法停止學習;如果沒完成預想結果，進行誤差反向傳播調節各層的權值繼續完成學習處理的過程。淺層神經網絡中對象識別有著更高的準確率，但是在復雜光照和復雜背景下，其圖像分類結果并不理想。
1.2基于深度學習的農作物病蟲害圖像處理識別方法
深度學習是相較于淺層網絡來說的，是機器學習的一種新的方法和方向，也是實現人工智能的一種新方法。深度學習是由加拿大多倫多大學教授、機器學習領域的大師Hinton在2006年首次提出的，其主要觀點是:含多個隱層的人工神經網絡可以將從訓練模型的原始輸入中提取出的低級特征整合成高級特征，與之前的淺層人工神經網絡相比，可以獲得更高的識別準確率，能更好地解決圖像分類和可視化問題。
這一概念的出現引發了關于深度學習的研究熱潮，在ImageNet世界大賽上深度學習網絡的出現打破了淺層神經網絡的識別準確率，并以壓倒性的優勢獲得冠軍，在語音識別、圖像識別、圖像分類等許多應用上都得到了突破性的進展。深度學習是類似于淺層神經網絡結構的，不過它包含很多個隱含層結構的神經網絡，典型的深度學習網絡包括卷積神經網絡(CNN)、有受限玻爾茲曼機(RBM)、深度置信網絡、深度玻爾茲曼機(DBM)等。
深度學習的建模方法相較于傳統的圖像處理手段省去了大量的預處理手段，只需要將圖像裁剪成合適尺寸即可以進行圖像識別，大量縮短了識別時間且大幅度提高識別準確率。相較于淺層神經網絡，深度學習的學習能力更強，識別準確率更高。雖然識別時間較之前明顯縮短，但是在深度學習訓練中將會耗費大量時間，增加訓練集訓練的時間成本。利用深度學習的強大的圖像分類能力可以直接將患病作物的圖像分離出來，識別率較傳統的建模方法和淺層神經網絡要高，而且對外界環境條件要求不高，可以應用到實際的生產生活中。圖像在進行訓練時，先選出候選區域對其圖像特征進行提取，然后分為正負樣本，正樣本為正確的訓練分類結果，負樣本為不正確的分類結果，通過對正負樣本的分類，可以準確地對圖像進行分類。
2農作物病蟲害圖像識別技術的研究進展
2.1傳統圖像識別技術在農作物病害檢測識別方面的研究進展
在國際上，越來越多的研究者選擇紅外成像技術和高光譜成像技術，傳統的圖像識別技術可以很好地反映出檢測手段所明確表征的被測物的外部特征、內部化學成分含量和生理結構的變化，更容易在早期識別出被測物是否發生病變及其化學成分的變化。
2016年，浙江大學的Zhao等[2]利用高光譜成像技術來確定黃瓜葉中葉綠素和類胡蘿卜素的含量，并通過其含量判斷其是否感染角葉斑點。使用偏最小二乘回歸模型來開發通過生化分析測量的光譜和色素含量之間的定量分析。由特征波長開發的偏最小二乘回歸模型提供了最佳的測量結果，相關系數分別為葉綠素和類胡蘿卜素含量的預測值0.871和0.876，并且可以通過其含量來準確判斷出黃瓜葉是否感染了角葉斑點。
首先是在高光譜圖像采集和校正之后，從感興趣區域(ROI)提取反射率值。然后通過生化分析(ChlBA，Car-BA)測定Chl和Car含量。使用Chl-BA，Car-BA的樣品和內容物的平均光譜來選擇用于開發偏最小二乘回歸(PLSR)模型的重要波長(IW)。最后，建立的PLSR模型用于計算高光譜圖像上每個像素的Chl-HSI和Car-HSI值。黃瓜葉片的Chl-HSI和Car-HSI空間分布受到不同嚴重程度的丁香假單胞菌致病變種的感染。
在MATLAB軟件的幫助下顯示lachrymans感染。2018年，安徽農業大學的Wang等[3]利用高光譜成像技術區分氮肥水平的方法，通過主成分分析選擇5個特征波長，通過灰度梯度共生矩陣從特征波長的圖像中提取紋理特征，使用支持向量機(SVM)建立基于全光譜數據、特征波長、紋理特征和數據融合的分類模型。使用融合數據的SVM模型給出了預測集合具有最高正確分類率100%的最佳性能，可以完全判斷出茶葉的施氮肥含量，該研究證明了高光譜技術可以準確地判斷出作物的氮肥釋放量。
2017年，美國內布拉斯加大學林肯分校的Pandey等[4]利用高光譜成像技術的量化玉米和大豆植物體內化學特性的效用。這些性質包括葉片含水量以及常量營養素氮(N)、磷(P)、鉀(K)、鎂(Mg)、鈣(Ca)和硫(S)以及微量營養素鈉(Na)、鐵(Fe)、錳(Mn)、硼(B)、銅(Cu)和鋅(Zn)。利用每種植物的反射光譜，建立偏最小二乘回歸模型以將光譜數據與化學數據相關聯。在所有化學性質研究中，以水含量為最高，預測精度為0.93。
所有宏量營養素也被令人滿意地定量精度從0.69到0.92，N最好，其次是P、K和S。微量營養素組顯示較低的預測準確度從0.19到0.86，其相較于傳統的反演方式具有更高的準確性。2018年，法國蒙彼利埃大學的Nouri等[5]利用高光譜成像技術研究了荔枝果實的非破壞性分級測試方法，提取荔枝果實感興趣區的高光譜數據并使用主成分分析來確定用于識別荔枝品質特性的特征波長694、725和798nm，使用灰度共生矩陣提取紋理特征，進行最小二乘支持向量機建模，以對荔枝的不同品質進行分類。該模型使用實驗數據進行驗證，驗證集的平均準確率為93.75%，而外部驗證集為95%。
3展望
可見光成像的技術已經相當成熟，但是它只能得到作物的表面信息，只有在作物的病變或者蟲害肉眼可見時才能取得比較好的識別效果。將紅外成像和高光譜成像引入其中可以在作物患病還沒有表征的時候，發現被測物的內部結構和化學成分的改變，進行早期判斷，可以實現作物病害的早期檢測，在植物病害的防治過程中具有重要價值，有利于實現精準農業。
今后農作物病害的無損檢測技術可分為以下幾個研究方向:(1)利用紅外熱成像、高光譜成像技術為農作物病害的早期探測提供了可能性，是農作物病害早期探測的發展方向;(2)深度學習的圖像處理技術可以將復雜背景下的圖像進行分類識別并具有極高的準確率，可為農作物病害的早期識別提供算法保障;(3)高光譜成像技術具有圖譜合一的特點，為深度學習的圖像識別提供了不同波段的海量圖像信息，使得高光譜成像技術和深度學習的圖像識別技術結合在農作物病害檢測識別方面具有廣泛的應用前景;(4)在深度學習的應用中，針對學習過程中會花費大量的時間成本的問題，未來可在算法上進行改進，減少時間成本，使其可以對不同的病害種類和發生階段進行識別，對病蟲害的檢測具有重要的意義。
參考文獻(References):
[1]李真，史智興，王成，等.紅外熱成像技術在作物脅迫檢測方面的應用[J].農機化研究，2016，38(1):232-237.LIZ，SHIZX，WANGC，etal.Theapplicationprogressofinfraredthermographyforcropstressdetection[J].JournalofAgriculturalMechanizationResearch，2016，38(1):232-237.(inChinesewithEnglishabstract)
[2]ZHAOYR，LIXL，YUKQ，etal.Hyperspectralimagingfordeterminingpigmentcontentsincucumberleavesinresponsetoangularleafspotdisease[J].ScientificReports，2016，6:27790.
[3]WANGYJ，HUX，HOUZW，etal.Discriminationofnitrogenfertilizerlevelsofteaplant(Camelliasinensis)basedonhyperspectralimaging[J].JournaloftheScienceofFoodandAgriculture，2018，98(12):4659-4664.
[4]PANDEYP，GEYF，STOERGERV，etal.Highthroughputinvivoanalysisofplantleafchemicalpropertiesusinghyperspectralimaging[J].FrontiersinPlantScience，2017，8:1348.
[5]NOURIM，GORRETTAN，VAYSSEP，etal.Nearinfraredhyperspectraldatasetofhealthyandinfectedappletreeleavesimagesfortheearlydetectionofapplescabdisease[J].DatainBrief，2018，16:967-971.
相關刊物推薦：《農機化研究》為農業工程類學術期刊，創辦于1979年，其投稿要以緊緊圍繞大農業概念下(包括農、林、《農機化研究》牧、副、漁)的機械化、電氣化、自動化及數字化相關的新理論、新技術、新成果和綜合述評為核心內容，語言精煉、結構完整、表達準確。郵發代號：14-324。
SCISSCIAHCI
