發(fā)布時(shí)間：所屬分類：農(nóng)業(yè)論文瀏覽：1次
摘 要： 摘要:農(nóng)作物病害的無(wú)損檢測(cè)和早期識(shí)別是精準(zhǔn)農(nóng)業(yè)和生態(tài)農(nóng)業(yè)發(fā)展的關(guān)鍵。隨著圖像采集和圖像處理技術(shù)的進(jìn)步，高光譜成像等先進(jìn)成像探測(cè)技術(shù)和基于深度學(xué)習(xí)的圖像分析技術(shù)越來(lái)越多地應(yīng)用于農(nóng)作物病蟲(chóng)害的無(wú)損檢測(cè)中。本文首先簡(jiǎn)單介紹了以深度學(xué)習(xí)為代表的圖像
摘要:農(nóng)作物病害的無(wú)損檢測(cè)和早期識(shí)別是精準(zhǔn)農(nóng)業(yè)和生態(tài)農(nóng)業(yè)發(fā)展的關(guān)鍵。隨著圖像采集和圖像處理技術(shù)的進(jìn)步，高光譜成像等先進(jìn)成像探測(cè)技術(shù)和基于深度學(xué)習(xí)的圖像分析技術(shù)越來(lái)越多地應(yīng)用于農(nóng)作物病蟲(chóng)害的無(wú)損檢測(cè)中。本文首先簡(jiǎn)單介紹了以深度學(xué)習(xí)為代表的圖像識(shí)別技術(shù)的基本原理，然后系統(tǒng)地闡述了基于深度學(xué)習(xí)的先進(jìn)成像技術(shù)和先進(jìn)圖像識(shí)別分析技術(shù)在農(nóng)作物病害檢測(cè)識(shí)別中的國(guó)內(nèi)外研究現(xiàn)狀，分析了其在農(nóng)作物病害檢測(cè)識(shí)別上存在的優(yōu)缺點(diǎn)，如具有快速、準(zhǔn)確率高等優(yōu)點(diǎn)以及數(shù)據(jù)量過(guò)大處理不便等缺點(diǎn)，并進(jìn)一步指出，利用高光譜成像和熱紅外成像與深度學(xué)習(xí)相結(jié)合，將成為今后研究農(nóng)作物病蟲(chóng)害早期檢測(cè)的主要發(fā)展方向。
關(guān)鍵詞:農(nóng)作物病蟲(chóng)害檢測(cè);深度學(xué)習(xí);圖像識(shí)別;高光譜成像技術(shù)
精準(zhǔn)農(nóng)業(yè)是在20世紀(jì)80年代由美國(guó)和加拿大等國(guó)率先提出，其關(guān)鍵是利用遙感技術(shù)、地理信息技術(shù)和全球衛(wèi)星定位技術(shù)以及計(jì)算機(jī)自動(dòng)控制技術(shù)實(shí)時(shí)監(jiān)控作物的生長(zhǎng)環(huán)境，包括土壤結(jié)構(gòu)、植物營(yíng)養(yǎng)、含水量、病蟲(chóng)害等，確定其最優(yōu)的施肥施藥量，使其可以在減少污染的前提下提高產(chǎn)量，減少成本。及時(shí)準(zhǔn)確的作物病害信息對(duì)其防治有著重要意義，早發(fā)現(xiàn)，早防治，可有效減緩作物病害的傳播，同時(shí)在病害早期可以用更少的藥物對(duì)其進(jìn)行防治，可以減少對(duì)環(huán)境的污染。
傳統(tǒng)的農(nóng)作物病蟲(chóng)害檢測(cè)耗時(shí)長(zhǎng)，過(guò)程復(fù)雜，通常局限在實(shí)驗(yàn)室內(nèi)的離線分析。近年來(lái)，許多研究采用成像技術(shù)和圖像處理技術(shù)對(duì)農(nóng)作物病蟲(chóng)害的進(jìn)行檢測(cè)，相較于之前的化學(xué)檢測(cè)手段，這兩種技術(shù)的結(jié)合不僅更快速準(zhǔn)確，不會(huì)對(duì)被測(cè)對(duì)象造成不可逆的破壞，而且還可以避免各種化學(xué)檢測(cè)手段造成的附帶污染;可以實(shí)現(xiàn)對(duì)農(nóng)作物各類信息的有效提取，達(dá)到對(duì)農(nóng)作物病蟲(chóng)害進(jìn)行線上檢測(cè)的目的。隨著高光譜成像技術(shù)及紅外熱成像技術(shù)等先進(jìn)檢測(cè)技術(shù)在農(nóng)作物病蟲(chóng)害領(lǐng)域的應(yīng)用[1]，可以對(duì)人眼尚未發(fā)現(xiàn)的早期病害特征進(jìn)行監(jiān)測(cè)，同時(shí)高光譜圖像所采集的數(shù)據(jù)立方提供了大量的多維的樣本數(shù)據(jù)，使得深度學(xué)習(xí)在作物病蟲(chóng)害檢測(cè)識(shí)別方面的應(yīng)用成為可能。
本文主要介紹了以近紅外熱成像技術(shù)和高光譜成像技術(shù)為代表的新型無(wú)損檢測(cè)技術(shù)及以深度學(xué)習(xí)為代表的圖像識(shí)別技術(shù)等在農(nóng)作物病蟲(chóng)害無(wú)損檢測(cè)中的國(guó)內(nèi)外研究現(xiàn)狀。
1農(nóng)作物病蟲(chóng)害的圖像識(shí)別方法
1.1傳統(tǒng)的農(nóng)作物病蟲(chóng)害圖像識(shí)別方法
傳統(tǒng)的圖像識(shí)別技術(shù)包括降噪、腐蝕、增強(qiáng)等，還有對(duì)圖像各個(gè)顏色空間特征和紋理特征的提取，并利用得出的特征值進(jìn)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(duì)非線性數(shù)據(jù)的建模識(shí)別成功率很低，因而在農(nóng)作物病害檢測(cè)中，其建模識(shí)別成功率非常不理想。淺層神經(jīng)網(wǎng)絡(luò)是基于非線性數(shù)據(jù)建模的各種困難和失敗結(jié)果，而興起的一種建模識(shí)別方法。經(jīng)典的淺層人工神經(jīng)網(wǎng)絡(luò)包括BP神經(jīng)網(wǎng)絡(luò)、ART神經(jīng)網(wǎng)絡(luò)、RBF神經(jīng)網(wǎng)絡(luò)等。
我們以BP神經(jīng)網(wǎng)絡(luò)為例，它是經(jīng)典的3層神經(jīng)網(wǎng)絡(luò)，包括輸入層、隱含層及輸出層，每個(gè)節(jié)點(diǎn)表示一個(gè)神經(jīng)元，神經(jīng)網(wǎng)絡(luò)的各層通過(guò)節(jié)點(diǎn)間的權(quán)系數(shù)相互溝通。如果BP神經(jīng)網(wǎng)絡(luò)信息的正向傳播結(jié)果滿足預(yù)期效果，那么該次網(wǎng)絡(luò)學(xué)習(xí)處理完成，算法停止學(xué)習(xí);如果沒(méi)完成預(yù)想結(jié)果，進(jìn)行誤差反向傳播調(diào)節(jié)各層的權(quán)值繼續(xù)完成學(xué)習(xí)處理的過(guò)程。淺層神經(jīng)網(wǎng)絡(luò)中對(duì)象識(shí)別有著更高的準(zhǔn)確率，但是在復(fù)雜光照和復(fù)雜背景下，其圖像分類結(jié)果并不理想。
1.2基于深度學(xué)習(xí)的農(nóng)作物病蟲(chóng)害圖像處理識(shí)別方法
深度學(xué)習(xí)是相較于淺層網(wǎng)絡(luò)來(lái)說(shuō)的，是機(jī)器學(xué)習(xí)的一種新的方法和方向，也是實(shí)現(xiàn)人工智能的一種新方法。深度學(xué)習(xí)是由加拿大多倫多大學(xué)教授、機(jī)器學(xué)習(xí)領(lǐng)域的大師Hinton在2006年首次提出的，其主要觀點(diǎn)是:含多個(gè)隱層的人工神經(jīng)網(wǎng)絡(luò)可以將從訓(xùn)練模型的原始輸入中提取出的低級(jí)特征整合成高級(jí)特征，與之前的淺層人工神經(jīng)網(wǎng)絡(luò)相比，可以獲得更高的識(shí)別準(zhǔn)確率，能更好地解決圖像分類和可視化問(wèn)題。
這一概念的出現(xiàn)引發(fā)了關(guān)于深度學(xué)習(xí)的研究熱潮，在ImageNet世界大賽上深度學(xué)習(xí)網(wǎng)絡(luò)的出現(xiàn)打破了淺層神經(jīng)網(wǎng)絡(luò)的識(shí)別準(zhǔn)確率，并以壓倒性的優(yōu)勢(shì)獲得冠軍，在語(yǔ)音識(shí)別、圖像識(shí)別、圖像分類等許多應(yīng)用上都得到了突破性的進(jìn)展。深度學(xué)習(xí)是類似于淺層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的，不過(guò)它包含很多個(gè)隱含層結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)，典型的深度學(xué)習(xí)網(wǎng)絡(luò)包括卷積神經(jīng)網(wǎng)絡(luò)(CNN)、有受限玻爾茲曼機(jī)(RBM)、深度置信網(wǎng)絡(luò)、深度玻爾茲曼機(jī)(DBM)等。
深度學(xué)習(xí)的建模方法相較于傳統(tǒng)的圖像處理手段省去了大量的預(yù)處理手段，只需要將圖像裁剪成合適尺寸即可以進(jìn)行圖像識(shí)別，大量縮短了識(shí)別時(shí)間且大幅度提高識(shí)別準(zhǔn)確率。相較于淺層神經(jīng)網(wǎng)絡(luò)，深度學(xué)習(xí)的學(xué)習(xí)能力更強(qiáng)，識(shí)別準(zhǔn)確率更高。雖然識(shí)別時(shí)間較之前明顯縮短，但是在深度學(xué)習(xí)訓(xùn)練中將會(huì)耗費(fèi)大量時(shí)間，增加訓(xùn)練集訓(xùn)練的時(shí)間成本。利用深度學(xué)習(xí)的強(qiáng)大的圖像分類能力可以直接將患病作物的圖像分離出來(lái)，識(shí)別率較傳統(tǒng)的建模方法和淺層神經(jīng)網(wǎng)絡(luò)要高，而且對(duì)外界環(huán)境條件要求不高，可以應(yīng)用到實(shí)際的生產(chǎn)生活中。圖像在進(jìn)行訓(xùn)練時(shí)，先選出候選區(qū)域?qū)ζ鋱D像特征進(jìn)行提取，然后分為正負(fù)樣本，正樣本為正確的訓(xùn)練分類結(jié)果，負(fù)樣本為不正確的分類結(jié)果，通過(guò)對(duì)正負(fù)樣本的分類，可以準(zhǔn)確地對(duì)圖像進(jìn)行分類。
2農(nóng)作物病蟲(chóng)害圖像識(shí)別技術(shù)的研究進(jìn)展
2.1傳統(tǒng)圖像識(shí)別技術(shù)在農(nóng)作物病害檢測(cè)識(shí)別方面的研究進(jìn)展
在國(guó)際上，越來(lái)越多的研究者選擇紅外成像技術(shù)和高光譜成像技術(shù)，傳統(tǒng)的圖像識(shí)別技術(shù)可以很好地反映出檢測(cè)手段所明確表征的被測(cè)物的外部特征、內(nèi)部化學(xué)成分含量和生理結(jié)構(gòu)的變化，更容易在早期識(shí)別出被測(cè)物是否發(fā)生病變及其化學(xué)成分的變化。
2016年，浙江大學(xué)的Zhao等[2]利用高光譜成像技術(shù)來(lái)確定黃瓜葉中葉綠素和類胡蘿卜素的含量，并通過(guò)其含量判斷其是否感染角葉斑點(diǎn)。使用偏最小二乘回歸模型來(lái)開(kāi)發(fā)通過(guò)生化分析測(cè)量的光譜和色素含量之間的定量分析。由特征波長(zhǎng)開(kāi)發(fā)的偏最小二乘回歸模型提供了最佳的測(cè)量結(jié)果，相關(guān)系數(shù)分別為葉綠素和類胡蘿卜素含量的預(yù)測(cè)值0.871和0.876，并且可以通過(guò)其含量來(lái)準(zhǔn)確判斷出黃瓜葉是否感染了角葉斑點(diǎn)。
首先是在高光譜圖像采集和校正之后，從感興趣區(qū)域(ROI)提取反射率值。然后通過(guò)生化分析(ChlBA，Car-BA)測(cè)定Chl和Car含量。使用Chl-BA，Car-BA的樣品和內(nèi)容物的平均光譜來(lái)選擇用于開(kāi)發(fā)偏最小二乘回歸(PLSR)模型的重要波長(zhǎng)(IW)。最后，建立的PLSR模型用于計(jì)算高光譜圖像上每個(gè)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(yán)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(nóng)業(yè)大學(xué)的Wang等[3]利用高光譜成像技術(shù)區(qū)分氮肥水平的方法，通過(guò)主成分分析選擇5個(gè)特征波長(zhǎng)，通過(guò)灰度梯度共生矩陣從特征波長(zhǎng)的圖像中提取紋理特征，使用支持向量機(jī)(SVM)建立基于全光譜數(shù)據(jù)、特征波長(zhǎng)、紋理特征和數(shù)據(jù)融合的分類模型。使用融合數(shù)據(jù)的SVM模型給出了預(yù)測(cè)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(shù)可以準(zhǔn)確地判斷出作物的氮肥釋放量。
2017年，美國(guó)內(nèi)布拉斯加大學(xué)林肯分校的Pandey等[4]利用高光譜成像技術(shù)的量化玉米和大豆植物體內(nèi)化學(xué)特性的效用。這些性質(zhì)包括葉片含水量以及常量營(yíng)養(yǎng)素氮(N)、磷(P)、鉀(K)、鎂(Mg)、鈣(Ca)和硫(S)以及微量營(yíng)養(yǎng)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(shù)據(jù)與化學(xué)數(shù)據(jù)相關(guān)聯(lián)。在所有化學(xué)性質(zhì)研究中，以水含量為最高，預(yù)測(cè)精度為0.93。
所有宏量營(yíng)養(yǎng)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(yíng)養(yǎng)素組顯示較低的預(yù)測(cè)準(zhǔn)確度從0.19到0.86，其相較于傳統(tǒng)的反演方式具有更高的準(zhǔn)確性。2018年，法國(guó)蒙彼利埃大學(xué)的Nouri等[5]利用高光譜成像技術(shù)研究了荔枝果實(shí)的非破壞性分級(jí)測(cè)試方法，提取荔枝果實(shí)感興趣區(qū)的高光譜數(shù)據(jù)并使用主成分分析來(lái)確定用于識(shí)別荔枝品質(zhì)特性的特征波長(zhǎng)694、725和798nm，使用灰度共生矩陣提取紋理特征，進(jìn)行最小二乘支持向量機(jī)建模，以對(duì)荔枝的不同品質(zhì)進(jìn)行分類。該模型使用實(shí)驗(yàn)數(shù)據(jù)進(jìn)行驗(yàn)證，驗(yàn)證集的平均準(zhǔn)確率為93.75%，而外部驗(yàn)證集為95%。
3展望
可見(jiàn)光成像的技術(shù)已經(jīng)相當(dāng)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(chóng)害肉眼可見(jiàn)時(shí)才能取得比較好的識(shí)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(méi)有表征的時(shí)候，發(fā)現(xiàn)被測(cè)物的內(nèi)部結(jié)構(gòu)和化學(xué)成分的改變，進(jìn)行早期判斷，可以實(shí)現(xiàn)作物病害的早期檢測(cè)，在植物病害的防治過(guò)程中具有重要價(jià)值，有利于實(shí)現(xiàn)精準(zhǔn)農(nóng)業(yè)。
今后農(nóng)作物病害的無(wú)損檢測(cè)技術(shù)可分為以下幾個(gè)研究方向:(1)利用紅外熱成像、高光譜成像技術(shù)為農(nóng)作物病害的早期探測(cè)提供了可能性，是農(nóng)作物病害早期探測(cè)的發(fā)展方向;(2)深度學(xué)習(xí)的圖像處理技術(shù)可以將復(fù)雜背景下的圖像進(jìn)行分類識(shí)別并具有極高的準(zhǔn)確率，可為農(nóng)作物病害的早期識(shí)別提供算法保障;(3)高光譜成像技術(shù)具有圖譜合一的特點(diǎn)，為深度學(xué)習(xí)的圖像識(shí)別提供了不同波段的海量圖像信息，使得高光譜成像技術(shù)和深度學(xué)習(xí)的圖像識(shí)別技術(shù)結(jié)合在農(nóng)作物病害檢測(cè)識(shí)別方面具有廣泛的應(yīng)用前景;(4)在深度學(xué)習(xí)的應(yīng)用中，針對(duì)學(xué)習(xí)過(guò)程中會(huì)花費(fèi)大量的時(shí)間成本的問(wèn)題，未來(lái)可在算法上進(jìn)行改進(jìn)，減少時(shí)間成本，使其可以對(duì)不同的病害種類和發(fā)生階段進(jìn)行識(shí)別，對(duì)病蟲(chóng)害的檢測(cè)具有重要的意義。
參考文獻(xiàn)(References):
[1]李真，史智興，王成，等.紅外熱成像技術(shù)在作物脅迫檢測(cè)方面的應(yīng)用[J].農(nóng)機(jī)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(guān)刊物推薦：《農(nóng)機(jī)化研究》為農(nóng)業(yè)工程類學(xué)術(shù)期刊，創(chuàng)辦于1979年，其投稿要以緊緊圍繞大農(nóng)業(yè)概念下(包括農(nóng)、林、《農(nóng)機(jī)化研究》牧、副、漁)的機(jī)械化、電氣化、自動(dòng)化及數(shù)字化相關(guān)的新理論、新技術(shù)、新成果和綜合述評(píng)為核心內(nèi)容，語(yǔ)言精煉、結(jié)構(gòu)完整、表達(dá)準(zhǔn)確。郵發(fā)代號(hào)：14-324。
