水稻病害自动诊断方法的研究进展

2018-07-14方梦瑞

科技视界 2018年29期

方梦瑞吕军＊姚波

（1.黄山学院信息工程学院，安徽黄山 245041；2.浙江理工大学信息学院，浙江杭州 310018）

0 引言

水稻是我国主要的粮食作物之一，全国约四分之一的耕地面积用来种植水稻。每年因水稻病害造成的经济损失约有400～500 万吨[1]，而水稻病害具有发生快、易扩散等特点。因此，需要对水稻病害做出及时、快速地判断与防治。随着人工智能技术的不断发展，水稻病害自动诊断已成为水稻信息化防治研究热点。本文对已有研究成果进行总结并做出未来展望，以为相关研究人员提供理论基础。

1 近红外光谱技术在水稻病害诊断中的应用

基于近红外光谱技术的水稻病害诊断主要是通过水稻受到病害入侵时，叶绿素会降低对红光和蓝光的吸收能力，进而产生光谱反射率变化已达到诊断效果[2]。谭峰[3]利用近红外光谱技术采集健康与染病水稻植株的光谱特征，实现了稻瘟病、谷粒瘟和穗茎瘟三种病害的等级鉴定。周丽娜[4]、王晓丽[5]、吴迪[6]对水稻病害光谱数据进行预处理后，分别利用高斯拟合法、主成分分析法、UVE—SPA 组合法提取特征波长，建立了不同等级和不同种类的水稻病害识别模型。基于近红外光谱技术的水稻病害自动诊断具有绿色、无损等特点，但该方法仅依据病害侵染前后的光谱变化情况，并没有结合病斑呈现的外部特征。

2 图像处理技术在水稻病害诊断中的应用

基于图像处理技术的水稻病害诊断主要是通过病害图像增强、分割等预处理，提取病害颜色、形状和纹理等特征，最后结合模式识别方法实现水稻病害的自动诊断。水稻病斑分割是水稻病害自动分析与识别的关键环节之一,其分割效果直接影响后续处理。石凤梅[7]通过提取水稻病斑的R、G、B 分量作为特征向量，然后利用网格搜索法优化参数获得SVM 最优模型，最终实现了稻瘟病的有效分割。有效的特征提取不仅可以加快计算速度，也可以提高识别精度，路阳[8]利用PCA 对水稻病害进行降维，该算法提高了水稻病害识别的鲁棒性和识别率。袁媛[9]、管泽鑫[10]、杨昕薇[11]分别利用支持向量机、贝叶斯判别和逐步判别法实现了水稻病害的自动识别。基于图像处理技术的水稻病害识别具有快速、识别率高等特点，但均借助于病害呈现的病斑特征，没有结合病害呈现的内部变化，无法满足早期诊断与及时防治的需求。

3 高光谱成像技术在水稻病害诊断中的应用

高光谱技术既可以采集光谱信息也可以得到图像信息，能够兼具样本内部变化和外部呈现的特征差异来进行水稻病害的自动诊断。袁建清[12]采用高光谱成像仪获得不同时期的水稻叶片光谱图像，分别建立了基于最小二乘法判别分析（PLS-DA）和主成分加支持向量机方法（PCA-SVM）的稻瘟病识别模型，准确识别率分别为100%和97.5%。郑志雄[13]利用主成分分析法和最大类间法分割不同时期的稻瘟病高光谱图像，然后以病斑光谱差异、不同等级病害形态差异和水稻叶片延伸率等参数为识别依据，实现了稻瘟病等级鉴定。黄双萍[14]提出基于光谱词袋（bag of spectrum words，BoSW）的稻穗病等级鉴定方法。首先利用BoSW方法生成词袋表达，最后采用卡方-支持矢量机（Chi-SVM）分类算法建立了稻穗病等级鉴定模型，测试分类精度达94.72%。

4 深度学习在水稻病害诊断中的应用

卷积神经网络（CNN）作为一种有效的自主学习特征方法，可以将图像直接作为输入，自学习图像特征，以避免传统特征提取对识别模型的影响[15]。黄双萍[16]建立了基于GoogLeNet 模型的稻穗病检测模型，测试准确率为92.0%。张楠[17]利用最大类间方差法分割稻瘟病病斑区域，然后建立了基于softmax 分类器的稻瘟病自动识别模型，平均识别准确率可达95.2%。卜翔宇[18]、刘成[19]分别利用Maxout 单元和fine-tuning 优化水稻病害识别卷积神经网络结构，以提高网络识别精度。