田间农作物病虫害检测技术研究进展与展望

陶 明，齐 龙，郭子淳，黄家怿，李慎磊，李 英

（1.华南农业大学工程学院，广东 广州 510642；2.广东省现代农业装备研究所，广东 广州 510630；3.广州瑞丰生物科技有限公司，广东 广州 510663；4.上海联适导航技术股份有限公司，上海 201702）

0 引言

农作物生产过程中，病虫害是造成作物产量与质量下降的重要因素[1]，病虫害的有效防治对农作物的高产优产十分重要[2]，然而现阶段的农业生产中，大部分农户对农作物病害的种类及田间虫情信息掌握不清，导致时常出现误用农药、过量喷药的情况，这不仅会延误最佳治疗时机，造成经济损失，还会带来水土污染、生态失衡等环境问题[3]。因此，实现对病害的准确识别与虫害的准确检测，对减少农药浪费和降低环境污染有着重要的意义。

近年来，随着传感器技术与信息技术的融合与发展，人们开始使用传感器与计算机等设备对农作物的病虫害情况进行检测，以此来代替人工判断，从而减少人为误判。对于农作物病害，由于发病症状明显，常有区域性发病，一般研究方向集中于单株作物病害识别和区域性病害检测及预警。对于虫害监测，由于田间害虫具有迁移性和隐蔽性，难以直接检测害虫个体，因此研究方向通常集中于田间取样采集害虫样本后检测识别，获取田间虫情信息。本文介绍了国内外学者在田间不同作物上的病害识别与虫情监测技术研究现状，以期为后续的技术发展和深入研究提供借鉴。

1 病害检测方法

1.1 病害检测方法概述

目前对于作物病害情况，通常依靠人工经验进行判断，一些农户可以通过经验对常见的病害种类进行判断，但对于田间较少出现的病害，农户难以辨认，无法对症下药。经过系统知识培训的农业专家可以对农作物病害的类型及程度进行更准确的判断，然而农业专家与植保人员相对较少，难以满足广大农户的需求，当出现大规模病害时，将会出现无法及时处理的情况，会造成严重的经济损失。由于人工判断病害存在较多弊端，因此利用机器对田间作物病害进行快速准确的识别十分必要，目前常用的田间病害识别技术主要有光谱技术、计算机视觉技术和深度学习技术等[4]。

1.2 基于光谱技术的病害检测方法

光谱技术通过获取可见光、近红外、短波红外等波段的光谱信息来监测田间的作物病害，由于病害会造成作物叶片的营养成分、水分等生理情况发生变化，导致患病作物在光谱反射特性上与健康作物存在较大差别，从而实现对病害的检测。对于大范围的检测，通常采用高光谱遥感技术，利用卫星或无人机等航空航天飞行器采集目标地块内的光谱数据，根据该数据建立病害检测模型，实现病害检测[5]。该技术的优势在于可对区域性的病害进行检测，同时可以对早期病害进行检测，实现对病害的预警，从而进行精确的区域病害防治工作。但该技术同样存在一定劣势，在实际生产过程中，不同的病害可能会引起作物产生相似的症状，使得不同病害产生相似的光谱特征，造成“同谱异病”的情况出现，且光谱易受天气和地形影响，导致检测精度下降[6]；加之高光谱检测设备成本昂贵，小农户难以负担，田间推广存在一定难度。

1.3 基于计算机视觉技术的病害检测方法

计算机视觉技术主要利用农作物的病害图像对病害进行识别。传统的计算机视觉识别病害使用人工提取特征的方法，该方法主要依靠研究人员的先验知识设计算法，对病害的纹理、颜色及形状等特征进行提取和匹配，以实现对病害的识别。如PUGOY 和MARIANO 将图像转为 HSI 色彩空间后，利用 K 均值聚类将像素分组，与各疾病进行比较，生成与各疾病的匹配度，从而实现病害的识别[7]。PHADIKAR 通过提取病斑特征，利用粗糙集理论对特征进行筛选和建模，实现了对4 种水稻病害的识别[8]。贾建楠和吉海彦则采集了黄瓜细菌性角斑病和黄瓜霜霉病叶片的图像，采用最大类间方差法提取了10 个病斑形状特征，以此对二者进行识别[9]。上述方法均能在特定的病害识别中达到良好的识别效果，但大部分传统计算机视觉方法均依赖人工提取作物的病害特征，这使得算法的表达能力十分有限，难以概括病害的全部特征，泛化能力较差，对于不同的环境背景适应性较差，也存在易与其他病害混淆的情况[10]。且对于不同的作物和病害，人工提取的特征并不能直接进行复用，科研人员需要重新对算法进行设计以适应新作物与新病害，这极大地增加了后续研究的复杂程度，因此该方法较难在实际应用中落地。

1.4 基于深度学习技术的病害检测方法

深度学习技术是在计算机视觉技术的基础上，利用卷积神经网络对图像中的病害特征进行自动提取，以此代替人工设计提取特征，因而避免了传统计算机视觉方法存在的问题。近年来，深度学习技术在图像分类、图像检测、内容推荐等领域得到了广泛的应用，在农业领域，也有大量学者开始使用深度学习技术和卷积神经网络技术对不同作物病害进行识别和检测。如LU 等采用了深度多实例学习，设计了一种田间自动病害诊断系统，对6 种小麦病害进行了识别和定位，使用的VGG-FCN-VD16和VGG-FCN-S 两种网络均达到了95%以上的准确率[11]。OZGUVEN和ADEM则采用了Faster R-CNN目标检测网络结构，实现了对甜菜叶上的病斑进行定位识别[12]。黄双萍等提出了基于深度卷积神经网络GoogLeNet的水稻穗瘟病检测方法，克服了室外自然光照的影响，利用多尺度卷积核提取不同尺度病斑的分布式特征，并对它们进行了级联融合，以实现稻瘟病的识别[13]。孙俊等采用了全局均值池化方法以替代卷积神经网络中的全连接层，结果表明，这项改进可以提升不同作物病害的识别准确率[14]。KARLEKAR和SEAL针对大豆，设计了SoyNet，实现了对16种大豆病害的识别，达到了97%以上的准确率[15]。CHEN等将Inception架构移植至VGGNet，并采用了迁移学习方法，将其他数据集上学习到的特征提取能力应用到水稻病害数据上，达到了92%的分类准确率[16]。KC等则将深度可分离卷积结构与简化的MobileNet进行了结合，使用PlantVillage数据集进行训练并测试，结果表明，该网络可以以较小体积实现较高的病害分类精度[17]。林中琦针对小麦病害样本数量不均衡的问题，将局部支持向量机与卷积神经网络相结合，提出了CNN-LSVM模型，提高了不平衡数据集中识别分类的精度[18]。ARNAL BARBEDO提出了一种基于单个病变和斑点的图像分类算法，测试了14种植物的79种疾病，结果表明，对单个病变进行识别的效果要优于整体识别[19]。PICON等则采用了多元信息融合的方式，将背景非图像元数据与病害图像进行结合，提出了3种不同的CNN架构，实现了对5种作物、17种病害的识别[20]。RAHMAN针对模型尺寸问题，提出了一种两阶段的小型CNN架构对水稻病害进行了检测，达到了93.3%的准确率[21]。

目前深度学习技术在各种作物的病害识别上都得到了应用，具备识别种类多，准确率高的特点，同时由于迁移学习技术，还拥有良好的迁移扩展能力，这使得深度学习技术在农业计算机视觉领域已经开始逐步取代传统的图像处理方法。上述研究主要为针对网络结构、病害数据集情况及模型尺寸进行的改进，且都取得了较好的效果。但在实际应用中，深度学习方法仍然存在一些不足。对于数据集，一些少见的病害难以获得足够的病害样本，部分数据集的场景单一，缺乏普适性，尽管数据增强可以对病害图像数量进行扩增，但无法生成全新的病害特征，这使得训练得到的模型难以真正应用到实际生产中[22]。而一些网络模型的尺寸较大，对硬件的要求较高，导致其在田间使用中受限。

2 虫害检测方法

2.1 虫害检测方法概述

目前我国对虫害的监测主要还是采用通过人工田间赶蛾或杀虫灯诱捕害虫，次日将害虫取出进行人工计数的方法。该方法存在效率低、劳动强度大等缺点，且监测结果受测报人员主观经验因素影响大，缺乏统一标准；而次日取出计数也意味着无法对田间害虫数量进行准确实时的监测，不利于实现害虫的快速防治。随着计算机技术的发展，数字化与自动化也被引入到虫害计数领域中，目前害虫自动计数技术主要有光电传感器计数、声特征检测以及图像识别等。

2.2 基于光电传感器技术的虫害检测方法

光电传感器计数主要利用害虫下落经过传感器时切断光路产生的电脉冲进行计数，该方法具有灵敏度高、经济性好等优点，且安装适用性较强，但当害虫下落距离较近时则易出现重叠现象导致误判，从而影响计数的准确率，现有的害虫监测装置多采用该方法计数。早在1996 年，SHUMAN 等便研制出了一款监测仓贮害虫的装置，该装置以光电传感器为基础，通过电子探管实现对害虫的计数，计数准确率达到了88%[23]，随后又采用正交方法的双光电技术对该装置进行了改进，成功过滤了装置中的其他干扰物，且增加了获取虫体长度的功能[24]。OPI systems 公司通过收集大量实仓的试验数据，提出了基于光电电子计数的统计模型，根据该模型计算得到成虫虫口密度数据，针对不同仓储温度下的害虫数量给予对应的预警[25]。JIANG 等在2008 年基于双层光电传感器设计了一种桔小实蝇诱捕及自动计数系统，准确率达到了80%[26]。文韬等通过在装置入口处设置两组光电传感器，利用光电耦合探头的电信号变化对害虫的运动方向进行统计，实现对桔小实蝇的自动计数与成虫虫口密度动态监测，该方法减少了害虫活动造成的计数误差，结果显示计数的相对误差约为3%～8%，同时结合无线传感器网络实现了害虫的远程实时监测[27]。

2.3 基于声特征技术的虫害检测方法

声特征技术主要通过拾音器获取害虫的爬行、吃食、鸣叫等声音电信号，对获取得到的电信号进行处理后可以计算害虫数量。如耿森林对赤拟谷盗、黑菌虫和米象成虫在小麦、大豆和玉米中的爬行声进行了采集和分析，建立了害虫活动声的无规声源模型，利用害虫活动声功率谱特征检测和区分害虫[28]。但由于该方法易受环境噪声等因素的干扰，在分辨复合种类、多数量害虫的声信息等方面仍然存在一定的困难，因此，目前较多应用于仓储中虫害的检测，在田间的监测应用仍处于实验室探索阶段。

2.4 基于机器视觉技术的虫害检测方法

机器视觉技术通过在捕虫装置内部安装光源、摄像机、接虫板等设备，定时对捕获到的害虫进行拍照，通过图像处理技术对捕获到的害虫进行识别计数，准确率相对较高。如韩瑞珍和何勇基于计算机视觉技术，设计了一套大田害虫远程自动识别系统，该系统通过无线网络将害虫图像传输到主控平台中，主控平台中系统通过对害虫的形态和颜色特征进行提取，实现了大田害虫的快速识别和诊断，达到了87.4%的准确率[29]。该方法的不足在于监测结果受环境光照影响大，算法普适性较差，光源摄像机设备导致成本上升，这使得机器视觉技术在田间害虫监测中的应用和推广受到了一定的限制。

2.5 基于多项技术融合的虫害检测方法

除了单独使用上述技术进行虫害监测外，部分学者也开始采用多种传感器进行共同监测。如田冉等将光电红外传感器技术与图像处理技术进行融合，实现了对梨小食心虫、苹小卷叶蛾和桃蛀螟的监测，通过两种渠道获取害虫信息，有效提高了害虫计数的准确率[30]。此类融合方法在一定程度上可以取长补短，从多个角度获取害虫的相关信息，通过互相验证减弱环境的影响，达到提升监测效果的目的。但该方法对融合算法具有一定的要求，需要研究人员对不同传感器的数据进行取舍建模，以达到最优效果。

3 结语

准确识别田间农作物的病虫害情况是保障我国粮食安全的重要基础之一。在田间病虫害获取过程中，人工识别病害和计数的效率低、准确率低，且无法做到实时监测，这使得田间病虫害的防治较为困难，因此，对田间病虫害情况进行快速、准确、实时的识别是现代农业植保环节的迫切需求。

从国内外研究现状来看，现有的病虫害检测技术在可控环境下均能达到较好的效果。对于病害识别，高光谱遥感与深度学习技术已逐步成为田间不同尺度上的主流，目前的研究主要集中于如何有效区分相似病害以及克服田间环境干扰的问题；未来的研究可考虑多源、多传感器融合的病害识别模型，通过结合农学知识、气象信息、地理信息、遥感光谱及视觉图像信息等，利用大数据实现田间作物病害的识别、监控与预警。对于虫害监测，现有的技术仍然面临较多难题，主要难点在于害虫的活动位置较为隐蔽，难以发现；未来的研究可考虑利用光电、声特征、压电、光谱、视觉等多种传感器信息，从不同角度对害虫进行监测，以得到全面的虫害信息。