水果病害视觉与光谱检测技术研究现状及展望*

吴俊鹏，黄光文，李君, 2

(1. 华南农业大学工程学院，广州市，510642； 2. 广东省农业人工智能重点实验室, 广州市，510642)

0 引言

水果产业是我国农业的重要组成部分，是粮食、蔬菜之后的第三大农业种植产业[1]。2020年全国果园总面积12.65万平方千米，年水果总产量2.87亿吨[2]，稳居全球首位。感染病害是导致水果减产的重要原因，造成的平均损失约10%[3]，最大损失可达80%[4]，带来严重经济损失。在生产中，许多果农难以及时掌握水果病害信息，导致错失防控良机，或者盲目过量施药。及时准确地检测出水果病害，有助于实现水果生产过程的病害精准管理，减少化学药剂的使用，提升水果产量和品质。

通过视觉与光谱技术实现水果病害检测是当前研究热点，一些高经济价值的水果如柑橘[5-6]、草莓[7-8]、苹果[9-10]等的典型病害检测已有一定的研究。视觉与光谱检测具有无损性、直观性、实时性和准确性的特点，符合水果病害检测的需求，在病害早期检测、病情分级等领域有明显优势[11]。还解决了基于专家经验、统计学、生物化学等的传统检测方法存在效率低、主观性大、应用难度大等缺点[12-13]。本文介绍了部分国内外学者关于水果病害视觉与光谱检测技术的最新研究进展，以期为生产实践和后续的深入研究提供参考。

1 机器视觉检测方法

水果在感染某种病害后，在其叶片、果实等相应部位通常会呈现出肉眼可观察到的特定表征，例如枯黄、褐变、病斑等，这为机器视觉检测水果病害提供了理论可能。而摄像头是一种成本低、应用广的传感器。因此，基于机器视觉技术分析摄像头拍摄的图像数据，开展水果病害检测的研究，贴近水果产业的实际生产需求，有利于未来技术落地推广。

1.1 传统图像处理技术

传统图像处理技术主要通过一定的逻辑和算法来理解图片中的内容，特别是颜色、纹理等特征，从而实现水果病害的检测。图像处理技术经过多年发展已经有相对成熟的理论方法，常见方法包括图像增强、色彩空间变换、边缘检测、图像分割、形态学处理等[14]。然而研究者仍在继续研究创新，进一步挖掘图像处理技术的潜力。邵彧等[15]提出了一种基于图像处理技术的苹果叶片病害检测方法，利用GrabCut和分水岭图像分割算法去除背景，再通过判别局部保持投影算法提取叶片病害的特征，最后通过K-最近邻分类器实现病害检测，识别准确率为91.84%，较传统方法提升了3～5个百分点。

此外，基于传统图像处理技术的水果病害检测方法对结果有较好的解释性，有利于与植保农艺研究相结合。图像处理算法中每个参数都有具体的物理意义，可以从数学上对水果病害的几何、光学、物理等性质进行建模。孙世鹏等在通过图像处理技术检测冬枣黑斑类病害的研究中，对图像在RGB、HSB和Lab颜色空间的9个颜色分量进行分析建模，病害检测正确率为 94.2%，达到了较佳检测效果。该研究中，可以结合冬枣感染黑斑类病害后的颜色特征变化的相关研究，验证颜色分量分析过程的合理性，以提高病害检测模型的科学性。

1.2 深度学习技术

当前关于机器视觉技术在水果病害识别中的应用的研究更多着眼于深度学习领域[16]。深度学习是一种学习数据表示的多级方法，强调从连续的层中进行学习，这些层对应越来越有意义的表示[17]，最终实现对数据的理解。深度学习模型对水果病害特征有很强的自动学习能力，极大地简化了研究流程，对葡萄[18-19]、柑橘[20-21]、苹果[22-23]等典型水果病害均展现了较好的检测效果。Zhong等[24]提出了一种基于深度学习的苹果叶片病害检测方法，在DenseNet-121深度卷积网络的基础上提出回归、多标签分类和焦点损失函数三种优化方法，准确率超过93%。训练深度学习模型通常需要大量图片数据集，PlantVillage、PlantDoc和PlantDisease等国际知名的大型公开数据库收集了大量水果病害的图片[25]，为研究者开展研究提供了数据。针对水果病害检测的特点优化深度学习算法并改良模型结构是该领域的研究重点之一，公开数据库也便于研究者验证深度学习模型优化的效果。尚远航等[26]利用PlantVillage数据库中大量葡萄、草莓、苹果等水果病害的图片数据展开研究，提出一种基于混合注意力机制改良深度残差网络的水果病害检测方法，注意力机制有助于深度学习模型选择性地关注更重要的输入特征，以提高检测精度，该方法经测试准确率为92.08%，较改良前提升8.76个百分点。

除了公开数据集中收录的常见水果的典型病害，还有大量没被收录的其他水果病害，如荔枝霜疫病等。研究者需要自行采集水果病害图像，构建数据集。受限于各种因素，这种数据集规模通常不大。因此，基于有限的数据集规模，通过深度学习技术实现水果病害检测对生产有重要价值，是当前备受关注的领域。肖伟等[27]研究了匹配网络、原型网络和关系网络等针对小规模数据集的深度学习框架在水果病害检测应用的效果，通过试验发现虽然训练样本的减少会降低模型的检测准确率，但选择合适的小样本深度学习模型并做针对性优化，可以降低数据采集难度，减少模型训练时间，对水果病害的检测效果可以逼近大样本模型。此外，同一种病害感染不同水果的症状往往有一定的联系，利用深度学习的迁移学习能力可以在数据集规模有限的条件下有效建模，充分利用基于大规模数据集训练的效果良好的水果病害检测模型，有利于深度学习检测水果病害的技术更广泛地应用于不同的水果。Afifi等[28]提出了一种使用有限数据自动识别植物病害的深度学习网络，通过大型公开数据集训练基线模型，以此为基础运用迁移学习、Triplet网络和深度对抗度量学习等技术构建可以从少量数据中学习的小样本模型，其效果可以达到基线模型的81%。该研究的思路较为新颖，打破了研究深度学习检测作物病害通常着眼于具体某一种作物病害的局限，考虑不同的作物的同种病害的共通性，提高了深度学习技术解决水果病害检测问题的泛化能力，更适合实际应用。

2 光谱技术检测方法

利用光谱技术检测水果病害是当前研究热点，大量研究表明水果作物的果实、叶片等器官在受到病害侵染时，外部形态和生理机能发生变化的同时，光谱特征会随之发生变化。光谱传感器对这种细微变化具有高度敏感性[29]，这为使用光谱技术来检测水果病害，甚至是判断病害严重程度提供了理论可能。

2.1 透射光谱技术

透射光谱技术主要应用于检测一些为害果实内部的病原性和生理性水果病害，如苹果霉心病[30]、菠萝水心病[31]等。此类病害没有显著的表面症状，感染后自内而外地破坏水果内部，使得果肉逐渐腐坏。因而具有很强的隐蔽性，难以被及时发现。透射光谱检测设备通常包括暗箱、遮光托盘、光源、光谱仪等，被测水果样品放置于光源和光谱仪之间，使光谱仪接收由光源发出并穿过样本后的光线[32]。透射光在穿透被测水果样本时，水果内部物质会吸收、削弱特定频率的光。分析健康水果和患病水果的透射光谱特性，可以实现水果内部病害的无损检测。徐赛等[33]提出了一种基于透射光谱技术的菠萝水心病无损检测方法，结合多项式平滑、标准正态变量校正和概率神经网络等方法构建模型，在不同波段中验证检测效果，最高达到98.51%。在实际应用中，透射光谱检测水果病害会受到许多因素的干扰，如水果尺寸形态、操作方法等。Tian等[34]研究了果实大小(即光程长度)对苹果霉心病透射光谱检测的影响，提出了一种基于水果尺寸的光谱校正方法。建立了一个计算果实内部透射光消光系数的公式。基于此，应用误差反向传播人工神经网络和支持向量机模型验证了霉心病检测效果，准确率达到90.20%，比校正前高5.89个百分点。秦楷等[35]通过试验比较了透射光谱检测时四种不同的摆放姿态的影响，并比较了不同的建模分析方法，结果表明竖放柄朝上是最佳摆放方式，偏最小二乘判别分析模型的检测效果最佳，准确率最高达到93.75%。

2.2 反射光谱技术

反射光谱技术在水果病害检测领域的应用更广，主要用于检测一些为害果实、叶片表面的病原性水果病害，如柑橘黄龙病[36-37]、酥梨炭疽病[38]、番茄灰霉病[39]、番茄花叶病[40]等。水果感染此类病害后，为害部位的表面的一些理化指标会发生变化，逐渐出现各类病斑、霉状物、枯黄等症状[41]，反射光谱技术可以敏锐地检测这种变化。反射光谱检测可以在暗箱试验台进行，也可以利用便携式光谱仪[42]在田间进行。检测时光谱仪和光源布置在被测水果样本的同侧，光线与被测水果样本的表面和内部相互作用，经过一段相对复杂的光学过程后离开样本表面，被光谱仪、高光谱相机等设备接收。分析光谱数据中蕴含的特征信息，可以实现水果病害的检测。张昭等[43]对葡萄霜霉病的早期检测和防治展开了研究，通过分析从健康到患病的连续6天的葡萄叶片反射光谱数据，优选出4个波段特征，并构建支持向量机霜霉病检测模型，最高准确率达到84.6%，实现了葡萄霜霉病显症前的早期检测。Xie等[44]研究了通过光谱反射率检测柑橘黑斑病，基于偏最小二乘分析的回归系数选择有效波长，并建立K-最近邻模型，对早期阶段黑斑病检测准确率达到93.8%。Jiang等[45]分析草莓叶片炭疽病和灰霉病不同发病阶段的反射光谱数据，结合光谱指纹特征提取和深度学习方法建立模型，获得了相对较好的准确度(100%)和稳健的性能，在草莓明显出现疾病迹象之前识别出无症状的真菌感染类别。由此可见，反射光谱检测方法在水果病害早期检测领域有很大的应用潜力，有助于在水果被感染但尚未出现明显症状的阶段便及时发现病害。

一些研究者还做了更为细致的研究，通过反射光谱技术实现水果病害的严重程度分级检测，为精准施药等病害防控工作提供更为准确的参考。Hou等[46]在反射光谱检测葡萄卷叶病的研究中，按照严重程度划分了4个类别，应用蚁群聚类算法建模分析，4个类别平均准确率最高为84.33%。Xie等[47]在番茄叶片灰霉病的研究中，按照严重程度划分了6个类别，并对反射光谱数据建模分析，6个类别平均准确率最高为61.11%，而若仅以是否染病划分为2类，则准确率最高达到97.22%。相较而言，反射光谱检测水果病害严重程度的准确性不高。这是由于水果病害的发展是一个连续的过程，而病害严重程度通常不随时间呈线性趋势。因而一些样本容易被误检为相邻的类别，特别是在类别划分较多的模型中。如何更为科学地划分染病阶段，并通过优化光谱数据分析方法提高水果病害的严重程度分级检测的准确性，值得进一步深入研究。

2.3 光谱数据分析方法

通过透射或反射光谱技术得到的一般是若干光谱曲线，对此进行数据分析并建立模型，构建光谱数据与水果病害信息之间的定性关系，以实现水果病害的检测。原始光谱数据中除了包含有效信息之外，还会受到水果样品表面的各种物理性质特征的影响而产生噪声和散射现象。运用适当的光谱预处理方法能够有效消除背景噪声及特定物理因素的干扰，提高图谱与水果样品属性之间的相关性。常用的方法有SG平滑法、多元散射校正(MSC)、标准正态变量变换(SNV)等。

在分析光谱数据的过程中，提取光谱特征是关键步骤。用光谱特征替代大量的原始数据，可以使得建模分析更加简洁、高效、准确，有利于提高模型的预测能力，还可以在投入实际生产应用时大幅度降低成本。常用的方法有竞争性自适应重加权采样法(CARS)、连续投影算法(SPA)、主成分分析(PCA)、线性判别分析(LDA)等，一些常见水果病害的光谱特征[47-50]如表1所示。

表1 常见水果病害的光谱特征Tab. 1 Spectral characteristics of typical fruit diseases

要实现通过光谱数据对水果病害信息进行正确判断，本质是定性分类问题。常见的无监督学习建模方法有聚类算法、k均值算法等，常见的有监督学习建模方法有K邻近法(KNN)、支持向量机(SVM)、人工神经网络(ANN)等。

3 展望

水果产业具有很高的经济价值，在水果种植生产过程中，有效防控病害是水果产量、质量和收益的有力保障。在当前农业现代化快速发展的大背景下，对水果病害防控有了新的目标和要求。一方面，果园种植生产朝着规模化、机械化、智能化的方向发展，另一方面，新时代绿色无公害的消费观念要求水果种植过程中尽可能少地使用化学药剂，应当根据病害情况精准施药。基于此，关于水果病害智能识别检测的研究应运而生，能够及时、准确、可靠地判断作物病害状况，是实现精准施药的基本前提。基于视觉与光谱技术的水果病害检测方法将为化学药剂喷施提供重要依据，对于水果病害精准防控具有重要意义，也是精准农业这个未来发展大趋势的要求。

3.1 机器视觉检测方法的优化和应用

从国内外研究现状来看，机器视觉技术方法在一定的条件下可以较好地实现水果病害检测。基于传统图像处理的方法理论成熟，且具有对水果病害检测过程解释性强等优点，仍然值得进一步深入研究，并与深度学习等其他方法融合应用。而深度学习是当下机器视觉领域的主流技术，在准确性、通用性等方面具备优势，进一步提高模型应对真实应用场景中的复杂环境的能力是研究热点。

关于基于机器视觉技术的水果病害检测方法的进一步研究中，提升检测的准确性和鲁棒性是研究重点。准确性是评价水果病害检测效果的核心指标，鲁棒性是体现水果病害检测方法在真实环境中效果的关键指标，二者很大程度上决定了水果病害检测方法的实用性，也是研究者们持续关注的焦点。通过应用更先进、合适的模型，针对水果病害检测任务对模型作优化改良，调整改进数据采集、模型训练的方式等方面，提高基于机器视觉技术的水果病害检测方法的准确性和鲁棒性。此外，检测模型的轻量化也是值得关注的问题。在实际应用中，更轻量化、简洁的水果病害检测模型，意味着对硬件性能更克制的需求，有利于在实际应用过程中控制成本，更好地推广。

关于机器视觉水果病害检测方法的应用，得益于摄像头的低廉设备成本，是当前最有可能推广的技术路线。基于机器视觉技术的水果病害检测方法通过嵌入式开发集成部署到微型计算机上，结合边缘计算、物联网等网络通讯技术，搭载到果园监控系统、巡检小车或是其他作业设备上，扩大病害检测的覆盖范围，实现全天候的持续检测，以及时预警水果病害。

3.2 光谱技术检测方法的优化和应用

基于光谱技术的水果病害检测方法相较机器视觉方法有更高的敏感性，有利于提高对水果病害检测的准确性，特别是有望发现已感染而未呈现症状的潜伏期阶段的水果病害，也可以实现水果病害严重程度分级等精度更高的检测。

关于基于光谱技术的水果病害检测方法的进一步研究中，特征波长是研究重点。通过一定的方法优选出可以表征水果病害的光谱波长以剔除冗余波长，提高模型效率，降低应用成本。除了深入研究优化目前常见的特征波长选取方法外，可以尝试与深度学习等当前最新的分析技术相结合。另外，光谱数据采集对环境和操作技术的要求较高，原始光谱数据难免均一性不强、噪声较多。因此，如何针对原始光谱数据进行适当的预处理，提高均一性并去除噪声，为后续水果病害分析打好基础，值得深入研究。

关于光谱技术的水果病害检测方法的应用，考虑到光谱技术的工作特点，可以将基于光谱技术的水果病害检测方法部署在小型便携式设备上，应用到采后处理的品质检测环节中。光谱技术是品质检测的常用技术路线，而是否存在病害也是体现水果品质的一种指标，特别是及时发现处在没有显著症状的病害早期的水果，可以更好地保证上市水果的品质。

此外，为了进一步充分发挥光谱技术的优势，提高种植阶段对水果病害监控的效率，可以将高光谱设备搭载到无人机上，结合低空遥感和光谱技术，以实现对大片果园的病害情况进行监测预警。真实果园种植环境中多变的光线条件、复杂的背景等会对光谱技术的应用造成干扰，多设备协同的标定也较为复杂，应当针对这些技术难点进行攻关，使之可以在自然环境中更好地应用。

3.3 水果病害检测的实际生产应用前景

基于视觉与光谱技术的水果病害检测方法在投入实际生产应用方面有广阔的前景，未来随着相关应用研究的深入，应选择适合的试点果园，将现有的技术尽快地投入实际生产，实现产学融合。在实践中即能更好地检验现有检测技术的应用效果，也可以在实际应用中发现现有检测技术的缺陷、不足，同时可以积累更多更贴近实际的宝贵经验和数据，为后续进一步研究提供思路。最终将进一步提升水果病害精准防控的水平，进而推动化学药剂使用的减少和水果产量、质量的提升。

短期内，基于视觉与光谱技术的水果病害检测方法和相应的智能设备难以完全代替人工，但智能装备方法与传统的人工识别方法相结合，作为相互的补充，可以很好地协同工作。智能水果病害检测方法可以实现大范围、持续性的覆盖，以及较高的工作效率。虽然存在误报等局限性，但通过智能装备方法提供早期预警，再由人工去再次确认和决策，将大幅度减小相关专家的工作量，提高劳动效率。

最后，整体来看目前关于水果病害检测的研究大多聚焦于某种特定水果，以及某种特定病害。这便产生了许多重复工作，导致研究效率低下。事实上，不同的水果病害检测研究中所应用的视觉或光谱技术很大程度上是相通的，乃至其他作物病害检测均有可借鉴之处，而不同的水果作物病害检测研究中所面临的也是共同的技术难点、困难挑战。在开展水果病害检测研究时，可以适当统筹，对一些可以侵染不同水果的病害，以及某种水果的不同病害可以一并展开研究，充分利用技术通用性，以加快研究的进展。