基于图像的植物病害识别研究进展

摘要：植物病害识别是植物病害防控中必不可少的环节和前提条件，研发高精度的病害识别技术已成为病害高效防控中的迫切需求。植物病害图像识别的研究始于20世纪80年代，在农业生产和植物保护方面发挥着重要作用，及时、精确地识别植物病害可以帮助人们鉴别病害种类，并采取相应的防治措施，减轻病害对农作物产量和质量的不良影响。本文在整理和总结现有国内外研究文献的基础上，从图像分割、特征提取、分类识别3个方面重点梳理植物病害图像识别技术。目前关于植物病害图像分割的方法主要从基于阈值、聚类、边缘和深度学习等技术进行分类，可分为固定阈值法和自适应阈值法。固定阈值法是人工根据目标和背景像素直方图的差异尝试不同的值，并选择适宜阈值以实现图像分割。自适应阈值法是基于固定阈值分割的原理，根据特定的规则借助计算机自动迭代获得阈值，最常用的是最大类间方差法（Otsu法），而基于综合粒子群算法（GCLPSO）的阈值分割法的分割效果优于其他同类算法，具有较好的收敛性和稳定性。在植物病害识别研究中，特征提取和分类识别是影响识别率的关键因素。特征提取即描述属性，获得病害信息，找出最有用的辨别特征。分类识别是在图像分割和特征提取的基础上，通过构建分类器实现病害的准确识别。将迁移学习、轻量型网络等方法运用到植物病害识别，研究设计出高识别精度的网络模型将会是智慧植保的未来发展方向。基于图像的植物病害识别能够为病害监测和病害防控提供更加科学、智能的支持，对全球粮食生产和农业可持续发展都具有重要意义。

关键词：植物病害；图像分割；特征提取；病害识别

中图分类号：S126；TP391.4 文献标志码：A

Research Progress in Image-based Plant Disease Identification

YU Min1， Li FengBing1， ZHU GuangHu1， SONG XiuPeng2， WANG ZePing2，ZHANG XiaoQiu2， LEI JingChao2， HUANG HaiRong2， HUANG WeiHua2，

CHEN XiaoHang3， HUANG DongMei2， LI QiuFang2， YAN MeiXin2*

（1 College of Mathematics and Computer Science， Guilin University of Electronic Technology， Guilin， Guangxi 541004， China; 2 Sugarcane Research Institute， Guangxi" Academy of Agricultural Sciences/Key Laboratory of Sugarcane Biotechnology and Genetic Improvement of the Ministry of Agriculture（Guangxi）/Guangxi Key Laboratory of Sugarcane Genetic Improvement， Nanning， Guangxi 530007， China; 3 Baise Agricultural Science Research Institute， Baise， Guangxi 533612， China）

Abstract： Plant disease identification is an essential link and prerequisite in plant disease prevention and control， and the development of high-precision disease identification technology has become an urgent requirement in efficient disease prevention and control. Plant disease image identification research began in the 1980s， which plays a crucial role in agricultural production and plant protection. Timely and accurately identification of plant diseases can assist in distinguishing disease types and implementing corresponding preventive measures， thereby alleviating the adverse effects of diseases on crop yield and quality. Based on the compilation and summary of existing domestic and international research literature， this article focused on plant disease image identification technology from three aspects： image segmentation， feature extraction， and classification identification. It also provided an outlook on the future development of plant disease identification. At present， the methods of image segmentation of plant diseases are mainly based on threshold， clustering， edge and deep learning techniques， which can be divided into fixed threshold method and adaptive threshold method. The fixed threshold method is to manually try different values based on the difference between the target and the background pixel histogram， and select the appropriate threshold value to achieve image segmentation. Adaptive threshold method is based on the principle of fixed threshold segmentation. According to specific rules， the threshold is obtained by automatic iteration of computer. The most common one is the maximum inter-class variance method （Otsu method）， while the segmentation effect of the threshold segmentation method based on GCLPSO is better than that of other similar algorithms， with good convergence and stability. In the plant disease identification research， feature extraction and classification identification are the key factors affecting the identification rate. Feature extraction is to describe the attributes， obtain the disease information， and find out the most useful discrimination features. Classification recognition is based on image segmentation and feature extraction， through the construction of classifiers. The future development direction of intelligent plant protection is to apply the methods of transfer learning and lightweight network to plant disease identification， and to study and design a network model with high identification accuracy. Image-based plant disease identification could offer more scientific and intelligent support for disease monitoring and prevention， holding significant importance for global food production and sustainable agricultural development.

Keywords： Plant disease; image segmentation; feature extraction; disease identification

植物病害给全球农业生产带来巨大威胁，使作物产量损失20%～40%。据联合国粮农组织预测，仅植物病害一项每年就给全球经济造成约2200亿美元损失（THAKUR et al.， 2022；BALAFAS et al.， 2023）。当植物出现病症时，人们需要对该病害进行鉴别，对症下药防治病害，以提高作物产量。然而，病害鉴别需要专业性比较强的技术人员，经过繁琐的鉴定程序和过程，往往贻误了最佳病害防治时期，此时防治效果差，甚至没有效果。如果不经过病害鉴别直接用药，易造成农药乱用和滥用，不仅对病害防治无效，还会污染土地和地下水，甚至会对人体健康产生危害。因此及时识别植物病害有利于快速制定防治策略，实现精准施药，从而实现病害有效防治和保护生态环境。植物病害识别是植物病害防控中必不可少的环节和前提条件，研发高精度的病害识别技术已成为病害高效防控中的迫切要求。基于计算机图像处理的植物病害识别技术研究始于20世纪80年代（张明，2018），通过使用图像处理等技术能够迅速准确地检测植物组织中微小的异常变化，提前发现植物中潜在病害及准确识别病害。其一般步骤包括图像采集、图像预处理、图像分割、特征提取、分类识别等，首先采集罹病植物的叶片、茎部、根部等症状图像，根据实际情况对图像使用缩放、平滑等预处理技术，再通过分割算法从处理好的图像中获得所需病变区域，提取病变区域的特征输入至构建的分类器中进行训练，实现植物病害的分类识别。其中图像分割、特征提取和分类识别对病害识别准确率的影响较大，更是植物病害识别技术关注的研究热点。基于数字图像处理的病害识别结果，本文从图像分割、特征提取和分类识别3个方面梳理了近年来涉及识别的研究技术。

1 图像分割

图像分割是后续对图像进行识别、理解的基础，分割的质量决定着图像最终的识别结果。图像分割是将图像分成互不相交的多个部分，使得同一区域的特征具有相似性、不同区域间特征存在较大差异，进而从图像中得到感兴趣的部分。目前关于植物病害图像分割的方法主要从基于阈值、聚类、边缘和深度学习等技术进行分类（周莉莉和姜枫，2017）。

1.1 基于阈值的图像分割方法

基于阈值的图像分割方法作为一种经典方法，其基本原理是设定不同的灰度阈值作为分界线，将图像像素划分为多个区域。此分割法的关键在于确定恰当的灰度阈值，阈值优劣直接影响后续的病害识别精度，根据确定阈值方法不同，可分为固定阈值法和自适应阈值法。

固定阈值法是人工根据目标和背景像素直方图的差异尝试不同的值，并选择适宜阈值以实现图像分割。张静和王双喜（2007）将病害叶片分为4个区域，利用双峰最明显的B通道直方图选取4个不同阈值，最终分割出完整的霜霉病和炭疽病病斑区域。赵进辉等（2008）选择用2G-R-B、2R-G-B和面积阈值分割甘蔗苗期赤腐病和环斑病图像，所选阈值能够较好地将赤腐病和环斑病病斑分割出来，正确率分别达到95%和93%。固定阈值法的操作过程比较简单，但需要根据自身积累的分割经验对阈值进行反复尝试，进而确定最佳分割阈值。而自适应阈值法是基于固定阈值分割的原理，根据特定的规则借助计算机自动迭代获得阈值。最常用的是最大类间方差法（Otsu法），该方法通过设定阈值，将图像划分为前景和背景，计算两个类的最大类间方差值，使前景与背景之间的差异达到最大，此阈值确定为最佳阈值（束美艳等，2021）。张晴晴等（2017）利用双峰法从背景中分割出黄瓜叶片，再对叶片的红色分量图像分别采用Otsu法和边缘检测法提取病害部位。结果表明，Otsu法的分割速度快，分割效果优于边缘检测法。张会敏等（2017）利用边缘检测法提取辣椒叶病斑的边缘点，结合Otsu法在边缘点中搜索最佳分割阈值，建立基于WT-Otsu算法并获得病害叶片图像的有效分割。刘小川等（2009）将模糊理论和阈值分割相结合，提出一种自适应模糊阈值分割法，通过直方图变换改变原始直方图的峰谷，准确地描述病斑块的相邻信息，再利用所提算法分割植物叶片黑腐病病斑，获得的分割效果是具有鲁棒性的。刁智华等（2018）提出一种改进的最大类间方差比阈值分割法，将类间方差与类内方差比值的最大值作为最佳阈值，在增强图像边缘的基础上进行阈值分割。相比于传统固定阈值分割算法，改进算法的分割准确率和运行时间都有所提升。CHEN等（2021）为了解决Otsu分割法存在的噪声干扰和过度分割的缺点，采用非局部均值滤波二维直方图消除图像中的噪声，利用改进的综合粒子群算法（GCLPSO）搜寻最优阈值对玉米叶斑病、灰斑病、锈病3种病害图像进行阈值分割。从3种玉米叶病害图像的分割结果看出，基于GCLPSO的阈值分割法的分割效果优于其他同类算法，具有较好的收敛性和稳定性。

1.2 基于聚类的图像分割方法

聚类是依据对象特性，将其分成多个类，使得同一类的对象之间相似性最大，而不同类的对象之间差异最大。聚类在图像分割中的应用原理是将图像中相似的像素聚类起来构成一个区域，反复迭代聚类结果至收敛，将图像像素点聚集成不同类别，从而完成图像分割。常用的聚类分割算法是k均值聚类算法和模糊C均值聚类算法。

K均值聚类算法（K-means）的核心思想是得到K个聚类中心，使每一个像素点与其最近的聚类中心的平方距离和最小化，算法的关键在于需要事先确定类的数目并随机确定各类的初始聚类中心。王昌龙等（2021）事先设定聚类数为3，输入的南瓜叶片图像经过K-means聚类分割后，按照特征分为正常叶片、花朵和病斑3个部分。K-means聚类算法计算简单、效率高，但在确定聚类数量K和初始聚类中心时存在一定的随机性，其通常由研究者的先验知识决定，不同初始输入值获得的聚类结果之间存在一定偏差。若所选初始聚类中心的分类与全局最优分类间相差太大，则可能使算法陷入局部最优值（WANG et al.，2018）。为了克服K-means算法的缺点，许多研究者都在尝试新方法或对算法进行改进。龚瑞昆和刘佳（2021）在Lab颜色空间的色道直方图中搜寻波峰以确定初始聚类中心点的位置、数量，并用马氏距离度量距离，对K-means聚类算法进行改进。结果表明，改进K-means算法能实现玉米叶部病害图像的快速准确分割。YU等（2021）采用穷举蛮力搜索的方法，确定聚类数量K=32时，使用K-means算法对玉米叶斑病、锈病和灰斑病图像进行聚类分割的效果最显著。SHEDTHI等（2023）提出一种用于优化植物病害图像分割的混合聚类（遗传算法+K-means）算法，根据DBI值选择最佳簇数，使用遗传算法计算最优聚类质心。与传统的K-means算法相比，该算法能够自动选择聚类的数量，并为聚类提供全局最优解，解决了K-means算法的局部最小问题。

模糊C均值聚类算法（FCM）是K均值聚类算法的推广，是一种软聚类，它允许单个数据属于两个或多个聚类，能够消除灰度图像中的不确定性和模糊性（杨润玲和高新波，2007；杨红亚等，2018）。该算法的基本原理是根据植物病害图像中像素点与C个聚类中心的加权相似度，对目标函数不断迭代直至最小，确定像素点划分为某一类别的最佳分割度。田有文等（2016）采用迭代式阈值法从图像中分割出黄瓜叶片，再采用模糊C均值聚类算法从叶片上分割出病斑。其分割结果显示，利用颜色特征和模糊Ｃ均值聚类算法可以很好地分割出病斑区域。传统的FCM算法只利用特征空间中样本的同一性，没有联合使用样本邻域特性，致使图像噪声和灰度不均匀性对聚类过程造成干扰。为克服模糊Ｃ均值聚类算法对像素空间信息利用不足的问题，提高算法的噪声滤波能力，学者们对FCM进行不同改进。BAI等（2017）将邻域灰度信息引入模糊C均值聚类算法，计算给定像素点的邻域平均灰度值，与像素灰度值组成一个以像素灰度作为样本点的二维矢量，再计算邻域均值灰度值和像素灰度值的加权值，对黄瓜叶斑点边缘进行细化分割，平均分割误差为0.12%，取得较好的分割效果。曹晓丽等（2018）将像素点的局部空间信息与灰度信息相乘，利用获得的乘积值度量像素点的相似程度，使用改进模糊C均值聚类算法对黄瓜病害叶片图像进行分割。与双阈值分割和改进前FCM相比，该算法的分割正确率高达97.81%。

随着分割任务需求复杂化，聚类分割技术也在不断地发展，开始与群体智能等理论相结合。ZHOU等（2019）通过最大最小距离算法确定聚类类别值K，利用混沌理论改进的动态种群萤火虫算法对聚类中心进行优化，克服了传统K-means算法容易陷入局部最优的缺点，获得更快的收敛速度，所提出的FCM-KM算法平均聚类分割精度比经典K-means算法提高7.73%。PRAVIN等（2021）在预测叶片病害时，首先使用高斯混合模型对输入图像进行背景减法，再将粒子群智能引入模糊聚类算法，提高聚类收敛速度和全局寻优能力，实现植物病变部位的精准分割。UMAMAGESWARI等（2023）针对FCM算法处理复杂叶片病害图像会陷入局部极小值的不足，将变色龙群算法与模糊C均值聚类算法相结合以达到优化分割精度的目的。

1.3 基于边缘检测的图像分割方法

基于边缘检测的分割方法是借助边缘检测算子提取不同区域的边缘来实现图像分割，边缘一般是指图像中局部特征有强烈变化的地方，如灰度、颜色等特征（濮永仙，2014），通常出现在目标与目标、目标与背景之间。由于图像像素灰度值的变化可以间接反映到图像灰度分布的梯度上，所以能对局部图像进行差分或微分运算获得边缘检测算子，常用的边缘检测算子有Canny算子、Prewitt算子、Sobel算子等。夏永泉等（2015）在传统Canny算子的基础上增加两个斜方向梯度信息，使边缘图像线条在间断处得以连接，并去除伪边缘，最终获得比较精确的病变区域边缘。YUSOFF等（2018）提出一种基于FPGA实现Sobel算法检测橡树叶片病害的方法，使用竖直边和水平边2种Sobel算子计算图像中每个像素位置的梯度，该方法可以实现实时边缘检测，生成边缘检测图像只需要14.654 ns。TANGTISANON等（2020）为了能够根据叶片形状检测圣罗勒（Ocimum basilicum L.）是否感染卷叶病，采用Canny模型和Sobel模型的边缘检测算法，以彩色和灰度图像作为模型输入，进而提取图像特征。结果表明，由于传统的Canny边缘检测无法处理彩色图像，在灰度图像和彩色图像的输出上，提取的特征是相同的。因此，Canny模型比Sobel模型处理时间短，灰度图像比彩色图像使用更少的处理时间。巨志勇等（2020）利用改进的自适应阈值Prewitt算子对石榴病斑进行边缘检测，与传统固定阈值Prewitt边缘检测相比，改进后的算子有着更强的抗噪声性能，能够获得流畅均匀的边缘，适应性较强，可以检测出石榴病斑的实际形状。ZENG等（2023）为解决水稻叶片图像中的噪声和边缘细节不清晰的问题，将传统Canny算子中使用的图像梯度替换为引力场强度，并基于标准差进行自适应阈值选择，改进的Canny算法可以有效地增强边缘细节和抑制噪声。

当图像区域的灰度值有较大的差异时，边缘检测的分割效果较好，但其分割效果的优劣取决于所使用的边缘检测算子，对噪声比较敏感。面对背景复杂、边缘模糊或有多个边缘的病害图像时，该算法的分割效果不太理想。使用算子进行分割是基于灰度梯度的变化，易受图像亮度、对比度等因素的影响，而相位一致性是利用相位信息对图像进行检测，具有更好的抗噪声能力。宋丽娟（2018）应用基于相位的方法获得病害图像的边缘，特征点选择傅里叶分量相位一致性的点，该方法不仅检测到单像素宽的边缘，还能够避免受外部因素的影响。

1.4 基于深度学习的图像分割方法

利用深度学习进行图像分割的基本原理是利用构建的神经网络对图像数据进行多次训练以求达到分割效果。图像分割领域常见的神经网络有FCN网络、U-Net网络、Deeplab v3+网络和Mask R-CNN等。全卷积神经网络（FCN）的语义分割是第一个基于深度学习的通用分割模型，实现了端到端的图像分割。胡静等（2018）设计了一种基于FCN的植物叶片图像分割方法，将用于分割的Softmax多类目标函数替换为对数逻辑函数，引入批归一化技术，在Leafsnap数据库上测试该方法的分割性能，与基于颜色的分割方法相比，所提方法能够更完整地分割植物叶片图像。HUANG等（2023）为减少复杂背景对作物病害图像识别的影响，采用基于VGG-16模型的FCN算法对目标作物图像进行分割。在采集的南方番茄叶片数据集上测试了不同分割方法的分割效果，FCN-8s算法分割单张图像的时间较长，但平均像素精度MPA和平均交并比MIoU值最大，说明此分割方法优于Otsu、SVM和CRF方法。U-Net网络是基于FCN网络的一种改进网络，添加跳层连接以保留更多局部信息，具有小样本学习的优势。王雪等（2020）为解决下采样时容易丢失空间上下文信息，在U-Net网络中添加编码器、多尺度特征提取、解码器进行改进，实现了玉米大斑病和小斑病病斑区域的精准分割。王翔宇等（2021）使用U-Net网络对已标定的黄瓜褐斑病图像样本进行学习训练，建立分割模型，通过较少的样本对模型进行测试，获得了较高的分割准确率。根据黄瓜褐斑病的分割结果，发现该模型不仅适用于发病初期，对发病中后期病斑也能实现准确分割。ABINAYA等（2023）提出一种混合CAAR-UNet模型，在分割模块中集成了对称自编码器和注意残差U-Net结构，能从输入图像中学习潜在有用特征并关注重要区域，提高模型的分割精度，该模型在噪声和低质量图像上也表现出鲁棒性。Deeplab v3+是深度学习语义分割模型DeepLab的最新版本，采用了空间金字塔池化模块，能够在多尺度下获取图像的语义特征信息，提高分割的准确率。闫靖昆等（2021）基于数据迁移运用DeepLabv3+模型与K均值聚类算法相结合的两阶段分割算法从复杂背景中提取病叶和病斑簇，棉花病叶和黄萎病病斑的分割综合指标值分别为98.87%和87.29%。YUAN等（2022）提出了一种改进的DeepLab v3+深度学习网络，用于葡萄叶片黑腐斑的分割，在Plant Village和果园田间环境的两个测试集进行实验，改进后的DeepLab v3+在所有评估指标上的表现都优于PSPNet、U-net和改进前的DeepLab v3+，并且改进后的模型可应用于实际生产环境中葡萄黑腐斑的分割。Mask R-CNN是对Faster R-CNN的改进，在语义分割的基础上完成实例分割。AFZAAL等（2021）提出一种基于Mask R-CNN架构的优化模型，选用优于ResNet50性能的ResNet101作为骨干网络，对2500张7种不同类型的草莓病害进行有效的实例分割，平均精度达到82.43%。

2 特征提取与分类识别

在植物病害识别研究中，特征提取和分类识别是影响识别率的关键因素。在对原始图像进行预处理和分割后，还需要描述病斑区域属性，将分割区域所包含的信息转换成计算机易于理解的值，以便后续进行判断和分类。描述属性的过程就是特征提取，获得病害信息，找出最有用的辨别特征。分类识别是在图像分割和特征提取的基础上，通过构建分类器实现病害的准确识别。植物病害特征提取与识别技术包括基于机器学习和深度学习。

2.1 基于机器学习的特征提取与分类

基于机器学习的植物病害特征提取与识别，是使用机器学习算法和计算机视觉技术，根据需求和先验知识提取合适的特征，包括图像颜色、形状、纹理等特征，结合支持向量机、随机森林、BP神经网络等分类器，实现植物病害识别。李鑫星等（2019）提取黄瓜叶片病斑的5个形状特征参数、4个纹理特征参数和6个颜色特征参数，比较模糊聚类、SVM和BP神经网络3种病害识别模型，发现基于SVM的识别模型获得最佳识别效果，且消耗时间最短。龚瑞昆和刘佳（2021b）采用典型相关分析进行特征融合，用较少的互不相关的特征量代表原有特征量，再使用支持向量机对玉米病害进行分类识别，其识别精度优于特征量串联融合，平均识别率为93.1%。张铄等（2021）基于Lab颜色空间分割病斑，再提取病斑的同质性、能量、对比度等13个纹理特征作为测试集，输入到SVM分类器中进行分类，平均识别率可达90.67%。刘坤等（2022）构建基于随机梯度下降法的改进BP神经网络，选择黄瓜霜霉病、白粉病和褐斑病图像的R分量、灰度共生矩阵的对比度、熵和能量作为特征提取参数，将特征参数输入到神经网络中对黄瓜病害叶片进行分类识别，识别率为91.33%。薛卫等（2021）提出将适合小目标颜色特征表达的细粒度颜色矩、LBP和HOG作为病斑区域特征，基于随机森林特征选择获得最优的融合特征并输入RF分类器进行训练，随机森林对梨叶炭疽病的识别能力优于BP、SVM，识别准确率达到97.88%。SHEDTHI等（2023）采用混合聚类算法进行病斑最优分割，在此基础上利用颜色矩阵、灰度共生矩阵分别提取病斑的颜色特征和纹理特征，选用人工神经网络（ANN）作为分类器对植物病害分类，获得较好的分类精度。

2.2 基于深度学习的特征提取与分类

基于深度学习特征提取与分类识别是利用神经网络结构重复迭代，进而从大量图像数据中自动提取深层次特征并进行分类识别。在植物病害识别领域中应用最广泛的是卷积神经网络（CNN），分为特征提取和分类两个部分（常瑞扬和杨海斌，2023）。特征提取部分主要是由卷积层和池化层构成，从不同的卷积层提取图像特征；在这些特征的基础上，添加全连接层作为分类器，为图像病变区域计算一个属于某种病害的概率。较为经典的深度学习模型包括LeNet、AlexNet、VGGNet、Inception和ResNet等。MOHANTY等（2016）使用Plant Village数据集，基于AlexNet和GoogleNet两种网络结构训练模型，当训练数据与测试数据之比是8：2并采用迁移学习时，在GoogleNet上平均识别准确率高达99.34%。项小东等（2021）根据AIChallenger 2018和PlantVillage组成一个采集环境良好的数据集，提出一种基于Xception-CEMs神经网络模型的植物病害识别方法，引入CEM模块和密集连接模块，对10种健康植物和27种病害进行识别，获得91.9%的准确率。明浩和苏喜友（2020）对杨树黑星病早期病害和杨树花叶病害图像进行病症增强、病斑提取等预处理，将处理后的图像集输入到AlexNet网络模型训练识别，与原始图像相比，新图像集的识别准确率均有所提高，分别提高4.79%和9.28%。胡文艺等（2022）通过在ResNet网络模型结构中添加SE模块，增强特征重要性区分能力，搭建不同深度的网络模型对番茄的9种病虫害进行分类识别，病虫害识别正确率的结果显示，加入SE模块的ResNet网络要优于经典ResNet网络。

以上研究都应用了卷积神经网络来提取病害图像的特征并实现分类识别，但研究中使用图像样本大多是在实验室采集，背景单一，实用性较差。在实际复杂自然背景条件下，模型的识别精度会受到一定影响。为解决这一问题，学者们开始提出不同方法。黄林生等（2021）在ResNet18的基础上加入Inception模块，利用多尺度卷积核提取病害特征，并在残差模块中添加注意力单元，改进后的模型对玉米、水稻和苹果叶部病害的识别准确率达到95.62%，比原ResNet18模型提高了10.92%。张文静等（2021）利用基于InceptionV3网络和迁移学习方法构建的烟草病害识别模型对赤星病、野火病等5种烟草病害进行测试，5种病害的平均识别准确率为90.8%，实现了复杂背景下烟草病害的分类识别。JIANG等（2019）构建了由实验室图像和实际野外条件下的复杂图像组成的5种苹果叶部病害数据集，在GoogLeNet Inception结构中引入彩虹连接结构，建立一种基于深度CNN的苹果叶片病害检测模型，发现不仅能在同一张病变图像中检测出多种疾病，还能在真实环境中检测苹果叶部病害。宋中山等（2022）提出一种基于二值化的Faster R-CNN区域检测神经网络模型，将原Faster R-CNN模型中的全连接层神经网络替换为二进制全卷积神经网络，并使用改进后的模型识别复杂自然环境下的柑橘叶片病害，该模型在识别速度和鲁棒性方面均有较好表现。岳有军等（2022）将高阶残差和参数共享反馈子网络添加到VGG网络，在Plant Village子集和自制数据集的基础上识别农作物病害。在实际大田环境中，该方法在识别精度和鲁棒性方面比SVM、AlexNET、ResNet-50、VGG-16表现更好。李书琴等（2022）通过缩减ResNet 18卷积核数目并运用轻量级残差模块和SE模块，以达到减少参数、降低计算复杂度和提取多种病害特征的目的。将SDResNet模型在Plant Village和自制数据集上测试，实验结果表明，模型针对不同植物叶片病害数据集均获得较好的识别精度。

3 小结与展望

相较于繁琐和效率低的传统人工识别病害方法，基于机器视觉技术可实现植物病害半自动化识别，效率和准确率得以提高。但当前已有的算法也存在一定局限，许多研究是基于实验室条件下进行的，如果应用到田间自然环境中，会对病害识别造成比较大的困扰。机器视觉算法需要人工提取病害特征，提取过程具有主观性，无法确定最佳特征，并且特征提取和分类识别是两个独立的工作阶段，两者间会存在适配性不高的问题。而深度学习因其强大的学习能力在植物病害识别中得以广泛应用，用卷积神经网络取代传统人工提取特征的方式，根据网络中自动获得的权值参数来构建特征提取器，提高了泛化能力，对复杂环境下的识别适应性更强。基于卷积神经网络的植物病害识别方法，具有识别准确率高、特征表达能力强的优点，但训练过程中涉及参数众多，计算量大且复杂，需要消耗大量时间。这使得学者们开始慢慢将注意力转移到迁移学习、轻量型网络等方法上，通过压缩模型参数和运用源数据集上训练好的模型来缓解参数量大、训练数据不足的问题，在保持模型性能不变的情况下提升计算速度。因此将迁移学习、轻量型网络等方法运用到植物病害识别，研究设计出高识别精度的网络模型将会是智慧植保的未来发展方向，对农业生产实现数字化具有重要意义。

参考文献References

常瑞扬， 杨海斌. 2023. 基于卷积神经网络的农作物病虫害识别研究[J]. 无线互联科技， 20（2）： 159-161.

CHANG R Y， YANG H B. 2023. Research on crop pest identification based on convolution neural network[J]. Wireless Internet Technology， 20（2）： 159-161.

曹晓丽， 齐国红， 井荣枝. 2018. 基于改进FCM的作物病害图像分割方法研究[J]. 智能计算机与应用， 8（5）： 51-53， 59.

CAO X L， QI G H， JING R Z. 2018. Research on crop disease image segmentation based on improved FCM[J]. Intelligent Computer and Applications， 8（5）： 51-53， 59.

刁智华， 刁春迎， 袁万宾， 毋媛媛. 2018. 基于改进型模糊边缘检测的小麦病斑阈值分割算法[J]. 农业工程学报， 34（10）： 147-152.

DIAO Z H， DIAO C Y， YUAN W B， WU Y Y. 2018. Segmentation algorithm with threshold for wheat lesion based on improved fuzzy edge detection[J]. Transactions of the Chinese Society of Agricultural Engineering， 34（10）： 147-152. doi： 10.11975/j.issn.1002-6819.2018.10.018

龚瑞昆， 刘佳. 2021. 改进K-means算法的玉米叶部病害图像分割研究[J]. 现代电子技术， 44（22）： 131-134.

GONG R K， LIU J. 2021. Maize leaf disease image segmentation based on improved K-means algorithm[J]. Modern Electronics Technique， 44（22）： 131-134. doi： 10.16652/j.issn.1004-373x.2021.22.027.

龚瑞昆， 刘佳. 2021. 图像处理的玉米病害识别研究[J]. 现代电子技术， 44（24）： 149-152.

GONG R K， LIU J. 2021. Research on maize disease recognition based on image processing[J]. Modern Electronics Technique， 44（24）： 149-152. doi： 10.16652/j.issn.1004-373x.2021.24.032.

胡静， 陈志泊， 杨猛， 张荣国， 崔亚稷. 2018. 基于全卷积神经网络的植物叶片分割算法[J]. 北京林业大学学报， 40（11）： 131-136.

HU J， CHEN Z B， YANG M， ZHANG R G， CUI Y J. 2018. Plant leaf segmentation method based on fully convolutional neural network[J]. Journal of Beijing Forestry University， 40（11）： 131-136. doi： 10.13332/j.1000-1522.20180007.

胡文艺， 王洪坤， 杜育佳. 2022. 基于SE模块和ResNet的番茄病虫害识别方法[J]. 农业工程， 12（9）： 33-40.

HU W Y， WANG H K， DU Y J. 2022. Identification method of tomato diseases and pests based on SE module and ResNet[J]. Agricultural Engineering， 12（9）： 33-40. doi： 10.19998/j.cnki.2095-1795.2022.09.007.

黄林生， 罗耀武， 杨小冬， 杨贵军， 王道勇. 2021. 基于注意力机制和多尺度残差网络的农作物病害识别[J]. 农业机械学报， 52（10）： 264-271.

HUANG L S， LUO Y W， YANG X D， YANG G J， WANG D Y. 2021. Crop disease recognition based on attention mechanism and multi-scale residual network[J]. Transactions of the Chinese Society for Agricultural Machinery， 52（10）： 264-271. doi： 10.6041/j.issn.1000-1298.2021.10.027

巨志勇， 薛永杰， 张文馨， 翟春宇. 2020. 自适应阈值Prewitt的石榴病斑检测算法[J]. 农业工程学报， 36（8）： 135-142.

JU Z Y， XUE Y J， ZHANG W X， ZHAI C Y. 2020. Algorithm for detecting pomegranate disease spots based on Prewitt operator with adaptive threshold[J]. Transactions of the Chinese Society of Agricultural Engineering， 36（8）： 135-142. doi： 10.11975/j.issn.1002-6819.2020.08.017

李书琴， 陈聪， 朱彤， 刘斌. 2022. 基于轻量级残差网络的植物叶片病害识别[J]. 农业机械学报， 53（3）： 243-250.

LI S Q， CHEN C， ZHU T， LIU B. 2022. Plant leaf disease identification based on lightweight residual network[J]. Transactions of the Chinese Society for Agricultural Machinery， 53（3）： 243-250. doi： 10.6041/j.issn.1000-1298.2022.03.025

李鑫星， 朱晨光， 白雪冰， 毛富焕， 傅泽田， 张领先. 2019. 基于可见光谱和支持向量机的黄瓜叶部病害识别方法研究[J]. 光谱学与光谱分析， 39（7）： 2250-2256.

LI X X， ZHU C G， BAI X B， MAO F H， FU Z T， ZHANG L X. 2019. Recognition method of cucumber leaves diseases based on visual spectrum and support vector machine[J]. Spectroscopy and Spectral Analysis， 39（7）： 2250-2256. doi： 10.3964/j.isssn.1000-0593（2019）07-2250-07

刘坤， 刘娜， 张娜， 师亚楠. 2022. 改进BP神经网络和特征提取的黄瓜病害识别研究[J]. 安徽农学通报， 28（3）： 119-122.

LIU K， LIU N， ZHANG N， SHI Y N. 2022. Research on cucumber leaf disease recognition based on improved BP neural network and feature extraction[J]. Anhui Agricultural Science Bulletin， 28（3）： 119-122. doi： 10.16377/j.cnki.issn1007-7731.2022.03.027.

刘小川， 艾矫燕， 唐纪良， 何勇强. 2009. 基于自适应模糊阈值的植物黑腐病叶片病斑的分割[J]. 中国图象图形学报， 14（7）： 1334-1340.

LIU X C， AI J Y， TANG J L， HE Y Q. 2009. The segmentation of black rot lesion of cruciferous plant based on self-adaptive fuzzy threshold[J]. Journal of Image and Graphics， 14（7）： 1334-1340.

明浩， 苏喜友. 2020. 利用特征分割和病斑增强的杨树叶部病害识别[J]. 浙江农林大学学报， 37（6）： 1159-1166.

MING H， SU X Y. 2020. Image recognition of poplar leaf diseases with feature segmentation and lesion enhancement[J]. Journal of Zhejiang A amp; F University， 37（6）： 1159-1166. doi： 10.11833/j.issn.2095-0756.20190752

濮永仙. 2014. 基于支持向量机与多特征选择的农作物彩色病斑边缘检测[J]. 计算机系统应用， 23（9）： 118-123.

PU Y X. 2014. Color disease spot edge detection of crop based on multifeature selection and support vector machine[J]. Computer Systems amp; Applications， 23（9）： 118-123.

宋丽娟. 2018. 基于图像的农作物病害识别关键算法研究[D]. 西安： 西北大学.

SONG L J. 2018. Research of key algorithms of crop disease recognition based on image[D]. Xi'an： Northwest University.

宋中山， 汪进， 郑禄， 帖军， 朱祖桐. 2022. 基于二值化的Faster R-CNN柑橘病虫害识别研究[J]. 中国农机化学报， 43（6）： 150-158.

SONG Z S， WANG J， ZHENG L， TIE J， ZHU Z T. 2022. Research on Citrus pest identification based on binary faster R-CNN[J]. Journal of Chinese Agricultural Mechanization， 43（6）： 150-158. doi： 10.13733/j.jcam.issn.2095-5553.2022.06.020.

束美艳， 魏家玺， 周也莹， 董奇宙， 陈浩翀， 黄智刚， 马韫韬. 2021. 基于朴素贝叶斯分类的柑橘叶片溃疡病诊断[J]. 浙江大学学报（农业与生命科学版）， 47（4）： 429-438.

SHU M Y， WEI J X， ZHOU Y Y， DONG Q Z， CHEN H C， HUANG Z G， MA Y T. 2021. Diagnosis of Citrus leaf canker disease based on naive Bayesian classification[J]. Journal of Zhejiang University （Agriculture and Life Sciences）， 47（4）： 429-438. doi： 10.3785/j.issn.1008-9209.2021.04.011

田有文， 郑鹏辉， 许童羽， 邓寒冰， 王泷. 2016. 基于安卓的黄瓜叶部病害程度检测系统的研发[J]. 计算机工程与设计， 37（5）： 1411-1416.

TIAN Y W， ZHENG P H， XU T Y， DENG H B， WANG L. 2016. Developing detecting system for cucumber leaf disease severity based on Android[J]. Computer Engineering and Design， 37（5）： 1411-1416. doi： 10.16208/j.issn1000-7024.2016.05.055.

王昌龙， 张远东， 缪宏， 杨煜恒. 2021. 双通道卷积神经网络在南瓜病害识别上的应用[J]. 计算机工程与应用， 57（5）： 183-189.

WANG C L， ZHANG Y D， MIAO H， YANG Y H. 2021. Application of double channel convolutional neural network in pumpkin diseases identification[J]. Computer Engineering and Applications， 57（5）： 183-189. doi：10.3778/j.issn.1002-8331.1911-0429

王雪， 王晓援， 刘洋， 郭鑫鑫. 2020. 基于深度学习的玉米叶部病害分割[J]. 黑龙江科学， 11（20）： 10-13.

WANG X， WANG X Y， LIU Y， GUO X X. 2020. Corn leaf disease segmentation based on deep learning[J]. Heilongjiang Science， 11（20）： 10-13.

王翔宇， 李海生， 吕丽君， 韩丹枫， 王梓强. 2021. 基于U-net和可见光谱图像的黄瓜褐斑病分割[J]. 光谱学与光谱分析， 41（5）： 1499-1504.

WANG X Y， LI H S， LÜ L J， HAN D F， WANG Z Q. 2021. Segmentation of cucumber target leaf spot based on U-Net and visible spectral images[J]. Spectroscopy and Spectral Analysis， 41（5）： 1499-1504. doi： 10.3964/j.issn.1000-0593（2021）05-1499-06

夏永泉， 曾莎， 李耀斌. 2015. 一种改进的植物叶片病斑区域边缘提取技术[J]. 郑州轻工业学院学报（自然科学版）， 30（1）： 67-70.

XIA Y Q， ZENG S， LI Y B. 2015. An improved edge extraction technology of the plant leaf disease region[J]. Journal of Zhengzhou University of Light Industry （Natural Science Edition）， 30（1）： 67-70.

项小东， 翟蔚， 黄言态， 刘薇. 2021. 基于Xception-CEMs神经网络的植物病害识别[J]. 中国农机化学报， 42（8）： 177-186.

XIANG X D， ZHAI W， HUANG Y T， LIU W. 2021. Plant disease recognition based on Xception-CEMs neural network[J]. Journal of Chinese Agricultural Mechanization， 42（8）： 177-186. doi： 10.13733/j.jcam.issn.2095-5553.2021.08.24.

薛卫， 易文鑫， 康亚龙， 徐阳春， 董彩霞. 2021. 基于多分辨率多类特征融合的梨叶小炭疽病斑识别[J]. 南京农业大学学报， 44（5）： 982-992.

XUE W， YI W X， KANG Y L， XU Y C， DONG C X. 2021. Recognition of pear leaf small anthracnose spot based on multi-resolution and multi-class feature fusion[J]. Journal of Nanjing Agricultural University， 44（5）： 982-992. doi： 10.7685/jnau.202009024

闫靖昆， 黄毓贤， 秦伟森， 高攀. 2021. 棉田复杂背景下棉花黄萎病病斑分割算法研究[J]. 南京师大学报（自然科学版）， 44（4）： 127-134.

YAN J K， HUANG Y X， QIN W S， GAO P. 2021. Study on segmentation algorithm of cotton Verticillium wilt disease spot in cotton field under complex background[J]. Journal of Nanjing Normal University （Natural Science Edition）， 44（4）： 127-134. doi： 10.3969 / j.issn.1001-4616.2021.04.017

杨红亚， 赵景秀， 徐冠华， 刘爽. 2018. 彩色图像分割方法综述[J]. 软件导刊， 17（4）： 1-5.

YANG H Y， ZHAO J X， XU G H， LIU S. 2018. A survey of color image segmentation methods[J]. Software Guide， 17（4）： 1-5. doi： 10.11907/rjdk.172535

杨润玲， 高新波. 2007. 基于加权模糊c均值聚类的快速图像自动分割算法[J]. 中国图象图形学报， 12（12）： 2105-2112.

YANG R L， GAO X B. 2007. A fast automatic image segmentation algorithm based on weighting fuzzy c-means clustering[J]. Journal of Image and Graphics， 12（12）： 2105-2112.

岳有军， 李雪松， 赵辉， 王红君. 2022. 基于改进VGG网络的农作物病害图像识别[J]. 农机化研究， 44（6）： 18-24.

YUE Y J， LI X S， ZHAO H， WANG H J. 2022. Crop disease image recognition based on improved VGG network[J]. Journal of Agricultural Mechanization Research， 44（6）： 18-24. doi： 10.13427/j.cnki.njyi.2022.06.003.

张静， 王双喜. 2007. 温室植物病害图像处理技术中图像分割方法的研究[J]. 内蒙古农业大学学报（自然科学版）， 28（3）： 19-22.

ZHANG J， WANG S X. 2007. A study on the segmentation method in image processing for plant disease of gree nhouse[J]. Journal of Inner Mongolia Agricultural University （Natural Science Edition）， 28（3）： 19-22.

张明. 2018. 基于计算机视觉技术的马铃薯病害识别研究[D]. 兰州： 甘肃农业大学.

ZHANG M. 2018. Research on potato disease recognition based on computer vision technology[D]. Lanzhou： Gansu Agricultural University， 2018. doi： 10.27025/d.cnki.ggsnu.2018.000004

张晴晴， 张云龙， 齐国红. 2017. 基于最大类间方差法的黄瓜病害叶片分割[J]. 安徽农业科学， 45（12）： 193-195， 234.

ZHANG Q Q， ZHANG Y L， QI G H. 2017. Segmentation of cucumber disease leaves based on otsu method[J]. Journal of Anhui Agricultural Sciences， 45（12）： 193-195， 234. doi： 10.13989/j.cnki.0517-6611.2017.12.063.

张会敏， 谢泽奇， 张善文， 张云龙. 2017. 基于WT-Otsu算法的植物病害叶片图像分割方法[J]. 江苏农业科学， 45（18）： 194-196.

ZHANG H M， XIE Z Q， ZHANG S W， ZHANG Y L. 2017. Image segmentation method of plant diseased leaves based on WT-Otsu algorithm[J]. Jiangsu Agricultural Sciences， 45（18）： 194-196. doi： 10.15889/j.issn.1002-1302.2017.18.049.

张铄， 谢裕睿， 董建娥. 2021. 基于图像处理的植物叶片病害识别研究[J]. 现代计算机， 27（34）： 112-116.

ZHANG S， XIE Y R， DONG J E. 2021. Research on plant leaf disease recognition based on image processing[J]. Modern Computer， 27（34）： 112-116. doi： 10.3969/j.issn.1007-1423.2021.34.021

张文静， 孙秀朋， 乔永亮， 白鹏， 姜红花， 王玉军， 杜传印， 宗浩. 2021. 基于InceptionV3的烟草病害识别[J]. 中国烟草学报， 27（5）： 61-70.

ZHANG W J， SUN X P， QIAO Y L， BAI P， JIANG H H， WANG Y J， DU C Y， ZONG H. 2021. Tobacco disease identification based on InceptionV3[J]. Acta Tabacaria Sinica， 27（5）： 61-70. doi： 10.16472/j.chinatobacco.2021.T0061.

赵进辉， 罗锡文， 周志艳. 2008. 基于颜色与形状特征的甘蔗病害图像分割方法[J]. 农业机械学报， 39（9）： 100-103， 133.

ZHAO J H， LUO X W， ZHOU Z Y. 2008. Image segmentation method for sugarcane diseases based on color and shape features[J]. Transactions of the Chinese Society for Agricultural Machinery， 39（9）： 100-103， 133.

周莉莉， 姜枫. 2017. 图像分割方法综述研究[J]. 计算机应用研究， 34（7）： 1921-1928.

ZHOU L L， JIANG F. 2017. Survey on image segmentation methods[J]. Application Research of Computers， 34（7）： 1921-1928.

ABINAYA S， KUMAR K U， ALPHONSE A S. 2023. Cascading autoencoder with attention residual U-Net for multi-class plant leaf disease segmentation and classification[J]. IEEE Access， 11： 98153-98170. doi： 10.1109/ACCESS.2023.3312718.

AFZAAL U， BHATTARAI B， PANDEYA Y R， LEE J. 2021. An instance segmentation model for strawberry diseases based on mask R-CNN[J]. Sensors， 21（19）： 6565. doi： 10.3390/s21196565.

BALAFAS V， KARANTOUMANIS E， LOUTA M， PLOSKAS N. 2023. Machine learning and deep learning for plant disease classification and detection[J]. IEEE Access， 11： 114352-114377. doi： 10.1109/ACCESS.2023.3324722.

BAI X B， LI X X， FU Z T， LV X J， ZHANG L X. 2017. A fuzzy clustering segmentation method based on neighborhood grayscale information for defining cucumber leaf spot disease images[J]. Computers and Electronics in Agriculture， 136： 157-165. doi： 10.1016/j.compag.2017.03.004.

CHEN C C， WANG X C， HEIDARI A A， YU H L， CHEN H L. 2021. Multi-threshold image segmentation of maize diseases based on elite comprehensive particle swarm optimization and Otsu[J]. Frontiers in Plant Science， 12： 789911. doi： 10.3389/fpls.2021.789911.

HUANG X B， CHEN A B， ZHOU G X， ZHANG X， WANG J W， PENG N， YAN N， JIANG C H. 2023. Tomato leaf disease detection system based on FC-SNDPN[J]. Multimedia Tools and Applications， 82（2）： 2121-2144. doi： 10.1007/s11042-021-11790-3.

JIANG P， CHEN Y H， LIU B， HE D J， LIANG C Q. 2019. Real-time detection of apple leaf diseases using deep learning approach based on improved convolutional neural networks[J]. IEEE Access， 7： 59069-59080. doi： 10.1109/ACCESS.2019.2914929.

MOHANTY S P， HUGHES D P， SALATHÉ M. 2016. Using deep learning for image-based plant disease detection[J]. Frontiers in Plant Science， 7： 1419. doi： 10.3389/fpls.2016.01419.

PRAVIN KUMAR S K， SUMITHRA M G， SARANYA N. 2021. Particle Swarm Optimization （PSO） with fuzzy c means （PSO-FCM）–based segmentation and machine learning classifier for leaf diseases prediction[J]. Concurrency and Computation： Practice and Experience， 33（3）： e5312. doi： 10.1002/cpe.5312.

SHEDTHI B S， SIDDAPPA M， SHETTY S， SHETTY V， SURESH R. 2023. Detection and classification of diseased plant leaf images using hybrid algorithm[J]. Multimedia Tools and Applications， 82（21）： 32349-32372. doi： 10.1007/s11042-023-14751-0.

TANGTISANON P， KORNRAPAT S， TANGTISANON P， KORNRAPAT S. 2020. Holy basil curl leaf disease classification using edge detection and machine learning[C]//Proceedings of the 2020 12th International Conference on Computer and Automation Engineering. ACM： 85-89. doi： 10.1145/3384613.3384634.

THAKUR P S， KHANNA P， SHEOREY T， OJHA A. 2022. Trends in vision-based machine learning techniques for plant disease identification： A systematic review[J]. Expert Systems with Applications， 208： 118117. doi： 10.1016/j.eswa.2022.118117.

UMAMAGESWARI A， BHARATHIRAJA N， IRENE D S. 2023. A novel fuzzy C-means based chameleon swarm algorithm for segmentation and progressive neural architecture search for plant disease classification[J]. ICT Express， 9（2）： 160-167. doi： 10.1016/j.icte.2021.08.019.

WANG Z B， WANG K Y， PAN S H， HAN Y Y. 2018. Segmentation of crop disease images with an improved K-means clustering algorithm[J]. Applied Engineering in Agriculture， 34（2）： 277-289. doi： 10.13031/aea.12205.

YUAN H B， ZHU J J， WANG Q F， CHENG M， CAI Z J. 2022. An improved DeepLab v3+ deep learning network applied to the segmentation of grape leaf black rot spots[J]. Frontiers in Plant Science， 13： 795410. doi： 10.3389/fpls.2022.795410.

YU H L， LIU J W， CHEN C C， HEIDARI A A， ZHANG Q， CHEN H L， MAFARJA M， TURABIEH H. 2021. Corn leaf diseases diagnosis based on K-means clustering and deep learning[J]. IEEE Access， 9： 143824-143835. doi： 10.1109/ACCESS.2021.3120379.

YUSOFF N M， ABDUL HALIM I S， ABDULLAH N E， AB RAHIM A A. 2018. Real-time Hevea leaves diseases identification using sobel edge algorithm on FPGA： A preliminary study[C]//2018 9th IEEE Control and System Graduate Research Colloquium （ICSGRC）. IEEE： 168-171. doi： 10.1109/ICSGRC.2018.8657603.

ZENG N X， GONG G F， ZHOU G X， HU C. 2023. An accurate classification of rice diseases based on ICAI-V4[J]. Plants， 12（11）： 2225. doi： 10.3390/plants12112225.

ZHOU G X， ZHANG W Z， CHEN A B， HE M F， MA X S. 2019. Rapid detection of rice disease based on FCM-KM and faster R-CNN fusion[J]. IEEE Access， 7： 143190-143206. doi： 10.1109/ACCESS.2019.2943454.

（责任编辑 谢红辉）

DOI：10.20191/j.cnki.2095-0764.2024030042

基金项目：广西重大科技专项（桂科AA22117004，桂科AA22117002）；国家糖料产业技术体系项目（CARS-170105）；中央引导地方科技发展资金项目（桂科ZY21195033）；广西自然科学基金项目（2021GXNSFAA220022）；广西农业科学院基本科研业务专项桂农科（2021YT007）；南宁实验站项目（GZ002069004）。

第一作者：余敏（1998—），女，硕士研究生，研究方向为机器学习算法及应用，E-mail：1259869410@qq.com。

*通信作者：颜梅新（1978—），男，研究员，主要从事甘蔗病虫害防控、抗病育种及数字化植保工作，E-mail：574252968@qq.com。

收稿日期：2024-04-16