植物病害準(zhǔn)確檢測(cè)與識(shí)別是其早期診斷與智能監(jiān)測(cè)的關(guān)鍵，是病蟲害精準(zhǔn)化防治與信息化管理的核心。深度學(xué)習(xí)應(yīng)用于植物病害檢測(cè)與識(shí)別中，可以克服傳統(tǒng)診斷方法的弊端，大幅提升病害檢測(cè)與識(shí)別的準(zhǔn)確率，引起了廣泛關(guān)注。

中國農(nóng)業(yè)科學(xué)院農(nóng)業(yè)信息研究所/農(nóng)業(yè)農(nóng)村部農(nóng)業(yè)大數(shù)據(jù)重點(diǎn)實(shí)驗(yàn)室聯(lián)手甘肅農(nóng)業(yè)大學(xué)機(jī)電工程學(xué)院，組成科研團(tuán)隊(duì)，針對(duì)深度學(xué)習(xí)在植物葉部病害檢測(cè)與識(shí)別展開研究，

植物病害目標(biāo)檢測(cè)是利用計(jì)算機(jī)視覺技術(shù)在復(fù)雜自然條件下檢測(cè)出植物病害侵染區(qū)域及其準(zhǔn)確位置，是植物病害準(zhǔn)確分類識(shí)別和病害危害程度評(píng)估的前提，也是植物病害區(qū)域準(zhǔn)確定位并引導(dǎo)植保裝備對(duì)靶噴藥的關(guān)鍵。

早期植物病害目標(biāo)檢測(cè)算法采用滑動(dòng)窗口策略選出候選區(qū)域，然后提取候選區(qū)域特征，最后使用分類器進(jìn)行分類，從而獲得目標(biāo)區(qū)域，如V-J檢測(cè)、方向梯度直方圖檢測(cè)和有關(guān)可變形部件模型算法等。滑動(dòng)窗口方法是設(shè)置不同的尺度和寬度對(duì)圖像進(jìn)行遍歷，雖然這種方法應(yīng)用于病害定位檢測(cè)可以不錯(cuò)過任何一個(gè)病害區(qū)域目標(biāo)，但產(chǎn)生的多余候選窗口會(huì)帶來較大的計(jì)算量，且將病害圖像全部遍歷一遍要花費(fèi)較多時(shí)間，導(dǎo)致檢測(cè)的實(shí)效性差。

另外，候選區(qū)域的特征提取采用手工方式，提取的特征較多集中在病害顏色、形狀等底層特征，造成病害檢測(cè)的魯棒性差。分類器采用Adaboost、支持向量機(jī)等進(jìn)行識(shí)別，識(shí)別速度慢、準(zhǔn)確率低。

一、基于目標(biāo)檢測(cè)框架的植物病害檢測(cè)

基于深度學(xué)習(xí)的R-CNN系列、YOLO、SSD以及CenterNet等新檢測(cè)算法顯著優(yōu)于早期的植物目標(biāo)檢測(cè)算法。基于深度學(xué)習(xí)的目標(biāo)檢測(cè)框架可以分為二階檢測(cè)器和一階檢測(cè)器兩大類。

1、基于二階檢測(cè)器的植物病害檢測(cè)

二階檢測(cè)器首先使用候選框生成器生成稀疏的候選框集，并從每個(gè)候選框中提取特征，然后使用區(qū)域分類器預(yù)測(cè)候選框區(qū)域的類別。如基于區(qū)域建議的CNN，包括R-CNN、Fast-RCNN、Faster-RCNN及其變體。2014年，首次使用卷積神經(jīng)網(wǎng)絡(luò)提取圖像特征，開啟了利用深度學(xué)習(xí)進(jìn)行目標(biāo)檢測(cè)的大門。在R-CNN基礎(chǔ)上，提出了Fast-RCNN，解決了R-CNN在候選區(qū)域選擇的過程中出現(xiàn)大量重疊框的問題。

經(jīng)過R-CNN和Fast RCNN的積淀，在2016年提出了Faster-RCNN，將特征提取、邊界框回歸和分類集成到一個(gè)網(wǎng)絡(luò)中，使綜合性能有較大提高，在檢測(cè)速度方面尤為明顯。應(yīng)用Faster-RCNN+VGGNet/ResNet的檢測(cè)框架對(duì)番茄病蟲害區(qū)域進(jìn)行定位檢測(cè)，其圖像庫中類別有10種病害，平均精度均值達(dá)到了85.98%，從此Faster-RCNN逐漸被應(yīng)用到植物病害區(qū)域檢測(cè)上。

采用Faster-RCNN框架，分別采用ZF Net和VGGNet作為骨干網(wǎng)絡(luò)，能準(zhǔn)確定位葡萄葉片和葉片上的病斑。通過改變Faster-RCNN模型的參數(shù)實(shí)現(xiàn)對(duì)甜菜葉斑病的自動(dòng)檢測(cè)，對(duì)155幅甜菜圖像進(jìn)行了訓(xùn)練和測(cè)試，獲得了95.48%的總體分類正確率。

使用Faster-RCNN對(duì)水稻患病葉片圖像和健康葉片圖像進(jìn)行檢測(cè)，識(shí)別葉片患病準(zhǔn)確率均在98%以上，表明Faster-RCNN可以相對(duì)準(zhǔn)確實(shí)時(shí)地檢測(cè)水稻常見病害。基于FCM-KM和Faster-RCNN融合的水稻病害快速檢測(cè)方法，以3010幅圖像為研究基礎(chǔ)數(shù)據(jù)集，得到稻瘟病、白葉枯病和紋枯病的檢測(cè)精度分別為96.71%、97.53%和98.26%，檢測(cè)時(shí)間分別為0.65、0.82和0.53 s。

基于改進(jìn)的深度卷積神經(jīng)網(wǎng)絡(luò)——Faster DR-IACNN模型，在自建的葡萄葉疾病數(shù)據(jù)集上展開研究，并引入了Inception-v1模塊、Inception-ResNetv2模塊和壓縮和激勵(lì)網(wǎng)絡(luò)，該模型具有較高的特征提取能力，mAP精度為81.1%，檢測(cè)速度為15.01 f/s。基于二階檢測(cè)器的植物病害目標(biāo)檢測(cè)，在檢測(cè)準(zhǔn)確度方面獲得了較好的病害檢測(cè)效果，但由于檢測(cè)速度慢，只能用在實(shí)時(shí)性要求不高的場(chǎng)景中。

2、基于一階檢測(cè)器的植物病害檢測(cè)

一階檢測(cè)器直接對(duì)特征圖上每個(gè)位置的對(duì)象進(jìn)行類別預(yù)測(cè)，不經(jīng)過二階檢測(cè)器中的區(qū)域建議步驟，如YOLO、SSD及其變體。2016年提出的一種一階段檢測(cè)算法。YOLO的設(shè)計(jì)不同于Faster-RCNN，它將檢測(cè)過程整合為單個(gè)網(wǎng)絡(luò)同時(shí)實(shí)現(xiàn)目標(biāo)區(qū)域預(yù)測(cè)和分類的回歸過程。YOLO并不生成候選框，而是將圖像劃分成網(wǎng)格，以網(wǎng)格為中心確定目標(biāo)邊界和類別，與Faster-RCNN相比，YOLO在滿足更高精度的同時(shí)大大提高了檢測(cè)速度。

在復(fù)雜自然條件下的茶園采集圖像，并提出了一種基于YOLOv3的病蟲害檢測(cè)方法，在確保系統(tǒng)實(shí)時(shí)可用性的同時(shí)，實(shí)現(xiàn)了mAP為86%，交并比為50%。將輕量級(jí)的YOLO模型，應(yīng)用于移動(dòng)農(nóng)業(yè)機(jī)器人對(duì)植物病害的檢測(cè)，主要針對(duì)木瓜環(huán)斑病建立了一個(gè)大規(guī)模的數(shù)據(jù)集，在此基礎(chǔ)上tiny-YOLOv4算法的mAP最高可達(dá)99.9%。

MobileNetV2-YOLOv3算法在疾病嚴(yán)重程度檢測(cè)方面的最高mAP約為98.39%。基于改進(jìn)的YOLOv4實(shí)現(xiàn)柑橘病蟲害葉片檢測(cè)，并根據(jù)檢測(cè)目標(biāo)框?qū)崿F(xiàn)柑橘病害葉片的局部分割，結(jié)合DenseNet算法對(duì)分割出來的葉片進(jìn)行病害檢測(cè)，檢測(cè)準(zhǔn)確率達(dá)到95.46%。

針對(duì)YOLO的缺陷，2016年提出了SSD。相較于YOLO，改進(jìn)了三個(gè)方面：一是提取不同尺度的特征圖，解決了YOLO不能準(zhǔn)確檢測(cè)小目標(biāo)的問題;二是設(shè)計(jì)了多個(gè)不同尺度的先驗(yàn)框;三是在VGG16網(wǎng)絡(luò)中增加6個(gè)卷積層來預(yù)測(cè)邊界框偏移量，解決了YOLO定位不準(zhǔn)的問題。一種可部署在移動(dòng)設(shè)備上的輕量級(jí)的MEAN-SSD病害檢測(cè)模型。MEAN-SSD是通過引入MEAN塊(Mobile End AppleNet block)和所有3×3卷積核都替換為MEAN塊的Inception模塊構(gòu)建而成，mAP能夠達(dá)到83.12%，速度達(dá)到12.53 f/s。

多尺度特征融合的改進(jìn)的SSD算法，該方法結(jié)合了數(shù)據(jù)預(yù)處理、特征融合、特征共享、疾病檢測(cè)等步驟，用于檢測(cè)復(fù)雜背景下玉米葉枯病，mAP比原SSD算法的mAP高了20%左右(從71.80%提高到91.83%)。同時(shí)傳輸速度也從24 f/s提高到28.4 f/s，達(dá)到了實(shí)時(shí)檢測(cè)25 f/s的標(biāo)準(zhǔn)。對(duì)比了幾種著名目標(biāo)檢測(cè)框架和不同骨干網(wǎng)絡(luò)組合對(duì)香蕉病蟲害檢測(cè)的效果，數(shù)據(jù)庫包括了10種香蕉病蟲害，共3萬余張圖像，發(fā)現(xiàn)SSD框架和MobileNet v1的組合檢測(cè)總體效果最好。雖然經(jīng)過不斷地改進(jìn)和優(yōu)化，一階段檢測(cè)算法在植物病害精度和速度上都有所提高，但錨框的存在仍然令這種檢測(cè)方法不夠精簡(jiǎn)。

二、基于無錨框的植物病害檢測(cè)

2019年，一種無錨框的檢測(cè)算法——CenterNet，該算法是在CornerNet的基礎(chǔ)上改進(jìn)而來，由原來對(duì)兩個(gè)關(guān)鍵點(diǎn)(即圖像的左上角和右下角)的檢測(cè)改為對(duì)圖像中心點(diǎn)的估計(jì)。由于該算法去掉了生成錨框這一操作，并且由熱力圖估計(jì)損失，省去了一些耗時(shí)的操作，所以很大程度上提升了檢測(cè)性能。目前，基于CenterNet的病害檢測(cè)研究還較少，但CenterNet已被證明可以應(yīng)用于自然條件下的目標(biāo)檢測(cè)。

通過CenterNet檢測(cè)網(wǎng)絡(luò)與MobileNet v3相結(jié)合，構(gòu)建一個(gè)新的網(wǎng)絡(luò)——M-CenterNet，對(duì)自然條件下果樹上的蘋果進(jìn)行檢測(cè)。并與CenterNet和SSD做對(duì)比，發(fā)現(xiàn)所提網(wǎng)絡(luò)不論是檢測(cè)精度還是檢測(cè)速度上都比CenterNet和SSD要好很多，尤其是檢測(cè)速度上，比這兩種網(wǎng)絡(luò)提高了1倍左右。

改進(jìn)的CenterNet算法，以PlantVillage Kaggle數(shù)據(jù)庫為主要數(shù)據(jù)來源，以DenseNet-77為基礎(chǔ)網(wǎng)絡(luò)對(duì)深層次關(guān)鍵點(diǎn)進(jìn)行提取，然后分別對(duì)番茄、蘋果、葡萄等在內(nèi)的14種植物26類病害及12類健康葉片進(jìn)行識(shí)別，從多方面分析得出，改進(jìn)的CenterNet方法比目前最新的EfficientNet方法能夠更準(zhǔn)確地識(shí)別植物病害。無錨框的檢測(cè)算法在性能上優(yōu)于基于錨框的檢測(cè)算法，是今后病害區(qū)域檢測(cè)方面的主要研究方向。

三、植物病害目標(biāo)檢測(cè)分析與展望

近年來植物病害檢測(cè)研究進(jìn)展，可以看出，針對(duì)大豆、玉米、馬鈴薯、蘋果、葡萄等植物病害目標(biāo)檢測(cè)，一階段檢測(cè)算法和二階檢測(cè)算法都獲得了較好的檢測(cè)效果。但目前文獻(xiàn)表明，在病斑邊界框標(biāo)志時(shí)較為混亂，一些文獻(xiàn)對(duì)一張葉片上大的病斑單獨(dú)框出，一些文獻(xiàn)則對(duì)小且多的病斑往往采用一個(gè)框，對(duì)沒有明顯邊界的病害則往往不考慮在病害檢測(cè)任務(wù)范疇內(nèi)。同時(shí)，對(duì)植物生長(zhǎng)的復(fù)雜自然場(chǎng)景中進(jìn)行病害目標(biāo)檢測(cè)研究較少，這種場(chǎng)景下密集、小目標(biāo)檢測(cè)算法有待進(jìn)一步研究，同時(shí)還需應(yīng)對(duì)復(fù)雜自然條件下可能出現(xiàn)的光照、陰影、復(fù)雜背景、遮擋、疊加、小病斑檢測(cè)等難點(diǎn)。

如今已提出的病害檢測(cè)算法均對(duì)特定的數(shù)據(jù)集有較好的檢測(cè)效果，但若數(shù)據(jù)集發(fā)生了改變，則可能會(huì)導(dǎo)致檢測(cè)效果不佳，所以在未來，提高模型的魯棒性是值得研究的一個(gè)方向。另外，早期病害的檢測(cè)研究仍處于空白階段，主要因?yàn)閿?shù)據(jù)采集的困難。

早期病害部位信息較少，研究者無法保證準(zhǔn)確識(shí)別病害種類與病斑位置，但早期病害檢測(cè)更有利于防止病菌的傳播與發(fā)展，有效防治植物病害，所以今后應(yīng)重視開展對(duì)早期病害檢測(cè)的開發(fā)研究，以期達(dá)到及時(shí)防治、減少損失的目的。目前對(duì)植物的病害檢測(cè)還處于有人工干預(yù)的半自動(dòng)化過程，探索全自動(dòng)化的病害檢測(cè)方法也將是未來主要研究方向之一。

審核編輯 黃宇