摘要：傳統依靠人工經驗的作物病害識別方式難以適應大規模種植環境，迫切需要尋求新的解決方案。近年來，人工智能技術在許多領域取得了豐碩成果，在作物病害識別領域也取得較好的效果。為深入了解人工智能技術在作物病害識別領域中的研究現狀，該文主要從傳統的機器學習方法和深度學習方法個角度分析人工智能技術在作物病害識別領域的研究進展，包括這種方法的技術理論、主要工作流程、應用現狀及優缺點，同時展望了人工智能技術在未來作物病害識別領域的發展趨勢。

　　關鍵詞：植物保護;病害識別;人工智能;機器學習

　　作物病害是導致糧食減產的主要因素之一，準確高效的識別作物病害并實施精準防治是現代農業發展急的主要趨勢之一(Manavalan，2020)。及時識別作物病害不僅可以對其實施有效控制，也可以為后期精準施藥技術提供數據支撐，減少用藥量，保護生態環境(Indrakumarietal.，2021)。傳統的病害識別方法主要由植物保護專家根據自己的經驗和作物病害特征做出判斷，但這種方法受個人經驗、作物生長階段和天氣條件等因素影響，難以達到理想的識別效率和準確度(Singhetal.，2020)。

　　特別是大規模種植過程中，傳統的肉眼識別作物病害的方法需要消耗大量的人力物力和時間成本，難以全面推廣。隨著人工智能技術在自然語言處理、智能交通和人臉識別等領域大規模應用，研究人員開始探索利用人工智能技術識別作物病害，以便早發現早干預，減少病害造成的減產等損失(Piconetal.，2019)。人工智能的概念源于1956年的達特茅斯會議，隨后引起了各國政府機構、工業界和學術界的極大關注。人工智能技術可以使人們從繁重的勞動密集型工作中解放出來，特別是深度學習的出現，進一步加速了人工智能相關應用的落地進程。隨著人工智能技術的進一步發展，逐漸衍生出機器學習、推薦系統、自然語言處理及圖像識別等多個分支。

　　其中機器學習是實現人工智能的主要方法，也是發展最迅速的方法之一，目前人工智能的主要分支以及常用的機器學習方法如圖。國內外研究人員嘗試利用人工智能技術發展現代農業，加速農業人工智能相關成果落地(Zhangetal.，2020)，主要工作包括作物病害識別、病斑檢測、作物生長態勢感知和產量預測等。人工智能技術能夠將人工提取的作物病害特征(傳統機器學習方法)或自動提取的特征(深度學習方法)輸入到分類器訓練模型，利用交叉驗證等方法來評估分類器的性能，通過參數調試等過程使模型效果最優，進而可以預測作物的未知病害類型，達到病害識別目的。為更加清晰了解人工智能技術在作物病害識別領域中的研究進展及應用現狀。

　　本文梳理了人工智能相關技術，對這些技術在作物病害識別的研究現狀進行了總結，從常用的機器學習方法——傳統的機器學習方法和深度學習方法入手，分析不同方法的原理及在作物病害識別中的應用現狀，對不同作物病害識別方法的優缺點及適用場景進行分析，并對基于人工智能的作物病害識別進行展望，旨在推動人工智能技術在作物病害識別領域相關研究，為高效、準確、綠色識別作物病害提供理論依據和實踐指導。

　　1基于傳統機器學習的作物病害識別方法

　　1.1傳統機器學習方法及算法流程

　　常用的傳統機器學習方法有支持向量機(supportvectormachine，SVM)(Druckeretal.，1999)、近鄰算法(nearestneighbor，KNN)(Bochieetal.，2021)、決策樹(decisiontree，DT)(Safavian&Landgrebe，1991)、卷積神經網絡(convolutionalneuralnetworks，CNN)(Guetal.，2018)、樸素貝葉斯算法(Jiangetal.，2009)、均值聚類算法(Fosteretal.，2019)等�；疾∽魑锸紫葧�在葉片上出現與健康作物不同的視覺特征，目前多數作物病害識別工作都是針對作物葉片特征開展(Singhetal.，2020)，也有部分研究人員從作物冠層特征識別病害(劉琦等，2018a;Chenetal.，2019)。傳統機器學習算法結合計算機視覺技術在作物病害識別應用中的主要流程包括圖像獲取、預處理、特征提取、模型選擇與分類等。

　　1.2傳統機器學習方法在作物病害識別中的應用進展

　　傳統機器學習算法由于其魯棒性強和對計算資源要求低的優勢在相當長時間內占據主導地位，即使在深度學習如火如荼的今天，傳統機器學習算法在病害識別領域仍具有廣泛的應用價值(Lietal.，2020a;胡小平等，2021)。這些經典模型在作物病害識別應用中發揮著至關重要的作用，通過提取作物病害的不同特征，并選擇合適的機器學習方法進行病害識別(Neelakantan，2021)。在糧食作物病害識別研究中，小麥、玉米和水稻病害是研究人員較為關心的研究對象(Manavalan，2020)。

　　小麥白粉病、赤霉病和黑穗病是影響小麥產量的種主要病害。在小麥白粉病研究中，Zhaoetal.(2020)提出了一種基于高光譜圖像的白粉病嚴重程度分析方法，該方法設計了一種識別和評價小麥白粉病嚴重程度的模型，具體包括高光譜圖像采集、預處理、特征波段選擇和模型選擇等步驟，通過比較主成分分析(principalcomponentanalysis，PCA)、隨機森林(randomforest，RF)和概率神經網絡種方法構建識別模型，利用PCA降維后結合SVM模型在測試集上識別準確度高達93.3%，高于原始高光譜88%的識別準確度。由于赤霉病具有較強的傳染性，對種子質量影響非常大，劉爽(2019)對小麥赤霉病開展了深入研究，提出了一種基于高光譜圖像技術與SVM相結合的病害識別模型，在不同光譜反射區間內選取更合適的特征信息，識別準確度高達90.18%。

　　作物病害一般是由各種病原菌引起，因此，識別不同病原菌對控制作物病害有重要的研究價值，Zhaoetal.(2019)針對引起小麥黑穗病的種病原菌——小麥光腥黑粉菌Tilletiafoetida、小麥散黑粉菌Ustilagotritici和小麥稈黑粉菌rocystistritici的鑒定方法進行了研究，利用近紅外線技術采集種病原菌端孢子樣品，利用區分偏最小二乘法(distinguishedpartialleastsquares，DPLS)、反向傳播神經網絡(backpropagationneuralnetwork，BPNN)和SVM等方法在不同光譜區域建立識別模型，DPLS和SVM識別達到理想效果。

　　劉琦等(2018b)針對小麥條銹病潛育期開展定性識別，結果顯示基于Randomcommittee方法所建模型的效果最好。此外，傳統機器學習方法如KNN和人工神經網絡(artificialneuralnetwork，ANN)等在小麥病害識別、霉變程度分析等均效果較好(Neelakantan，2021;Wangetal.，2021)。

　　在水稻和玉米等作物病害識別方面，傳統機器學習方法也有著廣泛的應用。由于水稻稻瘟病具有傳播速度快，致病嚴重等特點，對其進行病害識別尤為重要(Yan&Talbot，2016)。Xiaoetal.(2019)和Fengetal.(2020)從多種角度提取稻瘟病葉片病害特征并進行識別，取得不錯的效果。Yangetal.(2020)利用衍射圖像的光場和紋理特征提取稻瘟病病原菌孢子視覺特征，將其輸入到分類器進行病害識別，這種方法可以鑒定稻瘟病早期病害，為及時干預贏得良機。傳統機器學習方法結合圖像原始特征如直方圖在水稻病害識別應用中也取得了較好的效果，如馬超等(2019)提取復雜環境下水稻病害圖像的梯度直方圖特征，并將其輸入到SVM中進行水稻病害識別，準確率高達94%。

　　在玉米病害識別方面也有一些進展，如Wangetal.(2020a)通過圖像分割方法提取玉米葉片病害部分，將其作為圖像預處理單元，輸入分類器利用預處理單元對其病害進行預測。除糧食作物外，傳統機器學習方法在經濟作物病害識別方面也取得了較好的效果。辣椒是日常餐桌上不可或缺的調味品，但其種植過程飽受病害困擾。AhmadLotietal.(2021)采集了974張種類別的辣椒病害圖像，分別采用SVM、隨機森林和人工神經網絡進行分類識別，經對比分析SVM以92.1%的識別準確率獲得最優。

　　此外，KNN、SVM和BPNN等技術在番茄(Thangarajetal.，2021)、大豆(Araujo&Peixoto，2019)、棉花(Jinetal.，2013;郭偉等，2021)、茶葉(Sunetal.，2019)等經濟作物病害識別方面均取得令人滿意的效果(Lietal.，2020b;Thaiyalnayaki&Joseph，2021;Thangarajetal.，2021)。

　　1.3傳統機器學習方法在作物病害識別中的應用分析

　　傳統機器學習方法由于其計算效率快、魯棒性強等優勢而廣受歡迎，使其在相當長一段時間內成為主流的機器學習方法(Lietal.，2020)。然而隨著大規模種植的普及以及作物致病菌傳播速度的加快，傳統人工提取特征輸入分類器的方法逐漸力不從心(Farberetal.，2019)，主要問題如下：

　　(1)數據采集階段。傳統機器學習方法對數據質量要求較高，一般需要人工采集數據，并且對光照和風力等采集環境以及采集設備的要求較高，尤其是采集后的圖像需要逐一進行預處理，這就加大了工作強度，在大規模種植環境下人工采集數據的時效性不能得到有效保證，可能會延誤病情，錯過最佳的防治時期。

　　(2)特征提取階段。需要依據人類主觀經驗選擇適宜的特征，人工選擇特征需要較強的專業背景和知識儲備，主觀性強，選擇特征數量有限(Singhetal.，2020);一些肉眼無法辨別而對分類有價值的特征容易被忽略。特別是在大規模種植環境下，面對海量的數據，人工選擇特征將會極大地限制病害識別進度。

　　(3)傳統機器學習算法對分類器依賴性強，不同分類器識別的病害結果可能差別較大，需要有經驗豐富的專業人員選擇分類器(Bengioetal.，2013)。另外，分類器泛化程度低，存在同一植株不同環境下的病害識別效果差距較大的問題。

　　2基于深度學習的作物病害識別方法

　　深度學習在處理大規模數據方面有較大的優勢，它通過不斷增加網絡深度和迭代次數，從而達到從海量輸入數據中自動提取數據特征并進行分類識別的目的(Salasetal.，2019)。本節主要分析深度學習相關技術及在作物病害識別中的研究進展，并對該方法進一步分析。

　　2.1深度學習技術及算法流程

　　深度學習理論由卷積神經網絡發展而來，故又稱為深度卷積神經網絡。相對于傳統機器學習方法，深度學習具有更多的隱藏層和海量的訓練數據，通過調整不同的優化函數和損失函數，模型可以從這些數據中經過不同隱含層進行特征變換來學習更有價值的信息(余凱等，2013)。深度學習解決復雜問題的能力已經被證明，可以實現對數據、計算資源的綜合利用，在語音識別、圖像處理和自然語言處理等方面取得了突破性的進展(Salasetal.，2019)。

　　常用的深度學習模型主要有AlexNet(Krizhevskyetal.，2017)、VGG(Simonyan&Zisserman，2014)、ResNet(Heetal.，2016)、Inceptionv3(Szegedyetal，2016a)、Inceptionv4(Szegedyetal.，2016b)和DenseNet(Huangetal.，2017)等，這些深度學習模型在提出初期都獲得了巨大成功，目前大多數下游任務中使用的深度學習模型大多基于以上基礎模型演變而來。

　　2.2深度學習技術在作物病害識別中的應用進展

　　作物病害數據集如AIChallenger(Wuetal.，2017)和PlantVillage(Hughes&Salathé，2015)被公開后，研究人員得以在大規模作物病害數據上訓練深度學習模型。深度學習技術憑借其強大的特征表達能力和無需人工提取特征的優點，使其完成大規模多類型病害識別任務成為可能。Tooetal.(2019a)采用PlantVillage數據集的14種作物38種病害圖像。

　　在目前較流行的深度學習模型ResNet50、ResNet101、ResNet152、DenseNet、VGG16和Inceptionv4等上進行訓練，通過統一訓練和測試，DenseNet的識別準確率最高，為99.75%。公開數據集的廣泛應用促生出大量基于公開數據集的深度網絡模型架構，如Zhangetal.(2021)提出了殘差自校正自注意聚合網絡(residualselfcalibrationandselfattentionaggregationnetwork，RCAANet)，該網絡由殘差模塊、自校準模塊和自注意力模塊組成，通過提出反饋自校正方法抑制原始深度特征中的背景噪聲，提高了模型的魯棒性，同時自注意力聚合模塊進一步提高了模型識別的準確度，該模型在AIChallenger數據集上取得了非常有意義的成果。

　　也有研究人員通過自行收集作物病害數據集進行模型訓練，如Ferentinos(2018)收集了25種作物58種病害的87848幅圖像，設計了一種基于VGG的深度學習模型，在測試集上準確度高達99%。Tooetal.(2019b)通過修剪過濾器來減少不必要的模型參數在保持模型性能的基礎上提高了訓練效率，再通過微調現有的模型參數達到理想的效果。Ishengomaetal.(2021)利用無人機采集玉米葉片圖像，然后通過深度卷積神經網絡分析是否被草地貪夜蛾Spodopterafrugiperda為害。

　　作物病害公開數據集的出現為病害識別提供了有力的數據支撐。但也存在一些問題：一方面，這將會導致大量研究人員熱衷于設計更復雜的深度學習模型，將其與已經在該數據集上訓練的模型進行比較，越來越多高準確度的識別模型不斷被提出;另一方面，提出的模型大都難以在實際環境中得到廣泛應用，理論成果難以轉化為生產力。其主要原因之一就是設計模型所用的數據集是在實驗室環境下采集的，這些數據集一般具有相似的背景、均勻的光照、統一的采集設備和焦距，與真實環境下采集的病害圖像數據差異較大。

　　近年來，研究人員開始意識到真實種植環境下的病害識別問題，國際知名數據挖掘競賽Kaggle也公開了一些真實環境下作物病害識別相關的題目，以促進真實環境下作物病害識別研究的發展。不少基于真實種植環境的研究成果被提出，如甜菜葉斑病病害識別(Atoumetal.，2016)、稻田環境下水稻病害識別(Nigametal.，2020)及大豆病害識別(Karlekar&Seal，2020)等。

　　隨著研究的進一步深入和移動互聯網終端設備的升級換代，涌現出一批基于深度學習和移動終端的作物病害識別系統，該系統部署在移動終端供用戶使用。如Temniranratetal.(202)開發了一種基于YOLOv3的真實稻田環境下的病害識別系統;Piconetal.(2019)開發了一個基于手機端的作物病害識別系統;Maheswaranetal.(2021)提出的基于輕量級智能終端的作物病害識別解決方案;劉洋(2021)提出的病害嚴重程度估計模型等。

　　值得一提的是，隨著移動終端的普及，傳統深度學習模型由于其計算量大而無法滿足便攜終端離線使用的需求，一種解決方法是將移動端獲取的作物病害圖片傳輸到計算服務器，計算服務器接收到數據并計算預測結果后，再將結果傳輸到移動設備終端。受限于手機圖片大小和網絡傳輸限制，這種方法往往難以達到良好的體驗效果。邊緣計算技術(Wangetal.，2020b)由于其計算過程通過本地設備而無需與云端交互這一特點，有效解決了病害識別時間延遲過長的瓶頸，促進了基于移動設備的作物病害識別研究(王冠等，2020;Lietal.，2021)。深度學習技術之所以能夠有優于傳統機器學習方法的特征表達能力，其必要條件之一是具備海量的訓練數據(Guetal.，2018)。

　　在實際種植環境下的作物病害識別任務中，難以獲得數以萬計乃至百萬計的訓練數據，訓練數據不足往往會導致模型出現過擬合的問題(Lietal.，2019)，影響模型識別效果。遷移學習技術的出現在一定程度上緩解了訓練數據不足的問題，該技術主要通過參數微調將在源數據集上訓練好的模型作為初始模型應用在目標數據集上進一步訓練，以擴展目標數據的先驗知識，從源數據集訓練好的模型中提取有用的信息，并遷移到目標任務中來(Shaoetal.，2015)。

　　遷移學習技術提出后在作物病害識別領域得到廣泛的應用，如Barbedo(2018)設計了一個基于遷移學習的12種作物病害識別模型，利用遷移學習技術在作物病害識別中取得良好效果;Jiangetal.(2021)以小麥和水稻病害為研究對象，收集了種水稻病害和種小麥病害圖像，每種病害40幅，利用在ImageNet上預訓練好的VGG模型進行遷移學習并加以微調，識別準確率高達98.75%。此外遷移學習還在番茄等作物病害識別中有著不錯的表現，證明了遷移學習技術在基于深度學習的作物病害識別方面的有效性(Chenetal.，2020;Abbasetal.，2021)。

　　深度學習具有強大的特征表達能力，而傳統機器學習算法具備較強的魯棒性，可以通過某種方法將兩者優勢結合用于作物病害識別。如Sethyetal.(2020)提出了一種基于ResNet50和SVM相結合的水稻病害識別方法，并對5932幅水稻病害圖像進行測試，F1分數為98.38%，高于基于遷移學習的病害識別方法;Jiangetal.(2020)利用CNN模型來提取水稻病害特征，然后將提取到的特征輸入到SVM進行分類，通過調整參數，識別準確率高達96.8%。此外，深度學習技術與傳統機器學習相結合的方法也在其他作物病害識別中有著較好的表現(Thaiyalnayaki&Joseph，2021)。

　　3展望

　　在大規模種植環境下作物病害識別領域，深度學習方法逐漸占據主導地位，涌現出越來越多的基于深度學習的作物病害識別模型，其識別準確率和精度都達到一個新高度。傳統的機器學習方法憑借其強大的魯棒性與高效性在訓練數據不足的情況下仍然具有較強的應用價值，與深度學習技術共存將會是未來一段時間內作物病害識別的發展方向。

　　在實際種植環境下，往往會出現多種病害共存的情況，即一個植株同時出現種或以上的病害，這就需要分類模型同時考慮多種病害的情況，并且分析不同種病害之間的關聯性，及時準確地識別多種作物病害并及時干預，保障作物免受病害困擾。目前針對作物病害識別用到的數據集多數具有較明顯的病理表型特征，尤其是病害蔓延暴發后的數據較多。在實際種植過程中，及時發現病害發病初期特征至關重要，把作物病害控制在大規模發作之前，這就需要人工智能技術及時預測將要發生的病害種類，以便及時采取措施，這也是未來病害識別需要解決的問題之一。

　　隨著物聯網技術、網絡技術以及圖像采集技術的發展，真實環境下高質量的數據采集將會更加普遍，在未來作物病害識別研究領域，高質量的訓練數據將會進一步提升模型的特征表達能力，為理論成果落地鋪平道路。未來的作物病害識別將會隨著人工智能技術的發展而不斷完善，結合集成學習(Liu&Wang，2010)、強化學習(Nguyenetal.，2020)和視覺transformer(Dosovitskiyetal.，2020)等技術的發展，將會有更多的作物病害識別模型落地生根，為農業現代化插上理想的翅膀。

　　參考文獻(References)

　　AbbasA,JainS,GourM,VankudothuS.2021.TomatoplantdiseasedetectionusingtransferlearningwithCGANsyntheticimages.ComputersandElectronicsinAgriculture,187:106279AhmadLotiNN,MohdNoorMR,ChangSW.2021.

　　Integratedanalysisofmachinelearninganddeeplearninginchilipestanddiseaseidentification.JournaloftheScienceofFoodandAgriculture,101(9):35823594

　　AraujoJMM,PeixotoZMA.2019.Anewproposalforautomaticidentificationofmultiplesoybeandiseases.ComputersandElectronicsinAgriculture,167:105060

　　作者：周長建,2宋佳2向文勝1,2,3*