多类农作物病虫害的图像识别应用技术研究综述.pdfVIP

多类农作物病虫害的图像识别应用技术研究

综述

作者：康飞龙李佳刘涛佟鑫于文波

来源：《江苏农业科学》2020年第22期

摘要：利用深度学习等图像处理技术对农作物进行病虫害图像识别的技术研究，是未来农

业智能化发展的必然趋势。本研究概述国内外不同种类的农作物病虫害的图像识别应用技术的

研究现状，对经典的图像处理、机器学习、深度学习等方法中存在的优缺点进行深入分析，提

出采用生成对抗网络（generativeadversarialnetworks，简称GAN）技术来扩充农作物病虫害数

据库，并采用基于移动端APP的深度学习识别模型等技术作为未来农作物病虫害识别技术研

究的方向与目标，为农业生产提供病虫害决策支持服务，及时准确诊断农作物病虫害情况。根

据不同的病情给出用药指导及早治疗，可以有效遏制病虫害的蔓延，降低对作物产量的影响;

通过减少用药量达到治疗目的，有利于农业生产提质增效、保障食品安全、维护人类健康。

关键词：农作物病虫害;农业智能化;图像识别;深度学习;生成对抗网络

中图分类号：TP391.41文献标志码：A

文章编号：1002-1302（2020）22-0022-06

作者简介：康飞龙（1986—），男，内蒙古呼和浩特人，博士，高级工程师，讲师，研究

方向为农业智能化。E-mail：kfl@。

通信作者：李佳，博士，高级工程师，讲师，研究方向为农业大数据技术。E-mail：

273041390@。

农作物病虫害是制约农业生产的重要灾害之一，直接影响“三农”经济的健康发展，制约着

农民增收。当前国际上病虫害使农作物潜在产量平均减少40%，而发展中国家的许多农民遭受

的产量损失甚至高达100%，农作物病虫害造成的损失约为世界粮食生产总产量的十分之一

[1]。我国病虫害问题较为突出，常见的病虫害有1400种以上。预计2020年我国农作物重大

病虫害总体将偏重发生，累计发生面积约3亿公顷次[2]。农作物病虫害的发生在时空上有一定

的规律，但又具有明显的无序性，表现为空间上的区域性特点和时间上的随机、突发以及不稳

定性。这些复杂的特点导致对其发生的预测、诊断、防治存在较大的困难，一旦暴发常常会带

来毁灭性的后果，造成严重的损失。在防治病虫害过程中因施药不当，还会导致环境污染与食

品污染，对人类食品安全构成威胁。因此，科学有效地降低病虫害的发生频度与强度意义重

大。对农作物进行准确的病虫害识别并推荐合适的防治措施，不仅可以保证农作物的产量，同

时还可以有效减少农药使用量，降低使用农药产生的各种危害。当前病虫害数据监测是农情监

测系统的重要组成部分。农作物病虫害的无损检测与早期识别是精准农业和生态农业发展的关

键。

病虫害识别技术的研究现状及发展动1态分析

在田间进行农作物取样后，传统的病虫害诊断需要通过化学方法及调查研究才可以进行相

应的决策实施，存在着费时费力、诊断不及时、诊断范围有限等缺点。许多国内外现有的研究

针对农作物病虫害问题采用图像处理技术和机器学习算法进行及时有效的检测，取得了较多较

好的研究成果，实现了对农作物各类信息的有效识别与提取。

经典农作物病虫害图像识别方法2

目前，国外很多学者主要采用可见光成像技术、红外成像技术或者高光谱成像技术采集图

像照片，并利用经典的图像处理技术（去噪、腐蚀和膨胀、图像分割、图像增强、特征提取）

和机器学习技术[包括最小二乘法、k均值聚类算法、支持向量机（supportvectormachine，简

称SVM）、人工神经网络（artificialneuralnetwork，简称ANN）]检测被测物的外部特征、内

部化学成分含量、生理结构的变化等实现诊断，并且便于获得被测农作物的病变情况。

很多学者在采集到红外图像或者高光谱图像的基础上[3]，采用经典图像处理技术和机器

学习方法对不同的农作物病虫害目标进行诊断与识别。Raza等利用红外图像信息和深度信息

相结合，采用支持向量机（supportvectormachine，简称SVM）实现了番茄白粉病的检测[4]。

Zhao等使用偏最小二乘回归法分析了黄瓜高光谱图像角叶斑点疾病与玉米、大豆的叶片化学

成分[5-6]。Zhu等使用单一阈值分割方法提取了烟草病害高光谱图像数据的特征，包括对比

度、相关性、熵、同质性等，并对比了多种机器学习方法[包括人工神经网络（artificialneural

network，简称AN