本文为《智慧农业（中英文）》文章节选，文章信息如下：
(资料图)
引用格式：邵明月, 张建华, 冯全, 柴秀娟, 张凝, 张文蓉. 深度学习在植物叶部病害检测与识别的研究进展[J]. 智慧农业(中英文), 2022, 4(1): 29-46.
SHAO Mingyue, ZHANG Jianhua, FENG Quan, CHAI Xiujuan, ZHANG Ning, ZHANG Wenrong. Research Progress of Deep Learning in Detection and Recognition of Plant Leaf Diseases[J]. Smart Agriculture, 2022, 4(1): 29-46.
知网阅读
官网阅读（全文，免费）
深度学习在植物叶部病害检测与识别中面临的挑战与展望
1 面临的挑战
虽然近年来国内外研究者基于深度学习技术开展了大量的植物病害目标检测与分类识别研究，推动了检测与识别准确度的提高，但在实际应用场景中，植物病害检测与识别仍然面临着诸多挑战。
（1）光照变化导致目标区域准确定位难。在实际植物种植环境中，一日之内光照变化剧烈、不同背景下的反光、不同气象条件等影响因素，造成植物病斑目标区域难以准确定位。自然光照条件下，拍摄的角度、高度或者地点可能会导致部分图片中病斑位置的颜色深浅不一，使得病斑特征不明显，从而影响分类识别准确度。
（2）背景复杂导致目标的准确检测难度大。在实际植物种植环境中获取的病害图像背景有可能会包括叶片、树干、茎秆、根部、土壤、杂草、秸秆、地膜、落叶、石头、积水、阴影等，在复杂背景条件下获取的植物病害图像对于病斑的目标检测难度较大。同时，植物病斑颜色形状等有可能与背景中的其他对象相似，造成目标检测的准确率降低。
（3）遮挡导致目标特征缺失、噪声重叠。目前，大多数研究者都避免对复杂环境下植物病害的识别，采用直接截取所采集图像感兴趣的区域的方法，很少考虑遮挡问题。遮挡问题在复杂自然环境中普遍存在，包括由叶片姿态变化引起的叶片遮挡、分支遮挡、外部光照引起的光遮挡以及不同遮挡类型引起的混合遮挡。遮挡条件下植物病害识别的难点在于特征缺失和遮挡引起的噪声重叠。不同的遮挡条件对识别算法有不同程度的影响，导致误检甚至漏检。
（4）病害相似性导致错判或者误判。不同的病害引起的症状具有相似性。症状是判断病害种类的主要依据之一，若不同种类病害的发病症状极为相似，通过二维图像无法准确地辨识，需要获取更多维度信息如深度信息、光谱信息、红外信息、荧光信息等，才能准确判断出植物病害类别。
（5）病害症状变化导致病害识别难度大。病原菌可以在植物不同时期进行侵染，发病时又会因植物的品种、生育期和器官表现出不同的症状，同一种病害在不同的危害时期或不同侵染程度下表现出不同症状。同一种病害危害植物的不同组织或植物器官症状会有差异，如嫩芽、子叶、真叶、果实、茎秆、根部等呈现出来的症状各有不同。同一种病害在同种植物器官上也会呈现不同的症状类型，比如棉花黄萎病常见的症状有4种类型，分别为黄斑型、叶枯型、萎蔫型和落叶型，这对病害识别提出了很大的挑战。
（6）多重病害交叠导致植物病害的检测和识别准确率低。目前提到的病害检测和识别都是基于每片叶子上均是一种病害或一种病害特征最为明显的情况而研究的。但在自然条件下，常见多种病害同时存在于单片叶子的情况，还存在病害与虫害相互重叠现象，使植物病害检测和识别成为一项复杂的工作。
2 展 望
深度学习作为新一代人工智能技术有着两方面的优势：一是可随着数据规模的增加不断提升其性能；二是可以从数据中直接提取特征，削减对每一个问题设计特征提取器的工作量。因此，作为大数据时代的算法利器，深度学习技术受到各个国家的高度重视，关于卷积神经网络的研究有很多。
基于深度学习的植物病害的检测和识别技术目前已经发展的较为成熟，但在自然条件下依旧面临着很多的挑战。总体而言，难点主要集中于背景和病害本身特性的复杂上，为了克服这些难点，需要性能更好的神经网络和更丰富的数据集。在未来，深度神经网络的性能将不断提升，深度神经网络节点功能不断丰富，深度神经网络工程化应用技术不断深化。数据集也将从单一可控背景下拍摄收集转换为自然条件复杂背景下采集。另外，在数据模态方面，也将从单一模态的视觉通道向拥有近红外光谱、高光谱、红外热图像、深度、荧光等多模态数据转变，病害识别的准确率进一步提升，同时可以利用多模信息开展早期植物病害的判别。随着深度学习技术的快速发展，如何将最新深度学习技术与植物病害检测和识别相结合，解决检测器定位能力差、识别模型精度低、算法泛化性能弱以及构建大规模数据集合难等方面的问题，形成可面向复杂自然条件、多种植物病害、应用于实际大田作业的模型算法，提升田间病害的智能监测水平，创制出适用于田间作业的智能植保机械装备，是该领域未来主要的研究方向。
同时对植物病害的检测和识别并不是一个简单的工作，不能仅靠植物表面图像来获得可靠的结果。并且，在实际应用场景中，植物叶片上时常有多种病害共存，这将对检测和识别产生很大的干扰，未来植物病害检测和识别应该更好地与农业理论基础相结合，在对图像分析的基础上，还要考虑环境因素、作物生长规律以及病菌的生物学特性等多种因素，进一步提高病害识别和检测结果的实用性，同时让多种病害同时检测和识别成为可能。
小
店
欢迎光临选购
智慧农业微信交流服务群
发布征集
欢迎在我公众号发布科研团队介绍、创新科研成果及相关活动等信息。
标签：
