摘要：傳統(tǒng)依靠人工經(jīng)驗(yàn)的作物病害識(shí)別方式難以適應(yīng)大規(guī)模種植環(huán)境，迫切需要尋求新的解決方案。近年來，人工智能技術(shù)在許多領(lǐng)域取得了豐碩成果，在作物病害識(shí)別領(lǐng)域也取得較好的效果。為深入了解人工智能技術(shù)在作物病害識(shí)別領(lǐng)域中的研究現(xiàn)狀，該文主要從傳統(tǒng)的機(jī)器學(xué)習(xí)方法和深度學(xué)習(xí)方法個(gè)角度分析人工智能技術(shù)在作物病害識(shí)別領(lǐng)域的研究進(jìn)展，包括這種方法的技術(shù)理論、主要工作流程、應(yīng)用現(xiàn)狀及優(yōu)缺點(diǎn)，同時(shí)展望了人工智能技術(shù)在未來作物病害識(shí)別領(lǐng)域的發(fā)展趨勢(shì)。

　　關(guān)鍵詞：植物保護(hù);病害識(shí)別;人工智能;機(jī)器學(xué)習(xí)

　　作物病害是導(dǎo)致糧食減產(chǎn)的主要因素之一，準(zhǔn)確高效的識(shí)別作物病害并實(shí)施精準(zhǔn)防治是現(xiàn)代農(nóng)業(yè)發(fā)展急的主要趨勢(shì)之一(Manavalan，2020)。及時(shí)識(shí)別作物病害不僅可以對(duì)其實(shí)施有效控制，也可以為后期精準(zhǔn)施藥技術(shù)提供數(shù)據(jù)支撐，減少用藥量，保護(hù)生態(tài)環(huán)境(Indrakumarietal.，2021)。傳統(tǒng)的病害識(shí)別方法主要由植物保護(hù)專家根據(jù)自己的經(jīng)驗(yàn)和作物病害特征做出判斷，但這種方法受個(gè)人經(jīng)驗(yàn)、作物生長(zhǎng)階段和天氣條件等因素影響，難以達(dá)到理想的識(shí)別效率和準(zhǔn)確度(Singhetal.，2020)。

　　特別是大規(guī)模種植過程中，傳統(tǒng)的肉眼識(shí)別作物病害的方法需要消耗大量的人力物力和時(shí)間成本，難以全面推廣。隨著人工智能技術(shù)在自然語言處理、智能交通和人臉識(shí)別等領(lǐng)域大規(guī)模應(yīng)用，研究人員開始探索利用人工智能技術(shù)識(shí)別作物病害，以便早發(fā)現(xiàn)早干預(yù)，減少病害造成的減產(chǎn)等損失(Piconetal.，2019)。人工智能的概念源于1956年的達(dá)特茅斯會(huì)議，隨后引起了各國(guó)政府機(jī)構(gòu)、工業(yè)界和學(xué)術(shù)界的極大關(guān)注。人工智能技術(shù)可以使人們從繁重的勞動(dòng)密集型工作中解放出來，特別是深度學(xué)習(xí)的出現(xiàn)，進(jìn)一步加速了人工智能相關(guān)應(yīng)用的落地進(jìn)程。隨著人工智能技術(shù)的進(jìn)一步發(fā)展，逐漸衍生出機(jī)器學(xué)習(xí)、推薦系統(tǒng)、自然語言處理及圖像識(shí)別等多個(gè)分支。

　　其中機(jī)器學(xué)習(xí)是實(shí)現(xiàn)人工智能的主要方法，也是發(fā)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(jī)器學(xué)習(xí)方法如圖。國(guó)內(nèi)外研究人員嘗試?yán)�用人工智能技術(shù)發(fā)展現(xiàn)代農(nóng)業(yè)，加速農(nóng)業(yè)人工智能相關(guān)成果落地(Zhangetal.，2020)，主要工作包括作物病害識(shí)別、病斑檢測(cè)、作物生長(zhǎng)態(tài)勢(shì)感知和產(chǎn)量預(yù)測(cè)等。人工智能技術(shù)能夠?qū)⑷斯ぬ崛〉淖魑锊『μ卣?傳統(tǒng)機(jī)器學(xué)習(xí)方法)或自動(dòng)提取的特征(深度學(xué)習(xí)方法)輸入到分類器訓(xùn)練模型，利用交叉驗(yàn)證等方法來評(píng)估分類器的性能，通過參數(shù)調(diào)試等過程使模型效果最優(yōu)，進(jìn)而可以預(yù)測(cè)作物的未知病害類型，達(dá)到病害識(shí)別目的。為更加清晰了解人工智能技術(shù)在作物病害識(shí)別領(lǐng)域中的研究進(jìn)展及應(yīng)用現(xiàn)狀。

　　本文梳理了人工智能相關(guān)技術(shù)，對(duì)這些技術(shù)在作物病害識(shí)別的研究現(xiàn)狀進(jìn)行了總結(jié)，從常用的機(jī)器學(xué)習(xí)方法——傳統(tǒng)的機(jī)器學(xué)習(xí)方法和深度學(xué)習(xí)方法入手，分析不同方法的原理及在作物病害識(shí)別中的應(yīng)用現(xiàn)狀，對(duì)不同作物病害識(shí)別方法的優(yōu)缺點(diǎn)及適用場(chǎng)景進(jìn)行分析，并對(duì)基于人工智能的作物病害識(shí)別進(jìn)行展望，旨在推動(dòng)人工智能技術(shù)在作物病害識(shí)別領(lǐng)域相關(guān)研究，為高效、準(zhǔn)確、綠色識(shí)別作物病害提供理論依據(jù)和實(shí)踐指導(dǎo)。

　　1基于傳統(tǒng)機(jī)器學(xué)習(xí)的作物病害識(shí)別方法

　　1.1傳統(tǒng)機(jī)器學(xué)習(xí)方法及算法流程

　　常用的傳統(tǒng)機(jī)器學(xué)習(xí)方法有支持向量機(jī)(supportvectormachine，SVM)(Druckeretal.，1999)、近鄰算法(nearestneighbor，KNN)(Bochieetal.，2021)、決策樹(decisiontree，DT)(Safavian&Landgrebe，1991)、卷積神經(jīng)網(wǎng)絡(luò)(convolutionalneuralnetworks，CNN)(Guetal.，2018)、樸素貝葉斯算法(Jiangetal.，2009)、均值聚類算法(Fosteretal.，2019)等。患病作物首先會(huì)在葉片上出現(xiàn)與健康作物不同的視覺特征，目前多數(shù)作物病害識(shí)別工作都是針對(duì)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(shí)別病害(劉琦等，2018a;Chenetal.，2019)。傳統(tǒng)機(jī)器學(xué)習(xí)算法結(jié)合計(jì)算機(jī)視覺技術(shù)在作物病害識(shí)別應(yīng)用中的主要流程包括圖像獲取、預(yù)處理、特征提取、模型選擇與分類等。

　　1.2傳統(tǒng)機(jī)器學(xué)習(xí)方法在作物病害識(shí)別中的應(yīng)用進(jìn)展

　　傳統(tǒng)機(jī)器學(xué)習(xí)算法由于其魯棒性強(qiáng)和對(duì)計(jì)算資源要求低的優(yōu)勢(shì)在相當(dāng)長(zhǎng)時(shí)間內(nèi)占據(jù)主導(dǎo)地位，即使在深度學(xué)習(xí)如火如荼的今天，傳統(tǒng)機(jī)器學(xué)習(xí)算法在病害識(shí)別領(lǐng)域仍具有廣泛的應(yīng)用價(jià)值(Lietal.，2020a;胡小平等，2021)。這些經(jīng)典模型在作物病害識(shí)別應(yīng)用中發(fā)揮著至關(guān)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(jī)器學(xué)習(xí)方法進(jìn)行病害識(shí)別(Neelakantan，2021)。在糧食作物病害識(shí)別研究中，小麥、玉米和水稻病害是研究人員較為關(guān)心的研究對(duì)象(Manavalan，2020)。

　　小麥白粉病、赤霉病和黑穗病是影響小麥產(chǎn)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(yán)重程度分析方法，該方法設(shè)計(jì)了一種識(shí)別和評(píng)價(jià)小麥白粉病嚴(yán)重程度的模型，具體包括高光譜圖像采集、預(yù)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(jī)森林(randomforest，RF)和概率神經(jīng)網(wǎng)絡(luò)種方法構(gòu)建識(shí)別模型，利用PCA降維后結(jié)合SVM模型在測(cè)試集上識(shí)別準(zhǔn)確度高達(dá)93.3%，高于原始高光譜88%的識(shí)別準(zhǔn)確度。由于赤霉病具有較強(qiáng)的傳染性，對(duì)種子質(zhì)量影響非常大，劉爽(2019)對(duì)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(shù)與SVM相結(jié)合的病害識(shí)別模型，在不同光譜反射區(qū)間內(nèi)選取更合適的特征信息，識(shí)別準(zhǔn)確度高達(dá)90.18%。

　　作物病害一般是由各種病原菌引起，因此，識(shí)別不同病原菌對(duì)控制作物病害有重要的研究?jī)r(jià)值，Zhaoetal.(2019)針對(duì)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(jìn)行了研究，利用近紅外線技術(shù)采集種病原菌端孢子樣品，利用區(qū)分偏最小二乘法(distinguishedpartialleastsquares，DPLS)、反向傳播神經(jīng)網(wǎng)絡(luò)(backpropagationneuralnetwork，BPNN)和SVM等方法在不同光譜區(qū)域建立識(shí)別模型，DPLS和SVM識(shí)別達(dá)到理想效果。

　　劉琦等(2018b)針對(duì)小麥條銹病潛育期開展定性識(shí)別，結(jié)果顯示基于Randomcommittee方法所建模型的效果最好。此外，傳統(tǒng)機(jī)器學(xué)習(xí)方法如KNN和人工神經(jīng)網(wǎng)絡(luò)(artificialneuralnetwork，ANN)等在小麥病害識(shí)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(shí)別方面，傳統(tǒng)機(jī)器學(xué)習(xí)方法也有著廣泛的應(yīng)用。由于水稻稻瘟病具有傳播速度快，致病嚴(yán)重等特點(diǎn)，對(duì)其進(jìn)行病害識(shí)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(jìn)行識(shí)別，取得不錯(cuò)的效果。Yangetal.(2020)利用衍射圖像的光場(chǎng)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(jìn)行病害識(shí)別，這種方法可以鑒定稻瘟病早期病害，為及時(shí)干預(yù)贏得良機(jī)。傳統(tǒng)機(jī)器學(xué)習(xí)方法結(jié)合圖像原始特征如直方圖在水稻病害識(shí)別應(yīng)用中也取得了較好的效果，如馬超等(2019)提取復(fù)雜環(huán)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(jìn)行水稻病害識(shí)別，準(zhǔn)確率高達(dá)94%。

　　在玉米病害識(shí)別方面也有一些進(jìn)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(yù)處理單元，輸入分類器利用預(yù)處理單元對(duì)其病害進(jìn)行預(yù)測(cè)。除糧食作物外，傳統(tǒng)機(jī)器學(xué)習(xí)方法在經(jīng)濟(jì)作物病害識(shí)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(diào)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(jī)森林和人工神經(jīng)網(wǎng)絡(luò)進(jìn)行分類識(shí)別，經(jīng)對(duì)比分析SVM以92.1%的識(shí)別準(zhǔn)確率獲得最優(yōu)。

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

　　1.3傳統(tǒng)機(jī)器學(xué)習(xí)方法在作物病害識(shí)別中的應(yīng)用分析

　　傳統(tǒng)機(jī)器學(xué)習(xí)方法由于其計(jì)算效率快、魯棒性強(qiáng)等優(yōu)勢(shì)而廣受歡迎，使其在相當(dāng)長(zhǎng)一段時(shí)間內(nèi)成為主流的機(jī)器學(xué)習(xí)方法(Lietal.，2020)。然而隨著大規(guī)模種植的普及以及作物致病菌傳播速度的加快，傳統(tǒng)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(shù)據(jù)采集階段。傳統(tǒng)機(jī)器學(xué)習(xí)方法對(duì)數(shù)據(jù)質(zhì)量要求較高，一般需要人工采集數(shù)據(jù)，并且對(duì)光照和風(fēng)力等采集環(huán)境以及采集設(shè)備的要求較高，尤其是采集后的圖像需要逐一進(jìn)行預(yù)處理，這就加大了工作強(qiáng)度，在大規(guī)模種植環(huán)境下人工采集數(shù)據(jù)的時(shí)效性不能得到有效保證，可能會(huì)延誤病情，錯(cuò)過最佳的防治時(shí)期。

　　(2)特征提取階段。需要依據(jù)人類主觀經(jīng)驗(yàn)選擇適宜的特征，人工選擇特征需要較強(qiáng)的專業(yè)背景和知識(shí)儲(chǔ)備，主觀性強(qiáng)，選擇特征數(shù)量有限(Singhetal.，2020);一些肉眼無法辨別而對(duì)分類有價(jià)值的特征容易被忽略。特別是在大規(guī)模種植環(huán)境下，面對(duì)海量的數(shù)據(jù)，人工選擇特征將會(huì)極大地限制病害識(shí)別進(jìn)度。

　　(3)傳統(tǒng)機(jī)器學(xué)習(xí)算法對(duì)分類器依賴性強(qiáng)，不同分類器識(shí)別的病害結(jié)果可能差別較大，需要有經(jīng)驗(yàn)豐富的專業(yè)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(huán)境下的病害識(shí)別效果差距較大的問題。

　　2基于深度學(xué)習(xí)的作物病害識(shí)別方法

　　深度學(xué)習(xí)在處理大規(guī)模數(shù)據(jù)方面有較大的優(yōu)勢(shì)，它通過不斷增加網(wǎng)絡(luò)深度和迭代次數(shù)，從而達(dá)到從海量輸入數(shù)據(jù)中自動(dòng)提取數(shù)據(jù)特征并進(jìn)行分類識(shí)別的目的(Salasetal.，2019)。本節(jié)主要分析深度學(xué)習(xí)相關(guān)技術(shù)及在作物病害識(shí)別中的研究進(jìn)展，并對(duì)該方法進(jìn)一步分析。

　　2.1深度學(xué)習(xí)技術(shù)及算法流程

　　深度學(xué)習(xí)理論由卷積神經(jīng)網(wǎng)絡(luò)發(fā)展而來，故又稱為深度卷積神經(jīng)網(wǎng)絡(luò)。相對(duì)于傳統(tǒng)機(jī)器學(xué)習(xí)方法，深度學(xué)習(xí)具有更多的隱藏層和海量的訓(xùn)練數(shù)據(jù)，通過調(diào)整不同的優(yōu)化函數(shù)和損失函數(shù)，模型可以從這些數(shù)據(jù)中經(jīng)過不同隱含層進(jìn)行特征變換來學(xué)習(xí)更有價(jià)值的信息(余凱等，2013)。深度學(xué)習(xí)解決復(fù)雜問題的能力已經(jīng)被證明，可以實(shí)現(xiàn)對(duì)數(shù)據(jù)、計(jì)算資源的綜合利用，在語音識(shí)別、圖像處理和自然語言處理等方面取得了突破性的進(jìn)展(Salasetal.，2019)。

　　常用的深度學(xué)習(xí)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(xué)習(xí)模型在提出初期都獲得了巨大成功，目前大多數(shù)下游任務(wù)中使用的深度學(xué)習(xí)模型大多基于以上基礎(chǔ)模型演變而來。

　　2.2深度學(xué)習(xí)技術(shù)在作物病害識(shí)別中的應(yīng)用進(jìn)展

　　作物病害數(shù)據(jù)集如AIChallenger(Wuetal.，2017)和PlantVillage(Hughes&Salathé，2015)被公開后，研究人員得以在大規(guī)模作物病害數(shù)據(jù)上訓(xùn)練深度學(xué)習(xí)模型。深度學(xué)習(xí)技術(shù)憑借其強(qiáng)大的特征表達(dá)能力和無需人工提取特征的優(yōu)點(diǎn)，使其完成大規(guī)模多類型病害識(shí)別任務(wù)成為可能。Tooetal.(2019a)采用PlantVillage數(shù)據(jù)集的14種作物38種病害圖像。

　　在目前較流行的深度學(xué)習(xí)模型ResNet50、ResNet101、ResNet152、DenseNet、VGG16和Inceptionv4等上進(jìn)行訓(xùn)練，通過統(tǒng)一訓(xùn)練和測(cè)試，DenseNet的識(shí)別準(zhǔn)確率最高，為99.75%。公開數(shù)據(jù)集的廣泛應(yīng)用促生出大量基于公開數(shù)據(jù)集的深度網(wǎng)絡(luò)模型架構(gòu)，如Zhangetal.(2021)提出了殘差自校正自注意聚合網(wǎng)絡(luò)(residualselfcalibrationandselfattentionaggregationnetwork，RCAANet)，該網(wǎng)絡(luò)由殘差模塊、自校準(zhǔn)模塊和自注意力模塊組成，通過提出反饋?zhàn)孕Ｕ�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(shí)自注意力聚合模塊進(jìn)一步提高了模型識(shí)別的準(zhǔn)確度，該模型在AIChallenger數(shù)據(jù)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(shù)據(jù)集進(jìn)行模型訓(xùn)練，如Ferentinos(2018)收集了25種作物58種病害的87848幅圖像，設(shè)計(jì)了一種基于VGG的深度學(xué)習(xí)模型，在測(cè)試集上準(zhǔn)確度高達(dá)99%。Tooetal.(2019b)通過修剪過濾器來減少不必要的模型參數(shù)在保持模型性能的基礎(chǔ)上提高了訓(xùn)練效率，再通過微調(diào)現(xiàn)有的模型參數(shù)達(dá)到理想的效果。Ishengomaetal.(2021)利用無人機(jī)采集玉米葉片圖像，然后通過深度卷積神經(jīng)網(wǎng)絡(luò)分析是否被草地貪夜蛾Spodopterafrugiperda為害。

　　作物病害公開數(shù)據(jù)集的出現(xiàn)為病害識(shí)別提供了有力的數(shù)據(jù)支撐。但也存在一些問題：一方面，這將會(huì)導(dǎo)致大量研究人員熱衷于設(shè)計(jì)更復(fù)雜的深度學(xué)習(xí)模型，將其與已經(jīng)在該數(shù)據(jù)集上訓(xùn)練的模型進(jìn)行比較，越來越多高準(zhǔn)確度的識(shí)別模型不斷被提出;另一方面，提出的模型大都難以在實(shí)際環(huán)境中得到廣泛應(yīng)用，理論成果難以轉(zhuǎn)化為生產(chǎn)力。其主要原因之一就是設(shè)計(jì)模型所用的數(shù)據(jù)集是在實(shí)驗(yàn)室環(huán)境下采集的，這些數(shù)據(jù)集一般具有相似的背景、均勻的光照、統(tǒng)一的采集設(shè)備和焦距，與真實(shí)環(huán)境下采集的病害圖像數(shù)據(jù)差異較大。

　　近年來，研究人員開始意識(shí)到真實(shí)種植環(huán)境下的病害識(shí)別問題，國(guó)際知名數(shù)據(jù)挖掘競(jìng)賽Kaggle也公開了一些真實(shí)環(huán)境下作物病害識(shí)別相關(guān)的題目，以促進(jìn)真實(shí)環(huán)境下作物病害識(shí)別研究的發(fā)展。不少基于真實(shí)種植環(huán)境的研究成果被提出，如甜菜葉斑病病害識(shí)別(Atoumetal.，2016)、稻田環(huán)境下水稻病害識(shí)別(Nigametal.，2020)及大豆病害識(shí)別(Karlekar&Seal，2020)等。

　　隨著研究的進(jìn)一步深入和移動(dòng)互聯(lián)網(wǎng)終端設(shè)備的升級(jí)換代，涌現(xiàn)出一批基于深度學(xué)習(xí)和移動(dòng)終端的作物病害識(shí)別系統(tǒng)，該系統(tǒng)部署在移動(dòng)終端供用戶使用。如Temniranratetal.(202)開發(fā)了一種基于YOLOv3的真實(shí)稻田環(huán)境下的病害識(shí)別系統(tǒng);Piconetal.(2019)開發(fā)了一個(gè)基于手機(jī)端的作物病害識(shí)別系統(tǒng);Maheswaranetal.(2021)提出的基于輕量級(jí)智能終端的作物病害識(shí)別解決方案;劉洋(2021)提出的病害嚴(yán)重程度估計(jì)模型等。

　　值得一提的是，隨著移動(dòng)終端的普及，傳統(tǒng)深度學(xué)習(xí)模型由于其計(jì)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(dòng)端獲取的作物病害圖片傳輸?shù)接?jì)算服務(wù)器，計(jì)算服務(wù)器接收到數(shù)據(jù)并計(jì)算預(yù)測(cè)結(jié)果后，再將結(jié)果傳輸?shù)揭苿?dòng)設(shè)備終端。受限于手機(jī)圖片大小和網(wǎng)絡(luò)傳輸限制，這種方法往往難以達(dá)到良好的體驗(yàn)效果。邊緣計(jì)算技術(shù)(Wangetal.，2020b)由于其計(jì)算過程通過本地設(shè)備而無需與云端交互這一特點(diǎn)，有效解決了病害識(shí)別時(shí)間延遲過長(zhǎng)的瓶頸，促進(jìn)了基于移動(dòng)設(shè)備的作物病害識(shí)別研究(王冠等，2020;Lietal.，2021)。深度學(xué)習(xí)技術(shù)之所以能夠有優(yōu)于傳統(tǒng)機(jī)器學(xué)習(xí)方法的特征表達(dá)能力，其必要條件之一是具備海量的訓(xùn)練數(shù)據(jù)(Guetal.，2018)。

　　在實(shí)際種植環(huán)境下的作物病害識(shí)別任務(wù)中，難以獲得數(shù)以萬計(jì)乃至百萬計(jì)的訓(xùn)練數(shù)據(jù)，訓(xùn)練數(shù)據(jù)不足往往會(huì)導(dǎo)致模型出現(xiàn)過擬合的問題(Lietal.，2019)，影響模型識(shí)別效果。遷移學(xué)習(xí)技術(shù)的出現(xiàn)在一定程度上緩解了訓(xùn)練數(shù)據(jù)不足的問題，該技術(shù)主要通過參數(shù)微調(diào)將在源數(shù)據(jù)集上訓(xùn)練好的模型作為初始模型應(yīng)用在目標(biāo)數(shù)據(jù)集上進(jìn)一步訓(xùn)練，以擴(kuò)展目標(biāo)數(shù)據(jù)的先驗(yàn)知識(shí)，從源數(shù)據(jù)集訓(xùn)練好的模型中提取有用的信息，并遷移到目標(biāo)任務(wù)中來(Shaoetal.，2015)。

　　遷移學(xué)習(xí)技術(shù)提出后在作物病害識(shí)別領(lǐng)域得到廣泛的應(yīng)用，如Barbedo(2018)設(shè)計(jì)了一個(gè)基于遷移學(xué)習(xí)的12種作物病害識(shí)別模型，利用遷移學(xué)習(xí)技術(shù)在作物病害識(shí)別中取得良好效果;Jiangetal.(2021)以小麥和水稻病害為研究對(duì)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(yù)訓(xùn)練好的VGG模型進(jìn)行遷移學(xué)習(xí)并加以微調(diào)，識(shí)別準(zhǔn)確率高達(dá)98.75%。此外遷移學(xué)習(xí)還在番茄等作物病害識(shí)別中有著不錯(cuò)的表現(xiàn)，證明了遷移學(xué)習(xí)技術(shù)在基于深度學(xué)習(xí)的作物病害識(shí)別方面的有效性(Chenetal.，2020;Abbasetal.，2021)。

　　深度學(xué)習(xí)具有強(qiáng)大的特征表達(dá)能力，而傳統(tǒng)機(jī)器學(xué)習(xí)算法具備較強(qiáng)的魯棒性，可以通過某種方法將兩者優(yōu)勢(shì)結(jié)合用于作物病害識(shí)別。如Sethyetal.(2020)提出了一種基于ResNet50和SVM相結(jié)合的水稻病害識(shí)別方法，并對(duì)5932幅水稻病害圖像進(jìn)行測(cè)試，F(xiàn)1分?jǐn)?shù)為98.38%，高于基于遷移學(xué)習(xí)的病害識(shí)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(jìn)行分類，通過調(diào)整參數(shù)，識(shí)別準(zhǔn)確率高達(dá)96.8%。此外，深度學(xué)習(xí)技術(shù)與傳統(tǒng)機(jī)器學(xué)習(xí)相結(jié)合的方法也在其他作物病害識(shí)別中有著較好的表現(xiàn)(Thaiyalnayaki&Joseph，2021)。

　　3展望

　　在大規(guī)模種植環(huán)境下作物病害識(shí)別領(lǐng)域，深度學(xué)習(xí)方法逐漸占據(jù)主導(dǎo)地位，涌現(xiàn)出越來越多的基于深度學(xué)習(xí)的作物病害識(shí)別模型，其識(shí)別準(zhǔn)確率和精度都達(dá)到一個(gè)新高度。傳統(tǒng)的機(jī)器學(xué)習(xí)方法憑借其強(qiáng)大的魯棒性與高效性在訓(xùn)練數(shù)據(jù)不足的情況下仍然具有較強(qiáng)的應(yīng)用價(jià)值，與深度學(xué)習(xí)技術(shù)共存將會(huì)是未來一段時(shí)間內(nèi)作物病害識(shí)別的發(fā)展方向。

　　在實(shí)際種植環(huán)境下，往往會(huì)出現(xiàn)多種病害共存的情況，即一個(gè)植株同時(shí)出現(xiàn)種或以上的病害，這就需要分類模型同時(shí)考慮多種病害的情況，并且分析不同種病害之間的關(guān)聯(lián)性，及時(shí)準(zhǔn)確地識(shí)別多種作物病害并及時(shí)干預(yù)，保障作物免受病害困擾。目前針對(duì)作物病害識(shí)別用到的數(shù)據(jù)集多數(shù)具有較明顯的病理表型特征，尤其是病害蔓延暴發(fā)后的數(shù)據(jù)較多。在實(shí)際種植過程中，及時(shí)發(fā)現(xiàn)病害發(fā)病初期特征至關(guān)重要，把作物病害控制在大規(guī)模發(fā)作之前，這就需要人工智能技術(shù)及時(shí)預(yù)測(cè)將要發(fā)生的病害種類，以便及時(shí)采取措施，這也是未來病害識(shí)別需要解決的問題之一。

　　隨著物聯(lián)網(wǎng)技術(shù)、網(wǎng)絡(luò)技術(shù)以及圖像采集技術(shù)的發(fā)展，真實(shí)環(huán)境下高質(zhì)量的數(shù)據(jù)采集將會(huì)更加普遍，在未來作物病害識(shí)別研究領(lǐng)域，高質(zhì)量的訓(xùn)練數(shù)據(jù)將會(huì)進(jìn)一步提升模型的特征表達(dá)能力，為理論成果落地鋪平道路。未來的作物病害識(shí)別將會(huì)隨著人工智能技術(shù)的發(fā)展而不斷完善，結(jié)合集成學(xué)習(xí)(Liu&Wang，2010)、強(qiáng)化學(xué)習(xí)(Nguyenetal.，2020)和視覺transformer(Dosovitskiyetal.，2020)等技術(shù)的發(fā)展，將會(huì)有更多的作物病害識(shí)別模型落地生根，為農(nóng)業(yè)現(xiàn)代化插上理想的翅膀。

　　參考文獻(xiàn)(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(zhǎng)建,2宋佳2向文勝1,2,3*