深度學(xué)習(xí)在植物病害目標(biāo)檢測研究進(jìn)展

植物病害準(zhǔn)確檢測與識別是其早期診斷與智能監(jiān)測的關(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)用于植物病害檢測與識別中，可以克服傳統(tǒng)診斷方法的弊端，大幅提升病害檢測與識別的準(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)重點實驗室聯(lián)手甘肅農(nóng)業(yè)大學(xué)機電工程學(xué)院，組成科研團(tuán)隊，針對深度學(xué)習(xí)在植物葉部病害檢測與識別展開研究，

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

早期植物病害目標(biāo)檢測算法采用滑動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、方向梯度直方圖檢測和有關(guān)可變形部件模型算法等?；瑒哟翱诜椒ㄊ窃O(shè)置不同的尺度和寬度對圖像進(jìn)行遍歷，雖然這種方法應(yīng)用于病害定位檢測可以不錯過任何一個病害區(qū)域目標(biāo)，但產(chǎn)生的多余候選窗口會帶來較大的計算量，且將病害圖像全部遍歷一遍要花費較多時間，導(dǎo)致檢測的實效性差。

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，造成病害檢測的魯棒性差。分類器采用Adaboost、支持向量機等進(jìn)行識別，識別速度慢、準(zhǔn)確率低。

一、基于目標(biāo)檢測框架的植物病害檢測

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

1、基于二階檢測器的植物病害檢測

二階檢測器首先使用候選框生成器生成稀疏的候選框集，并從每個候選框中提取特征，然后使用區(qū)域分類器預(yù)測候選框區(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網(wǎng)絡(luò)中，使綜合性能有較大提高，在檢測速度方面尤為明顯。應(yīng)用Faster-RCNN+VGGNet/ResNet的檢測框架對番茄病蟲害區(qū)域進(jìn)行定位檢測，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)實現(xiàn)對甜菜葉斑病的自動檢測，對155幅甜菜圖像進(jìn)行了訓(xùn)練和測試，獲得了95.48%的總體分類正確率。

使用Faster-RCNN對水稻患病葉片圖像和健康葉片圖像進(jìn)行檢測，識別葉片患病準(zhǔn)確率均在98%以上，表明Faster-RCNN可以相對準(zhǔn)確實時地檢測水稻常見病害?；贔CM-KM和Faster-RCNN融合的水稻病害快速檢測方法，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精度分別為96.71%、97.53%和98.26%，檢測時間分別為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%，檢測速度為15.01 f/s?；诙A檢測器的植物病害目標(biāo)檢測，在檢測準(zhǔn)確度方面獲得了較好的病害檢測效果，但由于檢測速度慢，只能用在實時性要求不高的場景中。

2、基于一階檢測器的植物病害檢測

一階檢測器直接對特征圖上每個位置的對象進(jìn)行類別預(yù)測，不經(jīng)過二階檢測器中的區(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算法。YOLO的設(shè)計不同于Faster-RCNN，它將檢測過程整合為單個網(wǎng)絡(luò)同時實現(xiàn)目標(biāo)區(qū)域預(yù)測和分類的回歸過程。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大大提高了檢測速度。

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的病蟲害檢測方法，在確保系統(tǒng)實時可用性的同時，實現(xiàn)了mAP為86%，交并比為50%。將輕量級的YOLO模型，應(yīng)用于移動農(nóng)業(yè)機器人對植物病害的檢測，主要針對木瓜環(huán)斑病建立了一個大規(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)重程度檢測方面的最高mAP約為98.39%?；诟倪M(jìn)的YOLOv4實現(xiàn)柑橘病蟲害葉片檢測，并根據(jù)檢測目標(biāo)框?qū)崿F(xiàn)柑橘病害葉片的局部分割，結(jié)合DenseNet算法對分割出來的葉片進(jìn)行病害檢測，檢測準(zhǔn)確率達(dá)到95.46%。

針對YOLO的缺陷，2016年提出了SSD。相較于YOLO，改進(jìn)了三個方面：一是提取不同尺度的特征圖，解決了YOLO不能準(zhǔn)確檢測小目標(biāo)的問題;二是設(shè)計了多個不同尺度的先驗框;三是在VGG16網(wǎng)絡(luò)中增加6個卷積層來預(yù)測邊界框偏移量，解決了YOLO定位不準(zhǔn)的問題。一種可部署在移動設(shè)備上的輕量級的MEAN-SSD病害檢測模型。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、疾病檢測等步驟，用于檢測復(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%)。同時傳輸速度也從24 f/s提高到28.4 f/s，達(dá)到了實時檢測25 f/s的標(biāo)準(zhǔn)。對比了幾種著名目標(biāo)檢測框架和不同骨干網(wǎng)絡(luò)組合對香蕉病蟲害檢測的效果，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方法不夠精簡。

二、基于無錨框的植物病害檢測

2019年，一種無錨框的檢測算法——CenterNet，該算法是在CornerNet的基礎(chǔ)上改進(jìn)而來，由原來對兩個關(guān)鍵點(即圖像的左上角和右下角)的檢測改為對圖像中心點的估計。由于該算法去掉了生成錨框這一操作，并且由熱力圖估計損失，省去了一些耗時的操作，所以很大程度上提升了檢測性能。目前，基于CenterNet的病害檢測研究還較少，但CenterNet已被證明可以應(yīng)用于自然條件下的目標(biāo)檢測。

通過CenterNet檢測網(wǎng)絡(luò)與MobileNet v3相結(jié)合，構(gòu)建一個新的網(wǎng)絡(luò)——M-CenterNet，對自然條件下果樹上的蘋果進(jìn)行檢測。并與CenterNet和SSD做對比，發(fā)現(xiàn)所提網(wǎng)絡(luò)不論是檢測精度還是檢測速度上都比CenterNet和SSD要好很多，尤其是檢測速度上，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)對深層次關(guān)鍵點進(jìn)行提取，然后分別對番茄、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)確地識別植物病害。無錨框的檢測算法在性能上優(yōu)于基于錨框的檢測算法，是今后病害區(qū)域檢測方面的主要研究方向。

三、植物病害目標(biāo)檢測分析與展望

近年來植物病害檢測研究進(jìn)展，可以看出，針對大豆、玉米、馬鈴薯、蘋果、葡萄等植物病害目標(biāo)檢測，一階段檢測算法和二階檢測算法都獲得了較好的檢測效果。但目前文獻(xiàn)表明，在病斑邊界框標(biāo)志時較為混亂，一些文獻(xiàn)對一張葉片上大的病斑單獨框出，一些文獻(xiàn)則對小且多的病斑往往采用一個框，對沒有明顯邊界的病害則往往不考慮在病害檢測任務(wù)范疇內(nèi)。同時，對植物生長的復(fù)雜自然場景中進(jìn)行病害目標(biāo)檢測研究較少，這種場景下密集、小目標(biāo)檢測算法有待進(jìn)一步研究，同時還需應(yīng)對復(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、小病斑檢測等難點。

如今已提出的病害檢測算法均對特定的數(shù)據(jù)集有較好的檢測效果，但若數(shù)據(jù)集發(fā)生了改變，則可能會導(dǎo)致檢測效果不佳，所以在未來，提高模型的魯棒性是值得研究的一個方向。另外，早期病害的檢測研究仍處于空白階段，主要因為數(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)確識別病害種類與病斑位置，但早期病害檢測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)重視開展對早期病害檢測的開發(fā)研究，以期達(dá)到及時防治、減少損失的目的。目前對植物的病害檢測還處于有人工干預(yù)的半自動化過程，探索全自動化的病害檢測方法也將是未來主要研究方向之一。

審核編輯 黃宇