周驰燕　朱宇涵　姚照胜　杨俊　刘涛　孙成明

摘要水稻病害是影响水稻产量及品质的重要因素，开展水稻病害识别与检测研究对推动水稻高产、优质、高效发展具有重要意义。本文从图像技术、光谱技术及不同算法等方面总结了水稻常见病害的识别与检测方法，分析了不同方法的基本原理及应用效果，并对存在的问题和研究展望进行了探讨，以期为病害识别研究提供借鉴。

关键词 水稻病害;图像;光谱;识别

中图分类号 S435.111;S126

文献标识码 1

文章编号 1007-5739（2019）07-0111-03

水稻是我国的几大主粮之一，在粮食生产中占有重要地位，保持水稻的长期高产、稳产是保证我国粮食安全的有效措施。为了实现这一目标，水稻育种和栽培专家都在努力探索除了不断培育出新品种外，栽培管理措施也发挥着重要的作用。水稻病害是影响产量的主要因素之一，如何快速、准确地识别与检测水稻病害并进行有效防治，已成为水稻栽培工作者近年来主攻的方向。

水稻生：长过程中常见的病害主要有稻瘟病纹枯病、稻曲病、白叶枯病、恶苗病等，不同病害产生的症状及危害不同，检测与识别的方法也不同1-1。传统的方法是人工识别，主要通过观察病斑的特征，再根据积累的经验进行判别。随着信息技术的不断发展，新方法不断出现，如通过图像技术、光谱技术、遥感技术等进行识别。这些方法均是通过获取病害特征的图像信息或光谱反射值，对病害特征信息进行相关分析，構建相应的模型等，再通过验证，最后实现对病害的识别3。现将其研究方法及过程总结如下。

1基于图像技术的水稻病害识别与检测

数字图像技术是近几年发展起来的一种有效的水稻病害识别与检测技术，其在作物生长发育监测方面有一定的应用。通过对获取的图像进行分析，可以定量识别病害的类型与特征。

1.1病害图像的预处理与分割技术

利用数字图像技术实现水稻病害的识别，其前提是要解决图像的特征值提取。一般来说，田间直接获取的图像会受到多种因素的影响，如光线、背景以及其他干扰物等，这些都称为噪声。有噪声的图像不能直接识别应用，必须要在图像获取后先进行去噪与增强等预处理4。预处理流程主要包括灰度处理、中值滤波、再转换成灰度图像等，然后再进行特征值提取，主要流程包括阈值分割、边缘检测病斑提取等，最后计算相应的特征参数（。前述研究者后来又提出一种新的基于PCA和Whitening融合算法的水稻病害图像预处理方法，该方法获取了大量水稻病害图像的训练样本和测试样本，通过对获取的彩色图像和灰度图像进行PCA降维，再对降维后的样本随机取样，应用Whitening算法获取最后的图像特征。验证结果表明，该融合算法增强了预处理后水稻病害图像的真实性，可有效提高病害识别准确率5。

病害图像预处理完成后，接下来就是图像的分割问题。病斑图像分割是病害识别的关键问题，不同的分割方法会产生不同的效果。张武等采用最大类间方差法、数学形态学方法以及K均值聚类法相结合，较好地从复杂背景中分割出小麦病斑图像，有效去除了光照、泥土和杂草等的影响。苏博妮等研究了YCbCr.Lab、HSV和RGB颜色空间下水稻细菌性条斑病、稻曲病和稻瘟病等3种病害图像的分割方法，结果表明，在RGB颜色空间下R分量高于B分量和G分量的特征，提取了水稻病斑，取得了较好的分割效果。对于分割后的图像质量评价，刘立波等18也提出了一种无参考质量评价方法，该方法在分析影响图像质量的部分因素基础上，提出了综合像素空间颜色分布、边缘分布、色相计数、清晰度、模糊度和对比度几个方面的整体质量评价方法，为水稻病害图像分割质量评价提供了新的参考。

1.2基于图像技术的水稻病害识别与检测方法

水稻病害发生的部位不同，采用的图像识别方法也不同。对于水稻纹枯病及稻瘟病的危害程度，马德贵等9研究利用椭圆模型来拟合单株最大病斑，计算椭圆主轴长与人工检测的实际最大病斑的长度比例，分析两者相关性，结果对2种病害的识别均达到极显著水平。管泽鑫等以水稻纹枯病、稻瘟病和白叶枯病等3种常见病害为例，应用逐步判别方法进行参数删减（病斑形态、颜色、纹理特征等共63个参数），并利用贝叶斯判别法对这3种病害图像进行识别，其中逐步判别方法在不影响最终识别结果的基础上，最多可以使参数减少到原来的35%以上，有效剔除相关性小的冗余参数，最终准确率达到97%以上。刘涛等”利用计算机图像技术对多种水稻病害进行了识别，准确率均达到了90%以上;研究所用水稻病害图像一部分采用数码相机拍摄，另一部分通过病害数据库获取，共计300张图像，包含15种水稻病害，首先利用改进的mean shift图像分割算法提取病叶图像中的病斑并根据相关方程获取病斑特征信息，然后针对相似病斑误报率高的问题提出一种病健交界特征参数，再结合球状性、偏心率、不变矩、二阶矩、对比度等特征参数，实现对病害图像的识别与检测。

在近地图像的获取过程中，除了数码相机外，无人机的应用也越来越广泛。田间图像获取所用的无人机可以是小型固定翼或多旋翼无人机，搭载高分辨率的数码相机。王震等2提出一种利用小型多旋翼无人机采集稻田图像，基于哈尔一莱克特征和阿达布斯特学习算法的稻田病害白穗识别方法，并通过试验研究哈尔一莱克特征描述能力与阿达布斯特学习过程中训练次数对识别算法性能的影响，实现了快速准确识别稻田病害白穗。刘小红3借助4G网络，采用C/S的网络架构，对前端获取的图像，通过裁剪、压缩后，上传至设计好的系统，再利用系统的分析诊断功能，对图像进行识别，可实时、准确地识别出病害种类，并提供准确的诊断信息。

2基于光谱技术的水稻病害检测

地物受到辐射后，会产生相应的反射光谱，水稻也有自身特定的反射光谱。如果水稻在生长过程中受到病害的侵染，就会在表观上产生相应的症状，包括含水量和叶绿素含量减少，使光谱反射曲线随之产生相应的变化。根据上述原理，就可以利用不同的光谱参数对水稻病害进行诊断。

2.1高光谱成像技术

基于高（多）光谱成像技术的水稻病害检测高光谱成像技术是在传统光谱技术基础上发展起来的一项新的检测技术，是成像技术和光谱技术的有机结合。利用高光谱技术检测水稻病害的原理是水稻受病害侵染后，其体内的色素及水分含量会发生变化，光谱反射率也随之发生变化。杨燕4利用高光谱成像技术建立了基于光谱特征的稻瘟病病害识别模型和高光谱图像统计信息的水稻稻瘟病分类判别模型，并通过分析水稻冠层光谱信息与抗氧化酶活性关系，实现了稻瘟病可见症状发生之前的预测预报。郑志雄等19利用高光谱成像技术，分析了不同程序病害图像，在2个特征波段上通过PCA和Otsu方法，对水稻叶瘟病病害程度进行分级，准确率可以达到96%以上，为稻瘟病的田间评估提供了技术支撑。Qin等呵研究了宽带高空间分辨率ADAR（机载数据采集与配准）遥感数据在水稻纹枯病检测中的适用性，构建了一个综合的现场疾病指数（DI）来衡量病害感染严重程度，结果表明，多光谱遥感图像具有较强的检测能力。

2.2近红外技术

基于近红外光谱技术的水稻病害检测近红外技术在作物生长及病害检测上的应用还不太多，但近几年已有一些应用。王晓丽针对近红外光谱的数据量大、波段众多等问题，提出了水稻病害叶片光谱数据采集的相关流程，对进人预处理阶段的光谱进行了筛选，最后采用PCA方法筛选了5个特征波段用于诊断建模，并运用BP神经网络方法和逐步回归法对其中的2种主要病害进行识别，结果准确率较高，可以对水稻主要病害进行检测和诊断。同时，采用红边面积参数和660～990nm范围反射率建立水稻纹枯病监测模型。采用逐步回归法和BP神经网络法建立2种疾病的识别模型，与逐步回归分析比较，评价BP神经网络为在660.990、1933nm的特性波段，性能更好，为水稻病害的间接快速检测提供了理论依据8。

3基于多种算法的水稻病害识别

3.1基于机器学习的水稻病害识别

机器学习是人工智能领域比较核心的技术之一。利用机器学习可以进行图像分割、图像识别以及目标特征检测与提取等，目前在作物病害检测上也有一定的应用，但在水稻上的应用还较少。黄双萍等19利用机器学习中的卷积神经网络GoogLeNet模型对水稻穗瘟病进行了检测，利用多尺度卷积核提取不同尺度穗瘟病斑分布式特征，学习复杂噪声高光谱图像的隐高维特征表达并进行级联融合，通过对Softmax分类器统一学习与训练，实现穗瘟病害预测建模。刘成2利用改进的卷积神经网络，结合SVM和HOG算法，通过机器学习对稻曲病进行了分类识别，并在此基础上开展更深的网络训练，得到6种水稻病害的识别方法，经过验证效果较好。

3.2基于其他算法的水稻病害识别

在其他的算法应用中，贝叶斯理论也是其中的一种。杨昕薇等叫利用贝叶斯分类器，将水稻常见病害组合成4个不同的参数集，并进行筛选和多余参数剔除，最后构建识别模型。李键红等针对不同种类水稻病害特征有相似的问题，提出了多任务联合稀疏表示的水稻叶片病害自动识别算法，该算法将单一病害特征的识别过程看作“任务”并按照稀疏表示进行数据集的训练，从而实现单一任务的相互联合，最终提高识别的效率。Xiao等2把主成分分析和神经网络相结合，通过降维处理，把21个参数变为6个参数，最后构建6-11-4，3层BP神经网络识别模型，识别准确率达95%以上，能够快速有效地识别稻瘟病。Kim等129利用韩国水稻生产代表性地区稻瘟病发生的历史资料和历史气候资料，对韩国3个不同地区Cheolwon、Icheon、Milyang建立了区域特有的稻瘟病模型，然后使用长期记忆网络（LSTMs）提前1年预测稻瘟病的发病率;与传统的稻瘟病预测模型相比，该模型对水稻育种工作者和稻瘟病研究人员更有帮助。4存在的问题

4.1研究的病害部位单一

目前，开展的病害识别研究仍以叶部病害为主，其他如茎鞘等部位的病害还缺少相应的快速检测技术。这主要是因为这些部位的病害特征获取困难，不论是数字图像还是光谱技术，均无法穿透到植株群体的内部。

4.2识别技术单一

虽然信息技术手段已在水稻常见病害识别中发挥了重要作用，但总体上使用的技术还比较单一，多数使用图像技术光谱技术等。

4.3识别精度不高

由于多数学者使用的技术单一，加之病害特征复杂等因素影响，现有研究中对某个病害的识别精度较高，但对常见病害的总体识别精度却不高。

5研究展望

5.1加强信息获取设备的研发

针对目前水稻病害研究部位单一的问题，应大力研发适合在基部或群体内部获取信息的设备，比如手持式可伸缩图像获取设备、地面行走图像获取设备等。

5.2加强多技术的融合

为了提升识别精度，必须加强多个技术的融合，比如图像与光谱技术的融合、常规算法与机器学习的融合等。

5.3加强学科的交叉

水稻病害的识别与检测涉及多个学科，如农学、植保、土肥、信息、环境等学科，如果只考虑农学与信息2个学科，可能会因问题搞不清楚而影响最终的精度;因此，必须加强学科的交，叉融合，才能弄清需要解决的问题，从而推进水稻病害识别与检测研究的快速发展。

6参考文献

[1]许秀，吴逸群.水稻主要病害及其防治技术[J].四川农业科技，2017（3）：27-29.

[2]赵洪贵.水稻主要病害及其防治技术[I].农业工程技术，2018（6）：24-26.

[3]管泽新.基于图像的水稻病害识别方法的研究[D].杭州：浙江理工大学，2010.

[4]路阳，关海鸥，赵斌，等.水稻病害图像预处理及其特征提取方法研究[J].农机化研究，2011（8）：27-30.

[5]路陽，衣淑娟，张勇，等.基于PCA和Whitening算法的水稻病害图像预处理研究[J].黑龙江八一农垦大学学报，2017，29（2）：97-101.

[6]張武，黄帅，汪京京，等.复杂背景下小麦叶部病害图像分割方法研究[J].计算机工程与科学，2015，37（7）：1349-1354.

[7]苏博妮，化希耀，范振岐.基于颜色特征的水稻病害图像分割方法研究[J].计算机与数字工程，2018，46（8）：1638-1642.

[8]刘立波，王剑，周国民水稻病害图像无参考质量评价方法研究[J].农机化研究，2011（3）：50-54.

[9]马德贵，邵陆寿，葛婧，等.水稻稻瘟病及水稻纹枯病病害程度图像检测[J].中国农学通报，2008，24（9）：485-489.

[10]管泽鑫，唐健，杨保军，等.基于图像的水稻病害识别方法研究[J].中国水稻科学，2010，24（5）：497-502.

[11]刘涛，仲晓春，孙成明，等.基于计算机视觉的水稻叶部病害识别研究[J].中国农业科学，2014，47（4）：664-674.

[12]王震，褚桂坤，张宏建，等.基于无人机可见光图像Haar一like特征的水稻病害白穗识别[J].农业工程学报，2018，34（20）：73-82.

[13]刘小红.自适应图像压缩的水稻病害诊断平台[J].计算机技术与发展，2018，28（10）：173-177.

[14]杨燕.基于高光谱成像技术的水稻稻瘟病诊断关键技术研究[D].杭州：浙江大学，2012.

[15]郑志雄，齐龙，马旭，等.基于高光谱成像技术的水稻叶瘟病病害程度分级方法[J].农业工程学报，2013，29（19）：138-144.

[16]QINZH，ZHANG M H.Detection of rice sheath blight for in-season disease management using multispectral remote sensing[J].International Joural of Applied Earth Observation and Geoinformation，2005，7：115-128.

[17]王晓丽.基于近红外光谱技术的水稻叶部病害诊断模型构建[D].北京：中国农业科学院，2011.

[18]WANGXL，ZHANGXL，ZHOU G M.Automatic detection of rice disease using near infrared spectra technologies[J].J Indian Soc Remote Sens，2017，45（5）：785-794.

[19]黄双萍，孙超，齐龙，等.基于卷积神经网络的水稻穗瘟病检测方法[J].农业工程学报，2017，33（20）：169-176.

[20]刘成.基于机器学习的水稻病害识别算法的研究[D].合肥：安徽大学，2018.

[21]杨昕薇，谭峰.基于贝叶斯分类器的水稻病害识别处理的研究[I].黑龙江八一农垦大学学报，2012，24（3）：64-67.

[22]李键红，吴亚榕.基于多任务联合稀疏表示的水稻叶片病害自动识别算法[J].仲恺农业工程学院学报，2017，30（2）：40-44.

[23]XIAO M H，MA Y，FENG Z X，et al. Rice blast recognition based on.

principal component analysis and neural network[J].Computers and Electronics in Agriculture，2018，154：482-490.

[24]KIM Y，ROH J，KIM H Y.Early forecasting of rice blast disease using long short-term memory recurrent neural networks[J].Sustainability，2017，10（1）：34.