刁 鹏 ，高立兵

（甘肃有色冶金职业技术学院，甘肃 金昌 737100）

0 引言

病虫害是导致作物产量下降的主要因素，如果对病虫害防治不及时，作物每年的减产量可达15%～20%。调查表明，夏伏时节随着气温的回升和田间湿度的增大，虫口密度逐日攀升，至夏末秋初达到高峰，各类虫害呈中度或重度发生[1]，防治非常困难。传统的作物病虫害监测方法既费时费力[2]，监测效率又不高。无人机遥感技术是指将各类传感器搭载在无人机上，利用无人机可低空飞行的优势，借助传感器获取地面上的高清影像图，通过计算机处理影像图，从而获取各类作物生长的特征信息。它可以大面积、快速无破坏、无污染地对作物进行监测，能节省人力、物力，提高监测效率，保护环境，从真正意义上实现经济效益、社会效益、生态效益相统一[3]。

近年来，随着无人机及传感器等硬件的飞速发展和计算机技术、机器视觉技术的不断成熟，无人机遥感已成功应用于作物长势监测、作物识别、病虫害监测、面积测算和产量估算等方面，尤其在作物病虫害监测方面成绩斐然[4]。本文主要围绕无人机遥感在作物病虫害监测方面的研究，从影像采集和数据处理这两个方面介绍无人机遥感在作物病虫害监测上的技术方法；然后介绍可见光、热红外、多光谱、高光谱、激光雷达这5种常见的传感器在作物病虫害监测上的应用方法；最后探讨了无人机遥感技术目前存在的问题和发展建议。

1 无人机遥感监测作物虫害的方法

1.1 概述

当作物发生病虫害时，其颜色、纹理、形状等会发生变化，与健康情况下相比其反射率会表现出明显的差异。通过测定不同波段上的反射率并加以对比分析，可以实现对病虫害的类型及受害程度的监测。

无人机遥感监测作物的病虫害是指将各类传感器搭载在无人机上，通过远程遥控无人机来航拍作物的影像图，然后利用图像处理软件对影像图进行处理，提取作物的特征信息，从而达到识别作物病虫害的目的，其系统组成如图1所示。

图1 无人机遥感系统

其监测的方法可以概括成两种情况：1）单一监测方法，指不借助其他方式只通过无人机遥感及相关的图像处理软件来实现作物的病虫害识别；2）综合监测法，通过无人机遥感和人工解译等手段的结合来实现病虫害的监测。根据实际需要选择单一或综合手段来进行病虫害的监测，实现作物监测的智能化，为作物的病虫害防治提供参考。

无人机遥感监测的过程中主要涉及的仪器设备及软件如下：无人机、传感器、ENVI、Pix4Dmapper、数据算法模型等。

1.2 数据采集方式

1.2.1 无人机平台

无人机是指可以通过人工地面遥控来实现空中作业的飞行器。按照其飞行平台的构造可分为固定翼、混合翼、单旋翼、多旋翼，如图2所示。无人机遥感作业质量的好坏主要取决以下因素：荷载、飞行高度、续航时间、航摄分辨率、定位及监测精度等。几种不同型号的无人机参数对照表如表1所示。无人机遥感是否稳定是影像数据质量好坏的关键影响因素，所以要根据作业区的要求来慎重选择无人机。目前，作物的病虫害监测飞行平台一般选择多旋翼无人机，其稳定性强，可以定点悬停，可控性能好，被广泛应用于农业的各个领域。

图2 几种常见的飞行平台

表1 不同无人机性能指标

1.2.2 机载传感器

目前常见的机载传感器主要有可见光波段数码相机、近红外波段多光谱相机、热红外波段相机、激光雷达等，如图3所示。几种常见的传感器及其性能指标如表2所示。在进行作物病虫害的监测时可以根据实际需要选择适合的传感器。

表2 常用机载传感器参数

图3 无人机遥感搭载的几种常见传感器

1.2.3 图像采集流程

由地面控制无人机飞行至工作区进行作业，过程中要保证无人机飞行稳定，以保证获取的数据的质量，从而获得较好的遥感影像图。无人机获取的图像的质量与数量是影响监测信息精确性的关键因素。无人机航摄工作流程如下。

1）飞行前期准备。主要包括试验区的病情分析、空域申请、飞行设备采购、飞机质量检查、飞行航线优化、飞机的航向重叠率优化、设备检查、天气情况查询等。

2）航线规划。航线规划要综合考虑各种要素，包括试验区的地形、飞机的续航与荷载、作物病虫害等。规划内容主要包括网络链接方式、飞行高度、拍摄模式、起降点、航向与旁向重叠等。

3）低空飞行作业。作业人员要通过地面控制系统实时掌握飞机的飞行情况，如飞行速度、飞机位置、任务完成情况、电量等，若遇到紧急情况可手动控制飞行。

4）飞行作业结束。飞行结束后首先要检查图像的质量，关闭设备电源，放置好飞行设备。

1.3 监测数据处理方法

实现作物病虫害监测的关键在于影像信息的提取，内容包括作物的颜色、纹理、形状、反射率等，信息是否精准将直接影响到最终的判别结果。目前的研究多是围绕这些光谱信息来进行的，现阶段数据的主要处理方式有统计分析与机器学习两种。

目前，主要的数据处理技术有图像预处理，图像分割、拼接、清洗、特征提取、几何校正、设计模型等。数据处理软件有无人机平台配备的专门处理软件和摄影测量软件，如Pix4Dmapper、ENVI、Inpho、Metashape等。

1.3.1 统计分析法

目前，常用于病虫害的统计分析法有对比分析法、综合评价法、回归分析、相关分析、方差分析和聚类分析等。在进行光谱特征分析时，常使用上述方法来研究病虫害的光谱曲线变化。作物叶片或冠层光谱特征提取的方法有光谱波段、反射率及植被指数等。

由于病虫害种类繁多且影响程度不同，所以基于光谱波段的特征识别更精准。光谱波段通过提取与计算后可以生成归一化植被指数（NDVI）和增强植被指数（EVI）等。植被指数（VI）可以将作物生长情况进行量化，根据量化值的大小进行判别。利用VI值可以构建病情严重度反演和病害光谱诊断模型，模型的构建需要借助大量的实测数据，所以数据的好坏是影响识别结果精准度的关键因素。模型通常会受到地域的限制，有的地方该模型精度高，有的地方该模型得出的结果会存在很大的误差。

1.3.2 机器学习法

目前，机器学习法是研究作物病虫害胁迫的常用方法。机器学习法是通过对无人机遥感的数据解译，实现对作物的健康状况进行判断。其中包括的算法有面向对象分类、支持向量机、随机森林、连续小波分析、光谱调谐匹配滤波、主成分分析等。学习形式可以分为监督学习、非监督学习、半监督学习、深度学习等。

机器学习法的关键在于特征提取。作物在受到病虫侵染后，色素系统常常被破坏，产生病斑、伤斑，导致可见光波长范围的反射率改变。当侵染加重后，会进一步引起植株的整体性损伤，如细胞破裂、植株萎蔫等[5]。因此，除了光谱特征外，还需要对作物颜色、形状、纹理等进行提取。此外，为了保证判断精准，有时还需要对作物的叶绿素含量、含水量等进行实地采样。当作物发生病虫害时，外界环境如温度、湿度、含水量、地理位置等也会对病虫害的监测产生影响，也需要进行长期的研究。

近年来，随着算法的不断成熟，深度学习法也取得了不错的进展，在处理遥感数据方面也得到了使用且数据处理效果良好。传统的机器学习自动化程度低，需要借助人工提取信息，速度慢，而深度学习可以克服这些缺陷，可以将任务与特征进行融合建模，自动化程度高，提取信息精准、高效。但是，深度学习也有缺陷，不仅需要大量的实验数据，同时对计算机的性能要求也高，此外还对模型有更高的要求。尽管如此，但深度学习有更好的分类精度、更高的效率，所以未来还需要不断对其进行研究。

2 无人机遥感监测作物病虫害胁迫最新研究进展

本文主要总结了2019—2022年无人机在作物病虫害方面的研究数据，从可见光、热红外、多光谱、高光谱、激光雷达等方面进行论述。

2.1 可见光成像遥感

在无人机上搭载可见光相机进行拍摄，可以获取红、蓝、绿这3个波段上的影像。目前，在作物虫害监测方面可见光成像遥感的应用比较广泛。通过提取几个波段上的信息构建植被指数模型与分类模型，从而实现作物的病虫害监测。李浩等[6]基于可见光影像提出通过超绿特征因子与最大类间方差法相结合的图像分割算法以及遥感全景图的病害程度分析方法，对病害松木的病害程度进行具体分析，识别精度达到90.4%。Nazir等[7]利用从可见光提取的信息构建了大气阻力指数（Visual Atmospheric Resistance Index, VARI），利用VARI-green模型对作物病虫害受损程度进行了分类，成功地监测了桉树健康状况。该研究展示了无人机结合可见光相机实现大面积监测林场的可能性。Dutta等[8]基于可见光遥感信息构建了VI与Otsu模型，实现了十字花科作物的病虫害监测，成功地识别了健康叶片与患病叶片，精确度可达90%以上。

上述案例说明，可见光遥感能够满足作物病虫害监测的需要，且有不错的精度。研究基于可见光遥感的作物病虫害监测方法有更大的需求，可以进行大面积推广，促进智慧农业的发展。

2.2 多光谱成像遥感

多光谱成像遥感是指无人机搭载两个及以上光谱通道的传感器进行成像，将作物分为几个窄波段分割来测定反射率，从而进行作物病虫害的识别，根据需要一般选择2～5个波段进行研究。

国内外在研究方法大多是通过多个波段上的作物特征提取，再结合与病虫害相关的植被指数（VI），如利用遥感数据提取归一化差值植被指数（NDVI）、重归一化差值植被指数（RDVI）、增强植被指数（EVI）等，同时结合人工取样方式。通过上述指数的构建，利用指数实现对多种作物（小麦、玉米、白菜、甘蓝、辣椒、油菜）病虫害的识别与分析。竞霞等[9]基于野外定位调查数据及高空间分辨率遥感影像，利用变量投影重要性（VIP）准则筛选最优变量，用偏最小二乘回归（PLS）方法建立棉花黄萎病病情严重度的定量估测模型，能够有效估测棉花黄萎病病情严重度。地力夏提·依马木等[10]借助多光谱遥感影像和Logistic算法，实现对棉田虫害的田间监测，准确率达到90.5%。马云强等[11]基于多光谱遥感对云南切梢小蠹的危害情况进行监测，结果表明，NDVI与云南切梢小蠹危害的枯梢率呈负相关。

上述研究表明，通过多光谱遥感结合统计分析法和机器学习法可以实现作物的病虫害识别与作物的分类。相比于可见光，监测结果更精准。

2.3 高光谱成像遥感

目前，基于高光谱成像遥感的病虫害监测主要应用于小麦、水稻等作物。高光谱成像遥感分辨率更高，数据量更大，相邻波段有很强的相关性，同时有光谱域与空间域信息。马书英等[12]基于高光谱遥感实现了板栗树红蜘蛛病虫害危害程度的分析。郭伟等[13]利用棉花的冠层高光谱影像结合敏感波段，实现了棉花蚜害的监测。上述案例均是高光谱在作物病虫害监测方面的应用。其中的分析方法有用到VI，基于高光谱VI，已经实现了偏最小二乘回归法的小麦全蚀病识别、线性回归法的玉米大斑病监测、秩和检验的水稻稻曲病分析。

高光谱成像遥感具有光谱连续、波段更多、数据量更大等特点，因此与多光谱遥感相比，其结果的精度更高。但是在高光谱影像的信息发掘方面仍然存在一定的困难，这也是今后发展的方向。

2.4 热红外成像遥感

热红外遥感主要是根据温度的变化对作物的病虫害进行分析，所以，这种手段很容易受到外界环境的干扰，如温度、湿度、风力、雨、云等。目前，基于热红外的病虫害监测技术还不成熟，需要继续深入研究。

Francesconi等[14]利用热红外、RGB影像结合温度、光合作用效率、病原分子建构的模型，实现了对小麦赤霉病的监测，说明了热红外监测存在一定的可行性。陈欣欣等[15]利用无人机搭载热红外传感器实现了油菜菌核病感染过程的监测。

热红外监测速度快，也有其自身的优势。但是这个方式更容易受到外界环境的干扰，未来需要开发更好的、抗干扰更强的方法。值得关注的是，热红外融合其他遥感成像方法可以更好地提升监测效率。

2.5 激光雷达成像遥感

激光雷达成像遥感利用激光反射强度来实现作物的病虫害监测。一般通过测定作物冠层反射率来进行监测。不仅如此，激光雷达还可以追踪昆虫的运动轨迹。目前，搭载在无人机上的激光雷达一台的造价高达5～15万元，所以小范围的病虫害监测普及困难。

基于激光雷达的算法模型还不够成熟，需要改进。目前的研究多集中在大面积的林业领域，例如对松树红斑病的监测，并且多数是结合其他的成像方式开展的。Briechle等[16]利用激光雷达与多光谱数据结合的方式，构建了3D深度神经网络，对多种树木进行了分类识别。Yu等[17]利用高光谱成像与激光雷达监测了松梢甲虫对松林枝条的损害，并评估出了损失量。研究证明，高光谱数据和激光雷达的结合在识别单一松林枝条损害方面准确度更高。

3 问题与展望

目前，基于无人机遥感监测作物病虫害的研究仍处在初级阶段，在无人机技术、传感器技术、算法模型等方面还存在着很大的进步空间。

3.1 无人机性能需要优化

目前技术条件下生产的无人机还存在许多缺陷，如飞行不稳定、续航能力不足、飞机载重小、容易受环境因素影响等。未来需要开发出具有强稳定性、长续航、大荷载和强抗干扰能力的无人机。在传感器方面，目前的传感器搭载在无人机上进行影像获取时得到的影像图受到外界因素的影响大，从而导致信息不太精准，所以根据影像图进行作物病虫害的判别时会存在误差。由于飞机荷载不足，可以搭载的传感器的数量也存在限制。因此，未来开发出能高质量完成作物病虫害监测任务的无人机平台是关键。此外，在无人机飞行时其安全性也需要加强，需要加强作业人员安全意识方面的教育，消除存在的安全隐患。

3.2 监测数据采集存在困难

在使用无人机进行病虫害的监测时，容易受到天气环境的影响，作业时对光照条件要求较高。无人机作业时很多情况下需要人工控制，自动化程度有待提高，这限制了其应用的普及。目前，监测任务针对单一病虫害时完成情况较好，但在对多种病虫害进行监测时数据采集困难。此外，进行作物病虫害的监测作业时，需要作业人员携带校正板自行校正数据。因此，如何获取多值域空间内的光谱数据是新的研究方向。值得注意的是，目前已经出现了大量的数据采集方法及数据处理平台，可以为作物的病虫害监测提供数据支持。

3.3 遥感监测数据的处理需要优化

目前的无人机平台还无法进行实时数据解析，需要作业人员在电脑上导出数据进行处理，所以信息的获取有滞后性。多数数据处理软件应用范围窄，需要大量的人员进行更多软件的开发。无人机遥感结合物联网技术实现“空天地”一体化监测及数据处理，有较大的发展空间。因此，未来需要加强数据处理软件方面的研究，提高软件处理的速度和准确性；从单一数据转向多源数据，完成作物病虫害的监测任务；利用处理速度更快的5G网络进行数据传输与处理，能更快、更精确地实现病虫害监测。

3.4 算法模型需要优化

目前，监测结果容易受到作物生长环境、气候变化、监测时间、作物生长期等因素影响，在地域和时间上受到限制，所以普遍性、准确性较差。例如，多次监测同一区域时，识别率存在差异。因此，未来需要对病虫害进行不间断的监测，总结各个时间段监测结果的平均数，统一监测结果。并开发更好的算法，构建更优的模型，从而创新作物病虫害的监测方法，推动遥感在作物病虫害监测方面的发展与应用。