图像识别技术在植物病害和病原的定性识别和定量评估中的应用

Posted 2021-04-07 放眼看植病

随着计算机技术、信息和通信技术以及人工智能技术等的迅速发展，图像识别技术在人脸识别、文本识别、交通标志识别、医学影像识别等多个领域得到了应用，并促进了相关学科和产业的高速发展，甚至对人类生活带来了质的改变。图像识别技术逐渐被应用于植物病害识别和评估研究中，并已有相关的产品应用于实际农业生产中，在植物病害系统监测中发挥了一定作用。

一般地，图像识别包括图像获取、图像预处理、图像分割、图像特征提取和模式识别等步骤（图1），其中的每一步都可以通过不同方法完成。随着深度学习（deep learning）的发展，可不需要单独进行图像特征提取，深度学习可自动学习特征用于识别图像。最近这几年，基于深度学习的图像识别技术发现较快。

图1. 图像识别一般步骤

十多年来，我们以葡萄病害、小麦病害、苹果病害、苜蓿病害以及小麦条锈病菌（Puccinia striiformis f. sp. tritici）和小麦白粉病菌（Blumeria graminis f. sp. tritici）等为对象，利用图像识别技术开展了相关病害和病原的定性识别和定量评估研究。

在研究中，利用图像压缩、图像裁剪、中值滤波等方法对图像进行预处理，利用K均值、K中值、模糊C均值等聚类算法和圆拟合方法实现图像分割，提取形状特征、颜色特征和纹理特征用于图像识别，通过特征组合以及ReliefF、1R、CFS等方法进行特征选择，利用支持向量机（support vector machine，SVM）、人工神经网络（artificial neural networks）、Logistic回归模型、随机森林等作为模式识别方法，并将形态学操作修饰、分水岭分割等应用于病原图像处理，实现了相关病害的识别、葡萄霜霉病的严重度定量评估、小麦条锈病菌的自动计数，建立了相关的计算机识别系统和评估系统。另外，我们尝试利用基于卷积神经网络（convolutional neural networks）的深度学习技术结合SVM进行了苜蓿病害的识别研究。相关研究为植物病害和病原的识别、诊断和监测提供了一定基础。

随着图像处理基础理论、图像处理相关算法和模式识别方法的发展，植物病害和病原的图像识别技术将在计算机、智能手机、无人机等不同平台和终端上得到更广泛的应用，提高病害系统监测水平和植保信息化水平，促进智慧植保的发展，为病害预测和病害防控服务，将有力推动农业的现代化和智能化水平的提高。

---

注：本文原文发表于“中国植物病理学会第十四届青年学术研讨会论文选编”——《植物病理学研究进展》（中国农业大学出版社，2019年），此次有部分修改。

---

历史文章阅读：