农作物病害检测对农业生产力和全球粮食安全具有重要影响。传统的病害检测方法往往依赖于劳动强度大的实地调查和人工巡检，费时费力且容易产生人为误差。近年来，结合机器学习( ML )算法的成像技术的出现为这一问题提供了很好的解决方案，实现了作物病害的快速准确识别。先前的研究已经证明了基于图像的技术在检测各种作物病害方面的潜力，展示了它们捕获病原体感染或生理胁迫的细微视觉线索的能力。然而，该领域正在迅速发展，随着传感器技术、数据分析和人工智能( AI )算法的进步，这些系统的能力不断扩大。本综述论文整合了现有的基于图像的ML作物病害检测文献，对前沿技术和方法进行了全面的概述。综合不同研究的结果，可以深入了解不同成像平台的有效性、上下文数据集成以及ML算法在不同作物类型和环境条件下的适用性。本综述的重要性在于它能够弥合研究与实践之间的鸿沟，为研究人员和农业从业者提供有价值的指导。

 

1、作物病害检测中的成像平台和传感器

在农业领域，利用成像技术进行植物表型分析和病害检测正变得越来越重要。这些技术可以在多个层面上部署，包括地面、空中和空间，使用各种传感器捕捉不同光谱范围的图像。常见的传感器包括红绿蓝（RGB）光学相机、红外热像仪、多光谱和高光谱相机等。每种传感器都有其特定的应用范围和优势，例如RGB相机适用于记录可见光范围内的变化，而红外热像仪则能捕捉温度变化，有助于识别与病害相关的植物胁迫。

 

选择适当的传感器和数据收集方法时，需要考虑多个因素，如科学问题的性质、目标植物和病原体种类、环境条件以及可用资源。不同的研究已经展示了如何利用这些技术来提高杀菌剂的应用效率、早期检测细菌感染、监测作物健康状况以及检测特定病毒的迹象。此外，机器学习模型在处理这些数据时显示出了高精度的潜力。

 

无人机技术因其能够覆盖较大面积并提供实时数据而受到关注。它们可以搭载多种传感器，用于早期识别病害、防止感染扩散并减轻作物损失。然而，无人机的使用也面临一些挑战，如有限的飞行时间和不利的天气条件可能影响图像质量。相比之下，卫星观测可以提供更广泛的覆盖范围，但其空间分辨率较低，限制了其在精细尺度上的应用。

 

总的来说，成像技术的发展为精准农业提供了强大的工具，通过及时应对植物病害来提高农作物的产量和质量。未来的研究需要继续探索如何优化这些技术的集成和应用，以克服现有的限制并进一步提高其效率和准确性。

 

2、介绍用于作物病害检测的上下文数据集

天气、土壤特性和农艺实践等补充数据类型能显著提高作物病害检测的准确性。环境条件与病原体感染风险紧密相关，气候变化对植物病原体流行病学有重大影响。多模态机器学习（ML）通过整合不同数据模态来训练模型，提高预测性能。例如，利用关键天气变量开发的模型中，支持向量机（SVM）方法表现出色，提高了相关系数并降低了平均绝对误差百分比。土壤特性如pH值、营养水平和有机质含量也会影响作物健康，基于土壤传感器和卫星信息的多层感知器模型能有效预测植物真菌病害。此外，优化灌溉、施肥和施用农药等农艺措施对作物健康至关重要，遥感技术为水资源管理提供了空间和时间变化的洞察力。将人工智能与图像视觉技术相结合，可以实现更准确、更有针对性的病害检测和预测，从而释放精准农业的潜力。

 

3、气候变化下基于图像的作物病害检测

气候变化显著影响作物健康和病害模式，增加检测复杂性。它改变温度、降雨等因素，使历史数据模型难以准确预测未来疾病易感性。气候变化还增加天气模式可变性，导致不可预测的疾病暴发。此外，气候变化改变作物物候，影响疾病易感性和爆发时间。因此，在预测病害模式时，模型需考虑物候变化以准确捕获动态。气候变化对作物管理实践的影响需要在灌溉、施肥和农药使用等方面进行调整。开发融合各种数据源的复杂疾病检测模型非常重要，可以使用机器学习和图像分析技术来开发考虑气候变化情景复杂性的模型。然而，还需要继续研究和开发，以确保这些模型在未来气候条件下是有效的。

 

4、机器学习和深度学习方法

机器学习（ML）是人工智能（AI）的一个分支，通过数据训练算法进行预测。深度学习作为其子类别，利用多层神经网络学习特征和模式，采用有监督和无监督学习技术。迁移学习在深度学习中常用，通过预训练模型减少对大量数据和计算资源的需求。反向传播是另一种训练方法，通过迭代更新最小化预测误差。常见的机器学习方法包括随机森林（RF）、XGBoost、KNN和支持向量机（SVM）。RF处理大数据集能力强，而XGBoost提供更好的预测性能但需更多调整。SVM寻找最佳超平面分类数据点，KNN基于实例相似性分类。深度神经网络中的卷积神经网络（CNN）受人类视觉启发，自动提取图像特征，如VGGNet、ResNet、AlexNet、DenseNet和MobileNet等架构各有特点。VGGNet结构简单但计算需求高，ResNet性能精度高但内存需求大，AlexNet适合大规模任务但较浅层限制性能，MobileNet高效但精度较低，DenseNet增强特征重用但计算需求大。YOLO是一种快速目标检测系统。单一算法难以在所有问题中表现优异。深度学习在某些情况下优于ML，但ML方法也能达到高准确率。

 

5、多作物病害检测：多样化的 ML/AI 方法

表1 使用人工智能/机器学习从图像中识别疾病的研究。

 

表 1 （续）。

 

表 1 （续）。

 

表 2 基于表1的超参数调优和报告准确性。

 

表 2 （续）。

 

表 2 （续）。

 

5.1 谷物

小麦和水稻作为全球粮食安全的关键作物，面临着持续的病害威胁。Goyal等（2021）提出了一种基于深度学习的小麦病害自动分类方法，实现了97.88%的准确率。Picon等（2019）开发了一种自适应的深度残差神经网络算法，用于检测黑斑病、褐斑病和锈病。Rahman等人（2020）发展了一种适用于移动设备的两阶段CNN架构，显著减少了模型尺寸。Lu等人（2017）使用500张图像数据集训练了CNNs，识别10种常见水稻病害。Chen等人（2020）开发了Mobile-DANet网络架构，用于识别玉米作物病害。Haque等（2022）利用Inception-v3网络框架训练模型，取得了95.99%的总体分类准确率。

 

5.2 豆类

豆类作物易受锈病和角斑病影响。Elfatimi等（2023）利用MobileNet结构研究了这些病害，三个数据集上的准确率均超过92%。Yu等（2022）基于RANet模型开发了一种快速识别大豆叶部病害的方法，平均识别准确率达98.49%，F1分数为98.52%。Wu等（2023）采用增强型深度学习网络模型，通过数据增强技术提高大豆叶片病害的平均识别准确率至85.42%。

 

5.3 油料

Shahoveisi等（2023）评估了四种卷积神经网络模型在向日葵、旱豆和豌豆上的锈病检测效果，EfficientNetB4模型准确率最高。Ghosh等人（2023）使用混合深度学习方法研究了向日葵病害识别，VGG19 + CNN混合模型表现优越。Cao等（2018）利用无人机低空遥感监测模拟平台检测油菜菌核病，SVM模型分类精度达到90.0%。

 

5.4 水果

Sapna等（2023）利用CapsNet对苹果叶部病害进行图像分类，取得91.37%的识别准确率。Vidhya和Priya（2022）使用深度学习方法检测香蕉叶斑病，AlexNet模型准确率达96.73%。Sangeetha等（2023）研究香蕉巴拿马萎蔫病，算法准确率为91.56%。Xie等人（2020）开发基于深度CNNs的葡萄叶部病害实时检测仪，平均精度为81.1%，速度达到15 FPS。Dou等人（2023）利用CBAM-MobileNetV2模型识别柑橘黄龙病，准确率达98.75%。Shastri等人（2023）开发E-CNN模型，用于柑橘病害检测，识别准确率为98%。

 

5.5 蔬菜

深度学习方法在图像识别中被认为是最先进的。Mahum等人（2023）提出了一种改进的深度学习算法，用于检测和分类马铃薯叶部病害，准确率达到97.2%。Omer等人（2023）开发了基于YOLOv5l模型的黄瓜叶部病虫害检测模型，mAP为80.10%，精确率和召回率分别为73.8%和73.9%。Wang等人（2022）探索了使用Swin Transformer进行植物叶部病害的数据增强和识别，识别准确率最高可达98.97%。

 

5.6 其他作物

Daphal和Koli（2023）使用深度学习技术进行甘蔗病害分类，MobileNet-V2表现最佳，准确率达84%。Narmilan等（2022）利用小型无人机搭载高分辨率多光谱传感器检测甘蔗白叶病，准确率达94%。Noon等（2022）提出改进YOLOX模型，用于棉花植株图像数据集测试，平均精度为73.13%。Wang等（2020）研究无人机在棉花根腐病害田应用，自动化方法总体准确率高达88.5%。

 

6、监测，发现新的作物病害和病原菌

环境条件和气候变化影响病害症状、发病率和严重程度，因此需定制疾病检测模型。开发这些模型时，必须应对新病原体和不断变化的疾病模式带来的挑战。多项研究通过训练大型数据集来提高模型灵活性，使其能识别可能表明新病原体存在的异常情况。无监督深度学习模型如聚类和异常检测被用于识别与已知疾病模式不符的数据模式，从而确定潜在爆发地区并及时干预。检测系统的准确性依赖于数据质量和算法能力，对于新型病原体，这可能具有挑战性，因为缺乏足够的训练数据。将最新数据纳入模型至关重要，以便不断微调以适应现实世界的变化。定期监测疾病爆发和病原体分布，并纳入天气和土壤条件等其他数据，可以更新深度学习模型以应对变化。尽管大多数基于图像的ML模型目前未考虑气候条件或疾病模式，但未来这些因素在疾病预测中将变得更加重要。

 

7、作物病害自主管理

一旦检测到病害，自主作物病害管理系统通过自动施用农药或其他处理来管理病害。这些动作由机器人系统执行，响应传感器和成像技术数据。该系统减少农药使用，降低环境影响和径流风险，同时减少产量损失和经济影响。然而，自主系统面临成本高、技术复杂性等挑战，集成到现有农业系统中困难且成本高昂。此外，人们担忧其道德影响，特别是在无人类监督下决策。持续研发需克服技术和伦理挑战，确保负责任地使用这些技术，以提高粮食系统的可持续性和效率。

 

8、作物病害检测的协同制图

作物病害检测协同制图涉及特定区域内病害信息的共享，提高检测准确性和及时性，有助于制定疾病管理和控制策略。这种方法通过构建信息共享和协作网络，增强农业系统弹性。然而，数据质量和隐私是挑战，需确保数据一致准确并保护敏感信息。协同制图促进协作与技术利用，支持更有效的疾病管理策略，提升农业系统的恢复力和可持续性。

 

9、在发展中国家和低收入国家的自动化作物病害检测技术

自动化作物病害检测技术有潜力在发展中国家和低收入国家引发农业革命，提高疾病检测的准确性和速度。然而，实施这些技术面临基础设施、数据处理管道可用性和成本的挑战，以及缺乏技术专业知识。开源软件的增加有助于降低进入壁垒，如Pheno-box等开源工具提供了详细的构建计划和文档。尽管如此，仍需针对低收入国家的研究人员和小农户进行技术开发和部署的创新方法，包括低成本硬件和培训支持方案，并需要大量投资来生产适应当地条件的技术。

 

10、结论

自动化作物病害检测技术对农业改善、粮食安全和经济可持续发展具有重要意义。这些技术通过提高检测准确性和速度以及实时监测能力，提供了创新的病害管理方法。然而，在发展中国家和低收入国家部署面临硬件、软件可用性和成本挑战，以及缺乏专业知识和基础设施的问题。此外，图像距离、遮挡、植物密度等因素会影响技术性能，而环境数据如天气、土壤属性可提高检测准确性。气候变化可能引入新病原体，影响模型准确性。因此，定制化模型和区域监测、自主管理及协作制图为应对这些挑战提供了机会。进一步研发投资和针对小农户需求的技术创新是确保成功的关键。

 

来 源

Dolatabadian, Aria et al. “Image‐based crop disease detection using machine learning.” Plant Pathology (2024): n. pag.

 

编辑

小安