植物病害準確檢測與識別是其早期診斷與智能監測的關鍵，是病蟲害精準化防治與信息化管理的核心。深度學習應用于植物病害檢測與識別中，可以克服傳統診斷方法的弊端，大幅提升病害檢測與識別的準確率，引起了廣泛關注。

中國農業科學院農業信息研究所/農業農村部農業大數據重點實驗室聯手甘肅農業大學機電工程學院，組成科研團隊，針對深度學習在植物葉部病害檢測與識別展開研究，

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

早期植物病害目標檢測算法采用滑動窗口策略選出候選區域，然后提取候選區域特征，最后使用分類器進行分類，從而獲得目標區域，如V-J檢測、方向梯度直方圖檢測和有關可變形部件模型算法等。滑動窗口方法是設置不同的尺度和寬度對圖像進行遍歷，雖然這種方法應用于病害定位檢測可以不錯過任何一個病害區域目標，但產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，導致檢測的實效性差。

另外，候選區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、支持向量機等進行識別，識別速度慢、準確率低。

一、基于目標檢測框架的植物病害檢測

基于深度學習的R-CNN系列、YOLO、SSD以及CenterNet等新檢測算法顯著優于早期的植物目標檢測算法。基于深度學習的目標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，然后使用區域分類器預測候選框區域的類別。如基于區域建議的CNN，包括R-CNN、Fast-RCNN、Faster-RCNN及其變體。2014年，首次使用卷積神經網絡提取圖像特征，開啟了利用深度學習進行目標檢測的大門。在R-CNN基礎上，提出了Fast-RCNN，解決了R-CNN在候選區域選擇的過程中出現大量重疊框的問題。

經過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絡中，使綜合性能有較大提高，在檢測速度方面尤為明顯。應用Faster-RCNN+VGGNet/ResNet的檢測框架對番茄病蟲害區域進行定位檢測，其圖像庫中類別有10種病害，平均精度均值達到了85.98%，從此Faster-RCNN逐漸被應用到植物病害區域檢測上。

采用Faster-RCNN框架，分別采用ZF Net和VGGNet作為骨干網絡，能準確定位葡萄葉片和葉片上的病斑。通過改變Faster-RCNN模型的參數實現對甜菜葉斑病的自動檢測，對155幅甜菜圖像進行了訓練和測試，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行檢測，識別葉片患病準確率均在98%以上，表明Faster-RCNN可以相對準確實時地檢測水稻常見病害。基于FCM-KM和Faster-RCNN融合的水稻病害快速檢測方法，以3010幅圖像為研究基礎數據集，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。

基于改進的深度卷積神經網絡——Faster DR-IACNN模型，在自建的葡萄葉疾病數據集上展開研究，并引入了Inception-v1模塊、Inception-ResNetv2模塊和壓縮和激勵網絡，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。基于二階檢測器的植物病害目標檢測，在檢測準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行類別預測，不經過二階檢測器中的區域建議步驟，如YOLO、SSD及其變體。2016年提出的一種一階段檢測算法。YOLO的設計不同于Faster-RCNN，它將檢測過程整合為單個網絡同時實現目標區域預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格，以網格為中心確定目標邊界和類別，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，在確保系統實時可用性的同時，實現了mAP為86%，交并比為50%。將輕量級的YOLO模型，應用于移動農業機器人對植物病害的檢測，主要針對木瓜環斑病建立了一個大規模的數據集，在此基礎上tiny-YOLOv4算法的mAP最高可達99.9%。

MobileNetV2-YOLOv3算法在疾病嚴重程度檢測方面的最高mAP約為98.39%。基于改進的YOLOv4實現柑橘病蟲害葉片檢測，并根據檢測目標框實現柑橘病害葉片的局部分割，結合DenseNet算法對分割出來的葉片進行病害檢測，檢測準確率達到95.46%。

針對YOLO的缺陷，2016年提出了SSD。相較于YOLO，改進了三個方面：一是提取不同尺度的特征圖，解決了YOLO不能準確檢測小目標的問題;二是設計了多個不同尺度的先驗框;三是在VGG16網絡中增加6個卷積層來預測邊界框偏移量，解決了YOLO定位不準的問題。一種可部署在移動設備上的輕量級的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模塊構建而成，mAP能夠達到83.12%，速度達到12.53 f/s。

多尺度特征融合的改進的SSD算法，該方法結合了數據預處理、特征融合、特征共享、疾病檢測等步驟，用于檢測復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，達到了實時檢測25 f/s的標準。對比了幾種著名目標檢測框架和不同骨干網絡組合對香蕉病蟲害檢測的效果，數據庫包括了10種香蕉病蟲害，共3萬余張圖像，發現SSD框架和MobileNet v1的組合檢測總體效果最好。雖然經過不斷地改進和優化，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的基礎上改進而來，由原來對兩個關鍵點(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已被證明可以應用于自然條件下的目標檢測。

通過CenterNet檢測網絡與MobileNet v3相結合，構建一個新的網絡——M-CenterNet，對自然條件下果樹上的蘋果進行檢測。并與CenterNet和SSD做對比，發現所提網絡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，比這兩種網絡提高了1倍左右。

改進的CenterNet算法，以PlantVillage Kaggle數據庫為主要數據來源，以DenseNet-77為基礎網絡對深層次關鍵點進行提取，然后分別對番茄、蘋果、葡萄等在內的14種植物26類病害及12類健康葉片進行識別，從多方面分析得出，改進的CenterNet方法比目前最新的EfficientNet方法能夠更準確地識別植物病害。無錨框的檢測算法在性能上優于基于錨框的檢測算法，是今后病害區域檢測方面的主要研究方向。

三、植物病害目標檢測分析與展望

近年來植物病害檢測研究進展，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。但目前文獻表明，在病斑邊界框標志時較為混亂，一些文獻對一張葉片上大的病斑單獨框出，一些文獻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范疇內。同時，對植物生長的復雜自然場景中進行病害目標檢測研究較少，這種場景下密集、小目標檢測算法有待進一步研究，同時還需應對復雜自然條件下可能出現的光照、陰影、復雜背景、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據集有較好的檢測效果，但若數據集發生了改變，則可能會導致檢測效果不佳，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，主要因為數據采集的困難。

早期病害部位信息較少，研究者無法保證準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展，有效防治植物病害，所以今后應重視開展對早期病害檢測的開發研究，以期達到及時防治、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