图像处理与深度学习技术促进了作物病虫害早期检测的发展。多数研究集中于利用包含复杂背景的全叶片图像进行叶片尺度的病害识别，然而这种方法限制了模型的泛化能力且无法判断同一叶片上的多个异常点。该研究认为基于独立病斑图像的病害分类模型具有更高的识别准确率，因为分类器会更专注于病斑本身特征而不是全叶片图像中的包括背景特征在内的任意特征。不同作物病害的病斑形态差异大且可能与叶片健康组织无明显边界，增加了标注与提取独立病斑图像的难度。该研究基于独立病斑图像与深度学习算法提出了一种全新的病害识别方法，着力于系统性地解决叶片病斑图像标注问题、病斑与叶片自动分割问题以及病害种类识别问题。

　　该研究的数据集一共包含了601张的叶片图像，其中三分之二来源于植物病害症状图像数据库(PDDB)，其余的通过网络收集和智能手机拍摄获得。根据不同的图像裁剪与分割方法将该数据集划分成了5个数据集，其中包括原始叶片图像数据集、无背景叶片图像数据集、叶片裁剪图像数据集、无背景叶片裁剪图像数据集和病斑图像数据集。利用不同的图像预处理与增强方法结合预训练的GoogLeNet分类模型和自建的KijaniNet语义分割模型分别探索了5种数据集在病害识别和病斑分割中的性能。最终通过将GoogLeNet与KijaniNet级联形成了病斑提取与病害鉴别的自动化方法。

　　研究结果表明当使用独立病斑图像时，GooLeNet病害识别准确了提升了15%以上。KijaniNet实现了最佳的病斑分割性能，叶片与病斑的平均交并比分别达到了0.8448和0.6257，平均边界F1得分分别达到了0.8241和0.7855。最后GoogLeNet与KijaniNet的级联算法在分类与分割性能上超越了其他竞争性算法，实现了小数据集的病害种类的高效鉴别。

　　图1 本研究涉及的样本图像(a)原始图像;(b)背景去除图像;(c)叶片裁剪图像;(d)背景去除+叶片裁剪图像;(e)病斑图像

　　图2 不同图像分割算法提取的病斑掩码图(a)基于H分量的最大类间方差分割;(b)基于V分量的最大类间方差分割;(c)基于a分量的最大类间方法分割;(d)RGB阈值分割;(e)最大期望算法分割

　　图3 KijaniNet网络结构示意图(a)整体结构;(b)3x3卷积结构;(c)多尺度卷积结构

　　图4 基于独立病斑图像的自动化病害识别算法结构图

　　来源：Ngugi L C, Abdelwahab M, Abo-Zahhad M. A new approach to learning and recognizing leaf diseases from individual lesions using convolutional neural networks. Information Processing in Agriculture, 2021.

　　编辑：张金诺