中国农业大学王海光发表“植物病害图像识别及其发展前景”

近日，中国农业大学植物保护学院王海光在“《植物病理学报》创刊70周年专刊”发表特邀专题评述《植物病害图像识别及其发展前景》。该论文聚焦深受关注的植物病害图像识别这一研究方向，系统探讨了其研究和实际应用中存在的问题，提出了相应的解决方案，阐述了对植物病害图像识别新的认识和概念，并从病害图像获取和管理、病害图像识别关键技术、多平台病害图像识别等方面对未来植物病害图像识别研究和应用前景进行展望，旨在为植物病害图像识别研究和应用提供参考，以促进植保信息化和智慧植保的发展。

1. 关于植物病害图像识别

植物病害图像识别是基于图像处理技术对病害进行诊断，主要包括两方面：1）病害种类识别；2）基于图像特征的病害发生严重程度（反应型类型、严重度级别、病情指数级别等）识别。严格意义上的植物病害图像识别是病害种类识别（含发病判别和目标检测），具体包括一种病害发生与否的识别（病害与健康的识别）、两种植物病害识别、一种植物的多种（三种或三种以上）病害识别，以及不同植物的多种病害识别。

通过图像识别，一方面可精准判别植物是否发病、病害种类以及发生部位，从而为病害诊断和科学防控提供技术支撑；另一方面可采集提取病害表型特征参数，为病原-寄主植物互作机制研究和抗病品种选育等提供数据支撑。

植物病害图像识别存在多种技术路径（图1）。传统的植物病害图像识别步骤主要包括病害图像获取、预处理、分割、特征提取和选择，随后基于传统机器学习完成模型构建（含模型训练、验证和测试），以及模型应用等。而利用深度学习可直接对获取的病害图像、经过预处理或分割处理的病害图像实现自动特征提取和识别。此外，还可将深度学习与传统方法相结合：将通过深度学习提取的病害图像特征直接或经过选择后，再利用传统机器学习方法进行病害识别；或者通过深度学习对获取的病害图像或经过预处理的病害图像进行分割，然后进行特征提取和选择，并构建基于传统机器学习的植物病害识别模型。需要指出的是，从图像采集到模型应用的每个技术环节的选择和优化，都会对最终的识别效果产生重要影响。

    图1 植物病害图像识别主要流程

根据图像采集设备能否进行现场病害图像识别，可将病害图像识别分为在体识别（On-body recognition）和离体识别（Off-body recognition）。在体识别是指图像获取设备集成有完整的图像处理系统，能够直接在田间现场完成病害图像的实时获取、分析和结果输出。而离体识别则需要将采集的病害图像通过网络传输或物理存储方式转移至独立的数据处理端，然后通过处理系统对病害图像进行识别。

根据是否在植物生长和收获现场或植物产品存放和加工处理现场进行识别，可将病害图像识别分为现场识别（On-site recognition）或原位识别（In-situ recognition）和非现场识别（Off-site recognition）。现场识别（原位识别）是在植物生长和收获场所（农田、温室、生长室等）、植物产品存放场所（储藏室、仓库、销售场所等）或植物产品加工处理（分拣、包装等）场所进行病害识别，可以依靠现场设备直接进行病害图像识别，或者依靠网络将获取的病害图像数据传输到远程的数据处理端进行识别，然后再通过网络返回识别结果。非现场识别是指在现场获取病害图像后，带回数据处理端或通过网络传输到数据处理端，在数据处理端进行图像识别和获得识别结果。

应将植物病害图像识别应用于农业全产业链（图2），以保障农业生产安全和农产品安全。

2. 关于植物病害图像获取和预处理

高质量病害图像数据的获取是植物病害图像识别面临的一个重要挑战。病害图像数据的不均衡也是植物病害图像识别研究中面临的重要问题。在获取大量植物病害图像的同时应做好图像数据的管理工作，可构建多种类型图像数据集/库，包括单源图像数据集/库和多源图像数据集/库。

获得植物病害图像之后，通常需要进行图像预处理，包括图像尺寸调整、图像二值化、图像降噪、形态学变换、图像增强等，使得图像满足进一步处理的需要。鉴于图像预处理涉及的技术和方法很多，在实际应用中应根据具体需求选择适当的技术和方法。病害图像数据标注是植物病害图像识别的重要基础性工作，主要包括两种类型：1）对病害图像文件进行标注，若图像中含有特定病害，则将图像文件标注为对应的病害类别；2）对病害图像中发病区域进行病害种类标注，常用的图像标注软件有LabelImg、LabelMe、ImgLab等。

目前，植物病害图像数据集/库构建存在准确性、全面性、代表性、均衡性等问题。用于植物病害识别的图像，大多数是在实验室环境或单一背景下获取的，而田间和复杂背景下获取的较少。同时，所采用的病害图像多是典型症状图像，而在显症初期或潜育期阶段，很难利用病害图像识别技术进行准确识别。在病害图像获取阶段，应充分考虑到各种因素对图像的影响，以增强病害图像的丰富度和所建模型的鲁棒性。

3. 关于植物病害图像分割

图像分割是图像识别和分析中的一个关键技术环节，也是一个技术难点。植物病害图像分割是基于病害图像的一定特征，将其划分为不同区域，从而将感兴趣区域分割出来，以便更有针对性地进行特征提取和识别。当前，植物病害图像分割主要通过以下两种策略实现：1）分步式分割策略，即先将发病植物单元（例如叶片或果实等）从病害图像中分割出来，获得发病植物单元图像，然后再将病斑从发病植物单元图像中分割出来，进而获得病斑图像；2）直接分割策略，即直接将病斑从病害图像中分割出来，获得病斑图像。

目前，病害图像分割主要有三种实现方式，即手动分割（或称为计算机辅助的人工分割，利用软件中的选择工具等进行）、人工辅助的半自动分割（利用软件中的分割功能和各种算法进行）、自动分割（利用软件实现病害图像完全自动分割）。从技术原理角度，图像分割方法可分为传统图像分割方法和基于深度学习的图像分割方法。为了有效降低病害图像标注成本和人工标注误差，可利用自监督学习（Self-supervised learning）或半监督学习（Semi-supervised learning）进行病害图像分割。在进行病害图像分割时，为了获得较好的分割效果，经常会综合使用多种图像分割方法。

4. 关于病害图像特征提取和选择

获得植物病害图像后，需要通过特征工程挖掘图像中含有的病害特征信息，以用于病害识别。特征工程一般包括特征提取、特征选择、特征转换等。病害图像特征对于植物病害图像识别模型构建和应用至关重要，其质量直接影响模型构建和模型识别效果。

目前，病害图像特征提取主要有两种思路：1）先将病害图像中的感兴趣区域分割出来，再对感兴趣区域进行特征提取，这是传统病害图像识别中常用的思路，相关方法可称为传统的病害图像特征提取方法；2）利用深度学习方法直接对获取的图像或经过预处理的图像进行处理，提取特征，相关方法可称为基于深度学习的病害图像特征提取方法。

若提取的植物病害图像特征较多，为了降低特征维数和选择关键特征，需要进行特征选择，然后基于所选特征进行图像识别。特征选择是利用一定的方法对从图像中提取的特征进行筛选，以去除不相关的特征或冗余特征，具体可通过主成分分析方法、遗传算法、逐步判别法等多种方法进行选择。

特征转换是将病害图像特征数据进行数据形式转换、标准化或归一化处理，以使特征能够用于病害图像识别模型构建。鉴于不同特征可能具有差异化的量纲或数值范围，通常需要对特征数据进行归一化处理，然后再用于构建病害图像识别模型。

5. 关于植物病害图像识别模型

植物病害图像识别模型主要有两类，即基于传统机器学习的病害图像识别模型和基于深度学习的病害图像识别模型，有时会利用模型集成（Model ensemble）方法实现病害图像识别。

可以从头训练，或者基于预训练深度学习模型（Pre-trained deep learning model）进行迁移学习（Transfer learning）、微调（Fine-tuning）或改进，以构建植物病害图像识别深度学习模型。在构建植物病害图像识别深度学习模型时，可以引入注意力机制（Attention mechanism）以增强模型对细微特征或小目标的识别能力。

通过植物病害图像识别，可以获得病害种类信息，但是很多情况下还需要获得病害发生的区域和位置信息，这就需要利用目标检测的思路对病害图像进行处理和分析。用于病害图像目标检测的深度学习网络可分为单阶段目标检测网络（One-stage object detection network）和两阶段目标检测网络（Two-stage object detection network），前者是直接从输入的病害图像中预测病害种类和位置，而后者则是先确定候选区域，再预测候选区域的类别。

构建植物病害识别模型时，应防止所建模型出现过拟合（Overfitting）和欠拟合（Underfitting）现象。在实际研究和应用中，需结合获得的病害图像情况（如图像质量、图像数量等）、实际需求、客观的硬件资源条件、应用场景等，选用适当的病害图像识别建模方法。

6. 关于植物病害图像识别模型的落地应用

构建植物病害图像识别模型的目的是应用，即实现前面所述的植物病害在体识别和离体识别或现场识别（原位识别）和非现场识别。植物病害图像识别应用层次主要有现场病害图像识别、基于物联网的远程病害图像识别、基于网络的远程病害图像识别等。所建植物病害图像识别系统包括单机版植物病害识别系统、基于Web的植物病害识别系统、植物病害图像识别App等，可以在个人电脑、物联网监测终端平台、移动端（智能手机和笔记本电脑等）、现场作业设备（植保无人机、机器人、植物产品分拣系统、植物产品储藏管理系统等）等平台和终端应用。或将这种系统作为管理系统的一部分（子系统），用于病害自动识别、病害相关表型的自动获取。在构建病害图像识别模型时，所用病害图像的局限性会影响模型的鲁棒性和泛化能力，进而影响病害图像识别技术的落地应用。

应加强农业全产业链中植物病害图像识别模型研究和应用，尤其应重视所开发模型/系统的实际应用。在植物生产过程中，通过物联网、自走式农业机械/机器人、植保无人机等设备监测病害发生情况，并通过现场识别或在体识别（原位识别）及时进行靶向施药防治病害。在进行植物产品分拣和包装过程中，通过计算机视觉检测系统或传感器对产品传输线/生产线上的植物产品进行监测，及时识别植物产品病害和缺陷。在植物产品储存过程中，通过计算机视觉系统或传感器对植物产品进行实时监测，识别病害种类和发生病害的位置（病斑在植物产品上的位置和发病植物产品在储存场所的位置）。同时，需加强基于图像处理技术的植物产品运输、销售、加工等环节的病害监测研究和相关技术的实际应用。

7. 植物病害图像识别发展前景和展望

为推进植物病害智能识别技术的发展，建议从以下几个方面加强研究与应用：1）数据基础建设方面，应加强植物病害图像数据集/库的建立和共享，建立丰富的植物病害图像数据库；2）病害图像识别关键技术研发方面，一方面改进和集成现有技术，另一方面加强研发新技术，并与其他技术进行有机结合，以实现病害的早期、及时、准确智能识别，尤其是实现病害的现场识别或在体识别（原位识别）；3）应用拓展和系统集成应用方面，应加强多平台植物病害图像识别应用研究，以满足多样化的需求，同时应将病害图像识别融入到农业全产业链中，构建农业全产业链智慧化管理系统和平台，建立农业全产业链智慧化管理体系。

AI技术的发展已经引起广泛关注，AI for Science正在重塑已有科研范式，AI for Technology正在推动技术变革。植物病害图像识别必将会朝着更精准、更高效、更智慧的方向发展，并会在“天空地”一体化植物病害监测体系和农业全产业链植物病害监测体系中发挥关键作用，推动智慧植保的健康、有序、良性发展，为农业安全生产提供坚实保障。

引用格式：

王海光. 植物病害图像识别及其发展前景[J]. 植物病理学报, 2025, 55(4):964-977 https://doi.org/10.13926/j.cnki.apps.000981. 

WANG Haiguang. Plant disease image recognition and its prospects[J]. Acta Phytopathologica Sinica, 2025, 55(4):964-977 https://doi.org/10.13926/j.cnki.apps.000981.

论文链接：

http://zwblxb.magtech.com.cn/CN/10.13926/j.cnki.apps.000981

🍀