基于深度学习的植物叶部病害检测与识别应用挑战

智慧农业的发展承载了农业发展的未来，在国家层面上，宏观与微观角度都是势在必行的。单独从发展智慧农业所需的科研技术角度来说，涉及定位导航、智能感知、自动化控制、物联网、深度学习等技术，互相融合，方能共同推进农业向数字化、智能化方向前进。

近年来，基于深度学习技术在农业方面的应用，无数科研者开展了大量的植物病害目标检测与分类识别研究，目标是推动了检测与识别准确度的提高。遗憾的是在实际应用场景中，仍然面临着诸多挑战与问题。

问题一、目标区域准确定位难

种植环境中的日光照射、背光，一日之内变化剧烈、不同背景下的反光、不同气象条件等影响因素，造成植物病斑目标区域难以准确定位。自然光照条件下，拍摄的角度、高度或者地点可能会导致部分图片中病斑位置的颜色深浅不一，使得病斑特征不明显，从而影响分类识别准确度。

问题二、准确检测难度大

获取病害图像背景多样，有可能会包括叶片、树干、茎秆、根部、土壤、杂草、秸秆、地膜、落叶、石头、积水、阴影等，导致对于病斑的目标检测难度较大。且植物病斑颜色形状等有可能与其他对象相似，造成目标检测的准确率降低。

问题三、目标特征缺失、噪声重叠

遮挡问题指的是在复杂自然环境下，由叶片姿态变化引起的叶片遮挡、分支遮挡、外部光照引起的光遮挡，以及不同遮挡类型引起的混合遮挡，难点在于特征缺失和遮挡引起的噪声重叠。不同的遮挡条件对识别算法有不同程度的影响，导致误检甚至漏检。

问题四、错判或者误判

症状是判断病害种类的主要依据之一，若不同种类病害的发病症状极为相似，通过二维图像无法准确地辨识，需要获取更多维度信息如深度信息、光谱信息、红外信息、荧光信息等，才能准确判断出植物病害类别。

问题五、病害识别难度大

病原菌可以在植物不同时期进行侵染，发病时又会因植物的品种、生育期和器官表现出不同的症状，同一种病害在不同的危害时期或不同侵染程度下表现出不同症状。同一种病害危害植物的不同组织或植物器官症状会有差异，如嫩芽、子叶、真叶、果实、茎秆、根部等呈现出来的症状各有不同。同一种病害在同种植物器官上也会呈现不同的症状类型，比如棉花黄萎病常见的症状有黄斑型、叶枯型、萎蔫型、落叶型等，都有极大的挑战性。

问题六、植物病害的检测和识别准确率低

目前提到的病害检测和识别，基于每片叶子上均是一种病害或，一种病害特征最为明显的情况而研究的。但在自然条件下，常见多种病害同时存在于单片叶子的情况，还存在病害与虫害相互重叠现象，使植物病害检测和识别成为一项复杂的工作。

深度学习作为新一代人工智能技术，是大数据时代的算法利器，对智慧农业的发展不可替代。未来仍需科研工作者投入大量精力，来一一克服上述难点，进一步提高病害识别和检测结果的实用性，让多种病害同时检测和识别成为可能。