侯海敏 沈夢姣 張艷

摘要：作物病害是影響和制約農(nóng)業(yè)生產(chǎn)發(fā)展的重要因素之一，如何準確檢測作物病因及病害程度，實現(xiàn)作物病害科學(xué)預(yù)警、精準防治尤為重要。通過對作物病害類型進行簡介，從檢測原理和機制對比分析作物病害常用的生化檢測技術(shù)，如分子生物學(xué)、免疫學(xué)等技術(shù)及光學(xué)傳感檢測技術(shù)中的可見光圖像、近紅外光譜、紅外熱成像、高光譜成像等技術(shù)的優(yōu)缺點。歸納總結(jié)發(fā)現(xiàn)生化檢測技術(shù)的難點，主要包括對單一目標病原物檢測、鑒定病原物工作量大、周期長；光學(xué)檢測技術(shù)的難點主要包括易受環(huán)境影響、存在同譜異物現(xiàn)象等。針對光學(xué)傳感技術(shù)在作物病害檢測中存在的問題給出未來的發(fā)展方向，為相關(guān)研究提供更全面系統(tǒng)的參考。

關(guān)鍵詞：作物病害；檢測技術(shù)；生化檢測；光學(xué)傳感

中圖分類號：S435； TP391.4

文獻標識碼：A

文章編號：2095-5553 （2024） 06-0090-08

收稿日期：2022年9月19日

修回日期：2023年4月6日

*基金項目：國家自然科學(xué)基金（62141501，62265003）

第一作者：侯海敏，男，1996年生，貴州銅仁人，碩士研究生；研究方向為作物早期疾病無損檢測。E-mail： 1421058001@qq.com

通訊作者：張艷，女，1977年生，貴州遵義人，博士，教授；研究方向為生物信息無損檢測、激光雷達。E-mail： Eileen_zy001@sohu.com

Analysis of key technologies for crop disease detection

Hou Haimin， Shen Mengjiao， Zhang Yan

（Engineering Research Center for Nondestructive Testing of Agricultural Products，

Guiyang University， Guiyang， 550005， China）

Abstract： Crop disease is one of the important factors that affect and restrict the development of agricultural production. How to accurately detect the cause and degree of crop disease， and realize scientific early warning and precise prevention of crop disease is particularly important. This paper firstly introduced the types of crop diseases， and then compared and analyzed the advantages and disadvantages of the biochemical detection technologies commonly used for crop diseases， such as molecular biology， immunology， and optical sensing detection technologies， and such as visible image， near infrared spectroscopy， infrared thermal imaging， hyperspectral imaging， etc. from the detection principle and mechanism. Through summing up， it was found that the difficulties of biochemical detection technology mainly included a large workload and a long cycle of detection and identification of a single target pathogen. The difficulty of optical detection technology included easy to be affected by the environment， the presence of foreign bodies in the same spectrum， etc. Finally， the future development direction of optical sensing technology in crop disease detection is given to provide a more comprehensive and systematic reference for related research.

Keywords： crop diseases; detection technology; biochemical detection; optical sensing

0 引言

作物在生長發(fā)育過程中會受到各種病害的影響，無法健康成長從而導(dǎo)致減產(chǎn)外，其質(zhì)量還會大大降低。據(jù)聯(lián)合國糧農(nóng)組織數(shù)據(jù)統(tǒng)計，因作物病害導(dǎo)致農(nóng)作物減產(chǎn)年均高達10%^[1]。我國每年作物病害爆發(fā)的耕種面積均高于3.5×10⁸km²，造成難以估量的經(jīng)濟損失^[2]。

常規(guī)的作物病害檢測是由植保專家等采用田間監(jiān)測的方式確定病害的嚴重性，這種技術(shù)費時費力，不準確，而且受觀測員主觀因素影響很大^[3]。目前，作物病害生化檢測主要有分子、血清學(xué)和微生物學(xué)等實驗室方法^[4]。隨著科學(xué)技術(shù)的提高，有更多的新病害檢測技術(shù)在作物病害監(jiān)測領(lǐng)域獲得了廣泛應(yīng)用，尤其是感應(yīng)器、光譜信號、物聯(lián)網(wǎng)等高新技術(shù)的開發(fā)和完善，作物病害檢測能力得到了很大提高^[5]。

隨著作物病害檢測研究的加強，能夠為農(nóng)業(yè)生產(chǎn)進行指導(dǎo)，減少病害防治用藥量，對確保農(nóng)作物的生產(chǎn)與品質(zhì)有著重大的作用與意義?；诖耍疚闹饕獙ψ魑锊『z測涉及的生化和光學(xué)傳感檢測等相關(guān)技術(shù)的原理及檢測機制進行分析，同時根據(jù)光學(xué)傳感技術(shù)在作物病害檢測中存在的問題給出未來發(fā)展方向。

1 作物病害簡介

根據(jù)致病因素，作物病害可分為侵染性和非侵染性兩大類。通常，侵染性病害可分為細菌性、真菌性、病毒性和線蟲病害等類型^[6]。非侵染性疾病是由光照不平衡、營養(yǎng)素缺乏、水分不足或過量、肥料或農(nóng)藥使用不合理、環(huán)境變化、遺傳因素等物理、化學(xué)、非生物環(huán)境因素引起的作物病害^{[7， 8]}。

不同的病原物產(chǎn)生感染癥狀不同，這為作物病害檢測奠定了基礎(chǔ)。細菌性病害導(dǎo)致的病癥主要表現(xiàn)為血管萎蔫、壞死、軟腐和腫瘤；而病毒性病害主要癥狀表現(xiàn)為顏色改變、畸形、壞死、發(fā)育遲緩或矮??；真菌性病害主要癥狀為壞死、增生和萎蔫；線蟲病害的常見癥狀包括發(fā)育遲緩、失綠、枯萎、緩慢衰退、萎蔫和腐爛。其中，真菌性病害占作物病害的80%～90%，是近年的研究熱點。

2 作物病害常規(guī)生化檢測技術(shù)概述

目前在作物病害檢測中常用的生化檢測技術(shù)主要為免疫學(xué)、分子生物學(xué)等相關(guān)技術(shù)^[9]。由于不同病原物所具有的蛋白和核酸組成不完全相同，因此生化檢測技術(shù)主要通過病原微生物的核酸進行擴增或蛋白抗原抗體的特異性反應(yīng)，從而達到檢測特定作物病害的目的。

2.1 分子生物學(xué)技術(shù)

植物病害的產(chǎn)生，是在特定條件下植物和病原物二者之間一系列基因或基因副產(chǎn)物共同作用的結(jié)果^[10]。分子生物學(xué)技術(shù)是通過檢測病原物中DNA和RNA等遺傳物質(zhì)的特異性來直接檢測病原物的存在。其中，核酸擴增技術(shù)是分子生物學(xué)領(lǐng)域主要的研究手段^[11]，具有特異性強、敏感度高、檢驗結(jié)果容易觀察等優(yōu)勢，目前應(yīng)用于對作物病毒、細菌和真菌等病原物的檢測^[12]，該技術(shù)主要通過對病原物的微量核酸進行大量擴增，從而實現(xiàn)對作物病害的檢測。核酸擴增技術(shù)對病害檢測的機制是利用病原物引物的不同，其擴增產(chǎn)物也不同，選擇某一特定病害的引物可以擴增到相應(yīng)DNA或RNA片段。目前，運用于作物病害檢測當中的分子生物學(xué)技術(shù)主要有普通PCR、實時熒光定性PCR、LAMP、NASBA等^[13]。表1給出了分子生物學(xué)相關(guān)技術(shù)在作物病害檢測中的特點分析。

可見，普通PCR、多重PCR和實時熒光定量PCR檢測均屬于變溫擴增技術(shù)，都需要價格昂貴的儀器裝置，且生產(chǎn)成本也較高；LAMP技術(shù)盡管敏感度較高，但由于引物設(shè)計復(fù)雜，并且其所使用的環(huán)引物在擴增過程中很容易發(fā)生非特異性配對，在測定過程中樣本也容易產(chǎn)生氣溶膠的散射污染，從而造成假陽性嚴重；而NASBA具有特異性強，但主要針對含RNA的病原物進行檢測，其擴增產(chǎn)物易降解，不易保存。

2.2 免疫學(xué)技術(shù)

作物病害病原物主要是由核酸和蛋白質(zhì)組成，是一種很好的抗原；而免疫學(xué)技術(shù)則是基于抗原與抗體的特異性反應(yīng)的一種檢測技術(shù)^[14]。因此，可以通過病原物的蛋白來制備抗體并和相對應(yīng)的抗體特異性結(jié)合，從而實現(xiàn)對作物病害的檢測。目前，在作物病害檢測中常見的免疫學(xué)技術(shù)有酶聯(lián)免疫吸附測定（ELISA）、免疫熒光法（IF）、免疫膠體金等^[15]。表2給出了常見免疫學(xué)檢測技術(shù)在作物病害檢測中的特點分析，其中免疫膠體金、酶聯(lián)免疫吸附和免疫熒光雖然檢測快速、靈敏度高，但是容易受載體干擾出現(xiàn)假陽性等問題^[16]。

因此，在作物病害檢測中，根據(jù)這些技術(shù)的特點以及應(yīng)用場景需求，將不同技術(shù)結(jié)合使用，充分發(fā)揮各自的優(yōu)點，這樣能夠使檢測結(jié)果具有更高的精確度。

2.3 生化檢測技術(shù)對比分析

由于生化檢測技術(shù)具有敏感性高、特異性好、可對致病物直接檢測等特性，目前已廣泛應(yīng)用在植物細菌、病毒、類病毒、真菌、線蟲等方面的檢測。作物病害生化檢測技術(shù)對比分析如表3所示。

由表3可知，生化檢測的難點：（1）對單一目標病原物檢測。分子生物學(xué)相關(guān)技術(shù)大多只對已有的核酸序列進行擴增，其適用性與準確率在較大程度上依賴特殊基因組結(jié)構(gòu)片斷的選擇及其相關(guān)特殊引物的設(shè)計；且不能同時對同種病原物的致病性、非致病性和有益菌株進行區(qū)分。（2）鑒定病原物工作量大、周期長。免疫學(xué)相關(guān)檢測技術(shù)主要依賴于抗體與待測抗原分子的特異性結(jié)合，而抗原的處理過程復(fù)雜，需要花費大量的時間和成本，并且對結(jié)構(gòu)復(fù)雜的病原抗體制備較為困難。

3 光學(xué)傳感檢測技術(shù)

染病作物與健康作物相比，其圖像及光譜特征均存在不同程度的差異^[17]，從而導(dǎo)致在相應(yīng)波段范圍內(nèi)，可見光、近紅外、中紅外和熱紅外等光譜特征發(fā)生變化。這也使得圖像處理技術(shù)、光譜技術(shù)、高光譜成像技術(shù)在作物病害檢測中的應(yīng)用成為可能。

3.1 可見光圖像技術(shù)

當植物遭受疾病的威脅時導(dǎo)致部分或全體植株變色、壞死、萎蔫甚至畸形、腐爛等外部形態(tài)改變和一些理化指標的變化^[18]。一般情況下，患病作物會在葉片上出現(xiàn)與健康作物不同的視覺特征，因此大部分作物病害識別工作是針對作物葉片特征開展的^[19]?？梢姽鈭D像技術(shù)是模仿人眼在可見光波段R（紅）、G（綠）、B（藍）3個光譜段來獲取病害作物的顏色、形狀、質(zhì)地和形態(tài)等特性，然后利用模式識別算法構(gòu)建模型進行病害鑒定。

可見光圖像技術(shù)主要通過提取并分析作物葉片顏色、形狀和紋理等特征的變量來實現(xiàn)對病害檢測。在作物出現(xiàn)病癥后，對面積較大的病變或斑點以及不明顯部位的圖像進行處理。如圖1所示^[20]。圖1（a）為馬鈴薯早疫病可見光圖像，圖1（b）白色部分表示病害區(qū)域，而黑色區(qū)域表示健康區(qū)域。由此可見，光圖像技術(shù)在對作物病害檢測時能夠通過圖像處理快速地識別出染病區(qū)域和健康區(qū)域。

可見光圖像技術(shù)操作簡單、成本低，作物的許多病害特征可以直接從可見光圖像中獲得。但只能對作物已顯病癥的部位進行檢測，當病害侵染作物的過程中首先會對其內(nèi)部生理結(jié)構(gòu)造成損害，一段時間后才表現(xiàn)出外部表型的變化。因此僅通過可見光圖像技術(shù)對作物紋理、顏色變化等病害特征檢測，難以識別作物內(nèi)在生理特性的改變，很難實現(xiàn)農(nóng)作物病害的早期檢測和診斷。

3.2 近紅外光譜技術(shù)

作物在遭受病害脅迫時，其內(nèi)部生理生化特征和外部形態(tài)的變化，均會導(dǎo)致光譜特性的改變^[21]，其光譜響應(yīng)特性是由病害脅迫導(dǎo)致植物損傷所引起的色素、水分、形態(tài)、結(jié)構(gòu)等變化的函數(shù)^[22]。近紅外光譜（near infrared spectroscopy，NIR）是介于可見光和中紅外光之間的電磁波，波長范圍為700～2 500 nm，一般有機物在該區(qū)域的光譜吸收主要是由含氫基團（—OH、—NH₂、—CH等）的倍頻和合頻吸收^[23]。當在近紅外光譜波段區(qū)域內(nèi)的光束照射到作物表層物質(zhì)時，被照射到的作物內(nèi)部物質(zhì)會被光子激發(fā)，產(chǎn)生能級躍遷，由基態(tài)躍遷至受激態(tài)，從而產(chǎn)生了相應(yīng)的光譜圖^[24]。

近紅外光譜波長范圍主要受類胡蘿卜素、花青素、碳水化合物、脂肪和蛋白質(zhì)等物質(zhì)的影響^[25]。其中，在700～1200 nm的光譜范圍內(nèi)，主要反映作物的生理狀態(tài)及內(nèi)部結(jié)構(gòu)^[26]；在1 300～2 500 nm的光譜范圍內(nèi)，光譜反射率特性主要與植物水分和蛋白質(zhì)含量有關(guān)^[27]。由于近紅外光譜技術(shù)具有快速、準確、無損、高效和無污染等優(yōu)點，目前已廣泛應(yīng)用在農(nóng)業(yè)、食品、醫(yī)藥、石油、化工等多個領(lǐng)域^[28]。由于光譜采集儀具有較高的敏感度，在使用近紅外光譜進行病害檢測時數(shù)據(jù)采集會受環(huán)境和人為因素影響。當各種病害的脅迫現(xiàn)象出現(xiàn)于同一個作物上或是當各種作物同時受到同種病害威脅后，可能會產(chǎn)生相同的光譜曲線，因此加大了病害鑒定的難度。此外，近紅外光譜技術(shù)必須與化學(xué)計量學(xué)相結(jié)合才能提取相關(guān)信息，其精確和穩(wěn)健的模型也很難獲得。

3.3 紅外熱成像技術(shù)

當作物受到病害威脅時，會在傷口處形成大量化學(xué)物質(zhì)如水楊酸（SA）、脫落酸（ABA）等，并通過多種誘導(dǎo)因素對作物形成各種防御反應(yīng)，使作物產(chǎn)生多種防御反應(yīng)，形成許多防御反應(yīng)產(chǎn)物，以抑制或殺傷病原^[29]。同樣，由于葉子的應(yīng)激反應(yīng)引起蒸騰功能反常，從而引起葉子溫度的上升或下降，引起病變部位所發(fā)出的紅外線光譜輻射引起改變^[30]。所以，葉面溫度可以作為作物主要生態(tài)特征和環(huán)境條件評價的基本參數(shù)進行檢測植物病害。

紅外熱成像裝置能夠測量絕對零度以上的物質(zhì)（-273.15℃），其在電磁光譜的紅外范圍內(nèi)發(fā)射輻射^[31]。在紅外熱成像檢測中，葉片健康區(qū)域和病害區(qū)域之間的溫差以及植物組織的最大溫差是檢測作物病害的有效參數(shù)，其等溫線的可視化有助于強調(diào)當作物染病時由病原體感染引起的熱點和冷點^[32]。圖2為葡萄冠層的可見光圖像和紅外熱圖像^[33]。

與RGB（紅光、綠光、藍光）圖像不同的是，在紅外熱圖像中每個像素點都包含了直觀的溫度信號，其溫度信號能迅速反應(yīng)作物生理變化規(guī)律，更能夠準確監(jiān)測作物的生理信息與生態(tài)脅迫^[34]。目前基于紅外熱成像技術(shù)的研究基本圍繞溫度的測量和分析展開，無論是生物或非生物脅迫，主要評價指標為葉片和植株平均溫度（Average temperature，AT）及葉片的最大溫差（Maximum temperature difference，MTD）等^[35]。由于紅外熱成像技術(shù)能夠?qū)ψ魑锊『p松自動化以進行實時測量，且不依賴光源、具有高靈敏度、高精度和寬測量范圍等特點^[36]。目前已廣泛應(yīng)用在土木工程、工業(yè)維修、航空航天、醫(yī)學(xué)、制藥和獸醫(yī)等領(lǐng)域^[37]。

雖然紅外熱成像技術(shù)能夠反映出病害作物溫度信息差異，但每張紅外熱圖像包含了目標區(qū)域外的背景，提取目標區(qū)域的溫度信息是紅外熱成像的一個難點。此外，其檢測精度高度依賴環(huán)境條件（如溫度、氣流和濕度等），并且會受到周圍物體和環(huán)境的強烈影響，溫度測量的精確校準較為困難。盡管有大量的研究工作致力于利用紅外熱成像技術(shù)檢測作物病害脅迫，但很少關(guān)注與作物病害相關(guān)溫度變化的生理學(xué)特征變化。

3.4 高光譜成像技術(shù)

作物受到病害侵襲后，將改變其內(nèi)部生理結(jié)構(gòu)和生物化學(xué)特性，同時在外部形態(tài)上表現(xiàn)出一定程度的葉片發(fā)黃、枯萎、凋零等現(xiàn)象，其光譜特征也會隨之改變，這種變化能夠間接反映出作物在受到病害脅迫下的生理特性^[38]，因此可以使用高光譜成像技術(shù)來檢測作物遭受病害感染狀況。高光譜成像技術(shù)融入了光譜學(xué)、機器視覺、近紅外光譜測量等多個學(xué)科，使圖像技術(shù)與光譜技術(shù)實現(xiàn)了有機融合，從而具備清晰度較高、波段連續(xù)和圖譜合一等特點^[39]?？梢杂靡粋€波長處的光學(xué)圖像構(gòu)成的三維數(shù)據(jù)立方塊來表示高光譜圖像。其中，二維是圖像的橫縱坐標信息，第三維則是光譜信息^[40]。高光譜的圖像信息能夠直觀地反映出作物的紋理、形狀、顏色等外部特征，而第三維的光譜信息則可以充分反映作物的物理結(jié)構(gòu)和化學(xué)成分等內(nèi)部特征。高光譜數(shù)據(jù)分析常見步驟如圖3所示。

首先，通過高光譜成像儀獲取被測物的原始圖像，然后對原始圖像進行預(yù)處理，去除圖像中不重要的信息，以提高圖像質(zhì)量。其次，進行圖像處理和光譜處理。在圖像處理過程中由于高光譜圖像數(shù)據(jù)太大，無法直接獲得有用信息，需要對圖像降維，去除冗余信息。在光譜維度上具有高分辨率，波段連續(xù)。而波段連續(xù)可能導(dǎo)致在鄰近波段間存在較高的共線性問題，會導(dǎo)致模型的準確率降低。所以，必須通過特征選取方法獲得具有代表性的特征數(shù)據(jù)進行分析。最后，將光譜與圖像數(shù)據(jù)整合進行模型的構(gòu)建。利用模型的可視化能夠直觀地看到被檢測作物化學(xué)成分及其分布，從而實現(xiàn)通過作物內(nèi)部和外部特征達到精確檢測病害的目的。

在高光譜圖像上每個像素點包含數(shù)百個波段，因此能夠在可見/見紅外光譜范圍內(nèi)反映出作物的健康狀況。圖4比較了感染炭疽病茶葉的健康區(qū)域與染病區(qū)域的平均光譜變化^[41]。由于400～700 nm作為肉眼可見的光譜波段，在這個波段范圍內(nèi)能夠捕捉葉片色素沉著；而700～1 300 nm為近紅外短波，其波長范圍主要受葉肉細胞結(jié)構(gòu)的影響^[42]。其中，葉綠素a和葉綠素b主要吸收藍光（400～495 nm）和紅光（620～700 nm），對綠光波段（500～550 nm）吸收較少^[43]。所以，葉片在藍光波段、紅光波段、綠光波段三者的反照率都存在著很大差異。健康葉片對紅光和藍色的反照率較低，對綠光的反照率較好。當葉片染病后其葉綠素濃度會明顯下降，對紅光和藍色紫光的吸收減少，對綠光的吸收則增加。所以紅光的藍色波段反射量增加，而綠色波段反射量則減少。

高光譜成像技術(shù)具備實時無損、分辨率高，能獲取頻譜和圖像數(shù)據(jù)等優(yōu)點，目前已在作物營養(yǎng)素診斷、分類識別、品質(zhì)鑒定、食品加工、病蟲害監(jiān)測等方面有大量研究和不同程度的應(yīng)用^[44]。由于高光譜圖像數(shù)據(jù)量大，存在共線等問題，被檢物所需的信息無法直接從三維立方體圖像中獲得，需要通過化學(xué)計量學(xué)模型來找出高光譜圖像與作物病害之間的關(guān)聯(lián)性。然而，目前對圖譜有效信息提取方法不夠成熟，導(dǎo)致數(shù)據(jù)處理難度加大；且基于高光譜成像技術(shù)構(gòu)建的作物病害圖譜數(shù)據(jù)庫尚不完善，雖能進行初步提取，但是對分類判別研究較少。

3.5 光學(xué)傳感檢測技術(shù)對比分析

隨著智能化農(nóng)業(yè)的快速發(fā)展，光學(xué)傳感技術(shù)在作物病害檢測中已得到廣泛應(yīng)用。不同光學(xué)傳感檢測技術(shù)有優(yōu)點同時也具有局限性，如表4所示。

由表4可知，使用光學(xué)傳感技術(shù)檢測作物病害的難點主要有：（1）已有的高準確率作物病害圖像識別模型所用的數(shù)據(jù)集多為實驗室拍攝的標準數(shù)據(jù)集（如AI Challenger和Plant Village等）^[45]。實驗室條件下采集的病害圖像數(shù)據(jù)往往過于理想化或不夠具有作物病害的代表性。在這些情形下構(gòu)建的病害鑒定模型在實際使用中很難實現(xiàn)較好的鑒定效果，會影響到模型檢驗的準確性，造成漏檢或鑒定有誤。（2）受環(huán)境影響大。由于背景和光線溫度不同、重疊或被遮蔽，尤其是檢查對象的背景葉片色彩非常接近等，將對目標葉片的檢測帶來較大影響。（3）存在“同譜異物”的現(xiàn)象。不同的病害脅迫在對同一個作物或不同作物同時受同種病害威脅時，可能會產(chǎn)生相同的光譜曲線，因此對作物病害的鑒定造成了很大的難度。

4 存在問題與展望

4.1 存在問題

目前針對作物病害的生化檢測技術(shù)已經(jīng)取得較好積累，在遙感技術(shù)及智慧農(nóng)業(yè)快速發(fā)展的前提下，基于非破壞性技術(shù)的作物病害檢測越來越受重視。本文從檢測原理對比分析作物病害的常用生化檢測技術(shù)和光學(xué)傳感技術(shù)的優(yōu)缺點，詳細介紹光學(xué)傳感技術(shù)的檢測機制，并歸納總結(jié)其難點。與生化檢測技術(shù)相比，光學(xué)傳感技術(shù)有其突出的優(yōu)越性，具有高效、快捷、無損的特點。但是由于作物生長環(huán)境的復(fù)雜性和病害的多樣性給利用光學(xué)傳感技術(shù)對作物病害檢測帶來以下問題。

1） 作物生長環(huán)境復(fù)雜，不利于光學(xué)傳感數(shù)據(jù)采集?，F(xiàn)有的光學(xué)傳感技術(shù)對作物的各項檢測大多限于實驗室光源環(huán)境，由于作物病害的多樣性，不同種類的作物在不同生長環(huán)境下具有不同特征，在自然環(huán)境條件下，光學(xué)傳感數(shù)據(jù)采集易受光照、溫度和濕度等因素影響。

2） 對具有相似病癥的不同病害準確識別較為困難。許多病原菌及其產(chǎn)生的毒素與寄主作物相互作用可能引起相似的病癥，這將導(dǎo)致“異物同譜”現(xiàn)象的發(fā)生。此外，作物圖像及光譜特征的變化不單單是由生物脅迫造成的，還受非生物脅迫等影響，這對作物病害精確識別帶來挑戰(zhàn)。

3） 缺少專門的作物病害檢測算法數(shù)據(jù)庫。由于作物病害光學(xué)傳感數(shù)據(jù)的復(fù)雜性，在農(nóng)業(yè)生產(chǎn)應(yīng)用中傳統(tǒng)經(jīng)典的算法不能滿足各種病害實際檢測的要求，需要對算法不斷改進以提高檢測的效率和準確性。

4.2 展望

由于作物病害種類多，發(fā)病時間、部位及病害程度復(fù)雜多變，今后的研究可以從以下方面展開。

1） 多技術(shù)結(jié)合。以往的研究中，往往只針對某種單一光學(xué)傳感或生化檢測技術(shù)進行研究，忽略了其他技術(shù)的輔助和指導(dǎo)。通過多技術(shù)的結(jié)合應(yīng)用，如：將光學(xué)傳感與分子生物學(xué)、免疫學(xué)等相關(guān)技術(shù)結(jié)合能夠使病害檢測從宏觀到微觀取得更好的效果。

2） 研究新的圖譜數(shù)據(jù)處理方法。通過研究光譜與作物生化組分之間的機理性關(guān)系，找到具有高專一性和代表性的病害特征，并尋找新的數(shù)據(jù)壓縮和提取等方法來提高病害檢測模型的精確度和普適性。

3） 構(gòu)建完整圖譜數(shù)據(jù)庫。不同發(fā)病期的作物病害圖像大小、顏色特征、區(qū)域分布并不一致，其光譜響應(yīng)波段和分析方法也不同，很難采用一定范圍內(nèi)的某一個特征或多個特征來表述。因此，構(gòu)建圖譜數(shù)據(jù)庫后可以對光譜數(shù)據(jù)、圖像數(shù)據(jù)和相應(yīng)病原物與病癥進行關(guān)聯(lián)，能夠?qū)哂邢嗨票碚鞯牟煌『蚀_識別提供更高的可能性。

在實際作物病害檢測過程中，及時發(fā)現(xiàn)病害發(fā)病初期特征至關(guān)重要，把病害控制在大規(guī)模發(fā)作之前，能夠更好地控制病害的爆發(fā)。由于作病害的早期癥狀模糊，易受環(huán)境條件的影響等，在病害初期得不到精確識別，因此今后的研究將集中在作物病害的早期實時檢測；同時隨著圖像處理技術(shù)、光譜分析技術(shù)、信息技術(shù)等快速發(fā)展和深度融合，光學(xué)傳感技術(shù)在作物病害檢測方面將會是未來的發(fā)展趨勢。

參 考 文 獻

[1]Ryan M R， Crews T E， Culman S W， et al. Managing for multifunctionality in perennial grain crops [J]. BioScience， 2018， 68（4）： 294-304.

[2]白雪冰， 余建樹， 傅澤田， 等. 光譜成像技術(shù)在作物病害檢測中的應(yīng)用進展與趨勢[J]. 光譜學(xué)與光譜分析， 2020， 40（2）： 350-355.

Bai Xuebing， Yu Jianshu， Fu Zetian， et al. Application of spectral imaging technology for detecting crop disease information：A review [J]. Spectroscopy and Spectral Analysis， 2020， 40（2）： 350-355.

[3]競霞. 基于多源多時相數(shù)據(jù)棉花黃萎病遙感監(jiān)測研究[D]. 北京： 北京師范大學(xué)， 2009.

Jing Xia. Remote sensing monitoring of Verticillium wilt in cotton based on multi-source and multi-temporal data [D]. Beijing： Beijing Normal University， 2009.

[4]Bock C H， Poole G H， Parker P E， et al. Plant disease severity estimated visually， by digital photography and image analysis， and by hyperspectral imaging [J]. Critical Reviews in Plant Sciences， 2010， 29（2）： 59-107.

[5]王翔宇， 溫皓杰， 李鑫星， 等. 農(nóng)業(yè)主要病害檢測與預(yù)警技術(shù)研究進展分析[J]. 農(nóng)業(yè)機械學(xué)報， 2016， 47（9）： 266-277.

Wang Xiangyu， Wen Haojie， Li Xinxing， et al. Research progress analysis of mainly agricultural diseases detection and early warning technologies [J]. Transactions of the Chinese Society for Agricultural Machinery， 2016， 47（9）： 266-277.

[6]闞春月， 王守法， 楊翠云. 植物種傳病害檢測技術(shù)的研究進展[J]. 安徽農(nóng)業(yè)科學(xué)， 2010， 38（15）： 7956-7959.

Kan Chunyue， Wang Shoufa， Yang Cuiyun. Progress of detecting plant seed-borne diseases [J]. Journal of Anhui Agricultural Sciences， 2010， 38（15）： 7956-7959.

[7]Bock C H， Poole G H， Parker P E， et al. Plant disease severity estimated visually， by digital photography and image analysis， and by hyperspectral imaging [J]. Critical Reviews in Plant Sciences， 2010， 29（2）： 59-107.

[8]Zhang N， Yang G， Pan Y， et al. A review of advanced technologies and development for hyperspectral-based plant disease detection in the past three decades [J]. Remote Sensing， 2020， 12（19）： 3188.

[9]Shahrour W G， Shatnawi M A， Abubaker S， et al. Identification of Phytophthora infestans from infected potato and tomato plants using molecular techniques [J].Journal of Food， Agriculture & Environment， 2013， 11（3&4）： 1216-1221.

[10]彭好文， 黎起秦， 蒙姣榮. PCR技術(shù)在植物病害研究中的應(yīng)用[J]. 廣西農(nóng)業(yè)科學(xué)， 2006（6）： 682-685.

Peng Haowen， Li Qiqin， Meng Jiaorong. Application of PCR technology in research of plant disease [J]. Guangxi Agricultural Sciences， 2006（6）： 682-685.

[11]Parida M， Sannarangaiah S， Dash P K， et al.Loop mediated isothermal amplification （LAMP）： A new generation of innovative gene amplification technique; perspectives in clinical diagnosis of infectious diseases [J]. Reviews in Medical Virology， 2008， 18（6）： 407-421.

[12]彭丹丹， 張源明， 舒燦偉， 等. 植物病原真菌分子檢測技術(shù)的研究進展[J]. 基因組學(xué)與應(yīng)用生物學(xué)， 2017， 36（5）： 2015-2022.

Peng Dandan， Zhang Yuanming， Shu Canwei， et al. Research progress on the molecular detection techniques of plant pathogenic fungi [J]. Genomics and Applied Biology， 2017， 36（5）： 2015-2022.

[13]Khan M， Li B， Jiang Y， et al. Evaluation of different PCR-based assays and LAMP method for rapid detection of Phytophthora infestans by targeting the Ypt1 gene [J]. Frontiers in Microbiology， 2017， 8： 1920.

[14]陳長卿. 大豆疫霉的分子檢測及游動孢子多樣性研究[D]. 咸陽： 西北農(nóng)林科技大學(xué)， 2005.

Chen Changqing. Molecular detection and zoospore diversity of Phytophthora soya [D]. Xianyang： Northwest A & F University， 2005.

[15]劉瓊光. 植物病原細菌的血清學(xué)鑒定和分類[J]. 江西植保， 1995（4）： 29-31.

[16]Ray M， Ray A， Dash S， et al. Fungal disease detection in plants： Traditional assays， novel diagnostic techniques and biosensors [J]. Biosensors and Bioelectronics， 2017， 87： 708-723.

[17]王彥翔， 張艷， 楊成婭， 等. 基于深度學(xué)習(xí)的農(nóng)作物病害圖像識別技術(shù)進展[J]. 浙江農(nóng)業(yè)學(xué)報， 2019， 31（4）： 669-676.

Wang Yanxiang， Zhang Yan， Yang Chengya， et al. Advances in new nondestructive detection and identification techniques of crop diseases based on deep learning [J]. Acta Agriculturae Zhejiangensis， 2019， 31（4）： 669-676.

[18]洪霓， 高必達. 植物病害檢疫學(xué)[M]. 北京： 科學(xué)出版社， 2005.

[19]Singh V， Sharma N， Singh S. A review of imaging techniques for plant disease detection [J]. Artificial Intelligence in Agriculture， 2020， 4： 229-242.

[20]Sai Reddy B， Neeraja S. Plant leaf disease classification and damage detection system using deep learning models [J]. Multimedia Tools and Applications， 2022， 81（17）： 24021-24040.

[21]黃木易， 王紀華， 黃文江， 等. 冬小麥條銹病的光譜特征及遙感監(jiān)測[J]. 農(nóng)業(yè)工程學(xué)報， 2003（6）： 154-158.

Huang Muyi， Wang Jihua， Huang Wenjiang， et al. Hyperspectral character of stripe rust on winter wheat and monitoring by remote sensing [J]. Transactions of the Chinese Society of Agricultural Engineering， 2003（6）： 154-158.

[22]張競成， 袁琳， 王紀華， 等. 作物病蟲害遙感監(jiān)測研究進展[J]. 農(nóng)業(yè)工程學(xué)報， 2012， 28（20）： 1-11.

Zhang Jingcheng， Yuan Lin， Wang Jihua， et al. Research progress of crop diseases and pests monitoring based on remote sensing [J]. Transactions of the Chinese Society of Agricultural Engineering， 2012， 28（20）： 1-11.

[23]Qi W， Tian Y， Lu D， et al. Research progress of applying infrared spectroscopy technology for detection of toxic and harmful substances in food [J]. Foods， 2022， 11（7）： 930.

[24]Fu X P， Ying Y B， Liu Y D， et al. Detection of pear firmness using near infrared diffuse reflectance spectroscopy [J]. Europe PMC， 2006， 26（6）： 1038-1041.

[25]El-Mesery H S， Mao H， Abomohra A E F. Applications of non-destructive technologies for agricultural and food products quality inspection [J]. Sensors， 2019， 19（4）： 846.

[26]Wang L， Jia M， Yin D， et al. A review of remote sensing for mangrove forests： 1956-2018 [J]. Remote Sensing of Environment， 2019， 231： 111223.

[27]Qu J H， Sun D W， Cheng J H， et al. Mapping moisture contents in grass carp （Ctenopharyngodon idella） slices under different freeze drying periods by Vis-NIR hyperspectral imaging [J]. LWT， 2017， 75： 529-536.

[28]李小龍， 秦豐， 趙龍蓮， 等. 近紅外光譜技術(shù)的小麥條銹病嚴重度分級識別[J]. 光譜學(xué)與光譜分析， 2015， 35（2）： 367-371.

Li Xiaolong， Qin Feng， Zhao Longlian， et al. Identification and classification of disease severity of wheat stripe rust using near infrared spectroscopy technology [J]. Spectroscopy and Spectral Analysis， 2015， 35（2）： 367-371.

[29]黃福貞. 植物感應(yīng)性反應(yīng)機制[J]. 生物學(xué)教學(xué)， 1999（10）： 1-3.

[30]李真. 紅外熱成像技術(shù)在作物病害早期檢測方面的應(yīng)用研究[D]. 保定： 河北農(nóng)業(yè)大學(xué)， 2015.

Li Zhen. Application of infrared thermal imaging technology in early detection of crop diseases [D]. Baoding： Hebei Agricultural University， 2015.

[31]Ishimwe R， Abutaleb K， Ahmed F. Applications of thermal imaging in agriculture—A review [J]. Advances in Remote Sensing， 2014， 3（3）： 128.

[32]Mahlein A K， Oerke E C， SteinerU， et al. Recent advances in sensing plant diseases for precision crop protection [J]. European Journal of Plant Pathology， 2012， 133： 197-209.

[33]Zia-Khan S， Kleb M， Merkt N， et al. Application of infrared imaging for early detection of Downy Mildew （Plasmopara viticola） in grapevine [J]. Agriculture， 2022， 12（5）： 617.

[34]郝松傲， 秦軍. 熱紅外圖像與可見光圖像的配準與融合[J]. 四川測繪， 2008（3）： 131-133.

Hao Songao， Qin Jun. The registration and fusion of infrared thermal image and visible light image [J]. Surveying and Mapping of Sichuan， 2008（3）： 131-133.

[35]朱文靜， 陳華， 李林， 等. 基于紅外熱成像邊緣檢測算法的小麥葉銹病分級研究[J]. 農(nóng)業(yè)機械學(xué)報， 2019， 50（4）： 36-41， 48.

Zhu Wenjing， Chen Hua， Li Lin， et al. Grading of wheat leaf rust based on edge detection of infrared thermal imaging [J]. Transactions of the Chinese Society for Agricultural Machinery， 2019， 50（4）： 36-41， 48.

[36]Pineda M， Barón M， Pérez-Bueno M L. Thermal imaging for plant stress detection and phenotyping [J]. Remote Sensing， 2020， 13（1）： 68.

[37]Vadivambal R， Jayas D S. Applications of thermal imaging in agriculture and food industry： A review [J]. Food and Bioprocess Technology， 2011， 4： 186-199.

[38]謝亞平， 陳豐農(nóng)， 張競成， 等. 基于高光譜技術(shù)的農(nóng)作物常見病害監(jiān)測研究[J]. 光譜學(xué)與光譜分析， 2018， 38（7）： 2233-2240.

Xie Yaping， Chen Fengnong， Zhang Jingcheng， et al. Study on monitoring of common diseases of crops based on hyperspectral technology [J]. Spectroscopy and Spectral Analysis， 2018， 38（7）： 2233-2240.

[39]Lowe A， Harrison N， French A P. Hyperspectral image analysis techniques for the detection and classification of the early onset of plant disease and stress [J]. Plant Methods， 2017， 13（1）： 80.

[40]Ma J， Sun D W， Pu H， et al. Advanced techniques for hyperspectral imaging in the food industry： Principles and recent applications [J]. Annual Review of Food Science and Technology， 2019， 10： 197-220.

[41]Yuan L， Yan P， Han W， et al. Detection of anthracnose in tea plants based on hyperspectral imaging [J]. Computers and Electronics in Agriculture， 2019， 167： 105039.

[42]Peuelas J， Filella I. Visible and near-infrared reflectance techniques for diagnosing plant physiological status [J]. Trends in Plant Science， 1998， 3（4）： 151-156.

[43]盧東昱， 崔新圖， 黃鏡榮， 等. 葉綠素吸收光譜的觀測[J]. 大學(xué)物理， 2006， 25（1）： 50-53， 63.

Lu Dongyu， Cui Xintu， Huang Jingrong， et al. Investigation on absorption spectrum of chlorophyⅡ [J]. College Physics， 2006， 25（1）： 50-53， 63.

[44]馬書英， 郭增長， 王雙亭， 等. 高光譜技術(shù)監(jiān)測植物病蟲害方法研究進展[J]. 測繪地理信息， 2021， 46（5）： 46-51.

Ma Shuying， Guo Zengzhang， Wang Shuangting， et al. Research progress in monitoring plant diseases and insect pests by hyperspectral technology [J]. Journal of Geomatics， 2021， 46（5）： 46-51.

[45]周長建， 宋佳， 向文勝. 基于人工智能的作物病害識別研究進展[J]. 植物保護學(xué)報， 2022， 49（1）： 316-324.

Zhou Changjian， Song Jia， Xiang Wensheng. Research progresses in artificial intelligence-Based crop disease identification [J]. Journal of Plant Protection， 2022， 49（1）： 316-324.