基于RSTCNN的小麦叶片病害严重度估计

鲍文霞 林 泽 胡根生 梁 栋 黄林生 杨先军

(1.安徽大学农业生态大数据分析与应用技术国家地方联合工程研究中心， 合肥 230601;2.中国科学院合肥物质科学研究院， 合肥 230031)

0 引言

准确地估计小麦病害的严重度，有助于麦田病情的精准防控，同时针对性施用农药，减少种植成本和农业生态环境污染，对于病害的科学防治尤为关键[1]。

目前小麦病害严重度估计主要依靠有经验的工作人员到现场进行目视观察，人工方法耗时且费力，而且依赖于经验。利用可见光、多光谱或者红外传感器可以获得作物病害信息，结合计算机视觉和机器学习技术实现高效监测作物病害的严重程度，从而实时科学地精细化管控农业生产，提升作业效率，对于实施“智慧农业”有着积极意义。染病组织的光谱反射率有效地反映作物病害发生过程中的内部结构和形态等差异，因而利用光谱成像技术可以进行小麦病害的严重度估计[2-3]，但该方法的计算成本较大，而且野外环境对高光谱图像的采集造成一定影响。与传统的人工检测和高光谱成像相比，红外和可见光图像技术在小麦病害严重度估计工作中应用更广泛[4-5]。通过采集的红外热成像探明病害过程中的温度变化规律，以及对RGB图像的分析和处理，可实现对小麦叶锈病的快速检测和分级。目前基于经典机器视觉的病害严重度估计方式特征提取难，由于小麦病害叶片图像易受复杂的背景环境干扰，尤其是同类别病害的不同严重度之间的颜色纹理特征相似，细粒度差异较小，传统方法难以准确地对小麦叶片病害进行严重度估计。……