虽然近年来国内外研究者基于深度学习技术开展了大量的植物病害目标检测与分类识别研究,推动了检测与识别准确度的提高,但在实际应用场景中,植物病害检测与识别仍然面临着诸多挑战。
(1)光照变化导致目标区域准确定位难。在实际植物种植环境中,一日之内光照变化剧烈、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。
(2)背景复杂导致目标的准确检测难度大。在实际植物种植环境中获取的病害图像背景有可能会包括叶片、树干、茎秆、根部、土壤、杂草、秸秆、地膜、落叶、石头、积水、阴影等,在复杂背景条件下获取的植物病害图像对于病斑的目标检测难度较大。同时,植物病斑颜色形状等有可能与背景中的其他对象相似,造成目标检测的准确率降低。
(3)遮挡导致目标特征缺失、噪声重叠。目前,大多数研究者都避免对复杂环境下植物病害的识别,采用直接截取所采集图像感兴趣的区域的方法,很少考虑遮挡问题。遮挡问题在复杂自然环境中普遍存在,包括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。遮挡条件下植物病害识别的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。
(4)病害相似性导致错判或者误判。不同的病害引起的症状具有相似性。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。
(5)病害症状变化导致病害识别难度大。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4种类型,分别为黄斑型、叶枯型、萎蔫型和落叶型,这对病害识别提出了很大的挑战。
(6)多重病害交叠导致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都是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。