本文收录于《农业工程技术-农业信息化》2024年第5期，目次14
摘要：大豆叶斑病是大豆生产中的常见疾病，多发于低温多雨季节。将人工智能技术应用到大豆叶斑病诊断中后，可提高诊断结果精准度，为制定病害防治策略提供数据支持。为进一步提高叶斑病诊断成效，该文分析了人工智能技术在大豆叶斑病诊断中的价值，并结合病害防控实践，论述了图像识别技术、图像分割技术、大数据技术等人工智能技术在大豆叶斑病诊断中的具体应用。
关键词：人工智能技术；大豆叶斑病；病害诊断
叶斑病是大豆种植与管理中常见病害类型之一。若得不到及时有效防控，直接影响作物生产质量与产量。为实现优质优产，需要精准诊断病害，最大程度减少病害范围，以及降低病害负面影响。小规模种植模式下，种植管理者多依靠目测或经验判定法诊断病害。因种植管理者农业技术水平、知识储备优差异，若仅凭经验识别病害，并不能保证诊断结果的精准性，极有可能错过最佳的病害防治时机。人工智能技术可通过图像分析与模式识别等现代化方法精准、快速分析叶片图像，准确、及时诊断叶片是否存在叶斑病、病害程度等，为制定病害防治方案提供依据，防止病害扩散诱发减量减产问题。
1
人工智能技术在大豆叶斑病诊断中的应用价值
传统的大豆叶斑病诊断方法多依靠人工，即种植管理者结合过往生产经验判断大豆是否出现了叶斑病，以及病害程度。此种判断方式多受主观因素影响，难免判断失误。从病害诊断时效性看，人工诊断可应用到小规模病害防治中，但大豆生产日趋规模化，人工诊断模式俨然满足不了现代化大豆病害防治需求。为此，人工智能技术成为发展精准农业、智慧农业的重要技术推动力，助推了农业生产方式的变革与发展。人工智能技术的具体应用优势如下：
一是诊断依据具有客观性。人工智能技术以数据算法为基准，诊断依据更科学，即对叶片图像进行数据化分析与比对，快速诊断叶斑病病害情况[1]；二是诊断结果具有精准性。大豆叶斑病可细化为细菌性斑点病与细菌性斑疹病，用肉眼不易识别具体病害类型，加大了人工诊断失误率。而人工智能技术诊断过程自动化水平较高，可细致分析叶片图像，规避了人为诊断失误问题，提高诊断精准度[2]；三是诊断时效性强。人工智能技术通过机器学习与图像识别技术，可快速分析与诊断叶片图像信息，提高了诊断时效性，为种植管理者快速制定病害防控方案争得时间，防止病害进一步扩散；四是诊断具有动态性。人工智能系统可融合物联网技术对大豆种植地进行全天候24小时监测，在探测到叶斑病病害迹象后，及时通过预警系统发送预警通知，为种植管理人员防治病害争夺时间，尽可能地减少病害损失。
人工智能技术在大豆叶斑病诊断中的应用路径
2.1 图像识别技术
目前，关键的图像识别技术有图像背景分割、生成对抗网络、卷积神经网络与迁移学习[3]。此项技术重在对图像进行分割化处理，如依托卷积神经网络模型训练前，对大豆叶片与背景图像进行分割化处理，以降低图像数据规模，为卷积神经网络模型快速进行病害图像训练与识别打好基础。总体而言，此项技术在快速识别大豆叶片图像方面发挥重要作用，为智能化决策提供依据。
在智能化决策环节，可将实时影像传至分析系统，并依托深度学习算法，在融合应用YOLO与卷积神经网络基础上，依托卡尔曼滤波器动态追踪影像信息。此神经网络模型是经ImageNet数据训练形成的神经网ResNet50，成为农作物病虫害的重要图像识别技术。一方面，通过分解ResNet50神经网中的完全联动判定模块，以及结合农作物的类目，创设出新的完整的连接判定模块。在进一步分析大豆叶片采样数据后，封锁ResNet50各原因权重，进一步分析新增加的网络分量，以此诊断大豆叶片是否存在叶斑病。系统客户端亦可整合与存储Hadoop上传的照片以及APP采集的数据信息，通过MySQL 数据库对数据进行结构化处理。接着以此方法为基础，进一步将符合判定要求的数据信息存储到Rwdis中,方便动态更新与维管缓存数据，提高数据传递与响应速度，为后续快速诊断同类情况营造条件。
2.2 图像处理技术
一是依托图像处理技术对大豆叶斑病叶子图像进行分割，分析与计算病斑面积，在精准与合理提取目标叶片与病斑面积基础上，再次提升计算像素面积才的精准度[4]。将人工侵染的大豆叶斑病典型叶片作为研究对象，运用特征空间聚类法有效分割大豆叶片病斑区域，结合目标叶片与病斑区域像素数，进一步确定大豆叶片叶斑病面积[5]。依托此种方法对培养皿与背光板上的叶片图像进行试验化分析，并通过photoshop逐像素、手动抠图等方式，进一步分析特征空间聚类法计算出的叶片RLA精准度与实用性[6]。在计算出平板面积以后，可判断出病害严重程度，为制定防治措施提供依据。
二是在BP神经网络基础上进行图像分割。以图像为基础的自动检测技术替代了过往传统的人工监测方式，可精准客观地了解病害情况，进而制定病害应急预案，减少危害程度。从病斑颜色特点、病区与健康区颜色入手，结合BP神经网络信号值，融合病区与健康区颜色，在BP网络基础上形成特有的R、G、B3分量。对于原有的影像数据信息（比如大豆植株叶片）可以纳入 RGB彩色空间，选择出最佳的彩色信道。总体而言，在人工智能技术基础上，可动态监测大豆成长发育与叶斑病等病害情况，进而结合病害情况做出及时的防控响应。
2.3 人工智能与大数据技术
有害生物监测预警技术集合了互联网、物联网、GIS与大数据等众多信息技术之所长，可高效采集与诊断病害相关的数据信息，如气象、文字、视频、或者有害生物图文、视频等数据资料。软件系统在对汇总的数据进行挖掘、分析与计算后，精准判断各监测区域有害生物情况，实现了传统人工监测向图像自动监测的过渡。图像自动监测技术在综合分析病种形态、纹理、颜色等各方信息基础上，构建多元化、多层次的模糊神经网络，并进一步汇总遗传算法、分析理论、小波分析等理论以及神经网络技术优势，快速识别出大豆叶斑病病害情况。
3
结语
农业生产逐步向现代化、智能化发展，将人工智能技术与大豆叶斑病病害诊断结合，成为大豆生产的重要发展趋势。图像识别技术可快速识别大豆是否出现了叶斑病；图像处理技术可进一步确定叶片叶斑病面积，判定病害严重程度。或者，动态监测大豆成长态势、成长状况等；人工智能与大数据技术融合后，可采集、整合、分析与大豆成长相关的数据信息，精准判断叶斑病病害情况。无论采用何种人工智能技术，种植管理者均应提高自身信息化素养，能结合人工智能识别与判断的叶斑病病害结果，制定针对性的病害整治方案，努力实现“事前防控、事后及时治理”的目标，将病害负面影响降到最低。
参考文献：
[1]田晓乐.深度模糊神经网络改进研究及其在农作物病害识别的应用[D].东北农业大学,2023.
[2]陈思羽,朱红媛,王贞旭,等.基于Python的大豆病害图像检测技术研究[J].大豆科学,2023,42(3):360-366.
[3]陈一萍.小样本数据下大豆叶片病害识别方法研究[D].东北农业大学,2022.
[4]谭秦红.基于无人机图像处理的大豆叶片病害识别准确率研究[J].河南农业科学,2021,50(3):174-180.
[5]于通.基于图像和光谱信息的典型叶片病害识别研究[D].吉林大学,2020.
[6]韩殿元,黄心渊,付慧.基于彩色通道相似性图像分割方法的植物叶面积计算[J].农业工程学报,2012,28(6):179-183．
作者单位：山东省临沂市沂水县诸葛镇人民政府
http://www.nygcjs.cn/cn/article/doi/10.16815/j.cnki.11-5446/s.2024.14.014
2025年出版12期，刊号：CN11-5436/S。
邮发代号：82-133
订阅方式：编辑部直接订阅
订阅地址：北京朝阳区麦子店街41号
邮编：100125
订阅电话：010-59195603
订阅及投稿邮箱：nyxxh2015@163.com
