李萍 邵彧 齊國紅 張善文

摘要：作物病害葉片癥狀是病害類型識別的依據(jù)，與作物病害發(fā)生相關(guān)的環(huán)境信息是作物病害預(yù)測的依據(jù)。由于病害葉片癥狀和環(huán)境信息的復(fù)雜多樣性，使很多作物病害檢測方法的準(zhǔn)確率不高。針對大田作物病害檢測難題，提出一種基于卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural networks，簡稱CNN）和雙向長短時(shí)記憶網(wǎng)絡(luò)（BiLSTM）相結(jié)合的跨深度學(xué)習(xí)模型的作物病害檢測方法。首先，利用CNN提取作物病害葉片圖像的分類特征，利用BiLSTM提取病害發(fā)生的環(huán)境信息的特征;然后，利用注意力機(jī)制對2種特征進(jìn)行融合;最后，利用Softmax分類器進(jìn)行病害檢測。在作物病害相關(guān)數(shù)據(jù)庫上進(jìn)行試驗(yàn)，識別準(zhǔn)確率為92.35%。結(jié)果表明，該方法優(yōu)于傳統(tǒng)的病害檢測方法和基于長短時(shí)記憶神經(jīng)網(wǎng)絡(luò)（LSTM）的檢測方法。該方法能夠準(zhǔn)確檢測出作物病害，有助于提高大田作物病害檢測系統(tǒng)的準(zhǔn)確率和魯棒性。

關(guān)鍵詞：作物病害檢測;卷積神經(jīng)網(wǎng)絡(luò);雙向長短時(shí)記憶;注意力機(jī)制;跨深度學(xué)習(xí)模型

中圖分類號：TP391.41 ??文獻(xiàn)標(biāo)志碼： A

文章編號：1002-1302（2022）08-0193-06

多年來，我國作物病害防治主要依靠農(nóng)藥。盡管農(nóng)藥防治最簡便、有效、快速，但造成土壤、水和環(huán)境嚴(yán)重污染[1-2]。一般來說，病害發(fā)生初期容易防治，若發(fā)現(xiàn)不及時(shí)不僅防治困難，而且需要大量農(nóng)藥。但是，由于引起作物病害的因素多且復(fù)雜，病害初期癥狀不明顯，很難被發(fā)現(xiàn)，導(dǎo)致對病害分析存在一定難度，往往出現(xiàn)病害檢測不及時(shí)和誤判現(xiàn)象，從而導(dǎo)致農(nóng)藥誤用、濫用[3]。作物病害葉片癥狀是病害類型識別的依據(jù)，與作物病害發(fā)生相關(guān)的環(huán)境信息是作物病害預(yù)測的依據(jù)[4-6]。將病害葉片圖像和環(huán)境因子相結(jié)合進(jìn)行作物葉部病害早期檢測，有望提高病害檢測的準(zhǔn)確率。但檢測方法一直是人工智能和農(nóng)業(yè)等領(lǐng)域的一項(xiàng)應(yīng)用性強(qiáng)、難度大、具有挑戰(zhàn)性的研究課題[7-9]。主要原因是：（1）病害葉片復(fù)雜多樣無規(guī)則（圖1-A），早期病斑不明顯、類間差異?。▓D1-B、圖1-C）、且時(shí)變（圖1-D、圖1-E），所以僅利用葉片檢測病害不準(zhǔn)確，可能誤判;（2）作物病害發(fā)生原因復(fù)雜多變，主要與溫濕度、光照、降水量、CO2等環(huán)境因子相關(guān)，各種因子相互關(guān)聯(lián)、相互影響，所以難以預(yù)測病害發(fā)生規(guī)律;（3）物聯(lián)網(wǎng)采集的病害葉片圖像和環(huán)境因子是海量、多源、異構(gòu)、時(shí)變的大數(shù)據(jù)，傳統(tǒng)的人工智能方法不能有效處理和利用這些數(shù)據(jù)進(jìn)行作物病害檢測;（4）盡管從書籍、電視、農(nóng)科站、搜農(nóng)網(wǎng)等能獲得大量病害檢測和防治的先驗(yàn)知識，但格式多樣、描述差異大等，很難整合、有效管理和利用;（5）基于深度網(wǎng)絡(luò)的病害檢測方法效果顯著，但參數(shù)多、計(jì)算復(fù)雜度大、對算力要求高，解釋性較差，難以應(yīng)用于大田作物病害檢測系統(tǒng);（6）將符號化的知識表達(dá)為深度網(wǎng)絡(luò)能處理的數(shù)值后，大量的語義信息被丟棄，難以實(shí)現(xiàn)環(huán)境因子和病害圖像內(nèi)容與對應(yīng)的語義信息有機(jī)結(jié)合，檢測效果低。導(dǎo)致作物病害早期檢測方法研究面臨病害發(fā)生原因多且復(fù)雜，多源異構(gòu)、早期病害癥狀不明顯，深度網(wǎng)絡(luò)對算力要求高、可解釋性差等難題[10]。

計(jì)算機(jī)、農(nóng)業(yè)物聯(lián)網(wǎng)、衛(wèi)星遙感以及機(jī)器學(xué)習(xí)等技術(shù)不斷發(fā)展，為作物病情監(jiān)測預(yù)測帶來新的機(jī)遇，也出現(xiàn)很多作物病害自動檢測方法和技術(shù)。一些學(xué)者將環(huán)境因子和病害葉片圖像特征相融合進(jìn)行作物病害早期檢測，取得了較高的識別率[2，11]。該類方法符合人們的思維方式，但現(xiàn)有方法僅將環(huán)境因子與病害葉片特征簡單堆積成特征向量，很少考慮各種環(huán)境因子之間的相互聯(lián)系和相互影響，所以這些方法在實(shí)際作物病害早期檢測中的識別率有限。研究表明，環(huán)境信息是作物病害預(yù)測的依據(jù)，作物病害的發(fā)生和發(fā)展與氣候、氣象和生長環(huán)境等因素有關(guān)，其中與溫度、濕度、風(fēng)、雨、光照、CO2等關(guān)系最為密切[12-13]。王標(biāo)等研發(fā)了一種農(nóng)作物重大病蟲害監(jiān)測預(yù)警信息系統(tǒng)[14]。該系統(tǒng)具備病蟲監(jiān)測數(shù)據(jù)采集、管理、統(tǒng)計(jì)、圖形化分析、網(wǎng)頁信息推送、可視化展示等功能模塊，實(shí)現(xiàn)了與農(nóng)業(yè)農(nóng)村部農(nóng)作物重大病蟲害數(shù)字化監(jiān)測預(yù)警系統(tǒng)無縫對接。張競成等綜述了作物病害識別、嚴(yán)重度監(jiān)測和損失評估等方面所使用的算法，指出了目前作物病害遙感監(jiān)測中尚需解決的關(guān)鍵技術(shù)問題和如何實(shí)現(xiàn)大面積作物病害遙感監(jiān)測的研究思路[15]。魯軍景等總結(jié)了目前基于遙感的作物病害預(yù)測研究現(xiàn)狀，探討了作物病害遙感檢測研究中存在的問題和未來的發(fā)展趨勢[2]。利用農(nóng)業(yè)物聯(lián)網(wǎng)各種傳感器（圖2）和云平臺容易采集和存儲與作物病害檢測相關(guān)的溫濕度、風(fēng)、光照以及病害葉片圖像等數(shù)據(jù)，為實(shí)現(xiàn)遠(yuǎn)程大田作物病害自動檢測提供了基礎(chǔ)[2，12]。但這些數(shù)據(jù)是多源、異構(gòu)、含噪聲和冗余大的數(shù)據(jù)，而且實(shí)際病害發(fā)生原因多、病害葉片多種多樣、無規(guī)律，因此如何有效結(jié)合病害葉片圖像和環(huán)境因子對作物病害進(jìn)行早期檢測仍然是一個(gè)重要的難題。

卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural networks，簡稱CNN）廣泛應(yīng)用于作物病害檢測方法地研究中，并取得了顯著的成果[16-17]。張善文等針對AlexNet模型參數(shù)多、特征尺度單一等問題，提出了一種將擴(kuò)展卷積與全局卷積相結(jié)合的全局CNN，并在黃瓜病害葉片圖像數(shù)據(jù)庫上進(jìn)行了驗(yàn)證[18]。長短時(shí)記憶神經(jīng)網(wǎng)絡(luò)（LSTM）廣泛應(yīng)用于各種長時(shí)程依賴性的預(yù)測問題[19]。Xiao等將病蟲害發(fā)生問題表述為時(shí)間序列預(yù)測，利用長短時(shí)記憶網(wǎng)絡(luò)預(yù)測棉花病蟲害的發(fā)生，取得了較好的預(yù)測效果，進(jìn)一步驗(yàn)證了天氣因素對病蟲害的發(fā)生有很強(qiáng)的影響[20]。肖晴欣提出了一種基于LSTM的棉花病蟲害的發(fā)生預(yù)測方法。通過對LSTM網(wǎng)絡(luò)的不斷訓(xùn)練和迭代優(yōu)化，并利用1981—2011年間印度地區(qū)棉花病蟲害數(shù)據(jù)、天氣因素變化數(shù)據(jù)和部分大氣環(huán)流數(shù)據(jù)，驗(yàn)證了該方法的有效性[21]。注意力機(jī)制（attention mechanism）被廣泛應(yīng)用于在自然語言處理、圖像識別及語音識別等各種不同類型的深度學(xué)習(xí)任務(wù)中，在深度學(xué)習(xí)中得到了普遍關(guān)注和深入研究[22]。在此基礎(chǔ)上，本研究利用注意力機(jī)制將CNN與雙向長短時(shí)記憶神經(jīng)網(wǎng)絡(luò)（BiLSTM）相結(jié)合，提出一種作物病害檢測方法，并進(jìn)行試驗(yàn)驗(yàn)證。其中，BiLSTM能夠提取環(huán)境因子特征，CNN能夠提取病害葉片圖像較強(qiáng)的分類特征，注意力機(jī)制用于將CNN和BiLSTM相融合進(jìn)行病害檢測。

1 材料與方法

1.1 試驗(yàn)材料

在陜西楊凌農(nóng)業(yè)示范區(qū)采集小麥2種常見病害發(fā)病時(shí)的葉片圖像及其對應(yīng)的環(huán)境信息和氣象數(shù)據(jù)。這2種病害與環(huán)境和氣象信息緊密相關(guān)，空氣溫濕度和日照對病害影響最大，病原生物的繁殖、傳播等與氣象因素相關(guān)度很大，在長時(shí)間低溫、陰雨、缺少陽光等環(huán)境下發(fā)病率較高，在多雨天會快速產(chǎn)生分裂孢子，在適宜的環(huán)境條件下會引起小麥這2種病。土壤類型和溫濕度及其酸堿性對病害發(fā)生有一定影響。利用數(shù)碼相機(jī)、智能手機(jī)和物聯(lián)網(wǎng)等采集2種病害葉片圖像各500幅，利用物聯(lián)網(wǎng)傳感器記錄對應(yīng)的日均影響因子各500條。圖3為病害葉片圖像，表1為對應(yīng)的環(huán)境信息和氣象數(shù)據(jù)。

將每幅病害葉片圖像對應(yīng)表1中的各個(gè)日均因子進(jìn)行歸一化處理，然后利用主因子分析方法選擇30個(gè)主因子，構(gòu)成一個(gè)因子特征向量;然后由日均因子特征向量構(gòu)建成一個(gè)矩陣，其中矩陣的行為 1 000 ，表示特征向量的數(shù)量，列為30，表示每個(gè)樣本的日均因子（用數(shù)值表示）。將整理好的數(shù)據(jù)文件data.xls通過xlsread函數(shù)導(dǎo)入MATLAB中。

1.2 試驗(yàn)方法

1.2.1 長短期記憶模型

LSTM是一種特殊的遞歸神經(jīng)網(wǎng)絡(luò)（recursive neural network，簡稱RNN）[23]。與RNN的區(qū)別在于，LSTM的3個(gè)控制門為輸入門、輸出門、遺忘門。其中，輸入門控制保存長期狀態(tài)c;輸出門控制把即時(shí)狀態(tài)輸入到長期狀態(tài)c;遺忘門控制是否把長期狀態(tài)c作為當(dāng)前LSTM的輸出。LSTM通過加入的3個(gè)控制門學(xué)習(xí)長期依賴的信息，使其能夠保存長期狀態(tài)，解決只有一個(gè)隱藏層狀態(tài)h的RNN模型所存在的問題。在t時(shí)刻，LSTM有3個(gè)輸入，即當(dāng)前時(shí)刻網(wǎng)絡(luò)狀態(tài)的輸入xt、上一時(shí)刻的輸入ht-1和上一時(shí)刻的單元狀態(tài)ct-1;LSTM有2個(gè)輸出，即當(dāng)前時(shí)刻輸出ht和當(dāng)前時(shí)刻的單元狀態(tài)ct。其中，x、c、h都為向量。LSTM的關(guān)鍵為如何控制長期狀態(tài)c。

假設(shè)W是門的權(quán)重向量，b是偏置項(xiàng)，則門控

制表示為

g（x）=σ（Wx+b）。（1）

式中：σ為sigmoid函數(shù)，其值域?yàn)椋?，1）。

遺忘門、輸入門和輸出門分別表示如下：

ft=σ（Wf·[ht-1，xt]+bf）

it=σ（Wi·[ht-1，xt]+bi）

ot=σ（Wo·[ht-1，xt]+bo）。（2）

式中：Wf為遺忘門的權(quán)重矩陣;ht-1為t-1時(shí)刻狀態(tài)向量;[ht-1，xt]為把2個(gè)向量連接成一個(gè)更長的向量;bf為遺忘門的偏置項(xiàng)。

根據(jù)上一次的輸出和本次輸入計(jì)算用于描述當(dāng)前輸入的單元狀態(tài)ct′：

ct′=tanh（Wc·[ht-1，xt]+bc）。（3）

計(jì)算當(dāng)前t時(shí)刻的單元狀態(tài)ct：

ct=ft·ct-1+it·ct′。（4）

由式（4）把當(dāng)前的記憶ct′與長期的記憶ct-1結(jié)合起來，作為新的單元狀態(tài)ct。LSTM最后的輸出由輸出門和單元狀態(tài)共同決定，表示為

ht=ot·tanh（ct）。（5）

反向傳播算法訓(xùn)練LSTM的主要步驟為：（1）前向計(jì)算每個(gè)神經(jīng)元的輸出值ft、it、ot、ct、xt、ht;（2）反向計(jì)算每個(gè)神經(jīng)元的誤差項(xiàng)，包括2個(gè)方向：一個(gè)是沿時(shí)間的反向傳播，即從當(dāng)前時(shí)刻t開始，計(jì)算每個(gè)時(shí)刻的誤差項(xiàng);另一個(gè)是將誤差項(xiàng)向上一層傳播;（3）根據(jù)相應(yīng)的誤差項(xiàng)，計(jì)算每個(gè)權(quán)重的梯度;（4）用梯度下降的誤差后向傳播算法更新權(quán)重。

1.2.2 卷積神經(jīng)網(wǎng)絡(luò)

由于病害葉片圖像及其病斑圖像的復(fù)雜、多樣性，以及同一幅病害葉片或果實(shí)在不同情況下拍攝的病害圖像之間可能存在視角、亮度、平移、噪聲、擾動等差異，使得很難從病害圖像或病斑圖像中提取出有效的分類特征。針對現(xiàn)有CNN的訓(xùn)練收斂時(shí)間長、模型參數(shù)龐大等問題，提出一種改進(jìn)的CNN模型，描述如下：計(jì)算每個(gè)批次n個(gè)樣本的均值與方差，μ=1n∑ni=1xi，σ=1n∑ni=1（xi-μ）2，其中μ和σ分別為批次均值和方差;再將圖像歸一化，x～i=xi-μσ2+ε，其中ε為一個(gè)很小正數(shù)，保證表達(dá)式有意義，默認(rèn)取為0.001。因?yàn)楹唵蔚貙?shù)據(jù)歸一化可能影響原始生態(tài)的特征分布，所以通過變換重構(gòu)來恢復(fù)原始的特征分布：yi=γix～i+βi，其中γi和βi分別為方差和均值，通過訓(xùn)練得到。在模型訓(xùn)練過程中，使用批次樣本的歸一化均值與方差，測試時(shí)則使用全體樣本的均值和方差。

為減少參數(shù)和克服過擬合問題，利用全局池化操作代替全連接操作，該操作是將最后一個(gè)卷積層的每個(gè)特征圖的所有值融合為一個(gè)特征值。與一般CNN模型中的全連接層相比，全局池化能夠增強(qiáng)特征圖與類別的關(guān)系、防止過擬合、對輸入的數(shù)據(jù)空間變換不變性、可避免Dropout參數(shù)尋優(yōu)。改進(jìn)的CNN模型結(jié)構(gòu)，包括批歸一化處理、卷積和池化操作、全局池化操作、激活操作和分類識別。改進(jìn)CNN模型的架構(gòu)如圖4所示。

1.2.3 跨深度學(xué)習(xí)模型的作物病害檢測方法

雖然物聯(lián)網(wǎng)實(shí)時(shí)采集的作物視頻圖像和環(huán)境信息是2個(gè)完全不同的復(fù)雜數(shù)據(jù)模態(tài)，但他們之間存在著內(nèi)在的必然關(guān)聯(lián)：若作物生長環(huán)境條件滿足某種病害發(fā)生的條件，則該病害發(fā)生;病害發(fā)生則會引起作物葉片出現(xiàn)病斑癥狀;病害圖像出現(xiàn)，則表明有病害發(fā)生;若病害圖像的病斑逐漸增大，則表明該病害有發(fā)展趨勢，所以作物病害圖像和環(huán)境信息都與病害發(fā)生有著緊密聯(lián)系，將兩者綜合考慮能夠更準(zhǔn)確地檢測作物病害及其發(fā)展趨勢。在CNN和BiLSTM的基礎(chǔ)上，提出一種跨深度學(xué)習(xí)模型，并應(yīng)用于作物病害檢測中，其基本架構(gòu)如圖5所示。

在注意力機(jī)制層使用注意力機(jī)制計(jì)算CNN和BiLSTM的每個(gè)特征ai在當(dāng)前時(shí)刻t的權(quán)重αt，i：

αt，i=exp（eti）/∑Lk=1exp（etk）。（6）

式中：eti=fatt（ai，ht-1），etk=fatt（ak，hk-1）為多層感知器;fatt（·）為中間變量;ht-1為最后時(shí)刻的隱藏狀態(tài)。

通過權(quán)值的測量，可以使網(wǎng)絡(luò)聚焦于最具鑒別性的區(qū)域和特征圖。分類層將注意力機(jī)制層輸出的結(jié)果，輸入Softmax分類器進(jìn)行病害分類。損失函數(shù)J（θ）定義為

J（θ）=-∑x（i），y（i）∈Dlog[p（y=y（i）|x（i），θ）]。（7）

式中：θ為模型參數(shù);D表示樣本數(shù)據(jù)構(gòu)成的訓(xùn)練集;[x（i），y（i）]表示訓(xùn)練集中第i個(gè)樣本數(shù)據(jù)，x（i）是10維的向量，y（i）為病害類別;p[y=y（i）|x（i），θ]表示樣本[x（i），y（i）]病害檢測的概率。

2 結(jié)果與分析

為驗(yàn)證基于跨深度學(xué)習(xí)模型的作物病害預(yù)測方法的可行性，以小麥白粉病為例，利用小麥病害發(fā)生期間的環(huán)境信息進(jìn)行病害預(yù)測試驗(yàn)，并對2種傳統(tǒng)方法和2種深度學(xué)習(xí)方法進(jìn)行試驗(yàn)比較。2種傳統(tǒng)方法為基于顏色、形狀、紋理特征的植物葉片病害圖像檢索分析（CST）[7]和基于葉片圖像和環(huán)境因子方法（LIEI）[12]，2種深度學(xué)習(xí)方法為基于LSTM作物病害檢測方法[20]和基于知識圖譜與雙向長短時(shí)記憶網(wǎng)絡(luò)（KGBiLSTM）[23]。試驗(yàn)的硬件環(huán)境為內(nèi)存 32 G、CPU Intel（R） Core（TM） i7-4790 8×3.60 GHz、GPU GeForce GTX Titan X，訓(xùn)練速度使用單核Intel 3.47 GHz的15倍以上，深度學(xué)習(xí)架構(gòu)為Keras，編程語言為python。

利用5折交差驗(yàn)證法進(jìn)行試驗(yàn)，并進(jìn)行50次交差驗(yàn)證試驗(yàn)，對病害葉片圖像和選擇的環(huán)境信息經(jīng)過歸一化、分組和劃分?jǐn)?shù)據(jù)集后，分別輸入CNN和輸入BiLSTM模型進(jìn)行訓(xùn)練。訓(xùn)練時(shí)每次將1組數(shù)據(jù)輸入模型進(jìn)行訓(xùn)練，然后將模型預(yù)測結(jié)果與實(shí)際結(jié)果相比得到錯誤率，再使用一種合適的優(yōu)化算法更新權(quán)重矩陣，以此提高模型的預(yù)測準(zhǔn)確率。直到所有數(shù)據(jù)都輸入模型進(jìn)行預(yù)測與權(quán)重調(diào)整后，完成對網(wǎng)絡(luò)的一輪訓(xùn)練。試驗(yàn)結(jié)果為50次試驗(yàn)的平均值。利用Keras實(shí)現(xiàn)基于CNN和BiLSTM神經(jīng)網(wǎng)絡(luò)的小麥病害預(yù)測模型，權(quán)重初始化選用均值為0、方差為1的高斯分布，隱藏層激活函數(shù)選用ReLU函數(shù)，輸出層激活函數(shù)選用SoftMax，選用交叉熵?fù)p失函數(shù)binary_crossentropy，即logloss，隱藏層節(jié)點(diǎn)數(shù)設(shè)置為32，優(yōu)化算法選用Adam算法。以上這些參數(shù)作為默認(rèn)參數(shù)。影響CNN和BiLSTM模型預(yù)測準(zhǔn)確率的主要因素是batch_size與是否使用Dropout等。

由于使用Dropout抑制了部分節(jié)點(diǎn)，所以隨著迭代次數(shù)增加，準(zhǔn)確率出現(xiàn)抖動情況，但驗(yàn)證集準(zhǔn)確率高于訓(xùn)練集，未出現(xiàn)明顯的過擬合現(xiàn)象。CNN和BiLSTM模型在訓(xùn)練集上的最高準(zhǔn)確率達(dá)90.27%，在測試集上的最高準(zhǔn)確率達(dá)94.38%（圖6）。

由表2可知，CNN與BiLSTM相結(jié)合的跨模型準(zhǔn)確率最高，遠(yuǎn)高于其他4種方法，其原因是跨模型方法利用了病害葉片圖像和環(huán)境信息，并利用注意力機(jī)制對得到的特征進(jìn)行融合;LIEI方法次之，其原因是LIEI方法也利用了病害葉片圖像和環(huán)境信息進(jìn)行病害檢測;KGBiLSTM方法的識別率比LSTM方法高，其原因是KGBiLSTM能將多源異構(gòu)環(huán)境信息和氣象信息等關(guān)聯(lián)起來， 得到病害發(fā)生的主要因素;CST方法的識別率最低，其原因是該方法很難從病害葉片圖像中提取魯棒性的分類特征。傳統(tǒng)方法的訓(xùn)練時(shí)間較短，其原因是傳統(tǒng)方法需要訓(xùn)練的參數(shù)很少;跨模型方法的訓(xùn)練時(shí)間很長，其原因是該方法涉及到的訓(xùn)練參數(shù)很多，但當(dāng)模型訓(xùn)練好后，識別時(shí)間與一般深度學(xué)習(xí)模型基本一樣?？缒Ｐ驮趯W(xué)習(xí)大量病害葉片圖像和環(huán)境信息后，能總結(jié)出一系列病害發(fā)生和發(fā)展的變化規(guī)律，由此可以預(yù)測環(huán)境信息對作物病害檢測和識別的影響，提出的作物檢測方法不具有該功能。因此，跨模型在作物病害檢測方面具有較好的準(zhǔn)確率和穩(wěn)定性。

3 結(jié)論

作物病害葉片圖像與病害發(fā)生相關(guān)的環(huán)境信息是病害識別與檢測的依據(jù)，但這2類數(shù)據(jù)是高度異構(gòu)、冗余的，跨模型深度學(xué)習(xí)方法能夠通過在2類深度學(xué)習(xí)模型得到的特征進(jìn)行融合，解決了基于病害圖像和病害環(huán)境信息相結(jié)合的病害識別與檢測問題。針對基于環(huán)境因子的作物病害檢測難題，在CNN、LSTM的基礎(chǔ)上，本研究提出了一種基于CNN和LSTM相結(jié)合的作物病害檢測方法。該方法為基于物聯(lián)網(wǎng)的作物病害檢測方法研究提供了一個(gè)新思路。結(jié)果表明，該模型能有效過濾缺失數(shù)據(jù)和噪聲數(shù)據(jù)，學(xué)習(xí)一系列環(huán)境因子序列的變化規(guī)律及其對作物病害檢測的影響，有助于提高大田作物病害檢測的準(zhǔn)確率和可靠性。由于跨模型方法的參數(shù)很多，所以模型的訓(xùn)練時(shí)間很長。下一步研究將對跨模型進(jìn)行優(yōu)化，提高訓(xùn)練效率。

參考文獻(xiàn)：

[1]陳 潔. 農(nóng)藥暴露與腫瘤的關(guān)系及非職業(yè)暴露人群農(nóng)藥水平的評估與干預(yù)初探[D]. 廣州：南方醫(yī)科大學(xué)，2017.

[2]魯軍景，孫雷剛，黃文江. 作物病蟲害遙感監(jiān)測和預(yù)測研究進(jìn)展[J]. 遙感技術(shù)與應(yīng)用，2019，34（1）：21-32.

[3]Andreotti G，Hou L F，Beane Freeman L E，et al. Body mass index，agricultural pesticide use，and cancer incidence in the agricultural health study cohort[J]. Cancer Causes & Control，2010，21（11）：1759-1775.

[4]李 紅，丁麗麗，田 英，等. 2019年新疆兵團(tuán)棉花病蟲害發(fā)生趨勢預(yù)測及防治對策[J]. 中國棉花，2019，46（3）：42-43，46.

[5]刁智華，袁萬賓，刁春迎，等. 病害特征在作物病害識別中的應(yīng)用研究綜述[J]. 江蘇農(nóng)業(yè)科學(xué)，2019，47（5）：71-74.

[6]Barbedo J G A. A review on the main challenges in automatic plant disease identification based on visible range images[J]. Biosystems Engineering，2016，144：52-60.

[7]Patil J K，Kumar R. Analysis of content based image retrieval for plant leaf diseases using color，shape and texture features[J]. Engineering in Agriculture，Environment and Food，2016，10：69-78.

[8]Singh V，Misra A K. Detection of plant leaf diseases using image segmentation and soft computing techniques[J]. Information Processing in Agriculture，2017，4（1）：41-49.

[9]Ganatra N，Patel A.A survey on diseases detection and classification of agriculture products using image processing and machine learning[J]. International Journal of Computer Applications，2018，180（13）：7-12.

[10]Ashourloo D，Mobasheri M，Huete A.Evaluating the effect of different wheat rust disease symptoms on vegetation indices using hyperspectral measurements[J]. Remote Sensing，2014，6（6）：5107-5123.

[11]Zhang J C，Pu R L，Yuan L，et al. Integrating remotely sensed and meteorological observations to forecast wheat powdery mildew at a regional scale[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing，2014，7（11）：4328-4339.

[12]王獻(xiàn)鋒， 張善文，王 震，等. 基于葉片圖像和環(huán)境信息的黃瓜病害識別方法[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2014，30（14）：148-153.

[13]馬慧琴. 基于多源數(shù)據(jù)的小麥白粉病遙感監(jiān)測與預(yù)測模型研究[D]. 南京：南京信息工程大學(xué)，2017.

[14]王 標(biāo)，譚小平，尹 麗，等. 湖南省農(nóng)作物重大病蟲害監(jiān)測預(yù)警信息系統(tǒng)的研發(fā)與應(yīng)用[J]. 中國植保導(dǎo)刊，2018，38（1）：37-43.

[15]張競成，袁 琳，王紀(jì)華，等. 作物病蟲害遙感監(jiān)測研究進(jìn)展[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2012，28（20）：1-11.

[16]邱 靖，劉繼榮，曹志勇，等. 基于卷積神經(jīng)網(wǎng)絡(luò)的水稻病害圖像識別研究[J]. 云南農(nóng)業(yè)大學(xué)學(xué)報(bào)（自然科學(xué)），2019，34（5）：884-888.

[17]孫文杰，牟少敏，董萌萍，等. 基于卷積循環(huán)神經(jīng)網(wǎng)絡(luò)的桃樹葉部病害圖像識別[J]. 山東農(nóng)業(yè)大學(xué)學(xué)報(bào)（自然科學(xué)版），2020，51（6）：998-1003.

[18]張善文，黃文準(zhǔn)，尤著宏. 基于物聯(lián)網(wǎng)和深度卷積神經(jīng)網(wǎng)絡(luò)的冬棗病害識別方法[J]. 浙江農(nóng)業(yè)學(xué)報(bào)，2017，29（11）：1868-1874.

[19]王獻(xiàn)鋒，張傳雷，張善文，等. 基于自適應(yīng)判別深度置信網(wǎng)絡(luò)的棉花病害預(yù)測[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2018，34（14）：157-164.

[20]Xiao Q X，Li W L，Chen P，et al. Prediction of crop pests and diseases in cotton by long short term memory network[M]//Huang D S，Jo K H，Zhang X L，et al. Intelligent computing theories and application. Cham：Springer International Publishing，2018：11-16.

[21]肖晴欣. 基于長短時(shí)記憶網(wǎng)絡(luò)的棉花病蟲害發(fā)生預(yù)測研究[D]. 合肥：安徽大學(xué)，2019.

[22]Mi Z J，Jiang X H，Sun T F，et al. GAN-generated image detection with self-attention mechanism against GAN generator defect[J]. IEEE Journal of Selected Topics in Signal Processing，2020，14（5）：969-981.

[23]張善文，王 振，王祖良. 結(jié)合知識圖譜與雙向長短時(shí)記憶網(wǎng)絡(luò)的小麥條銹病預(yù)測[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2020，36（12）：172-178.