农作物病虫害是威胁粮食产量和品质的**大自然生物灾害，也是威胁粮食安全、制约农业生产的重要因素之一。据联合国粮农组织（Food and Agriculture Organization of the United Nations，FAO）统计，全世界每年由病虫害导致的粮食减产约占总产量的1/4，其中虫害导致的损失约占10%，而病害导致的损失约占14%。水稻是我国主要的粮食作物之一，对于我国人民的生存和发展有着十分重要的意义。水稻生长状况的好坏直接影响着大米的产量和口感，如何保障水稻健康生长是亿万农民切实关心的问题，其中影响水稻生长的**干扰因素是水稻病虫害，各种各样病虫害的侵袭可能在一夜之间造成水稻的减产或大面积倒伏，所以水稻病虫害的早期监测和科学防治至关重要。

目前水稻病虫害防治的主要应对措施是依靠人工现场实地调查，确定农田是否有病虫害，是否缺水或缺肥等状况，然后根据农田症状进行农药或肥料喷洒。然而在实际生产中，多次大面积的人工实地监测不仅费时费力而且调查覆盖度不高，而且人工施药多是没有针对性的大面积喷洒农药，会造成严重的施药过量现象，不仅使资金和资源浪费，还造成了具有潜在危险的环境污染问题，由于其相对隐蔽性而难以及时处理，严重影响了农田资源质量和生态环境，造成了各种隐患。因此，科学化、节约化、定量化的病虫害监测和防治研究很有必要。

精准监测和科学控制水稻病虫害不仅有利于减少农药和杀菌剂的使用还可以减少病虫害造成的损失，保障农田生态环境和后续农产品的安全，同时保证我国的粮食安全和增加农民的生产收入。近年来，深度学习、高光谱遥感、无人机遥感等新兴技术逐渐应用到农作物空间分布识别及病虫害诊断中。无人机遥感（UAV Remote Sensing，UAVRS）将无人驾驶飞行器技术与遥感技术、POS定位技术以及通信技术等相结合，在国土资源和生态环境等领域，通过对空间遥感信息进行处理、建模和分析以提供实时快速的技术解决方案，具有自动化、智能化、专业化的强大优势。我司自研的ATH9010NY无人机农作物健康指数巡查系统，可获取实时高空间分辨率和高波谱分辨率遥感影像数据图，拥有卫星遥感和地面遥感技术无法替代的优点。它可以提供多角度的高分辨率影像，与地面遥感视野窄、工作范围小的局限相比，优势明显。

图2 ATH9010无人机高光谱飞行示意图

利用近地面无人机平台获取成像高光谱数据，开展基于机器学习和深度卷积神经网络模型的水稻病虫害监测，首先基于高光谱影像数据处理软件进行高光谱影像预处理；其次利用深度卷积神经网络模型进行水稻田的精确提取，然后基于提取的水稻田分布状况和面积信息对水稻的光谱信息和病虫害胁迫下的光谱特征进行分析，最后通过PNN概率神经网络算法实现水稻病虫害等级的精准监测，从而为水稻规划和治理提供参考依据，具体技术路线如下图3所示。

可以实现内容：

1）获取大范围无人机高光谱影像数据，同时基于我司自主研发的无人机高光谱影像数据处理软件可以快速实现高光谱数据的预处理。

2）基于预处理后无人机高光谱影像，利用深度卷积网络模型，可快速、准确、自动化地获取大范围的水稻分布信息以及水稻种植的面积信息，从而实现水稻种植信息的实时监测，为水稻种植规划提供合理依据。

3）基于提取后的水稻分布信息，进行水稻稳定光谱和病虫害胁迫下敏感光谱分析，然后基于PNN概率神经网络算法，建立高光谱数据和水稻病虫害严重度的关联模型，输入冠层高光谱数据就获得研究区域水稻病虫害严重度情况，并分级得出定量化的农药喷洒量，实现大面积水稻田的精准监测和按需施药效果从而为农业部门产量质量管理和种植规划提供参考。

4）将所有算法集成部署到高光谱影像处理软件中，实现算法的重复利用和一键式操作。

随着计算机科学和人工智能技术的发展，卷积网络已成为图像分割和模式识别中的研究热点，它是通过各卷积层的不断地进行卷积计算，自主地从丰富的训练样本中学习特征进行图像分割，这种端到端的处理模式有效地提高了图像分割的精度与速度。卷积神经网络对解决块状边界引起的不连续性问题也更具优势，可以更好地解决水稻光谱与背景光谱区分度不够等问题，以及它在较为复杂的场景下也依然具有较好的图像解译能力和鲁棒性。因此本次水稻田的自动化提取采用卷积神经网络模型实现，具体示意图如下图4所示。

卷积神经网络是一种包含卷积计算且具有深度结构的前馈神经网络，是深度学习最常用的代表算法之一。它利用深层卷积模拟了人类视觉感知机制中的分层感知和局部感受野，来处理一些非结构化的数据，并以一种端到端的方式集成低、中、高不同层次的特征，从而获得丰富的特征信息，提升遥感图像语义分割的准确度。卷积神经网络的基本结构一般包括数据输入层、卷积层、池化层、全连接层以及输出层，其基本的模型框架如图5所示。

在利用卷积神经网络进行不同地物分类任务时，可以根据特定的目的和需求构建合适的网络模型，也可以使用现阶段已有的经典网络模型，本节将对经典的U-Net和残差网络结构进行介绍，为后续开展模型优化奠定基础。

U-Net：

U-Net卷积神经网络是由Ronneberger等人于2015年提出，它基于全卷积神经网络拓展和修改而来，最早被应用在生物医学领域的细胞切割中，对于小样本数据具有较高的准确率。U-Net卷积网络结构清晰，呈对称U型，是一种左编码-右解码的结构，编码部分通过卷积操作使通道数逐渐增加，并利用**池化操作对空间维度逐渐减小，解码部分则是通过反卷积操作逐步对通道数进行降低，同时实现图像的细节以及空间维度的修复。最关键的部分是在编码和解码中间通过一个级联方式，将编码部分卷积操作后的特征图加入到解码部分，实现深层及浅层特征信息的有效结合，增加分割结果的细节信息，从而使得解码部分目标细节修复的更好，具体结构如图6所示。

图中U-Net的编码部分包含4个下采样模块，每个下采样块由卷积层和池化层组成，在每次下采样过程中将特征通道的数量增加１倍，同时将特征图的大小缩小为原来的一半，经过４次下采样后，特征图的通道数最终变为1024，而原图的长和宽缩小为原来的1/16。由于在卷积操作过程中存在边缘像素丢失现象，故在上采样部分，使用一个快捷连接方式将左边的特征图拷贝和裁剪至对应级别的上采样部分，更好地保留图像的细节。在上采样（解码）部分，同样包含4个上采样块，通过反卷积操作将图像尺寸进行还原，同时使通道数减低，在最后采用一个1*1的卷积将64个组成要素向量映射到所需的类别数，完成图像分割，整个网络总共有23个卷积层。

植被指数算法是依据光谱反射特征，通过利用不同波段的植被光谱反射率进行多种组合获得的，旨在通过植被指数反演出与植被生理或物理相关的信息，从而评价植被的生长状况。高光谱遥感与多光谱遥感相比不仅光谱波段大大增加，而且光谱分辨率增高，因此在植被指数算法反演植被信息方面有着很大的用途，开辟了一条能够量化植被生物物理和生物化学参数的途径。本次项目构建了26种表征病虫害严重程度较好的光谱植被指数用于高光谱数据的分析。

按照水稻受到不同等级病虫害程度，将水稻病虫害监测划分为为健康、轻微病害、中度病害和严重病害。

概率神经网络(Probabilistic Neural Networks)，简称为 PNN，它的设计简单方便，可以用线性学习算法代替非线性学习算法的功能，目前被研究者广泛应用于模式识别和分类问题。概率神经网络是参照了径向基函数网络变形而来,它由输入层、经向基层和输出层(竞争层)构成,其中经向基层的数量和输入层矢量样本的数量是相同的，且具有阈值;输出层的个数就等于训练的样本类别数，具体的网路结构图如下图所示。