稻田病虫害的发生是造成水稻减产,影响稻米质量的主要因素,防止稻田病虫害的发生以早期预防为主,目前早期预防手段主要是根据生产经验对稻田进行药物全覆盖式植保,虽然取得了较好的防治效果,但大量药物残留也带来了粮食食品安全和环境污染等巨大副作用。如何因病、因虫精准植保,是响应国家减肥减药农业生产战略所面临的重点研究方向。精准植保首先要识别和预测病虫害的发生,病原菌孢子是稻田真菌病害微观层面的诱发因素,白穗是病虫害宏观层面的危害表征,将病原菌孢子和白穗表征作为识别和预测稻田早期病虫害发生的指标,能够在病虫灾害发生的初期进行精准防治和有效预警,对稻田植保减少药物使用有着重要意义。本文选取病原菌孢子和白穗表征作为监测指标,从稻田病害前期的病原菌孢子识别和病虫害发生初期造成的白穗表征识别两方面研究入手,以田间孢子自动捕捉仪和小型多旋翼无人机航拍系统为数据信息采集平台,利用电子显微镜成像技术、数字图像处理技术,结合机器学习算法,对稻田病虫害初期的发生进行识别和预测,为稻田病虫害的早期预防、精准植保提供理论依据和生产指导。本文针对山东稻区病虫害,展开稻瘟病病原孢子和病虫害白穗表征图像识别研究,同时,对试验稻田进行病虫害人工调查,将稻瘟病病情指数与稻田实时识别的稻瘟病孢子数量、螟虫害危害指数与无人机识别的白穗数量建立关联,为稻田病虫害预警提供监测指标,以进行实际植保生产指导。本文开展的主要工作和取得的结论如下:1.设计一种田间孢子自动捕捉仪,实现全天候、多时间段稻田病原菌孢子连续自动采集。该装置采用间歇式静态工作方式,简易、便携,一次可携带6片载玻片,每片载玻片可自由设定采样时间,采样完毕自动切换载玻片。项目期间利用该装置共采集30970幅田间孢子图像供试。设计一种基于小型多旋翼无人机的稻田冠层图像样本采集方案,实现大面积稻田全覆盖式农情采样。该方案充分发挥小型多旋翼无人机快速、实时、远程等优点,不但破解稻田环境不适合地面机械进入的难题,而且弥补布点式采样造成数据不全面的不足。项目期间利用小型多旋翼无人机共采集11799幅稻田白穗图像供试。2.提出一种基于梯度方向直方图特征(HOG特征)的加性交叉核支持向量机(IKSVM)检测稻瘟病孢子方法。该方法首先对显微图像分析系统预处理的稻瘟病孢子图像利用Gamma校正法调节图像的对比度,抑制噪声干扰;然后提取孢子图像的HOG特征作为输入向量,输入到支持向量机中,构建加性交叉核支持向量机分类器;最后通过机器学习训练得到稻瘟病孢子分类器。为测试所提出的HOG/IKSVM方法的综合性能,分别选用HOG/线性SVM方法与HOG/径向基核SVM(HOG/RBF-SVM)方法做对比试验。试验结果表明,IKSVM在面对菌丝、杂质的干扰时总体识别效果最好,总体识别率可以达到98.2%,高于HOG/线性SVM方法的79%;在平均检测时间上,HOG/IKSVM方法的平均检测耗时仅为HOG/RBF-SVM方法的1.1%。HOG/IKSVM方法在病原孢子识别上,不但总体识别率高,而且检测速度也有大幅度提高,检测速率逼近线性SVM,符合孢子室内检测快速、准确的要求。3.提出一种基于Haar-like特征结合Adaboost学习算法的稻田白穗表征识别方法。该方法以小型多旋翼无人机为采集平台,机载图像采集设备采集稻田冠层图像,进行预处理后作为白穗识别的研究对象。方法引入4类Haar-like特征模型,为验证特征模型的性能,设计了各类Haar-like特征模型以及多类Haar-like特征模型组合的识别性能对比试验,试验结果表明4类Haar-like特征及其组合特征中,C类+D类Haarlike组合特征对分类器性能提升强于其他特征。采用C类+D类Haar-like组合特征进行Adaboost训练学习,生成白穗表征识别用的强分类器,在测试集样本容量为550的情况下(正样本190个,负样本360个)进行识别试验。经试验,稻田白穗的正确识别率和误识别率分别为94.21%和3.33%,算法可以有效的抑制绝大多数的稻田背景、稻叶遮挡、稻穗黏连等复杂情况的影响,不过对于高强度光照和严重遮挡情况下的识别,算法还有待进一步优化和提高。为验证算法性能,设计了同轮廓波特征算法的对比试验,试验结果表明,C类+D类Haar-like组合特征识别效果优于轮廓波特征识别。采用C类+D类Haar-like组合特征,经Ada Boost训练学习得到的强分类器对测试集中的65张图像,423个白穂样本进行在线识别试验,结果表明:白穗识别率可达93.62%,误识别率为5.44%。4.设计2018、2019年度稻田病虫害危害指数与稻瘟病孢子数量、白穗表征数量的拟合试验。试验从约6000m2稻田中的“圣稻13”和“圣稻19”两个品种上进行,分别分析稻瘟病病情指数与稻田空气中稻瘟病病原孢子数量、螟虫虫害指数与稻田白穗识别数量之间的关系。试验数据表明:1)稻瘟病病情指数与当前稻瘟病孢子识别数量、5-7天前稻瘟病孢子识别数量均呈正相关关系,当稻瘟病孢子综合数量多于50个/400 m2时,稻瘟病病情指数与两个时间段的孢子识别数量均具有较好的相关性。2018年度和2019年度,调查区内稻瘟病病情指数与当前稻瘟病孢子识别数量、5-7天前稻瘟病孢子识别数量相关性决定系数R2区间分别为(0.677,0.903)和(0.557,0.925),且随着孢子识别数量的增加,相关性更为显著;5-7天前的稻瘟病孢子识别数量拟合度优于当前稻瘟病孢子识别数量,可作为稻瘟病病害发生的预警指标;2)稻田螟虫亩活虫量与当前白穗识别数量、10-12天前白穗识别数量均呈线性正相关关系。2018年度和2019年度,调查区内螟虫亩活虫量与当前白穗识别数量、10-12天前白穗识别数量相关性决定系数R2区间分别为(0.936,0.999)和(0.961,0.999),相关性显著;10-12天前白穗识别数量的拟合度最好,故可将10-12天前的无人机识别稻田白穗数量作为预警稻田螟虫危害发生的最佳参数指标。