由于图像处理技术是一种低成本的、非破坏性的方法，目前已普遍用于病害识别领域，以检测农作物的病害和胁迫。 图像处理方法在作物病害的自动检测和早期诊断中发挥了重要作用，且当前很多研究都能够达到较高的病害识别准确率（王树文等 2011; 夏永泉等 2018; Chouhan S S et al. 2018）。而大多数的研究获取的图像都是在均匀光源和单一背景条件下捕捉的，这些系统一旦在复杂的田间环境下测试时，准确率会迅速下降，研究表明在处理田间拍摄的图像时，复杂的背景会对判断叶片病害类型产生很大影响（Barbedo J G A 2019; Hamuda E et al. 2017）。自动去除自然条件下叶片图像的复杂背景已被证明是一个非常复杂的问题，也是当前研究的一个重要方向。
传统的图像分割方法主要包含阈值分割、边缘检测、偏微分方程（PDE）分割、区域分割和合并，或基于图论的方法（Peng B et al. 2013）。高攀等（2019）提出了一种基于轮廓搜索函数的分割算法用来分割棉花叶片，将图像中每个棉花叶片的轮廓保存为点的形式，保留轮廓间的拓扑关系，该算法对于处理图像结构简单的情况效果较好。Zhang S et al.（2019）使用超像素聚类和 EM 算法来分割黄瓜叶片病害区域，该算法有一定局限性，因为区域分割和合并算法只有在目标叶与背景非常不同或用户干预的情况下才有效。在 Pantazi X E et al.（2019）的研究当中，作者提出了使用 GrabCut算法从复杂背景中分离树叶，用户在手机屏幕上画一个边框来标记 RoI，并初始化GrabCut 算法实现叶片分割，这显然是比较复杂的，如何为算法自动标记区域是一个研究方向。
近年来，深度学习算法在机器视觉等多个方向取得极大成果。在农业应用领域，深度学习算法已经被广泛应用，复杂背景下的叶片分割也同样出现了很多研究成果。Ngugi L C et al.（2020）使用 UNet 语义分割网络分割番茄叶片，并开发了移动终端将模型投入使用。Chen S et al.（2021）提出了一种混合 CNN 模型，该模型结合了 U-net和 SegNet 语义分割网络来分割新生长的树叶。郑艳梅等（2020）使用 BiseNet 卷积神经网络对苹果叶片图像进行自动分割，并使用引导滤波算法保留叶片边缘的细节特征，两种算法联合得到完整的苹果叶片。除了语义分割算法，实例分割算法也在叶片分割方向得到了很好的应用。钟伟镇等（2020）使用 Mask R-CNN 识别并分割 4 种植物的多目标叶片，分割准确率高达 97.51%。Yang K et al.（2020）收集了 2500 多幅具有复杂背景的叶片图像，并将图像输入到卷积神经网络 Mask R-CNN 中训练叶片分割模型，平均分类误差为 1.15%。针对图像分割数据集标注困难的问题，Wu and Xu（2019）使用基于弱监督学习的 Architecture-Mask R-CNN 算法实现了番茄的实例分割。以上分割算法都给本研究中的小麦叶片分割任务提供了良好的借鉴。 除了叶片分割，还需要通过叶片图像识别病害类型。通过图像识别植物病害的主要问题，就是如何适应叶片遮挡或不均匀阴影之类的复杂条件，这时卷积神经网络的优势就体现了出来。CNN 的主要优势之一是其泛化能力，即处理从未见过的数据的能力。这使得算法对背景异质性、图像获取条件和类内可变性等因素具有一定的鲁棒性（Boulent J et al. 2019）。PlantVillage 在建立公共数据集方面付出了巨大的努力（Hughes D et al. 2015）。PlantVillage 数据集包含 50000 多张涵盖 14 种农作物（苹果，蓝莓，玉米，葡萄等）健康和受感染的叶片图像，总共包含 26 种不同疾病，大量的数据使他们能够训练出性能良好的叶片病害分类器（Mohanty S P et al. 2016），当然，目前也有很多基于 PlantVillage 数据集开发病害识别模型的研究（任守纲等 2020; Kamal K C et al. 2019; Saleem M H et al. 2020; Wspanialy P and Moussa M 2020）。深度学习网络还适用于其他农作物，例如水稻（Alfarisy A A et al. 2018）、葡萄（Cruz A C et al. 2018）、小麦（Lu J et al. 2017; Picon A et al. 2019a）或柑橘（Barman U et al. 2020）等。
国内在农作物病害图像检测技术方面比国外研究开展稍晚，也缺乏高质量的数据集，但近几年也有不少研究成果。张善文等（2018）为了识别黄瓜病害，设计了一种以 LeNet 神经网络为基础的 11 层卷积神经网络。郭小清等（2019）在识别番茄叶部病害时提出一种多尺度识别模型，准确率达到 92.7%。王艳玲等（2019）使用 AlexNet模型进行迁移学习识别 10 种番茄病害，准确率达到了 95.62%。王春山等（2020）提出将深度学习模型轻量化以部署在移动设备上识别蔬菜叶部病害，提出了多尺度残差轻量级模型，并使用群卷积替代大卷积核，达到 93.05%的准确率，在准确率下降约3.72%的情况下，模型尺寸缩减了 35%。孙文杰等（2020）提出了一种 VGGNet-BiLSTM网络用于识别桃树叶部花叶病等三种疾病，利用双向长短时记忆网络来提取病害区域的上下文相关信息和位置信息，识别准确率达到 93.73%。这些研究都充分证明了深度学习在植物病害识别上的巨大潜力。
当然，植物病害识别的问题还远远没有解决。Barbedo and Arnal J G（2016）通过研究详细分析了当前的挑战，包括：1）植物同时存在多种疾病，2）存在呈现相似视觉症状的不同疾病，3）特定疾病的症状变异性高。小麦条锈病侵染型分级就属于条锈病类内分级，各等级之间存在着相似的视觉症状，这时就需要通过网络提取图像的细粒度特征。由于图像分类的特征非常精细，细粒度图像的分类极为困难，在有些情况下甚至是专家也难以进行区分。主要原因有三：第一，子类别相互之间的区别非常小：只在某一个局部上才会出现细微的差异；第二，子类别内部的差异巨大：例如形态、背景等所带来的差异；第三，受拍摄角度、背景、遮挡等因素影响较大（李林阳 2020）。
细粒度图像分类是图像分类领域一个主流研究方向，通过定位关键区域再进行分类是细粒度图像分类的有效手段，早期的定位-分类算法多采用强监督学习，即通过人工标注关键区域进行分类（Han Z et al. 2016）。而注意力机制则是另一种基于弱监督的学习方法，其主要原理是模型对特征图中不同的关注部分赋予不同的权重。基于特征通道之间的关系，Jaderberg M et al.（2015）提出 Squeeze-and-Excitation Network，通过建立网络输出特征图在通道之间的关系模型，自动地获取各个通道对于分类任务的重要性和作用然后赋予不同的权重，从而放大有用的特征并抑制无用的特征。Non-local 是 Wang X et al.（2018）提出的一种基于自注意力的模型，该模型主要是提出了在特征图任意两个位置之间的进行卷积来直接地获取特征图任意像素之间的依赖关系，而不仅仅是局限于相邻像素的依赖，简单来说就是构建了一个和特征图相同尺寸的卷积核，从而保留了更多信息。Convolutional Block Attention Module（CBAM）卷积模块（Woo S et al. 2018）是一种作用在前馈卷积神经网络的轻量级模块，给定一个中间特征图，该模块会沿着两个方向分别输出注意力图，然后将注意力图与输入特征图相乘从而得到注意力自适应的特征图。Select Kernel Networks（Li X et al. 2019）由皮质神经元可以根据刺激类型不同来自动调节感受域得到灵感，提出一种注意力模块。该模块通过神经元不同的感受野来产生不同核尺寸的特征图，对不同核尺寸特征图赋予不同的权重再进行融合。双重注意网络（DANet）（Fu J et al. 2019）可以自适应融合局部和全局特征，使用位置注意力模块聚合每个位置的特征，摆脱空间位置的限制，通道注意力模块通过将所有通道之间的相关特征进行整合来判断通道之间的相互关系，将两个注意力模块的输出相加实现注意力自适应。
