摘要：據(jù)統(tǒng)計(jì)，因病害引起的作物產(chǎn)量損失平均在12%以上，病害發(fā)生不僅影響產(chǎn)量，還使產(chǎn)品質(zhì)量下降。利用計(jì)算機(jī)視覺(jué)技術(shù)對(duì)作物病害快捷檢測(cè)、準(zhǔn)確診斷，為病害防治提供科學(xué)依據(jù)是實(shí)現(xiàn)農(nóng)業(yè)信息化發(fā)展的迫切需求。文章對(duì)計(jì)算機(jī)視覺(jué)技術(shù)用于作物病害診斷進(jìn)行了詳細(xì)分析和研究，以求獲得這些新技術(shù)在作物病害診斷各環(huán)節(jié)的現(xiàn)狀，指出了計(jì)算機(jī)視覺(jué)技術(shù)診斷作物病害存在的不足和研究方向。該研究對(duì)農(nóng)作物病害智能檢測(cè)技術(shù)的發(fā)展將起到重要的推動(dòng)作用。

關(guān)鍵字：計(jì)算機(jī)視覺(jué)；作物病害診斷；進(jìn)展；模式識(shí)別

中圖分類(lèi)號(hào)：TP311 文獻(xiàn)標(biāo)識(shí)號(hào)：A 文章編號(hào)：2095-2163（2015）02-

The Research Development of Computer Vision in the Plant Disease Diagnosis

PU Yongxian

（Computer Science Dept .Dehong Teachers'college， Dehong Yunnan 678400， China）

Abstract： according to the statistics， crop yield loss caused by disease in more than 12% on average， disease occurs not only affect the production， also decreased the quality of the product. Research by computer vision technology realizes fast and accurate diagnosis of crop disease， and provides scientific basis for disease prevention and control， which is the urgent demand of agricultural informatization development. Articles on computer vision technology is applied to the crop disease diagnosis has carried on the detailed analysis and research， in order to get these new technologies in the current situation of crop disease diagnosis each link， points out the shortages of computer vision in the diagnosis of crop diseases and research direction. The study on the development of crop disease intelligent detection technology will play an important role.

Key words：Computer Vision； Crop Disease Diagnosis； Progress； Pattern Recognition

0引言

在作物生產(chǎn)中，病害是制約作物質(zhì)與量的重要因素。病害發(fā)生，往往致使作物的使用價(jià)值降低，甚至還會(huì)導(dǎo)致大面積減產(chǎn)，乃至絕收，造成巨大的經(jīng)濟(jì)損失。因此，在作物生長(zhǎng)過(guò)程中，病害防治是個(gè)關(guān)鍵的問(wèn)題之一。因各種原因植保人員匱乏，而種植戶(hù)個(gè)體素質(zhì)差異及受一些主觀人為因素的影響，對(duì)作物病害診斷存在主觀性、局限性、模糊性等，不能對(duì)作物病害的類(lèi)型及受害程度做出客觀、定量的分析與判斷，結(jié)果要么是藥量不對(duì)、要么是藥不對(duì)癥，嚴(yán)重影響了作物的質(zhì)與量。

計(jì)算機(jī)視覺(jué)也稱(chēng)為機(jī)器視覺(jué)，是研究如何用計(jì)算機(jī)來(lái)模擬和再現(xiàn)人類(lèi)視覺(jué)功能的科學(xué)，也被稱(chēng)為圖像理解和圖像分析，是人工智能領(lǐng)域的一個(gè)重要分支。隨著計(jì)算機(jī)技術(shù)、圖像處理和人工智能等學(xué)科的發(fā)展，以及數(shù)碼相機(jī)、手機(jī)等攝像工具像素的提高，將機(jī)器視覺(jué)用于作物病害診斷，實(shí)現(xiàn)作物病害的無(wú)損檢測(cè)、快速診斷提供了新的途徑和方法[1]。報(bào)道最早的是在1989年穗波信雄等人[2]對(duì)采集的缺乏鈣、鐵、鎂營(yíng)養(yǎng)元素的茨菇葉片圖像進(jìn)行研究，在RGB模型中，利用直方圖分析了正常和病態(tài)的顏色特征。為適應(yīng)農(nóng)業(yè)信息化的迫切需求，國(guó)內(nèi)外學(xué)者對(duì)機(jī)器視覺(jué)用于作物病害診斷進(jìn)行了研究和實(shí)踐，而取得進(jìn)展主要集中在近10年，涉及的作物有水稻、玉米、小麥、葡萄、黃瓜、甘蔗、蔬菜等病害[3-14]，這些研究針對(duì)不同作物，從不同側(cè)面為作物病害實(shí)現(xiàn)自動(dòng)化診斷提供了理論和實(shí)踐基礎(chǔ)。因機(jī)器視覺(jué)比人眼能更早發(fā)現(xiàn)作物因病蟲(chóng)危害所表現(xiàn)的顏色、紋理、形狀等細(xì)微變化，所以利用這種技術(shù)病害病害與人工方式相比，提高了診斷的效率和精準(zhǔn)度，為作物保護(hù)智能化、變量噴藥等提供了科學(xué)依據(jù)。

本文綜述和歸納了機(jī)器視覺(jué)診斷作物病害的主要技術(shù)：病害圖像采集、增強(qiáng)處理、病斑分割、特征提取、特征優(yōu)化、病害識(shí)別等各環(huán)節(jié)的方法及現(xiàn)狀，指出了機(jī)器視覺(jué)診斷作物病害存在的不足和研究方向。該研究對(duì)實(shí)現(xiàn)作物病害的機(jī)器視覺(jué)診斷技術(shù)的發(fā)展將起到重要的推動(dòng)作用。

1機(jī)器視覺(jué)識(shí)別作物病害的技術(shù)路線與進(jìn)展

作物病害因其病原物種類(lèi)不同會(huì)產(chǎn)生形狀、顏色、紋理等不同的病斑，通常專(zhuān)業(yè)植保技術(shù)人員就是根據(jù)這些特征判斷病害的。機(jī)器視覺(jué)診斷作物病害是通過(guò)無(wú)損采集病害圖像，利用圖像處理技術(shù)對(duì)圖像增強(qiáng)處理、分割病斑，提取病斑特征、優(yōu)化特征，用模式識(shí)別技術(shù)診斷病害類(lèi)別及危害程度，從而為病害的防治提供科學(xué)依據(jù)。圖1為機(jī)器視覺(jué)診斷作物病害的技術(shù)路線圖。

圖1機(jī)器視覺(jué)識(shí)別作物病害技術(shù)路線圖

Fig 1 Technology roadmap of machine vision recognition crop diseases

1.1病害圖像采集與增強(qiáng)處理

（1）病害圖像采集方法。圖像采集是病害識(shí)別的第一步，采集的質(zhì)量會(huì)直接影響識(shí)別結(jié)果。常用采集設(shè)備有數(shù)碼攝像機(jī)、掃描儀、數(shù)碼相機(jī)、手機(jī)等。其中，數(shù)碼相機(jī)便于攜帶，能滿足圖像清晰度要求，符合野外作業(yè)等特點(diǎn)，因此病害圖像采集中用得較多。依據(jù)采集環(huán)境氛圍分為室內(nèi)采集和室外（田間）采集兩種。室內(nèi)采集是將田間采摘到的病害標(biāo)本經(jīng)密封保濕后使用CCD攝像機(jī)或數(shù)碼相機(jī)在室內(nèi)攝取病害的標(biāo)本圖像。在田間采集圖像中，有學(xué)者為了采集到高質(zhì)量的圖像，采取了一系列措施以減少外界因素的影響。如陳佳娟[5]采用便攜式掃描儀采集圖像，以減少自然光照對(duì)圖像質(zhì)量的影響。徐貴力等人[6]設(shè)計(jì)了活體采光箱，使照射光變成反射光，從而避免了陰影，以減少誤差。這種規(guī)范圖像采集方式雖簡(jiǎn)化了后期圖像處理和識(shí)別的難度，但基層生產(chǎn)單位可能缺乏配套的技術(shù)設(shè)備，且會(huì)使病害識(shí)別過(guò)度依賴(lài)圖像。為擴(kuò)展應(yīng)用范圍和通用性，有學(xué)者對(duì)在田間自然光照射下直接獲取的病害圖像，用圖像處理和模式識(shí)別技術(shù)診斷病害進(jìn)行了研究，如李宗儒[7]用手機(jī)拍攝了蘋(píng)果的圓斑病、花葉病等5種病害圖像，對(duì)病害圖像增強(qiáng)處理、分割病斑，提取病斑特征，用BP神經(jīng)網(wǎng)絡(luò)識(shí)別病害，獲得了較好效果。姜武[8]用Canon EOS 50D相機(jī)在陽(yáng)光充足的早晨拍攝山茶葉片圖像，進(jìn)行顏色分形和RGB強(qiáng)度值提取，用支持向量機(jī)對(duì)山茶分類(lèi)識(shí)別，取得了較好效果。

（2）圖像增強(qiáng)方法。在采集圖像過(guò)程中，因受設(shè)備、環(huán)境等因素影響，往往使采集到的圖像含有噪聲，若不對(duì)其增強(qiáng)處理會(huì)影響到病害的正確識(shí)別率。病害圖像增強(qiáng)是為病斑分割，特征提取做準(zhǔn)備，所以應(yīng)確保在去除噪聲的同時(shí)，保證病斑邊緣不模糊。圖像增強(qiáng)處理根據(jù)其處理的空間不同，分為空域法和頻域法?？沼蚍ㄊ菍?duì)圖像本身直接進(jìn)行濾波操作，而頻域法是對(duì)圖像進(jìn)行轉(zhuǎn)化，將其轉(zhuǎn)化到頻率域中去噪處理，之后再還原到圖像的空間域。圖像增強(qiáng)處理常用方法有：直方圖均衡化、對(duì)比度增強(qiáng)、均值濾波、中值濾波、高斯濾波、銳化等。王靜[9]利用數(shù)碼相機(jī)采集了赤星病與野火病兩種病害圖像80幅，采用灰度圖像直方圖均衡化及中值濾波兩種方法對(duì)圖像增強(qiáng)處理，實(shí)驗(yàn)表明，中值濾波去噪效果最好，在保留圖像病斑邊緣信息的同時(shí)，使病斑輪廓與細(xì)節(jié)更加清晰，便于后期病斑分割及特征提取。劉芝京[10]采集黃瓜早、中、晚期的角斑病病害圖像，分別用均值濾波、中值濾波、高斯濾波等對(duì)圖像處理，實(shí)驗(yàn)表明這些去噪方法中，高斯濾波效果最好。

1.2病斑特征獲取

（1）病斑分割

計(jì)算機(jī)視覺(jué)主要是依據(jù)病斑的特征信息診斷病害類(lèi)別及危害程度的。因此，彩色病斑的準(zhǔn)確分割，是后期提取病斑特征，病害類(lèi)別的客觀、準(zhǔn)確診斷的關(guān)鍵環(huán)節(jié)之一。當(dāng)前針對(duì)作物病害圖像分割算法有閾值分割、空間聚類(lèi)、區(qū)域分割、邊緣檢測(cè)分割、計(jì)算智能方法等。由于作物病害圖像存在背景復(fù)雜、病斑區(qū)域排列無(wú)序、顏色、紋理分布不均、病斑邊界模糊、葉片表面紋理噪聲等干擾，因此尚無(wú)一種魯棒性好，且簡(jiǎn)單適用的通用方法，也還沒(méi)有一種判斷分割是否成功的客觀標(biāo)準(zhǔn)。近年來(lái)學(xué)者們對(duì)作物病害圖像的分割進(jìn)行了大量研究，試圖尋找一種更具潛力的分割算法，以期獲得更完美，通用的分割方法。趙進(jìn)輝等人[11]分析了甘蔗病害圖像的顏色與形狀特征，采用面積閾值及鏈碼分割赤腐病和環(huán)斑病病斑，收到了較好的效果。管澤鑫等人[12]提取水稻病斑與斑點(diǎn)外輪廓顏色，用最大類(lèi)間方差法（Otsu[13]）分割病斑，取得了較好的效果。邵慶等人[14]以小麥條銹病為例，對(duì)獲取的小麥病害圖像采用迭代閾值分割和微分邊緣檢測(cè)分割病斑。溫長(zhǎng)吉等人[15].用改進(jìn)蜂群算法優(yōu)化神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)玉米病害圖像分割。祁廣云等[16]采用改進(jìn)的遺傳算法及BP神經(jīng)網(wǎng)絡(luò)對(duì)大豆葉片病斑分割，能有效提取病斑區(qū)域。毛罕平等人[17-18]利用模糊C均值聚類(lèi)對(duì)棉花、玉米病害圖像的病斑進(jìn)行分割。張飛云[19]采用K-means硬聚類(lèi)算法對(duì)玉米葉部病害圖像分割，得到彩色病斑。張芳、仁玉剛[20-21]用采分水嶺算法分割黃瓜病害圖像，正確率均在90%以上。劉立波[22]對(duì)水稻葉部病害圖像的分割進(jìn)行研究，結(jié)果證明，模糊C均值聚類(lèi)法的分割效果較好，但速度欠佳，Otsu法分割效果略差，但速度較快。濮永仙[23]利用支持向量機(jī)檢測(cè)煙草病斑邊緣，以分割彩色病斑。石鳳梅等人[24]利用支持向量機(jī)分割水稻稻瘟病彩色圖像病斑，其分割效果優(yōu)于Otsu法。

（2）病斑特征提取

計(jì)算機(jī)視覺(jué)識(shí)別作物病害用到的特征主要有顏色、紋理、形狀等特征。顏色是區(qū)分病害類(lèi)別的重要特征，有RGB、HSI、Lab、YUV等7種顏色空間模型，可得到顏色特征值和顏色特征差異，而模型的選擇會(huì)影響到病害識(shí)別效果。紋理是指圖像中反復(fù)出現(xiàn)的局部模式及排列規(guī)則。作物病害圖像正常與病變部分的紋理在粗細(xì)、走向上有較大差異。紋理特征有基于灰度直方圖的統(tǒng)計(jì)測(cè)度，基于灰度共生矩陣的紋理特征和基于游程的紋理描述特征。提取紋理特征的方法有分形維數(shù)、小波變換、Gabor小波變換、局域二值模式，以及Gabor分塊局域二值模式方法等。形狀常與目標(biāo)聯(lián)系在一起，形狀特征可以看作是比顏色和紋理更高層的特征，它能直觀描述目標(biāo)和背景之間的區(qū)別，不同病害的病斑在尺寸大小、似圓性、長(zhǎng)短軸等方面有不同特性，對(duì)旋轉(zhuǎn)、平移有很強(qiáng)的穩(wěn)定性。提取病斑形狀特征的方法有弗里曼鏈碼法，傅里葉描述子，多尺度曲率空間方法等。王美麗等人[25] 在HSV顏色空間提取小麥白粉病和銹病病害圖像的顏色和形狀特征，對(duì)病害進(jìn)行識(shí)別，識(shí)別率達(dá)96%以上。蔡清等人[26]對(duì)蟲(chóng)食菜葉圖像處理后，提取其形狀的圓形度、復(fù)雜度、球形度等7個(gè)特征，用BP神經(jīng)網(wǎng)絡(luò)識(shí)別病害。王克如[27]提取玉米病害圖像中紋理特征的能量、熵及慣性矩作為識(shí)別病害的特征，實(shí)驗(yàn)得出，以單個(gè)特征識(shí)別正確識(shí)別率達(dá)90%，綜合應(yīng)用三個(gè)紋理特征，識(shí)別率達(dá)100%。田有文等人[28]提取葡萄葉部病斑的顏色、紋理、形狀特征，用支持向量機(jī)識(shí)別，實(shí)驗(yàn)表明，綜合應(yīng)用三種特征的識(shí)別率比只用單一特征的識(shí)別高。李旺[29]以黃瓜葉部3種常見(jiàn)病害圖像為研究對(duì)象，提取病斑顏色、紋理和形態(tài)特征總共14個(gè)特征，用支持向量機(jī)識(shí)別，實(shí)驗(yàn)表明，分別以顏色、紋理、形狀特征識(shí)別，識(shí)別率分別為72.23%、90.70%、90.24%，綜合3種特征識(shí)別率為96.00%。

（3）特征優(yōu)化

特征優(yōu)化是指在特征提取完成后，將特征因子中對(duì)識(shí)別病害貢獻(xiàn)低的因子丟棄，以確保在降低特征維度的同時(shí)，能提高病害的識(shí)別率。常用的特征優(yōu)化方法有：逐步判別法、主成分分析法、遺傳算法等。實(shí)踐證明，優(yōu)化后的特征能更好的表征病害，能在特征減少的情況下提高診斷的正確率。管澤鑫等人[12]提取水稻3種常見(jiàn)病害圖像的形態(tài)、顏色、紋理共63個(gè)特征，用逐步判別法對(duì)特征優(yōu)化，用貝葉斯判別法識(shí)別病害，可使特征數(shù)減少到原來(lái)的35.2%，而病害準(zhǔn)確識(shí)別率達(dá)97.2%。柴洋等人[30]提取了番茄早疫病、晚疫病等4種葉部病害圖像的顏色、紋理和形狀共18個(gè)特征，用逐步判別法優(yōu)化，最終選取12個(gè)特征，用主成分優(yōu)化后綜合成2個(gè)新變量，分別用貝葉斯判別法和用費(fèi)歇爾判別函數(shù)識(shí)別病害，均取得了較好的效果。陳麗等人[31]提取了玉米5種葉部病害圖像病斑特征，用遺傳算法優(yōu)化特征，用概率神經(jīng)網(wǎng)絡(luò)識(shí)別病害，識(shí)別率為90.4%。彭占武[32]提取了黃瓜6種常見(jiàn)病害圖像的顏色、紋理、形狀特征14個(gè)，用遺傳算法優(yōu)化得到8個(gè)特征，用模糊識(shí)別模式識(shí)別病害，其識(shí)別率達(dá)93.3%。濮永仙[33]提取了煙草常見(jiàn)病害圖像的顏色、紋理及形態(tài)共26個(gè)特征，用雙編碼遺傳算法與支持向量機(jī)結(jié)合優(yōu)化特征，最后得到16個(gè)特征，該方法與沒(méi)有采用遺傳算法的支持向量機(jī)識(shí)別相比，在同等條件下，特征向量減少了38%，正確率提高了6.29%。所謂雙編碼遺傳算法，即二進(jìn)制編碼和實(shí)數(shù)編碼結(jié)合，支持向量機(jī)作為底層分類(lèi)器，分類(lèi)精度作為遺傳算法的適應(yīng)度對(duì)個(gè)體進(jìn)行評(píng)估，在去除冗余特征的同時(shí)為保留的特征賦予權(quán)重，如圖2所示。韓瑞珍[34]提取了害蟲(chóng)的顏色、紋理特征共35個(gè)，用蟻群算法對(duì)特征優(yōu)化，將35個(gè)特征降低到29個(gè)，識(shí)別準(zhǔn)確率從87.4%提高到89.5%。

圖2雙編碼遺傳算法中的個(gè)體

Fig 2 Individual in the double coding genetic algorithm

1.3病害模式識(shí)別

模式識(shí)別也叫模式分類(lèi)，指依據(jù)輸入的原始數(shù)據(jù)，判斷其類(lèi)別并采取相應(yīng)的行為[35]。病害模式識(shí)別的任務(wù)是依據(jù)特征數(shù)據(jù)由分類(lèi)器完成分類(lèi)的，分類(lèi)器設(shè)計(jì)和特征描述共同決定了模式識(shí)別系統(tǒng)的性能。用于病害識(shí)別的模式可分為統(tǒng)計(jì)模式、句法結(jié)構(gòu)模式、模糊模式和機(jī)器學(xué)習(xí)方法四類(lèi)。其中，統(tǒng)計(jì)模式識(shí)別是用概率統(tǒng)計(jì)原理，獲取滿足某種已知分布的特征向量，然后通過(guò)決策函數(shù)來(lái)分類(lèi)，不同的決策函數(shù)能夠產(chǎn)生不同的分類(lèi)方法。常見(jiàn)的統(tǒng)計(jì)模式識(shí)別方法有兩種：一是由Neyman決策和貝葉斯決策等構(gòu)成的基于似然函數(shù)的分類(lèi)方法，另一種是基于距離函數(shù)的分類(lèi)識(shí)別方法。模糊模式識(shí)別是基于模糊理論利用模糊信息進(jìn)行模糊分類(lèi)的，主要方法有最大隸屬原則識(shí)別法、接近原則識(shí)別法和模糊聚類(lèi)分析法三種。機(jī)器學(xué)習(xí)指計(jì)算機(jī)模擬或者實(shí)現(xiàn)人類(lèi)的某些行為，它的應(yīng)用已涉及很多領(lǐng)域。目前常用于作物病害識(shí)別的機(jī)器學(xué)習(xí)方法有人工神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)（SVM）、移動(dòng)中心超球分類(lèi)器等。其中，支持向量機(jī)分類(lèi)器是目前機(jī)器學(xué)習(xí)領(lǐng)域的研究熱點(diǎn)之一，它能夠較好地解決小樣本、非線性、高維數(shù)的分類(lèi)問(wèn)題，且具有良好的推廣和泛化能力。神經(jīng)網(wǎng)絡(luò)是基于經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化原則，以訓(xùn)練誤差最小化為優(yōu)化目標(biāo)，而SVM以訓(xùn)練誤差作為優(yōu)化問(wèn)題的約束條件，以置信范圍最小化為優(yōu)化目標(biāo)，所以SVM的解具有唯一性，也是全局最優(yōu)[36]。移動(dòng)中心超球分類(lèi)器是近年來(lái)新提出的一種分類(lèi)器，它是一種對(duì)參考樣本進(jìn)行壓縮的方法，可以節(jié)省空間，但其識(shí)別率不如人工神經(jīng)網(wǎng)絡(luò)高。以下是在作物病害診斷中較成功的幾種識(shí)別模式及技術(shù)進(jìn)展。

1.3.1 貝葉斯判斷法

貝葉斯判別法是一種典型的基于統(tǒng)計(jì)方法的分類(lèi)器。它的基本原理是將代表模式的特征向量X分到m個(gè)類(lèi)別（C1，C2，…，Cm）中的某一類(lèi)。操作步驟為：

（1）設(shè)樣本有n個(gè)屬性（W1，W2，…Wn），每個(gè)樣本可看作是n維空間的一個(gè)點(diǎn)X=（x1，x2，…，xn）；

（2）設(shè)有m個(gè)不同的類(lèi)（C1，C2，…，Cm），X是一個(gè)未知類(lèi)別的樣本，預(yù)測(cè)X的類(lèi)別為后驗(yàn)概率最大的那個(gè)類(lèi)別；3）用貝葉斯后驗(yàn)概率公式計(jì)算，并進(jìn)行比較，依據(jù)后驗(yàn)概率可將樣本X歸到Ci類(lèi)中，當(dāng)且僅當(dāng)>，成立。貝葉斯分類(lèi)器因其結(jié)構(gòu)簡(jiǎn)單、易于擴(kuò)展等特點(diǎn)，被廣泛用于作物病害診斷。楊昕薇等人[37]對(duì)3種寒地水稻常見(jiàn)病害圖像處理、提取特征，用貝葉斯判別法識(shí)別病害，其識(shí)別率達(dá)97.5%。趙玉霞等人[38]提取玉米銹病、灰斑病等5種病斑圖像的特征，利用樸素貝葉斯分類(lèi)器識(shí)別，其識(shí)別精度在83%以上。柴阿麗等人[39]提取了番茄早疫病、晚疫病等4種葉部病害圖像病斑的顏色、紋理和形狀特征，優(yōu)化特征后，用貝葉斯判別法識(shí)別病害，其識(shí)別率達(dá)94.71%。

1.3.2 人工神經(jīng)網(wǎng)絡(luò)識(shí)別法

神經(jīng)網(wǎng)絡(luò)技術(shù)是目前廣泛使用的一種機(jī)器學(xué)習(xí)方法，其研究工作始于19世紀(jì)末20世紀(jì)初[40]，因具有并行處理、非線性映射、自適應(yīng)學(xué)習(xí)、魯棒容錯(cuò)性等優(yōu)點(diǎn)，以及采用數(shù)據(jù)驅(qū)動(dòng)模式，故在模式識(shí)別領(lǐng)域得到廣泛應(yīng)用。人工神經(jīng)網(wǎng)絡(luò)診斷作物病害的基本步驟是：構(gòu)建神經(jīng)網(wǎng)絡(luò)識(shí)別模型，將已提取并優(yōu)化好的病害圖像特征數(shù)據(jù)作為分類(lèi)器的輸入特征矢量對(duì)模型訓(xùn)練，經(jīng)過(guò)訓(xùn)練后的模型可實(shí)現(xiàn)作物病害的分類(lèi)識(shí)別。目前應(yīng)用于作物病害識(shí)別的人工神經(jīng)網(wǎng)絡(luò)主要有：BP神經(jīng)網(wǎng)絡(luò)、概率神經(jīng)網(wǎng)絡(luò)、自組織特征映射網(wǎng)絡(luò)，并衍生出模糊神經(jīng)網(wǎng)絡(luò)、量子神經(jīng)網(wǎng)絡(luò)等。BP神經(jīng)網(wǎng)絡(luò)具有較好的自學(xué)習(xí)性、自適應(yīng)性、魯棒性和泛化性。概率神經(jīng)網(wǎng)絡(luò)是徑向基網(wǎng)絡(luò)的一個(gè)重要分支，其分類(lèi)器是一種有監(jiān)督的網(wǎng)絡(luò)分類(lèi)器，在識(shí)別過(guò)程中隨著訓(xùn)練病害種類(lèi)的增加[41]，其運(yùn)算速度會(huì)減慢。自組織特征映射網(wǎng)絡(luò)分類(lèi)器是于1981年提出的一種由全連接的神經(jīng)元陣列組成的自組織自學(xué)習(xí)網(wǎng)絡(luò)[42]，可以直接或間接地完成數(shù)據(jù)壓縮、概念表示和分類(lèi)的任務(wù)，多項(xiàng)實(shí)驗(yàn)表明它的病害圖像識(shí)別率都在90%以上。模糊神經(jīng)網(wǎng)絡(luò)是模糊理論同神經(jīng)網(wǎng)絡(luò)相結(jié)合的產(chǎn)物，它匯集了神經(jīng)網(wǎng)絡(luò)與模糊理論的優(yōu)點(diǎn)，集學(xué)習(xí)、聯(lián)想、識(shí)別、信息處理于一體。量子神經(jīng)網(wǎng)絡(luò)是量子計(jì)算理論和人工神經(jīng)網(wǎng)絡(luò)結(jié)合的產(chǎn)物，并集成了兩者的優(yōu)點(diǎn)。王軍英[43]以葡萄發(fā)病部位、病斑形狀、病斑顏色和主要癥狀為特征，用改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)識(shí)別病害，識(shí)別率達(dá)95.36%。譚克竹等人[44]用BP神經(jīng)網(wǎng)絡(luò)識(shí)別大豆的灰斑病、霜霉病和斑點(diǎn)病的特征與病害的關(guān)系，其輕度病害的識(shí)別精度為87.19%，中度病害的識(shí)別精度為90.31%，重度病害的識(shí)別精度為93.13%。魏清鳳等人[45]利用模糊神經(jīng)網(wǎng)絡(luò)診斷模型以診斷蔬菜病害，其病害識(shí)別率達(dá)85.5%。張飛云[19]提取了玉米灰斑病、銹病和小斑病病害圖像的顏色、紋理、形狀特征，用量子神經(jīng)網(wǎng)絡(luò)進(jìn)行病害識(shí)別，其平均識(shí)別率達(dá)94.5%。陳麗等人[31]對(duì)田間采集的玉米葉部病害圖像，對(duì)圖像分割、特征提取，利用概率神經(jīng)網(wǎng)絡(luò)識(shí)別病害，其識(shí)別率為90.4%，同樣條件下高于BP神經(jīng)網(wǎng)絡(luò)。

1.3.3 支持向量機(jī)識(shí)別法

支持向量機(jī)[46]（Support Vector Machine，簡(jiǎn)稱(chēng)SVM）是Vapnik等人提出的一款新型的機(jī)器學(xué)習(xí)方法。SVM有線性可分和線性不可分兩種情況，采用不同的核函數(shù)會(huì)有不同的SVM 算法。常用的核函數(shù)有：線性核函數(shù)、多項(xiàng)式核函數(shù)、徑向基核函數(shù)、Sigmoid核函數(shù)等。SVM在基于數(shù)據(jù)的機(jī)器學(xué)習(xí)領(lǐng)域，它兼顧訓(xùn)練誤差和泛化能力，在解決小樣本、非線性、高維數(shù)、局部極小值等模式識(shí)別問(wèn)題中表現(xiàn)出許多特有的優(yōu)勢(shì)[47-48]，在基于圖像診斷作物病害領(lǐng)域應(yīng)用越來(lái)越多。宋凱等人[49]提取了玉米葉部病害圖像特征，選擇基于SVM的不同的核函數(shù)識(shí)別病害，其中徑向基核函數(shù)的正確識(shí)別率為89.6%，多項(xiàng)式核函數(shù)為79.2%，Sigmoid核函數(shù)的識(shí)別性能最差。劉鵬[50]提取甜柿病害圖像的紋理特征和顏色特征采用SVM識(shí)別病害，結(jié)果表明，當(dāng)SVM類(lèi)型為nu-SVR，核函數(shù)為Sigmoid，參數(shù)C=26、ξ=24時(shí)識(shí)別效果最好。田有文等人[51]用支持向量機(jī)識(shí)別黃瓜病害，實(shí)驗(yàn)表明，SVM方法在處理小樣本問(wèn)題中具有良好的分類(lèi)效果，線性核函數(shù)和徑向基核函數(shù)的SVM分類(lèi)方法在黃瓜病害的識(shí)別方面優(yōu)于其他類(lèi)型核函數(shù)的SVM。越鮮梅[52]提取了向日葵葉部的葉斑病、黑斑病、霜霉病3種病害圖像的顏色矩、紋理特征共9個(gè)特征，采用一對(duì)一投票決策的SVM多分類(lèi)模型識(shí)別病害，取得了較好的效果。劉立波[22]提取了水稻常見(jiàn)葉部病害圖像的顏色、紋理、形狀等特征，對(duì)特征優(yōu)化后，分別用最近鄰域、BP神經(jīng)網(wǎng)絡(luò)和SVM方法識(shí)別病害，其中識(shí)別率最高的是SVM，BP神經(jīng)網(wǎng)絡(luò)居中，最近鄰域法最差，BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練速度最慢。

2機(jī)器視覺(jué)識(shí)別作物病害存在的問(wèn)題與進(jìn)一步研究重點(diǎn)

將計(jì)算機(jī)視覺(jué)用于作物病害診斷，以改變傳統(tǒng)的診斷方式，為種植戶(hù)準(zhǔn)確診斷病害，以及變量施藥提供了決策支持。目前，計(jì)算機(jī)視覺(jué)診斷作物病害雖然取得了一定的進(jìn)展，但從研究的深度、應(yīng)用的范圍和實(shí)用化角度看，還存在許多不足，還需進(jìn)一步深入研究。

2.1機(jī)器視覺(jué)診斷作物病害存在的問(wèn)題

筆者查閱了大量文獻(xiàn)，對(duì)目前常用的機(jī)器視覺(jué)識(shí)別作物病害的技術(shù)進(jìn)行了研讀，目前機(jī)器視覺(jué)識(shí)別作物病害的技術(shù)還不夠成熟，存在以下問(wèn)題：

（1）在實(shí)驗(yàn)室條件下計(jì)算機(jī)視覺(jué)診斷作物病害正確率高，但應(yīng)用到田間，難度較大，主要原因是大多研究是在簡(jiǎn)單背景下、對(duì)少數(shù)幾種病害圖像診斷，而對(duì)大田復(fù)雜背景下診斷多種病害的研究還比較少。

（2）病害圖像分割背景簡(jiǎn)單，對(duì)于自然狀態(tài)和復(fù)雜背景下的病害圖像分割有待進(jìn)一步的研究。

（3）因作物病斑的大小、顏色等圖像特征在不同時(shí)期有差異，對(duì)于某一發(fā)病時(shí)期建立的作物病害診斷系統(tǒng)，用于不同發(fā)病時(shí)期診斷識(shí)別率會(huì)有所不同。

（4）許多分類(lèi)算法和分類(lèi)器都存在各自的優(yōu)缺點(diǎn)，不能適合所有作物病害識(shí)別，沒(méi)有統(tǒng)一的評(píng)價(jià)標(biāo)準(zhǔn)，難以實(shí)現(xiàn)各診斷系統(tǒng)之間的客觀比較。

（5）不同研究者使用的病害圖像各不相同，難以比較不同。

（6）機(jī)器視覺(jué)診斷作物病還是少數(shù)專(zhuān)家對(duì)某類(lèi)作物在局部范圍內(nèi)的研究，很難滿足現(xiàn)實(shí)生產(chǎn)的多種作物、不同區(qū)域同時(shí)診斷的要求。

2.2進(jìn)一步研究重點(diǎn)

根據(jù)以上存在的問(wèn)題，今后的研究方向和重點(diǎn)為：

（1）機(jī)器視覺(jué)識(shí)別作物病害技術(shù)從實(shí)驗(yàn)室向大田擴(kuò)展時(shí)，需綜合考慮所提取的病害圖像特征在復(fù)雜背景下的可獲取性、穩(wěn)定性、可操作性等。

（2）機(jī)器視覺(jué)診斷作物病害系統(tǒng)應(yīng)充分考慮不同發(fā)病時(shí)期，識(shí)別特征的變化規(guī)律。

（3）研究適合多種作物在復(fù)雜背景下實(shí)現(xiàn)病斑分割、特征提取等高效的圖像處理算法，在模式識(shí)別方面要側(cè)重于模糊數(shù)學(xué)、支持向量機(jī)、神經(jīng)網(wǎng)絡(luò)、遺傳算法、組合優(yōu)化等理論與技術(shù)的研究。

（4）建立規(guī)范統(tǒng)一的作物病害圖像數(shù)據(jù)庫(kù)，圖像可普遍獲取，建立合理完善的病害分割、特征提取、病害種類(lèi)識(shí)別等系統(tǒng)，以及病害評(píng)價(jià)標(biāo)準(zhǔn)。

（5）模式識(shí)別病害中的算法需進(jìn)一步發(fā)展和優(yōu)化，建立統(tǒng)一的評(píng)判標(biāo)準(zhǔn)，評(píng)價(jià)方法適合所有的識(shí)別算法和各應(yīng)用領(lǐng)域，采用定量和客觀評(píng)價(jià)準(zhǔn)則，可精確描述算法性能，評(píng)判應(yīng)擺脫人為因素。

參考文獻(xiàn)：

[1]GEORGIEVA K， GEORGIEVA Y， DASKALOV D.Theoretical substantiation of model of system for evaluation a state of vine plants and taking a decision for plant protection activities[J]. Trakia Journal of Sciences （Series Social Sciences），2003，1：30-32.

[2]穗波信雄.圖像處理在植物生長(zhǎng)信息提取中的應(yīng)用[R].日本：農(nóng)業(yè)機(jī)械學(xué)會(huì)關(guān)西支部研究會(huì)資，1992：63-46.

[3]SASAKI Y ， OKAMOTO T. Automatic diagnosis of plantdisease-recognition between healthy and diseased leaf[J]. Journal of the Japanese Society of Agricultural Machinery，1999，61（2）：119-126.

[4]陳佳娟，紀(jì)壽文，李娟，等.采用計(jì)算機(jī)視覺(jué)進(jìn)行棉花蟲(chóng)害程度的自動(dòng)測(cè)定[J].農(nóng)業(yè)工程學(xué)報(bào)，2001，17（2）：157-160.

[5]賈浩.基于計(jì)算機(jī)視覺(jué)的玉米葉部病害識(shí)別技術(shù)研究[D]. 泰安：山東農(nóng)業(yè)大學(xué)，2013.

[6]徐貴力，毛罕平，李萍萍，等.差分百分率直方圖法提取缺素葉片紋理特征[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2003，34（2）：76-79.

[7]李宗儒.基于圖像分析的蘋(píng)果病害識(shí)別技術(shù)研究[D].楊凌：西北農(nóng)林科技大學(xué)，2010.

[8]姜武.模式識(shí)別技術(shù)在山茶屬植物數(shù)值分類(lèi)學(xué)和葉綠素含量預(yù)測(cè)中的應(yīng)用研究[D]. 金華：浙江師范大學(xué)，2013.

[9]王靜.基于圖像處理技術(shù)的煙葉病害自動(dòng)識(shí)別研究[D]. 昆明：昆明理工大學(xué)，2009.

[10]劉芝京.基于圖像處理的黃瓜細(xì)菌性角斑病的識(shí)別研究[D]. 成都：西華大學(xué).2012.

[11]趙進(jìn)輝，羅錫文，周志艷.基于顏色與形狀特征的甘蔗病害圖像分割方法[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2008，39（9）.

[12]管澤鑫，唐健，楊保軍，等.基于圖像的水稻病害識(shí)別方法研究[J].中國(guó)水稻科學(xué)，2010，24（5）：497～502.

[13]OTSU N A. Threshold selection method from gray-level histo-gram[J]. IEEE Trans Syst Man Cybenet， 1979， 15： 652-655.

[14]邵慶，張楠，路陽(yáng).小麥病害圖像識(shí)別處理及形狀特征提取研究[J].農(nóng)機(jī)化研究，2013，35（8）：35-37.

[15]溫長(zhǎng)吉，王生生，于合龍，等.基于改進(jìn)蜂群算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的玉米病害圖像分割[J].農(nóng)業(yè)工程學(xué)報(bào)，2013，29（13）：142-147.

[16]祁廣云，馬曉丹，關(guān)海鷗.采用改進(jìn)的遺傳算法提取大豆葉片病斑圖像[J].農(nóng)業(yè)工程學(xué)報(bào).2009，25（5）.

[17]毛罕平，張艷誠(chéng)，胡波.基于模糊C均值聚類(lèi)的作物病害葉片圖像分割方法研究[J].農(nóng)業(yè)工程學(xué)報(bào).2008，24.

[18]張柏毅，朱景福，劉勇.基于模糊C-均值聚類(lèi)的作物葉部病斑圖像分割[J].智能計(jì)算機(jī)與應(yīng)用.2011，3（10）.

[19]張?jiān)骑w.基于量子神經(jīng)網(wǎng)絡(luò)和組合特征參數(shù)的玉米葉部病害識(shí)別[J].南方農(nóng)業(yè)學(xué)報(bào)，2013，44（8）：1286-1290.

[20]張芳.復(fù)雜背景下黃瓜葉部病害識(shí)別方法研究[D]. 沈陽(yáng)：沈陽(yáng)農(nóng)業(yè)大學(xué)，2014.

[21]任玉剛，張建，李淼，等.基于分水嶺算法的作物病害葉片圖像分割方法[J].計(jì)算機(jī)應(yīng)用，2012，32（3）：752-755.

[22]劉立波.基于圖像的水稻葉部病害診斷技術(shù)研究[D]. 北京：中國(guó)農(nóng)業(yè)科學(xué)院，2010.

[23]濮永仙.基于支持向量機(jī)與多特征選擇的作物彩色病斑邊緣檢測(cè)[J].計(jì)算機(jī)應(yīng)用系統(tǒng)，2014，9（23）：118-123.

[24]石鳳梅，趙開(kāi)才，孟慶林，等.基于支持向量機(jī)的水稻稻瘟病圖像分割研究[J].東北農(nóng)業(yè)大學(xué)學(xué)報(bào)，44（2）：128-135.

[25]王美麗，牛曉靜，張宏鳴，等.小麥葉部常見(jiàn)病害特征提取及識(shí)別技術(shù)研究[J].計(jì)算機(jī)工程與應(yīng)用， 2014，50（7）：154-157.

[26]蔡清，何東健.基于圖像分析的蔬菜食葉害蟲(chóng)識(shí)別技術(shù)[J].計(jì)算機(jī)應(yīng)用， 2010，7（30）：1870-1872.

[27]王克如.基于圖像識(shí)別的作物病蟲(chóng)草害診斷研究[D]. 北京：中國(guó)農(nóng)業(yè)科學(xué)院，2005.

[28]田有文，李天來(lái)，李成華，等.基于支持向量機(jī)的葡萄病害圖像識(shí)別方法[J].農(nóng)業(yè)工程學(xué)報(bào)，2007，23（6）：175-179.

[29]李旺.基于圖像處理的黃瓜葉部病害識(shí)別研究[D]. 長(zhǎng)沙：湖南農(nóng)業(yè)大學(xué)，2013.

[30]柴洋，王向東.基于圖像處理的溫室大棚中番茄的病害識(shí)別[J].模式識(shí)別與仿真，2013，32（9）：83-88.

[31]陳麗，王蘭英.概率神經(jīng)網(wǎng)絡(luò)在玉米葉部病害識(shí)別中的應(yīng)用[J].農(nóng)機(jī)化研究，2011，（6）：145-148.

[32]彭占武.基于圖像處理和模式識(shí)別技術(shù)的黃瓜病害識(shí)別研究[D].長(zhǎng)春：吉林農(nóng)業(yè)大學(xué)，2007.

[33]濮永仙，余翠蘭.基于雙編碼遺傳算法的支持向量機(jī)作物病害圖像識(shí)別方法[J].貴州農(nóng)業(yè)科學(xué)，2013，7（41）187-191.

[34]韓瑞珍.基于機(jī)器視覺(jué)的農(nóng)田害蟲(chóng)快速槍測(cè)與識(shí)別研究[D].杭州：浙江大學(xué)，2014.

[35]邊肇祺，張學(xué)工.模式識(shí)別[M].北京：清華大學(xué)出版社，2002：284-304.

[36]奉國(guó)和.基于聚類(lèi)的大樣本支持向量研究[J].計(jì)算機(jī)科學(xué)，2006，33（4）：145-147.

[37]楊昕薇，譚峰.基于貝葉斯分類(lèi)器的水稻病害識(shí)別處理的研究[J].黑龍江八一農(nóng)墾大學(xué)學(xué)報(bào)，2012，24（3）：64-67.

[38]趙玉霞，王克如，白中英等.基于圖像識(shí)別的玉米葉部病害診斷研究[J].中國(guó)農(nóng)業(yè)科學(xué) 2007，40（4）：698-703

[39]柴阿麗，李寶聚等.基于計(jì)算機(jī)視覺(jué)技術(shù)的番茄葉部病害識(shí)別[J].園藝學(xué)報(bào)，2010，37（9）：1423-1430.

[40]Han Jiawei，Kamber M.數(shù)據(jù)挖掘概念與技術(shù)[M].第二版. 范明，孟小峰，譯.北京：機(jī)械工業(yè)出社，2007：251-306.

[41]賀鵬，黃林.植物葉片特征提取及識(shí)別[J].農(nóng)機(jī)化研究，2008（6）：168-170.

[42]楊占華，楊燕.SOM神經(jīng)網(wǎng)絡(luò)算法的研究與進(jìn)展[J].計(jì)算機(jī)工程，2006，32（16）：201-228.

[43]王軍英.基于BP神經(jīng)網(wǎng)絡(luò)的葡萄病害診斷系統(tǒng)研究[J].農(nóng)業(yè)信息網(wǎng)，2013，8：30-33.

[44]譚克竹，沈維政.基于BP神經(jīng)網(wǎng)絡(luò)的大豆葉片病害診斷模型的研究[J].控制理論與應(yīng)用，2013，32（12）：5-7.

[45]魏清鳳，羅長(zhǎng)壽，曹承忠，等.基于模糊神經(jīng)網(wǎng)絡(luò)的蔬菜病害診斷模型研究[J].河南農(nóng)業(yè)科學(xué)，2013，（9）：4224-4227.

[46]BURGOS-ARTIST X P， RIBERA A， TELLAECHE A， et al. Improving weed pressure assessment using digital images from an experience-based reasoning approach [J]. Computers and Electronics in Agriculture， 2009， 65（2）： 176-185.

[47] BURGES C J C. A tutorial on support vector machines for pattern recognition [J].Data Mining and Knowledge Discovery， 1998， 2（2）：121-169.

[48]Steve R Gunn. Support vector machines for classification and regression [R].Southampton： University of Southampton， 1998：1-28.

[49]宋凱，孫曉艷，紀(jì)建偉.基于支持向量機(jī)的玉米葉部病害識(shí)別[J].農(nóng)業(yè)工程學(xué)報(bào)，2007，23（1）：155-157.

[50]劉鵬，屠康，徐洪蕊，等.基于支持向量機(jī)的甜柿表面病害識(shí)別[J].現(xiàn)代食品科技，2011，27（3）：349-353.

[51]田有文，牛妍.支持向量機(jī)在黃瓜病害識(shí)別中的應(yīng)用研究[J].農(nóng)機(jī)化研究，2009，（3）：36-38.

[52]越鮮梅.基于圖像識(shí)別的向日葵葉部病害診斷技術(shù)研究[D].呼和浩特：內(nèi)蒙古工業(yè)大學(xué)，2013.

1 項(xiàng)目基金：云南省科學(xué)研究基金子課題（2013Y571）。

作者簡(jiǎn)介：濮永仙（ 1976-），女，云南騰沖人，碩士，副教授，主要研究方向：機(jī)器視覺(jué)診斷作物病害，智能農(nóng)業(yè)方面的研究。

？？

？？

？？

？？