基于優(yōu)化PCNN模型的黃瓜葉片病斑提取方法

劉祖鵬

(河南工學(xué)院電子通信工程系，河南新鄉(xiāng)453000)

黃瓜葉片病斑的精確提取是計(jì)算機(jī)視覺(jué)技術(shù)在黃瓜病害識(shí)別系統(tǒng)中應(yīng)用的關(guān)鍵技術(shù)之一，是農(nóng)業(yè)智能化的重要組成部分［1－2］。近年來(lái)，隨著計(jì)算機(jī)視覺(jué)技術(shù)在農(nóng)業(yè)智能化系統(tǒng)中的應(yīng)用，基于機(jī)器視覺(jué)的農(nóng)作物產(chǎn)品圖像分割與識(shí)別受到了廣泛的關(guān)注［3－6］。研究人員先后對(duì)葡萄、草莓、蘋(píng)果的果實(shí)成熟問(wèn)題進(jìn)行了深入的分析和研究。通過(guò)利用圖像分割技術(shù)、圖像識(shí)別技術(shù)，并聯(lián)合具體應(yīng)用對(duì)象的特征進(jìn)行優(yōu)化和改進(jìn)，取得了一定的成果。先后提出了Ostu分割方法［7］、K－mean聚類(lèi)方法［8］、反向傳播神經(jīng)網(wǎng)絡(luò)方法［9］、徑向基神經(jīng)網(wǎng)絡(luò)方法［10］、LBP濾波算法［11］等，實(shí)現(xiàn)了成熟果實(shí)的智能化提取和識(shí)別?；谕瑯拥脑?，研究人員將相關(guān)方法分別引入到農(nóng)作物病害特征的提取和識(shí)別領(lǐng)域。田杰等采用主成分分析和高斯混合模型聯(lián)合的方法對(duì)小麥病害進(jìn)行提取和識(shí)別，但須要根據(jù)小麥病害的先驗(yàn)知識(shí)進(jìn)行高斯混合模型的構(gòu)建［12］;楊國(guó)國(guó)等采用卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)模型來(lái)進(jìn)行茶葉害蟲(chóng)的定位和識(shí)別，取得了較高的定位和識(shí)別精度［13］，但該方法須要豐富的樣本進(jìn)行離線訓(xùn)練，當(dāng)訓(xùn)練樣本不足時(shí)，容易產(chǎn)生樣本數(shù)據(jù)的統(tǒng)計(jì)失配問(wèn)題，且算法的實(shí)時(shí)性較差;Ostu將Ostu分割方法引入到黃瓜靶斑病的提取當(dāng)中，通過(guò)采用雙顏色空間取得了較好的分割效果，但是對(duì)于較小的病斑斑點(diǎn)無(wú)法進(jìn)行有效分割［14］;張芳等將超像素和K－mean聚類(lèi)方法結(jié)合進(jìn)行黃瓜病害葉片的分割，有效提升了小塊情況下的分割精度，但是對(duì)于光照度變化的葉片分割精度較差［15］;韓青松將超像素同視覺(jué)顯著性特點(diǎn)聯(lián)合進(jìn)行黃瓜病斑的分割，實(shí)現(xiàn)了常見(jiàn)黃瓜病斑的有效提?。?6］，但該方法在光照度較弱情況下的分割效果較差，錯(cuò)分率較大。

針對(duì)黃瓜葉片病斑提取背景的復(fù)雜性，本研究提出一種多特征融合表征與優(yōu)化脈沖耦合神經(jīng)網(wǎng)絡(luò)(pulse coupled neural network，簡(jiǎn)稱(chēng)PCNN)模型聯(lián)合的提取方法。該方法首先對(duì)采集的黃瓜病斑葉片進(jìn)行Lab顏色空間變換，通過(guò)顏色分量的平均值和高斯濾波后的值進(jìn)行差值計(jì)算，獲取病斑葉片的頻率調(diào)諧視覺(jué)顯著性圖;接著，對(duì)采集的病斑圖像進(jìn)行HIS顏色空間轉(zhuǎn)換，并提取色調(diào)(hue，簡(jiǎn)稱(chēng)H)分量，對(duì)其進(jìn)行均衡處理，并同視覺(jué)顯著性圖聯(lián)合實(shí)現(xiàn)病斑特征的聯(lián)合表達(dá);最后，為便于對(duì)病斑進(jìn)行建模分析，對(duì)傳統(tǒng)的PCNN模型進(jìn)行簡(jiǎn)化處理。同時(shí)，為了適應(yīng)不同的復(fù)雜環(huán)境，提出模型參量自適應(yīng)優(yōu)化方法，并將融合后的特征作為模型的輸入?yún)⒘?，?duì)模型的輸出結(jié)果進(jìn)行形態(tài)學(xué)處理，獲取最終的病斑提取結(jié)果?；诓杉?00幅黃瓜常見(jiàn)病斑葉片圖像進(jìn)行詳細(xì)的試驗(yàn)分析，并對(duì)本研究方法的提取精度和計(jì)算復(fù)雜度進(jìn)行詳細(xì)的分析。

1 葉片病斑圖像的特征表達(dá)

1.1 視覺(jué)顯著性特征提取

頻率調(diào)諧視覺(jué)顯著性特征是Achanta在2009年提出的一種圖像頻域分析的特征，通過(guò)將圖像映射到Lab空間，獲取圖像整體的顏色平均值，并同高斯濾波后的圖像進(jìn)行差值計(jì)算，獲取相應(yīng)的頻率調(diào)諧視覺(jué)顯著性特征［17］，計(jì)算公式為

其中，

式中:S(x，y)表示像素點(diǎn)(x，y)的頻率調(diào)諧視覺(jué)顯著性值;μ為圖像Lab空間的顏色平均值;ωhc表征經(jīng)過(guò)高斯濾波以后圖像的特征分量;Iωhc(x，y)為經(jīng)過(guò)相應(yīng)高斯濾波處理以后特征分量的矩陣;Iμ為特征分量的平均值;‖g‖表征歐式距離的計(jì)算。根據(jù)文獻(xiàn)［18］，可以將頻率調(diào)諧視覺(jué)顯著性的高斯濾波表示為高斯差分的累加和，即

式中:FN、N分別表示差分等價(jià)的帶通濾波器、高斯差分次數(shù);DOG(x，y)為高斯差分計(jì)算;G(x，y，ρnσ)表示像素點(diǎn)(x，y)處的高斯濾波算子，σ、ρn分別為算子的標(biāo)準(zhǔn)差、調(diào)節(jié)因子。根據(jù)文獻(xiàn)［18］，設(shè)置 ρn+1∶ρn=1.0 ∶1.6。

圖1分別為黃瓜褐斑病、霜霉病的頻率調(diào)諧視覺(jué)顯著性特征提取結(jié)果，可以看出，視覺(jué)顯著性圖可以明顯增強(qiáng)圖像邊緣特征和大塊病斑的提取效果，但對(duì)較小的病斑分割效果較差。

1.2 色調(diào)均衡補(bǔ)償?shù)奶卣髟鰪?qiáng)

視覺(jué)顯著性特征提取方法對(duì)小塊病斑提取精度較差，主要是由于光照度變化會(huì)改變圖像的灰度值，影響較小病斑的提取精確性。為進(jìn)一步降低小病斑對(duì)光照度的敏感性，引入HSI顏色空間的H分量對(duì)病斑圖像進(jìn)行增強(qiáng)，主要是因?yàn)镠不受光照度影響。本研究在進(jìn)行H分量的提取過(guò)程中，參照文獻(xiàn)［19］的方法，首先對(duì)圖像進(jìn)行均衡化調(diào)整，以增強(qiáng)圖像局部顏色改變處的對(duì)比度信息，從而增強(qiáng)捕獲病斑與周?chē)伾?xì)節(jié)的差異。均衡化以后可以將H分量和頻率調(diào)諧視覺(jué)顯著性圖融合后的特征表示為

式中:Ifusion(x，y)為像素點(diǎn)(x，y)的融合特征;H(x，y)、S(x，y)分別表示該像素點(diǎn)處的均衡化H值、頻率調(diào)諧視覺(jué)顯著性值。通過(guò)H分量的引入，可以有效增強(qiáng)病斑圖像的輪廓信息，有效提升較小病斑的區(qū)分能力。圖2為圖1提取結(jié)果經(jīng)過(guò)均衡化H分量增強(qiáng)以后的結(jié)果，可以看出，通過(guò)色調(diào)均衡補(bǔ)償后的顯著性圖得到了明顯增強(qiáng)，特別是較小的病斑也得到了較好的分割效果。

2 改進(jìn)的PCNN模型

PCNN模型作為一種神經(jīng)網(wǎng)絡(luò)模型的分支，具有不需要訓(xùn)練、可以同步實(shí)現(xiàn)性質(zhì)相同神經(jīng)元捕捉的良好特性，目前被廣泛應(yīng)用在圖像分割領(lǐng)域［20－21］。但傳統(tǒng)的PCNN模型過(guò)于復(fù)雜，不適合病斑的提取，另外，傳統(tǒng)的PCNN模型中采用固定參量建模的方法，對(duì)不同復(fù)雜背景條件下的適應(yīng)性較差，針對(duì)這一問(wèn)題，本研究對(duì)PCNN模型從以下2點(diǎn)進(jìn)行改進(jìn):(1)針對(duì)病斑提取的獨(dú)特性，簡(jiǎn)化模型結(jié)構(gòu)、降低運(yùn)算的復(fù)雜性;(2)構(gòu)建模型參量的自適應(yīng)更新方法，提升模型的抗噪能力和對(duì)不同環(huán)境的適應(yīng)性。

2.1 基于PCNN模型的病斑提取原理

傳統(tǒng)的PCNN模型單個(gè)神經(jīng)元的離散迭代計(jì)算過(guò)程［22］如下:

PCNN主要是基于像素進(jìn)行計(jì)算，公式(4)和公式(5)為PCNN模型的基本構(gòu)成單元。其中，F(xiàn)ij(n)、Lij(n)分別表示輸入場(chǎng)的反饋值、連接值;Mij，kl、Wij，kl分別表示針對(duì)反饋值與連接值的1次迭代輸出Ykl(n－1)的權(quán)值矩陣;Sij為提取的色調(diào)均衡優(yōu)化的視覺(jué)顯著性圖;VF、αF分別為反饋輸入場(chǎng)中的放大系數(shù)、衰減時(shí)間常數(shù);VL、αL分別為連接輸入場(chǎng)中的放大系數(shù)、衰減時(shí)間常數(shù)。公式(6)中的Uij(n)表示內(nèi)部調(diào)制場(chǎng)參量;β為聯(lián)通強(qiáng)度。公式(7)為1次點(diǎn)火實(shí)現(xiàn)，step(g)表示階躍函數(shù)，其功能是基于動(dòng)態(tài)閾值Eij(n－1)來(lái)度量Uij(n)，當(dāng)Uij(n)＞Eij(n－1)時(shí)，產(chǎn)生脈沖點(diǎn)火輸出Yij(n)=1，目的是在每一次迭代中都能有效提取性質(zhì)相同的像素點(diǎn);n為迭代次數(shù)。公式(8)表征了動(dòng)態(tài)閾值Eij(n)的組成，VE、αE分別表示放大系數(shù)、衰減時(shí)間常數(shù)。

2.2 對(duì)PCNN模型的改進(jìn)

傳統(tǒng)PCNN模型參量復(fù)雜，且無(wú)法自適應(yīng)更新，提取精度嚴(yán)重依賴(lài)經(jīng)驗(yàn)值的設(shè)定［23］。本研究改進(jìn)后的PCNN單個(gè)神經(jīng)元結(jié)構(gòu)如圖3所示，其具體的工作原理可以表示為

其中，m(n)為病斑像素平均值，從公式(9)～公式(12)可以看出，改進(jìn)后的模型在輸入場(chǎng)中簡(jiǎn)化了功能單元，刪除了指數(shù)衰減項(xiàng)，并重新定義了反饋輸入域Fij(n)，單一采用以像素(i，j)為中心的8個(gè)鄰域內(nèi)輸入圖像的顯著性圖矩陣Skl，聯(lián)合權(quán)重矩陣Mij，kl耦合形成。連接輸入場(chǎng)Lij(n)同樣定義為由8鄰域內(nèi)神經(jīng)元的迭代輸出與Wij，kl構(gòu)成。公式(11)中的連接強(qiáng)度β通過(guò)表征圖像局部細(xì)節(jié)特征的修正拉普拉斯絕對(duì)和(sum of modified laplacian，簡(jiǎn)稱(chēng)SML)計(jì)算，實(shí)現(xiàn)自適應(yīng)優(yōu)化。公式(12)中的Eij(n)同樣刪減了不適合小病斑提取的指數(shù)衰減參量，利用每次點(diǎn)火輸出區(qū)域的顯著性圖計(jì)算該值，確保了PCNN模型的振蕩，具體的點(diǎn)火機(jī)制同公式(7)。

3 參量的自適應(yīng)優(yōu)化分析

從“2.2”節(jié)的分析中可以看出，該簡(jiǎn)化模型很好地適應(yīng)了小病斑的檢測(cè)。由圖3可知，本研究改進(jìn)方法主要包括輸入場(chǎng)、調(diào)制場(chǎng)、脈沖產(chǎn)生器等3個(gè)部分。且改進(jìn)模型的關(guān)鍵參量分別是輸入場(chǎng)的反饋權(quán)值矩陣Mij，kl和連接權(quán)值矩陣Wij，kl、調(diào)制場(chǎng)的連接強(qiáng)度β以及脈沖產(chǎn)生器的動(dòng)態(tài)閾值Eij(n)。

3.1 輸入場(chǎng)的權(quán)值矩陣優(yōu)化

在反饋輸入場(chǎng)中利用權(quán)值矩陣Mij，kl對(duì)圖像的輸入特征進(jìn)行預(yù)處理，實(shí)現(xiàn)對(duì)圖像空間噪聲的抑制，保護(hù)邊緣細(xì)節(jié)特征，并有效調(diào)節(jié)與距離相關(guān)的神經(jīng)元單元。傳統(tǒng)基于高斯濾波的差值計(jì)算方法容易導(dǎo)致圖像邊緣模糊、丟失細(xì)節(jié)特征，為增強(qiáng)圖像的細(xì)節(jié)特征，本研究采用各項(xiàng)異性特征對(duì)高斯濾波器進(jìn)行改進(jìn)［15］，改進(jìn)后的矩陣 Mij，kl可表示為

式中:Yij(n－1)×or Ykl(n－1)=1主要實(shí)現(xiàn)圖像椒鹽噪聲的定位。獲取定位信息以后，可以通過(guò)8個(gè)鄰域的神經(jīng)元與中陣;C0、C1均為歸一化系數(shù);‖i－k‖2為水平神經(jīng)元之間距離的平方;‖j－l‖2為垂直神經(jīng)元之間距離的平方;σi、σj均為高斯尺度因子，在本研究中分別取值為1、3。

同時(shí)，可以計(jì)算連接輸入場(chǎng)的權(quán)值矩陣 Wij，kl，具體公式為

3.2 調(diào)制場(chǎng)的連接強(qiáng)度優(yōu)化

在本研究黃瓜病斑的分割中，旨在更多地保留圖像的邊緣細(xì)節(jié)，使最終病斑分割結(jié)果輪廓清晰，以便于后續(xù)的病態(tài)識(shí)別。因此，在具有相似邊緣特征的像素點(diǎn)處提升其連接強(qiáng)度β的大小，使之更容易被PCNN模型捕獲而點(diǎn)火輸出。考慮到SML利用二階拉普拉斯梯度來(lái)表達(dá)局域范圍內(nèi)灰度的跳變程度具有很好的圖像紋理和方向信息描述能力，可以將像素(i，j)的拉普拉斯分量絕對(duì)和［21］定義為

式中:s為計(jì)算中的空域間隔，由于傳統(tǒng)的SML方法中忽略了傾斜方向的梯度信息，因此在s=1的情況下，可以將公式(15)進(jìn)一步改進(jìn)為

當(dāng)圖像特征出現(xiàn)邊緣跳變時(shí)，公式(16)能夠獲取較大的SML值，提取較小的病斑區(qū)域。因此，同構(gòu)對(duì)圖像進(jìn)行改進(jìn)后的SML計(jì)算，可以通過(guò)自適應(yīng)修正連接強(qiáng)度β進(jìn)行病斑邊緣的點(diǎn)火輸出，其中連接強(qiáng)度的優(yōu)化計(jì)算表達(dá)式為

式中:Gn［g］為實(shí)現(xiàn)歸一化的函數(shù)運(yùn)算;N表示選擇的鄰域窗口的大小，本研究中N=3;SML(i，j)表示計(jì)算的SML值。

3.3 脈沖產(chǎn)生器的動(dòng)態(tài)閾值優(yōu)化

對(duì)于病斑葉片而言，正常的顏色為綠色，病斑顏色為非綠色，本研究采用超綠特征E×G進(jìn)行特征提?。?4］，其灰度值計(jì)算公式為

式中:E(x，y)為像素點(diǎn)(x，y)處的灰度值;R、G、B 分別表示該像素點(diǎn)在紅、綠、藍(lán)顏色空間的取值。獲取灰度圖后，此時(shí)病斑區(qū)域的灰度值相對(duì)較高，設(shè)置動(dòng)態(tài)閾值時(shí)系統(tǒng)通過(guò)迭代遞進(jìn)的方法，令灰度值相對(duì)較高的區(qū)域?yàn)樽罱K穩(wěn)定地點(diǎn)火輸出。采用公式(9)表達(dá)的動(dòng)態(tài)閾值設(shè)置方法，取其為PCNN每一次迭代分割出的區(qū)域在原圖像上的平均灰度值與放大系數(shù)VE的乘積，其中可以計(jì)算為

式中:Ω為第n次迭代PCNN點(diǎn)火輸出的區(qū)域矩陣;f(u，v)為點(diǎn)火輸出區(qū)域內(nèi)原輸入融合特征矩陣的每一個(gè)元素值;N為點(diǎn)火區(qū)域內(nèi)總的元素個(gè)數(shù)。的初始迭代值設(shè)置為0。動(dòng)態(tài)閾值Eij(n)隨著PCNN迭代的進(jìn)行不斷增大，導(dǎo)致每次迭代PCNN分割出的區(qū)域不斷縮小;同時(shí)，區(qū)域的平均灰度值將不斷增加，直到最終輸出不再變化時(shí)，輸出區(qū)域的平均值已經(jīng)逼近了病斑區(qū)域的平均值，停止迭代，輸出分割結(jié)果。通過(guò)這樣的機(jī)制使改進(jìn)的PCNN分割模型可以實(shí)現(xiàn)自適應(yīng)的迭代停止控制。放大系數(shù)VE為控制平均值增長(zhǎng)速度的系數(shù)，在本研究中VE=1。

4 驗(yàn)證試驗(yàn)與結(jié)果分析

4.1 試驗(yàn)設(shè)置說(shuō)明

為驗(yàn)證本研究方法的有效性，對(duì)采集的黃瓜葉片常見(jiàn)病斑進(jìn)行檢測(cè)分析。試驗(yàn)中共采集6種常見(jiàn)的黃瓜葉斑病(白粉病、黑斑病、霜霉病、慢枯病、角斑病、紅粉病)的100幅相關(guān)病斑葉片圖像。為便于運(yùn)算，將圖像全部歸一化到像素。采用 Intel? CoreTMi7 －3520M 4.0 GHz CPU，8 GB RAM 筆記本電腦，安裝Window 7操作系統(tǒng)，圖像分析程序在Visual C++2010平臺(tái)編程實(shí)現(xiàn)，采用C++語(yǔ)言編寫(xiě)，便于不同平臺(tái)之間的移植使用。試驗(yàn)的檢測(cè)流程如圖4所示，首先，針對(duì)采集到的病斑葉片圖像進(jìn)行相關(guān)參量的初始化處理;接著進(jìn)行Lab顏色空間3個(gè)分量和HIS顏色空間的H分量提取，并進(jìn)行特征顯著性和H分量均衡化處理，實(shí)現(xiàn)特征的融合表征;最后，將融合后的特征圖像作為改進(jìn)PCNN模型的輸入圖像，并對(duì)模型輸出圖像進(jìn)行一定的形態(tài)學(xué)處理，獲取最終的病斑識(shí)別結(jié)果。

4.2 病斑提取精度的定性分析

首先，針對(duì)采集的病斑葉片進(jìn)行不同背景條件下病斑提取結(jié)果的定性分析。為便于定性對(duì)比，試驗(yàn)中分別采用Otsu方法、K－means聚類(lèi)方法、傳統(tǒng)PCNN方法、本研究方法進(jìn)行病斑的提取分析。由圖5可知，在強(qiáng)光照度且背景相對(duì)簡(jiǎn)單的情況下，幾種方法都取得了較好的分割結(jié)果，但由于光照度變化的影響，導(dǎo)致Otsu方法、K－means聚類(lèi)方法、傳統(tǒng)PCNN方法在葉片的邊緣和葉片與枝干連接的地方提取效果較差，主要原因是這些方法沒(méi)有考慮到光照度變化對(duì)病斑圖像特征的影響。由于本研究方法采用了多特征融合的方法，可以看出，本研究方法較好地適應(yīng)光照度的變化。由圖6可知，由于光線較暗且背景干擾比較復(fù)雜，導(dǎo)致Otsu方法、K－means聚類(lèi)方法分割結(jié)果較差，而傳統(tǒng)PCNN方法分割精度有所提升。但由于傳統(tǒng)PCNN方法的分割閾值平均值仍為固定設(shè)置，導(dǎo)致在光照度較弱的情況下，病斑與背景信息的顏色可分性降低，將部分背景信息分割為病斑。而本研究方法采用了自適應(yīng)參量的實(shí)時(shí)更新方法，可以看出，分割結(jié)果十分接近真實(shí)的病斑分布。

4.3 病斑提取精度的定量分析

為定量對(duì)比分析本研究方法的分割精度，采用錯(cuò)分率(ER)對(duì)提取結(jié)果進(jìn)行比較。其中，錯(cuò)分率的具體計(jì)算公式可以表示為

式中:Na、Ne分別表示葉片圖像的總像素?cái)?shù)量、病斑錯(cuò)誤提取的像素?cái)?shù)量。

試驗(yàn)中針對(duì)采集的100幅病斑葉片圖像進(jìn)行統(tǒng)計(jì)分析，并計(jì)算平均錯(cuò)分率。從“4.2”節(jié)的定性分析中可以明顯看出，Otsu方法采用了閾值分割的方法，其效果較差，因此，在該部分定量比較中，為了方便計(jì)算，不對(duì)其進(jìn)行定量計(jì)算，直接針對(duì)后3種提取精度相對(duì)較高的方法(K－means聚類(lèi)方法、傳統(tǒng)PCNN方法、本研究方法)進(jìn)行定量計(jì)算分析。由表1可知，對(duì)6種常見(jiàn)的黃瓜病害，本研究方法的錯(cuò)分率較低，最小錯(cuò)分率為1.9%，最大錯(cuò)分率為4.5%，提取精度明顯優(yōu)于傳統(tǒng)PCNN方法和K－means聚類(lèi)方法，對(duì)提取精度而言，本研究方法是一種優(yōu)秀的方法。

表1 3種方法的平均錯(cuò)分率

4.4 算法復(fù)雜性分析

病斑提取速度的快慢是進(jìn)行后續(xù)機(jī)器視覺(jué)識(shí)別應(yīng)用的關(guān)鍵。為度量本研究方法的計(jì)算復(fù)雜性，對(duì)采集的100幅病斑圖像進(jìn)行病斑提取速度分析。由表2可知，由于K－means聚類(lèi)方法主要是針對(duì)像素級(jí)別進(jìn)行聚類(lèi)，時(shí)間消耗較大;傳統(tǒng)的PCNN方法由于采用鄰域塊的操作，即使引入了一些約束和迭代思想，但最終的運(yùn)行時(shí)間仍小于K－means聚類(lèi)方法，具有較為合理的時(shí)間效率;而本研究方法雖然增加了顏色空間的變換和特征融合處理，但在PCNN模型參量的計(jì)算過(guò)程中有針對(duì)性地進(jìn)行了簡(jiǎn)化處理，因此，一定程度上降低了本研究方法的計(jì)算復(fù)雜性，整體比傳統(tǒng)PCNN方法的效率有了一定的提升。

表2 3種方法的運(yùn)行時(shí)間

5 結(jié)論與討論

本研究針對(duì)不同復(fù)雜背景下黃瓜病害葉片的病斑精確提取和識(shí)別問(wèn)題進(jìn)行了分析，提出了一種聯(lián)合多特征融合表征和脈沖耦合神經(jīng)網(wǎng)絡(luò)模型的病斑精確提取方法，對(duì)黃瓜葉片病斑進(jìn)行有效識(shí)別。從黃瓜常見(jiàn)病斑葉片的檢測(cè)分析結(jié)果可以看出，本研究方法具有較高的精度。與現(xiàn)有的分割和識(shí)別方法相比，本研究方法具有以下幾點(diǎn)創(chuàng)新:(1)對(duì)采集的黃瓜病斑原始圖像進(jìn)行了Lab和HIS顏色空間的變換處理，有效提升了特征的魯棒性。特別是在光照度改變的情況下，本研究提取的特征具有更加有效的表征性。本研究方法的最小錯(cuò)分率為1.9%，最大錯(cuò)分率為4.5%，與K－means聚類(lèi)算法和傳統(tǒng)PCNN方法相比，均有較大改善。(2)本研究方法采用PCNN模型進(jìn)行迭代分割，與傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)模型相比，不須要進(jìn)行大量圖像的離線運(yùn)算，因此可以達(dá)到較好的實(shí)時(shí)性效果。(3)本研究對(duì)PCNN模型輸入場(chǎng)、調(diào)制場(chǎng)、脈沖形成等3個(gè)階段的關(guān)鍵參量進(jìn)行了優(yōu)化，針對(duì)具體的應(yīng)用場(chǎng)景實(shí)現(xiàn)了自適應(yīng)處理，增強(qiáng)了模型對(duì)不同復(fù)雜背景下的實(shí)用性。

在下一步的研究中，將進(jìn)一步優(yōu)化該方法在實(shí)際應(yīng)用平臺(tái)中的應(yīng)用，通過(guò)農(nóng)作物智能物聯(lián)系統(tǒng)構(gòu)建完善的黃瓜生長(zhǎng)智能分析和識(shí)別系統(tǒng)。