算機視覺在作物病害診斷中的研究進展

摘要：據統計，因病害引起的作物產量損失平均在12%以上，病害發生不僅影響產量，還使產品質量下降。利用計算機視覺技術對作物病害快捷檢測、準確診斷，為病害防治提供科學依據是實現農業信息化發展的迫切需求。文章對計算機視覺技術用于作物病害診斷進行了詳細分析和研究，以求獲得這些新技術在作物病害診斷各環節的現狀，指出了計算機視覺技術診斷作物病害存在的不足和研究方向。該研究對農作物病害智能檢測技術的發展將起到重要的推動作用。

關鍵字：計算機視覺；作物病害診斷；進展；模式識別

中圖分類號：TP311 文獻標識號：A 文章編號：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

在作物生產中，病害是制約作物質與量的重要因素。病害發生，往往致使作物的使用價值降低，甚至還會導致大面積減產，乃至絕收，造成巨大的經濟損失。因此，在作物生長過程中，病害防治是個關鍵的問題之一。因各種原因植保人員匱乏，而種植戶個體素質差異及受一些主觀人為因素的影響，對作物病害診斷存在主觀性、局限性、模糊性等，不能對作物病害的類型及受害程度做出客觀、定量的分析與判斷，結果要么是藥量不對、要么是藥不對癥，嚴重影響了作物的質與量。

計算機視覺也稱為機器視覺，是研究如何用計算機來模擬和再現人類視覺功能的科學，也被稱為圖像理解和圖像分析，是人工智能領域的一個重要分支。隨著計算機技術、圖像處理和人工智能等學科的發展，以及數碼相機、手機等攝像工具像素的提高，將機器視覺用于作物病害診斷，實現作物病害的無損檢測、快速診斷提供了新的途徑和方法[1]。報道最早的是在1989年穗波信雄等人[2]對采集的缺乏鈣、鐵、鎂營養元素的茨菇葉片圖像進行研究，在RGB模型中，利用直方圖分析了正常和病態的顏色特征。為適應農業信息化的迫切需求，國內外學者對機器視覺用于作物病害診斷進行了研究和實踐，而取得進展主要集中在近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]，這些研究針對不同作物，從不同側面為作物病害實現自動化診斷提供了理論和實踐基礎。因機器視覺比人眼能更早發現作物因病蟲危害所表現的顏色、紋理、形狀等細微變化，所以利用這種技術病害病害與人工方式相比，提高了診斷的效率和精準度，為作物保護智能化、變量噴藥等提供了科學依據。

本文綜述和歸納了機器視覺診斷作物病害的主要技術：病害圖像采集、增強處理、病斑分割、特征提取、特征優化、病害識別等各環節的方法及現狀，指出了機器視覺診斷作物病害存在的不足和研究方向。該研究對實現作物病害的機器視覺診斷技術的發展將起到重要的推動作用。

1機器視覺識別作物病害的技術路線與進展

作物病害因其病原物種類不同會產生形狀、顏色、紋理等不同的病斑，通常專業植保技術人員就是根據這些特征判斷病害的。機器視覺診斷作物病害是通過無損采集病害圖像，利用圖像處理技術對圖像增強處理、分割病斑，提取病斑特征、優化特征，用模式識別技術診斷病害類別及危害程度，從而為病害的防治提供科學依據。圖1為機器視覺診斷作物病害的技術路線圖。

圖1機器視覺識別作物病害技術路線圖

Fig 1 Technology roadmap of machine vision recognition crop diseases

1.1病害圖像采集與增強處理

（1）病害圖像采集方法。圖像采集是病害識別的第一步，采集的質量會直接影響識別結果。常用采集設備有數碼攝像機、掃描儀、數碼相機、手機等。其中，數碼相機便于攜帶，能滿足圖像清晰度要求，符合野外作業等特點，因此病害圖像采集中用得較多。依據采集環境氛圍分為室內采集和室外（田間）采集兩種。室內采集是將田間采摘到的病害標本經密封保濕后使用CCD攝像機或數碼相機在室內攝取病害的標本圖像。在田間采集圖像中，有學者為了采集到高質量的圖像，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，以減少自然光照對圖像質量的影響。徐貴力等人[6]設計了活體采光箱，使照射光變成反射光，從而避免了陰影，以減少誤差。這種規范圖像采集方式雖簡化了后期圖像處理和識別的難度，但基層生產單位可能缺乏配套的技術設備，且會使病害識別過度依賴圖像。為擴展應用范圍和通用性，有學者對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別技術診斷病害進行了研究，如李宗儒[7]用手機拍攝了蘋果的圓斑病、花葉病等5種病害圖像，對病害圖像增強處理、分割病斑，提取病斑特征，用BP神經網絡識別病害，獲得了較好效果。姜武[8]用Canon EOS 50D相機在陽光充足的早晨拍攝山茶葉片圖像，進行顏色分形和RGB強度值提取，用支持向量機對山茶分類識別，取得了較好效果。

（2）圖像增強方法。在采集圖像過程中，因受設備、環境等因素影響，往往使采集到的圖像含有噪聲，若不對其增強處理會影響到病害的正確識別率。病害圖像增強是為病斑分割，特征提取做準備，所以應確保在去除噪聲的同時，保證病斑邊緣不模糊。圖像增強處理根據其處理的空間不同，分為空域法和頻域法。空域法是對圖像本身直接進行濾波操作，而頻域法是對圖像進行轉化，將其轉化到頻率域中去噪處理，之后再還原到圖像的空間域。圖像增強處理常用方法有：直方圖均衡化、對比度增強、均值濾波、中值濾波、高斯濾波、銳化等。王靜[9]利用數碼相機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圖像增強處理，實驗表明，中值濾波去噪效果最好，在保留圖像病斑邊緣信息的同時，使病斑輪廓與細節更加清晰，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、高斯濾波等對圖像處理，實驗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

計算機視覺主要是依據病斑的特征信息診斷病害類別及危害程度的。因此，彩色病斑的準確分割，是后期提取病斑特征，病害類別的客觀、準確診斷的關鍵環節之一。當前針對作物病害圖像分割算法有閾值分割、空間聚類、區域分割、邊緣檢測分割、計算智能方法等。由于作物病害圖像存在背景復雜、病斑區域排列無序、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，因此尚無一種魯棒性好，且簡單適用的通用方法，也還沒有一種判斷分割是否成功的客觀標準。近年來學者們對作物病害圖像的分割進行了大量研究，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外輪廓顏色，用最大類間方差法（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，對獲取的小麥病害圖像采用迭代閾值分割和微分邊緣檢測分割病斑。溫長吉等人[15].用改進蜂群算法優化神經網絡實現玉米病害圖像分割。祁廣云等[16]采用改進的遺傳算法及BP神經網絡對大豆葉片病斑分割，能有效提取病斑區域。毛罕平等人[17-18]利用模糊C均值聚類對棉花、玉米病害圖像的病斑進行分割。張飛云[19]采用K-means硬聚類算法對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]對水稻葉部病害圖像的分割進行研究，結果證明，模糊C均值聚類法的分割效果較好，但速度欠佳，Otsu法分割效果略差，但速度較快。濮永仙[23]利用支持向量機檢測煙草病斑邊緣，以分割彩色病斑。石鳳梅等人[24]利用支持向量機分割水稻稻瘟病彩色圖像病斑，其分割效果優于Otsu法。

（2）病斑特征提取

計算機視覺識別作物病害用到的特征主要有顏色、紋理、形狀等特征。顏色是區分病害類別的重要特征，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，而模型的選擇會影響到病害識別效果。紋理是指圖像中反復出現的局部模式及排列規則。作物病害圖像正常與病變部分的紋理在粗細、走向上有較大差異。紋理特征有基于灰度直方圖的統計測度，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、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。形狀常與目標聯系在一起，形狀特征可以看作是比顏色和紋理更高層的特征，它能直觀描述目標和背景之間的區別，不同病害的病斑在尺寸大小、似圓性、長短軸等方面有不同特性，對旋轉、平移有很強的穩定性。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，對病害進行識別，識別率達96%以上。蔡清等人[26]對蟲食菜葉圖像處理后，提取其形狀的圓形度、復雜度、球形度等7個特征，用BP神經網絡識別病害。王克如[27]提取玉米病害圖像中紋理特征的能量、熵及慣性矩作為識別病害的特征，實驗得出，以單個特征識別正確識別率達90%，綜合應用三個紋理特征，識別率達100%。田有文等人[28]提取葡萄葉部病斑的顏色、紋理、形狀特征，用支持向量機識別，實驗表明，綜合應用三種特征的識別率比只用單一特征的識別高。李旺[29]以黃瓜葉部3種常見病害圖像為研究對象，提取病斑顏色、紋理和形態特征總共14個特征，用支持向量機識別，實驗表明，分別以顏色、紋理、形狀特征識別，識別率分別為72.23%、90.70%、90.24%，綜合3種特征識別率為96.00%。

（3）特征優化

特征優化是指在特征提取完成后，將特征因子中對識別病害貢獻低的因子丟棄，以確保在降低特征維度的同時，能提高病害的識別率。常用的特征優化方法有：逐步判別法、主成分分析法、遺傳算法等。實踐證明，優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種常見病害圖像的形態、顏色、紋理共63個特征，用逐步判別法對特征優化，用貝葉斯判別法識別病害，可使特征數減少到原來的35.2%，而病害準確識別率達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個特征，用逐步判別法優化，最終選取12個特征，用主成分優化后綜合成2個新變量，分別用貝葉斯判別法和用費歇爾判別函數識別病害，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，用遺傳算法優化特征，用概率神經網絡識別病害，識別率為90.4%。彭占武[32]提取了黃瓜6種常見病害圖像的顏色、紋理、形狀特征14個，用遺傳算法優化得到8個特征，用模糊識別模式識別病害，其識別率達93.3%。濮永仙[33]提取了煙草常見病害圖像的顏色、紋理及形態共26個特征，用雙編碼遺傳算法與支持向量機結合優化特征，最后得到16個特征，該方法與沒有采用遺傳算法的支持向量機識別相比，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，即二進制編碼和實數編碼結合，支持向量機作為底層分類器，分類精度作為遺傳算法的適應度對個體進行評估，在去除冗余特征的同時為保留的特征賦予權重，如圖2所示。韓瑞珍[34]提取了害蟲的顏色、紋理特征共35個，用蟻群算法對特征優化，將35個特征降低到29個，識別準確率從87.4%提高到89.5%。

圖2雙編碼遺傳算法中的個體

Fig 2 Individual in the double coding genetic algorithm

1.3病害模式識別

模式識別也叫模式分類，指依據輸入的原始數據，判斷其類別并采取相應的行為[35]。病害模式識別的任務是依據特征數據由分類器完成分類的，分類器設計和特征描述共同決定了模式識別系統的性能。用于病害識別的模式可分為統計模式、句法結構模式、模糊模式和機器學習方法四類。其中，統計模式識別是用概率統計原理，獲取滿足某種已知分布的特征向量，然后通過決策函數來分類，不同的決策函數能夠產生不同的分類方法。常見的統計模式識別方法有兩種：一是由Neyman決策和貝葉斯決策等構成的基于似然函數的分類方法，另一種是基于距離函數的分類識別方法。模糊模式識別是基于模糊理論利用模糊信息進行模糊分類的，主要方法有最大隸屬原則識別法、接近原則識別法和模糊聚類分析法三種。機器學習指計算機模擬或者實現人類的某些行為，它的應用已涉及很多領域。目前常用于作物病害識別的機器學習方法有人工神經網絡、支持向量機（SVM）、移動中心超球分類器等。其中，支持向量機分類器是目前機器學習領域的研究熱點之一，它能夠較好地解決小樣本、非線性、高維數的分類問題，且具有良好的推廣和泛化能力。神經網絡是基于經驗風險最小化原則，以訓練誤差最小化為優化目標，而SVM以訓練誤差作為優化問題的約束條件，以置信范圍最小化為優化目標，所以SVM的解具有唯一性，也是全局最優[36]。移動中心超球分類器是近年來新提出的一種分類器，它是一種對參考樣本進行壓縮的方法，可以節省空間，但其識別率不如人工神經網絡高。以下是在作物病害診斷中較成功的幾種識別模式及技術進展。

1.3.1 貝葉斯判斷法

貝葉斯判別法是一種典型的基于統計方法的分類器。它的基本原理是將代表模式的特征向量X分到m個類別（C1，C2，…，Cm）中的某一類。操作步驟為：

（1）設樣本有n個屬性（W1，W2，…Wn），每個樣本可看作是n維空間的一個點X=（x1，x2，…，xn）；

（2）設有m個不同的類（C1，C2，…，Cm），X是一個未知類別的樣本，預測X的類別為后驗概率最大的那個類別；3）用貝葉斯后驗概率公式計算，并進行比較，依據后驗概率可將樣本X歸到Ci類中，當且僅當>，成立。貝葉斯分類器因其結構簡單、易于擴展等特點，被廣泛用于作物病害診斷。楊昕薇等人[37]對3種寒地水稻常見病害圖像處理、提取特征，用貝葉斯判別法識別病害，其識別率達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器識別，其識別精度在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，優化特征后，用貝葉斯判別法識別病害，其識別率達94.71%。

1.3.2 人工神經網絡識別法

神經網絡技術是目前廣泛使用的一種機器學習方法，其研究工作始于19世紀末20世紀初[40]，因具有并行處理、非線性映射、自適應學習、魯棒容錯性等優點，以及采用數據驅動模式，故在模式識別領域得到廣泛應用。人工神經網絡診斷作物病害的基本步驟是：構建神經網絡識別模型，將已提取并優化好的病害圖像特征數據作為分類器的輸入特征矢量對模型訓練，經過訓練后的模型可實現作物病害的分類識別。目前應用于作物病害識別的人工神經網絡主要有：BP神經網絡、概率神經網絡、自組織特征映射網絡，并衍生出模糊神經網絡、量子神經網絡等。BP神經網絡具有較好的自學習性、自適應性、魯棒性和泛化性。概率神經網絡是徑向基網絡的一個重要分支，其分類器是一種有監督的網絡分類器，在識別過程中隨著訓練病害種類的增加[41]，其運算速度會減慢。自組織特征映射網絡分類器是于1981年提出的一種由全連接的神經元陣列組成的自組織自學習網絡[42]，可以直接或間接地完成數據壓縮、概念表示和分類的任務，多項實驗表明它的病害圖像識別率都在90%以上。模糊神經網絡是模糊理論同神經網絡相結合的產物，它匯集了神經網絡與模糊理論的優點，集學習、聯想、識別、信息處理于一體。量子神經網絡是量子計算理論和人工神經網絡結合的產物，并集成了兩者的優點。王軍英[43]以葡萄發病部位、病斑形狀、病斑顏色和主要癥狀為特征，用改進的BP神經網絡識別病害，識別率達95.36%。譚克竹等人[44]用BP神經網絡識別大豆的灰斑病、霜霉病和斑點病的特征與病害的關系，其輕度病害的識別精度為87.19%，中度病害的識別精度為90.31%，重度病害的識別精度為93.13%。魏清鳳等人[45]利用模糊神經網絡診斷模型以診斷蔬菜病害，其病害識別率達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，用量子神經網絡進行病害識別，其平均識別率達94.5%。陳麗等人[31]對田間采集的玉米葉部病害圖像，對圖像分割、特征提取，利用概率神經網絡識別病害，其識別率為90.4%，同樣條件下高于BP神經網絡。

1.3.3 支持向量機識別法

支持向量機[46]（Support Vector Machine，簡稱SVM）是Vapnik等人提出的一款新型的機器學習方法。SVM有線性可分和線性不可分兩種情況，采用不同的核函數會有不同的SVM 算法。常用的核函數有：線性核函數、多項式核函數、徑向基核函數、Sigmoid核函數等。SVM在基于數據的機器學習領域，它兼顧訓練誤差和泛化能力，在解決小樣本、非線性、高維數、局部極小值等模式識別問題中表現出許多特有的優勢[47-48]，在基于圖像診斷作物病害領域應用越來越多。宋凱等人[49]提取了玉米葉部病害圖像特征，選擇基于SVM的不同的核函數識別病害，其中徑向基核函數的正確識別率為89.6%，多項式核函數為79.2%，Sigmoid核函數的識別性能最差。劉鵬[50]提取甜柿病害圖像的紋理特征和顏色特征采用SVM識別病害，結果表明，當SVM類型為nu-SVR，核函數為Sigmoid，參數C=26、ξ=24時識別效果最好。田有文等人[51]用支持向量機識別黃瓜病害，實驗表明，SVM方法在處理小樣本問題中具有良好的分類效果，線性核函數和徑向基核函數的SVM分類方法在黃瓜病害的識別方面優于其他類型核函數的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個特征，采用一對一投票決策的SVM多分類模型識別病害，取得了較好的效果。劉立波[22]提取了水稻常見葉部病害圖像的顏色、紋理、形狀等特征，對特征優化后，分別用最近鄰域、BP神經網絡和SVM方法識別病害，其中識別率最高的是SVM，BP神經網絡居中，最近鄰域法最差，BP神經網絡的訓練速度最慢。

2機器視覺識別作物病害存在的問題與進一步研究重點

將計算機視覺用于作物病害診斷，以改變傳統的診斷方式，為種植戶準確診斷病害，以及變量施藥提供了決策支持。目前，計算機視覺診斷作物病害雖然取得了一定的進展，但從研究的深度、應用的范圍和實用化角度看，還存在許多不足，還需進一步深入研究。

2.1機器視覺診斷作物病害存在的問題

筆者查閱了大量文獻，對目前常用的機器視覺識別作物病害的技術進行了研讀，目前機器視覺識別作物病害的技術還不夠成熟，存在以下問題：

（1）在實驗室條件下計算機視覺診斷作物病害正確率高，但應用到田間，難度較大，主要原因是大多研究是在簡單背景下、對少數幾種病害圖像診斷，而對大田復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單，對于自然狀態和復雜背景下的病害圖像分割有待進一步的研究。

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

（4）許多分類算法和分類器都存在各自的優缺點，不能適合所有作物病害識別，沒有統一的評價標準，難以實現各診斷系統之間的客觀比較。

（5）不同研究者使用的病害圖像各不相同，難以比較不同。

（6）機器視覺診斷作物病還是少數專家對某類作物在局部范圍內的研究，很難滿足現實生產的多種作物、不同區域同時診斷的要求。

2.2進一步研究重點

根據以上存在的問題，今后的研究方向和重點為：

（1）機器視覺識別作物病害技術從實驗室向大田擴展時，需綜合考慮所提取的病害圖像特征在復雜背景下的可獲取性、穩定性、可操作性等。

（2）機器視覺診斷作物病害系統應充分考慮不同發病時期，識別特征的變化規律。

（3）研究適合多種作物在復雜背景下實現病斑分割、特征提取等高效的圖像處理算法，在模式識別方面要側重于模糊數學、支持向量機、神經網絡、遺傳算法、組合優化等理論與技術的研究。

（4）建立規范統一的作物病害圖像數據庫，圖像可普遍獲取，建立合理完善的病害分割、特征提取、病害種類識別等系統，以及病害評價標準。

（5）模式識別病害中的算法需進一步發展和優化，建立統一的評判標準，評價方法適合所有的識別算法和各應用領域，采用定量和客觀評價準則，可精確描述算法性能，評判應擺脫人為因素。

參考文獻：

[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信息提取中的應用[R].日本：農業機械學會關西支部研究會資，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，紀壽文，李娟，等.采用計算機視覺進行棉花蟲害程度的自動測定[J].農業工程學報，2001，17（2）：157-160.

[5]賈浩.基于計算機視覺的玉米葉部病害識別技術研究[D]. 泰安：山東農業大學，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].農業機械學報，2003，34（2）：76-79.

[7]李宗儒.基于圖像分析的蘋果病害識別技術研究[D].楊凌：西北農林科技大學，2010.

[8]姜武.模式識別技術在山茶屬植物數值分類學和葉綠素含量預測中的應用研究[D]. 金華：浙江師范大學，2013.

[9]王靜.基于圖像處理技術的煙葉病害自動識別研究[D]. 昆明：昆明理工大學，2009.

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

[11]趙進輝，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].農業機械學報，2008，39（9）.

[12]管澤鑫，唐健，楊保軍，等.基于圖像的水稻病害識別方法研究[J].中國水稻科學，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.小麥病害圖像識別處理及形狀特征提取研究[J].農機化研究，2013，35（8）：35-37.

[15]溫長吉，王生生，于合龍，等.基于改進蜂群算法優化神經網絡的玉米病害圖像分割[J].農業工程學報，2013，29（13）：142-147.

[16]祁廣云，馬曉丹，關海鷗.采用改進的遺傳算法提取大豆葉片病斑圖像[J].農業工程學報.2009，25（5）.

[17]毛罕平，張艷誠，胡波.基于模糊C均值聚類的作物病害葉片圖像分割方法研究[J].農業工程學報.2008，24.

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

[19]張云飛.基于量子神經網絡和組合特征參數的玉米葉部病害識別[J].南方農業學報，2013，44（8）：1286-1290.

[20]張芳.復雜背景下黃瓜葉部病害識別方法研究[D]. 沈陽：沈陽農業大學，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].計算機應用，2012，32（3）：752-755.

[22]劉立波.基于圖像的水稻葉部病害診斷技術研究[D]. 北京：中國農業科學院，2010.

[23]濮永仙.基于支持向量機與多特征選擇的作物彩色病斑邊緣檢測[J].計算機應用系統，2014，9（23）：118-123.

[24]石鳳梅，趙開才，孟慶林，等.基于支持向量機的水稻稻瘟病圖像分割研究[J].東北農業大學學報，44（2）：128-135.

[25]王美麗，牛曉靜，張宏鳴，等.小麥葉部常見病害特征提取及識別技術研究[J].計算機工程與應用， 2014，50（7）：154-157.

[26]蔡清，何東健.基于圖像分析的蔬菜食葉害蟲識別技術[J].計算機應用， 2010，7（30）：1870-1872.

[27]王克如.基于圖像識別的作物病蟲草害診斷研究[D]. 北京：中國農業科學院，2005.

[28]田有文，李天來，李成華，等.基于支持向量機的葡萄病害圖像識別方法[J].農業工程學報，2007，23（6）：175-179.

[29]李旺.基于圖像處理的黃瓜葉部病害識別研究[D]. 長沙：湖南農業大學，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別[J].模式識別與仿真，2013，32（9）：83-88.

[31]陳麗，王蘭英.概率神經網絡在玉米葉部病害識別中的應用[J].農機化研究，2011，（6）：145-148.

[32]彭占武.基于圖像處理和模式識別技術的黃瓜病害識別研究[D].長春：吉林農業大學，2007.

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

[34]韓瑞珍.基于機器視覺的農田害蟲快速槍測與識別研究[D].杭州：浙江大學，2014.

[35]邊肇祺，張學工.模式識別[M].北京：清華大學出版社，2002：284-304.

[36]奉國和.基于聚類的大樣本支持向量研究[J].計算機科學，2006，33（4）：145-147.

[37]楊昕薇，譚峰.基于貝葉斯分類器的水稻病害識別處理的研究[J].黑龍江八一農墾大學學報，2012，24（3）：64-67.

[38]趙玉霞，王克如，白中英等.基于圖像識別的玉米葉部病害診斷研究[J].中國農業科學 2007，40（4）：698-703

[39]柴阿麗，李寶聚等.基于計算機視覺技術的番茄葉部病害識別[J].園藝學報，2010，37（9）：1423-1430.

[40]Han Jiawei，Kamber M.數據挖掘概念與技術[M].第二版. 范明，孟小峰，譯.北京：機械工業出社，2007：251-306.

[41]賀鵬，黃林.植物葉片特征提取及識別[J].農機化研究，2008（6）：168-170.

[42]楊占華，楊燕.SOM神經網絡算法的研究與進展[J].計算機工程，2006，32（16）：201-228.

[43]王軍英.基于BP神經網絡的葡萄病害診斷系統研究[J].農業信息網，2013，8：30-33.

[44]譚克竹，沈維政.基于BP神經網絡的大豆葉片病害診斷模型的研究[J].控制理論與應用，2013，32（12）：5-7.

[45]魏清鳳，羅長壽，曹承忠，等.基于模糊神經網絡的蔬菜病害診斷模型研究[J].河南農業科學，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，紀建偉.基于支持向量機的玉米葉部病害識別[J].農業工程學報，2007，23（1）：155-157.

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

[51]田有文，牛妍.支持向量機在黃瓜病害識別中的應用研究[J].農機化研究，2009，（3）：36-38.

[52]越鮮梅.基于圖像識別的向日葵葉部病害診斷技術研究[D].呼和浩特：內蒙古工業大學，2013.

1 項目基金：云南省科學研究基金子課題（2013Y571）。

作者簡介：濮永仙（ 1976-），女，云南騰沖人，碩士，副教授，主要研究方向：機器視覺診斷作物病害，智能農業方面的研究。

？？

？？

？？

？？