算机视觉在作物病害诊断中的研究进展

摘要：据统计，因病害引起的作物产量损失平均在12%以上，病害发生不仅影响产量，还使产品质量下降。利用计算机视觉技术对作物病害快捷检测、准确诊断，为病害防治提供科学依据是实现农业信息化发展的迫切需求。文章对计算机视觉技术用于作物病害诊断进行了详细分析和研究，以求获得这些新技术在作物病害诊断各环节的现状，指出了计算机视觉技术诊断作物病害存在的不足和研究方向。该研究对农作物病害智能检测技术的发展将起到重要的推动作用。

关键字：计算机视觉；作物病害诊断；进展；模式识别

中图分类号：TP311 文献标识号：A 文章编号：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，病害是制约作物质与量的重要因素。病害发生，往往致使作物的使用价值降低，甚至还会导致大面积减产，乃至绝收，造成巨大的经济损失。因此，在作物生长过程中，病害防治是个关键的问题之一。因各种原因植保人员匮乏，而种植户个体素质差异及受一些主观人为因素的影响，对作物病害诊断存在主观性、局限性、模糊性等，不能对作物病害的类型及受害程度做出客观、定量的分析与判断，结果要么是药量不对、要么是药不对症，严重影响了作物的质与量。

计算机视觉也称为机器视觉，是研究如何用计算机来模拟和再现人类视觉功能的科学，也被称为图像理解和图像分析，是人工智能领域的一个重要分支。随着计算机技术、图像处理和人工智能等学科的发展，以及数码相机、手机等摄像工具像素的提高，将机器视觉用于作物病害诊断，实现作物病害的无损检测、快速诊断提供了新的途径和方法[1]。报道最早的是在1989年穗波信雄等人[2]对采集的缺乏钙、铁、镁营养元素的茨菇叶片图像进行研究，在RGB模型中，利用直方图分析了正常和病态的颜色特征。为适应农业信息化的迫切需求，国内外学者对机器视觉用于作物病害诊断进行了研究和实践，而取得进展主要集中在近10年，涉及的作物有水稻、玉米、小麦、葡萄、黄瓜、甘蔗、蔬菜等病害[3-14]，这些研究针对不同作物，从不同侧面为作物病害实现自动化诊断提供了理论和实践基础。因机器视觉比人眼能更早发现作物因病虫危害所表现的颜色、纹理、形状等细微变化，所以利用这种技术病害病害与人工方式相比，提高了诊断的效率和精准度，为作物保护智能化、变量喷药等提供了科学依据。

本文综述和归纳了机器视觉诊断作物病害的主要技术：病害图像采集、增强处理、病斑分割、特征提取、特征优化、病害识别等各环节的方法及现状，指出了机器视觉诊断作物病害存在的不足和研究方向。该研究对实现作物病害的机器视觉诊断技术的发展将起到重要的推动作用。

1机器视觉识别作物病害的技术路线与进展

作物病害因其病原物种类不同会产生形状、颜色、纹理等不同的病斑，通常专业植保技术人员就是根据这些特征判断病害的。机器视觉诊断作物病害是通过无损采集病害图像，利用图像处理技术对图像增强处理、分割病斑，提取病斑特征、优化特征，用模式识别技术诊断病害类别及危害程度，从而为病害的防治提供科学依据。图1为机器视觉诊断作物病害的技术路线图。

图1机器视觉识别作物病害技术路线图

Fig 1 Technology roadmap of machine vision recognition crop diseases

1.1病害图像采集与增强处理

（1）病害图像采集方法。图像采集是病害识别的第一步，采集的质量会直接影响识别结果。常用采集设备有数码摄像机、扫描仪、数码相机、手机等。其中，数码相机便于携带，能满足图像清晰度要求，符合野外作业等特点，因此病害图像采集中用得较多。依据采集环境氛围分为室内采集和室外（田间）采集两种。室内采集是将田间采摘到的病害标本经密封保湿后使用CCD摄像机或数码相机在室内摄取病害的标本图像。在田间采集图像中，有学者为了采集到高质量的图像，采取了一系列措施以减少外界因素的影响。如陈佳娟[5]采用便携式扫描仪采集图像，以减少自然光照对图像质量的影响。徐贵力等人[6]设计了活体采光箱，使照射光变成反射光，从而避免了阴影，以减少误差。这种规范图像采集方式虽简化了后期图像处理和识别的难度，但基层生产单位可能缺乏配套的技术设备，且会使病害识别过度依赖图像。为扩展应用范围和通用性，有学者对在田间自然光照射下直接获取的病害图像，用图像处理和模式识别技术诊断病害进行了研究，如李宗儒[7]用手机拍摄了苹果的圆斑病、花叶病等5种病害图像，对病害图像增强处理、分割病斑，提取病斑特征，用BP神经网络识别病害，获得了较好效果。姜武[8]用Canon EOS 50D相机在阳光充足的早晨拍摄山茶叶片图像，进行颜色分形和RGB强度值提取，用支持向量机对山茶分类识别，取得了较好效果。

（2）图像增强方法。在采集图像过程中，因受设备、环境等因素影响，往往使采集到的图像含有噪声，若不对其增强处理会影响到病害的正确识别率。病害图像增强是为病斑分割，特征提取做准备，所以应确保在去除噪声的同时，保证病斑边缘不模糊。图像增强处理根据其处理的空间不同，分为空域法和频域法。空域法是对图像本身直接进行滤波操作，而频域法是对图像进行转化，将其转化到频率域中去噪处理，之后再还原到图像的空间域。图像增强处理常用方法有：直方图均衡化、对比度增强、均值滤波、中值滤波、高斯滤波、锐化等。王静[9]利用数码相机采集了赤星病与野火病两种病害图像80幅，采用灰度图像直方图均衡化及中值滤波两种方法对图像增强处理，实验表明，中值滤波去噪效果最好，在保留图像病斑边缘信息的同时，使病斑轮廓与细节更加清晰，便于后期病斑分割及特征提取。刘芝京[10]采集黄瓜早、中、晚期的角斑病病害图像，分别用均值滤波、中值滤波、高斯滤波等对图像处理，实验表明这些去噪方法中，高斯滤波效果最好。

1.2病斑特征获取

（1）病斑分割

计算机视觉主要是依据病斑的特征信息诊断病害类别及危害程度的。因此，彩色病斑的准确分割，是后期提取病斑特征，病害类别的客观、准确诊断的关键环节之一。当前针对作物病害图像分割算法有阈值分割、空间聚类、区域分割、边缘检测分割、计算智能方法等。由于作物病害图像存在背景复杂、病斑区域排列无序、颜色、纹理分布不均、病斑边界模糊、叶片表面纹理噪声等干扰，因此尚无一种鲁棒性好，且简单适用的通用方法，也还没有一种判断分割是否成功的客观标准。近年来学者们对作物病害图像的分割进行了大量研究，试图寻找一种更具潜力的分割算法，以期获得更完美，通用的分割方法。赵进辉等人[11]分析了甘蔗病害图像的颜色与形状特征，采用面积阈值及链码分割赤腐病和環斑病病斑，收到了较好的效果。管泽鑫等人[12]提取水稻病斑与斑点外轮廓颜色，用最大类间方差法（Otsu[13]）分割病斑，取得了较好的效果。邵庆等人[14]以小麦条锈病为例，对获取的小麦病害图像采用迭代阈值分割和微分边缘检测分割病斑。温长吉等人[15].用改进蜂群算法优化神经网络实现玉米病害图像分割。祁广云等[16]采用改进的遗传算法及BP神经网络对大豆叶片病斑分割，能有效提取病斑区域。毛罕平等人[17-18]利用模糊C均值聚类对棉花、玉米病害图像的病斑进行分割。张飞云[19]采用K-means硬聚类算法对玉米叶部病害图像分割，得到彩色病斑。张芳、仁玉刚[20-21]用采分水岭算法分割黄瓜病害图像，正确率均在90%以上。刘立波[22]对水稻叶部病害图像的分割进行研究，结果证明，模糊C均值聚类法的分割效果较好，但速度欠佳，Otsu法分割效果略差，但速度较快。濮永仙[23]利用支持向量机检测烟草病斑边缘，以分割彩色病斑。石凤梅等人[24]利用支持向量机分割水稻稻瘟病彩色图像病斑，其分割效果优于Otsu法。

（2）病斑特征提取

计算机视觉识别作物病害用到的特征主要有颜色、纹理、形状等特征。颜色是区分病害类别的重要特征，有RGB、HSI、Lab、YUV等7种颜色空间模型，可得到颜色特征值和颜色特征差异，而模型的选择会影响到病害识别效果。纹理是指图像中反复出现的局部模式及排列规则。作物病害图像正常与病变部分的纹理在粗细、走向上有较大差异。纹理特征有基于灰度直方图的统计测度，基于灰度共生矩阵的纹理特征和基于游程的纹理描述特征。提取纹理特征的方法有分形维数、小波变换、Gabor小波变换、局域二值模式，以及Gabor分块局域二值模式方法等。形状常与目标联系在一起，形状特征可以看作是比颜色和纹理更高层的特征，它能直观描述目标和背景之间的区别，不同病害的病斑在尺寸大小、似圆性、长短轴等方面有不同特性，对旋转、平移有很强的稳定性。提取病斑形状特征的方法有弗里曼链码法，傅里叶描述子，多尺度曲率空间方法等。王美丽等人[25] 在HSV颜色空间提取小麦白粉病和锈病病害图像的颜色和形状特征，对病害进行识别，识别率达96%以上。蔡清等人[26]对虫食菜叶图像处理后，提取其形状的圆形度、复杂度、球形度等7个特征，用BP神经网络识别病害。王克如[27]提取玉米病害图像中纹理特征的能量、熵及惯性矩作为识别病害的特征，实验得出，以单个特征识别正确识别率达90%，综合应用三个纹理特征，识别率达100%。田有文等人[28]提取葡萄叶部病斑的颜色、纹理、形状特征，用支持向量机识别，实验表明，综合应用三种特征的识别率比只用单一特征的识别高。李旺[29]以黄瓜叶部3种常见病害图像为研究对象，提取病斑颜色、纹理和形态特征总共14个特征，用支持向量机识别，实验表明，分别以颜色、纹理、形状特征识别，识别率分别为72.23%、90.70%、90.24%，综合3种特征识别率为96.00%。

（3）特征优化

特征优化是指在特征提取完成后，将特征因子中对识别病害贡献低的因子丢弃，以确保在降低特征维度的同时，能提高病害的识别率。常用的特征优化方法有：逐步判别法、主成分分析法、遗传算法等。实践证明，优化后的特征能更好的表征病害，能在特征减少的情况下提高诊断的正确率。管泽鑫等人[12]提取水稻3种常见病害图像的形态、颜色、纹理共63个特征，用逐步判别法对特征优化，用贝叶斯判别法识别病害，可使特征数减少到原来的35.2%，而病害准确识别率达97.2%。柴洋等人[30]提取了番茄早疫病、晚疫病等4种叶部病害图像的颜色、纹理和形状共18个特征，用逐步判别法优化，最终选取12个特征，用主成分优化后综合成2个新变量，分别用贝叶斯判别法和用费歇尔判别函数识别病害，均取得了较好的效果。陈丽等人[31]提取了玉米5种叶部病害图像病斑特征，用遗传算法优化特征，用概率神经网络识别病害，识别率为90.4%。彭占武[32]提取了黄瓜6种常见病害图像的颜色、纹理、形状特征14个，用遗传算法优化得到8个特征，用模糊识别模式识别病害，其识别率达93.3%。濮永仙[33]提取了烟草常见病害图像的颜色、纹理及形态共26个特征，用双编码遗传算法与支持向量机结合优化特征，最后得到16个特征，该方法与没有采用遗传算法的支持向量机识别相比，在同等条件下，特征向量减少了38%，正确率提高了6.29%。所谓双编码遗传算法，即二进制编码和实数编码结合，支持向量机作为底层分类器，分类精度作为遗传算法的适应度对个体进行评估，在去除冗余特征的同时为保留的特征赋予权重，如图2所示。韩瑞珍[34]提取了害虫的颜色、纹理特征共35个，用蚁群算法对特征优化，将35个特征降低到29个，识别准确率从87.4%提高到89.5%。

图2双编码遗传算法中的个体

Fig 2 Individual in the double coding genetic algorithm

1.3病害模式识别

模式识别也叫模式分类，指依据输入的原始数据，判断其类别并采取相应的行为[35]。病害模式识别的任务是依据特征数据由分类器完成分类的，分类器设计和特征描述共同决定了模式识别系统的性能。用于病害识别的模式可分为统计模式、句法结构模式、模糊模式和机器学习方法四类。其中，统计模式识别是用概率统计原理，获取满足某种已知分布的特征向量，然后通过决策函数来分类，不同的决策函数能够产生不同的分类方法。常见的统计模式识别方法有两种：一是由Neyman决策和贝叶斯决策等构成的基于似然函数的分类方法，另一种是基于距离函数的分类识别方法。模糊模式识别是基于模糊理论利用模糊信息进行模糊分类的，主要方法有最大隶属原则识别法、接近原则识别法和模糊聚类分析法三种。机器学习指计算机模拟或者实现人类的某些行为，它的应用已涉及很多领域。目前常用于作物病害识别的机器学习方法有人工神经网络、支持向量机（SVM）、移动中心超球分类器等。其中，支持向量机分类器是目前机器学习领域的研究热点之一，它能够较好地解决小样本、非线性、高维数的分类问题，且具有良好的推广和泛化能力。神经网络是基于经验风险最小化原则，以训练误差最小化为优化目标，而SVM以训练误差作为优化问题的约束条件，以置信范围最小化为优化目标，所以SVM的解具有唯一性，也是全局最优[36]。移动中心超球分类器是近年来新提出的一种分类器，它是一种对参考样本进行压缩的方法，可以节省空间，但其识别率不如人工神经网络高。以下是在作物病害诊断中较成功的几种识别模式及技术进展。

1.3.1 贝叶斯判断法

贝叶斯判别法是一种典型的基于统计方法的分类器。它的基本原理是将代表模式的特征向量X分到m个类别（C1，C2，…，Cm）中的某一类。操作步骤为：

（1）设样本有n个属性（W1，W2，…Wn），每个样本可看作是n维空间的一个点X=（x1，x2，…，xn）；

（2）设有m个不同的类（C1，C2，…，Cm），X是一个未知类别的样本，预测X的类别为后验概率最大的那个类别；3）用贝叶斯后验概率公式计算，并进行比较，依据后验概率可将样本X归到Ci类中，当且仅当>，成立。贝叶斯分类器因其结构简单、易于扩展等特点，被广泛用于作物病害诊断。杨昕薇等人[37]对3种寒地水稻常见病害图像处理、提取特征，用贝叶斯判别法识别病害，其识别率达97.5%。赵玉霞等人[38]提取玉米锈病、灰斑病等5种病斑图像的特征，利用朴素贝叶斯分类器识别，其识别精度在83%以上。柴阿丽等人[39]提取了番茄早疫病、晚疫病等4种叶部病害图像病斑的颜色、纹理和形状特征，优化特征后，用贝叶斯判别法识别病害，其识别率达94.71%。

1.3.2 人工神经网络识别法

神经网络技术是目前廣泛使用的一种机器学习方法，其研究工作始于19世纪末20世纪初[40]，因具有并行处理、非线性映射、自适应学习、鲁棒容错性等优点，以及采用数据驱动模式，故在模式识别领域得到广泛应用。人工神经网络诊断作物病害的基本步骤是：构建神经网络识别模型，将已提取并优化好的病害图像特征数据作为分类器的输入特征矢量对模型训练，经过训练后的模型可实现作物病害的分类识别。目前应用于作物病害识别的人工神经网络主要有：BP神经网络、概率神经网络、自组织特征映射网络，并衍生出模糊神经网络、量子神经网络等。BP神经网络具有较好的自学习性、自适应性、鲁棒性和泛化性。概率神经网络是径向基网络的一个重要分支，其分类器是一种有监督的网络分类器，在识别过程中随着训练病害种类的增加[41]，其运算速度会减慢。自组织特征映射网络分类器是于1981年提出的一种由全连接的神经元阵列组成的自组织自学习网络[42]，可以直接或间接地完成数据压缩、概念表示和分类的任务，多项实验表明它的病害图像识别率都在90%以上。模糊神经网络是模糊理论同神经网络相结合的产物，它汇集了神经网络与模糊理论的优点，集学习、联想、识别、信息处理于一体。量子神经网络是量子计算理论和人工神经网络结合的产物，并集成了两者的优点。王军英[43]以葡萄发病部位、病斑形状、病斑颜色和主要症状为特征，用改进的BP神经网络识别病害，识别率达95.36%。谭克竹等人[44]用BP神经网络识别大豆的灰斑病、霜霉病和斑点病的特征与病害的关系，其轻度病害的识别精度为87.19%，中度病害的识别精度为90.31%，重度病害的识别精度为93.13%。魏清凤等人[45]利用模糊神经网络诊断模型以诊断蔬菜病害，其病害识别率达85.5%。张飞云[19]提取了玉米灰斑病、锈病和小斑病病害图像的颜色、纹理、形状特征，用量子神经网络进行病害识别，其平均识别率达94.5%。陈丽等人[31]对田间采集的玉米叶部病害图像，对图像分割、特征提取，利用概率神经网络识别病害，其识别率为90.4%，同样条件下高于BP神经网络。

1.3.3 支持向量机识别法

支持向量机[46]（Support Vector Machine，简称SVM）是Vapnik等人提出的一款新型的机器学习方法。SVM有线性可分和线性不可分两种情况，采用不同的核函数会有不同的SVM 算法。常用的核函数有：线性核函数、多项式核函数、径向基核函数、Sigmoid核函数等。SVM在基于数据的机器学习领域，它兼顾训练误差和泛化能力，在解决小样本、非线性、高维数、局部极小值等模式识别问题中表现出许多特有的优势[47-48]，在基于图像诊断作物病害领域应用越来越多。宋凯等人[49]提取了玉米叶部病害图像特征，选择基于SVM的不同的核函数识别病害，其中径向基核函数的正确识别率为89.6%，多项式核函数为79.2%，Sigmoid核函数的识别性能最差。刘鹏[50]提取甜柿病害图像的纹理特征和颜色特征采用SVM识别病害，结果表明，当SVM类型为nu-SVR，核函数为Sigmoid，参数C=26、ξ=24时识别效果最好。田有文等人[51]用支持向量机识别黄瓜病害，实验表明，SVM方法在处理小样本问题中具有良好的分类效果，线性核函数和径向基核函数的SVM分类方法在黄瓜病害的识别方面优于其他类型核函数的SVM。越鲜梅[52]提取了向日葵叶部的叶斑病、黑斑病、霜霉病3种病害图像的颜色矩、纹理特征共9个特征，采用一对一投票决策的SVM多分类模型识别病害，取得了较好的效果。刘立波[22]提取了水稻常见叶部病害图像的颜色、纹理、形状等特征，对特征优化后，分别用最近邻域、BP神经网络和SVM方法识别病害，其中识别率最高的是SVM，BP神经网络居中，最近邻域法最差，BP神经网络的训练速度最慢。

2机器视觉识别作物病害存在的问题与进一步研究重点

将计算机视觉用于作物病害诊断，以改变传统的诊断方式，为种植户准确诊断病害，以及变量施药提供了决策支持。目前，计算机视觉诊断作物病害虽然取得了一定的进展，但从研究的深度、应用的范围和实用化角度看，还存在许多不足，还需进一步深入研究。

2.1機器视觉诊断作物病害存在的问题

笔者查阅了大量文献，对目前常用的机器视觉识别作物病害的技术进行了研读，目前机器视觉识别作物病害的技术还不够成熟，存在以下问题：

（1）在实验室条件下计算机视觉诊断作物病害正确率高，但应用到田间，难度较大，主要原因是大多研究是在简单背景下、对少数几种病害图像诊断，而对大田复杂背景下诊断多种病害的研究还比较少。

（2）病害图像分割背景简单，对于自然状态和复杂背景下的病害图像分割有待进一步的研究。

（3）因作物病斑的大小、颜色等图像特征在不同时期有差异，对于某一发病时期建立的作物病害诊断系统，用于不同发病时期诊断识别率会有所不同。

（4）许多分类算法和分类器都存在各自的优缺点，不能适合所有作物病害识别，没有统一的评价标准，难以实现各诊断系统之间的客观比较。

（5）不同研究者使用的病害图像各不相同，难以比较不同。

（6）机器视觉诊断作物病还是少数专家对某类作物在局部范围内的研究，很难满足现实生产的多种作物、不同区域同时诊断的要求。

2.2进一步研究重点

根据以上存在的问题，今后的研究方向和重点为：

（1）机器视觉识别作物病害技术从实验室向大田扩展时，需综合考虑所提取的病害图像特征在复杂背景下的可获取性、稳定性、可操作性等。

（2）机器视觉诊断作物病害系统应充分考虑不同发病时期，识别特征的变化规律。

（3）研究适合多种作物在复杂背景下实现病斑分割、特征提取等高效的图像处理算法，在模式识别方面要侧重于模糊数学、支持向量机、神经网络、遗传算法、组合优化等理论与技术的研究。

（4）建立规范统一的作物病害图像数据库，图像可普遍获取，建立合理完善的病害分割、特征提取、病害种类识别等系统，以及病害评价标准。

（5）模式识别病害中的算法需进一步发展和优化，建立统一的评判标准，评价方法适合所有的识别算法和各应用领域，采用定量和客观评价准则，可精确描述算法性能，评判应摆脱人为因素。

参考文献：

[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.图像处理在植物生长信息提取中的应用[R].日本：农业机械学会关西支部研究会资，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]陈佳娟，纪寿文，李娟，等.采用计算机视觉进行棉花虫害程度的自动测定[J].农业工程学报，2001，17（2）：157-160.

[5]贾浩.基于计算机视觉的玉米叶部病害识别技术研究[D]. 泰安：山东农业大学，2013.

[6]徐贵力，毛罕平，李萍萍，等.差分百分率直方图法提取缺素叶片纹理特征[J].农业机械学报，2003，34（2）：76-79.

[7]李宗儒.基于图像分析的苹果病害识别技术研究[D].杨凌：西北农林科技大学，2010.

[8]姜武.模式识别技术在山茶属植物数值分类学和叶绿素含量预测中的应用研究[D]. 金华：浙江师范大学，2013.

[9]王静.基于图像处理技术的烟叶病害自动识别研究[D]. 昆明：昆明理工大学，2009.

[10]刘芝京.基于图像处理的黄瓜细菌性角斑病的识别研究[D]. 成都：西华大学.2012.

[11]赵进辉，罗锡文，周志艳.基于颜色与形状特征的甘蔗病害图像分割方法[J].农业机械学报，2008，39（9）.

[12]管泽鑫，唐健，杨保军，等.基于图像的水稻病害识别方法研究[J].中国水稻科学，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]邵庆，张楠，路阳.小麦病害图像识别处理及形状特征提取研究[J].农机化研究，2013，35（8）：35-37.

[15]温长吉，王生生，于合龙，等.基于改进蜂群算法优化神经网络的玉米病害图像分割[J].农业工程学报，2013，29（13）：142-147.

[16]祁广云，马晓丹，关海鸥.采用改进的遗传算法提取大豆叶片病斑图像[J].农业工程学报.2009，25（5）.

[17]毛罕平，张艳诚，胡波.基于模糊C均值聚类的作物病害叶片图像分割方法研究[J].农业工程学报.2008，24.

[18]张柏毅，朱景福，刘勇.基于模糊C-均值聚类的作物叶部病斑图像分割[J].智能计算机与应用.2011，3（10）.

[19]张云飞.基于量子神经网络和组合特征参数的玉米叶部病害識别[J].南方农业学报，2013，44（8）：1286-1290.

[20]张芳.复杂背景下黄瓜叶部病害识别方法研究[D]. 沈阳：沈阳农业大学，2014.

[21]任玉刚，张建，李淼，等.基于分水岭算法的作物病害叶片图像分割方法[J].计算机应用，2012，32（3）：752-755.

[22]刘立波.基于图像的水稻叶部病害诊断技术研究[D]. 北京：中国农业科学院，2010.

[23]濮永仙.基于支持向量机与多特征选择的作物彩色病斑边缘检测[J].计算机应用系统，2014，9（23）：118-123.

[24]石凤梅，赵开才，孟庆林，等.基于支持向量机的水稻稻瘟病图像分割研究[J].东北农业大学学报，44（2）：128-135.

[25]王美丽，牛晓静，张宏鸣，等.小麦叶部常见病害特征提取及识别技术研究[J].计算机工程与应用， 2014，50（7）：154-157.

[26]蔡清，何东健.基于图像分析的蔬菜食叶害虫识别技术[J].计算机应用， 2010，7（30）：1870-1872.

[27]王克如.基于图像识别的作物病虫草害诊断研究[D]. 北京：中国农业科学院，2005.

[28]田有文，李天来，李成华，等.基于支持向量机的葡萄病害图像识别方法[J].农业工程学报，2007，23（6）：175-179.

[29]李旺.基于图像处理的黄瓜叶部病害识别研究[D]. 长沙：湖南农业大学，2013.

[30]柴洋，王向东.基于图像处理的温室大棚中番茄的病害识别[J].模式识别与仿真，2013，32（9）：83-88.

[31]陈丽，王兰英.概率神经网络在玉米叶部病害识别中的应用[J].农机化研究，2011，（6）：145-148.

[32]彭占武.基于图像处理和模式识别技术的黄瓜病害识别研究[D].长春：吉林农业大学，2007.

[33]濮永仙，余翠兰.基于双编码遗传算法的支持向量机作物病害图像识别方法[J].贵州农业科学，2013，7（41）187-191.

[34]韩瑞珍.基于机器视觉的农田害虫快速枪测与识别研究[D].杭州：浙江大学，2014.

[35]边肇祺，张学工.模式识别[M].北京：清华大学出版社，2002：284-304.

[36]奉国和.基于聚类的大样本支持向量研究[J].计算机科学，2006，33（4）：145-147.

[37]杨昕薇，谭峰.基于贝叶斯分类器的水稻病害识别处理的研究[J].黑龙江八一农垦大学学报，2012，24（3）：64-67.

[38]赵玉霞，王克如，白中英等.基于图像识别的玉米叶部病害诊断研究[J].中国农业科学 2007，40（4）：698-703

[39]柴阿丽，李宝聚等.基于计算机视觉技术的番茄叶部病害识别[J].园艺学报，2010，37（9）：1423-1430.

[40]Han Jiawei，Kamber M.数据挖掘概念与技术[M].第二版. 范明，孟小峰，译.北京：机械工业出社，2007：251-306.

[41]贺鹏，黄林.植物叶片特征提取及识别[J].农机化研究，2008（6）：168-170.

[42]杨占华，杨燕.SOM神经网络算法的研究与进展[J].计算机工程，2006，32（16）：201-228.

[43]王军英.基于BP神经网络的葡萄病害诊断系统研究[J].农业信息网，2013，8：30-33.

[44]谭克竹，沈维政.基于BP神经网络的大豆叶片病害诊断模型的研究[J].控制理论与应用，2013，32（12）：5-7.

[45]魏清凤，罗长寿，曹承忠，等.基于模糊神经网络的蔬菜病害诊断模型研究[J].河南农业科学，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，孙晓艳，纪建伟.基于支持向量机的玉米叶部病害识别[J].农业工程学报，2007，23（1）：155-157.

[50]刘鹏，屠康，徐洪蕊，等.基于支持向量机的甜柿表面病害识别[J].现代食品科技，2011，27（3）：349-353.

[51]田有文，牛妍.支持向量机在黄瓜病害识别中的应用研究[J].农机化研究，2009，（3）：36-38.

[52]越鲜梅.基于图像识别的向日葵叶部病害诊断技术研究[D].呼和浩特：内蒙古工业大学，2013.

1 项目基金：云南省科学研究基金子课题（2013Y571）。

作者简介：濮永仙（ 1976-），女，云南腾冲人，硕士，副教授，主要研究方向：机器视觉诊断作物病害，智能农业方面的研究。

？？

？？

？？

？？