基于图像的植物病害无损诊断方法研究进展

马晓丹 祁广云 关海鸥 金宝石 李伟凯 陈争光 谭峰

摘  要：植物病害无损智能诊断一直是农业科研工作者研究的热点问题之一，通过获取染病植株图像开展病害诊断方法研究是一个重要的研究手段，因此，文章综述了基于图像的植物病害无损诊断方法的研究进展。

关键词：植物病害;图像;无损诊断

虽然经过农业科技工作者的多年努力，植物病害监测、管理、防治等方面研究取得了显著成效，但还存在着诸多问题。植物保护专家虽然具有病害诊断、预测的丰富经验，但不能及时亲临生产一线实时诊断病情。同时，由于很难用精确和定量的数学对植物病害症状的外观表症进行描述，所以在对病害症状诊断的时往往出现偏差。把植物病害自动检测看作是一个聚类或分类问题，这样对植物病害进行识别时就可以利用图像处理和模糊诊断模型技术，并对植物的安全生产全过程进行决策支持。

文章主要对近几年来基于图像的植物病害无损诊断方法的研究成果以及在这一领域中出现的新思路、新方法做了一个必要的回顾。

在棉花病害的识别研究中，毛罕平[1]等为提高作物病害区域图像的提取效果，提出了一种基于模糊C均值聚类算法的病害图像自适应分割方法，且正确率达到95%以上。张建华等[2]基于粗糙集和BP神经网络实现了棉花常见病害的识别，对于四种棉花病害的识别正确率达到92.72%。

在马铃薯等病害的识别研究中，马晓丹等[3-7]在研究植物病斑区域分割及病害等级预测过程中，利用了支持向量机及RGB颜色空间中病斑R分量明显高于健康部分R分量的特点，选取R分量作为分割阈值，并利用统计验证的方法有效地提取了病斑区域。该作者又将量子计算的态叠加方法和神经网络计算的自适应性结合，提出了将量子神经网络作为马铃薯早疫病诊断模型的思想，诊断正确率达到96.5%。在后续研究中，又开发了用于植物叶片病害智能分析系统及基于物联网的大豆病害远程智能诊断系统。

在水稻病害的识别研究中，路阳等[8]研究了水稻图像的预处理方法，王远等[9]在此基础上利用数码相机获取水稻冠层图像，根据图像的绿色通道及红色通道差值所设定的阈值实现了水稻冠层图像与土壤背景的分割，刘涛[10]利用支持向量机实现了水稻十五种主要病害的识别，郑姣等[11]开发了基于Android的水稻病害图像识别系统。

在玉米病害的识别研究中，邵乔林等[12]采用基于邻域直方图的方法实现了玉米田绿色植物图像分割方法，夏政伟[13]应用多重分形理论提取了玉米病害图像的特征，张善文等[14]提出了一种基于局部判别映射的玉米病害识别方法，达到了达94.4%的识别精度。

在大豆病害的识别研究中，关海鸥等[15-17]利用T-S模型的模糊规则后件是输入语言变量的函数特性，提出了线性清晰化的自适应五层模糊神经网络作为农作物病害图像模式分类的决策系统，并结合量子遗传算法对模型的可調整参数初始值进行优化。该模型对马铃薯早疫病图像的病斑区域分割精确达到100%。为提高模型的鲁棒性，在后续的研究中，针对病害专家系统中特征条件的复杂性和不确定性等弊端，将病害证据可信度和不确定性推理的传递算法有机结合，提出了一种基于证据可信度不确定推理的大豆病害诊断方法。

在对蔬菜病害的识别研究中，李明等[18]，孙敏等[19]，魏清凤等[20]通过收集设施果菜病害诊断知识，依据糊数学的思想及评估学中多比例法量化诊断知识，实现了病害诊断知识的有效表达，建立了蔬菜病害模糊神经网络诊断模型及温室蔬菜病害预警体系。

综上所述，基于图像进行植株病害诊断是信息技术在作物病害领域应用的重要发展方向，具有效率高、应用前景广阔等优势。与网络技术、“3S”技术相结合是农业信息化领域的发展趋势。

参考文献

[1]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（9）：136-140.

[2]张建华，祁力钧，冀荣华，等.基于粗糙集和BP神经网络的棉花病害识别[J].农业工程学报，2012，28（7）：161-167.

[3]马晓丹，关海鸥，黄燕.基于图像处理的玉米叶部染病程度的研究[J].农机化研究，2009，31（11）：102-110.

[4]马晓丹，关海鸥，黄燕.基于支持向量机的植物图像分割[J].农机化研究，2009（10）：46-48.

[5]马晓丹，谭峰，许少华.基于量子神经网络的马铃薯早疫病诊断模型[J].农业机械学报，2011（6）：174-183.

[6]马晓丹，关海鸥，祁广云，等.植物叶片智能分析系统的设计[J].中国农业大学学报，2012，17（5）：155-159.

[7]马晓丹，左豫虎，关海鸥，等.基于物联网的垦区大豆病害远程诊断技术研究[J].沈阳农业大学学报，2013，44（4）：498-501.

[8]路阳，关海鸥，赵斌，等.水稻病害图像预处理及其特征提取方法研究[J].农机化研究，2011（8）：27-30.

[9]王远，王德建，张刚，等.基于数码相机的水稻冠层图像分割及氮素营养诊断[J].农业工程学报，2012，28（17）：131-136.

[10]刘涛，仲晓春，孙成明，等.基于计算机视觉的水稻叶部病害识别研究[J].中国农业科学，2014，47（4）：664-674.

[11]郑姣，刘立波.基于Android的水稻病害图像识别系统设计与应用[J].计算机工程与科学，2015，37（7）：1366-1371.

[12]邵乔林，安秋.基于邻域直方图的玉米田绿色植物图像分割方法[J].江西农业学报，2011，23（5）：126-128.

[13]夏政伟.多重分形理论在玉米病害图像特征提取中的应用[J].南方农业学报，2013，44（5）：871-874.

[14]张善文，张传雷.基于局部判别映射算法的玉米病害识别方法[J].农业工程学报，2014，30（11）：167-172.

[15]关海鸥，许少华，谭峰.基于T-S模型的模糊神经网络在植物病害图像分割中的应用[J].中国农业大学，2011（3）：145-149.

[16]关海鸥，许少华，谭峰.基于遗传模糊神经网络的植物病斑区域图像分割模型[J].农业机械学报，2010，41（11）：163-167.

[17]关海鸥，杜松怀，马晓丹，等.基于证据可信度不确定推理的大豆病害诊断方法[J].农业工程学报，2013，29（S1）：109-114.

[18]李明，赵春江，杨信廷，等.温室蔬菜病害预警体系初探—以黄瓜霜霉病为例[J].中国农学通报，2010，26（6）：324-331.

[19]孙敏，罗卫红，相林，等.设施果菜病害诊断的知识表达与推理模型[J].农业工程学报，2012，28（17）：149-156.

[20]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].湖北农业科学，2013，52（17）：4224-4227.