秦立峰，何東健，宋懷波

（1. 西北農(nóng)林科技大學(xué)機電學(xué)院，楊凌 712100；2. 農(nóng)業(yè)部農(nóng)業(yè)物聯(lián)網(wǎng)重點實驗室，楊凌 712100）

0 引 言

溫室蔬菜種植是農(nóng)業(yè)經(jīng)濟的重要組成部分，而病害診斷與防治是生產(chǎn)中面臨的主要問題之一。傳統(tǒng)黃瓜病害識別診斷主要依靠人工現(xiàn)場觀察判斷，對大規(guī)模種植情況很難適用。利用計算機視覺和圖像特征進(jìn)行病害識別，可及時發(fā)現(xiàn)和準(zhǔn)確診斷病害，實現(xiàn)病害的遠(yuǎn)程自動診斷，提高蔬菜種植效益，是當(dāng)前農(nóng)業(yè)信息化技術(shù)中一個研究熱點[1-4]。

已有的研究多利用病害圖像的顏色、紋理、形狀等底層特征[5-8]，通過訓(xùn)練分類器進(jìn)行識別和診斷[9-11]。但由于底層特征過于簡單，對復(fù)雜病害對象的描述能力不夠，因而制約了病害識別的準(zhǔn)確率。詞袋特征（bag of words，BoW）[12-15]是建立在圖像底層特征上的中間層語義特征，對復(fù)雜圖像描述能力更強，因而在圖像分析和識別中取得了較好的效果[16-18]。溫志超[19]利用金字塔匹配原理，對玉米病蟲害圖像分層后建立傳統(tǒng)詞袋模型，并利用支持向量機進(jìn)行識別，大大提高了識別精度。但圖像內(nèi)容復(fù)雜時，建立圖像詞袋模型較大，導(dǎo)致圖像特征向量維數(shù)較高[20-22]，一方面使分類器訓(xùn)練時間開銷急劇增大，難以實際應(yīng)用；另一方面對于高維特征，樣本數(shù)太少則容易導(dǎo)致分類器陷入“維數(shù)災(zāi)難”；樣本數(shù)太多則分類器很難收斂到最優(yōu)解[23]。而縮小詞袋規(guī)模又會導(dǎo)致視覺單詞對圖像內(nèi)容描述不夠準(zhǔn)確[24-25]，難以獲得較高的圖像分類準(zhǔn)確率。針對此問題，本文首先建立病害的類別相關(guān)詞袋模型(category related BoW，CR-BoW)，并基于此模型，將病害圖像表示為一個高維詞袋特征；為解決高維特征下分類器不易收斂的問題，提出詞袋特征PCA多子空間自適應(yīng)融合（BoW multi-PCA subspace selfadaptive combination，BoW-mPCA）的黃瓜病害識別算法。該算法通過主成分分解，將詞袋特征映射到不同大小的若干個低維子空間上，在每個子空間上分別訓(xùn)練分類器，得到分類器組；待識別病害圖像在由小到大多個子空間上的分類得分進(jìn)行自適應(yīng)融合，得到識別結(jié)果。該算法有2個特點：1）以高維詞袋特征進(jìn)行病害表征，盡可能保留了病害特征，而在低維空間訓(xùn)練分類器，可保證訓(xùn)練器較好收斂；2）通過由小到大多子空間自適應(yīng)融合，可降低過小子空間上有效信息不足和過大子空間冗余過多對識別結(jié)果的影響，有效提高識別準(zhǔn)確率。本文對所提出的方法進(jìn)行了試驗驗證，為黃瓜病害的自動診斷和防治技術(shù)提供參考。

1 材料與方法

1.1 圖像采集

在溫室環(huán)境下，在黃瓜植株苗期利用分辨率為1 200×1 600 pixel的CanonA640數(shù)碼相機，采取近拍模式、自動白平衡、自動調(diào)節(jié)焦距和光圈，采集角斑?。╝ngular leaf spot）、棒孢霉葉斑病（corynes pora）、白粉病（powder）、霜霉?。╠owny）和炭疽?。╝nthrax）5種病害圖像，每種病害采集圖像25幅。部分樣本如圖1所示。

考慮到遠(yuǎn)程傳輸中圖像數(shù)據(jù)量過大會降低病害識別的實時性[26-27]；同時，病害部位對病害的識別起決定性作用[28-29]，因此，研究中對所拍攝的圖像樣本，手動裁剪其病斑部位進(jìn)行分析。而在實際應(yīng)用中，人為裁剪圖像具有一定的隨機性，算法應(yīng)對不同大小的病害子圖具有適應(yīng)性，故對采集的病害樣本圖像手動截取病害部位子圖，5種病害分別采集子圖46、50、50、50和50個，共計246幅圖像，其中樣本子圖最小為58×68 pixel，最大為 562×487 pixel。

圖1 5種黃瓜葉部常見病害圖像示例Fig.1 5 example images of common diseases on cucumber leaves

1.2 黃瓜病害圖像詞袋模型建立與特征提取

按照文獻(xiàn)[30]方法，提取5種病害子圖的SIFT（scale invariant feature transform）特征[31]，并建立CR-BoW模型，步驟如下：

1）從每類病害子圖像中任意選擇 20幅作為訓(xùn)練圖像；

2）提取訓(xùn)練圖像的SIFT特征；

3）對第i類訓(xùn)練圖像SIFT特征點用k-means算法聚為 15類，取 15個聚類中心構(gòu)成該類病害的視覺單詞（visual words，VW），記為 VWi，i=1,2,…,5；

4）建立CR-BoW：CR-BoW={VWi}，i=1,2, …,5。所建立的模型中共有75個VW。

對每個病害子圖提取SIFT點，并將這些點量化為距其最近的VW；統(tǒng)計每個子圖中各VW出現(xiàn)的頻率，得到75維直方圖，即為該圖像的特征向量。

1.3 詞袋特征主成分分解

設(shè)訓(xùn)練樣本為x1, x2,…,xm，m為訓(xùn)練樣本數(shù)。訓(xùn)練樣本的歸一化協(xié)方差矩陣M是一個N×N的方陣，N為訓(xùn)練樣本維數(shù)，本文中N=75。求M的特征值并按降序排列為 λ1, λ2,… ,λN，；對應(yīng)的特征向量為v1, v2,…,vN；給定0

式中Ep為降維參數(shù)。取前k個主成分軸而忽略其他主成分軸。取特征向量 V~ = [v1, v2,… ,vk]張成的k維子空間。設(shè)圖像詞袋特征為 xi，將其映射到該子空間上得到降維后的特征 x~i，如式（2）。

設(shè)置不同大小的Ep值，可對原特征進(jìn)行不同程度的降維。

1.4 詞袋特征PCA分解與多級融合的病害圖像分類

不同大小的PCA子空間上主成分特征的表達(dá)能力不同。通常病害圖像內(nèi)容復(fù)雜，不同類別病害在同一子空間上特征的分辨力有差異。對特定病害，在適當(dāng)大小的子空間上，其特征與其他類別病害的特征有顯著區(qū)分，因此在適當(dāng)?shù)淖涌臻g上待分類圖像 Ix與其所屬類別的相關(guān)性會顯著高于 Ix與其他類別的相關(guān)性。基于該思想，提出詞袋特征 PCA多子空間自適應(yīng)融合的（BoW Multi-PCA subspace self-adaptive combination，BoW-mPCA）的病害識別算法。算法流程如圖2所示。

圖2 BoW-mPCA算法流程Fig.2 Scheme of BoW-mPCA Algorithm

對詞袋特征進(jìn)行PCA分解時，設(shè)置n個不同的降維參數(shù)Ep值，其大小滿足式（3）。

由式（1）知，Ep越小，降維后的子空間越小。取對應(yīng)的n個子空間，得到圖像在這些子空間上的特征。

分類識別時，先將待分類圖像 Ix的詞袋特征映射到各主成分空間，得到各子空間上的降維特征。設(shè)圖像 Ix被分類器 Classifieri分為 K個候選類別的得分為，，…，，K為病害類別數(shù)，本文中K=5。對給定的閾值T若此K個得分的最大值s_max與次大值s_snd滿足式（4）：

則表明s_max所對應(yīng)類別有顯著優(yōu)勢，此時Ix判定為該類別Cx，即：

若不滿足式（4），則將 Ix在更大一級子空間中的分類得分 s ci與 s ci-1加權(quán)融合生成新的 s ci：

式中αi為Spacei上分類得分的加權(quán)系數(shù)。

根據(jù)新的sci利用式（4）、式（5）進(jìn)行分類。重復(fù)以上過程，直到滿足式（4），或者i=n。算法結(jié)束。

2 試驗結(jié)果與分析

從每類病害子圖像中隨機選擇20幅，共100幅作為訓(xùn)練樣本，其余 146幅用作測試。建立詞袋模型后，提取訓(xùn)練樣本的詞袋特征并進(jìn)行PCA降維。通過預(yù)備試驗，選取降維參數(shù)Ep為0.65、0.75和0.85，在得到的3個PCA子空間上分別訓(xùn)練3個BP神經(jīng)網(wǎng)絡(luò)。BP網(wǎng)絡(luò)輸入單元等于輸入矢量維數(shù)；包含 1個隱含層，隱含神經(jīng)元數(shù)為輸入層的2倍，傳遞函數(shù)采用tan-sigmoid函數(shù)，該函數(shù)處處可微，被廣泛用作BP網(wǎng)絡(luò)的傳遞函數(shù)；輸出神經(jīng)元為10個，輸出層傳遞函數(shù)采用線性函數(shù)；采用動量梯度下降學(xué)習(xí)算法；為保證訓(xùn)練效率，取初始學(xué)習(xí)率為0.15，最大訓(xùn)練次數(shù)為10 000次，目標(biāo)誤差為10-5。

分別利用3個單一子空間和BoW-2PCA算法進(jìn)行病害種類識別。由于較大的子空間保留了更多的病害信息，因此當(dāng)在小的子空間沒有明顯的類別區(qū)分時，傾向于在更大子空間上進(jìn)行分類是合理的，因此選擇顯著優(yōu)勢判別閾值T=1.5，即當(dāng)最大可能的類別得分比第2可能類別得分高出 50%以上時，才做出判別結(jié)論；通過預(yù)試驗，取權(quán)重α1=0.75；α2=0.65。共進(jìn)行10次獨立試驗，測試樣本的平均分類準(zhǔn)確率如表1所示。作為對比，表1給出全部75維特征下的BP神經(jīng)網(wǎng)絡(luò)識別準(zhǔn)確率。

由表1可見，用7種不同特征和方法對5種病害的分類識別中，全部 75維特征的平均準(zhǔn)確率最低，僅為74.61%。經(jīng)PCA降維后的主成分特征識別準(zhǔn)確率均有提高，這表明原始特征中有較大冗余，使BP網(wǎng)絡(luò)性能下降。其中，Ep=85%的子空間分類準(zhǔn)確率為 84.73%，高于Ep=65%、Ep=75%的情況，這是由于 Ep=85%時，子空間保留了更多的病害信息，因而對病害的識別率更高。

但單一子空間上的分類準(zhǔn)確率并不能達(dá)到最高。由表1可見，在不同的Ep取值下，2個子空間融合后識別率為均高于2個對應(yīng)的單一子空間識別率。對黃瓜葉部5種常見病害，降維參數(shù)為75%和85%的2個子空間隔合的 BOW-2PCA算法平均識別率達(dá)到 90.38%。這是由于BoW-2PCA算法先在小的子空間上進(jìn)行識別，若無明確結(jié)果，則在保留了更多信息的較大子空間上進(jìn)行識別，有效利用了小的子空間特征集中緊湊、大的子空間信息充分全面的優(yōu)勢，從而得到更高的分類準(zhǔn)確率。該結(jié)果表明，利用BoW-2PCA算法可有效提高病害的識別精度，對常見黃瓜葉部 5種常見病害的分類識別具有較高的準(zhǔn)確率。

表1 BoW-2PCA算法對5種黃瓜病害圖像的分類準(zhǔn)確率Table 1 BoW-2PCA classification accuracy of 5 kind of cucumber diseases %

對單個病害，對比BoW-2PCA在3種不同子空間上的識別率可見，當(dāng)參與融合的 2個子空間逐漸增大時，識別率并未隨之提高。如角斑病識別率由82.61%提高到89.13%后，降低為86.96%；而棒孢霉葉斑病的識別率先降低后提高；發(fā)粉病則先提高后降低。該結(jié)果表明，對特定病害，并非子空間越大識別率越高，而是存在一個一定大小的最優(yōu)子空間。

與傳統(tǒng)算法比較，分別提取病害子圖的 14維 HSV（hue saturation value）顏色直方圖、20維灰度共生矩陣紋理特征和顏色紋理混合特征，選取訓(xùn)練樣本和測試樣本與前文相同，采用BP網(wǎng)絡(luò)進(jìn)行10次獨立的分類識別試驗，測試樣本的平均分類準(zhǔn)確率如表2所示。

對比表1、表2可見，1）在相同的分類器下，基于詞袋模型和單一子空間 BoW-Space3（Ep=85%）的 5種病害平均識別率比HSV直方圖、紋理特征和顏色紋理混合特征分別高1.32、20.50和7.37個百分點；表明詞袋模型對病害的特征表示更有效；2）采用2個子空間融合的BoW-2PCA（75%+85%）算法對 5種病害的平均識別準(zhǔn)確率比HSV直方圖特征高6.97個百分點；比紋理特征高26.15個百分點；比顏色紋理混合特征高13.02個百分點，表明算法比傳統(tǒng)的單一特征的分類準(zhǔn)確率有明顯提高。

表2 3種傳統(tǒng)特征下BP網(wǎng)絡(luò)的病害圖像分類準(zhǔn)確率Table 2 BP network classification accuracy of 5 cucumber diseases with 3 traditional features %

從表1、表2中單一病害的分類結(jié)果可見，顏色特征對角斑病和棒孢霉葉斑病的分類準(zhǔn)確率最高，分別為89.78%和93.20%，比BoW-2PCA高2.82和3.40個百分點，這是由于此2種病害的HSV顏色特征較其他病害突出，從而能在此顏色特征空間下準(zhǔn)確區(qū)分；但對白粉病、霜霉病和炭疽病HSV特征的分類準(zhǔn)確率均比BoW-2PCA（75%+85%）算法低，特別是對霜霉病識別率較差，僅為64.20%，而BoW-2PCA算法的識別率為89.13%。該結(jié)果表明，對傳統(tǒng)特征很難有效區(qū)分的病害，BoW-2PCA有突出優(yōu)勢，識別率更高。

同時，由表2可見，傳統(tǒng)方法對5種病害的識別準(zhǔn)確率有較大差異，14維HSV直方圖對棒孢霉葉斑病的識別率高達(dá)93.20%，而對霜霉病僅為64.20%，相差29個百分點；相比表1中BoW-2PCA算法（75%+85%），對炭疽病的識別率最高為98.00%，對角斑病最低為86.96%，相差約12個百分點，表明算法對5種病害識別率更趨一致，對不同病害具有更好的適應(yīng)性，因而更適用于多種病害的識別。

文獻(xiàn)[11]融合了病害圖像和環(huán)境信息對黃瓜的霜霉病、褐斑病和炭疽病 3種葉部病害進(jìn)行識別，平均識別率均達(dá)到94.44%，識別效果較好，但該方法所識別的病害類別較本文少，且需融合環(huán)境信息，因此在實際應(yīng)用中易受限制。本文算法僅需病害圖像信息即可對 5種葉部病害進(jìn)行識別，取得平均識別率為90.38%。

3 結(jié) 論

針對溫室黃瓜多種病害識別問題，本文提出了一種基于詞袋模型和 PCA多子空間融合的病害識別算法BoW-mPCA，該算法對不同病害在不同的PCA子空間上進(jìn)行分類并采用一種自適應(yīng)融合策略得到識別結(jié)果。

1）建立了病害圖像的CR-BoW模型，將病害圖像表示為高維詞袋特征；分別利用該特征的PCA單子空間和顏色特征以相同方法訓(xùn)練BP網(wǎng)絡(luò)并分類，結(jié)果表明詞袋特征下5種黃瓜病害的平均識別率為84.73%，較顏色高1.43個百分點，因此模型對病害特征提取更有效。病害種類增加時，只須訓(xùn)練并加入新增病害的視覺單詞，即可擴展CR-BoW模型，但擴展模型性能仍需進(jìn)一步檢驗。

2）在高維詞袋特征的多個主成分空間上進(jìn)行自適應(yīng)融合的識別試驗表明，對黃瓜葉部 5種常見病害，降維參數(shù)為75%和85%的2個子空間融合的BoW-2PCA算法平均識別率達(dá)到90.38%，與傳統(tǒng)顏色、紋理及混合特征的識別率相比，分別提高了6.97、26.15和13.02個百分點，識別率較高，該算法可為溫室蔬菜自動診斷識別提供技術(shù)支持。

[參 考 文 獻(xiàn)]

[1] 何東健，何勇，李明贊，等. 精準(zhǔn)農(nóng)業(yè)中信息相關(guān)科學(xué)問題研究進(jìn)展[J]. 中國科學(xué)基金，2011, 25(1): 12－18.He Dongjian, He Yong, Li Mingzan, et al. Research progress of information science-related problems in precision agricuture[J]. Bulletin of National Natural Science Foundation of China, 2011, 25(1): 12－18. (in Chinese with English abstract)

[2] 劉濤，仲曉春，孫成明，等. 基于計算機視覺的水稻葉部病害識別研究[J]. 中國農(nóng)業(yè)科學(xué)，2014, 47(4): 664－674.Liu Tao, Zhong Xiaochun, Sun Chengming, et al.Recognition of rice leaf diseases based on computer vision[J].Scientia Agricultura Sinica, 2014, 47(4): 664－674. (in Chinese with English abstract)

[3] 張善文，張傳雷. 基于局部判別映射算法的玉米病害識別方法[J]. 農(nóng)業(yè)工程學(xué)報，2014，30(11): 167－172.Zhang Shanwen, Zhang Chuanlei. Maize disease recognition based on local discriminant algorithm[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2014, 30(11): 167－172. (in Chinese with English abstract)

[4] 田凱，張連寬，熊美東，等. 基于葉片病斑特征的茄子褐紋病識別方法[J]. 農(nóng)業(yè)工程學(xué)報，2016，32(增刊 1): 184－189.Tian Kai, Zhang Liankuan, Xiong Meidong, et al.Recognition of phomopsis vexans in solanum melongena based on leaf disease spot features[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(Supp.1): 184－189. (in Chinese with English abstract)

[5] 張建華，孔繁濤，李哲敏，等. 基于最優(yōu)二叉樹支持向量機的蜜柚葉部病害識別[J]. 農(nóng)業(yè)工程學(xué)報，2014，30(19):222－231.Zhang Jianhua, Kong Fantao, Li Zhemin, et al. Recognition of honey pomelo leaf diseases based on optimal binary tree support vector machine[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2014, 30(19): 222－231. (in Chinese with English abstract)

[6] 胡敏，陳紅波，許良鳳，等. 基于顏色和紋理特征的黃瓜病害識別算法[J]. 電子測量與儀器學(xué)報，2015，29(7): 970－977.Hu Min, Chen Hongbo, Xu Liangfeng, et al. Cucumber disease recognition algorithm based on color and texture features[J]. Journal of Electronic Measurement and Instrumentation, 2015, 29(7): 970－977. (in Chinese with English abstract)

[7] 秦豐，劉東霞，孫炳達(dá)，等. 基于深度學(xué)習(xí)和支持向量機的 4種苜蓿葉部病害圖像識別[J]. 中國農(nóng)業(yè)大學(xué)學(xué)報，2017，22(7): 123－133.Qin Feng, Liu Dongxia, Sun Bingda, et al. Image recognition of four different alfalfa leaf diseases based on deep learning and support vector machine[J]. Journal of China Agricultural University, 2017, 22(7): 123－133. (in Chinese with English abstract)

[8] 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]. 自動化技術(shù)與應(yīng)用，2013，32(9): 83－89.Chai Yang, Wang Xiangdong. Recognition of greenhouse tomato disease based on image processing technology[J].Techniques of Automation and Applications, 2013, 32(9): 83－89. (in Chinese with English abstract)

[9] 許良鳳，徐小兵，胡敏，等. 基于多分類器融合的玉米葉部病害識別[J]. 農(nóng)業(yè)工程學(xué)報，2015，31(14): 194－201.Xu Liangfeng, Xu Xiaobing, Hu Min, et al. Corn leaf disease identification based on multiple classifiers fusion[J].Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(14): 194－201. (in Chinese with English abstract)

[10] 賈建楠，吉海彥. 基于病斑形狀和神經(jīng)網(wǎng)絡(luò)的黃瓜病害識別[J]. 農(nóng)業(yè)工程學(xué)報，2013(增刊1): 115－121.Jia Jiannan, Ji Haiyan. Recognition for cucumber disease based on leaf spot shape and neural network[J]. Transactions of the Chinese Society of Agricultural Engineering(Transactions of the CSAE), 2013, 29(Supp.1): 115－121. (in Chinese with English abstract)

[11] 王獻(xiàn)鋒，張善文，王震，等. 基于葉片圖像和環(huán)境信息的黃瓜病害識別方法[J]. 農(nóng)業(yè)工程學(xué)報，2014，30(14): 148－153.Wang Xianfeng, Zhang Shanwen, Wang Zhen, et al.Recognition of cucumber diseases based on leaf image andenvironmental information[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2014, 30(14): 148－153. (in Chinese with English abstract)

[12] 楊曉敏，嚴(yán)斌宇，李康麗，等. 一種基于詞袋模型的圖像分類方法[J]. 太赫茲科學(xué)與電子信息學(xué)報，2014, 12(5):726－730.Yang Xiaomin, Yan Binyu, Li Kangli, et al. An image classification method based on bag of words model[J].Journal of Terahertz Science and Electronic Information Technology, 2014, 12(5): 726－730. (in Chinese with English abstract)

[13] 錢鈞，楊恒，劉培楨，等. 一種基于詞袋模型的大規(guī)模圖像層次化分組算法[J]. 應(yīng)用光學(xué)，2014, 35(5): 799－805.Qian Jun, Yang Heng, Liu Peizhen, et al. Large-scale image hierarchical grouping algorithm based on bag-of-words[J].Journal of Applied Optics, 2014, 35(5): 799－805. (in Chinese with English abstract)

[14] Qun L I, Zhang H G, Guo J, et al. Improving bag-of-words scheme for scene categorization[J]. Journal of China Universities of Posts & Telecommunications, 2012, 19(2):166－171.

[15] Wang R, Ding K, Yang J. A novel method for image classification based on bag of visual words[J]. Journal of Visual Communication & Image Representation, 2016,40(PA): 24－33.

[16] 楊賽，趙春霞，徐威. 一種基于詞袋模型的新的顯著性目標(biāo)檢測方法[J]. 自動化學(xué)報，2016，42(8): 1259－1273.Yang Sai, Zhao Chunxia, Xu Wei, et al. A novel salient object detection method using Bag-of-features[J]. Acta Automatica Sinica, 2016, 42(8): 1259－1273. (in Chinese with English abstract)

[17] 汪榮貴，丁凱，楊娟，等. 三角形約束下的詞袋模型圖像分類方法[J]. 軟件學(xué)報，2017，28(7): 1847－1861.Wang Ronggui, Ding Kai, Yang Juan, et al. Image classification based on bag of visual words model with triangle constraint. Journal of Software, 2017,28(7): 1847－1861. (in Chinese with English abstract)

[18] 齊梅，胡敏. 基于多方向空間詞袋模型的物體識別[J]. 計算機工程與應(yīng)用，2017，53(7): 197－201.Qi Mei, Hu Min. Object recognition based on multi-direction spatial Bags of Words model[J]. Computer Engineering and Applications, 2017, 53(7): 197－201. (in Chinese with English abstract)

[19] 溫志超. 基于演化算法及改進(jìn)詞袋模型的病蟲害分類識別技術(shù)研究[D]. 廣州：華南農(nóng)業(yè)大學(xué)，2016.Wen Zhichao. Research of Crop-disease Classification and Recognition Technology Based on Evolutionary Algorithm and Improved BOW Model[D]. Guangzhou：South China Agricultural University, 2016. (in Chinese with English abstract)

[20] Bolovinou A, Pratikakis I, Perantonis S. Bag of spatio-visual words for context inference in scene classif i cation[J]. Pattern Recognition, 2013,46(3): 1039–1053.

[21] 郭景峰，李賢. 基于群稀疏的結(jié)構(gòu)化字典學(xué)習(xí)[J]. 中國圖象圖形學(xué)報，2012，17(11): 1347－1352.Guo Jingfeng, Li Xian. Structured dictionary learning based on group sparsity[J]. Journal of Image and Graphics, 2012,17(11): 1347－1352. (in Chinese with English abstract)

[22] 陳丹雯，張俊，韓兵，等. 基于改進(jìn)詞袋模型的相似關(guān)鍵幀匹配方法[J]. 計算機工程與設(shè)計，2011，32(8): 2752－2755.Chen Danwen, Zhang Jun, Han Bing, et al. Near-duplicate keyframe matching based on advanced bag-of-words model[J]. Computer Engineering and Design, 2011, 32(8):2752－2755. (in Chinese with English abstract)

[23] 張志武，吳飛. 面向分類的增量字典學(xué)習(xí)算法[J]. 計算機工程，2017，43(10): 167－171，185.Zhang Zhiwu, Wu Fei. Classification-oriented incremental dictionary learning algorithm[J]. Computer Engineering,2017, 43(10): 167－171,185. (in Chinese with English abstract)

[24] Lu Z, Wang L, Wen J R. Image classification by visual bag-of-words refinement and reduction[J]. Neurocomputing,2016, 173(15): 373－384.

[25] Sun Q, Liu H, Ma L, et al. A novel hierarchical Bag-of-Words model for compact action representation[J].Neurocomputing, 2016, 174(22): 722－732.

[26] 葉海建，郎睿. 基于Android的自然背景下黃瓜霜霉病定量診斷系統(tǒng)[J]. 農(nóng)業(yè)機械學(xué)報，2017，48(3): 24－29.Ye Haijian, Lang Rui. Cucumber downy mildew severity quantifying diagnosis system suitable for natural backgrounds based on android[J]. Transactions of the Chinese Society for Agricultural Machinery, 2017, 48(3): 24－29. (in Chinese with English abstract)

[27] 田有文，王煒，王瀧，等. 基于Android平臺的黃瓜葉部病害圖像處理[J]. 農(nóng)業(yè)科技與裝備，2015(2): 30－31.Tian Youwen, Wang Wei, Wang Long, et al. Image processing of cucumber leaf disease based on android platform[J]. Agricultural Science & Technology and Equipment, 2015(2): 30－31. (in Chinese with English abstract)

[28] 張芳，付立思. 基于圖像處理技術(shù)的黃瓜葉部病害識別診斷系統(tǒng)[J]. 農(nóng)機化研究，2014(9): 213－215.Zhang Fang, Fu Lisi. Research on the Identification and diagnosis system of cucumber leaf disease based on image processing technology[J]. Journal of Agricultural Mechanization Research, 2014(9): 213－215. (in Chinese with English abstract)

[29] 馬浚誠，溫皓杰，李鑫星，等. 基于圖像處理的溫室黃瓜霜霉病診斷系統(tǒng)[J]. 農(nóng)業(yè)機械學(xué)報，2017，48(2): 195－202.Ma Juncheng, Wen Haojie, Li Xinxing, et al. Downy mildew diagnosis system for greenhouse cucumbers based on image processing[J]. Transactions of the Chinese Society for Agricultural Machinery, 2017, 48(2): 195－202. (in Chinese with English abstract)

[30] Qin Lifeng, He Dongjian. Category related BoW model for image classification[J]. Journal of Information and Computational Science, 2015, 12(9): 3547－3554.

[31] Lowe D G. Distinctive image features from scale-invariant keypoints[J]. International Journal of Computer Vision, 2004,60(2): 91－110.