陳峰 谷俊濤 李玉磊 彭曉溪 韓天甲

摘要：隨著農(nóng)業(yè)現(xiàn)代化進(jìn)程在全國各地的推進(jìn)，東北農(nóng)業(yè)經(jīng)濟(jì)正在快速地發(fā)展，眾多先進(jìn)的科學(xué)技術(shù)如大數(shù)據(jù)、物聯(lián)網(wǎng)、移動互聯(lián)、人工智能等被應(yīng)用到東北農(nóng)業(yè)生產(chǎn)中，并且逐步深入細(xì)化。在農(nóng)業(yè)種植領(lǐng)域，東北寒地玉米害蟲的識別與蟲害的預(yù)防一直是專家學(xué)者們研究的重要課題。東北地區(qū)位于溫帶季風(fēng)氣候區(qū)，夏季溫?zé)岫檀俣嘤?冬季寒冷漫長干燥，因此東北寒地玉米作物蟲害有其獨特的特征，常見的害蟲有玉米黏蟲、玉米螟、草地貪夜蛾、雙斑玉螢葉甲等。本研究基于機器視覺和卷積神經(jīng)網(wǎng)絡(luò)的東北寒地玉米害蟲識別方法進(jìn)行研究，通過圖像采集的預(yù)置采集點、巡航周期等實現(xiàn)定點、定時獲取大量采集數(shù)據(jù)，將機器視覺識別、卷積神經(jīng)網(wǎng)絡(luò)模型測試放到采集前端，降低無效圖像帶寬占用，優(yōu)化了網(wǎng)絡(luò)資源;通過對卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行海量的東北寒地玉米害蟲圖像訓(xùn)練，實現(xiàn)從訓(xùn)練集到測試集的轉(zhuǎn)化，建立起東北寒地玉米害蟲識別的網(wǎng)絡(luò)模型?；跈C器視覺和卷積神經(jīng)網(wǎng)絡(luò)的東北寒地玉米害蟲識別方法研究具有很高的應(yīng)用價值，在監(jiān)測植物生長狀態(tài)的同時，能夠精準(zhǔn)、及時、實時地智能識別玉米害蟲，做好東北寒地玉米蟲害預(yù)警及應(yīng)對措施，降低作物種植生產(chǎn)風(fēng)險、提升生產(chǎn)效率，對東北農(nóng)業(yè)智能化、持續(xù)化、梯度化發(fā)展起到了非常重要的作用。

關(guān)鍵詞：機器視覺;卷積神經(jīng)網(wǎng)絡(luò);東北寒地玉米;害蟲;智能識別

中圖分類號：S126;TP391.41?文獻(xiàn)標(biāo)志碼： A

文章編號：1002-1302（2020）18-0237-07

收稿日期：2019-09-17

作者簡介：陳?峰（1981—），男，江蘇豐縣人，碩士，高級工程師，主要從事農(nóng)業(yè)信息化、農(nóng)業(yè)物聯(lián)網(wǎng)、農(nóng)業(yè)大數(shù)據(jù)等研究。E-mail：bdhchenfeng@163.com。

通信作者：谷俊濤，博士，正高級工程師，主要從事農(nóng)業(yè)物聯(lián)網(wǎng)研究。E-mail：592980678@qq.com。

農(nóng)業(yè)是我國國民經(jīng)濟(jì)的基礎(chǔ)產(chǎn)業(yè)，蟲害的防治效果直接與農(nóng)業(yè)生產(chǎn)效益、農(nóng)產(chǎn)品質(zhì)量安全、農(nóng)業(yè)生態(tài)環(huán)境安全等相關(guān)。近些年來，全球氣候異常多變、耕作制度與生產(chǎn)方式改變以及作物復(fù)種指數(shù)提高，作物蟲害呈多發(fā)、頻發(fā)、大規(guī)模態(tài)勢。2019年7月下旬在甘肅省蘭州市召開了2019年全國玉米和棉花病蟲害發(fā)生趨勢會商及測報技術(shù)研討會，會上對我國2019年上半年玉米蟲害暴發(fā)情況作了匯報，匯報指出玉米蟲害發(fā)生程度總體重于2018年，玉米蟲害發(fā)生總面積達(dá)0.211億hm2次，如玉米螟害蟲僅在東北地區(qū)就發(fā)生約90萬hm2 次，玉米蟲害的發(fā)生嚴(yán)重影響了我國農(nóng)業(yè)生產(chǎn)總值[1]。

東北傳統(tǒng)的玉米蟲害檢測方法主要是依賴種植戶的經(jīng)驗，有些地區(qū)邀請農(nóng)技人員、農(nóng)業(yè)專家上門指導(dǎo)或遠(yuǎn)程指導(dǎo)等，傳統(tǒng)的方式往往錯過了防治的最佳時機，效率低，費用高，時效性差?；跈C器視覺識別和卷積神經(jīng)網(wǎng)絡(luò)（CNN）深度學(xué)習(xí)來識別東北寒地玉米害蟲將會大大減少東北玉米蟲害的發(fā)生，在玉米害蟲體征出現(xiàn)時，能夠?qū)D像快速分析判斷，精準(zhǔn)地定位蟲害類型，及時發(fā)出預(yù)警，將玉米害蟲消滅在萌芽中。

從20世紀(jì)80年代末開始，很多專家學(xué)者投入到識別蟲害的方法研究中，Keagy等專家基于計算機視覺對儲糧害蟲進(jìn)行識別研究，識別率較高[2];Boissard等對花葉掃描，對掃描圖像進(jìn)行識別，結(jié)合圖像處理技術(shù)自動識別和計算花成熟時粉虱的數(shù)量[3];徐小龍利用紅外掃描技術(shù)獲取受污染的作物葉片紅外圖像[4];Wu等基于多重分形分析技術(shù)對帶有蟲斑的黃瓜葉片圖像進(jìn)行建模，獲取到病蟲害分布、形態(tài)等特征[5];在Wu等的研究基礎(chǔ)上溫芝元等利用改進(jìn)的分水嶺算法來提取椪柑蟲害危害狀邊界[6]。

近年來，專家學(xué)者們將神經(jīng)網(wǎng)絡(luò)相關(guān)技術(shù)運用到蟲害的識別上，桂便等選用5種儲糧害蟲為樣本，基于卷積神經(jīng)網(wǎng)絡(luò)的Alexnet模型對5種儲糧害蟲圖像進(jìn)行訓(xùn)練、識別，試驗結(jié)果表明，基于卷積神經(jīng)網(wǎng)絡(luò)技術(shù)識別蟲害準(zhǔn)確率較高[7];方明等分別利用反向傳播（BP）神經(jīng)網(wǎng)絡(luò)、L-M神經(jīng)網(wǎng)絡(luò)對儲糧害蟲的識別進(jìn)行研究[8-9]。

在東北寒地玉米害蟲識別過程中，從采集開始，經(jīng)過訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)模型，提升模型的識別準(zhǔn)確度，通過機器視覺對圖像進(jìn)行去噪、二值化等處理，應(yīng)用已訓(xùn)練的卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行測試，具體流程見圖1。

1?圖像采集過程

采集主要是指針對目標(biāo)特征的圖像采集，玉米生長過程按其形態(tài)特征可分為出苗期、3葉期、拔節(jié)期、小喇叭口期、大喇叭口期、抽雄期、開花期、子粒形成期、乳熟期、蠟熟期和完熟期。以玉米為目標(biāo)執(zhí)行采集時，要采集的內(nèi)容為玉米各階段內(nèi)生長的圖像。要求采集的圖像高清晰度、高采集頻率、圖像數(shù)量級大。

首先，預(yù)置采集點。設(shè)置采集設(shè)備的經(jīng)度和維度、采集設(shè)備的焦距、采集設(shè)備水平及垂直方向的初始角度值和周期移動角度值、定點時間和快門響應(yīng)次數(shù)等，預(yù)置1個周期的采集圖像數(shù)據(jù)。

其次，設(shè)置采集設(shè)備的巡航周期，比如設(shè)置設(shè)備每天采集開始時間為09：00，結(jié)束時間為17：30，巡航間隔（周期）為2 h，采集設(shè)置就會按照設(shè)置 09：00 開始按預(yù)置的采集點進(jìn)行圖像采集，完成1個周期工作后暫停采集任務(wù)，2 h后按照任務(wù)繼續(xù)執(zhí)行下個周期的采集，17：30結(jié)束采集工作。

最后，根據(jù)每次快門獲取圖像，如果在同一采集點同一待采目標(biāo)預(yù)置2次及以上快門，取清晰度最高的圖像信息，圖像信息包括圖像數(shù)據(jù)、圖片采集時間及圖像采集的經(jīng)緯度等;采集圖像的時間和經(jīng)緯度是根據(jù)采集設(shè)備經(jīng)緯度、焦距、采集時水平和垂直角度值、采集時定點時間、采集時快門次數(shù)等獲取的數(shù)值。部分樣本采集設(shè)備設(shè)置見表1。

表2為對應(yīng)采集設(shè)備的巡航設(shè)置信息。6臺設(shè)備周采集有效高清圖像量約為8.3萬張。

2?識別訓(xùn)練

農(nóng)業(yè)蟲害專家對采集的圖像進(jìn)行甄選，按照有害、無害進(jìn)行標(biāo)定。對于有害圖像按照玉米類型、災(zāi)害種類等進(jìn)行詳細(xì)標(biāo)定。將這些東北寒地玉米害蟲圖像送入卷積神經(jīng)網(wǎng)絡(luò)中進(jìn)行訓(xùn)練。

使用卷積神經(jīng)網(wǎng)絡(luò)對玉米害蟲圖像的輸入特征進(jìn)行處理，為了提高CNN模型的泛化、識別率及魯棒性，消除圖像噪聲對害蟲特征的影響，首先對圖像進(jìn)行圖像處理，然后通過多層卷積、線性整流函數(shù)（ReLU）激活、池化層及全連接層（FC）搭建起卷積神經(jīng)網(wǎng)絡(luò)模型。卷積神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu) LeNet-5見圖2。

2.1?圖像處理

2.1.1?灰度處理

采集圖像灰度處理是圖像灰度化的過程，對于灰度圖像，它的每個像素的顏色值稱之為灰度，也就是黑白圖像中每個點的顏色深度，其范圍一般為0～255，其中白色為255，黑色為0。灰度處理效果如圖3所示。灰度值是指圖像采集色彩的濃淡，在一幅數(shù)字圖像中，所謂的灰度直方圖可以體現(xiàn)出對應(yīng)每個灰度值具有灰色度的像素數(shù)。

通過圖4可以看出，經(jīng)過灰度化直方圖處理的圖像對比度明顯增強，原圖的灰度值都分布在25～200之間，經(jīng)過處理后，整張圖片的灰度值控制在 0～255 范圍內(nèi)。

目前，大多數(shù)的彩色圖像都是采用RGB顏色模式呈現(xiàn)效果，進(jìn)行圖像處理的時候，針對紅（R）、綠（G）、藍(lán)（B）這3個分量進(jìn)行分量處理。從光學(xué)原理上講，RGB僅僅是進(jìn)行顏色的調(diào)配，并不能體現(xiàn)出圖像的形態(tài)特征。

2.1.2?圖像二值化

將采集圖像上的像素點的灰度值都設(shè)置為0和255，這樣就將原有圖像呈現(xiàn)成黑白效果的圖像。RGB數(shù)據(jù)量大為減少， 通過處理能凸顯出圖像中目標(biāo)的輪廓。

2.1.3?加權(quán)平均法

加權(quán)平均是指將R、G、B這3個分量以不同的權(quán)值進(jìn)行加權(quán)平均。由于人眼感光中對綠色敏感度最高，對藍(lán)色的敏感度相對最低，因此，對R、G、B這3個分量進(jìn)行加權(quán)平均能夠獲取到合理的灰度值。公式為

Gray（i，j）=0.299×R（i，j）+0.578×G（i，j）+0.114×B（i，j）。

圖像處理效果見圖5。

2.2?卷積層

卷積層通過卷積核取出圖像中的特征，在卷積層對圖像進(jìn)行逐行、跨行掃描，類似于傳統(tǒng)圖像處理中的濾波，取出圖像中的特征。卷積層主要是用一種采樣設(shè)備從輸入的目標(biāo)數(shù)據(jù)中采集出關(guān)鍵的數(shù)據(jù)信息（圖6）。

當(dāng)一個卷積層L的下一層（L+1）為采樣層，采樣層（L+1）的特征向量（map）大小是卷積層L的1/（scale×scale）（scale表示長寬相同的卷積核大?。詓cale=2為例，這2層的map個數(shù)是一樣的，卷積層L的某個map中的4個單元與（L+1）層對應(yīng)map的一個單元關(guān)聯(lián)，對采樣層的殘差與1個scale×scale的全1矩陣進(jìn)行克羅內(nèi)克積擴充，使得采樣層的殘差的維度與上一層的輸出map的維度一致。選擇采用3×3的卷積核是因為3×3是最小的能夠捕捉像素8鄰域信息的尺寸。

2.3?ReLU激活層

應(yīng)用于每個卷積層之后， 它給一個在卷積層中剛經(jīng)過線性計算操作[只是數(shù)組元素依次（element wise）相乘與求和]的系統(tǒng)引入非線性特征。ReLU層對輸入內(nèi)容的所有值都應(yīng)用了函數(shù)f（x）=max（0，x）。它把所有的負(fù)激活（negative activation）都變?yōu)?，增加模型乃至整個神經(jīng)網(wǎng)絡(luò)的非線性特征。

2.4?池化層

是對卷積層結(jié)果的壓縮得到更加重要的特征，同時還能有效控制過擬合。池化層將輸入的圖像劃分為若干個矩形區(qū)域，對每個子區(qū)域輸出最大值。池化層會不斷地減小數(shù)據(jù)的空間大小，因此參數(shù)的數(shù)量和計算量也會下降，這在一定程度上也控制了過擬合。

2.5?隨機失活（Dropout）層

將能夠為特定的樣本提供合適的分類或輸出，即使一些激活參數(shù)被丟棄。在Dropout層保證神經(jīng)網(wǎng)絡(luò)不會對訓(xùn)練樣本過于匹配。Dropout網(wǎng)絡(luò)計算公式表現(xiàn)為

r（l）j～Bernoulli（i）;

y～（l）=r（l）×y（l）;

k（l+1）m=w（l+1）my～（l）+b（l+1）m;

r（l+1）=b（l+1）m×y（l+1）;

y（l+1）m=f[k（l+1）m]。

伯努利分布[Bernoulli（i）]函數(shù)生成概率向量r，即隨機產(chǎn)生0、1向量。

2.6?全連接層

全連接層是在經(jīng)過多輪卷積層和池化層的處理之后，在卷積神經(jīng)網(wǎng)絡(luò)的最后會是由1～2個全連接層來給出最后的分類結(jié)果。

以玉米螟成蟲（圖7）舉例說明，現(xiàn)在的任務(wù)是識別圖片中是不是玉米螟成蟲。

假設(shè)這個害蟲圖已經(jīng)CNN模型訓(xùn)練完，全連接層已經(jīng)知道。

當(dāng)?shù)玫綀D8中各分類的特征，模型就可以判斷這個是不是玉米螟成蟲，因為全連接層的作用主要就是實現(xiàn)分類（圖9）。

2.7?關(guān)于卷積神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練中函數(shù)

2.7.1?損失（loss）函數(shù)

在玉米害蟲識別訓(xùn)練過程中，通過交叉熵函數(shù)不斷改變神經(jīng)網(wǎng)絡(luò)中所有參數(shù)，使損失函數(shù)不斷減小，從而訓(xùn)練出準(zhǔn)確率更高的神經(jīng)網(wǎng)絡(luò)模型。loss函數(shù)定義為

En=∑Nn=1En=12∑Nn=1∑ck=1（tnk-ynk）2。

2.7.2?滑動平均（影子）

在玉米害蟲識別訓(xùn)練過程中采用滑動平均記錄一段時間內(nèi)模型中權(quán)重（w）和偏移量（b）各自的平均值。利用滑動平均值可以增強模型的泛化能力。公式為

影子=衰減率×影子+（1-衰減率）×參數(shù)。

2.7.3?正則化

在玉米害蟲識別訓(xùn)練過程中給每個參數(shù)w加上權(quán)重，引入模型復(fù)雜度指標(biāo)，從而抑制模型噪聲，減小過擬合。采用的是L1正則化算法。

正則化公式：loss（w）=tf.contrib.layers.l1_regularizer（REGULARIZER）（w）。

3?識別測試

在采集圖像識別過程中，會對圖像進(jìn)行分割找到有特征性的圖像，然后進(jìn)行模型測試（圖10）。

機器視覺置于采集前端，在采集圖像傳送到機器視覺設(shè)備時，根據(jù)機器視覺技術(shù)對圖像進(jìn)行單通道、高斯濾波、二值化、距離變換、形態(tài)學(xué)處理、邊緣檢測等系列的處理，生成卷積神經(jīng)網(wǎng)絡(luò)測試所需的圖像。

3.1?單通道處理

對采集的圖像進(jìn)行色彩空間變換，將BGR圖像變換成灰度圖，然后進(jìn)行通道分離，選擇合適的通道作為輸入圖像;其中，灰度化處理的方法是[cv2cvtColor（ ）]：cv2.COLOR_BGR2GRAY，應(yīng)用公式為

Gray（i，j）=[R（i，j）+G（i，j）+B（i，j）]/3。

由于仿真人眼對顏色的感知程度不同，其衍生公式為

Gray（i，j）=0.299×R（i，j）+0.587×G（i，j）+0.114×B（i，j）。

3.2?高斯濾波處理

高斯濾波使用cv2.GaussianBlur（ ）函數(shù)，通過低通濾波器，輸出圖像的每個像素點是原圖像上對應(yīng)像素點與周圍像素點的加權(quán)和，利用濾波器實現(xiàn)對圖像的平滑處理。公式表現(xiàn)為

Gσ=（12πσ2）e-（x2+y2）2σ2。

3.3?二值化

二值化在高斯濾波處理后將圖像上的像素點的灰度值設(shè)置為0或255，也就是將整個圖像呈現(xiàn)出明顯的黑白效果。二值化設(shè)定一個閾值T，用T將圖像數(shù)據(jù)分成2部分：大于等于T的像素群和小于T的像素群。公式表現(xiàn)為

b（i，j）=0，f（i，j）

255，f（i，j）≥T（i，j）。

3.4?距離變換

距離變換模塊使用distanceTransform方法計算圖像中每一個非0點距離最近的0點距離，它將二值圖像變換為灰度圖像（圖11）。公式表現(xiàn)為

f（p）=min[f（p），D（p，q）+f（q）]，q∈maskL。

3.5?形態(tài)學(xué)處理

形態(tài)學(xué)處理能夠去除所有不能包含結(jié)構(gòu)元的部分，平滑目標(biāo)的輪廓，移除由圖像噪音形成的斑點。公式表現(xiàn)為

dst（x，y）=min（x1，y1）：element（x1，y1）≠0src（x+x1，y+y1）。

3.6?邊緣檢測

邊緣檢測是在形態(tài)學(xué)處理后，對東北寒地玉米蟲害的外邊緣進(jìn)行測定的過程，使用cv2findContours（）函數(shù)，公式表現(xiàn)為

ddx（f×g）=f×ddxg。

第1個步驟是實現(xiàn)多邊形的簡單外接矩形的算法。簡單外接矩形是指邊平行于x軸或y軸的外接矩形。簡單外接矩形很有可能不是最小外接矩形，卻是非常容易求得的外接矩形。

第2個步驟是實現(xiàn)平面上某一點繞固定點旋轉(zhuǎn)某一角度的算法。數(shù)學(xué)基礎(chǔ)是，設(shè)平面上點（x1，y1）繞另一點（x0，y0）逆時針旋轉(zhuǎn)A角度后的點為（x2，y2），則有：

x2=（x1-x0）×cosA-（y1-y0）×sinA+x0;

y2=（x1-x0）×sinA+（y1-y0）×cosA+y0。

順時針時，A改寫成-A即可。

第3個步驟是旋轉(zhuǎn)原始多邊形（循環(huán)，0°～90°，間距設(shè)為1°），求旋轉(zhuǎn)每個度數(shù)后的多邊形的簡單外接矩形，記錄簡單外接矩形的面積、頂點坐標(biāo)以及此時旋轉(zhuǎn)的度數(shù)。

第4個步驟是比較在旋轉(zhuǎn)過程中多邊形求得的所有簡單外接矩形，得到面積最小的簡單外接矩形，獲取該簡單外接矩形的頂點坐標(biāo)和旋轉(zhuǎn)的角度。

第5個步驟是旋轉(zhuǎn)外接矩形。將上一步獲得面積最小的簡單外接矩形反方向（與第3步方向相反）旋轉(zhuǎn)相同的角度，即得最小外接矩形。邊緣檢測效果見圖12。

4?反饋更新與效果

4.1?反饋更新

在測試識別到東北寒地玉米害蟲后， 按照東北

寒地玉米害蟲的類型、種類區(qū)分標(biāo)記。在卷積神經(jīng)網(wǎng)絡(luò)模型測試中，根據(jù)測試的采集樣本i可以獲取其玉米害蟲的種類，函數(shù)為yik=1，若zi屬于k類0，若zi不屬于k類，y為預(yù)測值，k為某一個分類，i表示某個分類的個數(shù)，zi表示某些分類的總數(shù)。通過種類來獲得玉米害蟲分類，并傳送給數(shù)據(jù)中心。數(shù)據(jù)中心接收分類模塊傳送回的數(shù)據(jù)信息，包括采集圖像機器視覺處理前后的圖像數(shù)據(jù)，玉米害蟲的類型、種類、采集時間及采集經(jīng)緯度等信息。通過人工檢測方式定期檢測數(shù)據(jù)，對于識別有誤的圖像進(jìn)行標(biāo)記，并反饋到卷積神經(jīng)網(wǎng)絡(luò)模型中重新訓(xùn)練，訓(xùn)練后將模型更新到前端測試模型中，實現(xiàn)持續(xù)的更新和梯度地優(yōu)化。

4.2?效果

從測試數(shù)據(jù)中抽出6種東北寒地玉米最常見害蟲，查看其測試效果。分別從單張圖像識別目標(biāo)特征及圖像量級2個角度來體現(xiàn)訓(xùn)練及測試的效果（表3）。

使用本研究方法，進(jìn)行持續(xù)更新和梯度優(yōu)化，不斷糾正和訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)模型，提升識別的準(zhǔn)確率（圖13），線1為已經(jīng)有一定測試集的卷積神經(jīng)網(wǎng)絡(luò)識別準(zhǔn)確率，線2為使用本研究方法執(zhí)行一段時期后的卷積神經(jīng)網(wǎng)絡(luò)識別準(zhǔn)確率。通過對比圖能清晰看到線2比線1在數(shù)值上有明顯的提升，提升2%～5%。因此，本研究方法是能夠有效提升東北寒地玉米害蟲識別的準(zhǔn)確率的。

5?結(jié)論

本研究基于機器視覺和卷積神經(jīng)網(wǎng)絡(luò)對東北寒地玉米害蟲識別方法進(jìn)行了分析，本研究中的方法能夠自動獲取用于訓(xùn)練和測試的海量圖像數(shù)據(jù);將視覺識別和卷積神經(jīng)網(wǎng)絡(luò)模型測試放到采集前端，能夠降低無效圖像帶寬占用，優(yōu)化網(wǎng)絡(luò)資源，提升識別效率;反饋與更新機制使模型持續(xù)、梯度地優(yōu)化，并實時同步前端模型，有效提升東北寒地玉米害蟲識別準(zhǔn)確率。對于東北寒地玉米害蟲的識別，基于機器視覺和卷積神經(jīng)網(wǎng)絡(luò)的識別方法是非常有效的，若再結(jié)合衛(wèi)星遙感、地理信息系統(tǒng)、頻譜分析等技術(shù)就能達(dá)到綜合防治的目的。

參考文獻(xiàn)：

[1]農(nóng)視網(wǎng). 2019年下半年玉米病蟲害發(fā)生趨勢預(yù)報[EB/OL]. （2019-07-30）[2019-08-10]. http：//www.ntv.cn/p/956814.html.

[2]Keagy P M，Schatzki T F. Machine recognition of weevil damage in wheat radiographs[J]. Cereal Chem，1993，70（6）：696-700.

[3]Boissard P，Martin V，Moisan S. A cognitive vision approach to early pest detection in greenhouse crops[J]. Computers and Electronics in Agriculture，2008，62（2）：81-93.

[4]徐小龍. 基于紅外熱成像技術(shù)的植物病害早期檢測的研究[D]. 杭州：浙江大學(xué)，2012.

[5]Wu D K，Xie C Y，Ma C W. The SVM classification leafminer-infected leaves based on fractal dimension[C]// IEEE Conference on Cybernetics and Intelligent Systems，2008：147-151.

[6]溫芝元，曹樂平. 基于為害狀色相多重分形的椪柑病蟲害圖像識別[J]. 農(nóng)業(yè)機械學(xué)報，2014，45（3）：262-267.

[7]桂?便，祝玉華，甄?彤. 卷積神經(jīng)網(wǎng)絡(luò)在儲糧害蟲圖像識別中的應(yīng)用研究[J]. 糧油食品科技，2018，26（6）：73-76.

[8]方?明，周?龍. 基于BP神經(jīng)網(wǎng)絡(luò)的儲糧害蟲分類識別研究[J]. 武漢工業(yè)學(xué)院學(xué)報，2009，28（4）：70-73.

[9]袁金麗，郭志濤，高金雍，等. 基于L-M神經(jīng)網(wǎng)絡(luò)的儲糧害蟲分類識別[J]. 農(nóng)業(yè)網(wǎng)絡(luò)信息，2007（6）：29-31，102.