楊英茹，吳華瑞，張燕，朱華吉，李瑜玲，田國英

(1. 石家莊市農(nóng)林科學研究院，石家莊市，050041； 2. 石家莊市農(nóng)業(yè)信息化技術創(chuàng)新中心，石家莊市，050041； 3. 國家農(nóng)業(yè)信息化工程技術研究中心，北京市，100097； 4. 北京農(nóng)業(yè)信息技術研究中心，北京市，100097)

0 引言

番茄作為重要的蔬菜作物，因其具有較好的食用性及較高的營養(yǎng)價值，被各國大面積種植。但番茄易感染多種病蟲害，嚴重影響番茄品質及產(chǎn)量，從而造成經(jīng)濟損失[1]。番茄病害種類較多且傳播較快，及時準確的病害識別有助于把握最佳防治期[2-3]。

植物病蟲害的無損檢測是近年來研究的重要課題[4]，利用機器視覺技術對病害類型辨別[5-6]及自動診斷[7-8]是當前研究的熱點。一般意義上講，圖像通常被解釋為顏色、紋理和形狀特征。其中，顏色作為主要特征可定義為矩、直方圖、對比度、均勻性、方差和熵等特征。馬超等[9]以田間開放環(huán)境下采集的水稻主要病害圖片為研究對象，提取病害HOG特征輸入支持向量機(SVM)對水稻病害進行檢測，通過人工選擇樣本病斑集和非病斑集訓練識別模型，對多種病斑檢測的綜合識別率為94%以上，病斑定位正確率為91.7%。劉翠翠等[10]以川麥冬葉部黑斑病、炭疽病、葉枯病3種病害為研究對象，采用k-means聚類分割技術分離出病斑，抽取病斑顏色特征、形狀特征和紋理特征構成46維特征向量，將主成分分析降維的特征輸入SVM進行病害識別，準確率達到94.4%。劉君等[11]研究提出采用CNN與傳統(tǒng)的HOG+SVM算法相結合的方法，將CNN抽取番茄葉部病害的淺層特征與抽取的HOG特征合并，利用SVM分類器對6種番茄病害和1組健康番茄進行分類，平均識別率達92.49%。王雪等[12]探索基于顏色和形狀特征的黃瓜霜霉病的自動識別，利用k近鄰法對樣本進行分類識別，識別率達到95%。郭小清等[13]為了提高基于數(shù)字圖像識別番茄葉部病害的準確率，適應不同分辨率條件下的應用需求，并滿足實踐拍攝條件的不確定性，對番茄三種病害進行識別，提取顏色特征和紋理特征組成7維特征向量，輸入用粒子群算法(PSO)優(yōu)化的SVM模型，識別率達90%。鄒永杰等[14]通過提取有病蟲害和無病蟲害的番茄樣本的HOG特征和LBP特征，然后結合SVM分類器進行番茄葉片病蟲害檢測，識別率達99.49%。張紅濤等[15]基于超綠特征的最大類間方差法分割出谷子病害葉片，提取葉片病害19維特征，包括：顏色、形態(tài)、紋理等特征，采用蟻群優(yōu)化算法選擇了8個特征，運用布谷鳥算法優(yōu)化支持向量機，對谷瘟病、白發(fā)病、紅葉病、銹病共4種谷子葉片病害進行識別，識別率達99%。

但大多數(shù)研究中病害圖像的背景相對簡單，而實際場景中所采集圖像通常同時存在枝、葉、土壤等復雜背景。而基于復雜背景下現(xiàn)場采集的圖像的病斑探測、自動提取需要高復雜度、高計算算法，無法滿足輕量實時平臺的應用要求。本文以溫室大棚內(nèi)采集的番茄葉部圖像作為研究對象，針對白粉病、早疫病和斑潛蠅三種常見番茄病蟲害，提出了一種結合顏色紋理特征的基于支持向量機的CCL-SVM方法，對復雜環(huán)境下番茄葉部圖像病蟲害進行識別。將原始番茄葉部病害圖像切割成子圖像，選取不包含背景的葉片子圖像作為試驗樣本，從而實現(xiàn)樣本數(shù)量和樣本多樣性的增加，并降低樣本復雜背景的影響。通過對子圖像數(shù)據(jù)抽取顏色紋理特征，采用CCL-SVM方法對番茄早疫病、白粉病、斑潛蠅和健康葉片分類識別。

1 材料與方法

1.1 圖像采集

本文中番茄病害圖像采集于北京市昌平區(qū)小湯山鎮(zhèn)國家精準農(nóng)業(yè)小湯山示范基地內(nèi)溫室番茄大棚，包括白粉病、早疫病和斑潛蠅等病蟲害，所采集圖像均為生長狀態(tài)及自然光照下番茄葉部圖像，如圖1所示。圖像采集時以能夠清晰拍攝番茄葉部病斑，且以葉片圖像最大化占據(jù)畫面主要原則，共195張原始病害葉部圖像，包括白粉病67張，早疫病63張和斑潛蠅65張。從圖1可以看出，圖片背景較為復雜，且存在一定的光照、拍照角度、拍照距離影響。

(a) 早疫病 (b) 白粉病 (c) 斑潛蠅

1.2 小樣本及復雜背景圖像識別預處理方法

由于農(nóng)業(yè)環(huán)境尤其是病害的發(fā)生具有季節(jié)性和隨機性的特點導致數(shù)據(jù)采集難度較大，目前普遍采樣對小樣本數(shù)據(jù)進行數(shù)據(jù)增強，典型的數(shù)據(jù)增強方法有翻轉、平移、縮放、色彩抖動、加噪聲等。另一方面，實際現(xiàn)場采集圖像數(shù)據(jù)背景復雜需對識別目標切割提取后識別，常見方法有超像素分割、語義分割等。本文根據(jù)番茄葉部病害的特點及結合未來移動終端或邊緣節(jié)點配置的需求，采用葉部子圖像生成及無背景子圖像數(shù)據(jù)庫構建方法，通過識別葉部子圖像病斑來判斷病害類別。該方法在增加了樣本數(shù)量的同時排除了背景的影響。預處理過程如下。

步驟1：滑動窗口切割生成子圖像：本文采集的圖像大小為4 224像素×5 632像素，為提高病斑的識別精度，子圖像尺寸及數(shù)據(jù)庫樣本圖像特性的合理設計至關重要。如果將滑動窗口大小和步長設置過小，則所包含病斑將失去典型特征；如果將滑動窗口大小和步長設置過大，則將包含過多病斑外信息且不利于樣本數(shù)量增加。通過試驗，本文所采用滑動窗口大小為640像素×480像素，橫向滑動步長為300像素，縱向滑動步長為250像素(圖2)。該滑動窗口將每一張原始圖像切割成255張子圖像，分別生成白粉病子圖像17 095張，早疫病子圖像16 065張，斑潛蠅子圖像 16 575 張。圖2(a)為復雜環(huán)境下所采集原始圖像，圖2(b)為采用滑動窗口切割后生子圖像，其中圖2(a)藍色方框為滑動窗口。

(a) 番茄早疫病原始圖像樣本 (b) 切割后的小尺寸圖

步驟2：無背景子圖像選?。簭那懈钌傻淖訄D像中選出含有早疫病、白粉病、斑潛蠅圖像，本文的訓練數(shù)據(jù)集共包括4類：早疫病(類1)、白粉病(類2)、斑潛蠅(類3)和健康葉(類4)。每一類樣本集各400張，共1 600張(400張/類×4類)，如圖3所示。

(a) 早疫病(類1) (b) 白粉病(類2)

1.3 顏色紋理特征提取

保證番茄病害識別準確性的關鍵在于病斑圖像特征的選取，針對番茄病害病斑不同特點選擇圖像特征，用于保證選取的病斑特征能最大程度區(qū)分三種病害。

番茄三種病害葉部病斑的特點如下[16]。

1) 早疫病病斑[16-17]：葉片初期呈褐色、黑色圓形或橢圓形的壞死小斑點，后擴展為近圓形病斑有邊緣深褐色、中央灰褐色的同心輪紋，葉片變黃干枯，天氣潮濕時，病斑上長有黑色霉。

2) 白粉病病斑[18]：發(fā)病初期葉片正面出現(xiàn)小型的放射狀白色霉點，后擴大成白色圓形粉斑，且白色粉狀物逐漸加密、擴大，嚴重時布滿全葉，葉片像被撒上一層面粉，后期使整葉變褐枯死。

3) 斑潛蠅病斑[19]：葉片上表皮出現(xiàn)典型蛇形蟲道，呈曲折蜿蜒的食痕，不規(guī)則線狀伸展，終端可明顯變寬，嚴重的潛痕密布，致葉片發(fā)黃、枯焦或脫離。

通過分析番茄葉部三種病害病斑的特點發(fā)現(xiàn)三個類之間顏色特征和紋理特征差異明顯，本文提取圖像的顏色特征包括顏色矩[20](Color Moments，CM)和顏色聚合向量[21](Color Coherence Vector，CCV)，局部二值模式統(tǒng)計直方圖(LBP)紋理特征[22]作為本文的識別特征。

1.3.1 顏色矩

圖4給出本文訓練數(shù)據(jù)的顏色矩的火柴桿圖。從圖4中可以看出顏色矩向量值主要集中在顏色分量一階矩中，且四個類的顏色矩特征差異明顯，可以作為分類特征。

(a) 早疫病(類1) (b) 白粉病(類2)

顏色矩[20]是由Stricker和Orengo提出的一種簡單有效的顏色特征，該方法以數(shù)學為基礎，將圖像中的顏色分布用其矩表示。由于顏色信息主要分布于低階矩中，所以用顏色一階矩(平均值Average)、顏色二階矩(方差Variance)和顏色三階矩(偏斜度Skewness)足以描述圖像的顏色分布。該方法的優(yōu)點在于不需要顏色空間量化，特征向量維數(shù)低，為了避免分辨能力低，通常與其他特征結合使用。三個顏色矩的數(shù)學定義

(1)

(2)

(3)

式中：Pi, j——彩色圖像第j個像素點的第i個顏色分量，i={r，g，b}；

N——圖像像素點個數(shù)；

μi——第i個顏色分量的一階矩；

σi——第i個顏色分量的二階矩；

si——第i個顏色分量的三階矩。

本文采用RGB三通道的顏色三階矩計算出9×維特征向量Frgb，分別為三個顏色分量R、G、B和每個分量上的三個低階矩。

Frgb=[μr,μg,μb,σr,σg,σb,sr,sg,sb]

(4)

式中：μr、μg、μb——三個顏色分量R、G、B的一階矩；

σr、σg、σb——三個顏色分量R、G、B的二階矩；

sr、sg、sb——三個顏色分量R、G、B的三階矩。

1.3.2 顏色聚合向量

圖5為本文訓練數(shù)據(jù)的顏色聚合向量的統(tǒng)計火柴桿圖，橫坐標中0～50為聚合向量量化級通道，51～100為非聚合向量量化級通道。從圖5可以看出，顏色聚合向量主要集中在0～30的顏色量化級通道，而顏色非聚合向量值主要集中在60～80的顏色量化級通道，且四個類的顏色聚合向量也能很清晰地體現(xiàn)四個類的類間差異。

(a) 早疫病(類1) (b) 白粉病(類2)

顏色聚合向量[21](Color Coherence Vector，CCV)是一種更復雜顏色直方圖，它將直方圖中每一個顏色簇劃分為聚合的(coherence pixels)或非聚合的(incoherence pixels)兩部分。它包含了顏色分布的空間信息，克服了顏色直方圖無法表達圖像色彩的空間位置的缺點。其核心思想是：通過計算量化后的彩色圖像的連通域將圖像中的像素分成兩部分，如果該區(qū)域內(nèi)的某些像素所占據(jù)的連續(xù)區(qū)域的面積大于給定的閾值，則該區(qū)域內(nèi)的像素作為聚合像素，否則作為非聚合像素。本文基于RGB三通道圖像計算顏色聚合向量，首先對RGB圖像進行3×3高斯平滑，去除噪聲，使得顏色聯(lián)通區(qū)域提取的效果更好；其次進行量化處理，將每個像素的像素值轉化到一個相對小一點的離散空間，以減少計算連通區(qū)域過程中的復雜度，本文采用一般的均勻量化，量化級數(shù)為50，即得到50個顏色區(qū)間bin；然后通過遍歷量化后的像素值矩陣劃分8連通區(qū)域，根據(jù)聚合像素閾值劃分聚合連通區(qū)域和非聚合聯(lián)通區(qū)域。通常聚合像素閾值取整幅圖像素數(shù)的1%，本文設置聚合像素閾值為1。圖像的聚合向量特征CCV可以用式(5)表示。

CCV=〈(?1,β1),…,(?k,βk),…,(?n,βn)〉

(5)

式中：k——顏色量化級通道數(shù)；

?k——顏色量化級通道k中聚合像素的個數(shù)；

βk——顏色量化級通道k中非聚合像素的個數(shù)。

本文n=50，CCV為50×2的矩陣，將CCV中的聚合向量和非聚合向量串聯(lián)起來組成本文的顏色聚合向量特征，維數(shù)為100×1。

1.3.3 旋轉不變自相關LBPs

LBP(Local binary pattern)最初設計為局部區(qū)域的紋理描述，稱為微模式，它由表示局部區(qū)域中心像素與其相鄰像素之間大小關系的二進制模式組成，并已經(jīng)擴展到基于LBP的各種類型的特征[22]。LBP直方圖(Local binary pattern histogram)是近年來圖像識別領域研究的熱點，其基本思想是將整個圖像表示為多個LBPs，每個LBP從圖像的局部區(qū)域提取。由于LBP只考慮中心和相鄰像素強度之間的大小關系，使得它具有對整個圖像強度均勻變化的不變性和對光照變化的魯棒性。本文采用Nosaka等[23]在2012年提出的RIC-LBP(Rotation Invariant Co-occurrence amaong Adgacent LBPs)特征，該特征在原始LBP[24]的基礎上通過引入旋轉等價類來獲得旋轉不變性，因此RIC-LBP具有旋轉不變性和高度的描述能力，參數(shù)設置為：LBP半徑s=1，2，4 pixels；LBP對間隔r=2，4，8 pixels。本文設置s=1 pixels，r=2 pixels，抽取的RIC-LBP特征維數(shù)為136×1。圖6為本文訓練數(shù)據(jù)的LBP特征的火柴桿圖。從圖6可以看出三個類的不同的LBP對的數(shù)量差異較大，表明提取的RIC-LBP特征具有較好的辨別能力。

(a) 早疫病(類1)

1.3.4 本文抽取的顏色紋理特征

本文融合顏色矩、顏色聚合向量、局部二值模式統(tǒng)計直方圖，構成顏色紋理特征。

圖7為本文訓練數(shù)據(jù)的顏色紋理特征的火柴桿圖，橫坐標0～50表示顏色聚合向量特征區(qū)間，51～100表示顏色非聚合向量特征區(qū)間，101～110表示顏色矩特征區(qū)間，111～245表示RIC-LBP特征區(qū)間。從顏色矩、顏色聚合向量和LBP特征融合圖7來看，將顏色紋理特征合并后，四個類的差異性更加明顯，區(qū)分度更高。

(a) 早疫病(類1) (b) 白粉病(類2)

1.4 復雜背景下病蟲害識別模型CCL-SVM

1.4.1 支持向量機SVM

支持向量機[25-26](Support Vector Machines，SVM)廣泛應用于模式識別，基本思想是引入幾何間隔最大化目標在樣本中找最優(yōu)分割線或最佳超平面將樣本分開，所以SVM算法是推導目標函數(shù)的最優(yōu)化問題。在優(yōu)化過程中，引入核函數(shù)將非線性特征由低維空間轉換到高維空間，通過kernel技巧將高維空間的內(nèi)積運算轉化為低維空間的內(nèi)積計算，很大程度上簡化了計算，并將支持向量機擴展到非線性問題。不同核函數(shù)的選擇決定將原始數(shù)據(jù)空間向不同的高維空間映射。常用SVM核函數(shù)包括多項式核(Polynomial)、徑向基函數(shù)(radial basis function, RBF)、線性核(linear)等。其中徑向基核函數(shù)(RBF)效果較好，被更廣泛地用在小樣本、非線性及高維數(shù)據(jù)的識別中。

SVM引入RBF需要選取兩個最優(yōu)參數(shù)：懲罰系數(shù)c和核參數(shù)g。其中參數(shù)c是支持向量機引入的松弛向量參數(shù)，即正則項系數(shù)，用于平滑經(jīng)驗風險和模型復雜度。當參數(shù)c較小時，分界面較平滑，而當c增加增大時，模型可以自由地選擇更多的支持向量來確保模型分類精確度；核參數(shù)g定義單個訓練樣本的影響大小，表征RBF核函數(shù)的寬度，參數(shù)g越大影響半徑越小，易出現(xiàn)過擬合(overfitting)，參數(shù)g越小影響半徑越大，易出現(xiàn)欠擬合(underfitting)。選取最優(yōu)參數(shù)c和g能使分類器有較高的分類精確率，由于選取參數(shù)c和g沒有一定的先驗知識，需要做參數(shù)搜索，但是即使在訓練數(shù)據(jù)上識別精度較高，也不能保證在測試集上具有較高的預測精度，所以通常采用交叉驗證方法提高預測精度。本文采用9-折交叉驗證(9-cross validation)方法搜索最佳模型參數(shù)c和核函數(shù)參數(shù)g。

1.4.2 識別模型CCL-SVM步驟

圖8為本文提出的復雜環(huán)境下番茄病害識別模型CCL-SVM訓練過程，步驟如下。

1) 復雜背景下番茄葉部病害(早疫病、白粉病、斑潛蠅)圖像采集。

2) 基于滑動窗口數(shù)據(jù)增強：(1)滑動窗口大小、步長設置及圖像遍歷、小區(qū)域圖像切割；(2)訓練樣本二次采樣：選取早疫病樣本、白粉病樣本、斑潛蠅樣本和健康葉樣本共4類高質量訓練樣本，每類400張，共 1 600 張(4類×400張)樣本。

3) 顏色紋理特征CCL(CM、CCV、LBP)提取融合，CCL=[CM，CCV，LBP]。

4) 訓練數(shù)據(jù)設置：將每一類平均分為10份，訓練集∶驗證集∶測試集=8∶1∶1。

5) 輸入RBF-SVM徑向基核函數(shù)分類器，基于9-折交叉驗證選取最優(yōu)參數(shù)c和g。

6) 基于RBF-SVM最優(yōu)參數(shù)c和g，計算訓練模型CCL-SVM。

圖8 CCL-SVM模型訓練過程

2 試驗和結果

2.1 試驗環(huán)境

本文試驗的運行平臺為Window10，處理器為Intel(R) Core(TM) i7-7700 CPU @ 3.60 GHz 3.60 GHz，RAM 8.0 GB。運行環(huán)境為：MATLAB R2015a。深度學習模型VGG和Alexnet的運行環(huán)境為：ubuntu 18.04，cuda 10.1，tensorflow-gup 1.4.0，acaconda3，JetBrains PyCharm Community Edition。

2.2 試驗數(shù)據(jù)設置

本文試驗數(shù)據(jù)由早疫病、白粉病、斑潛蠅和健康葉4類構成，每一類400張子圖片，共1 600張(400張×4類)子圖片。本文抽取的圖像特征包括：顏色矩(CM，長度為9)，顏色聚合向量(CCV，長度為100)，紋理LBP特征(LBP，長度為136)，合并顏色特征和紋理特征，本文抽取特征長度為245。設置訓練集∶驗證集∶測試集=8∶1∶1，采用9折交叉驗證訓練SVM模型及參數(shù)，最后一組作為測試集驗證算法的可行性。

2.3 試驗結果分析

通過9-折交叉驗證，得出訓練模型最優(yōu)參數(shù)懲罰因子c和最優(yōu)徑向核函數(shù)g，表1列出分類模型最優(yōu)參數(shù)及識別結果，其中t=2表明SVM模型選擇徑向基函數(shù)，基于顏色特征的CC-SVM分類模型的最優(yōu)參數(shù)c=45.254 8，g=0.25，測試集識別率為88.75%?；诩y理特征的LBP-SVM分類模型的最優(yōu)參數(shù)c=16，g=0.044 194，測試集識別率為93.75%。本文提出的CCL-SVM分類模型的最優(yōu)參數(shù)c=32，g=0.044 194，識別率為97.5%，比CC-SVM分類模型高出8.75個百分點，比LBP-SVM分類模型高出3.75個百分點。

表1 分類模型參數(shù)設置、特征及識別正確率Tab. 1 Parameter setting, feature and accuracy of classification models

圖9為基于不同特征的識別率混淆矩陣。從圖9(a) 基于顏色特征的識別率混淆矩陣可以看出，早疫病有4個被誤識別為白粉病，2個被誤識別為斑潛蠅，早疫病識別率為85%；白粉病有1個被誤識別為早疫病，2個被誤識別為健康葉，白粉病識別率為92.5%；斑潛蠅有2個被誤識別為早疫病，1個被誤識別為白粉病，斑潛蠅識別率為92.5%；健康葉有2個被誤識別為早疫病，4個被誤識別為白粉病，健康葉識別率為85%。上述結果表明單獨基于顏色特征的容易誤識別，這是因為當病斑占樣本圖像的面積較小時，綠色占主要顏色特征，其中白粉病和斑潛蠅主要顏色特征為白色，也容易發(fā)生混淆。從圖9(b)基于紋理LBP特征的識別率混淆矩陣可以看出，早疫病、白粉病和健康葉的識別率相同為92.5%，斑潛蠅識別率較高為97.5%，基于紋理LBP特征的每一類的識別都高于基于顏色特征的，誤識別除了白粉病類，其他三個類都低于基于顏色特征的，表明紋理LBP特征能較好的將四個類區(qū)分開。為了提高識別率，降低誤識別率，將顏色特征與紋理特征合并，從圖9(c)可以看出，早疫病識別率進一步提高，達100%，誤識別率降低為0；白粉病和健康葉比僅僅使用LBP特征提高了5個百分點，誤識別率同時降低了5個百分點；斑潛蠅的識別率相對于LBP特征降低了2.5個百分點，但比僅用顏色特征提高了2.5個百分點。

(a) 基于顏色特征 (b) 基于LBP特征 (c) 基于CCL特征

從圖9中三個混淆矩陣中四個類的誤識別率的變化可以看出：早疫病的誤識別率，從基于顏色特征的15%降低到LBP特征的7.5%，到顏色紋理特征結合誤識別降低為0；白粉病的誤識別率，基于顏色特征和基于LBP特征的誤識別率都為7.5%，顏色紋理特征結合，誤識別率降低到2.5%，下降5個百分點；斑潛蠅的誤識別率從基于顏色特征的7.5%降低到基于LBP特征的2.5%，顏色紋理特征結合，誤識別率又上升了2.5個百分點，但誤識別率5%低于基于顏色特征的7.5%，說明顏色特征結合紋理特征，可以降低誤識別率；健康葉誤識別率從基于顏色的15%降低到基于LBP特征的7.5%，顏色紋理特征結合，誤識別率又降低了5個百分點。

從識別率變化和誤識別的變化來看，基于顏色紋理特征的CCL-SVM識別模型識別率較高，誤識別率較低，表明本文提出的顏色紋理特征CCL對本文目標類有較好的區(qū)分能力。

2.4 與其他模型對比

將本文提出的CCL-SVM方法與SVM方法、深度學習模型VGG16及Alexnet網(wǎng)絡(基礎型)進行對比，對比結果如表2所示。深度學習模型輸入統(tǒng)一為RGB圖像，訓練集樣本遍歷一次為一次迭代epoch，VGG16輸入圖像尺寸設置為224×224×3，選取學習率(Learning_rate)為0.001，批尺寸(batch_size)為8，當epoch為240時，損失函數(shù)從快速下降狀態(tài)趨于維持在一個較低的水平，說明模型達到收斂，此時識別率為92.5%。AlexNet輸入圖像尺寸227×227×3，學習率(Learning_rate)為0.001，批尺寸(batch_size)為30，當epoch為54時，識別率達到96.67%。從表2可以看出，本文提出的CCL-SVM方法識別準確率顯著高于Gray-SVM方法，且高于深度學習模型VGG16和Alexnet網(wǎng)絡。從訓練時間和單張平均測試時間上看，CCL-SVM模型訓練時間和單張平均測試時間遠低于深度學習模型。

表2 不同識別模型對比Tab. 2 Comparison of different recognition models

3 結論

1) 復雜背景下番茄葉部病蟲害的快速識別對番茄及時診斷和防治具有重要意義。為了快速識別復雜背景下番茄葉部病蟲害，本文提出了基于滑動窗口的樣本生成方法，從而增加了樣本的數(shù)量和多樣性，并降低了樣本的復雜背景的影響；根據(jù)生成樣本的特點設計了具有較好區(qū)分能力的顏色紋理特征CCL，將CCL特征輸入徑向基支持向量機SVM中對生成樣本進行CCL-SVM模型訓練和分類。

2) 為了驗證本文方法的有效性，本文在實際復雜環(huán)境下采集早疫病、白粉病、斑潛蠅和健康葉圖像進行試驗測試，分別訓練CC-SVM、LBP-SVM和CCL-SVM模型，得出各個訓練模型在最優(yōu)參數(shù)懲罰因子c和最優(yōu)徑向核函數(shù)g下的最優(yōu)識別率，分別為88.75%、93.75%和97.5%，本文提出的CCL-SVM方法識別率最高。同時與深度模型VGG16和AlexNet進行比較，本文提出的CCL-SVM方法的識別率高于VGG16和AlexNet，且本文CCL-SVM方法在訓練時間和測試時間上也占有較大優(yōu)勢，遠低于VGG16和Alexnet。

3) 本文提出的CCL-SVM方法識別率高，計算時間較快，對設備要求較低，為移動終端及邊緣計算節(jié)點等低端配置系統(tǒng)在復雜背景下病蟲害識別應用提供一種新的思路與方法。