摘要：植物病害識(shí)別是植物病害防控中必不可少的環(huán)節(jié)和前提條件，研發(fā)高精度的病害識(shí)別技術(shù)已成為病害高效防控中的迫切需求。植物病害圖像識(shí)別的研究始于20世紀(jì)80年代，在農(nóng)業(yè)生產(chǎn)和植物保護(hù)方面發(fā)揮著重要作用，及時(shí)、精確地識(shí)別植物病害可以幫助人們鑒別病害種類，并采取相應(yīng)的防治措施，減輕病害對(duì)農(nóng)作物產(chǎn)量和質(zhì)量的不良影響。本文在整理和總結(jié)現(xiàn)有國內(nèi)外研究文獻(xiàn)的基礎(chǔ)上，從圖像分割、特征提取、分類識(shí)別3個(gè)方面重點(diǎn)梳理植物病害圖像識(shí)別技術(shù)。目前關(guān)于植物病害圖像分割的方法主要從基于閾值、聚類、邊緣和深度學(xué)習(xí)等技術(shù)進(jìn)行分類，可分為固定閾值法和自適應(yīng)閾值法。固定閾值法是人工根據(jù)目標(biāo)和背景像素直方圖的差異嘗試不同的值，并選擇適宜閾值以實(shí)現(xiàn)圖像分割。自適應(yīng)閾值法是基于固定閾值分割的原理，根據(jù)特定的規(guī)則借助計(jì)算機(jī)自動(dòng)迭代獲得閾值，最常用的是最大類間方差法（Otsu法），而基于綜合粒子群算法（GCLPSO）的閾值分割法的分割效果優(yōu)于其他同類算法，具有較好的收斂性和穩(wěn)定性。在植物病害識(shí)別研究中，特征提取和分類識(shí)別是影響識(shí)別率的關(guān)鍵因素。特征提取即描述屬性，獲得病害信息，找出最有用的辨別特征。分類識(shí)別是在圖像分割和特征提取的基礎(chǔ)上，通過構(gòu)建分類器實(shí)現(xiàn)病害的準(zhǔn)確識(shí)別。將遷移學(xué)習(xí)、輕量型網(wǎng)絡(luò)等方法運(yùn)用到植物病害識(shí)別，研究設(shè)計(jì)出高識(shí)別精度的網(wǎng)絡(luò)模型將會(huì)是智慧植保的未來發(fā)展方向。基于圖像的植物病害識(shí)別能夠?yàn)椴『ΡO(jiān)測(cè)和病害防控提供更加科學(xué)、智能的支持，對(duì)全球糧食生產(chǎn)和農(nóng)業(yè)可持續(xù)發(fā)展都具有重要意義。

關(guān)鍵詞：植物病害；圖像分割；特征提取；病害識(shí)別

中圖分類號(hào)：S126；TP391.4 文獻(xiàn)標(biāo)志碼：A

Research Progress in Image-based Plant Disease Identification

YU Min1， Li FengBing1， ZHU GuangHu1， SONG XiuPeng2， WANG ZePing2，ZHANG XiaoQiu2， LEI JingChao2， HUANG HaiRong2， HUANG WeiHua2，

CHEN XiaoHang3， HUANG DongMei2， LI QiuFang2， YAN MeiXin2*

（1 College of Mathematics and Computer Science， Guilin University of Electronic Technology， Guilin， Guangxi 541004， China; 2 Sugarcane Research Institute， Guangxi" Academy of Agricultural Sciences/Key Laboratory of Sugarcane Biotechnology and Genetic Improvement of the Ministry of Agriculture（Guangxi）/Guangxi Key Laboratory of Sugarcane Genetic Improvement， Nanning， Guangxi 530007， China; 3 Baise Agricultural Science Research Institute， Baise， Guangxi 533612， China）

Abstract： Plant disease identification is an essential link and prerequisite in plant disease prevention and control， and the development of high-precision disease identification technology has become an urgent requirement in efficient disease prevention and control. Plant disease image identification research began in the 1980s， which plays a crucial role in agricultural production and plant protection. Timely and accurately identification of plant diseases can assist in distinguishing disease types and implementing corresponding preventive measures， thereby alleviating the adverse effects of diseases on crop yield and quality. Based on the compilation and summary of existing domestic and international research literature， this article focused on plant disease image identification technology from three aspects： image segmentation， feature extraction， and classification identification. It also provided an outlook on the future development of plant disease identification. At present， the methods of image segmentation of plant diseases are mainly based on threshold， clustering， edge and deep learning techniques， which can be divided into fixed threshold method and adaptive threshold method. The fixed threshold method is to manually try different values based on the difference between the target and the background pixel histogram， and select the appropriate threshold value to achieve image segmentation. Adaptive threshold method is based on the principle of fixed threshold segmentation. According to specific rules， the threshold is obtained by automatic iteration of computer. The most common one is the maximum inter-class variance method （Otsu method）， while the segmentation effect of the threshold segmentation method based on GCLPSO is better than that of other similar algorithms， with good convergence and stability. In the plant disease identification research， feature extraction and classification identification are the key factors affecting the identification rate. Feature extraction is to describe the attributes， obtain the disease information， and find out the most useful discrimination features. Classification recognition is based on image segmentation and feature extraction， through the construction of classifiers. The future development direction of intelligent plant protection is to apply the methods of transfer learning and lightweight network to plant disease identification， and to study and design a network model with high identification accuracy. Image-based plant disease identification could offer more scientific and intelligent support for disease monitoring and prevention， holding significant importance for global food production and sustainable agricultural development.

Keywords： Plant disease; image segmentation; feature extraction; disease identification

植物病害給全球農(nóng)業(yè)生產(chǎn)帶來巨大威脅，使作物產(chǎn)量損失20%～40%。據(jù)聯(lián)合國糧農(nóng)組織預(yù)測(cè)，僅植物病害一項(xiàng)每年就給全球經(jīng)濟(jì)造成約2200億美元損失（THAKUR et al.， 2022；BALAFAS et al.， 2023）。當(dāng)植物出現(xiàn)病癥時(shí)，人們需要對(duì)該病害進(jìn)行鑒別，對(duì)癥下藥防治病害，以提高作物產(chǎn)量。然而，病害鑒別需要專業(yè)性比較強(qiáng)的技術(shù)人員，經(jīng)過繁瑣的鑒定程序和過程，往往貽誤了最佳病害防治時(shí)期，此時(shí)防治效果差，甚至沒有效果。如果不經(jīng)過病害鑒別直接用藥，易造成農(nóng)藥亂用和濫用，不僅對(duì)病害防治無效，還會(huì)污染土地和地下水，甚至?xí)?duì)人體健康產(chǎn)生危害。因此及時(shí)識(shí)別植物病害有利于快速制定防治策略，實(shí)現(xiàn)精準(zhǔn)施藥，從而實(shí)現(xiàn)病害有效防治和保護(hù)生態(tài)環(huán)境。植物病害識(shí)別是植物病害防控中必不可少的環(huán)節(jié)和前提條件，研發(fā)高精度的病害識(shí)別技術(shù)已成為病害高效防控中的迫切要求。基于計(jì)算機(jī)圖像處理的植物病害識(shí)別技術(shù)研究始于20世紀(jì)80年代（張明，2018），通過使用圖像處理等技術(shù)能夠迅速準(zhǔn)確地檢測(cè)植物組織中微小的異常變化，提前發(fā)現(xiàn)植物中潛在病害及準(zhǔn)確識(shí)別病害。其一般步驟包括圖像采集、圖像預(yù)處理、圖像分割、特征提取、分類識(shí)別等，首先采集罹病植物的葉片、莖部、根部等癥狀圖像，根據(jù)實(shí)際情況對(duì)圖像使用縮放、平滑等預(yù)處理技術(shù)，再通過分割算法從處理好的圖像中獲得所需病變區(qū)域，提取病變區(qū)域的特征輸入至構(gòu)建的分類器中進(jìn)行訓(xùn)練，實(shí)現(xiàn)植物病害的分類識(shí)別。其中圖像分割、特征提取和分類識(shí)別對(duì)病害識(shí)別準(zhǔn)確率的影響較大，更是植物病害識(shí)別技術(shù)關(guān)注的研究熱點(diǎn)。基于數(shù)字圖像處理的病害識(shí)別結(jié)果，本文從圖像分割、特征提取和分類識(shí)別3個(gè)方面梳理了近年來涉及識(shí)別的研究技術(shù)。

1 圖像分割

圖像分割是后續(xù)對(duì)圖像進(jìn)行識(shí)別、理解的基礎(chǔ)，分割的質(zhì)量決定著圖像最終的識(shí)別結(jié)果。圖像分割是將圖像分成互不相交的多個(gè)部分，使得同一區(qū)域的特征具有相似性、不同區(qū)域間特征存在較大差異，進(jìn)而從圖像中得到感興趣的部分。目前關(guān)于植物病害圖像分割的方法主要從基于閾值、聚類、邊緣和深度學(xué)習(xí)等技術(shù)進(jìn)行分類（周莉莉和姜楓，2017）。

1.1 基于閾值的圖像分割方法

基于閾值的圖像分割方法作為一種經(jīng)典方法，其基本原理是設(shè)定不同的灰度閾值作為分界線，將圖像像素劃分為多個(gè)區(qū)域。此分割法的關(guān)鍵在于確定恰當(dāng)?shù)幕叶乳撝?，閾值?yōu)劣直接影響后續(xù)的病害識(shí)別精度，根據(jù)確定閾值方法不同，可分為固定閾值法和自適應(yīng)閾值法。

固定閾值法是人工根據(jù)目標(biāo)和背景像素直方圖的差異嘗試不同的值，并選擇適宜閾值以實(shí)現(xiàn)圖像分割。張靜和王雙喜（2007）將病害葉片分為4個(gè)區(qū)域，利用雙峰最明顯的B通道直方圖選取4個(gè)不同閾值，最終分割出完整的霜霉病和炭疽病病斑區(qū)域。趙進(jìn)輝等（2008）選擇用2G-R-B、2R-G-B和面積閾值分割甘蔗苗期赤腐病和環(huán)斑病圖像，所選閾值能夠較好地將赤腐病和環(huán)斑病病斑分割出來，正確率分別達(dá)到95%和93%。固定閾值法的操作過程比較簡單，但需要根據(jù)自身積累的分割經(jīng)驗(yàn)對(duì)閾值進(jìn)行反復(fù)嘗試，進(jìn)而確定最佳分割閾值。而自適應(yīng)閾值法是基于固定閾值分割的原理，根據(jù)特定的規(guī)則借助計(jì)算機(jī)自動(dòng)迭代獲得閾值。最常用的是最大類間方差法（Otsu法），該方法通過設(shè)定閾值，將圖像劃分為前景和背景，計(jì)算兩個(gè)類的最大類間方差值，使前景與背景之間的差異達(dá)到最大，此閾值確定為最佳閾值（束美艷等，2021）。張晴晴等（2017）利用雙峰法從背景中分割出黃瓜葉片，再對(duì)葉片的紅色分量圖像分別采用Otsu法和邊緣檢測(cè)法提取病害部位。結(jié)果表明，Otsu法的分割速度快，分割效果優(yōu)于邊緣檢測(cè)法。張會(huì)敏等（2017）利用邊緣檢測(cè)法提取辣椒葉病斑的邊緣點(diǎn)，結(jié)合Otsu法在邊緣點(diǎn)中搜索最佳分割閾值，建立基于WT-Otsu算法并獲得病害葉片圖像的有效分割。劉小川等（2009）將模糊理論和閾值分割相結(jié)合，提出一種自適應(yīng)模糊閾值分割法，通過直方圖變換改變?cè)贾狈綀D的峰谷，準(zhǔn)確地描述病斑塊的相鄰信息，再利用所提算法分割植物葉片黑腐病病斑，獲得的分割效果是具有魯棒性的。刁智華等（2018）提出一種改進(jìn)的最大類間方差比閾值分割法，將類間方差與類內(nèi)方差比值的最大值作為最佳閾值，在增強(qiáng)圖像邊緣的基礎(chǔ)上進(jìn)行閾值分割。相比于傳統(tǒng)固定閾值分割算法，改進(jìn)算法的分割準(zhǔn)確率和運(yùn)行時(shí)間都有所提升。CHEN等（2021）為了解決Otsu分割法存在的噪聲干擾和過度分割的缺點(diǎn)，采用非局部均值濾波二維直方圖消除圖像中的噪聲，利用改進(jìn)的綜合粒子群算法（GCLPSO）搜尋最優(yōu)閾值對(duì)玉米葉斑病、灰斑病、銹病3種病害圖像進(jìn)行閾值分割。從3種玉米葉病害圖像的分割結(jié)果看出，基于GCLPSO的閾值分割法的分割效果優(yōu)于其他同類算法，具有較好的收斂性和穩(wěn)定性。

1.2 基于聚類的圖像分割方法

聚類是依據(jù)對(duì)象特性，將其分成多個(gè)類，使得同一類的對(duì)象之間相似性最大，而不同類的對(duì)象之間差異最大。聚類在圖像分割中的應(yīng)用原理是將圖像中相似的像素聚類起來構(gòu)成一個(gè)區(qū)域，反復(fù)迭代聚類結(jié)果至收斂，將圖像像素點(diǎn)聚集成不同類別，從而完成圖像分割。常用的聚類分割算法是k均值聚類算法和模糊C均值聚類算法。

K均值聚類算法（K-means）的核心思想是得到K個(gè)聚類中心，使每一個(gè)像素點(diǎn)與其最近的聚類中心的平方距離和最小化，算法的關(guān)鍵在于需要事先確定類的數(shù)目并隨機(jī)確定各類的初始聚類中心。王昌龍等（2021）事先設(shè)定聚類數(shù)為3，輸入的南瓜葉片圖像經(jīng)過K-means聚類分割后，按照特征分為正常葉片、花朵和病斑3個(gè)部分。K-means聚類算法計(jì)算簡單、效率高，但在確定聚類數(shù)量K和初始聚類中心時(shí)存在一定的隨機(jī)性，其通常由研究者的先驗(yàn)知識(shí)決定，不同初始輸入值獲得的聚類結(jié)果之間存在一定偏差。若所選初始聚類中心的分類與全局最優(yōu)分類間相差太大，則可能使算法陷入局部最優(yōu)值（WANG et al.，2018）。為了克服K-means算法的缺點(diǎn)，許多研究者都在嘗試新方法或?qū)λ惴ㄟM(jìn)行改進(jìn)。龔瑞昆和劉佳（2021）在Lab顏色空間的色道直方圖中搜尋波峰以確定初始聚類中心點(diǎn)的位置、數(shù)量，并用馬氏距離度量距離，對(duì)K-means聚類算法進(jìn)行改進(jìn)。結(jié)果表明，改進(jìn)K-means算法能實(shí)現(xiàn)玉米葉部病害圖像的快速準(zhǔn)確分割。YU等（2021）采用窮舉蠻力搜索的方法，確定聚類數(shù)量K=32時(shí)，使用K-means算法對(duì)玉米葉斑病、銹病和灰斑病圖像進(jìn)行聚類分割的效果最顯著。SHEDTHI等（2023）提出一種用于優(yōu)化植物病害圖像分割的混合聚類（遺傳算法+K-means）算法，根據(jù)DBI值選擇最佳簇?cái)?shù)，使用遺傳算法計(jì)算最優(yōu)聚類質(zhì)心。與傳統(tǒng)的K-means算法相比，該算法能夠自動(dòng)選擇聚類的數(shù)量，并為聚類提供全局最優(yōu)解，解決了K-means算法的局部最小問題。

模糊C均值聚類算法（FCM）是K均值聚類算法的推廣，是一種軟聚類，它允許單個(gè)數(shù)據(jù)屬于兩個(gè)或多個(gè)聚類，能夠消除灰度圖像中的不確定性和模糊性（楊潤玲和高新波，2007；楊紅亞等，2018）。該算法的基本原理是根據(jù)植物病害圖像中像素點(diǎn)與C個(gè)聚類中心的加權(quán)相似度，對(duì)目標(biāo)函數(shù)不斷迭代直至最小，確定像素點(diǎn)劃分為某一類別的最佳分割度。田有文等（2016）采用迭代式閾值法從圖像中分割出黃瓜葉片，再采用模糊C均值聚類算法從葉片上分割出病斑。其分割結(jié)果顯示，利用顏色特征和模糊Ｃ均值聚類算法可以很好地分割出病斑區(qū)域。傳統(tǒng)的FCM算法只利用特征空間中樣本的同一性，沒有聯(lián)合使用樣本鄰域特性，致使圖像噪聲和灰度不均勻性對(duì)聚類過程造成干擾。為克服模糊Ｃ均值聚類算法對(duì)像素空間信息利用不足的問題，提高算法的噪聲濾波能力，學(xué)者們對(duì)FCM進(jìn)行不同改進(jìn)。BAI等（2017）將鄰域灰度信息引入模糊C均值聚類算法，計(jì)算給定像素點(diǎn)的鄰域平均灰度值，與像素灰度值組成一個(gè)以像素灰度作為樣本點(diǎn)的二維矢量，再計(jì)算鄰域均值灰度值和像素灰度值的加權(quán)值，對(duì)黃瓜葉斑點(diǎn)邊緣進(jìn)行細(xì)化分割，平均分割誤差為0.12%，取得較好的分割效果。曹曉麗等（2018）將像素點(diǎn)的局部空間信息與灰度信息相乘，利用獲得的乘積值度量像素點(diǎn)的相似程度，使用改進(jìn)模糊C均值聚類算法對(duì)黃瓜病害葉片圖像進(jìn)行分割。與雙閾值分割和改進(jìn)前FCM相比，該算法的分割正確率高達(dá)97.81%。

隨著分割任務(wù)需求復(fù)雜化，聚類分割技術(shù)也在不斷地發(fā)展，開始與群體智能等理論相結(jié)合。ZHOU等（2019）通過最大最小距離算法確定聚類類別值K，利用混沌理論改進(jìn)的動(dòng)態(tài)種群螢火蟲算法對(duì)聚類中心進(jìn)行優(yōu)化，克服了傳統(tǒng)K-means算法容易陷入局部最優(yōu)的缺點(diǎn)，獲得更快的收斂速度，所提出的FCM-KM算法平均聚類分割精度比經(jīng)典K-means算法提高7.73%。PRAVIN等（2021）在預(yù)測(cè)葉片病害時(shí)，首先使用高斯混合模型對(duì)輸入圖像進(jìn)行背景減法，再將粒子群智能引入模糊聚類算法，提高聚類收斂速度和全局尋優(yōu)能力，實(shí)現(xiàn)植物病變部位的精準(zhǔn)分割。UMAMAGESWARI等（2023）針對(duì)FCM算法處理復(fù)雜葉片病害圖像會(huì)陷入局部極小值的不足，將變色龍群算法與模糊C均值聚類算法相結(jié)合以達(dá)到優(yōu)化分割精度的目的。

1.3 基于邊緣檢測(cè)的圖像分割方法

基于邊緣檢測(cè)的分割方法是借助邊緣檢測(cè)算子提取不同區(qū)域的邊緣來實(shí)現(xiàn)圖像分割，邊緣一般是指圖像中局部特征有強(qiáng)烈變化的地方，如灰度、顏色等特征（濮永仙，2014），通常出現(xiàn)在目標(biāo)與目標(biāo)、目標(biāo)與背景之間。由于圖像像素灰度值的變化可以間接反映到圖像灰度分布的梯度上，所以能對(duì)局部圖像進(jìn)行差分或微分運(yùn)算獲得邊緣檢測(cè)算子，常用的邊緣檢測(cè)算子有Canny算子、Prewitt算子、Sobel算子等。夏永泉等（2015）在傳統(tǒng)Canny算子的基礎(chǔ)上增加兩個(gè)斜方向梯度信息，使邊緣圖像線條在間斷處得以連接，并去除偽邊緣，最終獲得比較精確的病變區(qū)域邊緣。YUSOFF等（2018）提出一種基于FPGA實(shí)現(xiàn)Sobel算法檢測(cè)橡樹葉片病害的方法，使用豎直邊和水平邊2種Sobel算子計(jì)算圖像中每個(gè)像素位置的梯度，該方法可以實(shí)現(xiàn)實(shí)時(shí)邊緣檢測(cè)，生成邊緣檢測(cè)圖像只需要14.654 ns。TANGTISANON等（2020）為了能夠根據(jù)葉片形狀檢測(cè)圣羅勒（Ocimum basilicum L.）是否感染卷葉病，采用Canny模型和Sobel模型的邊緣檢測(cè)算法，以彩色和灰度圖像作為模型輸入，進(jìn)而提取圖像特征。結(jié)果表明，由于傳統(tǒng)的Canny邊緣檢測(cè)無法處理彩色圖像，在灰度圖像和彩色圖像的輸出上，提取的特征是相同的。因此，Canny模型比Sobel模型處理時(shí)間短，灰度圖像比彩色圖像使用更少的處理時(shí)間。巨志勇等（2020）利用改進(jìn)的自適應(yīng)閾值Prewitt算子對(duì)石榴病斑進(jìn)行邊緣檢測(cè)，與傳統(tǒng)固定閾值Prewitt邊緣檢測(cè)相比，改進(jìn)后的算子有著更強(qiáng)的抗噪聲性能，能夠獲得流暢均勻的邊緣，適應(yīng)性較強(qiáng)，可以檢測(cè)出石榴病斑的實(shí)際形狀。ZENG等（2023）為解決水稻葉片圖像中的噪聲和邊緣細(xì)節(jié)不清晰的問題，將傳統(tǒng)Canny算子中使用的圖像梯度替換為引力場(chǎng)強(qiáng)度，并基于標(biāo)準(zhǔn)差進(jìn)行自適應(yīng)閾值選擇，改進(jìn)的Canny算法可以有效地增強(qiáng)邊緣細(xì)節(jié)和抑制噪聲。

當(dāng)圖像區(qū)域的灰度值有較大的差異時(shí)，邊緣檢測(cè)的分割效果較好，但其分割效果的優(yōu)劣取決于所使用的邊緣檢測(cè)算子，對(duì)噪聲比較敏感。面對(duì)背景復(fù)雜、邊緣模糊或有多個(gè)邊緣的病害圖像時(shí)，該算法的分割效果不太理想。使用算子進(jìn)行分割是基于灰度梯度的變化，易受圖像亮度、對(duì)比度等因素的影響，而相位一致性是利用相位信息對(duì)圖像進(jìn)行檢測(cè)，具有更好的抗噪聲能力。宋麗娟（2018）應(yīng)用基于相位的方法獲得病害圖像的邊緣，特征點(diǎn)選擇傅里葉分量相位一致性的點(diǎn)，該方法不僅檢測(cè)到單像素寬的邊緣，還能夠避免受外部因素的影響。

1.4 基于深度學(xué)習(xí)的圖像分割方法

利用深度學(xué)習(xí)進(jìn)行圖像分割的基本原理是利用構(gòu)建的神經(jīng)網(wǎng)絡(luò)對(duì)圖像數(shù)據(jù)進(jìn)行多次訓(xùn)練以求達(dá)到分割效果。圖像分割領(lǐng)域常見的神經(jīng)網(wǎng)絡(luò)有FCN網(wǎng)絡(luò)、U-Net網(wǎng)絡(luò)、Deeplab v3+網(wǎng)絡(luò)和Mask R-CNN等。全卷積神經(jīng)網(wǎng)絡(luò)（FCN）的語義分割是第一個(gè)基于深度學(xué)習(xí)的通用分割模型，實(shí)現(xiàn)了端到端的圖像分割。胡靜等（2018）設(shè)計(jì)了一種基于FCN的植物葉片圖像分割方法，將用于分割的Softmax多類目標(biāo)函數(shù)替換為對(duì)數(shù)邏輯函數(shù)，引入批歸一化技術(shù)，在Leafsnap數(shù)據(jù)庫上測(cè)試該方法的分割性能，與基于顏色的分割方法相比，所提方法能夠更完整地分割植物葉片圖像。HUANG等（2023）為減少復(fù)雜背景對(duì)作物病害圖像識(shí)別的影響，采用基于VGG-16模型的FCN算法對(duì)目標(biāo)作物圖像進(jìn)行分割。在采集的南方番茄葉片數(shù)據(jù)集上測(cè)試了不同分割方法的分割效果，F(xiàn)CN-8s算法分割單張圖像的時(shí)間較長，但平均像素精度MPA和平均交并比MIoU值最大，說明此分割方法優(yōu)于Otsu、SVM和CRF方法。U-Net網(wǎng)絡(luò)是基于FCN網(wǎng)絡(luò)的一種改進(jìn)網(wǎng)絡(luò)，添加跳層連接以保留更多局部信息，具有小樣本學(xué)習(xí)的優(yōu)勢(shì)。王雪等（2020）為解決下采樣時(shí)容易丟失空間上下文信息，在U-Net網(wǎng)絡(luò)中添加編碼器、多尺度特征提取、解碼器進(jìn)行改進(jìn)，實(shí)現(xiàn)了玉米大斑病和小斑病病斑區(qū)域的精準(zhǔn)分割。王翔宇等（2021）使用U-Net網(wǎng)絡(luò)對(duì)已標(biāo)定的黃瓜褐斑病圖像樣本進(jìn)行學(xué)習(xí)訓(xùn)練，建立分割模型，通過較少的樣本對(duì)模型進(jìn)行測(cè)試，獲得了較高的分割準(zhǔn)確率。根據(jù)黃瓜褐斑病的分割結(jié)果，發(fā)現(xiàn)該模型不僅適用于發(fā)病初期，對(duì)發(fā)病中后期病斑也能實(shí)現(xiàn)準(zhǔn)確分割。ABINAYA等（2023）提出一種混合CAAR-UNet模型，在分割模塊中集成了對(duì)稱自編碼器和注意殘差U-Net結(jié)構(gòu)，能從輸入圖像中學(xué)習(xí)潛在有用特征并關(guān)注重要區(qū)域，提高模型的分割精度，該模型在噪聲和低質(zhì)量圖像上也表現(xiàn)出魯棒性。Deeplab v3+是深度學(xué)習(xí)語義分割模型DeepLab的最新版本，采用了空間金字塔池化模塊，能夠在多尺度下獲取圖像的語義特征信息，提高分割的準(zhǔn)確率。閆靖昆等（2021）基于數(shù)據(jù)遷移運(yùn)用DeepLabv3+模型與K均值聚類算法相結(jié)合的兩階段分割算法從復(fù)雜背景中提取病葉和病斑簇，棉花病葉和黃萎病病斑的分割綜合指標(biāo)值分別為98.87%和87.29%。YUAN等（2022）提出了一種改進(jìn)的DeepLab v3+深度學(xué)習(xí)網(wǎng)絡(luò)，用于葡萄葉片黑腐斑的分割，在Plant Village和果園田間環(huán)境的兩個(gè)測(cè)試集進(jìn)行實(shí)驗(yàn)，改進(jìn)后的DeepLab v3+在所有評(píng)估指標(biāo)上的表現(xiàn)都優(yōu)于PSPNet、U-net和改進(jìn)前的DeepLab v3+，并且改進(jìn)后的模型可應(yīng)用于實(shí)際生產(chǎn)環(huán)境中葡萄黑腐斑的分割。Mask R-CNN是對(duì)Faster R-CNN的改進(jìn)，在語義分割的基礎(chǔ)上完成實(shí)例分割。AFZAAL等（2021）提出一種基于Mask R-CNN架構(gòu)的優(yōu)化模型，選用優(yōu)于ResNet50性能的ResNet101作為骨干網(wǎng)絡(luò)，對(duì)2500張7種不同類型的草莓病害進(jìn)行有效的實(shí)例分割，平均精度達(dá)到82.43%。

2 特征提取與分類識(shí)別

在植物病害識(shí)別研究中，特征提取和分類識(shí)別是影響識(shí)別率的關(guān)鍵因素。在對(duì)原始圖像進(jìn)行預(yù)處理和分割后，還需要描述病斑區(qū)域?qū)傩裕瑢⒎指顓^(qū)域所包含的信息轉(zhuǎn)換成計(jì)算機(jī)易于理解的值，以便后續(xù)進(jìn)行判斷和分類。描述屬性的過程就是特征提取，獲得病害信息，找出最有用的辨別特征。分類識(shí)別是在圖像分割和特征提取的基礎(chǔ)上，通過構(gòu)建分類器實(shí)現(xiàn)病害的準(zhǔn)確識(shí)別。植物病害特征提取與識(shí)別技術(shù)包括基于機(jī)器學(xué)習(xí)和深度學(xué)習(xí)。

2.1 基于機(jī)器學(xué)習(xí)的特征提取與分類

基于機(jī)器學(xué)習(xí)的植物病害特征提取與識(shí)別，是使用機(jī)器學(xué)習(xí)算法和計(jì)算機(jī)視覺技術(shù)，根據(jù)需求和先驗(yàn)知識(shí)提取合適的特征，包括圖像顏色、形狀、紋理等特征，結(jié)合支持向量機(jī)、隨機(jī)森林、BP神經(jīng)網(wǎng)絡(luò)等分類器，實(shí)現(xiàn)植物病害識(shí)別。李鑫星等（2019）提取黃瓜葉片病斑的5個(gè)形狀特征參數(shù)、4個(gè)紋理特征參數(shù)和6個(gè)顏色特征參數(shù)，比較模糊聚類、SVM和BP神經(jīng)網(wǎng)絡(luò)3種病害識(shí)別模型，發(fā)現(xiàn)基于SVM的識(shí)別模型獲得最佳識(shí)別效果，且消耗時(shí)間最短。龔瑞昆和劉佳（2021b）采用典型相關(guān)分析進(jìn)行特征融合，用較少的互不相關(guān)的特征量代表原有特征量，再使用支持向量機(jī)對(duì)玉米病害進(jìn)行分類識(shí)別，其識(shí)別精度優(yōu)于特征量串聯(lián)融合，平均識(shí)別率為93.1%。張鑠等（2021）基于Lab顏色空間分割病斑，再提取病斑的同質(zhì)性、能量、對(duì)比度等13個(gè)紋理特征作為測(cè)試集，輸入到SVM分類器中進(jìn)行分類，平均識(shí)別率可達(dá)90.67%。劉坤等（2022）構(gòu)建基于隨機(jī)梯度下降法的改進(jìn)BP神經(jīng)網(wǎng)絡(luò)，選擇黃瓜霜霉病、白粉病和褐斑病圖像的R分量、灰度共生矩陣的對(duì)比度、熵和能量作為特征提取參數(shù)，將特征參數(shù)輸入到神經(jīng)網(wǎng)絡(luò)中對(duì)黃瓜病害葉片進(jìn)行分類識(shí)別，識(shí)別率為91.33%。薛衛(wèi)等（2021）提出將適合小目標(biāo)顏色特征表達(dá)的細(xì)粒度顏色矩、LBP和HOG作為病斑區(qū)域特征，基于隨機(jī)森林特征選擇獲得最優(yōu)的融合特征并輸入RF分類器進(jìn)行訓(xùn)練，隨機(jī)森林對(duì)梨葉炭疽病的識(shí)別能力優(yōu)于BP、SVM，識(shí)別準(zhǔn)確率達(dá)到97.88%。SHEDTHI等（2023）采用混合聚類算法進(jìn)行病斑最優(yōu)分割，在此基礎(chǔ)上利用顏色矩陣、灰度共生矩陣分別提取病斑的顏色特征和紋理特征，選用人工神經(jīng)網(wǎng)絡(luò)（ANN）作為分類器對(duì)植物病害分類，獲得較好的分類精度。

2.2 基于深度學(xué)習(xí)的特征提取與分類

基于深度學(xué)習(xí)特征提取與分類識(shí)別是利用神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)重復(fù)迭代，進(jìn)而從大量圖像數(shù)據(jù)中自動(dòng)提取深層次特征并進(jìn)行分類識(shí)別。在植物病害識(shí)別領(lǐng)域中應(yīng)用最廣泛的是卷積神經(jīng)網(wǎng)絡(luò)（CNN），分為特征提取和分類兩個(gè)部分（常瑞揚(yáng)和楊海斌，2023）。特征提取部分主要是由卷積層和池化層構(gòu)成，從不同的卷積層提取圖像特征；在這些特征的基礎(chǔ)上，添加全連接層作為分類器，為圖像病變區(qū)域計(jì)算一個(gè)屬于某種病害的概率。較為經(jīng)典的深度學(xué)習(xí)模型包括LeNet、AlexNet、VGGNet、Inception和ResNet等。MOHANTY等（2016）使用Plant Village數(shù)據(jù)集，基于AlexNet和GoogleNet兩種網(wǎng)絡(luò)結(jié)構(gòu)訓(xùn)練模型，當(dāng)訓(xùn)練數(shù)據(jù)與測(cè)試數(shù)據(jù)之比是8：2并采用遷移學(xué)習(xí)時(shí)，在GoogleNet上平均識(shí)別準(zhǔn)確率高達(dá)99.34%。項(xiàng)小東等（2021）根據(jù)AIChallenger 2018和PlantVillage組成一個(gè)采集環(huán)境良好的數(shù)據(jù)集，提出一種基于Xception-CEMs神經(jīng)網(wǎng)絡(luò)模型的植物病害識(shí)別方法，引入CEM模塊和密集連接模塊，對(duì)10種健康植物和27種病害進(jìn)行識(shí)別，獲得91.9%的準(zhǔn)確率。明浩和蘇喜友（2020）對(duì)楊樹黑星病早期病害和楊樹花葉病害圖像進(jìn)行病癥增強(qiáng)、病斑提取等預(yù)處理，將處理后的圖像集輸入到AlexNet網(wǎng)絡(luò)模型訓(xùn)練識(shí)別，與原始圖像相比，新圖像集的識(shí)別準(zhǔn)確率均有所提高，分別提高4.79%和9.28%。胡文藝等（2022）通過在ResNet網(wǎng)絡(luò)模型結(jié)構(gòu)中添加SE模塊，增強(qiáng)特征重要性區(qū)分能力，搭建不同深度的網(wǎng)絡(luò)模型對(duì)番茄的9種病蟲害進(jìn)行分類識(shí)別，病蟲害識(shí)別正確率的結(jié)果顯示，加入SE模塊的ResNet網(wǎng)絡(luò)要優(yōu)于經(jīng)典ResNet網(wǎng)絡(luò)。

以上研究都應(yīng)用了卷積神經(jīng)網(wǎng)絡(luò)來提取病害圖像的特征并實(shí)現(xiàn)分類識(shí)別，但研究中使用圖像樣本大多是在實(shí)驗(yàn)室采集，背景單一，實(shí)用性較差。在實(shí)際復(fù)雜自然背景條件下，模型的識(shí)別精度會(huì)受到一定影響。為解決這一問題，學(xué)者們開始提出不同方法。黃林生等（2021）在ResNet18的基礎(chǔ)上加入Inception模塊，利用多尺度卷積核提取病害特征，并在殘差模塊中添加注意力單元，改進(jìn)后的模型對(duì)玉米、水稻和蘋果葉部病害的識(shí)別準(zhǔn)確率達(dá)到95.62%，比原ResNet18模型提高了10.92%。張文靜等（2021）利用基于InceptionV3網(wǎng)絡(luò)和遷移學(xué)習(xí)方法構(gòu)建的煙草病害識(shí)別模型對(duì)赤星病、野火病等5種煙草病害進(jìn)行測(cè)試，5種病害的平均識(shí)別準(zhǔn)確率為90.8%，實(shí)現(xiàn)了復(fù)雜背景下煙草病害的分類識(shí)別。JIANG等（2019）構(gòu)建了由實(shí)驗(yàn)室圖像和實(shí)際野外條件下的復(fù)雜圖像組成的5種蘋果葉部病害數(shù)據(jù)集，在GoogLeNet Inception結(jié)構(gòu)中引入彩虹連接結(jié)構(gòu)，建立一種基于深度CNN的蘋果葉片病害檢測(cè)模型，發(fā)現(xiàn)不僅能在同一張病變圖像中檢測(cè)出多種疾病，還能在真實(shí)環(huán)境中檢測(cè)蘋果葉部病害。宋中山等（2022）提出一種基于二值化的Faster R-CNN區(qū)域檢測(cè)神經(jīng)網(wǎng)絡(luò)模型，將原Faster R-CNN模型中的全連接層神經(jīng)網(wǎng)絡(luò)替換為二進(jìn)制全卷積神經(jīng)網(wǎng)絡(luò)，并使用改進(jìn)后的模型識(shí)別復(fù)雜自然環(huán)境下的柑橘葉片病害，該模型在識(shí)別速度和魯棒性方面均有較好表現(xiàn)。岳有軍等（2022）將高階殘差和參數(shù)共享反饋?zhàn)泳W(wǎng)絡(luò)添加到VGG網(wǎng)絡(luò)，在Plant Village子集和自制數(shù)據(jù)集的基礎(chǔ)上識(shí)別農(nóng)作物病害。在實(shí)際大田環(huán)境中，該方法在識(shí)別精度和魯棒性方面比SVM、AlexNET、ResNet-50、VGG-16表現(xiàn)更好。李書琴等（2022）通過縮減ResNet 18卷積核數(shù)目并運(yùn)用輕量級(jí)殘差模塊和SE模塊，以達(dá)到減少參數(shù)、降低計(jì)算復(fù)雜度和提取多種病害特征的目的。將SDResNet模型在Plant Village和自制數(shù)據(jù)集上測(cè)試，實(shí)驗(yàn)結(jié)果表明，模型針對(duì)不同植物葉片病害數(shù)據(jù)集均獲得較好的識(shí)別精度。

3 小結(jié)與展望

相較于繁瑣和效率低的傳統(tǒng)人工識(shí)別病害方法，基于機(jī)器視覺技術(shù)可實(shí)現(xiàn)植物病害半自動(dòng)化識(shí)別，效率和準(zhǔn)確率得以提高。但當(dāng)前已有的算法也存在一定局限，許多研究是基于實(shí)驗(yàn)室條件下進(jìn)行的，如果應(yīng)用到田間自然環(huán)境中，會(huì)對(duì)病害識(shí)別造成比較大的困擾。機(jī)器視覺算法需要人工提取病害特征，提取過程具有主觀性，無法確定最佳特征，并且特征提取和分類識(shí)別是兩個(gè)獨(dú)立的工作階段，兩者間會(huì)存在適配性不高的問題。而深度學(xué)習(xí)因其強(qiáng)大的學(xué)習(xí)能力在植物病害識(shí)別中得以廣泛應(yīng)用，用卷積神經(jīng)網(wǎng)絡(luò)取代傳統(tǒng)人工提取特征的方式，根據(jù)網(wǎng)絡(luò)中自動(dòng)獲得的權(quán)值參數(shù)來構(gòu)建特征提取器，提高了泛化能力，對(duì)復(fù)雜環(huán)境下的識(shí)別適應(yīng)性更強(qiáng)?；诰矸e神經(jīng)網(wǎng)絡(luò)的植物病害識(shí)別方法，具有識(shí)別準(zhǔn)確率高、特征表達(dá)能力強(qiáng)的優(yōu)點(diǎn)，但訓(xùn)練過程中涉及參數(shù)眾多，計(jì)算量大且復(fù)雜，需要消耗大量時(shí)間。這使得學(xué)者們開始慢慢將注意力轉(zhuǎn)移到遷移學(xué)習(xí)、輕量型網(wǎng)絡(luò)等方法上，通過壓縮模型參數(shù)和運(yùn)用源數(shù)據(jù)集上訓(xùn)練好的模型來緩解參數(shù)量大、訓(xùn)練數(shù)據(jù)不足的問題，在保持模型性能不變的情況下提升計(jì)算速度。因此將遷移學(xué)習(xí)、輕量型網(wǎng)絡(luò)等方法運(yùn)用到植物病害識(shí)別，研究設(shè)計(jì)出高識(shí)別精度的網(wǎng)絡(luò)模型將會(huì)是智慧植保的未來發(fā)展方向，對(duì)農(nóng)業(yè)生產(chǎn)實(shí)現(xiàn)數(shù)字化具有重要意義。

參考文獻(xiàn)References

常瑞揚(yáng)， 楊海斌. 2023. 基于卷積神經(jīng)網(wǎng)絡(luò)的農(nóng)作物病蟲害識(shí)別研究[J]. 無線互聯(lián)科技， 20（2）： 159-161.

CHANG R Y， YANG H B. 2023. Research on crop pest identification based on convolution neural network[J]. Wireless Internet Technology， 20（2）： 159-161.

曹曉麗， 齊國紅， 井榮枝. 2018. 基于改進(jìn)FCM的作物病害圖像分割方法研究[J]. 智能計(jì)算機(jī)與應(yīng)用， 8（5）： 51-53， 59.

CAO X L， QI G H， JING R Z. 2018. Research on crop disease image segmentation based on improved FCM[J]. Intelligent Computer and Applications， 8（5）： 51-53， 59.

刁智華， 刁春迎， 袁萬賓， 毋媛媛. 2018. 基于改進(jìn)型模糊邊緣檢測(cè)的小麥病斑閾值分割算法[J]. 農(nóng)業(yè)工程學(xué)報(bào)， 34（10）： 147-152.

DIAO Z H， DIAO C Y， YUAN W B， WU Y Y. 2018. Segmentation algorithm with threshold for wheat lesion based on improved fuzzy edge detection[J]. Transactions of the Chinese Society of Agricultural Engineering， 34（10）： 147-152. doi： 10.11975/j.issn.1002-6819.2018.10.018

龔瑞昆， 劉佳. 2021. 改進(jìn)K-means算法的玉米葉部病害圖像分割研究[J]. 現(xiàn)代電子技術(shù)， 44（22）： 131-134.

GONG R K， LIU J. 2021. Maize leaf disease image segmentation based on improved K-means algorithm[J]. Modern Electronics Technique， 44（22）： 131-134. doi： 10.16652/j.issn.1004-373x.2021.22.027.

龔瑞昆， 劉佳. 2021. 圖像處理的玉米病害識(shí)別研究[J]. 現(xiàn)代電子技術(shù)， 44（24）： 149-152.

GONG R K， LIU J. 2021. Research on maize disease recognition based on image processing[J]. Modern Electronics Technique， 44（24）： 149-152. doi： 10.16652/j.issn.1004-373x.2021.24.032.

胡靜， 陳志泊， 楊猛， 張榮國， 崔亞稷. 2018. 基于全卷積神經(jīng)網(wǎng)絡(luò)的植物葉片分割算法[J]. 北京林業(yè)大學(xué)學(xué)報(bào)， 40（11）： 131-136.

HU J， CHEN Z B， YANG M， ZHANG R G， CUI Y J. 2018. Plant leaf segmentation method based on fully convolutional neural network[J]. Journal of Beijing Forestry University， 40（11）： 131-136. doi： 10.13332/j.1000-1522.20180007.

胡文藝， 王洪坤， 杜育佳. 2022. 基于SE模塊和ResNet的番茄病蟲害識(shí)別方法[J]. 農(nóng)業(yè)工程， 12（9）： 33-40.

HU W Y， WANG H K， DU Y J. 2022. Identification method of tomato diseases and pests based on SE module and ResNet[J]. Agricultural Engineering， 12（9）： 33-40. doi： 10.19998/j.cnki.2095-1795.2022.09.007.

黃林生， 羅耀武， 楊小冬， 楊貴軍， 王道勇. 2021. 基于注意力機(jī)制和多尺度殘差網(wǎng)絡(luò)的農(nóng)作物病害識(shí)別[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)， 52（10）： 264-271.

HUANG L S， LUO Y W， YANG X D， YANG G J， WANG D Y. 2021. Crop disease recognition based on attention mechanism and multi-scale residual network[J]. Transactions of the Chinese Society for Agricultural Machinery， 52（10）： 264-271. doi： 10.6041/j.issn.1000-1298.2021.10.027

巨志勇， 薛永杰， 張文馨， 翟春宇. 2020. 自適應(yīng)閾值Prewitt的石榴病斑檢測(cè)算法[J]. 農(nóng)業(yè)工程學(xué)報(bào)， 36（8）： 135-142.

JU Z Y， XUE Y J， ZHANG W X， ZHAI C Y. 2020. Algorithm for detecting pomegranate disease spots based on Prewitt operator with adaptive threshold[J]. Transactions of the Chinese Society of Agricultural Engineering， 36（8）： 135-142. doi： 10.11975/j.issn.1002-6819.2020.08.017

李書琴， 陳聰， 朱彤， 劉斌. 2022. 基于輕量級(jí)殘差網(wǎng)絡(luò)的植物葉片病害識(shí)別[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)， 53（3）： 243-250.

LI S Q， CHEN C， ZHU T， LIU B. 2022. Plant leaf disease identification based on lightweight residual network[J]. Transactions of the Chinese Society for Agricultural Machinery， 53（3）： 243-250. doi： 10.6041/j.issn.1000-1298.2022.03.025

李鑫星， 朱晨光， 白雪冰， 毛富煥， 傅澤田， 張領(lǐng)先. 2019. 基于可見光譜和支持向量機(jī)的黃瓜葉部病害識(shí)別方法研究[J]. 光譜學(xué)與光譜分析， 39（7）： 2250-2256.

LI X X， ZHU C G， BAI X B， MAO F H， FU Z T， ZHANG L X. 2019. Recognition method of cucumber leaves diseases based on visual spectrum and support vector machine[J]. Spectroscopy and Spectral Analysis， 39（7）： 2250-2256. doi： 10.3964/j.isssn.1000-0593（2019）07-2250-07

劉坤， 劉娜， 張娜， 師亞楠. 2022. 改進(jìn)BP神經(jīng)網(wǎng)絡(luò)和特征提取的黃瓜病害識(shí)別研究[J]. 安徽農(nóng)學(xué)通報(bào)， 28（3）： 119-122.

LIU K， LIU N， ZHANG N， SHI Y N. 2022. Research on cucumber leaf disease recognition based on improved BP neural network and feature extraction[J]. Anhui Agricultural Science Bulletin， 28（3）： 119-122. doi： 10.16377/j.cnki.issn1007-7731.2022.03.027.

劉小川， 艾矯燕， 唐紀(jì)良， 何勇強(qiáng). 2009. 基于自適應(yīng)模糊閾值的植物黑腐病葉片病斑的分割[J]. 中國圖象圖形學(xué)報(bào)， 14（7）： 1334-1340.

LIU X C， AI J Y， TANG J L， HE Y Q. 2009. The segmentation of black rot lesion of cruciferous plant based on self-adaptive fuzzy threshold[J]. Journal of Image and Graphics， 14（7）： 1334-1340.

明浩， 蘇喜友. 2020. 利用特征分割和病斑增強(qiáng)的楊樹葉部病害識(shí)別[J]. 浙江農(nóng)林大學(xué)學(xué)報(bào)， 37（6）： 1159-1166.

MING H， SU X Y. 2020. Image recognition of poplar leaf diseases with feature segmentation and lesion enhancement[J]. Journal of Zhejiang A amp; F University， 37（6）： 1159-1166. doi： 10.11833/j.issn.2095-0756.20190752

濮永仙. 2014. 基于支持向量機(jī)與多特征選擇的農(nóng)作物彩色病斑邊緣檢測(cè)[J]. 計(jì)算機(jī)系統(tǒng)應(yīng)用， 23（9）： 118-123.

PU Y X. 2014. Color disease spot edge detection of crop based on multifeature selection and support vector machine[J]. Computer Systems amp; Applications， 23（9）： 118-123.

宋麗娟. 2018. 基于圖像的農(nóng)作物病害識(shí)別關(guān)鍵算法研究[D]. 西安： 西北大學(xué).

SONG L J. 2018. Research of key algorithms of crop disease recognition based on image[D]. Xi'an： Northwest University.

宋中山， 汪進(jìn)， 鄭祿， 帖軍， 朱祖桐. 2022. 基于二值化的Faster R-CNN柑橘病蟲害識(shí)別研究[J]. 中國農(nóng)機(jī)化學(xué)報(bào)， 43（6）： 150-158.

SONG Z S， WANG J， ZHENG L， TIE J， ZHU Z T. 2022. Research on Citrus pest identification based on binary faster R-CNN[J]. Journal of Chinese Agricultural Mechanization， 43（6）： 150-158. doi： 10.13733/j.jcam.issn.2095-5553.2022.06.020.

束美艷， 魏家璽， 周也瑩， 董奇宙， 陳浩翀， 黃智剛， 馬韞韜. 2021. 基于樸素貝葉斯分類的柑橘葉片潰瘍病診斷[J]. 浙江大學(xué)學(xué)報(bào)（農(nóng)業(yè)與生命科學(xué)版）， 47（4）： 429-438.

SHU M Y， WEI J X， ZHOU Y Y， DONG Q Z， CHEN H C， HUANG Z G， MA Y T. 2021. Diagnosis of Citrus leaf canker disease based on naive Bayesian classification[J]. Journal of Zhejiang University （Agriculture and Life Sciences）， 47（4）： 429-438. doi： 10.3785/j.issn.1008-9209.2021.04.011

田有文， 鄭鵬輝， 許童羽， 鄧寒冰， 王瀧. 2016. 基于安卓的黃瓜葉部病害程度檢測(cè)系統(tǒng)的研發(fā)[J]. 計(jì)算機(jī)工程與設(shè)計(jì)， 37（5）： 1411-1416.

TIAN Y W， ZHENG P H， XU T Y， DENG H B， WANG L. 2016. Developing detecting system for cucumber leaf disease severity based on Android[J]. Computer Engineering and Design， 37（5）： 1411-1416. doi： 10.16208/j.issn1000-7024.2016.05.055.

王昌龍， 張遠(yuǎn)東， 繆宏， 楊煜恒. 2021. 雙通道卷積神經(jīng)網(wǎng)絡(luò)在南瓜病害識(shí)別上的應(yīng)用[J]. 計(jì)算機(jī)工程與應(yīng)用， 57（5）： 183-189.

WANG C L， ZHANG Y D， MIAO H， YANG Y H. 2021. Application of double channel convolutional neural network in pumpkin diseases identification[J]. Computer Engineering and Applications， 57（5）： 183-189. doi：10.3778/j.issn.1002-8331.1911-0429

王雪， 王曉援， 劉洋， 郭鑫鑫. 2020. 基于深度學(xué)習(xí)的玉米葉部病害分割[J]. 黑龍江科學(xué)， 11（20）： 10-13.

WANG X， WANG X Y， LIU Y， GUO X X. 2020. Corn leaf disease segmentation based on deep learning[J]. Heilongjiang Science， 11（20）： 10-13.

王翔宇， 李海生， 呂麗君， 韓丹楓， 王梓強(qiáng). 2021. 基于U-net和可見光譜圖像的黃瓜褐斑病分割[J]. 光譜學(xué)與光譜分析， 41（5）： 1499-1504.

WANG X Y， LI H S， Lü L J， HAN D F， WANG Z Q. 2021. Segmentation of cucumber target leaf spot based on U-Net and visible spectral images[J]. Spectroscopy and Spectral Analysis， 41（5）： 1499-1504. doi： 10.3964/j.issn.1000-0593（2021）05-1499-06

夏永泉， 曾莎， 李耀斌. 2015. 一種改進(jìn)的植物葉片病斑區(qū)域邊緣提取技術(shù)[J]. 鄭州輕工業(yè)學(xué)院學(xué)報(bào)（自然科學(xué)版）， 30（1）： 67-70.

XIA Y Q， ZENG S， LI Y B. 2015. An improved edge extraction technology of the plant leaf disease region[J]. Journal of Zhengzhou University of Light Industry （Natural Science Edition）， 30（1）： 67-70.

項(xiàng)小東， 翟蔚， 黃言態(tài)， 劉薇. 2021. 基于Xception-CEMs神經(jīng)網(wǎng)絡(luò)的植物病害識(shí)別[J]. 中國農(nóng)機(jī)化學(xué)報(bào)， 42（8）： 177-186.

XIANG X D， ZHAI W， HUANG Y T， LIU W. 2021. Plant disease recognition based on Xception-CEMs neural network[J]. Journal of Chinese Agricultural Mechanization， 42（8）： 177-186. doi： 10.13733/j.jcam.issn.2095-5553.2021.08.24.

薛衛(wèi)， 易文鑫， 康亞龍， 徐陽春， 董彩霞. 2021. 基于多分辨率多類特征融合的梨葉小炭疽病斑識(shí)別[J]. 南京農(nóng)業(yè)大學(xué)學(xué)報(bào)， 44（5）： 982-992.

XUE W， YI W X， KANG Y L， XU Y C， DONG C X. 2021. Recognition of pear leaf small anthracnose spot based on multi-resolution and multi-class feature fusion[J]. Journal of Nanjing Agricultural University， 44（5）： 982-992. doi： 10.7685/jnau.202009024

閆靖昆， 黃毓賢， 秦偉森， 高攀. 2021. 棉田復(fù)雜背景下棉花黃萎病病斑分割算法研究[J]. 南京師大學(xué)報(bào)（自然科學(xué)版）， 44（4）： 127-134.

YAN J K， HUANG Y X， QIN W S， GAO P. 2021. Study on segmentation algorithm of cotton Verticillium wilt disease spot in cotton field under complex background[J]. Journal of Nanjing Normal University （Natural Science Edition）， 44（4）： 127-134. doi： 10.3969 / j.issn.1001-4616.2021.04.017

楊紅亞， 趙景秀， 徐冠華， 劉爽. 2018. 彩色圖像分割方法綜述[J]. 軟件導(dǎo)刊， 17（4）： 1-5.

YANG H Y， ZHAO J X， XU G H， LIU S. 2018. A survey of color image segmentation methods[J]. Software Guide， 17（4）： 1-5. doi： 10.11907/rjdk.172535

楊潤玲， 高新波. 2007. 基于加權(quán)模糊c均值聚類的快速圖像自動(dòng)分割算法[J]. 中國圖象圖形學(xué)報(bào)， 12（12）： 2105-2112.

YANG R L， GAO X B. 2007. A fast automatic image segmentation algorithm based on weighting fuzzy c-means clustering[J]. Journal of Image and Graphics， 12（12）： 2105-2112.

岳有軍， 李雪松， 趙輝， 王紅君. 2022. 基于改進(jìn)VGG網(wǎng)絡(luò)的農(nóng)作物病害圖像識(shí)別[J]. 農(nóng)機(jī)化研究， 44（6）： 18-24.

YUE Y J， LI X S， ZHAO H， WANG H J. 2022. Crop disease image recognition based on improved VGG network[J]. Journal of Agricultural Mechanization Research， 44（6）： 18-24. doi： 10.13427/j.cnki.njyi.2022.06.003.

張靜， 王雙喜. 2007. 溫室植物病害圖像處理技術(shù)中圖像分割方法的研究[J]. 內(nèi)蒙古農(nóng)業(yè)大學(xué)學(xué)報(bào)（自然科學(xué)版）， 28（3）： 19-22.

ZHANG J， WANG S X. 2007. A study on the segmentation method in image processing for plant disease of gree nhouse[J]. Journal of Inner Mongolia Agricultural University （Natural Science Edition）， 28（3）： 19-22.

張明. 2018. 基于計(jì)算機(jī)視覺技術(shù)的馬鈴薯病害識(shí)別研究[D]. 蘭州： 甘肅農(nóng)業(yè)大學(xué).

ZHANG M. 2018. Research on potato disease recognition based on computer vision technology[D]. Lanzhou： Gansu Agricultural University， 2018. doi： 10.27025/d.cnki.ggsnu.2018.000004

張晴晴， 張?jiān)讫垼?齊國紅. 2017. 基于最大類間方差法的黃瓜病害葉片分割[J]. 安徽農(nóng)業(yè)科學(xué)， 45（12）： 193-195， 234.

ZHANG Q Q， ZHANG Y L， QI G H. 2017. Segmentation of cucumber disease leaves based on otsu method[J]. Journal of Anhui Agricultural Sciences， 45（12）： 193-195， 234. doi： 10.13989/j.cnki.0517-6611.2017.12.063.

張會(huì)敏， 謝澤奇， 張善文， 張?jiān)讫? 2017. 基于WT-Otsu算法的植物病害葉片圖像分割方法[J]. 江蘇農(nóng)業(yè)科學(xué)， 45（18）： 194-196.

ZHANG H M， XIE Z Q， ZHANG S W， ZHANG Y L. 2017. Image segmentation method of plant diseased leaves based on WT-Otsu algorithm[J]. Jiangsu Agricultural Sciences， 45（18）： 194-196. doi： 10.15889/j.issn.1002-1302.2017.18.049.

張鑠， 謝裕睿， 董建娥. 2021. 基于圖像處理的植物葉片病害識(shí)別研究[J]. 現(xiàn)代計(jì)算機(jī)， 27（34）： 112-116.

ZHANG S， XIE Y R， DONG J E. 2021. Research on plant leaf disease recognition based on image processing[J]. Modern Computer， 27（34）： 112-116. doi： 10.3969/j.issn.1007-1423.2021.34.021

張文靜， 孫秀朋， 喬永亮， 白鵬， 姜紅花， 王玉軍， 杜傳印， 宗浩. 2021. 基于InceptionV3的煙草病害識(shí)別[J]. 中國煙草學(xué)報(bào)， 27（5）： 61-70.

ZHANG W J， SUN X P， QIAO Y L， BAI P， JIANG H H， WANG Y J， DU C Y， ZONG H. 2021. Tobacco disease identification based on InceptionV3[J]. Acta Tabacaria Sinica， 27（5）： 61-70. doi： 10.16472/j.chinatobacco.2021.T0061.

趙進(jìn)輝， 羅錫文， 周志艷. 2008. 基于顏色與形狀特征的甘蔗病害圖像分割方法[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)， 39（9）： 100-103， 133.

ZHAO J H， LUO X W， ZHOU Z Y. 2008. Image segmentation method for sugarcane diseases based on color and shape features[J]. Transactions of the Chinese Society for Agricultural Machinery， 39（9）： 100-103， 133.

周莉莉， 姜楓. 2017. 圖像分割方法綜述研究[J]. 計(jì)算機(jī)應(yīng)用研究， 34（7）： 1921-1928.

ZHOU L L， JIANG F. 2017. Survey on image segmentation methods[J]. Application Research of Computers， 34（7）： 1921-1928.

ABINAYA S， KUMAR K U， ALPHONSE A S. 2023. Cascading autoencoder with attention residual U-Net for multi-class plant leaf disease segmentation and classification[J]. IEEE Access， 11： 98153-98170. doi： 10.1109/ACCESS.2023.3312718.

AFZAAL U， BHATTARAI B， PANDEYA Y R， LEE J. 2021. An instance segmentation model for strawberry diseases based on mask R-CNN[J]. Sensors， 21（19）： 6565. doi： 10.3390/s21196565.

BALAFAS V， KARANTOUMANIS E， LOUTA M， PLOSKAS N. 2023. Machine learning and deep learning for plant disease classification and detection[J]. IEEE Access， 11： 114352-114377. doi： 10.1109/ACCESS.2023.3324722.

BAI X B， LI X X， FU Z T， LV X J， ZHANG L X. 2017. A fuzzy clustering segmentation method based on neighborhood grayscale information for defining cucumber leaf spot disease images[J]. Computers and Electronics in Agriculture， 136： 157-165. doi： 10.1016/j.compag.2017.03.004.

CHEN C C， WANG X C， HEIDARI A A， YU H L， CHEN H L. 2021. Multi-threshold image segmentation of maize diseases based on elite comprehensive particle swarm optimization and Otsu[J]. Frontiers in Plant Science， 12： 789911. doi： 10.3389/fpls.2021.789911.

HUANG X B， CHEN A B， ZHOU G X， ZHANG X， WANG J W， PENG N， YAN N， JIANG C H. 2023. Tomato leaf disease detection system based on FC-SNDPN[J]. Multimedia Tools and Applications， 82（2）： 2121-2144. doi： 10.1007/s11042-021-11790-3.

JIANG P， CHEN Y H， LIU B， HE D J， LIANG C Q. 2019. Real-time detection of apple leaf diseases using deep learning approach based on improved convolutional neural networks[J]. IEEE Access， 7： 59069-59080. doi： 10.1109/ACCESS.2019.2914929.

MOHANTY S P， HUGHES D P， SALATHé M. 2016. Using deep learning for image-based plant disease detection[J]. Frontiers in Plant Science， 7： 1419. doi： 10.3389/fpls.2016.01419.

PRAVIN KUMAR S K， SUMITHRA M G， SARANYA N. 2021. Particle Swarm Optimization （PSO） with fuzzy c means （PSO-FCM）–based segmentation and machine learning classifier for leaf diseases prediction[J]. Concurrency and Computation： Practice and Experience， 33（3）： e5312. doi： 10.1002/cpe.5312.

SHEDTHI B S， SIDDAPPA M， SHETTY S， SHETTY V， SURESH R. 2023. Detection and classification of diseased plant leaf images using hybrid algorithm[J]. Multimedia Tools and Applications， 82（21）： 32349-32372. doi： 10.1007/s11042-023-14751-0.

TANGTISANON P， KORNRAPAT S， TANGTISANON P， KORNRAPAT S. 2020. Holy basil curl leaf disease classification using edge detection and machine learning[C]//Proceedings of the 2020 12th International Conference on Computer and Automation Engineering. ACM： 85-89. doi： 10.1145/3384613.3384634.

THAKUR P S， KHANNA P， SHEOREY T， OJHA A. 2022. Trends in vision-based machine learning techniques for plant disease identification： A systematic review[J]. Expert Systems with Applications， 208： 118117. doi： 10.1016/j.eswa.2022.118117.

UMAMAGESWARI A， BHARATHIRAJA N， IRENE D S. 2023. A novel fuzzy C-means based chameleon swarm algorithm for segmentation and progressive neural architecture search for plant disease classification[J]. ICT Express， 9（2）： 160-167. doi： 10.1016/j.icte.2021.08.019.

WANG Z B， WANG K Y， PAN S H， HAN Y Y. 2018. Segmentation of crop disease images with an improved K-means clustering algorithm[J]. Applied Engineering in Agriculture， 34（2）： 277-289. doi： 10.13031/aea.12205.

YUAN H B， ZHU J J， WANG Q F， CHENG M， CAI Z J. 2022. An improved DeepLab v3+ deep learning network applied to the segmentation of grape leaf black rot spots[J]. Frontiers in Plant Science， 13： 795410. doi： 10.3389/fpls.2022.795410.

YU H L， LIU J W， CHEN C C， HEIDARI A A， ZHANG Q， CHEN H L， MAFARJA M， TURABIEH H. 2021. Corn leaf diseases diagnosis based on K-means clustering and deep learning[J]. IEEE Access， 9： 143824-143835. doi： 10.1109/ACCESS.2021.3120379.

YUSOFF N M， ABDUL HALIM I S， ABDULLAH N E， AB RAHIM A A. 2018. Real-time Hevea leaves diseases identification using sobel edge algorithm on FPGA： A preliminary study[C]//2018 9th IEEE Control and System Graduate Research Colloquium （ICSGRC）. IEEE： 168-171. doi： 10.1109/ICSGRC.2018.8657603.

ZENG N X， GONG G F， ZHOU G X， HU C. 2023. An accurate classification of rice diseases based on ICAI-V4[J]. Plants， 12（11）： 2225. doi： 10.3390/plants12112225.

ZHOU G X， ZHANG W Z， CHEN A B， HE M F， MA X S. 2019. Rapid detection of rice disease based on FCM-KM and faster R-CNN fusion[J]. IEEE Access， 7： 143190-143206. doi： 10.1109/ACCESS.2019.2943454.

（責(zé)任編輯 謝紅輝）

DOI：10.20191/j.cnki.2095-0764.2024030042

基金項(xiàng)目：廣西重大科技專項(xiàng)（桂科AA22117004，桂科AA22117002）；國家糖料產(chǎn)業(yè)技術(shù)體系項(xiàng)目（CARS-170105）；中央引導(dǎo)地方科技發(fā)展資金項(xiàng)目（桂科ZY21195033）；廣西自然科學(xué)基金項(xiàng)目（2021GXNSFAA220022）；廣西農(nóng)業(yè)科學(xué)院基本科研業(yè)務(wù)專項(xiàng)桂農(nóng)科（2021YT007）；南寧實(shí)驗(yàn)站項(xiàng)目（GZ002069004）。

第一作者：余敏（1998—），女，碩士研究生，研究方向?yàn)闄C(jī)器學(xué)習(xí)算法及應(yīng)用，E-mail：1259869410@qq.com。

*通信作者：顏梅新（1978—），男，研究員，主要從事甘蔗病蟲害防控、抗病育種及數(shù)字化植保工作，E-mail：574252968@qq.com。

收稿日期：2024-04-16