摘要：針對葡萄霜霉病病斑組織圖像閾值難以確定的問題，提出一種基于邊界樣本分位數(shù)的自適應閾值確定方法，通過高斯濾波識別病斑邊界，并采用邊界樣本的50%分位數(shù)確定為病斑閾值。之后采用蒙特卡洛方法，通過隨機采樣方法估算病斑比例。結果表明，與其他閾值確定方法對比，所提方法能夠自適應獲取病斑灰度閾值，識別精度達到92.2%，明顯高于其他閾值確定方法；與傳統(tǒng)的機器學習方法對比，在識別精度上高于BP神經(jīng)網(wǎng)絡、卷積神經(jīng)網(wǎng)絡、支持向量機，略低于VGG16模型的94.3%與ResNet50模型的96.26%，但計算時間為1.410 s，遠快于VGG16模型與ResNet50模型的5.588 s與20.317 s，說明方法能夠在較短的運行時間內實現(xiàn)較高的精度。

關鍵詞：葡萄霜霉??；邊界識別；樣本分位數(shù)；病斑識別；高斯濾波

中圖分類號：S436.631.1" " " 文獻標識碼：A" " " 文章編號：2095?5553 （2024） 10?0247?07

Adaptive identification method of grape downy mildew based on quantile of boundary sample

Gao Rui1， 2， Wu Qiong2， Han Wei1， Yang Tao2， Lu Chenyuan3， Zhang Li4

（1. College of Applied Meteorology， Nanjing University of Information Engineering， Nanjing， 210044， China;

2. Xunyi County Meteorological Bureau， Xianyang， 711300， China; 3. Yongshou County Meteorological Bureau，

Xianyang， 713400， China; 4. Shaanxi Meteorological Observatory， Xi'an， 710014， China）

Abstract： Aiming at the problem of difficulty to determine the threshold of grape downy mildew lesion tissue image， an adaptive threshold determination method based on quantiles of boundary samples was proposed. The boundary of diseased spot was identified by Gaussian filtering， and the threshold of diseased spot was determined by 50% quantiles of boundary sample. Then Monte Carlo method was used to estimate the proportion of diseased spots by random sampling method. The results show that compared with other threshold determination methods， the proposed" method can adaptively obtain the grayscale threshold of the lesion， with a recognition accuracy of 92.2%， which is significantly higher than other threshold determination methods. Compared with the traditional machine learning methods， the recognition accuracy of this method is higher than that of BP neural network， convolutional neural network， and support vector machine， slightly lower than 94.3% of the VGG16 model and 96.26% of the ResNet50 model. However， the calculation time is 1.410 s， which is much faster than 5.588 s and 20.317 s of the VGG16 model and ResNet50 model， indicating that this method can achieve high accuracy in a shorter running time.

Keywords： grape downy mildew; boundary recognition; sample quantile; plaque recognition; Gaussian filter

0 引言

葡萄霜霉?。≒lasmopara viticola）是影響葡萄產(chǎn)量的一種普遍性病害，其病原體為葡萄生軸霜霉菌，是葡萄專性寄生菌的一種，能夠多次循環(huán)侵染。在葡萄葉片生長過程中，如果條件適宜，葡萄生軸霜霉菌將會大量繁殖，迅速成災，廣泛程度甚至影響到葡萄業(yè)發(fā)展[1]。對葡萄植株霜霉病害的監(jiān)測是從時間維度分析病菌在植株上的侵染繁殖過程，從而分析病菌侵染、繁殖、爆發(fā)的特點，建立相應的模型，指導對霜霉病的預測與預防，控制其傳播，降低病害帶來的經(jīng)濟損失[2]。葡萄霜霉病在葉片上的繁殖具有連續(xù)性、過程性，體現(xiàn)在葉片上即為病斑的衍生，通過監(jiān)測病斑面積的大小是推測霜霉病程度的一種途徑。

20世紀80年代初，圖像處理技術開始應用于農(nóng)業(yè)生產(chǎn)中。21世紀以來，隨著圖像識別算法的發(fā)展以及計算機算力的跨越式提升，大批圖像處理方法在農(nóng)業(yè)病斑、損傷監(jiān)測等方面得到應用。El?Helly等[3]采用人工神經(jīng)網(wǎng)絡建立分類模型，對黃瓜白粉病和霜霉病進行了識別；Sammany等[4]采用神經(jīng)網(wǎng)絡識別植物病斑，并采用遺傳算法對網(wǎng)絡結構與超參數(shù)進行優(yōu)化，并利用粗糙集對圖像輸入進行約簡優(yōu)化；張建華等[5]改進了VGG16卷積神經(jīng)網(wǎng)絡模型，并將其應用于實際培育條件下棉花病害圖像的分類；楊森等[6]結合了卷積神經(jīng)網(wǎng)絡與復合特征字典，提出了馬鈴薯葉片病斑識別方法，利用Faster R-CNN在整體上開展病斑區(qū)域探測，并通過提取圖像特征構造出復合特征字典，得到了較為理想的識別精度。

基于卷積神經(jīng)網(wǎng)絡等深度學習方法能夠有效提取病斑特征，實現(xiàn)對病斑的監(jiān)測，具有良好的通用性和可移植性。但在實際工程應用中仍然存在局限性：一是對特征提取模型的訓練需要大量帶有標簽的數(shù)據(jù)，在實際監(jiān)測過程中難以獲取完備的數(shù)據(jù)集；二是訓練復雜的網(wǎng)絡需要耗費大量的時間，難以保證實時性。因此，基于深度學習的病斑識別方法雖然能夠取得較高的精度，但同時會帶來較高的監(jiān)測成本[7， 8]，而且前期樣本需求量大，建模過程較長且對于硬件設備要求較高[9]。

基于灰度的損傷檢測方法由于其原理簡單、操作性強，在工程上得到廣泛的應用?；诨叶鹊膿p傷檢測方法將彩色圖像數(shù)據(jù)轉化為低維的灰度圖像數(shù)據(jù)，使數(shù)據(jù)維度得到有效降低，具有方法簡單、處理效率高的優(yōu)點。其基本思想是將正常像素與損傷像素分別轉化為一維的灰度數(shù)據(jù)，利用正常像素與損傷像素在灰度上的差異，判定組織是否發(fā)生損傷。然而，由于圖像亮度、對比度等因素的差異，不同圖像轉化為灰度圖后數(shù)值上也存在差異，從而難以確定固定的閾值作為損傷的判定依據(jù)，因此，在實際使用過程中，需要根據(jù)監(jiān)測對象的不同設定不同的閾值，難以達到自適應病斑識別的目的。

針對灰度病斑識別的自適應需求，提出一種基于邊界樣本分位數(shù)的自適應閾值確定方法，通過高斯濾波識別病斑邊界，并采用邊界樣本的50%分位數(shù)確定為病斑閾值。之后采用蒙特卡洛方法，通過隨機采樣方法估算病斑比例，以通過圖像快速識別并估算葉片中的病斑比例，實現(xiàn)精準判斷病斑面積。

1 病斑識別方法

本文提出的病斑識別方法流程如圖1所示，將葡萄葉片圖像轉化為灰度圖，通過邊界識別，提取出葉片及病斑邊界樣本，基于樣本分位數(shù)提取方法，確定葉片病斑與正常組織的閾值，基于閾值判定任一組織是否為病斑，從而達到病斑識別與病斑比例計算的目的。

Step1：葉片灰度圖轉化。葉片原圖為RGB彩圖，通過灰度映射方法將彩圖映射至一維數(shù)值型像素表示的灰度圖。

Step2：葉片病斑邊界識別。采用邊界識別的方法，在灰度圖中找到病斑與正常葉片組織的過渡層，作為閾值確定的依據(jù)。

Step3：病斑閾值確定。為抑制葉片本身存在的條紋與邊界對閾值確定產(chǎn)生的干擾，采用統(tǒng)計學等方法，找到概率上最能表征葉片正常組織與病斑之間的灰度數(shù)值，作為病斑閾值。

Step4：病斑比例計算。得到病斑閾值后，對葉片所有像素點進行判定，確定其是否為病斑，并基于統(tǒng)計學方法計算病斑比例，以評估植株健康狀態(tài)。

1.1 灰度圖轉化

本文通過試驗獲取了葡萄植株中霜霉病原菌繁殖過程中不同侵染程度下的葉片圖像，但由于彩圖難以開展數(shù)字化分析，為簡化識別問題，便于開展病斑識別研究，本文將拍攝的葡萄葉片圖片轉化為灰度圖，并開展識別相關研究。

對于彩圖而言，紅綠藍是三種基本的原色，是依據(jù)人眼識別的顏色定義出的空間，可表示大部分顏色，將紅、綠、藍3個通道設置為笛卡爾坐標系中的X、Y、Z軸，任意一個彩色點均可在坐標系中表示，就得到了一種對于顏色的空間描述。

由于RGB顏色的被感知水平并不相同，在灰度轉換過程中，需要針對不同顏色給予不同的權重。對顏色的感知來源于大腦的視覺皮層和聯(lián)想?yún)^(qū)域，短（S）、中（M）和長（L）錐體三種類型的視錐體對三種不同的光譜敏感程度存在差異[10]?；谝曈X敏感理論，本文采用心理學式對彩色圖像進行轉化，計算如式（1）所示。

[Gray=R×0.299+G×0.587+B×0.114] （1）

式中： Gray——像素點轉換后的灰度數(shù)值；

R——像素點轉換前紅色分量的數(shù)值；

G——像素點轉換前綠色分量的數(shù)值；

B——像素點轉換前藍色分量的數(shù)值。

采用該方法將葉片彩色圖的三種顏色按位分別加權，映射至灰度空間的一維數(shù)值型像素表示的灰度圖，結果如圖2所示。

1.2 基于高斯濾波的病斑邊緣識別

病斑組織與正常葉片組織在灰度圖的數(shù)值上是存在差異的，這種差異是病斑識別判定的主要依據(jù)。然而，對于不同的圖片而言，由于亮度、對比度等因素的差異，不同圖像轉化為灰度圖后數(shù)值上也存在差異，難以找到固定的閾值作為病斑判定的依據(jù)。因此，本文采用邊界識別的方法，在灰度圖中找到病斑與正常葉片組織的邊界，從病斑衍生過程來看，邊界是正常組織與病斑的過渡層，在數(shù)值上也介于兩種組織之間，可以作為閾值確定的依據(jù)。

邊緣檢測本質上是一種濾波算法，區(qū)別在于濾波方法的選擇，邊緣檢測的基本思路一致，根據(jù)邊緣檢測對象的不同，選用與檢測目標相契合的濾波器，以篩選相應像素單元?；诨叶葓D進行的圖像濾波中，圖像是二維的數(shù)值型數(shù)據(jù)，對于二維函數(shù)而言，偏微分方程可以表示為

[?f（x，y）?x=limε→0f（x+ε，y）-f（x，y）ε] （2）

[?f（x，y）?y=limε→0f（x，y+ε）-f（x，y）ε] （3）

式中： [f（x，y）]——任意一點像素灰度值；

ε——一極小量。

基于偏微分方法可以分析，圖像梯度可以由當前所在像素點對于X軸、Y軸的偏導數(shù)表示，梯度在圖像處理過程中可以表示像素灰度值變化的速度。對于葡萄葉片而言，監(jiān)測的是數(shù)字圖像，存在離散化、數(shù)值化的特性。因此，本文采用簡單通用的高斯濾波的方法對葡萄霜霉病圖像進行邊緣識別，并通過非極大值抑制、邊緣連接的方法對識別結果進行進一步優(yōu)化，從而實現(xiàn)對病斑邊界的識別。

1.2.1 高斯濾波

高斯濾波是最流行的去噪濾波算法之一，其基本思想是根據(jù)待去噪的像素點及其鄰域點的灰度值，按照高斯式生成的參數(shù)規(guī)則進行加權平均，以達到濾去圖像中疊加的高頻噪聲的目的[11]。二維高斯式如式（4）所示。

[G（x，y）=12πσ2e-x2+y22σ2] （4）

式中： G（x，y）——高斯函數(shù)；

σ——像素點的標準差。

本文采用的高斯濾波器如圖3所示，高斯濾波器在數(shù)值分布上呈金字塔結構，其濾波器的值大小可以理解為權重，值越大對應的像素點權重越大，占比也就越大。因此從高斯濾波器我們可以看出對應當前像素點的權重關系，距離越遠權重越小，對灰度值的貢獻也就越小，相反，對濾波器設定篩選的結構貢獻越大的，權重就越大。

1.2.2 非極大值抑制

通過高斯濾波器對圖像開展病斑邊緣識別，得到的結果識別出的邊緣存在粗、寬、干擾多的問題，可以通過非極大值抑制的方法進行優(yōu)化。非極大值抑制的基本思想是通過模糊的方法尋找像素點的局部最大值，再將其他非最大值像素點置為零，從而達到銳化邊緣，降低干擾的目的。

首先，對每個點梯度方向進行計算，如式（5）所示。

[Φ（x，y）=arctan?f?y?f?x] （5）

式中： Φ（x，y）——像素點的梯度；

f——像素點灰度值。

如圖4所示，[C]表示為當前非極大值抑制的點，[g1～g4]為它的8連通鄰域點，藍線表示經(jīng)過計算得到的角度圖像[C]點的值，即梯度方向。首先判斷[C]的灰度與領域內8個連通鄰域點大小灰度值的大小關系，之后判斷[C]的灰度與[dTmp1]、[dTmp2]點的大小關系，若[C]為最大，則判定[C]點為極大值點，置為1。最后邊緣生成的圖像為二值圖像，邊緣理想狀態(tài)下都為單像素邊緣。

1.2.3 基于雙閾值的邊緣連接

經(jīng)過高斯濾波、角度圖像的計算、非極大值抑制之后得到了具有一定辨識度的邊緣圖像，但還是可能存在許多偽邊緣，對判定造成干擾，因此本文采雙閾值法對邊緣進行進一步遴選?；陔p閾值法的邊緣優(yōu)化方法是選取兩個閾值，分別為低閾值點與高閾值點，在選出的邊緣像素中，若小于低閾值，則判定為假邊緣，并將像素值置為0；若大于高閾值，則判定為強邊緣，并將像素值置為1；介于中間的像素點需進行進一步的檢查?；陔p閾值的邊緣連接方法，把邊緣連接成輪廓，若到達輪廓的端點時，在斷點的8鄰域點中尋找滿足高閾值的點，再根據(jù)此點收集新的邊緣，直到整個圖像閉合[12]。

高斯濾波的病斑邊界識別結果如圖5所示。邊界識別的目的是通過識別，找到病斑與正常組織之間的邊界，而邊界正好是病斑組織與正常葉片之間的過渡，可以作為判定病斑閾值的重要參考依據(jù)。然而，從圖中的病斑可以發(fā)現(xiàn)，通過邊界識別不僅得到了病斑的邊界，也識別出了葉片的外形邊界與葉脈邊界等干擾項，想要確定病斑的閾值，還需要對識別的數(shù)據(jù)進一步甄選。

1.3 基于樣本分位數(shù)的病斑灰度閾值確定

本文采用邊界識別提取出了病斑與正常組織的過渡層，但由于葉片本身存在條紋與邊界，對于病斑邊界識別而言將會產(chǎn)生干擾。經(jīng)統(tǒng)計，在邊界識別中，共有1 440×1 080個像素點，共識別出了34 294個像素點為邊界。為抑制葉片本身存在的條紋與邊界對閾值確定產(chǎn)生的干擾，采用統(tǒng)計學等方法，找到概率上最能表征葉片正常組織與病斑之間的灰度數(shù)值，作為病斑閾值。

設X1，X2，[…]，Xn是來自某總體的一個樣本，[X（1）≤X（2）≤…≤X（n）]是其次序統(tǒng)計量[13]。該樣本的p位數(shù)定義為

[mp=Xk] （6）

其中[k=[np]+1]，[np]為取整運算。

設X1，X2，[…]，Xn是具有密度函數(shù)f（x）的總體的一個樣本，給定[p∈（0，1）]，f（x）在總體p分位數(shù)的ξp處連續(xù)，且[f（ξp）gt;0]。定義k，使[k=np+o（n）]，[o（n）]為高階無窮?。粍t對樣本的第k個次序統(tǒng)計量X（k）有

[n（Xk-ξp）p（1-p）/f（ξp）→LN0，1] （7）

式中： L——依分布收斂。

將識別出的34 294個邊界像素點進行統(tǒng)計分析，不同邊界數(shù)值數(shù)量的統(tǒng)計關系如圖6所示。從圖6可以發(fā)現(xiàn)，邊界點的數(shù)值的分布呈現(xiàn)出趨近于正態(tài)分布的趨勢，大多數(shù)的邊界像素點灰度值集中在25～100之間，125以上占少部分。

對于葡萄葉片而言，病斑存在數(shù)量多、不規(guī)則、隨機分布的特點，在邊界樣本上明顯多于葉片本身存在的條紋與邊界。結合圖7的結果可視化，從原理上分析，由于邊界存在一定的寬度，因此邊界的樣本在數(shù)值上也存在一定差異，例如，靠近病斑組織的邊界灰度值上趨近于病斑，靠近于正常組織的邊界灰度數(shù)值上趨近于正常組織，從而在分布上呈現(xiàn)出正態(tài)分布的趨勢。因此，所有邊界組織中50%分位數(shù)在數(shù)據(jù)分布上靠近邊界數(shù)值與數(shù)量擬合出的統(tǒng)計正態(tài)函數(shù)的中心，同時能夠避免少量的葉片邊界與葉脈輪廓等小樣本邊界數(shù)值對閾值確定的影響。因此，本文將邊界識別提取出的大量樣本數(shù)據(jù)取50%樣本分位數(shù)，作為判定病斑與正常組織的閾值。

1.4 基于蒙特卡洛方法的病斑占比估算

基于樣本分位數(shù)確定病斑識別的閾值之后，需要基于閾值統(tǒng)計估算病斑在葉片組織中的占比，以評估植株健康狀態(tài)。本文采用蒙特卡洛方法對病斑占比進行估算，首先基于隨機數(shù)生成的方法等概率索引葉片任一像素點，之后基于閾值對像素點是否為病斑組織進行判定，在大量索引之后，統(tǒng)計分析病斑出現(xiàn)概率，以估計病斑占比。

蒙特卡洛方法基于統(tǒng)計學與概率論的觀點進行求解近似，對于服從特定概率分布的隨機變量，生成的簡單子樣計算其算術平均值，并從概率上作為整體求解的近似值[14， 15]。設X1，X2，[…]，Xn是具有密度函數(shù)[f（x）]的一個樣本，且樣本[X1，X2，…，Xn]的期望值有限，隨機變量X的簡單子樣的算數(shù)平均值收斂到期望的概率為1，即

[P（limN→∞XN=E（X））=1] （8）

依據(jù)中心極限定理，對于任意λαgt;0都有

[p（xN-E（X）lt;λασN）≈2π0λαe12t2dt=1-α] （9）

式中： σ——隨機變量的標準差；

α——顯著水平；

λα——正態(tài)差，與置信水平α是一一對應的。

蒙德卡羅方法對X在[0，1]s上進行N次均勻抽樣，以N次抽樣結果的平均值作為近似值，表示為

[I=1Ni=1NF（Xi）≈I] （10）

由大數(shù)定理，當[N→∞]時[I]以概率1收斂到I，蒙特卡洛誤差定義為

[eN=I-I] （11）

中心極限定理描述了蒙德卡羅方法的誤差的大小和統(tǒng)計性質[16]。對任意的N，蒙特卡洛誤差可表示為

[eN=σN-1/2v] （12）

這里v是標準正態(tài)分布隨機變量，常數(shù)[σ=σ[F]]是F的根方差

[σ[F]=Ω（F（X）-I）2dX12] （13）

從式（13）中可以發(fā)現(xiàn)，方法的誤差以O（N-1/2）為階，系數(shù)是函數(shù)F的根方差，誤差的在統(tǒng)計分布層面呈現(xiàn)為正態(tài)分布。

2 數(shù)據(jù)集采集與驗證指標

2.1 數(shù)據(jù)采集

在本試驗中，霜霉病菌采用自然接種法接種，接種15～17 d待病菌孢子長出后，拍攝染病葉片的照片76幅。拍攝染病葉片時，保持相機與葉片垂直，以A4紙為拍照背景，使葉片與背景貼合，減少葉片翹起而產(chǎn)生的陰影，整體葉片包含在圖像內，保證有足夠的光照，拍照后以圖片格式保存。

本文從多個樣本中截取選取了病斑圖片共200例，同時截取正常的葉片圖片200例，對圖片打上標簽，建立二分類的圖像識別網(wǎng)絡，如圖8所示為本文采用的部分圖片。通過試驗，觀測霜霉病菌感染不同植株的情況，并對不同的植株進行拍照取樣，通過圖像識別的方法監(jiān)測葉片病斑比例，從而驗證本文病斑識別方法的有效性。本次試驗的葡萄霜霉病圖像數(shù)據(jù)集公開在https：//github.com/GaoRui?meteorology/Images?of?grape?downy?mildew.git。

2.2 驗證條件與指標

本次試驗硬件平臺采用window10操作系統(tǒng)，顯卡采用NVIDIA GeForce GTX 3090，CPU為因特爾Xeon Gold 5218。編程工具為Pycharm軟件，基于Python語言進行編程，深度學習采用Keras架構，并利用Cuda、Cudnn調用GPU進行加速。

為檢驗本文方法與對照組方法對葡萄病斑的探測精度，結合蒙德卡羅方法與人工標定對探測精度進行量化，具體方法有4步。Step1：通過隨機數(shù)生成的方法，在圖片上隨機選取N個像素點；Step2：結合人工經(jīng)驗，對N個點進行判定，確定N個點是否為病斑；Step3：通過本文方法與對照方法，分別得到圖像病斑與正常的位置信息；Step4：對比人工判定與識別方法對N個點的判定結果，計算識別精度。為了體現(xiàn)測量方法的準確性，將采用相對準確率（Relative Accuracy，RA）作為評價本文方法與對照方法的指標，其計算式為

[RA=（1-CwCN）×100%] （14）

式中： [CN]——蒙德卡羅采樣的所有點數(shù)；

[Cw]——采樣點中識別錯誤的點數(shù)。

RA值越大，證明方法識別精度越高，從而可量化判斷本文方法與對比方法的對病斑的識別能力。

3 試驗結果與分析

為縱向對比本文提出的灰度閾值確定方法的有效性，本文采用隨機閾值確定、中位數(shù)閾值確定、基于正常組織的閾值確定、基于病斑組織的閾值確定方法作為對照，對比不同閾值確定方法對于病斑識別精度帶來的影響，識別結果如圖9所示。

不同方法的識別精度如表1所示?？梢园l(fā)現(xiàn)，本文提出的病斑識別方法精度達到92.2%，明顯高于基于正常組織的閾值確定、基于中位數(shù)的閾值確定、基于病斑組織的閾值確定等閾值確定方法，說明采用病斑邊界樣本分為數(shù)作為病斑識別的閾值能夠自適應提取出病斑與正常組織的差異信息，從而為病斑的判定提供依據(jù)。

為對比本文提出的病斑識別方法的效果，采用BP神經(jīng)網(wǎng)絡、卷積神經(jīng)網(wǎng)絡、VGG16模型、支持向量機、ResNet50模型等經(jīng)典圖像識別方法作為對照。經(jīng)典的圖像識別方法采用的是機器學習的方法，需要對網(wǎng)絡進行訓練，以從樣本中學習識別病斑的經(jīng)驗知識。利用正常圖片與病斑圖片80%樣本量的320例圖片對網(wǎng)絡進行訓練，并采用其余20%的80例樣本數(shù)據(jù)對網(wǎng)絡識別能力進行驗證，結果如圖10所示。

不同模型的識別精度與平均耗時如表2所示。可以發(fā)現(xiàn)，本文提出的病斑識別方法精度達到92.2%，精度高于BP神經(jīng)網(wǎng)絡、卷積神經(jīng)網(wǎng)絡、支持向量機，但略低于VGG16模型的94.3%與ResNet50模型的96.26%，說明本文的病斑識別方法能夠達到較高的識別精度。但從平均用時指標分析，本文方法計算時間為1.410 s，遠快于其他機器學習方法，特別是具有深度網(wǎng)絡結構的VGG16模型的與ResNet50模型，雖然識別精度高于本文方法，但是計算時間分別為15.588 s與20.317 s，遠高于本文方法，原因是本文方法在計算步驟上采用簡單的灰度轉換、高斯濾波與閾值判定方法，計算量小，因此具有較快的計算速率。

4 結論

針對病斑組織圖像閾值難以確定的問題，提出一種基于邊界樣本分位數(shù)的自適應閾值確定方法，通過高斯濾波識別病斑邊界，并采用邊界樣本的50%分位數(shù)確定為病斑閾值。之后采用蒙特卡洛方法，通過隨機采樣方法估算病斑比例。

1） 提出的病斑識別方法精度達到92.2%，明顯高于基于正常組織的閾值確定、基于中位數(shù)的閾值確定、基于病斑組織的閾值確定等閾值確定方法，說明采用病斑邊界樣本分為數(shù)作為病斑識別的閾值能夠自適應提取出病斑與正常組織的差異信息，從而為病斑的判定提供依據(jù)。

2） 提出的病斑識別方法精度高于BP神經(jīng)網(wǎng)絡、卷積神經(jīng)網(wǎng)絡、支持向量機，但略低于VGG16模型的94.3%與ResNet50模型的96.26%，說明本文的病斑識別方法能夠達到較高的識別精度。

3） 從平均用時指標分析，本文方法計算時間為1.410 s，遠快于其他機器學習方法，特別是具有深度網(wǎng)絡結構的VGG16模型的與ResNet50模型，雖然識別精度高于本文方法，但是計算時間分別為15.588 s與20.317 s，說明本文方法能夠在較短的運行時間內實現(xiàn)較高的精度。

參 考 文 獻

[ 1 ] 杜娟， 李金， 張濤， 等. 應用real?time PCR定量檢測果園葡萄霜霉病菌潛伏侵染[J]. 江蘇農(nóng)業(yè)學報， 2021， 37（4）： 861-866.

Du Juan， Li Jin， Zhang Tao， et al. Quantitative detection of latent infection of grape downy mildew in field by real?time PCR [J]. Jiangsu Journal of Agricultural Sciences， 2021， 37（4）： 861-866.

[ 2 ] 楊付前， 馬靖艷. 葡萄霜霉病發(fā)生規(guī)律及防治措施[J]. 林業(yè)與生態(tài)， 2021（5）： 42.

[ 3 ] El?Helly M， El?Beltagy S， Rafea A. Image analysis based interface for diagnostic expert systems [C]. Proceedings of the Winter International Synposium on Information and Communication Technologies， Trinity College Dublin， 2004： 1-6.

[ 4 ] Sammany M， Medhat T. Dimensionality reduction using rough set approach for two neural networks?based applications [A]. Rough Sets and Intelligent Systems Paradigms [M]. Heidelberg： Springer Berlin， 2007.

[ 5 ] 張建華， 孔繁濤， 吳建寨， 等. 基于改進VGG卷積神經(jīng)網(wǎng)絡的棉花病害識別模型[J]. 中國農(nóng)業(yè)大學學報， 2018， 23（11）： 161-171.

Zhang Jianhua， Kong Fantao， Wu Jianzhai， et al. Cotton disease identification model based on improved VGG convolution neural network [J]. Journal of China Agricultural University， 2018， 23（11）： 161-171.

[ 6 ] 楊森， 馮全， 張建華. 基于深度學習與復合字典的馬鈴薯病害識別方法[J]. 農(nóng)業(yè)機械學報， 2020， 51（7）： 22-29.

Yang Sen， Feng Quan， Zhang Jianhua. Identification method for potato disease based on deep learning and composite dictionary [J]. Transactions of the Chinese Society for Agricultural Machinery， 2020， 51（7）： 22-29.

[ 7 ] Wei X K， Yang Z M， Liu Y X， et al. Railway track fastener defect detection based on image processing and deep learning techniques： A comparative study [J]. Engineering Applications of Artificial Intelligence， 2019， 80（4）： 66-80.

[ 8 ] 駱潤玫， 王衛(wèi)星. 基于卷積神經(jīng)網(wǎng)絡的植物病蟲害識別研究綜述[J]. 自動化與信息工程， 2021， 42（5）： 1-10.

Luo Runmei， Wang Weixing. Review on plant disease and pest identification based on convolutional neural network [J]. Automation and Information Engineering， 2021， 42（5）： 1-10.

[ 9 ] 楊紅云， 肖小梅， 黃瓊， 等. 基于卷積神經(jīng)網(wǎng)絡和遷移學習的水稻害蟲識別[J]. 激光與光電子學進展， 2022， 59（16）： 323-330.

Yang Hongyun， Xiao Xiaomei， Huang Qiong， et al. Rice pest identification based on convolutional neural network and transfer learning [J]. Laser amp; Optoelectronics Progress， 2022， 59（16）： 323-330.

[10] Wu Y， Lu Y J. An intelligent machine vision system for detecting surface defects on packing boxes based on support vector machine [J]. Measurement and Control， 2019， 52（7）： 1102-1110.

[11] 呂澤卿， 付興建. 基于改進Canny算法的絕緣子裂縫識別[J]. 北京信息科技大學學報（自然科學）， 2020， 35（6）： 25-30.

Lü Zeqing， Fu Xingjian. Insulator crack recognition based on improved Canny algorithm [J]. Journal of Beijing Information Science amp; Technology University， 2020， 35（6）： 25-30.

[12] 袁向榮. 邊緣識別的二維正交多項式擬合及結構變形檢測[J]. 圖學學報， 2014， 35（1）： 79-84.

Yuan Xiangrong. Orthogonal polynomial fitting for the edge detection and beam deformation measurement [J]. Journal of Graphics， 2014， 35（1）： 79-84.

[13] 潘晉新， 景博， 焦曉璇， 等. 多應力耦合條件下氧氣濃縮器退化建模[J]. 北京航空航天大學學報， 2023， 49（2）： 472-481.

Pan Jinxin， Jing Bo， Jiao Xiaoxuan， et al. Degradation modeling of oxygen concentrator in multiple stress coupling [J]. Journal of Beijing University of Aeronautics and Astronautics， 2023， 49（2）： 472-481.

[14] 淮妮. 基于蒙特卡洛的輸送機電液伺服系統(tǒng)動態(tài)特性分析[J]. 國外電子測量技術， 2021， 40（4）： 6-9.

[15] 王衛(wèi)東， 雷曉鳴， 杜香剛， 等. 基于蒙特卡洛和BIM的CRTSⅢ型板式無砟軌道鋪設工期仿真[J]. 中南大學學報（自然科學版）， 2019， 50（7）： 1655-1661.

Wang Weidong， Lei Xiaoming， Du Xianggang， et al. Period?simulation of CRTS Ⅲ slab track based on Monte Carlo simulation and BIM [J]. Journal of Central South University （Science and Technology）， 2019， 50（7）： 1655-1661.

[16] Alaya M B， Kebaier A. Central limit theorem for the multilevel Monte Carlo Euler method [J]. The Annals of Applied Probability， 2015， 25（1）： 1050-5164.