董松 徐曉輝 宋濤 程鑫 趙睿 張明輝 徐文超

摘要：【目的】針對(duì)黃瓜生長(zhǎng)過程中常見的霜霉病、白粉病和靶斑病，提出改進(jìn)的病害識(shí)別方法，為黃瓜病害自動(dòng)識(shí)別提供一種技術(shù)支持。【方法】將RGB模型的病害圖像轉(zhuǎn)換到HSV和YUV顏色空間，通過OTSU篩選，獲取閾值分割效果最好的HSV顏色空間的V分量，綜合全閾值法和局部動(dòng)態(tài)閾值法對(duì)V分量進(jìn)行分割，獲取病斑區(qū)和過渡區(qū)的分割圖像。分別提取病斑區(qū)和過渡區(qū)的顏色和形狀特征，基于支持向量機(jī)（Support vector machines，SVM）進(jìn)行病害識(shí)別?！窘Y(jié)果】以采集的240幅病害圖像為研究樣本，當(dāng)懲罰參數(shù)C=32，核函數(shù)參數(shù)γ=1時(shí)，基于病斑區(qū)和過渡區(qū)在顏色和形狀方面的22個(gè)特征數(shù)據(jù)，SVM分類器對(duì)霜霉病、白粉病和靶斑病3種病害的識(shí)別率分別達(dá)83.3%、76.7%和90.0%，對(duì)比僅以病斑區(qū)的11個(gè)特征數(shù)據(jù)為基礎(chǔ)的識(shí)別結(jié)果，增加過渡區(qū)特征數(shù)據(jù)之后，黃瓜病害識(shí)別率有較大提升，分別提高26.6%、13.4%和16.7%（絕對(duì)值）?！窘ㄗh】未來研究中應(yīng)拓展黃瓜病害研究的種類，在進(jìn)行病害識(shí)別時(shí)應(yīng)將病害發(fā)展程度及病害的混合性考慮在內(nèi)。

關(guān)鍵詞： 黃瓜;病害識(shí)別;圖像分割;過渡區(qū);特征提取;支持向量機(jī)

中圖分類號(hào)： S436.421;TP391.41 ? ? ? ? ?文獻(xiàn)標(biāo)志碼： A? ? ? ?文章編號(hào)：2095-1191（2019）09-2119-08

Abstract：【Objective】To improve the disease identification method for common downy mildew， powdery mildew and target spot disease in cucumber growth process， and provide a technical support for automatic identification of fruit and vegetable diseases. 【Method】The disease image of RGB model was converted to HSV and YUV color space. The V component of HSV color space with the best threshold segmentation effect was obtained by OTSU. The V component was segmented by integrated full threshold method and local dynamic threshold method and obtained a segmented image of the lesion area and the transition area. The color and shape features of the lesion area and the transition area were extracted， and the disease recognition was performed based on the support vector machine（SVM）. 【Result】Taking 240 di-sease images as research samples， when penalty parameter C=32 and kernel function parameter γ=1， based on the 22 features of the lesion area and the transition area in color and shape， the recognition rates of the SVM classifier for downy mildew， powdery mildew and target spot disease reached 83.3%， 76.7% and 90.0%. Compared with the identification results based on 11 features of the lesion area，after increasing the features of the transition area， the disease recognition rate greatly improved 26.6%，13.4% and 16.7%（abslute value）. 【Suggestion】In the future， the research should expand the types of cucumber disease research， and take into account the degree of disease development and the mixture of di-seases in the identification of diseases.

Key words： cucumber; disease identification; image segmentation; transition area; feature extraction; support vector machines（SVM）

0 引言

【研究意義】果蔬的生長(zhǎng)環(huán)境各不相同，病害發(fā)生的誘因也有明顯差異。黃瓜在生長(zhǎng)過程中產(chǎn)生各種病害，常見的有霜霉病、白粉病和靶斑病，均為在環(huán)境發(fā)生變化時(shí)葉片滋生的病害。由于原始人工經(jīng)驗(yàn)無法保證穩(wěn)定的產(chǎn)量，隨著計(jì)算機(jī)視覺技術(shù)的發(fā)展壯大，人們開始在果蔬病害識(shí)別領(lǐng)域中逐步進(jìn)行研究和探索（Barbedo，2016;Jeon and Rhee，2017）。因此，基于計(jì)算機(jī)視覺技術(shù)開發(fā)黃瓜等果蔬病害的識(shí)別方法對(duì)于農(nóng)業(yè)自動(dòng)化智能化發(fā)展具有重要意義。【前人研究進(jìn)展】目前，對(duì)于果蔬病害識(shí)別的研究已有不少成果。趙開才（2012）針對(duì)水稻稻瘟病病斑圖像分割精度不高的情況，基于二分類支持向量機(jī)（Support vector machines，SVM）實(shí)現(xiàn)稻瘟病最佳分類效果，提取病害的顏色和形態(tài)特征進(jìn)行識(shí)別，平均正確識(shí)別率達(dá)93.3%;冀曉麗（2014）針對(duì)黃瓜白粉病提出一種多平滑尺度的分水嶺分割算法，提取病斑樣本中區(qū)分度較大的特征，設(shè)計(jì)了一種基于SVM的識(shí)別算法，并為檢測(cè)識(shí)別過程提供了操作界面;李旺等（2014）在HIS空間提取圖像的顏色特征，并通過SVM對(duì)霜霉病、角斑病和白粉病進(jìn)行識(shí)別，效果良好;余秀麗等（2014）采用K均值聚類算法對(duì)圖像進(jìn)行分割，并提取了病斑區(qū)的紋理和形狀特征，基于SVM進(jìn)行病害識(shí)別，其中基于形狀特征的識(shí)別效果較好，識(shí)別率達(dá)99.33%;秦豐等（2017）結(jié)合K中級(jí)聚類和線性判別分析法分割病害圖像，提取歸一化的HSV特征，建立基于SVM的病害識(shí)別模型;馬雪松（2018）改進(jìn)基于非綠特征的病斑圖像分割算法，并提取花生褐斑病的32個(gè)特征數(shù)據(jù)，基于SVM的病害識(shí)別率達(dá)96.47%?！颈狙芯壳腥朦c(diǎn)】黃瓜葉部病害在外觀和結(jié)構(gòu)上各不相同，每種病害都具有其獨(dú)特的顏色構(gòu)成和內(nèi)部隱含特征，目前大多數(shù)研究集中在病害的顏色分布、形狀特性和內(nèi)部紋理結(jié)構(gòu)等方面，鮮有研究者注意病斑的蔓延需要一定過程，而忽略了對(duì)病斑部分與健康葉片交界部分的研究?！緮M解決的關(guān)鍵問題】通過篩選和圖像分割獲取黃瓜葉片上病斑區(qū)圖像及病斑區(qū)與健康部分間的過渡區(qū)圖像，分別提取病斑區(qū)與過渡區(qū)的顏色和形狀特征數(shù)據(jù)，并基于SVM識(shí)別黃瓜霜霉病、白粉病和靶斑病等3種主要病害，以優(yōu)化特征數(shù)據(jù)集、提高識(shí)別成功率，為黃瓜病害的自動(dòng)識(shí)別提供一種技術(shù)途徑。

1 材料與方法

1. 1 材料獲取

為保證研究結(jié)果的準(zhǔn)確性，黃瓜3種病害的圖像一部分采集自某植物基地;由于植物基地的病害樣本無法全面涵蓋病害特征，為豐富相應(yīng)病害樣本的特征，提高實(shí)驗(yàn)結(jié)果的魯棒性，而添加部分來源于網(wǎng)站及數(shù)據(jù)庫的圖片，包括農(nóng)業(yè)病蟲草害圖文數(shù)據(jù)庫（http：//bcch.ahnw.cn/default.aspx）、智慧農(nóng)資服務(wù)平臺(tái)（http：//pic.114nz.com/shucaibinghai/gualei/huanggua/）和河南云飛科技發(fā)展有限公司病蟲害圖庫（http：//www.hnyfkj.com.cn/newslist.asp？Cid=100）。霜霉病、白粉病和靶斑病3種病害均挑選拍攝效果較理想、病斑特征明顯的圖像，在植物基地拍攝采集的過程中以白板作為拍攝背景，盡量減少干擾信息，每種病害圖像各80幅，共240幅，并統(tǒng)一裁剪成400 px×300 px。

1. 2 圖片處理

病害圖像在采集過程中由于光照、灰塵、水霧等環(huán)境因素影響會(huì)使圖像中包含一定的噪聲（Revathi and Hemalatha，2014），影響圖像質(zhì)量，在后期處理中和特征提取時(shí)會(huì)產(chǎn)生干擾信息。綜合考慮圖像的清晰度和去噪程度，本研究采用對(duì)隨機(jī)噪聲降噪能力較好的中值濾波對(duì)裁剪后的圖像進(jìn)行處理。

對(duì)于處理過的RGB圖像，在閾值分割時(shí)可能存在一定缺陷，為獲取較好的分割效果，將原有的RGB圖像轉(zhuǎn)換為多種不同顏色空間圖像，提取各空間模型中的分量進(jìn)行OTSU分割，篩選出分割效果最好的分量圖像作為下一步分割基礎(chǔ)。為準(zhǔn)確區(qū)分過渡區(qū)與病斑區(qū)，結(jié)合全閾值法和局部動(dòng)態(tài)閾值法對(duì)篩選出的分量進(jìn)行分割，通過數(shù)學(xué)統(tǒng)計(jì)分析得到最佳二值化圖像，用于病害的形狀特征提取。然后與原圖像進(jìn)行一系列位操作獲取病斑區(qū)和過渡區(qū)的彩色分割圖像，用于病害的顏色特征提取。在進(jìn)行病害識(shí)別時(shí)，將病斑區(qū)特征數(shù)據(jù)作為一種輸入數(shù)據(jù)集，病斑區(qū)和過渡區(qū)特征數(shù)據(jù)相結(jié)合作為另一種輸入數(shù)據(jù)集，分別應(yīng)用SVM進(jìn)行識(shí)別，比較兩種方式的識(shí)別結(jié)果，分析過渡區(qū)特征對(duì)黃瓜病害識(shí)別的貢獻(xiàn)度。

1. 3 統(tǒng)計(jì)分析

圖像處理過程均在Visual Studio 2015中完成;SVM分類模型訓(xùn)練和識(shí)別通過調(diào)用Windows平臺(tái)的LIBSVM工具包完成。

2 結(jié)果與分析

2. 1 病斑區(qū)和過渡區(qū)的圖像分割

顏色分布不同是分辨病害區(qū)、過渡區(qū)和正常葉片最明顯的特點(diǎn)，正常情況下的RGB圖像由于光照和采集相機(jī)的影響，顏色分辨能力較弱，通過顏色空間轉(zhuǎn)換可增強(qiáng)病斑和正常葉片的差異性，便于圖像的病斑分割。因此，本研究將正常的病害RGB圖像進(jìn)行顏色空間模型轉(zhuǎn)換，分別提取HSV、YUV和RGB不同顏色空間的9個(gè)分量（陳曉倩等，2018;宋麗娟，2018）。其中，HSV模型中H代表色調(diào)，S代表飽和度，V代表明度;YUV模型中Y代表亮度，U和V代表色差;RGB模型中RGB三分量分別代表紅綠藍(lán)。圖1為黃瓜靶斑病的9種分量圖。病害圖像的某些分量會(huì)提高病斑部分與正常葉片的差異性，同時(shí)有一些分量會(huì)降低差異性，對(duì)于色度差異性明顯的圖像，在圖像直方圖中會(huì)產(chǎn)生雙峰效果，OTSU法正是根據(jù)這一特點(diǎn)實(shí)現(xiàn)理想快速的分割結(jié)果。

本研究首先應(yīng)用OTSU對(duì)提取的9種分量進(jìn)行二值化分割，通過對(duì)比選擇分割能力最強(qiáng)的分量圖，以便后續(xù)處理。圖2為幾種分割效果較好的分量圖，在圖像的完整程度和分割效果上，HSV模型中的V分量弱化了其他因素的干擾，最大程度體現(xiàn)了病斑與正常葉片的差異性，但過渡區(qū)既包含病斑的特征又與正常部分有相似之處，且顏色構(gòu)成復(fù)雜漸變，普通的閾值分割難以獲得理想的分割效果，因此，本研究提出一種全閾值法與局部動(dòng)態(tài)閾值法相結(jié)合的分割方法。

全閾值法是以整幅圖像的灰度值分布作為分割依據(jù)，原圖像和分割圖像進(jìn)行如下變換：

局部動(dòng)態(tài)閾值法的基本思想是將難以區(qū)分的圖像劃分為獨(dú)立的子圖像，各子圖像獨(dú)立分析選擇對(duì)應(yīng)閾值進(jìn)行分割（梁麗秀等，2019），將區(qū)分度較小的病斑交界區(qū)應(yīng)用局部動(dòng)態(tài)閾值法進(jìn)行分割，流程如圖3所示。

在經(jīng)OTSU篩選之后，HSV顏色空間V分量的閾值分割效果最好。在此基礎(chǔ)上，研究結(jié)合全閾值法和局部動(dòng)態(tài)閾值法對(duì)V分量進(jìn)行分割，獲取目標(biāo)區(qū)域分割面積與閾值的變化關(guān)系，并通過對(duì)該關(guān)系曲線的計(jì)算，統(tǒng)計(jì)曲線斜率與閾值的變化趨勢(shì)，靶斑病分割的兩種變化曲線如圖4所示。曲線的走勢(shì)代表了圖像隨閾值變化的分割效果，圖4-A中有兩個(gè)明顯的突增部分，對(duì)應(yīng)的斜率也突然增大（圖4-B），第一個(gè)上升部分代表病斑區(qū)域的二值化，第二個(gè)上升部分代表周圍健康部分的二值化，中間部分則是過渡區(qū)的二值化。兩個(gè)上升過程中斜率從小于1.0到大于1.0的變化過程即為病斑區(qū)、過渡區(qū)和正常區(qū)的臨界閾值，量化統(tǒng)計(jì)兩個(gè)上升過程中斜率在[0.5，1.5]的閾值平均值A(chǔ)1和A2作為病斑區(qū)和過渡區(qū)的分割閾值，根據(jù)A1和A2可獲得單純病斑區(qū)和包含過渡部分病斑區(qū)的分割結(jié)果。依照以上方法可分別得出3種病害原圖、病斑區(qū)和過渡區(qū)。分割后的二值化圖像與原圖像通過位操作即可獲得過渡區(qū)和病斑區(qū)的彩色分割圖像（圖5）。分割流程如圖6所示。

2. 2 特征提取

2. 2. 1 顏色特征 病態(tài)的黃瓜葉片通常會(huì)局部呈現(xiàn)出不正常顏色，不同病害產(chǎn)生的病斑顏色也有明顯差別，因此根據(jù)病斑顏色構(gòu)成間的差距可提取病斑圖像獨(dú)有的顏色特征，從而作為分類器的一種判斷依據(jù)。最常用的彩色圖像模型是RGB三通道模型，Stricker和Orengo（1995）提出采用顏色矩來描述彩色圖像中的顏色分布情況，圖像顏色的主要分布情況大部分可用顏色空間的一階矩和二階矩來表示。本研究提取病斑圖像RGB三個(gè)通道的一階矩和二階矩，可獲得6個(gè)顏色特征數(shù)據(jù)，計(jì)算公式可表示為：

2. 2. 2 形狀特征 形狀特征主要體現(xiàn)對(duì)象的幾何特征，一般是指對(duì)于圖像經(jīng)位移變換、旋轉(zhuǎn)變換及尺度變化等干擾仍有效的深層次特征提取。普通的形狀特征未具有對(duì)于位置變換的不敏感性，病斑圖像的復(fù)雜性會(huì)造成普通形狀特征存在較大誤差。圖像中病斑的面積即像素總和A，病斑邊緣的像素?cái)?shù)總和即為周長(zhǎng)L，病斑區(qū)域最小外接矩長(zhǎng)軸W和短軸H，通過一定的變換可得到5個(gè)具有較強(qiáng)穩(wěn)定性的形狀特征數(shù)據(jù)（王利偉等，2017;Ebrahimi et al.，2017）。計(jì)算方法如下：

病斑圖像經(jīng)分割后得到病斑區(qū)和過渡區(qū)的二值化圖像，由于包含一定的隱含噪聲和相鄰病斑區(qū)域的破碎信息，在計(jì)算輪廓和面積時(shí)可能產(chǎn)生一定干擾。首先對(duì)二值化圖像進(jìn)行適當(dāng)?shù)男螒B(tài)學(xué)增強(qiáng)處理，先腐蝕后膨脹，消除圖像中獨(dú)立的纖維部分，同時(shí)削弱病斑周圍輪廓的破碎性，增強(qiáng)病斑原有輪廓的形態(tài)學(xué)特性。然后調(diào)用OpenCV庫中的cvContoursArea（ ）函數(shù)計(jì)算二值化圖像中的分割輪廓面積A，cvArcLength（ ）函數(shù)計(jì)算圖像的分割輪廓長(zhǎng)度L，cvMinAreaRect2（ ）函數(shù)計(jì)算外接矩的長(zhǎng)短軸W和H，以此為基礎(chǔ)數(shù)據(jù)計(jì)算各形狀特征數(shù)據(jù)。

由于病害圖像中會(huì)出現(xiàn)一些病斑區(qū)域接壤較多的部分，經(jīng)圖像分割和適當(dāng)形態(tài)學(xué)處理后仍無法進(jìn)行有效的病斑分離，這樣計(jì)算出的形狀特征數(shù)據(jù)會(huì)表現(xiàn)為數(shù)據(jù)較大或較小，有一定的突變性。為壓縮這種情況對(duì)正常數(shù)據(jù)的影響，在進(jìn)行特征訓(xùn)練之前對(duì)數(shù)據(jù)進(jìn)行歸一化處理，將原有數(shù)據(jù)映射到某一數(shù)值區(qū)間內(nèi)，增強(qiáng)數(shù)據(jù)的可比性，極大程度削減異常數(shù)據(jù)對(duì)建立正常分類模型的干擾。由此在保留所有特征數(shù)據(jù)的基礎(chǔ)上弱化了參數(shù)的相對(duì)重要性，訓(xùn)練的分類器更加穩(wěn)定可靠。

2. 3 基于SVM的病害識(shí)別

2. 3. 1 SVM 1995年Cortes和Vapnik提出了SVM理論，其核心思想是通過變化尋找某一最符合分類條件的分類超平面，該平面可兼顧分類間隔的最大化和分類精度的精細(xì)化（Hsu and Lin，2002）。為實(shí)現(xiàn)分類器的高效分類性能，通過某種函數(shù)變化將所需問題映射到某一高維空間，在高維空間中變得線性可分，因此能做出分類判斷以上即為需要核函數(shù)映射的SVM，該過程需要反復(fù)驗(yàn)證懲罰參數(shù)C及相應(yīng)的核函數(shù)參數(shù)，以獲得最佳的分類效果。SVM分類器決策核函數(shù)公式為：

本研究的SVM采用徑向基核函數(shù)進(jìn)行計(jì)算，公式為：

式中，γ是核函數(shù)參數(shù)，默認(rèn)值是1/num-features。本研究采用徑向基核函數(shù)的原因有兩個(gè);首先徑向基核函數(shù)可將數(shù)據(jù)映射到高維空間，以處理標(biāo)簽與屬性間的非線性關(guān)系;其次過多的參數(shù)會(huì)影響模型的復(fù)雜度，徑向基核函數(shù)只需要經(jīng)交叉驗(yàn)證后確定懲罰參數(shù)C和γ兩個(gè)參數(shù)，結(jié)果偏差性較小。

2. 3. 2 SVM分類識(shí)別 黃瓜3種代表性病害采集的各80幅圖像中，每種病害隨機(jī)挑選出50幅圖像作為訓(xùn)練樣本，另外30幅作為測(cè)試樣本，識(shí)別方式分成以下兩種：

（1）提取病斑圖像顏色和形狀兩方面的11個(gè)特征數(shù)據(jù)進(jìn)行訓(xùn)練識(shí)別。

（2）提取過渡區(qū)顏色和形狀的11個(gè)特征數(shù)據(jù)，加上病斑區(qū)的11個(gè)特征數(shù)據(jù)一起訓(xùn)練識(shí)別。

每種識(shí)別方法反復(fù)進(jìn)行3次，50幅訓(xùn)練圖像也隨機(jī)抽取3次以保證結(jié)果的準(zhǔn)確性，最后計(jì)算平均識(shí)別率，在計(jì)算識(shí)別結(jié)果的平均數(shù)量時(shí)均采取四舍五入取整方式。識(shí)別流程如圖7所示。

特征數(shù)據(jù)提取過程中由于噪聲及非理想化處理會(huì)產(chǎn)生一些突變數(shù)據(jù)，直接作為訓(xùn)練的輸入數(shù)據(jù)集會(huì)對(duì)正常數(shù)據(jù)造成干擾，因此訓(xùn)練之前應(yīng)對(duì)數(shù)據(jù)進(jìn)行歸一化處理，將數(shù)據(jù)映射到某一較小區(qū)間，降低突變數(shù)據(jù)的干擾性，本研究采用默認(rèn)的歸一化范圍[-1，1]。

SVM分類器經(jīng)交叉驗(yàn)證后確定懲罰參數(shù)C=32，核函數(shù)參數(shù)γ=1，重復(fù)3次上述兩種識(shí)別方式后，3種病害識(shí)別結(jié)果的對(duì)比如表1所示。霜霉病、白粉病和靶斑病的識(shí)別率分別為83.3%、76.7%和90.0%;對(duì)比僅以病斑區(qū)的顏色和形狀特征作為SVM的分類識(shí)別數(shù)據(jù)，提取過渡區(qū)圖像的11個(gè)顏色和形狀特征提高了黃瓜病害的識(shí)別率，成功率分別提高26.6%、13.4%和16.7%（絕對(duì)值），高于傳統(tǒng)的病斑區(qū)特征識(shí)別方法。

3 討論

果蔬病害自動(dòng)化識(shí)別是農(nóng)業(yè)物聯(lián)網(wǎng)構(gòu)建中重要的環(huán)節(jié)，通過計(jì)算機(jī)視覺技術(shù)對(duì)果蔬的病害進(jìn)行處理識(shí)別也是目前較熱門的研究領(lǐng)域。針對(duì)不同的植物果蔬種類及對(duì)應(yīng)的病害，目前已提出多種研究方法。Huang（2007）提取蝴蝶蘭秧苗軟腐病和褐斑病的顏色與紋理特征，基于前饋神經(jīng)網(wǎng)絡(luò)進(jìn)行分類，識(shí)別率達(dá)89.6%;楊燕（2012）通過光學(xué)捕獲裝置無損獲取水稻稻瘟病的病害信息，通過高光譜技術(shù)提取特征，基于高斯擬合參數(shù)和小波系數(shù)建立了病害識(shí)別模型;張鵬等（2017）根據(jù)病斑的面積和分布提出了針對(duì)黃瓜白粉病的3個(gè)特征參數(shù)，并通過人工神經(jīng)網(wǎng)絡(luò)完成了葉片的病態(tài)模式分類;孫世鵬等（2018）提取RGB模型中的R分量、HSB中的S分量（L*a*b*）中的b分量，建立Bayes線性判別函數(shù)，冬棗黑斑類病害識(shí)別率達(dá)89.6%。上述方法各有不同，對(duì)特定的研究對(duì)象也有一定的識(shí)別效果，但均未脫離對(duì)病害區(qū)域的研究。果蔬病害的發(fā)生由環(huán)境、細(xì)菌和果蔬本身三方面因素造成，也是一個(gè)細(xì)菌的蔓延過程。病害的不同決定了病斑區(qū)的特征差異，同時(shí)決定了過渡區(qū)的差異性。本研究基于這種分析獲取了病斑區(qū)與極少關(guān)注的過渡區(qū)的分割圖像，通過提取過渡區(qū)的顏色和形狀特征作為補(bǔ)充數(shù)據(jù)，并結(jié)合病斑區(qū)的特征數(shù)據(jù)作為病害識(shí)別的輸入數(shù)據(jù)集對(duì)病害進(jìn)行識(shí)別。

本研究也通過貝葉斯算法和神經(jīng)網(wǎng)絡(luò)對(duì)特征數(shù)據(jù)進(jìn)行分類，但由于樣本數(shù)量有限，特征數(shù)據(jù)間有復(fù)雜的關(guān)聯(lián)性。其中，貝葉斯算法受數(shù)據(jù)非獨(dú)立性干擾識(shí)別效果不理想;神經(jīng)網(wǎng)絡(luò)又缺乏大量的數(shù)據(jù)支撐，無法建立飽滿的映射關(guān)系，識(shí)別誤差較大，得出兩種方法對(duì)于樣本的識(shí)別率均低于60%。因此，確定采用SVM分類方法。SVM能有效克服小樣本數(shù)據(jù)的分類問題，通過核函數(shù)映射實(shí)現(xiàn)數(shù)據(jù)高維空間的劃分，加入過渡區(qū)特征數(shù)據(jù)之后霜霉病、白粉病和靶斑病3種病害的識(shí)別率分別達(dá)83.3%、76.7%和90.0%，分類效果最好。對(duì)比基于SVM的識(shí)別結(jié)果，過渡區(qū)特征提取對(duì)黃瓜病害的識(shí)別有較大貢獻(xiàn)度，為黃瓜乃至全部果蔬病害的識(shí)別開拓了一種新的研究思路。

4 建議

4. 1 拓展病害研究種類

本研究以黃瓜常見的霜霉病、白粉病和靶斑病為研究對(duì)象，增加過渡區(qū)特征數(shù)據(jù)的SVM分類器僅限于3種病害的識(shí)別。實(shí)際種植過程中黃瓜的環(huán)境復(fù)雜多變，易產(chǎn)生的病害種類更多，要求病害識(shí)別分類器有更強(qiáng)大的數(shù)據(jù)訓(xùn)練基礎(chǔ)。今后應(yīng)繼續(xù)拓展病害的研究種類，提取相應(yīng)的特征數(shù)據(jù)作為SVM的訓(xùn)練集，提高識(shí)別性能。

4. 2 增加病害發(fā)展程度的劃分

病害發(fā)生的過程與細(xì)菌的寄生過程相關(guān)，僅從病害角度考慮，是一個(gè)從局部葉片到整體葉片的過程。雖然不同病害的特征差異明顯，但同一病害不同時(shí)期葉片上病斑區(qū)和過渡區(qū)的特征表現(xiàn)也不完全相同。精細(xì)化地區(qū)分病害不同發(fā)展程度的特征，明確判斷病害發(fā)生的嚴(yán)重性等級(jí)，可指導(dǎo)管理人員采取相應(yīng)的彌補(bǔ)措施，既可減少產(chǎn)量損失，又能避免資源的過多消耗。

4. 3 考慮病害的混合發(fā)生

由于環(huán)境的復(fù)雜性，黃瓜的病害可能混合發(fā)生，采集到葉片中包含不止一種病害，相鄰的病斑區(qū)由于相互影響會(huì)造成更復(fù)雜的過渡區(qū)，因此在病斑分割和特征提取時(shí)需考慮更多的影響因素。在今后的研究中應(yīng)注意區(qū)分混合性過渡區(qū)和病斑區(qū)的不同，實(shí)現(xiàn)黃瓜葉片中混合病害的識(shí)別。

參考文獻(xiàn)：

陳曉倩，唐晶磊，王棟. 2018. 基于SLIC方法的光照偏強(qiáng)農(nóng)田圖像分割研究[J]. 計(jì)算機(jī)工程與應(yīng)用，54（2）：209-213.[Chen X Q，Tang J L，Wang D. 2018. Research on farmland image segmentation based on SLIC method under strong light[J]. Computer Engineering and Applications，54（2）：209-213.]

冀曉麗. 2014. 基于支持向量機(jī)的黃瓜葉部白粉病害檢測(cè)[D]. 沈陽：東北大學(xué). [Ji X L. 2014. Detection of cucumber powdery mildew based on support vector machines[D]. Shenyang：Northeastern University.]

李旺，唐少先，陳蓉. 2014. 基于顏色特征和支持向量機(jī)的黃瓜葉部病害識(shí)別[J]. 農(nóng)機(jī)化研究，36（1）：73-75. [Li W，Tang S X，Chen R. 2014. Recognition of cucumber disease based on color features and support vector machine[J]. Journal of Agricultural Mechanization Research，36（1）：73-75.]

梁麗秀，葉麗軍，吳丹，楊萬能. 2019. 水稻表層根系圖像分割算法研究[J]. 中國(guó)農(nóng)業(yè)科技導(dǎo)報(bào)，21（1）：70-79. [Liang L X，Ye L J，Wu D，Yang W N. 2019. Study on image segmentation algorithm of rice surface root[J]. Journal of Agricultural Science and Technology，21（1）：70-79.]

馬雪松. 2018. 基于支持向量機(jī)的花生褐斑病圖像識(shí)別[D]. 合肥：安徽大學(xué). [Ma X S. 2018. Image recognition of pea-nut brown spot based on support vector machine[D]. Hefei：Anhui University.]

秦豐，劉東霞，孫炳達(dá)，阮柳，馬占鴻，王海光. 2017. 基于深度學(xué)習(xí)和支持向量機(jī)的4種苜蓿葉部病害圖像識(shí)別[J]. 中國(guó)農(nóng)業(yè)大學(xué)學(xué)報(bào)，22（7）：123-133. [Qin F，Liu D X，Sun B D，Ruan L，Ma Z H，Wang H G. 2017. Image recognition of four different alfalfa leaf diseases based on deep learning and support vector machine[J]. Journal of China Agricultural University，22（7）：123-133.]

宋麗娟. 2018. 基于顏色特征碼本的病害圖像分類算法研究[J]. 安徽農(nóng)業(yè)科學(xué)，46（4）：198-202. [Song L J. 2018. Study on disease image classification algorithm based on color feature codebook[J]. Journal of Anhui Agricultural Sciences，46（4）：198-202.]

孫世鵬，李瑞，謝洪起，馮亞利，傅隆生，朱兆龍. 2018. 基于機(jī)器視覺的冬棗病害檢測(cè)[J]. 農(nóng)機(jī)化研究，40（9）：183-188. [Sun S P，Li R，Xie H Q，F(xiàn)eng Y L，F(xiàn)u L S，Zhu Z L. 2018. Detection of winter jujube diseases based on machine vision[J]. Journal of Agricultural Mechanization Research，40（9）：183-188.]

王利偉，徐曉輝，蘇彥莽，宋濤，鄧一凡，方正. 2017. 基于計(jì)算機(jī)視覺的葡萄葉部病害識(shí)別研究[J]. 江蘇農(nóng)業(yè)科學(xué)，45（23）：222-225. [Wang L W，Xu X H，Su Y M，Song T，Deng Y F，F(xiàn)ang Z. 2017. Study on recognition of grape leaf diseases based on computer vision[J]. Jiangsu Agricultural Sciences，45（23）：222-225.]

楊燕. 2012. 基于高光譜成像技術(shù)的水稻稻瘟病診斷關(guān)鍵技術(shù)研究[D]. 杭州：浙江大學(xué). [Yang Y. 2012. The key diag-nosis technology of rice blast based on hyper-spectral image[D]. Hangzhou：Zhejiang University.]

余秀麗，徐超，王丹丹，張衛(wèi)園，屈衛(wèi)鋒，宋懷波. 2014. 基于SVM的小麥葉部病害識(shí)別方法研究[J]. 農(nóng)機(jī)化研究，36（11）：151-155. [Yu X L，Xu C，Wang D D，Zhang W Y，Qu W F，Song H B. 2014. Identification of wheat leaf diseases based on SVM method[J]. Journal of Agricultu-ral Mechanization Research，36（11）：151-155.]

張鵬，朱育強(qiáng)，王麗莉，周勝軍. 2017. 基于機(jī)器視覺技術(shù)的黃瓜葉片白粉病識(shí)別[J]. 中國(guó)農(nóng)學(xué)通報(bào)，33（21）：134-137.[Zhang P，Zhu Y Q，Wang L L，Zhou S J. 2017. Recognition of cucumber leaf powdery mildew based on machine vision[J]. Chinese Agricultural Science Bulletin，33（21）：134-137.]

趙開才. 2012. 基于支持向量機(jī)的水稻稻瘟病識(shí)別技術(shù)研究[D]. 哈爾濱：哈爾濱工程大學(xué). [Zhao K C. 2012. Research on technology of rice blast recognition based on support vector machine[D]. Harbin：Harbin Engineering University.]

Barbedo J G A. 2016. A review on the main challenges in automatic plant disease identification based on visible range images[J]. Biosystems Engineerind，144：52-60.doi：10. 1016/ j.biosystemseng.2016.01.017.

Cortes C，Vapnik V. 1995. Machine learning[J]. Support-vector networks，20（3）：273-297.

Ebrahimi M A，Khoshtaghaza M H，Minaee S，Jamshidi B.2017. Vision-based pest detection based on SVM classification method[J]. Computers and Electronics in Agriculture，137（1）：52-58. doi： 10.1016/j.compag.2017.03.016.

Hsu C W，Lin C J. 2002. A comparison of methods for multiclass support vector machines[J]. IEEE Transactions on Neural Networks，13（2）：415-425. doi：10.1109/72.991427.

Huang K Y. 2007. Application of artificial neural network for detecting Phalaenopsis seedling diseases using color and texture features[J]. Computers and Electronics in Agriculture，57（1）：3-11. doi： 10.1016/j.compag.2007.01.015.

Jeon W S，Rhee S Y. 2017. Plant leaf recognition using a convolution neural network[J]. Internation Journal of Fuzzy Logic and Intelligent Systems，17（1）：26-34.doi： 10.5391/ IJFIS.2017.17.1.26.

Revathi P， Hemalatha M. 2014. Cotton leaf spot diseases detection utilizing feature selection with skew divergence method[J]. International Journal of Scientific Enginee-ring and Technology，3（1）：22-30.

Stricker M，Orengo M. 1995. Similarity of color images[J]. Proceedings of SPIE-The International Society for Optical Engineering. doi： 10.1117/12.205308.

（責(zé)任編輯 鄧慧靈）