基于圖像的植物病害無損診斷方法研究進展

馬曉丹 祁廣云 關海鷗 金寶石 李偉凱 陳爭光 譚峰

摘 ?要：植物病害無損智能診斷一直是農業科研工作者研究的熱點問題之一，通過獲取染病植株圖像開展病害診斷方法研究是一個重要的研究手段，因此，文章綜述了基于圖像的植物病害無損診斷方法的研究進展。

關鍵詞：植物病害;圖像;無損診斷

雖然經過農業科技工作者的多年努力，植物病害監測、管理、防治等方面研究取得了顯著成效，但還存在著諸多問題。植物保護專家雖然具有病害診斷、預測的豐富經驗，但不能及時親臨生產一線實時診斷病情。同時，由于很難用精確和定量的數學對植物病害癥狀的外觀表癥進行描述，所以在對病害癥狀診斷的時往往出現偏差。把植物病害自動檢測看作是一個聚類或分類問題，這樣對植物病害進行識別時就可以利用圖像處理和模糊診斷模型技術，并對植物的安全生產全過程進行決策支持。

文章主要對近幾年來基于圖像的植物病害無損診斷方法的研究成果以及在這一領域中出現的新思路、新方法做了一個必要的回顧。

在棉花病害的識別研究中，毛罕平[1]等為提高作物病害區域圖像的提取效果，提出了一種基于模糊C均值聚類算法的病害圖像自適應分割方法，且正確率達到95%以上。張建華等[2]基于粗糙集和BP神經網絡實現了棉花常見病害的識別，對于四種棉花病害的識別正確率達到92.72%。

在馬鈴薯等病害的識別研究中，馬曉丹等[3-7]在研究植物病斑區域分割及病害等級預測過程中，利用了支持向量機及RGB顏色空間中病斑R分量明顯高于健康部分R分量的特點，選取R分量作為分割閾值，并利用統計驗證的方法有效地提取了病斑區域。該作者又將量子計算的態疊加方法和神經網絡計算的自適應性結合，提出了將量子神經網絡作為馬鈴薯早疫病診斷模型的思想，診斷正確率達到96.5%。在后續研究中，又開發了用于植物葉片病害智能分析系統及基于物聯網的大豆病害遠程智能診斷系統。

在水稻病害的識別研究中，路陽等[8]研究了水稻圖像的預處理方法，王遠等[9]在此基礎上利用數碼相機獲取水稻冠層圖像，根據圖像的綠色通道及紅色通道差值所設定的閾值實現了水稻冠層圖像與土壤背景的分割，劉濤[10]利用支持向量機實現了水稻十五種主要病害的識別，鄭姣等[11]開發了基于Android的水稻病害圖像識別系統。

在玉米病害的識別研究中，邵喬林等[12]采用基于鄰域直方圖的方法實現了玉米田綠色植物圖像分割方法，夏政偉[13]應用多重分形理論提取了玉米病害圖像的特征，張善文等[14]提出了一種基于局部判別映射的玉米病害識別方法，達到了達94.4%的識別精度。

在大豆病害的識別研究中，關海鷗等[15-17]利用T-S模型的模糊規則后件是輸入語言變量的函數特性，提出了線性清晰化的自適應五層模糊神經網絡作為農作物病害圖像模式分類的決策系統，并結合量子遺傳算法對模型的可調整參數初始值進行優化。該模型對馬鈴薯早疫病圖像的病斑區域分割精確達到100%。為提高模型的魯棒性，在后續的研究中，針對病害專家系統中特征條件的復雜性和不確定性等弊端，將病害證據可信度和不確定性推理的傳遞算法有機結合，提出了一種基于證據可信度不確定推理的大豆病害診斷方法。

在對蔬菜病害的識別研究中，李明等[18]，孫敏等[19]，魏清鳳等[20]通過收集設施果菜病害診斷知識，依據糊數學的思想及評估學中多比例法量化診斷知識，實現了病害診斷知識的有效表達，建立了蔬菜病害模糊神經網絡診斷模型及溫室蔬菜病害預警體系。

綜上所述，基于圖像進行植株病害診斷是信息技術在作物病害領域應用的重要發展方向，具有效率高、應用前景廣闊等優勢。與網絡技術、“3S”技術相結合是農業信息化領域的發展趨勢。

參考文獻

[1]毛罕平，張艷誠，胡波.基于模糊C均值聚類的作物病害葉片圖像分割方法研究[J].農業工程學報，2008，24（9）：136-140.

[2]張建華，祁力鈞，冀榮華，等.基于粗糙集和BP神經網絡的棉花病害識別[J].農業工程學報，2012，28（7）：161-167.

[3]馬曉丹，關海鷗，黃燕.基于圖像處理的玉米葉部染病程度的研究[J].農機化研究，2009，31（11）：102-110.

[4]馬曉丹，關海鷗，黃燕.基于支持向量機的植物圖像分割[J].農機化研究，2009（10）：46-48.

[5]馬曉丹，譚峰，許少華.基于量子神經網絡的馬鈴薯早疫病診斷模型[J].農業機械學報，2011（6）：174-183.

[6]馬曉丹，關海鷗，祁廣云，等.植物葉片智能分析系統的設計[J].中國農業大學學報，2012，17（5）：155-159.

[7]馬曉丹，左豫虎，關海鷗，等.基于物聯網的墾區大豆病害遠程診斷技術研究[J].沈陽農業大學學報，2013，44（4）：498-501.

[8]路陽，關海鷗，趙斌，等.水稻病害圖像預處理及其特征提取方法研究[J].農機化研究，2011（8）：27-30.

[9]王遠，王德建，張剛，等.基于數碼相機的水稻冠層圖像分割及氮素營養診斷[J].農業工程學報，2012，28（17）：131-136.

[10]劉濤，仲曉春，孫成明，等.基于計算機視覺的水稻葉部病害識別研究[J].中國農業科學，2014，47（4）：664-674.

[11]鄭姣，劉立波.基于Android的水稻病害圖像識別系統設計與應用[J].計算機工程與科學，2015，37（7）：1366-1371.

[12]邵喬林，安秋.基于鄰域直方圖的玉米田綠色植物圖像分割方法[J].江西農業學報，2011，23（5）：126-128.

[13]夏政偉.多重分形理論在玉米病害圖像特征提取中的應用[J].南方農業學報，2013，44（5）：871-874.

[14]張善文，張傳雷.基于局部判別映射算法的玉米病害識別方法[J].農業工程學報，2014，30（11）：167-172.

[15]關海鷗，許少華，譚峰.基于T-S模型的模糊神經網絡在植物病害圖像分割中的應用[J].中國農業大學，2011（3）：145-149.

[16]關海鷗，許少華，譚峰.基于遺傳模糊神經網絡的植物病斑區域圖像分割模型[J].農業機械學報，2010，41（11）：163-167.

[17]關海鷗，杜松懷，馬曉丹，等.基于證據可信度不確定推理的大豆病害診斷方法[J].農業工程學報，2013，29（S1）：109-114.

[18]李明，趙春江，楊信廷，等.溫室蔬菜病害預警體系初探—以黃瓜霜霉病為例[J].中國農學通報，2010，26（6）：324-331.

[19]孫敏，羅衛紅，相林，等.設施果菜病害診斷的知識表達與推理模型[J].農業工程學報，2012，28（17）：149-156.

[20]魏清鳳，羅長壽，曹承忠，等.基于模糊神經網絡的蔬菜病害診斷模型研究[J].湖北農業科學，2013，52（17）：4224-4227.