基于過渡區研究的黃瓜病害識別方法

董松 徐曉輝 宋濤 程鑫 趙睿 張明輝 徐文超

摘要：【目的】針對黃瓜生長過程中常見的霜霉病、白粉病和靶斑病，提出改進的病害識別方法，為黃瓜病害自動識別提供一種技術支持。【方法】將RGB模型的病害圖像轉換到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態閾值法對V分量進行分割，獲取病斑區和過渡區的分割圖像。分別提取病斑區和過渡區的顏色和形狀特征，基于支持向量機（Support vector machines，SVM）進行病害識別?！窘Y果】以采集的240幅病害圖像為研究樣本，當懲罰參數C=32，核函數參數γ=1時，基于病斑區和過渡區在顏色和形狀方面的22個特征數據，SVM分類器對霜霉病、白粉病和靶斑病3種病害的識別率分別達83.3%、76.7%和90.0%，對比僅以病斑區的11個特征數據為基礎的識別結果，增加過渡區特征數據之后，黃瓜病害識別率有較大提升，分別提高26.6%、13.4%和16.7%（絕對值）?！窘ㄗh】未來研究中應拓展黃瓜病害研究的種類，在進行病害識別時應將病害發展程度及病害的混合性考慮在內。

關鍵詞： 黃瓜;病害識別;圖像分割;過渡區;特征提取;支持向量機

中圖分類號： S436.421;TP391.41 ? ? ? ? ?文獻標志碼： A? ? ? ?文章編號：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】果蔬的生長環境各不相同，病害發生的誘因也有明顯差異。黃瓜在生長過程中產生各種病害，常見的有霜霉病、白粉病和靶斑病，均為在環境發生變化時葉片滋生的病害。由于原始人工經驗無法保證穩定的產量，隨著計算機視覺技術的發展壯大，人們開始在果蔬病害識別領域中逐步進行研究和探索（Barbedo，2016;Jeon and Rhee，2017）。因此，基于計算機視覺技術開發黃瓜等果蔬病害的識別方法對于農業自動化智能化發展具有重要意義?！厩叭搜芯窟M展】目前，對于果蔬病害識別的研究已有不少成果。趙開才（2012）針對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（Support vector machines，SVM）實現稻瘟病最佳分類效果，提取病害的顏色和形態特征進行識別，平均正確識別率達93.3%;冀曉麗（2014）針對黃瓜白粉病提出一種多平滑尺度的分水嶺分割算法，提取病斑樣本中區分度較大的特征，設計了一種基于SVM的識別算法，并為檢測識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對霜霉病、角斑病和白粉病進行識別，效果良好;余秀麗等（2014）采用K均值聚類算法對圖像進行分割，并提取了病斑區的紋理和形狀特征，基于SVM進行病害識別，其中基于形狀特征的識別效果較好，識別率達99.33%;秦豐等（2017）結合K中級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的病害識別模型;馬雪松（2018）改進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個特征數據，基于SVM的病害識別率達96.47%。【本研究切入點】黃瓜葉部病害在外觀和結構上各不相同，每種病害都具有其獨特的顏色構成和內部隱含特征，目前大多數研究集中在病害的顏色分布、形狀特性和內部紋理結構等方面，鮮有研究者注意病斑的蔓延需要一定過程，而忽略了對病斑部分與健康葉片交界部分的研究。【擬解決的關鍵問題】通過篩選和圖像分割獲取黃瓜葉片上病斑區圖像及病斑區與健康部分間的過渡區圖像，分別提取病斑區與過渡區的顏色和形狀特征數據，并基于SVM識別黃瓜霜霉病、白粉病和靶斑病等3種主要病害，以優化特征數據集、提高識別成功率，為黃瓜病害的自動識別提供一種技術途徑。

1 材料與方法

1. 1 材料獲取

為保證研究結果的準確性，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，為豐富相應病害樣本的特征，提高實驗結果的魯棒性，而添加部分來源于網站及數據庫的圖片，包括農業病蟲草害圖文數據庫（http：//bcch.ahnw.cn/default.aspx）、智慧農資服務平臺（http：//pic.114nz.com/shucaibinghai/gualei/huanggua/）和河南云飛科技發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、水霧等環境因素影響會使圖像中包含一定的噪聲（Revathi and Hemalatha，2014），影響圖像質量，在后期處理中和特征提取時會產生干擾信息。綜合考慮圖像的清晰度和去噪程度，本研究采用對隨機噪聲降噪能力較好的中值濾波對裁剪后的圖像進行處理。

對于處理過的RGB圖像，在閾值分割時可能存在一定缺陷，為獲取較好的分割效果，將原有的RGB圖像轉換為多種不同顏色空間圖像，提取各空間模型中的分量進行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。為準確區分過渡區與病斑區，結合全閾值法和局部動態閾值法對篩選出的分量進行分割，通過數學統計分析得到最佳二值化圖像，用于病害的形狀特征提取。然后與原圖像進行一系列位操作獲取病斑區和過渡區的彩色分割圖像，用于病害的顏色特征提取。在進行病害識別時，將病斑區特征數據作為一種輸入數據集，病斑區和過渡區特征數據相結合作為另一種輸入數據集，分別應用SVM進行識別，比較兩種方式的識別結果，分析過渡區特征對黃瓜病害識別的貢獻度。

1. 3 統計分析

圖像處理過程均在Visual Studio 2015中完成;SVM分類模型訓練和識別通過調用Windows平臺的LIBSVM工具包完成。

2 結果與分析

2. 1 病斑區和過渡區的圖像分割

顏色分布不同是分辨病害區、過渡區和正常葉片最明顯的特點，正常情況下的RGB圖像由于光照和采集相機的影響，顏色分辨能力較弱，通過顏色空間轉換可增強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圖像進行顏色空間模型轉換，分別提取HSV、YUV和RGB不同顏色空間的9個分量（陳曉倩等，2018;宋麗娟，2018）。其中，HSV模型中H代表色調，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。圖1為黃瓜靶斑病的9種分量圖。病害圖像的某些分量會提高病斑部分與正常葉片的差異性，同時有一些分量會降低差異性，對于色度差異性明顯的圖像，在圖像直方圖中會產生雙峰效果，OTSU法正是根據這一特點實現理想快速的分割結果。

本研究首先應用OTSU對提取的9種分量進行二值化分割，通過對比選擇分割能力最強的分量圖，以便后續處理。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，最大程度體現了病斑與正常葉片的差異性，但過渡區既包含病斑的特征又與正常部分有相似之處，且顏色構成復雜漸變，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態閾值法相結合的分割方法。

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

局部動態閾值法的基本思想是將難以區分的圖像劃分為獨立的子圖像，各子圖像獨立分析選擇對應閾值進行分割（梁麗秀等，2019），將區分度較小的病斑交界區應用局部動態閾值法進行分割，流程如圖3所示。

在經OTSU篩選之后，HSV顏色空間V分量的閾值分割效果最好。在此基礎上，研究結合全閾值法和局部動態閾值法對V分量進行分割，獲取目標區域分割面積與閾值的變化關系，并通過對該關系曲線的計算，統計曲線斜率與閾值的變化趨勢，靶斑病分割的兩種變化曲線如圖4所示。曲線的走勢代表了圖像隨閾值變化的分割效果，圖4-A中有兩個明顯的突增部分，對應的斜率也突然增大（圖4-B），第一個上升部分代表病斑區域的二值化，第二個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的二值化。兩個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、過渡區和正常區的臨界閾值，量化統計兩個上升過程中斜率在[0.5，1.5]的閾值平均值A1和A2作為病斑區和過渡區的分割閾值，根據A1和A2可獲得單純病斑區和包含過渡部分病斑區的分割結果。依照以上方法可分別得出3種病害原圖、病斑區和過渡區。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和病斑區的彩色分割圖像（圖5）。分割流程如圖6所示。

2. 2 特征提取

2. 2. 1 顏色特征 病態的黃瓜葉片通常會局部呈現出不正常顏色，不同病害產生的病斑顏色也有明顯差別，因此根據病斑顏色構成間的差距可提取病斑圖像獨有的顏色特征，從而作為分類器的一種判斷依據。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三個通道的一階矩和二階矩，可獲得6個顏色特征數據，計算公式可表示為：

2. 2. 2 形狀特征 形狀特征主要體現對象的幾何特征，一般是指對于圖像經位移變換、旋轉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于位置變換的不敏感性，病斑圖像的復雜性會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，病斑邊緣的像素數總和即為周長L，病斑區域最小外接矩長軸W和短軸H，通過一定的變換可得到5個具有較強穩定性的形狀特征數據（王利偉等，2017;Ebrahimi et al.，2017）。計算方法如下：

病斑圖像經分割后得到病斑區和過渡區的二值化圖像，由于包含一定的隱含噪聲和相鄰病斑區域的破碎信息，在計算輪廓和面積時可能產生一定干擾。首先對二值化圖像進行適當的形態學增強處理，先腐蝕后膨脹，消除圖像中獨立的纖維部分，同時削弱病斑周圍輪廓的破碎性，增強病斑原有輪廓的形態學特性。然后調用OpenCV庫中的cvContoursArea（ ）函數計算二值化圖像中的分割輪廓面積A，cvArcLength（ ）函數計算圖像的分割輪廓長度L，cvMinAreaRect2（ ）函數計算外接矩的長短軸W和H，以此為基礎數據計算各形狀特征數據。

由于病害圖像中會出現一些病斑區域接壤較多的部分，經圖像分割和適當形態學處理后仍無法進行有效的病斑分離，這樣計算出的形狀特征數據會表現為數據較大或較小，有一定的突變性。為壓縮這種情況對正常數據的影響，在進行特征訓練之前對數據進行歸一化處理，將原有數據映射到某一數值區間內，增強數據的可比性，極大程度削減異常數據對建立正常分類模型的干擾。由此在保留所有特征數據的基礎上弱化了參數的相對重要性，訓練的分類器更加穩定可靠。

2. 3 基于SVM的病害識別

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化（Hsu and Lin，2002）。為實現分類器的高效分類性能，通過某種函數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映射的SVM，該過程需要反復驗證懲罰參數C及相應的核函數參數，以獲得最佳的分類效果。SVM分類器決策核函數公式為：

本研究的SVM采用徑向基核函數進行計算，公式為：

式中，γ是核函數參數，默認值是1/num-features。本研究采用徑向基核函數的原因有兩個;首先徑向基核函數可將數據映射到高維空間，以處理標簽與屬性間的非線性關系;其次過多的參數會影響模型的復雜度，徑向基核函數只需要經交叉驗證后確定懲罰參數C和γ兩個參數，結果偏差性較小。

2. 3. 2 SVM分類識別 黃瓜3種代表性病害采集的各80幅圖像中，每種病害隨機挑選出50幅圖像作為訓練樣本，另外30幅作為測試樣本，識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個特征數據進行訓練識別。

（2）提取過渡區顏色和形狀的11個特征數據，加上病斑區的11個特征數據一起訓練識別。

每種識別方法反復進行3次，50幅訓練圖像也隨機抽取3次以保證結果的準確性，最后計算平均識別率，在計算識別結果的平均數量時均采取四舍五入取整方式。識別流程如圖7所示。

特征數據提取過程中由于噪聲及非理想化處理會產生一些突變數據，直接作為訓練的輸入數據集會對正常數據造成干擾，因此訓練之前應對數據進行歸一化處理，將數據映射到某一較小區間，降低突變數據的干擾性，本研究采用默認的歸一化范圍[-1，1]。

SVM分類器經交叉驗證后確定懲罰參數C=32，核函數參數γ=1，重復3次上述兩種識別方式后，3種病害識別結果的對比如表1所示。霜霉病、白粉病和靶斑病的識別率分別為83.3%、76.7%和90.0%;對比僅以病斑區的顏色和形狀特征作為SVM的分類識別數據，提取過渡區圖像的11個顏色和形狀特征提高了黃瓜病害的識別率，成功率分別提高26.6%、13.4%和16.7%（絕對值），高于傳統的病斑區特征識別方法。

3 討論

果蔬病害自動化識別是農業物聯網構建中重要的環節，通過計算機視覺技術對果蔬的病害進行處理識別也是目前較熱門的研究領域。針對不同的植物果蔬種類及對應的病害，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，基于前饋神經網絡進行分類，識別率達89.6%;楊燕（2012）通過光學捕獲裝置無損獲取水稻稻瘟病的病害信息，通過高光譜技術提取特征，基于高斯擬合參數和小波系數建立了病害識別模型;張鵬等（2017）根據病斑的面積和分布提出了針對黃瓜白粉病的3個特征參數，并通過人工神經網絡完成了葉片的病態模式分類;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，冬棗黑斑類病害識別率達89.6%。上述方法各有不同，對特定的研究對象也有一定的識別效果，但均未脫離對病害區域的研究。果蔬病害的發生由環境、細菌和果蔬本身三方面因素造成，也是一個細菌的蔓延過程。病害的不同決定了病斑區的特征差異，同時決定了過渡區的差異性。本研究基于這種分析獲取了病斑區與極少關注的過渡區的分割圖像，通過提取過渡區的顏色和形狀特征作為補充數據，并結合病斑區的特征數據作為病害識別的輸入數據集對病害進行識別。

本研究也通過貝葉斯算法和神經網絡對特征數據進行分類，但由于樣本數量有限，特征數據間有復雜的關聯性。其中，貝葉斯算法受數據非獨立性干擾識別效果不理想;神經網絡又缺乏大量的數據支撐，無法建立飽滿的映射關系，識別誤差較大，得出兩種方法對于樣本的識別率均低于60%。因此，確定采用SVM分類方法。SVM能有效克服小樣本數據的分類問題，通過核函數映射實現數據高維空間的劃分，加入過渡區特征數據之后霜霉病、白粉病和靶斑病3種病害的識別率分別達83.3%、76.7%和90.0%，分類效果最好。對比基于SVM的識別結果，過渡區特征提取對黃瓜病害的識別有較大貢獻度，為黃瓜乃至全部果蔬病害的識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象，增加過渡區特征數據的SVM分類器僅限于3種病害的識別。實際種植過程中黃瓜的環境復雜多變，易產生的病害種類更多，要求病害識別分類器有更強大的數據訓練基礎。今后應繼續拓展病害的研究種類，提取相應的特征數據作為SVM的訓練集，提高識別性能。

4. 2 增加病害發展程度的劃分

病害發生的過程與細菌的寄生過程相關，僅從病害角度考慮，是一個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，但同一病害不同時期葉片上病斑區和過渡區的特征表現也不完全相同。精細化地區分病害不同發展程度的特征，明確判斷病害發生的嚴重性等級，可指導管理人員采取相應的彌補措施，既可減少產量損失，又能避免資源的過多消耗。

4. 3 考慮病害的混合發生

由于環境的復雜性，黃瓜的病害可能混合發生，采集到葉片中包含不止一種病害，相鄰的病斑區由于相互影響會造成更復雜的過渡區，因此在病斑分割和特征提取時需考慮更多的影響因素。在今后的研究中應注意區分混合性過渡區和病斑區的不同，實現黃瓜葉片中混合病害的識別。

參考文獻：

陳曉倩，唐晶磊，王棟. 2018. 基于SLIC方法的光照偏強農田圖像分割研究[J]. 計算機工程與應用，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. 基于支持向量機的黃瓜葉部白粉病害檢測[D]. 沈陽：東北大學. [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的黃瓜葉部病害識別[J]. 農機化研究，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]. 中國農業科技導報，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. 基于支持向量機的花生褐斑病圖像識別[D]. 合肥：安徽大學. [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，阮柳，馬占鴻，王海光. 2017. 基于深度學習和支持向量機的4種苜蓿葉部病害圖像識別[J]. 中國農業大學學報，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]. 安徽農業科學，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. 基于機器視覺的冬棗病害檢測[J]. 農機化研究，40（9）：183-188. [Sun S P，Li R，Xie H Q，Feng Y L，Fu 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. 基于計算機視覺的葡萄葉部病害識別研究[J]. 江蘇農業科學，45（23）：222-225. [Wang L W，Xu X H，Su Y M，Song T，Deng Y F，Fang 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的水稻稻瘟病診斷關鍵技術研究[D]. 杭州：浙江大學. [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，張衛園，屈衛鋒，宋懷波. 2014. 基于SVM的小麥葉部病害識別方法研究[J]. 農機化研究，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，王麗莉，周勝軍. 2017. 基于機器視覺技術的黃瓜葉片白粉病識別[J]. 中國農學通報，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. 基于支持向量機的水稻稻瘟病識別技術研究[D]. 哈爾濱：哈爾濱工程大學. [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.

（責任編輯 鄧慧靈）