基于ROI 融合特征的柑橘炭疽病診斷方法

摘要：炭疽病在柑橘園普遍發(fā)生、危害嚴重，為提高果園環(huán)境條件下病害識別的及時性和準確率，保障果品產量和品質，對果園環(huán)境條件下病害圖像的ROI融合特征進行識別。收集果樹不同發(fā)病部位、病害不同發(fā)病階段的9種類型的柑橘炭疽病害圖像作為模型訓練的數(shù)據(jù)集；在病害ROI特征提取檢測模塊中對圖像顏色、紋理特征及其融合特征進行提取，以獲得更多的病害特征信息，并形成SVM分類器；使用訓練好的SVM分類器進行待測病害圖片的檢測識別。將光譜特征與紋理特征融合送入訓練好的SVM分類器，病害識別準確率平均可達94%，病害識別平均用時0.005 s。該方法對復雜自然環(huán)境下柑橘炭疽病的檢測識別具有較高的精準度和較強的魯棒性，對柑橘疾病的防控具有重要意義。

關鍵詞：炭疽病；深度學習；目標檢測；分類識別；病害診斷；SVM

doi：10.13304/j.nykjdb.2024.0120

中圖分類號：S126 文獻標志碼：A 文章編號：1008‐0864（2024）09‐0083‐10

柑橘是全球主要果樹種類之一，也是重要的經(jīng)濟作物[1‐2]，在我國湖南、四川、廣東、云南等地區(qū)大規(guī)模栽培。據(jù)統(tǒng)計，我國柑橘種植規(guī)模超280萬hm2，產量超過5 000萬t，種植面積和產量居世界首位[3-5]。柑橘是我國重要的出口水果，也是促進我國農業(yè)發(fā)展、實現(xiàn)鄉(xiāng)村振興等的重要引擎。炭疽病是柑橘園發(fā)生普遍、危害嚴重的病害，也是造成柑橘減產和經(jīng)濟損失的主要原因之一。柑橘炭疽病（Citrus anthracnose）俗稱爆皮病，主要危害葉片、枝梢及果實，也可危害花、果梗、主干和苗木，造成葉枯、梢枯、落花、落果、果實腐爛，嚴重時造成死樹毀園，柑橘炭疽病每年造成的損失率為8.32%[6]。調查顯示，2022 年黔東南州果園有0.32萬hm2發(fā)生柑橘炭疽病，造成果品實際損失456.57 t；2022 年廣西柑橘炭疽病的發(fā)生面積為18.94 萬hm2，造成果品實際損失1.67 萬t[8]，嚴重影響了柑橘產量和品質，導致當?shù)剌^大經(jīng)濟損失[7‐8]。炭疽病的精準識別與高效防控有助于提高柑橘產量和品質，促進柑橘產業(yè)可持續(xù)發(fā)展。

柑橘炭疽病危害部位較多，病程不同階段癥狀表現(xiàn)不一，與褐斑病、褐腐病等病害癥狀相似，生產上難以及時、快速、準確識別。柑橘炭疽病的診斷對象包括葉片、果實、枝干，對柑橘炭疽病的檢測識別和準確診斷是保證產量和品質的重要措施。依賴專家系統(tǒng)和病害圖像分類識別等傳統(tǒng)方法進行病害識別耗時、費力，并且主觀性強[9‐10]。利用圖像識別模式自動對果樹病害進行識別，檢測效率和識別準確度高，同時降低了模型對專家知識的依賴[11]。基于圖像識別病害的方法已經(jīng)被應用于大豆、小麥、番茄、芒果、桃等植物中[12‐13]，圖像感興趣區(qū)域（region of interest，ROl）是指在圖像中定義的矩形區(qū)域或掩膜，作為感興趣區(qū)域，可以限制關注的范圍，減少圖像處理的計算量，提高處理效率，并有助于從復雜的背景中提取出目標，便于后續(xù)的分析和處理。越來越多的研究者也更加關注基于ROI的目標識別方法，張德健[14]針對農作物病害識別中病害圖像信息復雜等問題引入HSV顏色空間，在提取圖像顏色時加快了運算速度；張建敏等[15]針對柑橘葉面病害監(jiān)測改進HSV顏色直方圖空間算法，顯著提高了柑橘在各種病害環(huán)境下病斑圖像識別的準確率。衛(wèi)雅娜等[16]利用深度學習、圖像處理、算法改進等技術，提高病害識別準確率，達到95.63%。大田農作物環(huán)境較簡單，而果園環(huán)境復雜，病害發(fā)生部位的結構與特征完全不同。Yoshida等[17]利用圖像顏色和點云特征識別番茄串采摘點，單幀圖像耗時1 s，難以滿足生產智能化要求。多特征融合比單特征識別方法魯棒性更強[18]，將局部光譜特征和ROI光譜特征連接起來得到的合光譜特征，病害識別準確率更高。Xuan等[19]在研究小麥白粉病時，提取了ROI的光譜特征，并提取了病害的紋理特征，使用融合后的特征識別準確率為91.4%。張春艷[20]通過支持向量機（support vector machine，SVW）對番茄病害圖像進行識別，將圖像的顏色特征、邊緣特征以及混合特征混合提取，對病害的識別達到較好的效果。SON[21]設計了一種ROI感知特征提取方法，從病害斑點和葉子區(qū)域提取信息和紋理特征，提高葉病檢測的識別能力。秦彩杰等[22]在研究作物病蟲害自動識別技術過程中，對病蟲害圖像進行增強處理，并采用顏色和紋理作為特征向量識別病斑，提高了作物病害識別率，最高識別準確率達到98.1%。利用圖像識別柑橘炭疽病的研究較少，大多集中在黑斑病、潰瘍病、黃龍病、瘡痂病的識別診斷上。宋中山等[23]提出基于二值化的Faster R-CNN的柑橘病蟲害識別模型，總識別率為87.52%，需要的樣本量較大，識別率有待提高。自然環(huán)境下柑橘炭疽病識別中，柑橘病害病斑小、病害空間特征分布不同以及與其他病害特征存在相近的情況[24]，制約圖像識別準確率。針對以上問題，本文提出一種利用圖像ROI融合特征識別技術，在現(xiàn)有圖像識別方法及系統(tǒng)的基礎上提取局部光譜特征和紋理特征，結合病害癥狀發(fā)生不同部位和發(fā)展進程進行方法創(chuàng)新，不僅能夠使病害識別實現(xiàn)自動且高效檢測，還能夠獲取更多病害發(fā)生階段、發(fā)展程度等信息，為植保防治提供更多有價值的決策依據(jù)。

1 材料與方法

1.1 數(shù)據(jù)收集

通過兩種渠道獲得自然環(huán)境下柑橘炭疽的原始圖像自建數(shù)據(jù)庫：一是通過中國知網(wǎng)、百度百科、各類病蟲害公開數(shù)據(jù)庫；二是于2023年柑橘生長季在云南省玉溪市新平彝族傣族自治縣柑橘園區(qū)使用手機拍照。圖像為彩色圖像，格式為JPG，經(jīng)刪除重復、逆光、模糊等對模型訓練無益的圖像，建立本研究數(shù)據(jù)集，總計405幅圖像。依據(jù)柑橘炭疽病可侵染果樹果實、枝條、葉片3個部位的特征分3 大類，進而依據(jù)發(fā)病初期、發(fā)病中期、發(fā)病后期3個病斑發(fā)展階段特征將每大類細分3小類，共計9小類。每小類病害45幅，每類按照5∶4劃分訓練集和測試集。

1.2 整體設計

本研究利用圖像識別技術，依據(jù)果樹病害發(fā)生部位、發(fā)展階段癥狀特征進行柑橘炭疽病檢測，整體設計如圖2所示，分為模型訓練和病害圖像檢測兩部分。模型訓練即從大量病害圖像數(shù)據(jù)庫中進行病害ROI特征數(shù)據(jù)分析和標注，利用自動識別算法學習病害特征和嚴重程度的映射關系，通過不斷優(yōu)化、調整，訓練得到圖像識別分類器SVM；病害圖像檢測即將待測病害圖像輸入系統(tǒng)，經(jīng)過調整、去噪等預處理，利用訓練好的模型在給定的圖像中，快速、準確地識別出病害的存在、位置和范圍。本研究整體使用Python 語言、PyCharm工具進行編程處理。

1.3 檢測并提取病害圖像ROI

柑橘炭疽病害圖像容易受到環(huán)境、光照和遮擋等自然因素的影響，給區(qū)域分割帶來較大挑戰(zhàn)，采用基于ORB 和SIFT 局部關鍵特征點的病害ROI快速自動檢測方法，對圖像顏色、紋理特征及其融合特征進行提取，具體流程如圖3所示。

1.3.1 提取特征點

從病害圖庫中輸入病害圖像，生成金字塔影像，在金字塔影像上提取病害圖像ORB 特征點，該算法具有尺度不變性[25]；然后根據(jù)特征點數(shù)目與給定閾值比較的結果決定是否提取SIFT特征點。

1.3.2 計算病害區(qū)域坐標點

對所提取特征點按水平和垂直方向排序，通過計算K 個近鄰點的均值確定病害區(qū)域的坐標。K-近鄰算法基于歐幾里得具體度量找到輸入樣本在訓練集中的K 個最近鄰居的屬性來預測輸入樣本的屬性。

式中，c 為歐幾里得距離，

1.3.3 生成病害ROI圖像

根據(jù)病害區(qū)域的絕對坐標點獲得病害圖像ROI的相對坐標點，再根據(jù)相對坐標點確定的矩形框區(qū)域作為病害圖像的ROI。

1.4 提取病害ROI 特征

本文采用基于HSV 顏色空間的顏色直方圖法描述病害顏色特征，采用基于UPLBP算子的紋理直方圖法來描述病害局部紋理特征[26]，流程如圖4所示。

1.4.1 顏色特征提取

將ROI 的RGB 圖像轉化到HSV顏色空間，降低顏色特征維數(shù)卻不丟失顏色信息，同時消除病害在自然光下的亮度影響[15，27]；對HSV圖像分別按H、S、V通道劃分為若干個顏色區(qū)間進行量化，將H分成30級，S、V分別分成10級，共50個區(qū)間，并計算小區(qū)間直方圖；將小區(qū)間直方圖歸一化，并將3個顏色通道的直方圖合并成一維特征行向量。

1.4.2 紋理特征提取

對圖像進行預處理，將原始病害彩色圖像灰度化處理，降低光照影響，減少病害目標區(qū)域圖像特征提取時的計算量，從而提高病害識別算法的總體速度。采用中值濾波進行降噪，用病害灰度圖像像素點的某個鄰域的灰度中間值來表示該鄰域內其他每個像素點的灰度值，使得該點鄰近的像素灰度值反映真實值，再進行直方圖均衡化操作，增強圖像對比度；計算LBP特征，先采用原始LBP算子在3×3窗口鄰域內計算原始LBP值；然后用UPLBP算子進行等價LBP編碼，得到ROI的紋理特征圖；計算ROI紋理特征圖的直方圖，將UPLBP特征圖分成8×8子塊（64塊），計算每個子塊區(qū)域的直方圖，并按分塊的空間順序排列成一行，形成UPLBP直方圖特征行向量T。

1.4.3 融合特征并訓練得到SVM 分類器

分別提取訓練集中柑橘果實、枝條、葉片部位早期、中期、后期病害圖像ROI的HSV顏色直方圖特征與UPLBP紋理直方圖特征并融合成特征向量，組成病害圖像特征庫。采用徑向基核函數(shù)（radia basicfunction，RBF）得到非線性支持向量機SVM，可用于待測病害圖像的檢測識別。

1.5 模型驗證

輸入待測圖像并進行預處理，檢測并提取待測病害圖像ROI，在圖像色譜特征識別基礎上增加紋理特征提取，采用雙線池化技術增強模型的提取和檢測能力，獲取待測病害圖像ROI的HSV顏色直方圖特征與UPLBP紋理直方圖特征，并融合成特征向量，送入訓練好的SVM分類器進行病害識別檢測，輸出柑橘炭疽病圖像檢測結果，發(fā)病部位以及病情發(fā)展階段的匹配結果。檢測驗證模型如圖5所示。

2 結果與分析

2.1 特征提取可視化分析

將病害圖像ROI 的顏色信息轉化到HSV 空間模型中進行可視化，圖像上不同位置的嚴重程度對比更加明顯，能夠更直觀地觀察病害有無和發(fā)展進程，效果如圖6所示。對病害圖像進行降噪、中值濾波等處理，消除陽光對病害特征的影響，提取病害紋理特征，處理得到的病害圖像與檢測識別要求下的圖像展現(xiàn)出較強的符合性。

從圖6 分析得出，通過融合特征提取圖像ROI 能夠更清晰展現(xiàn)病害的紋理特征和顏色特征，提取后的病害圖像符合圖像識別要求。

2.2 病害識別模型損失值和準確率分析

對柑橘炭疽病害識別模型進行訓練，使用Hinge Loss 損失函數(shù)計算損失值，統(tǒng)計每次訓練分類正確的樣本數(shù)占樣本總數(shù)的比例，訓練結果如圖7所示。從模型損失值和準確率變化關系可以看出，模型函數(shù)隨迭代次數(shù)的變化呈曲線變化，損失值隨著迭代次數(shù)的增加而減小，逐步趨于平滑，震蕩較小，表明模型較為穩(wěn)定；而模型函數(shù)準確率隨著迭代次數(shù)的增加而增加，在接近40個迭代次數(shù)時逐漸穩(wěn)定，表明隨著訓練輪次的增加，模型基本達到了比較好的效果。訓練得到召回率97.78%，F(xiàn)1值0.933 5，達到了目標要求。

2.3 病害識別檢測結果分析

對該柑橘炭疽病檢測方法進行驗證，檢測結果（表1）表明，本方法對柑橘炭疽病檢測的識別準確率最高達100%，最低為90%，平均可達93.89%。其中果實部位病害初期和中期的平均識別率為95%，后期的識別率達到100%；枝條部位病害初期和中期的評價識別率為90%，后期的識別率為95%；葉片部位病害初期平均識別率為90%，中期和后期的識別率為95%；病害不同進程的平均識別率順序為后期gt;中期gt;早期。ROI檢測平均用時0.016 s，特征提取平均用時0.076 s，病害識別平均用時0.005 s，總體平均用時0.097 s。

2.4 病害識別檢測方法對比分析

本文在單一病害特征基礎上，融合病害顏色特征和紋理特征進行圖像ROI識別，結合不同發(fā)病部位進行柑橘炭疽病害檢測，為探究此方法優(yōu)劣，在初始參數(shù)均相同的情況下，采用無感興趣區(qū)域無特征融合、有感興趣區(qū)域無特征融合、無感興趣區(qū)域有特征融合、有感興趣區(qū)域有特征融合4種模型進行訓練。如圖8所示，無感興趣區(qū)域無特征融合在果實部位的識別準確率最高85%，枝條中期的識別準確率最低70%，平均準確率為79%；有感興趣區(qū)域無特征融合在果實、葉片上的識別準確率最高達到95%，枝條初期識別準確率最低為80%，平均準確率為91%；無感興趣區(qū)域有特征融合在果實后期和葉片中期的識別準確率最高為95%，在枝條上最低準確率為80%，平均準確率為88%；有感興趣區(qū)域有特征融合在果實后期識別準確率最高為10%，最低為90%，平均識別準確率為94%。4 個模型的識別平均精確率順序為：有感興趣區(qū)域有特征融合gt;有感興趣區(qū)域無特征融合gt;無感興趣區(qū)域有特征融合gt;無感興趣區(qū)域無特征融合。

由結果可以看出，與單一顏色特征提取識別相比，本文將顏色特征和紋理特征進行融合，在提高檢測效率的同時，在柑橘炭疽病害特征檢索中效果顯著，對病害的識別更準確，對柑橘炭疽病防治、預警、測報更有意義。本文采用的病害進程特征識別能夠更細致的體現(xiàn)病害顏色、斑塊變化過程，更能體現(xiàn)圖像間的區(qū)別，提高了檢索性能。

3 討論

柑橘炭疽病類型較多，侵染不同部位，病害特征表現(xiàn)不一，不同階段病害形態(tài)、顏色等變化迅速，且與其他病害之間低層視覺特征差異不大，造成柑橘炭疽病識別較為困難。農業(yè)信息化技術極大地提高了果樹病害診斷的便捷性、時效性，已有研究探討了特征識別算法、深度學習算法等在病害診斷領域的實踐應用，取得了良好的識別診斷效果。然而，隨著計算機視覺技術的突飛猛進，以及與病害防控智慧決策的深入融合，對病害圖像特征提取與分析的準確性、可靠性、及時性提出了更高的要求。

本研究采取分類建立檢索圖庫的方法收集數(shù)據(jù)，提高病害識別精準度，通過對病害圖像按照發(fā)病部位和病斑發(fā)展階段進行分類建庫，使模型訓練更有效率，單個類別樣本需求的圖片數(shù)量降低，病斑特征提取的準確度提高，檢測結果的信息含量更豐富。利用提取病害圖像ROI進行快速檢測的方法，對病害圖像先提取OPB特征點，當其特征點數(shù)目小于給定閾值時提取SIFT特征點，再對所提特征點的坐標值按水平和垂直方向排序，并通過計算K 個近鄰點的均值來確定病害區(qū)域的坐標并提取ROI，原理簡單、易實現(xiàn)且實時性好。在特征提取與識別方面，融合病害ROI的HSV顏色直方圖和UPLBP紋理直方圖構成總特征向量，訓練以RBF為核的SVM分類器，對解決小樣本多分類的非線性問題效果良好，病害識別準確率較高。在初始參數(shù)均相同的情況下，對本研究有感興趣區(qū)域有特征融合方法與無感興趣區(qū)域無特征融合、有感興趣區(qū)域無特征融合、無感興趣區(qū)域有特征融合方法進行比較訓練，本方法表現(xiàn)出了更高的識別準確率。從識別效果來看，病害識別準確率處于90%～100%，平均準確率可達94%，ROI檢測、特征提取、病害識別總體平均用時0.097 s，實現(xiàn)了高效的智能識別。

本研究構建了基于非線性SVM的柑橘炭疽病病害圖像識別診斷方法，實現(xiàn)了對柑橘炭疽病不同發(fā)病部位、不同發(fā)病階段的快速診斷和有效識別，為果園柑橘炭疽病的監(jiān)測跟蹤和及時防控提供了參考依據(jù)。未來，還需提高檢測方法對果園復雜背景下的病害圖像具有較好魯棒性，實現(xiàn)模型輕量化部署與檢測，并集成到軟件系統(tǒng)試點應用，通過不斷積累優(yōu)化，進一步為柑橘病害防控發(fā)揮作用。

參考文獻

［1］ 祁春節(jié)，顧雨檬，曾彥.我國柑橘產業(yè)經(jīng)濟研究進展[J].華中農業(yè)大學學報，2021，40（1）：58-69.

QI C J， GU Y M， ZENG Y. Progress of citrus industry economyin China [J]. J. Huazhong Agric. Univ.， 2021， 40（1）： 58-69.

［2］ 李建明，何蓮，孔玄慶，等.苯醚甲環(huán)唑和吡唑醚菌酯對柑橘炭疽病菌的聯(lián)合毒力及防效[J].現(xiàn)代農藥，2022，21（5）：60-64.

LI J M， HE L， KONG X Q， et al .. Co-toxicity and field controlefficacy of difenoconazole and pyraclostrobin against citrusanthracnose [J]. Modern Agrochem.， 2022， 21（5）： 60-64.

［3］ 潘一凡，劉永忠，黃鈺軒，等.我國柑橘栽培管理技術現(xiàn)狀調查和發(fā)展思考[J].華中農業(yè)大學學報，2023，42（4）：140-149.

PAN Y F， LIU Y Z， HUANG Y X， et al .. Investigation anddevelopment thinking on the cultivation situation and managementtechniques of citrus in China [J]. J. Huazhong Agric. Univ.，2023，42（4）： 140-149.

［4］ 劉冰卿，陳霞，凌金鋒，等.氯氟醚菌唑·吡唑醚菌酯對柑橘炭疽病的田間防治效果[J].熱帶農業(yè)科學，2023，43（7）：53-56.

LIU B Q， CHEN X， LING J F， et al .. Evaluation of the fieldcontrol effect of mefentrifluconazole·pyraclostrobin againstcitrus anthracnose [J]. Chin. J. Tropical Agric.， 2023， 43（7）： 53-56.

［5］ 伊華林，劉慧宇.我國柑橘品種分布特點及適地適栽品種選擇探討[J].中國果樹，2022（1）：1-7.

YI H L， LIU H Y. Distribution characteristics of citrusvarieties and selection of varieties suitable for planting inChina [J]. China Fruits， 2022（1）： 1-7.

［6］ 肖曉華，周天云，劉春，等.柑橘病蟲害危害損失評估方法初探[J].農業(yè)科學， 2018（11）：35-37.

XIAO X H， ZHOU T Y， LIU C， et al .. Primary study on theevaluation methods of citrus diseases and insect pests [J].Agric. Sci.， 2018（11）： 35-37.

［7］ 孫興旭，李威.黔東南州柑橘炭疽病和瘡痂病發(fā)生情況及防治措施[J].農技服務，2024， 41（1）：84-87.

［8］ 辛德育，林作曉，檀志全，等.2022年廣西農作物主要病蟲害發(fā)生實況[J].廣西植保，2023，36（3）：29-38.

［9］ 王春山，趙春江，吳華瑞，等.采用雙模態(tài)聯(lián)合表征學習方法識別作物病害[J].農業(yè)工程學報，2021，37（11）：180-188.

WANG C S， ZHAO C J， WU H R， et al .. Recognizing cropdiseases using bimodal joint representation learning [J]. Trans.Chin. Soc. Agric. Eng.， 2021， 37（11）： 180-188.

［10］ 李云紅，張蕾濤，謝蓉蓉，等.基于AT-DenseNet網(wǎng)絡的番茄葉片病害識別方法[J].江蘇農業(yè)科學，2023，51（21）：209-217.

LI Y H， ZHANG L T， XIE R R， et al .. An identification methodfor tomato leaf disease based on AT-DenseNet network [J].Jiangsu Agric. Sci.， 2023，51（21）： 209-217.

［11］ 劉敏，周麗.基于多尺度特征融合網(wǎng)絡的蘋果病害葉片檢測[J].中國農機化學報，2023，44（8）：184-190.

LIU M， ZHOU L. Apple disease leaf detection based on multiscalefeature fusion network [J]. J. Chin. Agric. Mech.， 2023，44（8）： 184-190.

［12］ XU L X， CAO B X， ZHAO F J， et al .. Wheat leaf diseaseidentification based on deep learning algorithms [J/OL].Physiol. Mol. Plant Pathol.， 2023（123）：101940 [2024-05-22].https：//doi.org/10.1016/j.pmpp.2022.101940.

［13］ 吳建偉，黃杰，熊曉菲，等.基于AI的桃樹病害智能識別方法研究與應用[J].中國農業(yè)科技導報，2022，24（5）：111-118.

WU J W， HUANG J， XIONG X F， et al .. Research andapplication of intelligent recognition method of peach treediseases based on AI [J]. J. Agric. Sci. Technol.， 2022，24（5）：111-118.

［14］ 張德健.基于圖像識別的農作物病害診斷技術研究[D].哈爾濱：哈爾濱工程大學，2020.

ZHANG D J. Research on crop disease diagnosis technologybased on image recognition [D]. Harbin： Harbin EngineeringUniversity， 2020.

［15］ 張建敏，于冬雪.柑橘葉面病害監(jiān)測顏色空間改進算法研究[J].農機化研究，2019，41（6）：38-42，47.

ZHANG J M， YU D X. Improved algorithm of color space forcitrus leaf disease monitoring [J]. J. Agric. Mech. Res.， 2019，41（6）： 38-42，47.

［16］ 衛(wèi)雅娜，王志彬，喬曉軍，等.基于注意力機制與EfficientNet的輕量化水稻病害識別方法[J]. 中國農機化學報， 2022，43（11）：172-181.

WEI Y N， WANG Z B， QIAO X J， et al .. Lightweight ricedisease identification method based on attention mechanismand EfficientNet [J]. J. Chin. Agric. Mech.， 2022， 43（11）：172-181.

［17］ YOSHIDA T， FUKAO T， HASEGAWA T. Cutting pointdetection using a robot with point clouds for tomato harvesting [J].J. Rob. Mechatronics， 2020， 32（2）： 437-444.

［18］ 張勤，龐月生，李彬.基于實例分割的番茄串視覺定位與采摘姿態(tài)估算方法[J].農業(yè)機械學報，2023，54（10）：205-215.

ZHANG Q， PANG Y S， LI B. Visual positioning and picking poseestimation of tomato clusters based on instance segmentation [J].Trans. Chin. Soc. Agric. Mach.， 2023， 54（10）： 205-215.

［19］ XUAN G， LI Q， SHAO Y， et al .. Early diagnosis andpathogenesis monitoring of wheatpowdery mildew caused byblumeria graminis using hyperspectral imaging [J/OL].Comput. Electron. Agric.， 2022， 197： 106921 [2024-05-22].https：//doi.org/10.1016/j.compag.2022.106921.

［20］ 張春艷. 番茄病害圖像特征分析與識別[J]. 農業(yè)與技術，2020，40（23）：40-41.

ZHANG C Y. Image feature analysis and recognition of tomatodiseases [J]. Agric. Technol.， 2020，40（23）： 40-41.

［21］ SON C H. Leaf spot attention networks based on spot featureencoding for leaf disease identification and detection [J/OL].Appl. Sci.， 2021， 11（17）： 7960 [2024-05-22]. https：//doi.org/10.3390/app11177960.

［22］ 秦彩杰，李勇.作物病蟲害自動識別技術研究-基于視頻監(jiān)控和無人機平臺[J].農機化研究，2021，43（10）：42-45，50.

QIN C J， LI Y. Research on automatic identification technology ofcrop diseases and insect pests —based on video monitoring andUAV platform [J]. J. Agric. Mech. Res.， 2021， 43（10）： 42-45，50.

［23］ 宋中山，汪進，鄭祿，等.基于二值化的Faster R-CNN柑橘病蟲害識別研究[J].中國農機化學報，2022，43（6）：150-158.

SONG Z S， WANG J， ZHENG L， et al .. Research on citrus pestidentification based on Binary faster R-CNN [J]. J. Chin. Agric.Mech.， 2022， 43（6）： 150-158.

［24］ 王瑞鵬，陳鋒軍，朱學巖，等.采用改進的EfficientNet識別蘋果葉片病害[J].農業(yè)工程學報，2023，39（18）：201-210.

WANG R P， CHEN F J， ZHU X Y， et al .. Identifying apple leafdiseases using improved EfficientNet [J]. Trans. Chin. Soc.Agric. Eng.， 2023， 39（18）： 201-210.

［25］ 耿利川，蘇松志，李紹滋.基于透視不變二值特征描述子的圖像匹配算法[J].通信學報，2015，36（4）：105-114.

GENG L C， SU S Z， LI S Z. Perspective invariant binaryfeature descriptor based image matching algorithm [J]. J.Commun.， 2015， 36（4）： 105-114.

［26］ 范振軍，李小霞.基于ROI快速檢測與融合特征的馬鈴薯病害識別[J].西南農業(yè)學報，2019，32（3）：544-550.

FAN Z J， LI X X. Recognition of potato diseases based on fastdetection and fusion features of ROI [J]. Southwest China J.Agric. Sci.， 2019， 32（3）： 544-550.

［27］ 張錚，徐超，任淑霞，等.數(shù)字圖像處理與機器視覺：Visual C++與Matlab實現(xiàn) [M]. 第2版.北京：人民郵電出版社， 2014： 282-283.

基金項目：云南省科技計劃項目（202105AF150264）；北京市智慧農業(yè)創(chuàng)新團隊項目（BAIC10-2024）；北京市農林科學院課題（JJP2023-04，PT2024-30）