基于GLCM特征提取和投票分類模型的馬鈴薯早、晚疫病檢測

代國威 胡林 樊景超 閆燊 王曉麗 滿芮 劉婷婷

摘要：馬鈴薯作為世界第四大糧食作物對農(nóng)業(yè)生產(chǎn)與經(jīng)濟效益具有重要影響。早、晚疫病是引起馬鈴薯減產(chǎn)的主要原因之一，如能及早發(fā)現(xiàn)作物病害，準確確定病害類型，對于保護作物安全和控制病害傳播具有重要意義。為實現(xiàn)自動化診斷馬鈴薯病害，本研究提出了一種基于預處理、分割、特征提取和分類器分類的馬鈴薯病害檢測自動化方法。在多時間段、不同天氣環(huán)境下選擇葉片形狀與植株生長情況差異較大的田間拍攝馬鈴薯照片制作數(shù)據(jù)集，通過構(gòu)建投票分類器模型對病害圖像進行特征提取和高精度分類檢測。首先利用Fast K-Means聚類算法對灰度圖像下的馬鈴薯葉片進行分割，獲得葉片受關注的區(qū)域；其次使用GLCM算法對受關注的區(qū)域提取11類紋理特征信息，計算4個GLCM獲得單個圖像88個紋理特征，并形成特征向量；最后使用投票分類模型對病害特征向量進行分類。分類模型是隨機森林、支持向量機、KNN方法的組合，分類過程使用網(wǎng)格搜索優(yōu)化分類器超參數(shù)。在10折交叉驗證下，馬鈴薯病害分類準確率、精確率、召回率平均提高12.18、14.00、9.53百分點，綜合性能提高11.90百分點。分析GLCM特征，135°方向角特征敏感性最弱，權(quán)重方面對比度特征最高，同質(zhì)性特征次之。結(jié)果表明，該方法可用于馬鈴薯早、晚疫病的檢測。

關鍵詞：植物病害；灰度共生矩陣；Fast K-Means聚類；支持向量機；決策樹；k-近鄰算法；投票分類

中圖分類號：TP391.41；S126 文獻標志碼：A

文章編號：1002-1302（2023）08-0185-08

基金項目：國家重點研發(fā)計劃（編號：2021YFF0704200）；中國農(nóng)業(yè)科學院院級基本科研業(yè)務費項目（編號：Y2022LM20）；中國農(nóng)業(yè)科學院科技創(chuàng)新工程項目（編號：CAAS-ASTIP-2016-AII）。

作者簡介：代國威（1997—），男，四川德陽人，碩士研究生，主要從事人工智能及農(nóng)業(yè)信息化研究。E-mail：dgwstyle@foxmail.com。

通信作者：樊景超，博士，副研究員，碩士生導師，主要從事農(nóng)業(yè)科學數(shù)據(jù)管理、農(nóng)業(yè)信息技術研究。E-mail：fanjingchao@caas.cn。

作物損失的預防取決于診斷和控制植物病害的能力。當前，植物病害是全球糧食安全的重大威脅，每年造成全球10%～16%的作物損失［1］。馬鈴薯作為僅次于小麥、水稻和玉米的世界第四大糧食作物，隨著馬鈴薯種植面積和總產(chǎn)量的逐年提高［2］，馬鈴薯病害問題越來越受到重視。早、晚疫病是馬鈴薯常見病害，由真菌傳染導致，受感染的馬鈴薯葉片會過早枯萎［3］，進而降低產(chǎn)量并產(chǎn)生經(jīng)濟影響。因此，建立快速有效的馬鈴薯早、晚疫病檢測方法顯得尤為重要。

在引入機器學習來檢測植物病害之前，馬鈴薯病害的診斷很大程度上依賴于專業(yè)的農(nóng)藝師或植物病理學家。然而，由于感染體征的多樣性和不同物種之間相似癥狀的巨大差異，這對專家鑒別病害的能力提出了更高的要求。因此，依靠機器學習獲取馬鈴薯病害特征模式能有效對多種病害進行診斷，從而提高鑒別病害的效率。李娜等采取大津法（OTSU）結(jié)合混合蛙跳算法（SFLA）的OTSU-SFLA圖像分割算法，對于馬鈴薯葉片病斑圖像進行分割處理，該算法能夠?qū)︸R鈴薯早疫病等5種常見病害分割優(yōu)化，并通過建立卷積神經(jīng)網(wǎng)絡識別模型進行圖像特征提取和識別，試驗結(jié)果證明，馬鈴薯5種常見病害的平均識別率為98.2%［4］。顏色特征方面，李亞文等提出基于K均值聚類（K-Means）圖像分割與利用顏色矩提取特征的算法，通過比較侵染葉片與正常葉片的三階顏色矩參數(shù)識別蘋果枯葉病，仿真試驗檢測結(jié)果精度達93.3%［5］。紋理特征方面，李亞文等利用灰度共生矩陣（GLCM）算法提取黃瓜炭疽病紋理特征，并依據(jù)患病區(qū)域與無病區(qū)域的能量均值、熵均值、對比度均值和相關性均值取得數(shù)據(jù)特征范圍，比較取值范圍判斷黃瓜葉部是否患?。?］。形狀特征方面，由于不同茶葉病害的致病機理不同，陳榮等提出圍繞茶葉病病斑提取8類幾何特征，分別建立矩形度、伸長度、復雜性、圓度及面積凹凸比5種組合形狀特征，通過支持向量機在4類核函數(shù)的分類比較下，對3種茶葉病識別率為90.0%［7］。特征融合方面，劉君等利用卷積神經(jīng)網(wǎng)絡提取淺層特征，利用相關系數(shù)分析法除去冗余特征圖，取得的弱相關特征圖用于提取方向梯度直方圖（HOG）特征，通過支持向量機算法分類，對番茄的6類病害平均識別率為92.49%，優(yōu)于傳統(tǒng)支持向量機+HOG特征算法［8］。

因此，為實現(xiàn)對馬鈴薯正常葉以及早疫病、晚疫病葉片的分類識別，本研究基于Fast K-Means與GLCM算法分割葉片及提取葉片紋理特征，設計了一種支持向量機結(jié)合K最近鄰與隨機森林（SVM+KNN+RF）組合的投票分類模型對葉片特征分類，以提高馬鈴薯葉部病害的識別效果。

1 材料與方法

1.1 基于圖像處理分類的通用方法

在不斷變化的自然環(huán)境條件下，除了盡早預防外，適當和早期的病害檢測比以往任何時候都更加重要。受感染的植物葉片表現(xiàn)出的跡象變化可能會導致診斷失誤，這是由于業(yè)余種植者和非專業(yè)人士在診斷植物病害的經(jīng)驗方面面臨了更多的挑戰(zhàn)［9］。采用計算機視覺的植物病害檢測自動化架構(gòu)可以作為驗證系統(tǒng)，為農(nóng)民和受過植物病害診斷培訓的專業(yè)人員提供幫助［10-12］。計算機視覺的進步為加強和改進精準植保實踐提供了機會，并擴大了人工智能在精準農(nóng)業(yè)領域的應用市場［13-14］。植物病害檢測的一般架構(gòu)見圖1。

1.2 圖像采集

在不同自然環(huán)境下采集馬鈴薯葉片圖像，用以構(gòu)建強大的分類模型。本研究通過圖片的形式在內(nèi)蒙古自治區(qū)呼倫貝爾市嶺東南地區(qū)采集馬鈴薯病害葉片圖像。所有圖像由智能手機拍攝，以PNG格式存儲，有效像素為3 200萬。圖像拍攝時的光照、天氣、溫度與濕度，以及不同生態(tài)環(huán)境均影響數(shù)據(jù)集的收集，并且收集到的圖像與植物發(fā)育的不同階段有關。因此，為解決馬鈴薯早、晚疫病識別的環(huán)境干擾問題，數(shù)據(jù)集包含了不同發(fā)病周期的葉片樣本，選取馬鈴薯葉片形狀與植株生長情況差異較大的田進行采集，通過拍攝不同條件下的圖像，即早上、晚上、中午、陰天、晴天、雨天，最終選擇 3 000 幅馬鈴薯健康和患病葉片圖像，其中早疫?。╡arly blight）、晚疫?。╨ate blight）和正常葉類（healthy）的圖像數(shù)分別為1 100、900、1 000幅。

圖像處理在計算機上進行，操作系統(tǒng)采用Windows 10專業(yè)工作站版，處理器選擇Intel CoreTM i7-7700 CPU，3.60 GHz、16.00 GB內(nèi)存，NVIDIA GeForce GTX 1060顯卡，顯存為3 GB，圖像分辨率為3 000×4 000像素。為方便試驗，每幅圖像大小裁剪為256×256像素，位深度為24。

1.3 圖像預處理

圖像預處理包括改善馬鈴薯葉片圖像的視覺外觀。圖像預處理對提取的特征質(zhì)量和圖像調(diào)查的結(jié)果有積極的影響。該步驟進行了噪聲消除、圖像強度平衡、目標排除等操作。在對圖像進行計算處理之前，預處理可以提高圖像數(shù)據(jù)的質(zhì)量。各種預處理技術被應用于去除圖像或其他物體的噪聲。通過圖像裁剪，去除圖像中一些不合適的部分，得到葉片圖像感興趣的區(qū)域。這一步還使用平滑濾波器對圖像進行平滑。圖像增強處理增強圖像對比度，將RGB模式的輸入圖像轉(zhuǎn)換為灰度圖像作為附加處理。

1.4 Fast K-Means圖像分割

在馬鈴薯葉片侵染圖像特征提取和病害檢測中，圖像分割是一個重要的功能。圖像分割是對受感染馬鈴薯葉片進行定位和檢測的一項重要任務。因此，圖像分割涉及到將特征從背景中分離出來。在這個過程中，一幅圖像被分解成幾個不重疊的、有表現(xiàn)力的、相同的區(qū)域。對于馬鈴薯病葉，主要關注其侵染區(qū)，病害葉片圖像的分割是識別感染類型的重要步驟，圖像分割直接影響著序列圖像處理，甚至控制著序列圖像處理的優(yōu)劣。

本研究使用Fast K-Means算法對馬鈴薯葉片圖像進行分割。Fast K-Means聚類是對K-Means聚類的一種改進。K-Means聚類是一種無監(jiān)督聚類算法，它基于歐氏距離確定每個聚類的均值［15］，并對像素點進行分布。該技術根據(jù)像素灰度級和距離圖像質(zhì)心的灰度強度等相似性特征，將圖像中的像素劃分若干類。以下是K-Means算法的步驟：

第1步：確定所需的K個聚類數(shù)。

第2步：計算每個圖像數(shù)據(jù)庫像素與聚類中心之間的歐幾里得距離。

第3步：將每個圖像中的所有像素分配到其最近的聚類中心后，計算像素的平均灰度值作為最新的聚類中心向量。

第4步：繼續(xù)訓練每個聚類中心，直到不需要再做任何更改為止。

與現(xiàn)有的K-Means算法相比，F(xiàn)ast K-Means算法具有顯著的優(yōu)勢，因為該算法制定了1個像素累積程序來管理傳統(tǒng)K-Means中聚類中心重訓練問題，并且能夠減少重訓練圖像聚類中心所需的時間［16］。圖像數(shù)據(jù)的聚類中心是利用離散函數(shù)中統(tǒng)計直方圖水平值的增強K-Means方法生成。Fast K-Means聚類過程可以這樣描述：

第1步：設有K個聚類，多個聚類中有n個中心向量，ck表示聚類中心，其中k對應一個個具體的中心向量。

第2步：確定每個級別值與聚類中心ck之間的歐氏距離，并將每個值歸屬給最近的聚類中心。準確地說，第K個聚類向量以水平值r和聚類中心ck為界的歐氏距離為d（r，ck），色標值r分配給其最近的聚類中心ck。

第3步：計算每個聚類級別的平均值，為每個聚類創(chuàng)建一個新的聚類中心。

第4步：重復步驟1到3，直到新的聚類中心與原始圖像數(shù)據(jù)完全匹配。

圖像分割旨在將數(shù)字圖像分割成許多段。分割的目的在于識別物體或從馬鈴薯葉片的圖像中獲取信息。這個過程降低了圖像分析的復雜性。此步驟涉及發(fā)現(xiàn)圖像和對象的邊界線。為了給圖像中的每個像素分配1個標簽，相似標簽下的像素共享不同的特征?；谝唤M特征對對象進行分類的方法稱為K-Means聚類。

本研究檢測馬鈴薯病害分為3類，所以用作輸入的K為3。根據(jù)K值形成圖像片段，圖像片段代表一類特征，也指定義的一種馬鈴薯病害類別。為了比較不同顏色空間圖像分割后的差異，將RGB圖像與灰度圖像采用Fast K-Means進行分割。分割圖像顏色越深的片段表明分割效果越顯著。由圖2可知，RGB圖像分割后差異并不明顯，正常葉對于早疫病與晚疫病的分割效果最差。相比而言，采用灰度圖像分割的效果優(yōu)于RGB圖像，由圖3可知，分割后的3類圖像都較好地表達了所屬類別的紋理差異。

1.5 特征提取

特征提取涉及到將未處理的數(shù)據(jù)轉(zhuǎn)換為提供分類函數(shù)富有表現(xiàn)力的描述。為了壓縮這些大尺寸圖像，對圖像進行抽象特征的計算，即對攜帶與分類問題相關的形狀、紋理、顏色等信息進行量化說明，并丟棄冗余信息［17］?；叶裙采仃嚕╣ray level cooccurrence matrix，簡稱GLCM）是最常用的信息特征提取方法。

圖像分割獲得的結(jié)果是目標感興趣的區(qū)域。因此，此步驟涉及從該首選區(qū)域中提取特征。特征提取是從圖像中檢索一組值或特征的操作。這些特征通過提供有價值的圖像信息使后續(xù)處理變得容易。發(fā)現(xiàn)馬鈴薯葉片感染最常用的特征是紋理、形態(tài)和顏色一致性向量。本研究采用GLCM對馬鈴薯病害紋理特征進行提取。

GLCM方法是基于圖像像素灰度的空間相關性，通過研究圖像中相隔一定距離的2個像素點的空間相關性實現(xiàn)紋理特征的描述［18］。

設f（x，y）為大小為M×N的灰度圖像，（x1，y1）和（x2，y2）為圖像中θ方向距離為d的2個像素點，其中x2=x1+d×cosθ，y2=y1+d×sinθ，i，j分別表示具體的像素點，灰度共生矩陣的定義如式（3）所示。

上式中，${}表示集合元素個數(shù)，d表示2個像素點之間的距離，θ表示2個像素點的連線與坐標橫軸正方向的夾角。

在實際應用中，基于灰度共生矩陣計算的二次統(tǒng)計量通常作為紋理分析的特征量，在計算2次統(tǒng)計量之前，需要根據(jù)式（3）對灰度共生矩陣進行歸一化處理，如式（4）所示，R表示灰度共生矩陣中所有元素的總和。

在這項研究中，基于歸一化概率密度p（i，j）的估計，并計算在預定義的移動窗口內(nèi)，沿著預定義的方向和像素間距離d的統(tǒng)計空間關系的不同屬性，從GLCM計算中提取了11種常用的易于計算且相關性較低的二級統(tǒng)計值作為馬鈴薯病害的紋理特征。如式（5）～式 （15），其中Ng-1表示圖像矩陣的寬度，Mg-1表示圖像矩陣的高，包括同質(zhì)性（Homogeneity）、對比度（Contrast）、相異性（Dissimilarity）、角二階矩（ASM）、能量（Energy）、最大概率（Max）、熵（Entropy）、均值（Mean）、方差（Var）、相關性（Correlation）和逆差矩（IDM）。在本研究中，灰度級為8 bits，度量紋理窗口大小為5×5像素，選取距離d為1與2像素，方向角θ分別為0°、45°、90°、135°，計算4個灰度共生矩陣，對4個灰度共生矩陣采用式（5）～（15）計算特征值，圖4所示為得到的特征圖像。結(jié)合4個灰度共生矩陣與11類特征得到單個圖像88個紋理特征并進行分類。

1.6 基于圖像處理的馬鈴薯病害特征分類

在圖像處理和特征提取之后，必須根據(jù)圖像的目標特征對圖像進行分類。圖像分類主要對應于分類器的設計和使用。特征提取過程通常以向量的形式生成輸出。為了將此向量映射到置信度分數(shù)，使用了分類器。根據(jù)分類目標，將置信分數(shù)與決定目標物體是否出現(xiàn)的閾值進行比較，或者將其與其他分數(shù)進行比較以區(qū)分物體類別。本研究描述了一些在本工作中使用的分類方法，將提取的特征分類為不同的馬鈴薯病害。在本研究的案例中，采用支持向量機（support vector machines，SVM）、K最近鄰（K-nearest neighbor，簡稱KNN）與決策樹（decision trees，簡稱DT）。

支持向量機：SVM是一種二元分類框架。SVM的主要目標是建立一個超平面，因為訓練樣本的最優(yōu)決策面包括正模式和負模式。因此，將正、負樣本隔離，最大限度地擴大2個樣本離平面的距離，提高隔離的可信度。SVM算法的目標是發(fā)現(xiàn)這樣超平面，使平面2側(cè)的空白區(qū)域最大，同時保證被分類目標的準確性［19］。然而，在處理大量模式時，SVM算法可能會將多維模式空間轉(zhuǎn)換為支持線性隔離的空間。計算開銷較大，所以計算速度比較慢。

決策樹：決策樹是通常用于分類的框架，在圖像分類中使用監(jiān)督學習。它結(jié)合了所有類型的情況，使用樹組合進行選擇，并在滿足所有選項后提供正確的解決方案［20］。決策樹由節(jié)點和有向邊組成。節(jié)點一般有2種形式：內(nèi)部節(jié)點和葉節(jié)點，內(nèi)部節(jié)點描繪特征，葉節(jié)點表示1個類。決策樹的有向邊表示特征質(zhì)量的測試輸出。樹的數(shù)量決定了一個DT分類的準確性，因此，它可以有效地對較小數(shù)據(jù)集進行分類。然而，在大量數(shù)據(jù)集的情況下，分類精度較低。同時，調(diào)整決策樹的結(jié)構(gòu)和提高性能也將變得更加困難。

K最近鄰：KNN是一種多功能分類器，在視覺、計算與圖形等領域有著廣泛的應用［20］。它不依賴于假設，而只使用真實數(shù)據(jù)，這使得它在實際應用中更有用。使用KNN的另一個優(yōu)點是它使用瞬時訓練，這意味著只要有新的樣本數(shù)據(jù)就能寫入數(shù)據(jù)庫，簡而言之，它提供快速訓練，它以查詢實例與訓練點之間的最小距離為基礎，進一步給出K個最近鄰。KNN是基于查詢對象的距離最小、屬性最相近的鄰居數(shù)量來分類數(shù)據(jù)的，根據(jù)距離選擇目標的鄰居，從而選擇k-距離上和k-距離以下的鄰居。

構(gòu)建馬鈴薯病害檢測模型所使用的數(shù)據(jù)集有2個部分，即訓練集和測試集。分類器以輸入作為訓練集和測試集。整個數(shù)據(jù)集的比例為7 ∶3。訓練集圖片數(shù)為2 100幅，測試集圖片數(shù)為900幅。隨機森林（random forest，簡稱RF）是一種快速靈活的機器學習算法，它是建立在決策樹基礎上的集成學習器。這種算法在決策樹的訓練過程中引入隨機屬性的選擇，每個決策樹分類模型都有一票投票權(quán)來選擇最優(yōu)的分類結(jié)果，RF則記錄投票并表決最終結(jié)果，RF算法可用于分類和回歸。

本研究采用集成學習的思想，將SVM、KNN與RF進行組合形成新的投票分類器，稱之為voting classifier，該分類器通過對提取的GLCM特征分類，最終輸出識別的馬鈴薯病害類別。投票分類架構(gòu)如圖5所示，首先，預處理數(shù)據(jù)集，對輸入的圖像進行灰度化處理，接著，采用Fast K-Means算法對輸入的灰度化圖像進行分割，分割后的圖像使用GLCM算法進行特征提取，對每一張圖像計算4個灰度共生矩陣，由于單個灰度共生矩陣共計11個特征值，所以處理后單張圖像輸出44個特征值，即1張圖像對應1個特征向量。最后，將訓練集所有圖像的特征向量輸入投票分類器，對特征向量創(chuàng)建2個相同的副本，投票分類器依次對SVM、KNN與RF建立3個線程處理特征向量。訓練過程中，投票分類器對其包含的子分類器使用網(wǎng)格搜索獲取分類器的超參數(shù)，取得的最優(yōu)超參數(shù)作為所屬分類器的最終參數(shù)。為了保證單個分類器結(jié)果的有效性，投票分類器采取10折交叉驗證，對每2個分類器輸出的結(jié)果按照序列進行比較，由于投票分類器有3個子分類器，所以采用軟投票規(guī)則，即3個子分類器預測樣本為某一類別的概率平均值作為標準，概率最高的類別為最終的投票結(jié)果，最終結(jié)果作為識別病害的類別。

2 結(jié)果與討論

為了評價性能，計算了3個常用的指標：準確率（Accuracy）、精確率（Precision）、召回率（Recall）。分類結(jié)果分為真陽性（TP）、假陽性（FP）、真陰性（FN）和假陰性（TN）。在這種情況下，準確率是正確預測的數(shù)量（馬鈴薯病害）與測試數(shù)據(jù)集樣本總數(shù)的比率；精確率表明該模型具有準確分類馬鈴薯病害的能力；召回率反映了模型對馬鈴薯病害的檢測能力。以上3項指標的取值范圍均為0～1，值高表示模型分類能力好，其定義如下：

本研究采用灰度共生矩陣算法對輸入圖像進行特征提取，提取的圖像紋理特征將其視為馬鈴薯病害的表征。為了更好地解釋分類器對紋理特征向量的敏感性，采用RF分類器對訓練集特征進行重要性對比分析。數(shù)據(jù)集組成紋理特征的命名規(guī)則為特征名稱+統(tǒng)計值+像素距離+方向角，其中統(tǒng)計操作由均值、方差、最大概率構(gòu)成。如圖6所示，GLCM相關性、對比度與同質(zhì)性特征在所有特征中排名前10，其中，單個像素方向角90°的相關性特征占有最強重要性，2個像素方向角40°的相關性特征占有第二重要性；前10特征重要性中，對比度特征占50%，同質(zhì)性特征占30%，相關性特征占20%。此外，90°方向角對特征重要性貢獻最大，135°方向角沒有出現(xiàn)，表明GLCM在135°方向角對馬鈴薯葉片病害的特征提取能力較弱。

從圖4與圖5可以看出，將分割圖像作為輸入，GLCM算法對圖像進行特征提取，提取特征采用投票分類器進行馬鈴薯病害檢測，投票分類器是SVM、KNN和RF的組合。為了比較投票分類器的優(yōu)勢，本研究測試了SVM、KNN、RF分類器在相同數(shù)據(jù)集下的分類結(jié)果。圖7所示為投票分類模型的PR曲線，3條實線均代指病葉與正常葉，虛線為平均基準參考值。由圖7可知，平均值PR曲線的面積占比為92.6%，表明投票分類模型的綜合分類性能優(yōu)異。表1至表5由精確率、召回率和準確率對結(jié)果進行比較，計算結(jié)果是早疫病、晚疫病和正常葉的分類平均值。如表4所示，投票分類器對早疫病、晚疫病和正常葉類別的準確率分別為91.46%、94.21%、93.24%，晚疫病準確率分別高出早疫病與正常葉2.75、0.97百分點，且精確率高出早疫病與正常葉1.14、1.33百分點，而召回率與其他2類相比降低值小于0.7百分點，綜合而言，投票分類器對晚疫病特征的分類能力較強。

投票分類器的綜合性能方面，與SVM分類器相比，準確率、精確率和召回率分別提升13.83、15.21、10.88百分點；與KNN分類器相比，準確率、精確率和召回率分別提升17.34，19.05、13.8百分點；與RF分類器相比，準確率、精確率和召回率分別提升5.37、7.76、3.92百分點；準確率、精確率和召回率平均提高12.18、14.00、9.53百分點。綜上所述，投票分類器的綜合性能提高了11.90百分點，優(yōu)于SVM、KNN與RF分類器。

3 結(jié)論

本研究提出了一種基于支持向量機、K最鄰近與隨機森林分類器組合的投票分類器與灰度共生矩陣相結(jié)合的方法，用于鑒別馬鈴薯早、晚疫病和正常葉圖像。紋理參數(shù)是從馬鈴薯早、晚疫病數(shù)據(jù)集中通過GLCM計算得出。為了增強GLCM算法提取特征的能力，通過Fast K-Means聚類算法對感染區(qū)域馬鈴薯葉片分割，在保證準確分割葉片的同時提升分割速度。結(jié)果表明，使用超參數(shù)網(wǎng)格搜索結(jié)合10折交叉驗證方法，GLCM算法提取的特征表現(xiàn)良好，準確率為92.97%。試驗結(jié)果表明，超過92%的馬鈴薯病害被診斷鑒別，與SVM、KNN、RF分類器相比，投票分類器的綜合性能提高了11.90百分點。在未來，計劃通過使用不同的統(tǒng)計特征和擴充數(shù)據(jù)集來改進馬鈴薯早、晚疫病的分類。

參考文獻：

［1］胡小平，戶雪敏，馬麗杰，等. 作物病害監(jiān)測預警研究進展［J］. 植物保護學報，2022，49（1）：298-315.

［2］李含悅，張潤清，王 哲. 我國馬鈴薯全要素生產(chǎn)率比較及空間集聚研究［J］. 中國農(nóng)業(yè)資源與區(qū)劃，2021，42（7）：9-18.

［3］施乾芮，劉倩雯，陳友華，等. 新農(nóng)藥105億CFU/g多黏菌·枯草菌WP對馬鈴薯晚疫病防治效果［J］. 農(nóng)藥，2022，61（4）：292-294，304.

［4］李 娜，米偉娟. 馬鈴薯病害的可視化計算機識別技術［J］. 山東農(nóng)業(yè)大學學報（自然科學版），2021，52（4）：619-623.

［5］李亞文，張 軍，陳月星. 基于K-means和特征提取的植物葉部病害檢測與實現(xiàn)［J］. 陜西農(nóng)業(yè)科學，2021，67（6）：33-37，41.

［6］李亞文，劉愛軍，陳 垚. 基于GLCM紋理特征提取的黃瓜葉部病害檢測算法研究［J］. 湖北農(nóng)業(yè)科學，2022，61（9）：141-145.

［7］陳 榮，李 旺，周文玉. 基于形狀特征和支持向量機（SVM）的茶葉病害識別方法［J］. 貴州農(nóng)業(yè)科學，2021，49（4）：53-59.

［8］劉 君，王學偉. 融合CNN多卷積特征與HOG的番茄葉部病害檢測算法［J］. 北方園藝，2020（4）：147-152.

［9］Sharma M，Kumar C J，Deka A. Early diagnosis of rice plant disease using machine learning techniques［J］. Archives of Phytopathology and Plant Protection，2022，55（3）：259-283.

［10］李 萍，邵 彧，齊國紅，等. 基于跨深度學習模型的作物病害檢測方法［J］. 江蘇農(nóng)業(yè)科學，2022，50（8）：193-199.

［11］Dai G W，Hu L，F(xiàn)an J C. DA-ActNN-YOLOV5：hybrid YOLO v5 model with data augmentation and activation of compression mechanism for potato disease identification ［J］. Computational Intelligence and Neuroscience，2022，2022：1-16.

［12］孫長蘭，林海峰. 一種基于集成學習的蘋果葉片病害檢測方法［J］. 江蘇農(nóng)業(yè)科學，2022，50（20）：41-47.

［13］Cisternas I，Velásquez I，Caro A，et al. Systematic literature review of implementations of precision agriculture［J］. Computers and Electronics in Agriculture，2020，176：105626.

［14］蔣清健，姚 勇，付志軍，等. 基于改進卷積神經(jīng)網(wǎng)絡算法的番茄葉片病害識別［J］. 江蘇農(nóng)業(yè)科學，2022，50（20）：29-34.

［15］Saravana Kumar V，University P，Naganathan E R，et al. Segmentation of hyperspectral image using jseg based on unsupervised clustering algorithms［J］. ICTACT Journal on Image and Video Processing，2015，6（2）：1152-1158.

［16］Lin C H，Chen C C，Lee H L，et al. Fast K-means algorithm based on a level histogram for image retrieval［J］. Expert Systems With Applications，2014，41（7）：3276-3283.

［17］Subramanian M，Lingamuthu V，Venkatesan C，et al. Content-based image retrieval using colour，gray，advanced texture，shape features，and random forest classifier with optimized particle swarm optimization［J］. International Journal of Biomedical Imaging，2022，2022：3211793.

［18］Harrar K，Messaoudene K，Ammar M. Combining GLCM with LBP features for knee osteoarthritis prediction：data from the osteoarthritis initiative［J］. ICST Transactions on Scalable Information Systems，2018：171550.

［19］Zhao J D，Lei W，Li Z J，et al. Detection of crowdedness in bus compartments based on ResNet algorithm and video images［J］. Multimedia Tools and Applications，2022，81（4）：4753-4780.

［20］Saleem G，Akhtar M，Ahmed N，et al. Automated analysis of visual leaf shape features for plant classification［J］. Computers and Electronics in Agriculture，2019，157：270-280.