農(nóng)作物病蟲害圖像識別技術(shù)的研究綜述

汪京京，張 武,2，劉連忠，黃 帥

(1.安徽農(nóng)業(yè)大學(xué)信息與計算機學(xué)院，安徽 合肥 230036；2.農(nóng)業(yè)信息學(xué)安徽省重點實驗室，安徽 合肥 230036)

1 引言

近年來，全球氣候惡化加快，環(huán)境條件變得愈發(fā)脆弱，農(nóng)作物病蟲害的爆發(fā)呈現(xiàn)出上升趨勢(病蟲害的傳播速度取決于環(huán)境條件和植物的易感染性[1])。及時、準確地檢測識別農(nóng)作物病蟲害才能有效地采取防治措施。傳統(tǒng)的病蟲害檢測識別方法完全依賴于個人的經(jīng)驗和肉眼觀察，速度慢、主觀性強、誤判率高、實時性差。

隨著精準農(nóng)業(yè)的興起，運用信息技術(shù)輔助農(nóng)業(yè)生產(chǎn)為農(nóng)作物病蟲害的識別提供了新思路，圖像處理技術(shù)就是其中之一。圖像處理是將圖像信號轉(zhuǎn)換成相應(yīng)的數(shù)字信號，并利用計算機對其進行加工處理的過程。農(nóng)作物病蟲害圖像識別技術(shù)則是圖像處理技術(shù)在農(nóng)作物病蟲害識別上的應(yīng)用，成為替代傳統(tǒng)人工識別的技術(shù)手段，其對農(nóng)作物病蟲害識別具有傳統(tǒng)方法所不具備的快速性、準確性、實時性等特點，能夠在疾病暴發(fā)前及時、準確地識別出病蟲害的種類，為農(nóng)耕人員及時采取措施防治病蟲害的傳播發(fā)展提供必要信息。國內(nèi)外專家學(xué)者在該領(lǐng)域做了大量的研究工作，研究內(nèi)容主要集中在農(nóng)作物病蟲害的圖像分割、特征提取和分類識別三個方面，本文將分別從這三個方面介紹國內(nèi)外的研究現(xiàn)狀，并對將來的發(fā)展趨勢作以展望。

2 農(nóng)作物病蟲害圖像的分割

圖像分割是圖像處理過程中的前續(xù)步驟，是將圖像細分為一個個特征(即圖像的結(jié)構(gòu)、顏色、灰度、紋理等)子區(qū)域或物體的過程，它是圖像處理過程中質(zhì)的轉(zhuǎn)換，提取特征值、構(gòu)建分類器都是在其基礎(chǔ)上進行的。圖像分割一直以來都是圖像處理技術(shù)最困難的任務(wù)之一，也是國內(nèi)外學(xué)者研究的熱點。分割算法種類繁多，主要分為基于灰度值不連續(xù)性和相似性，以閾值分割、邊緣檢測等為代表的經(jīng)典分割理論，以及基于數(shù)學(xué)形態(tài)學(xué)、模糊聚類等與特定理論相結(jié)合的分割方法。

2.1 閾值分割法

閾值分割法是一種簡單高效的圖像分割方法，它用一個或多個閾值將圖像的灰度級劃分為幾個部分，同一部分的像素是一個整體[2]。閾值分割法是農(nóng)業(yè)病蟲害圖像識別研究中最早采用的方法，早在1989年，日本的穗波信雄等[3]就首次利用閾值分割法對缺乏鈣、鎂、鐵等微量營養(yǎng)元素的茨菇病態(tài)葉片進行分割，但由于提取的RGB直方圖形狀特征和位置特征不具有代表性，導(dǎo)致分割的效果并不理想。在其基礎(chǔ)上，國內(nèi)的陳佳娟等[4]嘗試用局部門限法提取直方圖形狀特征，在實驗室環(huán)境下采用局部閾值分割完成了棉花蟲害圖像與背景的分割。2009年，英國學(xué)者Camargo A和Smith J S[5]在其設(shè)計的植物病害分類識別系統(tǒng)中，以香蕉葉黑斑病為例，采用最優(yōu)門限的直方圖閾值分割法，成功地將病葉的病斑與背景分割開來，效果良好。閾值分割法的特點是簡單，執(zhí)行效率高，難點在于閾值的選取，作物病蟲害區(qū)域的顏色、紋理等特征往往與非病區(qū)域有著較大的差別，通過分析兩者的灰度直方圖能夠較直觀的找出閾值，實現(xiàn)圖像的分割。

2.2 邊緣檢測法

邊緣是圖像的基本特征，圖像的大部分信息都存在于邊緣當中，通過對邊緣的檢測能夠有效解決圖像的分割問題[6]。邊緣檢測法是一種經(jīng)典的圖像分割理論，廣泛應(yīng)用于農(nóng)作物病蟲害圖像分割中。2011年，Baum T等[7]采用Sobel邊緣檢測算子，將大麥的菌斑從背景中很好地分離出來。2012年，何丹丹等[8]在對水稻葉片圖像的分割實驗中，結(jié)合最小外接矩形算法、中值濾波和Canny算子，提出一種基于多策略融合技術(shù)的水稻葉片邊緣檢測算法，該算法具備高效、準確、魯棒等特性。邊緣檢測法基于在不同區(qū)域之間的邊緣上像素灰度值的變化往往比較劇烈來解決分割問題[9]，在農(nóng)作物病蟲害圖像中，病蟲害區(qū)域邊緣灰度值突變較大，應(yīng)用邊緣檢測法來進行分割具有簡單易操作等優(yōu)點。缺點在于邊緣檢測法的分割效率依賴于邊緣檢測算子，魯棒性較差。

2.3 數(shù)學(xué)形態(tài)學(xué)法

結(jié)合數(shù)學(xué)形態(tài)學(xué)來解決圖像分割問題近年來逐漸受到重視，其基本思想是用具有一定形態(tài)的結(jié)構(gòu)元素去處理和提取圖像中的相似形狀，以簡化圖像，保留所需的基本形狀信息。1996年，Casady W W等[10]將采集到的水稻稻冠圖像，使用數(shù)學(xué)形態(tài)學(xué)進行圖像分割，結(jié)合灰度中值法提取水稻稻冠的高度、面積等特征，獲得不錯的效果。2012年，王萍等[11]將線性的數(shù)學(xué)形態(tài)學(xué)分割和非線性的邊緣檢測法結(jié)合起來，完成了對植物葉片的分割，效果十分明顯。2012年，任磊等[12]在棉花圖像分割的研究過程中，提出利用魯棒中值估計對形態(tài)學(xué)多尺度梯度圖像進行梯度修正，并結(jié)合改進的分水嶺算法進行分割，有效地解決了因陽光直射和陰影遮擋等因素而導(dǎo)致的棉花圖像分割精度低、效果差的問題。數(shù)學(xué)形態(tài)學(xué)法的缺點在于對邊界噪聲的敏感，同時，由各種幾何基元的并集、交集和差集構(gòu)成的目標與人類對形狀的感覺有一定的差異，這些問題對分割精度所造成的影響在具有復(fù)雜生長環(huán)境的農(nóng)作物病蟲害圖像分割中尤為突出。目前，數(shù)學(xué)形態(tài)學(xué)分割法的理論尚未成熟，仍需發(fā)展。

2.4 模糊聚類法

模糊聚類理論是由Ruspini于1969年首次提出，模糊聚類分割算法屬于模式識別中的無監(jiān)督學(xué)習(xí)[13],它規(guī)定圖像中每個像素的隸屬具有模糊性，近年來得到廣泛的應(yīng)用。2009年，王守志等[14]利用基于Mercer核的K-均值聚類分割算法完成對玉米葉部病害病斑特征的分割，正確率達到82%。2012年，Jaware T H等[15]用Otsu's算法[16]計算病害圖像綠色像素的屏蔽閾值，消除置零的RGB像素和感染的邊緣特征，采用優(yōu)化的K-均值聚類法進行農(nóng)作物病害葉片圖像的分割，并通過實驗驗證其算法是一個高效的、高精度的分割算法。2012年，李震等[17]采用基于Lab顏色模型中a、b分量的K-means聚類法識別彩色圖像中的紅蜘蛛，效果顯著。農(nóng)作物病蟲害圖像的大量圖像數(shù)據(jù)具有模糊和不確定性等特點，模糊聚類中的隸屬度函數(shù)正好可以將圖像中的模糊性和不確定性模型化[18]，從而有效地應(yīng)用于圖像分割當中。模糊聚類法也存在缺點，對噪聲和初始化數(shù)據(jù)的敏感、算法的運算量大等都影響了其在農(nóng)業(yè)生產(chǎn)中的實際應(yīng)用，有待進一步改進和優(yōu)化。

2.5 新方法

各種新方法不斷涌現(xiàn)。2010年，賴軍臣等[19]引入高斯模型的Markov隨機場分割模型(G-MRF)，對玉米大斑病、小斑病、灰斑病和彎孢菌葉斑病等四種主要葉部病害的圖像進行分割實驗，分割正確分類率達96.35%。2011年，袁媛等[20]首次將基于先驗信息的水平集模型應(yīng)用于具有復(fù)雜背景的黃瓜病葉圖像分割，效果良好。2012年，虎曉紅等[21]提出了一種基于多示例圖的分割模型，將多示例學(xué)習(xí)方法與病蟲害圖像的分割有效結(jié)合起來，對小麥葉部病害圖像進行分割。通過對小麥銹病和白斑病圖像的分割實驗表明，所提出的模型具有較好的魯棒性，并且分割效果明顯優(yōu)于傳統(tǒng)的分割方法。新方法在引入一些新的學(xué)科理論的同時，更加注重多種分割方法的有效結(jié)合，以達到最優(yōu)的分割效果。

目前對農(nóng)作物病蟲害圖像分割方法的研究大部分還是基于實驗室特定的背景、光照條件下開展的，與作物實際生長環(huán)境有較大差異,還達不到實際應(yīng)用的要求。

由于農(nóng)作物生長環(huán)境的復(fù)雜性高、氣候和光照條件變化大等因素,一方面農(nóng)作物病蟲害圖像的獲取難度大，另一方面如何在真實復(fù)雜的背景條件下，例如葉片的遮擋和重疊、葉片的傾斜和變形、多變的光照因素、雜草和泥土等，有效地將識別目標和背景分割開來，都是研究的難點，也是今后農(nóng)作物病蟲害圖像分割算法的重點研究方向。未來，應(yīng)將研究環(huán)境從實驗室轉(zhuǎn)移到真正的大田環(huán)境中，研究新的分割算法和圖像獲取技術(shù)，實現(xiàn)復(fù)雜背景下的高效分割，并結(jié)合多種分割算法的特點，尋求最優(yōu)的分割策略。

3 農(nóng)作物病蟲害圖像的特征提取

圖像的特征提取是數(shù)字圖像處理的關(guān)鍵性步驟，它關(guān)系到分類器設(shè)計的效率和分類的精確度，甚至直接決定了分類算法是否可行。特征提取一般包括特征描述和提取兩個過程。特征描述指的是給從圖像中分割出來的某種圖像屬性予以量性的描述或表示，提取指的是計算這些特征的子集，通過數(shù)學(xué)變換使樣本空間降維，以便于目標識別。國內(nèi)外的專家學(xué)者在農(nóng)作物病蟲害圖像特征提取上做了大量的研究工作，主要的提取方法按特征屬性來分有形態(tài)特征提取、顏色特征提取和紋理特征提取等。

3.1 形態(tài)特征提取法

形態(tài)特征分為輪廓特征和區(qū)域特征，它是圖像的一種最基本的特征，形狀提取法是農(nóng)作物病蟲害識別研究中最早采用的特征提取方法。1995年，Woebbecke D M等人[22]在雜草識別的研究過程中提出用雜草圖像的形狀特征進行雜草分類，提取了植物冠層的圓度、伸長度、朝向北、周長/厚度、和初始不變中心矩等形態(tài)特征，成功識別了多種單子葉雜草和雙子葉雜草。2003，Chosmore D等[23]提取了小麥孢子圖像的表面積、周長、突起數(shù)及突起的大小、最大(小)半徑和圓形度等形態(tài)特征，成功分類了小麥印度腥黑穗病和黑麥草腥黑穗病孢子。2009年，張紅濤等[24]在儲糧害蟲圖像識別的研究中，針對糧蟲的二值化圖像提取出17個形態(tài)特征，并通過優(yōu)化提取了面積、周長等七個特征的最優(yōu)特征子空間，識別率達到95%以上。2012年，刁智華等[25]將不變矩理論引入到形狀特征提取中，定義了七個Hu不變矩的瞬間參數(shù)，提取小麥葉部病害圖像的形態(tài)特征，并應(yīng)用到其設(shè)計的小麥病害智能識別系統(tǒng)中，得到較高的識別率。形態(tài)特征提取的難度較小，在早期的農(nóng)作物病蟲害圖像特征提取中有著廣泛的應(yīng)用，但它也存在一些問題：缺乏比較完善的數(shù)學(xué)形態(tài)模型、目標形狀信息與人眼的直觀感覺的不完全一致等，導(dǎo)致提取的形態(tài)特征的有效性受到影響，這些是今后所要解決的研究難點。

3.2 顏色特征提取法

顏色特征是一種基于圖像像素點的全局特征，顏色特征提取法也是農(nóng)作物病蟲害圖像特征提取中常用到的方法。2002年，徐貴力等[26]用百分率直方圖提取了番茄缺素葉片彩色圖像的顏色特征，準確率達到70%。2004年，Jafari A等[27]使用R、G和B顏色特征來分類八種雜草，準確率不高。2010年，朱虹等[28]在小麥缺氮的研究過程中，通過對RGB和 HIS兩種顏色系統(tǒng)表示的R、G、B、H、S、I和L 參量進行直方圖統(tǒng)計量優(yōu)化，提取了一些簡單有效的小麥冠層圖像顏色特征，提高了準確率。顏色特征提取法直觀高效，但對圖像的方向和大小等變化不敏感，不能很好地表示圖像中目標的局部特征，在農(nóng)業(yè)圖像識別研究中有著其局限性。

3.3 紋理特征提取法

紋理特征也是一種全局特征，是指在圖像中反復(fù)出現(xiàn)的局部模式和它們的排列規(guī)則[29]，紋理特征提取是圖像特征提取領(lǐng)域的研究熱點。2003年，徐貴力等[30]對無土栽培番茄缺乏營養(yǎng)元素智能識別研究中，利用差分百分率直方圖法較好地提取出缺素葉片紋理特征，識別準確率在80%以上。2006年，Pydipati R等[31]使用基于HIS色度空間的顏色共生矩陣(CCM)法提取柑橘黑變病、疤痕和油脂點圖像病斑紋理特征，結(jié)合廣義二乘矩陣構(gòu)建分類器，精度達到96%。2008年，谷慶魁[32]用空間灰度共現(xiàn)矩陣提取了玉米葉部病害圖像的紋理特征，并結(jié)合小波變換進行提升小波分解紋理圖像，達到良好的效果。紋理特征是一種重要的視覺線索,是圖像中普遍存在而又難以描述的特征[33]，具有旋轉(zhuǎn)不變性、抗噪能力強等優(yōu)點；但另一方面，紋理分析是一個非常耗時的過程，紋理特征提取算法本身的執(zhí)行效率低是其在實際應(yīng)用中需要解決的問題。

3.4 顏色、紋理、形態(tài)相結(jié)合的提取方法

顏色、紋理、形態(tài)相結(jié)合的提取方法是近年來的研究趨勢。2003年毛罕平等[34]在進行西紅柿缺素智能識別系統(tǒng)的研究中，結(jié)合顏色特征和紋理特征，提出了采用相對差值百分率直方圖法、差分算子法提取缺素葉片的顏色、紋理的時域特征，用傅里葉變換法提取紋理的頻域特征，用小波變換法提取紋理的時頻特征，分類精度達到92.5%以上。2011年，梁佳熙[35]綜合考慮顏色、紋理、形態(tài)特征的特點，提出同時用RGB和HIS色度系統(tǒng)提取黃瓜霜霉病病葉顏色特征，用灰度共生矩陣提取病葉圖像的紋理特征，對病斑部位提取了形態(tài)特征，實驗結(jié)果表明了所提取特征的有效性。2012年， Patil J K等[36]通過計算玉米病葉的HSV直方圖的圖像的第一、第二及第三階矩陣提取了顏色特征，通過計算圖像的灰度級共生矩陣提取了圖像的相關(guān)性、能量值、慣性和同質(zhì)性等紋理特征，從而構(gòu)建分類器識別病害，取得非常好的效果。顏色、紋理、形態(tài)特征單獨提取各自有著局限性，將三者相結(jié)合的提取算法能最優(yōu)化地提取到所需要的圖像特征信息，是今后的研究趨勢。

目前在農(nóng)作物病蟲害圖像特征提取上，主要存在三個方面問題。一是提取方法的單一性，大部分病蟲害的特征提取都是單一地使用某種方法去提取圖像特征，如直方圖法提取顏色特征、灰度矩陣法提取紋理特征等，造成對特征參量的分析、優(yōu)化力度不夠，特征提取效率低下。綜合考慮多種特征提取算法，同時加大對特征參量優(yōu)化算法的研究力度，引入新的理論和數(shù)學(xué)工具來分析、優(yōu)化、提取特征值是研究趨勢所在。二是提取目標的單一性，主要是以病蟲害葉片、病斑為目標。造成這方面問題的原因是，多數(shù)研究人員是從圖像處理的角度出發(fā)，對結(jié)合作物病理學(xué)知識進行特征提取缺乏考慮，發(fā)生病蟲害的農(nóng)作物往往在多個方面都有病癥體現(xiàn)，如作物的根、莖、花果等其它部位都可能蘊含病狀信息。今后的研究重點應(yīng)著眼于擴大思路，結(jié)合作物病理學(xué)知識多元化、多角度地提取特征。三是提取特征時間點的單一性，大多數(shù)的特征提取都是在農(nóng)作物病蟲害癥狀十分明顯時才進行，嚴重影響了實時性。定義多個提取時間節(jié)點，做到在農(nóng)作物病蟲害爆發(fā)的不同時期都能準確地提取到所需要的特征信息，才能為早識別、早防治提供可靠的依據(jù)。

4 農(nóng)作物病蟲害圖像的分類識別

圖像的分類識別，是指以提取的圖像特征為對象，構(gòu)建分類器，以達到目標識別的過程。分類識別是圖像處理的后處理步驟，也是整個圖像處理過程所要達到的目的，分類的精確度是所有分類算法所追求的結(jié)果。高精度、穩(wěn)定、快速的農(nóng)作物病蟲害圖像分類識別算法一直以來都是國內(nèi)外相關(guān)領(lǐng)域?qū)＜覍W(xué)者所不懈追求的目標。根據(jù)分類判別規(guī)則的不同，有基于形狀的分類、基于紋理的分類、統(tǒng)計分類等；根據(jù)分類結(jié)果的數(shù)量，有兩類分類器和多類分類器之分，多類分類器某種意義下是兩類分類器和策略的組合，經(jīng)典的多類分類器有支持向量機法、神經(jīng)網(wǎng)絡(luò)法和模糊聚類法等[37]。

4.1 早期的分類方法

早在1985年，日本的安岡善文等[38]發(fā)現(xiàn)被污染的農(nóng)作物葉片的污染區(qū)域在紅外圖像中有很清晰的顯現(xiàn)，并首次提出可以此作為識別農(nóng)作物病害的依據(jù)。1998年，Zayas I Y等[39]結(jié)合多光譜分析和模式識別技術(shù)來識別害蟲，具有一定的識別率。1999年，Sasaki Y等[40]在黃瓜炭疽病的自動識別技術(shù)的研究中，采用遺傳算法，建立了基于形狀特性和分光反射特性的識別參數(shù)對病害葉片進行識別。早期的分類方法主要基于視覺系統(tǒng)的直觀性，分類精度較低。

4.2 神經(jīng)網(wǎng)絡(luò)法

神經(jīng)網(wǎng)絡(luò)是一種模仿生物神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和功能的數(shù)學(xué)模型，神經(jīng)網(wǎng)絡(luò)法的基本思想是通過對多層感知機樣本訓(xùn)練，得到線性決策函數(shù)， 將決策函數(shù)作為對像素進行分類識別的依據(jù)，進而對圖像分類識別。2007年，Gassoumi H等[41]開發(fā)了模糊神經(jīng)網(wǎng)絡(luò)分類識別算法，對提取到的12種常見棉田昆蟲進行分類識別，其中的11種分類精度達到90%以上。2009年，祁廣云等人[42]提出了采用改進遺傳算法的神經(jīng)網(wǎng)絡(luò)對大豆葉片病斑進行識別，準確率達到90%以上。在2012年，溫芝元等[43]在研究臍橙不同病蟲害的通用機器識別技術(shù)中，將提取的病蟲害圖像的顏色特征值作為補償模糊神經(jīng)網(wǎng)絡(luò)輸入，建立識別臍橙病蟲害的識別模型，得到理想的分類效果。神經(jīng)網(wǎng)絡(luò)法有抗噪性強、分類精度高等優(yōu)點，近年來在農(nóng)作物病蟲害圖像的分類識別中得到廣泛的應(yīng)用。但是，其并不完美，也存在缺點，目前神經(jīng)網(wǎng)絡(luò)的理論尚不成熟、基于神經(jīng)網(wǎng)絡(luò)的圖像分類識別計算量大、需要訓(xùn)練的樣本數(shù)多等問題影響到神經(jīng)網(wǎng)絡(luò)在圖像識別中的應(yīng)用，今后研究的目標是要解決好這些問題。

4.3 支持向量機法

支持向量機法是一種基于統(tǒng)計學(xué)習(xí)理論的機器學(xué)習(xí)方法，它的基本思想是：在樣本空間構(gòu)建最優(yōu)分類面，以使分類間隔最大化為原則進行統(tǒng)計分類[44]，支持向量機法在農(nóng)作物病蟲害圖像識別領(lǐng)域也有著廣泛的應(yīng)用。2004年，田有文等[45]使用支持向量機分類法(SVM)對番茄病害圖像進行分類識別，結(jié)果證明以支持向量機為代表的核函數(shù)法在農(nóng)作物病斑形狀復(fù)雜且訓(xùn)練樣本較少的情況下的分類識別具有高識別率、強泛化性等優(yōu)勢。隨后，他又選取四種核函數(shù)構(gòu)建支持向量機分類器識別黃瓜病害[46]，進一步證明了此種優(yōu)勢。2010年，刁智華[47]在他的大田小麥病害智能診斷系統(tǒng)中提出了一種采用平衡決策樹結(jié)構(gòu)的支持向量機多類分類算法，分類效果較好。2011年，張建華等[48]利用徑向基支持向量機識別棉花棉蚜、棉葉螨、棉盲蝽、斜紋夜蛾、煙粉虱等棉花蟲害，識別率達到88%以上。支持向量機法能夠在樣本空間較少的條件下取得很好的分類效果，且分類的圖像邊緣具有良好的統(tǒng)計特性，在農(nóng)作物病蟲害圖像識應(yīng)用和研究中有著良好的優(yōu)勢，但該方法的性能過于依賴核函數(shù)和對樣本的訓(xùn)練速度，今后的研究中要解決好這些問題，才能更有效地將其應(yīng)用到圖像識別中。

4.4 模糊聚類法

利用模糊聚類法構(gòu)建分類器進行圖像分類識別也是近年來的研究熱點。2006年，杜瑞卿等[49]對提取的28種昆蟲的形狀參數(shù)、球狀性、葉狀性等七項數(shù)學(xué)形態(tài)特征進行了模糊聚類分類,并結(jié)合粗糙集理論進行分析,實驗結(jié)果得到了較高的準確率。2009年, 趙進輝等[50]利用模糊C-means聚類法識別甘蔗棉蚜蟲,準確率達到85%。模糊聚類法在圖像分類識別中的基本思想與其在圖像分割中相似，收斂速度慢、必須先確定分類數(shù)等局限條件使得模糊聚類法在農(nóng)作物病蟲害圖像分類識別中的應(yīng)用受到影響，在實際應(yīng)用的過程中要結(jié)合其他算法使用才能更好地發(fā)揮其優(yōu)勢。

4.5 新方法

2007年，Sammany M等[51]同時把支持向量機和神經(jīng)網(wǎng)絡(luò)兩種方法結(jié)合起來應(yīng)用于識別植物病害，并用粗糙集優(yōu)化特征參數(shù)，提高了分類精度。2010年，管澤鑫等[52]提取水稻病害圖像的形態(tài)、紋理、顏色特征參數(shù)，提出利用逐步判別分析法分類特征參數(shù)并利用貝葉斯判別法進行分類識別，識別率高達97.2%。2012年張紅濤等[53]采用高光譜圖像識別糧倉米象活蟲，對 1 320～1 680 nm 之間的 110 個波長的高光譜圖像，應(yīng)用相鄰波長指數(shù)法進行分析，提出用雙區(qū)域連通閾值面積比的區(qū)域生長法分類糧蟲活蟲、死蟲效果良好。單一的分類方法各有利弊，將多種方法相結(jié)合并引入新的技術(shù)理念，以求達到最好的圖像分類識別效果是今后的研究趨勢。

目前農(nóng)作物病蟲害圖像分類識別研究上的問題在于：一方面，農(nóng)作物病蟲害的種類繁多且存在變化，同一種疾病不同的時期、不同的環(huán)境下表現(xiàn)出來的癥狀可能不同，而目前的分類識別算法局限性很強，大多只是針對一兩類疾病在特定時期的特征識別，魯棒性差；另一方面，由于目前所開發(fā)的農(nóng)作物病蟲害識別系統(tǒng)大多為線下、靜態(tài)識別，實時性差且識別精度低，導(dǎo)致實際應(yīng)用效果差，效率低下。未來的研究趨勢在于，開發(fā)穩(wěn)定的、精確度高且通用性強的分類識別算法，并結(jié)合網(wǎng)絡(luò)以及遙感等手段，真正實現(xiàn)農(nóng)作物病蟲害在動態(tài)、自然真實環(huán)境下的自動檢測、識別、上報、診斷等功能，這也是未來農(nóng)作物病蟲害的圖像識別技術(shù)的研究難點和熱點。

5 結(jié)束語

本文從圖像分割、特征提取、分類識別三個方面，對近十幾年來國內(nèi)外的專家學(xué)者在農(nóng)作物病蟲害圖像識別領(lǐng)域所做的研究做了一個比較全面的綜述，不難看出，雖然該領(lǐng)域的研究成果豐富，發(fā)展迅速，但在實際應(yīng)用的過程中也存在很多問題需要解決和改善。

綜觀近十幾年來農(nóng)作物病蟲害圖像識別領(lǐng)域的文獻，可以得出以下幾點總結(jié)和預(yù)測：一是農(nóng)作物病蟲害圖像分割將是今后領(lǐng)域中的研究熱點和難點，這是由分割問題本身的復(fù)雜性和圖像分割在圖像識別過程中的關(guān)鍵性所決定的，復(fù)雜環(huán)境下的作物圖像分割是領(lǐng)域內(nèi)公認的研究難點，只有解決好分割的問題，才能更好地完成圖像的特征提取和分類識別。二是農(nóng)作物蟲害圖像識別相對于病害圖像識別發(fā)展較慢，相關(guān)的研究文獻較少，遠達不到實際應(yīng)用的要求，原因在于蟲害相對于病害的動態(tài)特性以及害蟲本身的遷飛性、晝伏夜出、蟲體微小、鉆蛀性等隱蔽性特點[54]使得蟲害的圖像識別問題變的異常困難。所以，今后的一段時間里，農(nóng)作物病蟲害圖像識別領(lǐng)域的研究仍會以作物病害圖像識別為主，隨著病害圖像識別技術(shù)的發(fā)展和成熟，蟲害圖像識別研究將逐漸成為熱點。三是任何單一的農(nóng)作物病蟲害圖像識別方法都有這樣那樣的缺點，引入新的學(xué)科理論，結(jié)合最新科技，重視多種方法的綜合使用以尋求最優(yōu)的圖像識別策略是當今領(lǐng)域主流的研究趨勢。

總而言之，如何利用農(nóng)作物病蟲害圖像識別技術(shù)來更好地解決農(nóng)作物病蟲害問題，保障農(nóng)業(yè)生產(chǎn)具有重要意義和遠大的前景。

[1] Lucas B G, Campbell C L, Lucas L T. Introduction to plant diseases:Identification and management [M]. US:Van Nostrand Reinhold, 1992.

[2] Han Si-qi, Wang Lei. A survey of thresholding methods for image segmentation[J]. Systems Engineering and Electronics,2002,24(6):91-94.(in Chinese)

[3] Xinxiong S.In accordance with the image extracting plant growth information[Z]. The 6th Branch Research Data of the Agricultural Society of Mechanical Engineers, 1989:1-2.(in Chinese)

[4] Chen Jia-juan,Zhao Xue-du.Automatic measurement of danger degree of cotton insect pests using computer vision[J]. Transactions of the Chinese Society of Agricultural Engineering, 2001, 17(2):157-160.(in Chinese)

[5] Camargo A, Smith J S. An image-processing based algorithm to automatically identify plant disease visual systems[J]. Bio-systems Engineering,2009(102):9-21.

[6] Duan Rui-ling, Li Qing-xiang, Li Yu-he. Summary of image edge detection[J].Optical Technique,2005,31(3):415-419.(in Chinese)

[7] Baum T,Seiffert U. Hyph area-automated analysis of spatiotemporal fungal patterns[J].Journal of Plant Physiology,2011(68):72-78．

[8] He Dan-dan,Xu Mei.Rice leaf edge detection algorithm based on multi-strategy fusion technique[J]. Journal of Northeast Agricultural University,2012,43(5):65-68.(in Chinese)

[9] Nalwa V S,Binford T O.On detecting edges[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 1986,8(6):699-714.

[10] Casady W W, Singh N, Costello T A. Machine vision for measurement of rice canopy dimensions [J].Transactions of the ASAE, 1996, 39(5):1891-1898.

[11] Wang Ping,Tang Jiang-feng,Wang Bo, et al. Image segmentation method of plant leaves based on mathematical morphology[J]. Acta Agriculturae Zhejiangensis, 2012,24(3):509-513.(in Chinese)

[12] Ren Lei,Lai Hui-cheng,Chen Qin-zheng, et al. Cotton image segmentation method based on improved watershed[J]. Computer Engineering and Applications,2012,48(34):207-212.(in Chinese)

[13] Sun Ji-gui, Liu Jie, Zhao Lian-yu. Clustering algorithms research[J]. Journal of Software,2008,19(1):48-61.(in Chinese)

[14] Wang Shou-zhi, He Dong-jian,Li Wen, et al. Plant leaf disease recognition based on kernelK-means clustering algorithm[J]. Transactions of the Chinese Society for Agricultural Machinery,2009, 40(3):152-155.(in Chinese)

[15] Jaware T H, Badgujar R D, et al. Crop disease detection using image segmentation [J]. World Journal of Science and Technology, 2012,2(4):190-194.

[16] Ostu N.A threshold selection method from gray level histogram[J].IEEE Transactions on SMC,1979(9):652-655.

[17] Li Zhen,Hong Tian-sheng,Zeng Xiang-ye, et al. Citrus red mite image target identification based onK-means clustering[J]. Transactions of the Chinese Society of Agricultural Engineering,2012,28(23):147-153.(in Chinese)

[18] Diao Zhi-hua,Song Yin-mao,Wang Huan, et al. Study surveys on image segmentation of plant disease spot[J]. Journal of Agricultural Mechanization Research,2012, 10(10):1-11.(in Chinese)

[19] Lai Jun-chen,Tang Xiu-juan,Li Shao-kun,et al.Maize leaf disease spots segmentation based on Gauss-MRF model[J]. Scientia Agricultura Sinica, 2010, 43(7):1363-1369.(in Chinese)

[20] Yuan Yuan,Li Miao,Liang Qing,et al.Segmentation method for crop disease leaf images with complex background[J]. Transactions of the Chinese Society of Agricultural Engineering,2011,27(2):208-212.(in Chinese)

[21] Hu Xiao-hong,Li Bing-jun,Xi Lei. Multi-instance graph approach to wheat leaf disease segmentation[J]. Transactions of the Chinese Society of Agricultural Engineering,2012,28(13):154-159.(in Chinese)

[22] Woebbecke D M,Meyer G E，Bargen K-V, et al. Shape features for identifying young weeds using image analysis[J].Transactions of the ASAE, 1995,38(1):271-281.

[23] Chesmore D, Bernard T, Inman A J, et al. Image analysis for the identification of the quarantine pest Tilletia Indica [J].EPPO Bulletin,2003,3(3):495-499.

[24] Zhang Hong-tao,Mao Han-ping,Qiu Dao-yin. Feature extraction for the stored-grain insect detection system based on image recognition technology[J]. Transactions of the Chinese Society of Agricultural Engineering, 2009, 25(2):126-130.(in Chinese)

[25] Diao Zhi-hua,Zheng An-ping,Wu Yuan-yuan.Shape feature extraction of wheat leaf disease based on invariant moment theory[J].IFIP Advances in Information and Communication Technology, 2012(369):168-173.

[26] Xu Gui-li, Mao Han-ping, Li Ping-ping. Extracting color features of leaf color images[J]. Transactions of the Chinese Society of Agricultural Engineering,2002,18(4):150-154.(in Chinese)

[27] Jafari A,Mohtasebi S S,Jahromi H E, et al. Color feature extraction by means of discriminant analysis for weed segmentation[J]. The Canadian Society for Engineering in Agricultural,Food,and Biological Systems,2004.

[28] Zhu Hong, Zheng Li-min, Yin Jian-ling, et al. Nitrogen evaluation of winter wheat based on color features of canopy images[J]. Transactions of the Chinese Society of Agricultural Engineering,2010, 26(2):16-20.(in Chinese)

[29] Tuceryan M, Jain A K. Texture analysis, Handbook pattern recognition and computer vision[M]. Singapore :World Scientific,1993.

[30] Xu Gui-li, Mao Han-ping Li Ping-ping. Research on extraction leaf texture features as sample of nutrient shortage by percent histogram of differentiation[J]. Transactions of the Chinese Society of Agricultural Machinery,2003,34(2):76-79.(in Chinese)

[31] Pydipati R, Burks T F, et al. Identification of citrus disease using color texture features and discriminant analysis[J]. Computers and Electronics in Agriculture,2006(52):49-59.

[32] Gu Qing-kui. A pattern recognition system about maize leaf disease based on computer image processing[D].Shenyang:Shenyang Ligong University,2008.(in Chinese)

[33] Liu li,Kuang Gang-yao. Overview of image textural feature extraction methods[J]. Journal of Image and Graphics, 2009,14(4):622-635.(in Chinese)

[34] Mao Han-ping, Xu Gui-li, Li Ping-ping. Extracting and selecting features of leaf images for diagnosing nutrient deficiency diseases in tomatoes[J]. Transactions of the Chinese Society of Agricultural Engineering, 2003, 19(2):1.(in Chinese)

[35] Liang Jia-xi. The research and application on cucumber scle- rophthora macrospora experimental based on the image processing[D].Changchun:Jilin University, 2011.(in Chinese)

[36] Patil J K, Raj K. Feature extraction of diseased leaf images [J]. Journal of Signal and Image Processing，2012, 3(1)：60-63.

[37] Wang Li-ya. Feature extraction and classification for images[D].Xi’an:Xidian University,2006.(in Chinese)

[38] Shanwen H.Image processing technology in environmental applications[M]∥Electric Association Journal Featured, 1985:455-458.(in Chinese)

[39] Zayas I Y,Inna Y.Detection of insects in bulks wheat samples with machine vision[J].Transaction of the ASAE,1986,6(3):883-888.

[40] Sasaki Y， Okamoto T. Automatic diagnosis of plant disease recognition between healthy and healthy and diseased leaf [J]. Journal of JSAM,1999,61(2)：119-126.

[41] Gassoumi H, Prasad N R, Ellington J J. Neural network-based approach for insect classification in cotton ecosystems[C]∥Proc of International Conference on Intelligent Technologies, 2007:1.

[42] Qi Guang-yun,Ma Xiao-dan,Guan Hai-ou. Extraction of the image of soybean target leaf spot based on improved genetic algorithm[J]. Transactions of the Chinese Society of Agricultural Engineering,2009, 25(5):142-145.(in Chinese)

[43] Wen Zhi-yuan,Cao Le-ping. Image recognition of navel orange diseases and insect pests based on compensatory fuzzy neural networks[J]. Transactions of the Chinese Society of Agricultural Engineering, 2012, 28 (11):152-157.(in Chinese)

[44] Zhang Xue-gong. Intronduction to statistical learning theory and support vector machines[J]. Acta Automatica Sinica,2000,26(1):32-42.(in Chinese)

[45] Tian You-wen, Zhang Chang-shui, Li Cheng-hua. Application of support vector machine to shape recognition of plant disease spot[J]. Transactions of the Chinese Society of Agricultural Engineering, 2004,20(3):134-136.(in Chinese)

[46] Tian You-wen,Niu Yan. Applied research of support vector machine on recognition of cucumber disease[J]. Journal of Agricultural Mechanization Research,2009(3):36-39.(in Chinese)

[47] Diao Zhi-hua. Research and application of intelligent system of field wheat leaf disease detection[D].Hefei:University of Science and Technology of China,2010.(in Chinese)

[48] Zhang Jian-hua,Ji Rong-hua,Yuan Xue, et al. Recognition of pest damage for cotton leaf based on RBF-SVM algorithm[J]. Transactions of the Chinese Society for Agricultural Machinery, 2011,42(8):178-183.(in Chinese)

[49] Du Rui-qing,Zhang Zheng-tian,Liu Guang-liang,et al.Application of rough-set theory and fuzzy clustering analysis in insect taxonomy[J]. Acta Entomologica Sinica,2006, 49(1):106-111.(in Chinese)

[50] Zhao Jin-hui , Liu Mu-hua, Yao Ming-yin. Study on image recognition of insect pest of sugarcane cotton Aphis based on rough set and fuzzy C-means clustering[C]∥Proc of the 3rd International Symposium on Intelligent Information Technology Application(IITA 2009), 2009:553-555.

[51] Sammany M,Medhat T.Dimensionality reduction using rough set approach for two neural networks-based applications[C]∥Proc of Rough Sets and Intelligent Systems Paradigms, 2007:639-647.

[52] Guan Ze-xin,Tang Jian,Yang Bao-jun, et al. Study on recognition method of rice disease based on image[J]. Chinese Journal of Rice Science,2010,24(5):497-502.(in Chinese)

[53] Zhang Hong-tao,Mao Han-ping,Han Lü-hua. Detection of live Sitophilus oryzae (L.) in stored wheat by near-infrared hyperspectral imaging[J]. Transactions of the Chinese Society of Agricultural Engineering, 2012,28(8):263-268.(in Chinese)

[54] Wang Ke-ru. Diagnosis of crop disease,insect pest and weed based on image recognition[D].Beijing:Chinese Academy of Agriculture Sciences,2005.(in Chinese)

附中文參考文獻：

[2] 韓思奇，王蕾.圖像分割的閾值法綜述[J].系統(tǒng)工程與電子技術(shù),2002,24(6):91-94.

[3] 穗波信雄.根據(jù)圖像提取植物的生長信息[Z].農(nóng)業(yè)機械學(xué)會關(guān)西支部第6次支部研究資料,1989:1-2.

[4] 陳佳娟,趙學(xué)篤.采用計算機視覺進行棉花蟲害程度的自動測定[J].農(nóng)業(yè)工程學(xué)報,2001, 17(2):157-160.

[6] 段瑞玲,李慶祥,李玉和.圖像邊緣檢測方法研究綜述[J].光學(xué)技術(shù),2005,31(3):415-419.

[8] 何丹丹,徐梅.基于多策略融合技術(shù)的水稻葉片邊緣檢測算法研究[J].東北農(nóng)業(yè)大學(xué)學(xué)報,2012,43(5):65-68.

[11] 王萍,唐江豐,王博,等. 基于數(shù)學(xué)形態(tài)學(xué)的植物葉片圖像分割方法研究[J]. 浙江農(nóng)業(yè)學(xué)報, 2012,24(3):509-513.

[12] 任磊,賴惠成,陳欽政,等.基于改進分水嶺的棉花圖像分割方法[J].計算機工程與應(yīng)用,2012,48(34)：207-212.

[13] 孫吉貴,劉杰,趙連宇.聚類算法研究[J].軟件學(xué)報,2008,19(1):48-61.

[14] 王守志,何東健,李文,等. 基于核K-均值聚類算法的植物葉部病害識別[J]. 農(nóng)業(yè)機械學(xué)報,2009,40(3):152-155.

[17] 李震,洪添勝,曾祥業(yè),等.基于K-means聚類的柑橘紅蜘蛛圖像目標識別[J].農(nóng)業(yè)工程學(xué)報,2012,28(23):147-153.

[18] 刁智華,宋寅卯,王歡,等.基于植物病斑的圖像分割研究綜述[J].農(nóng)機化研究,2012, 10(10):1-11.

[19] 賴軍臣,湯秀娟,李少昆,等. 基于G-MRF模型的玉米葉斑病害圖像的分割[J]. 中國農(nóng)業(yè)科學(xué),2010, 43(7):1363-1369.

[20] 袁媛,李淼,梁青，等. 基于水平集的作物病葉圖像分割方法[J]. 農(nóng)業(yè)工程學(xué)報,2011,27(2)：208-212.

[21] 虎曉紅,李炳軍,席磊. 基于多示例圖的小麥葉部病害分割方法[J]. 農(nóng)業(yè)工程學(xué)報,2012,28(13)：154-159.

[24] 張紅濤,毛罕平,邱道尹.儲糧害蟲圖像識別中的特征提取[J].農(nóng)業(yè)工程學(xué)報, 2009, 25(2):126-130.

[26] 徐貴力, 毛罕平, 李萍萍. 缺素葉片彩色圖像顏色特征提取的研究[J]. 農(nóng)業(yè)工程學(xué)報,2002,18(4):150-154.

[28] 朱虹, 鄭麗敏,尹健玲，等.基于冠層圖像顏色特征提取的小麥氮營養(yǎng)水平評價[J]. 農(nóng)業(yè)工程學(xué)報,2010, 26(2):16-20.

[30] 徐貴力,毛罕平,李萍萍.差分百分率直方圖法提取缺素葉片紋理特征[J].農(nóng)業(yè)機械學(xué)報,2003,34(2):76-79.

[32] 谷慶魁. 基于計算機圖像處理的玉米葉部病害識別系統(tǒng)[D].沈陽:沈陽理工大學(xué),2008.

[33] 劉麗,匡綱要.圖像紋理特征提取方法綜述[J].中國圖像圖形學(xué)報,2009, 14(4):622-635.

[34] 毛罕平,徐貴力，李萍萍.西紅柿缺素葉片的圖像特征提取和優(yōu)化選擇研究[J].農(nóng)業(yè)工程學(xué)報, 2003, 19(2):1.

[35] 梁佳熙.基于圖像處理的黃瓜霜霉病實驗研究及應(yīng)用[D].長春:吉林大學(xué),2011.

[37] 王麗亞.圖像的特征提取和分類[D].西安：西安電子科技大學(xué),2006.

[38] 安岡善文.圖像處理技術(shù)在環(huán)境中的應(yīng)用[M]∥電氣學(xué)會雜志特集,1985:455-458.

[42] 祈廣云,馬曉丹,關(guān)海鷗.采用改進遺傳算法提取大豆葉片病斑圖像[J].農(nóng)業(yè)工程學(xué)報,2009,25(5):142-145.

[43] 溫芝元,曹樂平. 基于補償模糊神經(jīng)網(wǎng)絡(luò)的臍橙不同病蟲害圖像識別[J]. 農(nóng)業(yè)工程學(xué)報,2012,28 (11):152-157.

[44] 張學(xué)工.關(guān)于統(tǒng)計學(xué)習(xí)理論與支持向量機[J].自動化學(xué)報,2000,26(1):32-42.

[45] 田有文,張長水,李成華.支持向量機在植物病斑形狀識別中的應(yīng)用研究[J].農(nóng)業(yè)工程學(xué)報, 2004,20(3):134-136.

[46] 田有文,牛妍.支持向量機在黃瓜病害識別中的應(yīng)用研究[J].農(nóng)機化研究,2009(3):36-39.

[47] 刁智華.大田小麥葉部病害智能診斷系統(tǒng)研究與應(yīng)用[D].合肥:中國科學(xué)技術(shù)大學(xué),2010.

[48] 張建華,冀榮華,袁雪,等.基于徑向基支持向量機的棉花蟲害識別[J].農(nóng)業(yè)機械學(xué)報,2011,42(8):178-183.

[49] 杜瑞卿, 張征田,劉廣亮,等. 粗糙集模糊聚類分析法在昆蟲分類研究中的應(yīng)用[J]. 昆蟲學(xué)報,2006, 49(1):106-111.

[52] 管澤鑫,唐健,楊保軍,等.基于圖像的水稻病害識別方法研究[J].中國水稻科學(xué),2010,24(5):497-502.

[53] 張紅濤,毛罕平,韓綠化.近紅外高光譜成像技術(shù)檢測糧倉米象活蟲[J].農(nóng)業(yè)工程學(xué)報,2012, 28(8):263-268.

[54] 王克如.基于圖像識別的作物病蟲草害診斷研究[D].北京:中國農(nóng)業(yè)科學(xué)院,2005.