番茄早疫病可見光圖像識別模型研究

摘要：以番茄為代表的茄科作物在全球經(jīng)濟作物中占據(jù)重要地位，番茄在其生長過程中易受多種病害的侵染，其中早疫病是嚴重危害番茄的一種病害，可造成番茄減產(chǎn)甚至絕收，因此番茄早疫病的防治工作對農(nóng)業(yè)生產(chǎn)具有重要意義。為了能夠快速、準確地識別出番茄早疫病，提出一種基于可見光圖像結(jié)合深度學習技術(shù)檢測番茄早疫病的方法。通過培養(yǎng)一批番茄植株，對其離體葉片接種茄鏈格孢菌，使接種樣本感染早疫病，然后使用可見光圖像采集設備連續(xù)采集樣本的可見光圖像，監(jiān)測樣本的變化，得出番茄葉片感染早疫病后的最早顯癥時間。通過歸一化、背景分割、數(shù)據(jù)擴增和通道轉(zhuǎn)換等方式進行數(shù)據(jù)預處理，并提取可見光圖像顏色特征的一階矩、二階矩、三階矩，同時結(jié)合對比度、差異性、同質(zhì)性、相關性和角二階矩等常見紋理特征進行深入分析，利用深度學習技術(shù)建立番茄早疫病的識別模型。結(jié)果表明，基于可見光圖像結(jié)合深度學習技術(shù)檢測番茄早疫病是可行的，建立的番茄早疫病識別模型準確率最高達到91.78%，使用該方法檢測番茄早疫病具有檢測速度快、識別精度高等優(yōu)點。利用深度學習技術(shù)建立的番茄早疫病可見光圖像識別模型可推廣用于其他作物病害的檢測，為作物病害的無人機遙感監(jiān)測等應用場景提供技術(shù)支持。

關鍵詞：番茄葉片；早疫病；顏色特征；紋理特征；深度學習；可見光圖像識別模型

中圖分類號：TP391.41；S126 文獻標志碼：A

文章編號：1002-1302（2024）12-0209-08

番茄作為茄科作物的代表，因具有獨特的風味及營養(yǎng)價值，在世界各大洲均有分布，我國的番茄種植面積較大，產(chǎn)量約占世界總產(chǎn)量的1/3。番茄在整個生長周期內(nèi)很容易受到早疫病、晚疫病等各種病害的脅迫［1-2］，其中早疫病是危害最嚴重的病害之一，果實、葉子等整個植株都會被感染，因此采取有效措施檢測番茄早疫病尤為重要。

傳統(tǒng)的植物病害檢測主要依靠專業(yè)人員的經(jīng)驗，準確率低，新興的計算機視覺技術(shù)彌補了這一缺陷［3］，利用機器視覺及其識別算法，準確、高效地識別作物病害，實施精準防治已成為現(xiàn)代農(nóng)業(yè)發(fā)展的主要方向之一。若要開發(fā)一種低成本、高通量、非破壞性、基于圖像的分類模型，可以使用可見光成像技術(shù)?？梢姽獬上窦夹g(shù)是人們最早用于農(nóng)產(chǎn)品無損檢測的光學技術(shù)之一，多年來被廣泛應用于農(nóng)產(chǎn)品病害、品種等方面的檢測［4-5］，是現(xiàn)階段農(nóng)作物病害檢測最常用的成像技術(shù)［6］。此外，隨著深度學習技術(shù)的發(fā)展，可見光圖像結(jié)合深度學習技術(shù)成為農(nóng)產(chǎn)品無損檢測領域的一個新方向。國內(nèi)外研究機構(gòu)圍繞番茄病害分別使用卷積神經(jīng)網(wǎng)絡、殘差網(wǎng)絡、遷移學習等深度學習技術(shù)進行研究［7-10］，均取得了較好的結(jié)果。Sladojevic等在2016年提出一種基于深度卷積網(wǎng)絡的植物病害分類模型，這是第1個基于深度學習的植物病害識別方法［11］。2016年，Mohanty等提出一種基于卷積神經(jīng)網(wǎng)絡的模型，用于檢測26種病害和14種作物品種，取得了令人滿意的結(jié)果［12］。2019年，Tetila等利用數(shù)據(jù)增強和微調(diào)訓練了一個深度網(wǎng)絡模型來自動識別大豆葉部病害［13］。

現(xiàn)階段，基于可見光圖像結(jié)合深度學習技術(shù)對農(nóng)作物病害的檢測主要利用的是公開數(shù)據(jù)集，缺少對農(nóng)作物病害演變過程的機制分析。傳統(tǒng)的基于可見光圖像檢測植物病害的研究主要集中于對植物圖像的識別，本研究提出一種基于所提取的顏色特征和紋理特征建立深度學習模型的方法，用于識別番茄早疫病。本研究以番茄早疫病病癥為研究對象，基于可見光圖像分析番茄早疫病病斑的演變規(guī)律，明確番茄葉片接種茄鏈格孢菌后的最早顯癥時間，并對所提取的顏色特征的一階矩、二階矩、三階矩和對比度、差異性、同質(zhì)性、相關性、角二階矩等常見紋理特征進行深入分析，然后基于卷積神經(jīng)網(wǎng)絡建立番茄早疫病的識別模型，以期有效識別番茄早疫病。

1 試驗方案設計

本研究提出一種應用可見光圖像對番茄早疫病進行檢測的方法，以番茄葉片作為試驗樣本，使用可見光圖像采集系統(tǒng)分別采集50個健康樣本和70個接種樣本的RGB（紅、綠、藍）圖像，并對所提取的顏色特征和紋理特征進行深入分析，建立番茄早疫病識別模型，通過對比準確率得出用于檢測番茄早疫病病癥的識別模型。

1.1 試驗流程

試驗主要分為4個階段，具體流程見圖1。

1.1.1 圖像采集

將番茄葉片劃分為2組，分別為接種組和健康組，使用可見光圖像采集設備及自己搭建的光學平臺分別采集2組數(shù)據(jù)。

1.1.2 數(shù)據(jù)預處理

將采集到的可見光圖像首先進行歸一化處理，得到樣品圖像，然后針對樣品圖像進行背景分割，以降低噪聲，并通過旋轉(zhuǎn)和翻轉(zhuǎn)等方式進行數(shù)據(jù)擴增。

1.1.3 特征提取與分析

對得到的樣品圖像分別提取3個顏色特征和5個紋理特征，并對這些特征進行深入分析。

1.1.4 模型建立 通過對顏色特征和紋理特征的分析，建立番茄早疫病識別模型，并對模型進行優(yōu)化。

1.2 試驗數(shù)據(jù)采集

2022年4月選擇一批健康的番茄幼苗在貴州省貴陽市貴陽學院的農(nóng)產(chǎn)品無損檢測工程研究中心進行培育，當幼苗生長至花期時，在貴陽學院農(nóng)產(chǎn)品無損檢測工程中心進行試驗，試驗時間為2022年6—7月。采集120張健康的離體番茄葉片，分為2組，一組為接種組，共70張葉片，另一組為健康組，共50張葉片。將茄鏈格孢菌孢子懸浮液噴灑在接種組的70張葉片表面，然后分別將接種組樣本和健康組樣本放入特制的培養(yǎng)皿中并進行編號，置于實驗室環(huán)境（溫度設置為24～28 ℃，濕度設置為50%～80%）等待采集數(shù)據(jù)。

在接種茄鏈格孢菌前采集第1次番茄葉片的RGB圖像，采集時間記為0 h，共采集0～144 h內(nèi)的RGB圖像，每次采集的時間及時間間隔見表1，共采集16次數(shù)據(jù)。接種茄鏈格孢菌之后短時間內(nèi)樣本沒有明顯變化，因此等待12 h采集第2次數(shù)據(jù)，12 h后樣本開始逐漸發(fā)生變化，選擇在84 h內(nèi)每8 h采集1次數(shù)據(jù)，而84 h以后，樣本的變化較慢，改為每12 h采集1次數(shù)據(jù)。為保證數(shù)據(jù)的穩(wěn)定性，在整個數(shù)據(jù)采集階段，實驗室保持相對穩(wěn)定的溫度、濕度和光照條件。采集16次數(shù)據(jù)共獲得 1 920 張RGB圖像，因采樣時間68 h的數(shù)據(jù)因試驗環(huán)境改變，發(fā)生較大波動，因此在數(shù)據(jù)處理階段刪除采樣時間 68 h 時的試驗數(shù)據(jù)，最終得到1 800張RGB圖像。

本研究所使用的RGB圖像采集設備為華為nova 8 ANG-AN100自帶攝像頭，屏幕分辨率為 2 340 像素×1 080像素。采集可見光圖像時使用筆者所在課題組搭建的光學平臺，詳見圖2。將一個黑色背景板放于桌面上，將番茄葉片置于黑色背景板上，將RGB采集設備固定在支架上，鏡頭在距離黑色背景板15 cm處進行RGB圖像采集，本文共采集1 800個原始數(shù)據(jù)。

2 圖像處理與分析

圖像預處理是整個圖像處理階段的關鍵步驟［14］，主要目的是消除圖像中的無關信息，可以對提取的特征和最終的試驗結(jié)果產(chǎn)生積極影響。在該步驟中進行許多操作，如圖像尺寸調(diào)整、背景分割、數(shù)據(jù)擴增、通道轉(zhuǎn)換等。特征提取是圖像處理和模式識別的必要步驟，合適的特征可以更好地用于分類，本研究主要討論顏色特征和紋理特征。

2.1 圖像預處理

在圖像預處理階段，因圖像尺寸不同，所以使用歸一化方法對圖像進行尺寸調(diào)整；因每張圖像都存在較大的背景噪聲，使用背景分割來去除背景；因數(shù)據(jù)量較少，對數(shù)據(jù)進行一次擴增；最后，使用通道轉(zhuǎn)換的方法將RGB圖像轉(zhuǎn)換為HSV（色調(diào)、飽和度、亮度）圖像。在圖像預處理階段首先對圖像進行歸一化處理，是因為便于后期使用相同的方法對圖像進行背景分割，也盡可能地避免數(shù)據(jù)擴增時產(chǎn)生不必要的噪聲。

歸一化：本研究所采集的RGB圖像的寬高比為 3 456 ∶4 608，但受硬件條件的影響，部分圖像出現(xiàn)了不同的尺寸，這會影響后期的背景分割和特征提取等步驟，因此將所有圖像的尺寸都調(diào)整為3 456 ∶4 608。

背景分割：在提取圖像特征和建模時，背景的存在會影響到所提取特征的準確性及模型的準確率，所以在提取特征及建模之前，本研究對采集的RGB圖像進行背景分割，而在進行背景分割之前首先將RGB圖像進行灰度化處理，由于人眼對紅、綠、藍3種顏色光的敏感度不同，所以在對RGB圖像進行灰度化處理時，分別賦予紅、綠、藍3種顏色分量不同的權(quán)重，RGB圖像灰度化的方法見公式（1），在式（1）中Gray為灰度化后的圖像，R、G、B分別為紅、綠、藍3種顏色通道的像素值，0.299、0.587、0.114分別為3種顏色分量的權(quán)重系數(shù)。

Gray=R×0.299+G×0.587+B×0.114。（1）

然后使用最大類間方差法（OTSU）得到灰度圖的掩膜，式（2）為計算最大類間方差的方法，式（3）為求一幅圖像中全局平均閾值的方法。將灰度圖進行二值化處理的具體步驟：將灰度值大于最大類間方差（б2）的像素點值變?yōu)?，灰度值小于б2的像素點值變?yōu)?，然后將二值化后的圖像做一次開運算得到掩膜圖像。

σ2=p1（m1-M）2+p2（m2-M）2；（2）

M=p1m1+p2m2。（3）

式中：p1為0到假定閾值（TH）區(qū)域每個灰度值出現(xiàn)概率的總和；m1為0到TH區(qū)域的平均閾值；p2為TH到255區(qū)域每個灰度值出現(xiàn)概率的總和；m2為TH到255區(qū)域的平均閾值。

最后將掩膜圖像與RGB圖像相乘即可將RGB圖像中的背景分割掉，得到樣品圖像，經(jīng)過背景分割，圖像中的噪聲得到較大程度的降低，使得后期提取的顏色特征和紋理特征更準確，也有利于在建立識別模型時提高模型的準確率。

數(shù)據(jù)擴增：在建模階段，數(shù)據(jù)量太少很容易發(fā)生過擬合，直接影響模型的準確率，本研究對提取的RGB圖像進行擴增處理，主要使用的是旋轉(zhuǎn)和翻轉(zhuǎn)等方式，使數(shù)據(jù)增加為原來的4倍。

通道轉(zhuǎn)換：本研究采集的可見光圖像均為RGB圖像，在數(shù)據(jù)擴增完成后，將RGB圖像轉(zhuǎn)換為HSV圖像，以便后期顏色特征的提取。HSV圖像與RGB圖像類似，是另一種表示圖像的顏色空間。RGB圖像轉(zhuǎn)換為HSV圖像的方法見式（4）～（6）。

式中：H、S、V分別為轉(zhuǎn)換為HSV圖像后色調(diào)、飽和度、亮度3個顏色通道的像素值。

2.2 特征提取與分析

特征提取是一種降維方法，將大量圖像的像素以更有效的方式組織起來，從而更好地捕獲圖像中的有用信息。這些特征是圖像中的特定組合，可以是點、線或面。在對番茄早疫病進行建模之前，提取樣本的特征是一個非常重要的步驟，模型對染病樣本識別的準確率在很大程度上取決于所提取的特征（如顏色特征、紋理特征、形狀特征），本研究主要對番茄葉片的顏色特征和紋理特征進行提取與分析。

2.2.1 顏色特征提取與分析

在受到茄鏈格孢菌侵染時，番茄葉片表面會出現(xiàn)輪紋狀病斑，隨著時間的推移病斑會越來越明顯，病斑區(qū)域與非病斑區(qū)域所表現(xiàn)出來的顏色特征的差異也會越來越大。圖3-a為剛從番茄植株上采集下來的健康葉片的RGB圖像，圖3-b為接種茄鏈格孢菌144 h后的RGB圖像，圖3-c為由圖3-a轉(zhuǎn)換得到的HSV圖像，圖3-d為由圖3-b轉(zhuǎn)換得到的HSV圖像。在圖3-b中，葉片中間位置出現(xiàn)清晰可見的病斑，將其轉(zhuǎn)換為HSV圖像后，病斑區(qū)域在圖像中表現(xiàn)得更為明顯。番茄葉片在染病以后，首先在顏色上發(fā)生變化，因此本研究把顏色特征中最常用的顏色矩（color moment）作為識別病害樣本的主要依據(jù)之一［15-16］，提取顏色矩的方法見式（7）～（9）。

式中：H、S、V指3個顏色通道；h指健康樣本；z指接種樣本；式（10）中MeanHh[TX-]指健康樣本H通道的一階矩特征平均值，MeanHz[TX-]指接種樣本H通道一階矩特征平均值，式（11）～（18）與此類似。健康樣本與接種樣本顏色特征的平均值差異見表2。

由表2可知，基于S通道和V通道提取的健康樣本與接種樣本顏色特征的一階矩表現(xiàn)出了較大的差異，這是因為樣本接種茄鏈格孢菌后，病菌侵染樣本的細胞，使樣本表面表現(xiàn)出明顯的顏色差異，說明基于顏色特征識別番茄早疫病是可行的。

健康樣本和接種樣本的二階矩和三階矩表現(xiàn)差異較小主要是由2種原因造成的：（1）在提取的顏色矩中，階矩越低，包含的信息越重要，其中一階矩包含了最重要的信息，而高階矩包含的信息較少，且階矩越高則包含的信息就越少；（2）高階矩易受圖像中噪聲的影響，階矩越高，受圖像中噪聲的影響越大，雖然已經(jīng)對RGB圖像進行了預處理，但二階矩和三階矩仍不可避免地受到圖像中噪聲的影響。

由圖4可知，在整個數(shù)據(jù)采集周期內(nèi)接種樣本與健康樣本S通道一階矩的特征值并未表現(xiàn)出規(guī)律性的變化；自接種36 h開始健康樣本V通道一階矩的特征值均大于接種樣本，且分離效果明顯，因此選取V通道一階矩（Mean-V）進行番茄早疫病識別模型的建立。

2.2.2 紋理特征提取與分析

紋理特征具有顏色特征所不具備的優(yōu)點，如顏色特征既不能表征顏色的局部分布，也不能表征顏色的空間位置，且與顏色特征相比，紋理特征具有更好的抗噪聲性。紋理特征是農(nóng)作物病害識別中更重要的部分，因為紋理特征代表了更多與病變區(qū)域相關的信息［17］。針對番茄早疫病，感染早疫病的位置與未感染早疫病的位置會表現(xiàn)出不同的紋理特征，因此可以利用紋理特征進行病害識別［18］。本研究首先將RGB圖像轉(zhuǎn)換為灰度圖，然后使用灰度共生矩陣提取5種紋理特征（對比度、差異性、同質(zhì)性、相關性、角二階矩），灰度共生矩陣是一種通過研究灰度的空間相關特性來描述紋理的常用方法。

對比度（CON）指的是在番茄葉片的灰度圖中明暗區(qū)域之間的差異強度，本研究用對比度來反映圖像的清晰度和番茄葉片的紋理深淺情況，對比度值越大，則圖像越清晰，紋理特征越明顯，提取對比度的方法見式（19）。

差異性（DIS）可用來表征一幅圖像中局部的清晰度和局部的紋理深淺情況，提取差異性的方法見式（20）。

同質(zhì)性（HOM）也被稱為逆差距，反映圖像局部紋理變化的情況，當圖像中的紋理在粗細和走向上有較大變化時，該值較??；當圖像紋理的不同區(qū)域間缺少變化時，該值較大，提取同質(zhì)性的方法見式（21）。

相關性（COR）可反映圖像中水平方向或垂直方向的紋理變化情況，如果圖中有水平方向的紋理，則水平方向灰度共生矩陣的相關性值大于其余方向，提取相關性的方法見式（22）。

角二階矩（ASM）體現(xiàn)的是紋理的粗細、大小，當灰度共生矩陣中的元素值都一樣大時，角二階矩的值較小，說明圖像缺少紋理變化，反之，矩陣中的值有大有小時，角二階矩的值較大，表明其紋理變化越規(guī)則，提取角二階矩的方法見式（23）。

本研究對接種茄鏈格孢菌12～144 h時采集的RGB圖像進行背景分割后提取紋理特征，每種特征獲得1 680個特征值，用DifT表示健康樣本與接種樣本相應紋理特征平均值的差值，式（24）～（28）為求5個紋理特征平均值差值的方法。

式（24）中：CONh為健康樣本的對比度，CONz為接種樣本的對比度，式（25）至式（28）與此類似，健康樣本與接種樣本紋理特征的平均值差異見表3。

由表3可知，健康樣本與接種樣本在DIS、HOM、COR、ASM 4個特征中表現(xiàn)出的差異較小，而在CON上表現(xiàn)出最大的差異，接種樣本CON的平均值為42.07，健康樣本CON的平均值為33.84，2種樣本CON平均值的差異為8.23。這是因為樣本在受到茄鏈格孢菌侵染后，病斑開始擴散，使得圖像的局部相似性降低，CON提高，表明使用CON識別番茄早疫病是可行的。圖5展示了CON隨數(shù)據(jù)采集時間的變化趨勢，在整個數(shù)據(jù)采集周期內(nèi)，接種樣本的CON均大于健康樣本，且差異較大。

2.3 病癥演變分析

由表4可知， 接種茄鏈格孢菌0 h時采集的圖像為接種病菌之前的健康番茄葉片，葉片整體表現(xiàn)為綠色。接種病菌后28 h采集的圖像葉片并未表現(xiàn)出明顯的變化，至接種后36 h，番茄葉片的右下角部分區(qū)域開始出現(xiàn)病斑，說明番茄葉片受病菌侵染后細胞壁遭到破壞，并且受病菌侵染的細胞發(fā)生過敏反應，此時，細胞開始程序性死亡。

從接種后36 h開始番茄葉片表面由綠色逐漸變?yōu)榱它S綠色，該過程被稱為褪綠現(xiàn)象，這是因為病原菌侵染葉片后，葉綠素被破壞。至接種后84 h，葉片表面出現(xiàn)第2個病斑；至接種后96 h葉片左上角出現(xiàn)第3個病斑，隨著時間的推移，番茄葉片表面的病斑不斷擴大，病斑的顏色不斷加深。

3 模型建立與分析

為自動、快速、精確地識別番茄早疫病，本研究利用深度學習技術(shù)建立識別模型。

本研究對120個樣本共采集1 800個RGB圖像，對圖像進行歸一化、背景分割、數(shù)據(jù)擴增和通道轉(zhuǎn)換等預處理后提取圖像的9個顏色特征和5個紋理特征，共得到100 800個特征數(shù)據(jù)，經(jīng)對比分析后選取接種后12～144 h的葉片顏色特征中基于V通道提取的一階矩和紋理特征中的對比度建立番茄早疫病的識別模型。2種數(shù)據(jù)均為6 720個，共 13 440 個，將這些數(shù)據(jù)隨機打亂后根據(jù)3 ∶1的比例劃分訓練集與測試集，最終得到10 080個訓練集數(shù)據(jù)，3 360個測試集數(shù)據(jù)。

本研究基于卷積神經(jīng)網(wǎng)絡針對番茄早疫病建立識別模型，將準確率定義為模型性能的評價指標，準確率計算見式（29）。

其中，accuracy為準確率；TP（true positive）為識別模型正確預測的接種樣本數(shù)量；FP（1positive）

為識別模型將健康樣本預測為接種樣本的數(shù)量；FN（1 negative）為識別模型將接種樣本預測為健康樣本的數(shù)量；TN（true negative）為識別模型正確預測的健康樣本數(shù)量。

首先使用卷積層和池化層搭建了一個5層的深度學習框架，用于建立深度學習模型，共建立3個模型。由表5可知，模型1使用對比度建立，優(yōu)化前測試集準確率為60.22%，模型2使用V通道的一階矩建立，優(yōu)化前測試集準確率為58.89%，模型3同時使用對比度和V通道的一階矩建立，優(yōu)化前測試集準確率為85.11%，但是3個模型都不同程度地出現(xiàn)了過擬合現(xiàn)象。為緩解過擬合現(xiàn)象及提高準確率，本研究通過超參數(shù)調(diào)優(yōu)、增加網(wǎng)絡深度等方式進行模型優(yōu)化：（1）將批量大?。╞atchsize）由原來的32設置為128，增加batchsize可使網(wǎng)絡的梯度更準確；（2）增加迭代次數(shù)（epoch），可以使模型達到更好的收斂效果；（3）在模型框架中增加卷積層、池化層和Dropout層，因為Dropout層可以很好地抑制過擬合現(xiàn)象，在每2個卷積層和1個池化層后增加1個Dropout層，使網(wǎng)絡深度由5層增加到17層。

模型優(yōu)化后，過擬合現(xiàn)象得到緩解，但仍需進一步優(yōu)化模型參數(shù)解決該問題。模型的性能對比結(jié)果見表5，模型優(yōu)化后模型1測試集的準確率最高達到76.67%，模型2測試集的準確率最高達到62.22%，模型3取得了最好的效果，其測試集的準確率最高達到91.78%，本研究將使用模型3進行番茄早疫病的識別。

4 結(jié)論

本研究以番茄早疫病為研究對象，分別采集 0～144 h的接種樣本和健康樣本的RGB圖像，對RGB圖像進行預處理后提取圖像的顏色特征和紋理特征，經(jīng)對比分析選取接種后12～144 h的番茄葉片顏色特征的V通道一階矩和紋理特征的對比度建立番茄早疫病的識別模型，得出如下結(jié)論：（1）在提取的顏色特征和紋理特征中，顏色特征中的V通道一階矩和紋理特征中的對比度在健康樣本與接種樣本之間表現(xiàn)出了較為明顯的差異。（2）建立了番茄早疫病的識別模型。最初建立的深度學習模型產(chǎn)生過擬合現(xiàn)象，通過調(diào)整迭代次數(shù)和批量大小以及增加網(wǎng)絡深度等方式，最終使得識別模型對測試集的識別準確率提高，最高達到91.78%。（3）通常使用理化檢測方法對番茄早疫病進行檢測耗時較長，而利用本研究所提出的方法檢測番茄早疫病較為迅速，耗時較短。

本研究為番茄葉片早疫病的實時檢測提供了新方法，也可為其他作物病害的檢測提供參考。

參考文獻：

［1］Vignesh M，Shankar S M，Subramani N，et al. Study on spray-drying of Bacillus velezensis NKMV-3 strain，its formulation and bio efficacy against early blight of tomato［J］. Biocatalysis and Agricultural Biotechnology，2022，45（2）：102483.

［2］Sora S A，Sakata W M. Management of some common insect pests and diseases of tomato （Solanum lycopersicon L.）［J］. International Journal of Statistical Distributions and Applications，2022，8（2）：30-39.

［3］Altalak M，Uddin M A，Alajmi A，et al. A hybrid approach for the detection and classification of tomato leaf diseases［J］. Applied Sciences，2022，12（16）：8182.

［4］Thangaraj R，Anandamurugan S，Kaliappan V K. Automated tomato leaf disease classification using transfer learning-based deep convolution neural network［J］. Journal of Plant Diseases and Protection，2021，128（1）：73-86.[HJ2mm]

［5］Rodríguez F J，García A，Pardo P J，et al. Study and classification of plum varieties using image analysis and deep learning techniques［J］. Progress in Artificial Intelligence，2018，7（2）：119-127.

［6］張 艷，孟慶龍，尚 靜，等. 新型圖像技術(shù)在農(nóng)作物病害監(jiān)測預警中的應用與展望［J］. 激光雜志，2017，38（12）：7-13.

［7］Nithish Kannan E，Kaushik M，Prakash P，et al. Tomato leaf disease detection using convolutional neural network with data augmentation［C］//2020 5th International Conference on Communication and Electronics Systems （ICCES）. June 10-20，2020.COIMBATORE，India. IEEE，2020：1125-1132.

［8］Fuentes A，Yoon S，Kim S C，et al. A robust deep-learning-based detector[KG*2]for[KG*2]real-time[KG*2]tomato[KG*2]plant[KG*2]diseases[KG*2]and pests recognition［J］. Sensors，2017，17（9）：2022.

［9］Kanda P S，Xia K W，Kyslytysna A，et al. Tomato leaf disease recognition on leaf images based on fine-tuned residual neural networks［J］. Plants，2022，11（21）：2935.

［10］Agarwal M，Singh A，Arjaria S，et al. ToLeD：tomato Leaf Disease Detection using Convolution Neural Network［J］. Procedia Computer Science，2020，167：293-301.

［11］Sladojevic S，Arsenovic M，Anderla A，et al. Deep neural networks based recognition of plant diseases by leaf image classification［J］. Computational Intelligence and Neuroscience，2016，2016：3289801.

［12］Mohanty S P，Hughes D P，Salathé M. Using deep learning for image-based plant disease detection［J］. Frontiers in Plant Science，2016，7：1419.

［13］Tetila E C，Machado B B，Menezes G K，et al. Automatic recognition of soybean leaf diseases using UAV images and deep convolutional neural networks［J］. IEEE Geoscience and Remote Sensing Letters，2020，17（5）：903-907.

［14］胡 政，張 艷. 降維降噪處理對番茄早疫病潛育期高光譜識別效果的影響［J］. 光譜學與光譜分析，2023，43（3）：744-752.

［15］田 凱. 基于圖像處理的茄子葉部病害識別方法研究［D］. 廣州：華南農(nóng)業(yè)大學，2016.

［16］Stricker M A，Orengo M. Similarity of color images［C］//Proc SPIE 2420，Storage and Retrieval for Image and Video Databases Ⅲ，1995，2420：381-392.

［17］Ahmad N，Asif H M S，Saleem G，et al. Leaf image-based plant disease identification using color and texture features［J］. Wireless Personal Communications，2021，121（2）：1139-1168.

［18］袁 媛，陳 雷，吳 娜，等. 水稻紋枯病圖像識別處理方法研究［J］. 農(nóng)機化研究，2016，38（6）：84-87，92.

收稿日期：2023-07-10

基金項目：國家自然科學基金（編號：62265003、62141501）；貴陽學院碩士研究生科研基金項目（編號：GYU-YJS［2021］-49）。

作者簡介：趙 堅（1996—），男，安徽宿州人，碩士，主要從事農(nóng)作物病害方面的研究。E-mail：2015527609@qq.com。

通信作者：張 艷，博士，教授，碩士生導師，主要從事生物信息無損檢測、激光雷達方面的研究。E-mail：Eileen_zy001@sohu.com。