病害诊断综述

农作物病虫害诊断综述

国外对作物病害诊断研究开始于20世界80年代。1985年，安冈善文等对有毒气体污染的作物叶片的红外图像进行了研究，其中红外图像显示了作物叶片被污染的区域，同时提出通过颜色来诊断作物的病害这是图像应用于农业的开端。1999年，Yuataka Sasaki等研究了黄瓜白粉病的自动诊断方法，通过研究不同分光反射与光学滤波对作物病害的影响，采用遗传算法建立识别模型，成功的对作物的病害做出了诊断。2003年，Yuataka SASAKI利用作物病斑的形状特征诊断出了作物的病害类型。釆用遗传算法优化多个不同的参数，找到了更符合病害诊断的参数。2004年，Mohammed El-Helly等通过利用人工神经网络的方法自动检测叶片病斑来判断病害类型，可较好的识别黄瓜炭疽病、霜霉病和病虫害的叶片。Mohammad Sammany (2006,2007)等研究出了利用遗传算法优化神经网络的参数的方法来识别作物病害。国外早在上世纪80年代就开始了对病害作物图像进行病害识别诊断的研究。Yuataka Sasaki等（1999）对黄瓜的炭疽病进行了诊断研究，针对不同光学滤波和分光反射对病害识别的影响特点，采用遗传算法对炭疽病进行识别，并于2003年利用遗传算法对黄瓜病斑图像的多个形状特征参量进行了优选，最终找到了能够准确识别不同黄瓜病害的有效形状特征参量。Mohammed El-Helly等（2004）基于计算机软件开发平台，综合考虑黄瓜叶部病害的特征，利用图像识别技术设计了黄瓜叶部病害识别系统，该系统可以较好的识别黄瓜叶片病害。Dr.Jeffrey和T.Drake等（2004）在美国农业部研制昆虫识别系统，该系统主要用于大量标本的快速识别分类，其图像分割算法能够在大量昆虫标本中提取单一昆虫标本，并能对大多数昆虫标本进行分割且得到较好的分割效果。Mohammad Sammany等（2006）利用遗传算法优选出神经网络有关结构和参数，并将其应用到作物病害识别诊断研究，获得良好识别效果。之后为减少输入特征向量个数，提高运算效率，加入了粗糙集技术，借此缩短了病害诊断时间。Huang等（2007）运用图像分析和神经网络技术，以蝴蝶兰病虫害为研究对象，首先采用自适应指数变换法将病虫害区域分割出来，然后提取病虫害区域的颜色和纹理特征，最后构建出神经网络模型对蝴蝶兰病虫害进行分类识别，正确识别率可达97.2%。Burks（2000，2002）和Pydipati等(2005,2006)将图像从RGB 颜色空间转换到HSI颜色空间，利用共生矩阵提取颜色和纹理特征参数，并以此

特征参数作为识别杂草及病害的判别依据，取得很好识别效果。Boese等（2008）利用大叶藻病害叶片伪彩色图像计算其病斑面积，通过大量实验表明，该方法极大提高了叶部多种病虫害的正确识别率。美国学者Zayas采用机器视觉技术对散装小麦中谷蠢虫进行了离线研究，结果表明：此方法正确识别率较高，但残缺粮粒、害虫的不同姿态、草籽等因素对虫害的识别有较大的影响。

相对于国外研究情况，国内对农作物病害的识别诊断方面研究起步较晚，但也取得了一定成果。毛罕平等（2001）主要通过提取番茄缺素叶片的颜色、纹理特征，建立了三叉树模式识别框架，并在该框架基础上加入模糊K近邻法进行缺素种类识别；之后他们又设计了基于神经网络技术的番茄缺素识别系统，正确识别率均在85%以上。沈佐锐、于新文等利用昆虫虫体的面积、周长等11个数学形态特征向量对四十种不同昆虫实现了自动鉴别，得出了不同昆虫各项数学特征的权重。田有文等(2004-2007)将玉米、黄瓜等作物病斑的颜色、纹理特征作为支持向量机（SVM）模式识别方法的特征输入，对病害进行了识别诊断；之后，他们通过对葡萄叶部病害的识别，证明了支持向量机较神经网络算法来说，对小样本问题具有更好的识别性能。王双喜等针对温室黄瓜叶部病害图像进行了分割、增强、特征提取等方面的研究，研究表明，采用灰度共生矩阵方法提取出来的惯性矩，能有效区分黄瓜斑疹病和角斑病；同时研究发现，多区域双峰法可较准确地去除病害背景。胡春华和李萍萍等（2004）分别在RGB、HSV等颜色空间中分析比较正常的黄瓜叶片和缺铁、缺镁、缺氮的黄瓜叶片彩色图像的颜色特征，并给出不同缺素图像的特征，研究发现，利用HSV颜色空间中的H（色调）的相对差值百分比直方图，可以有效确定叶片的缺素病态区间。崔艳丽等（2005）利用计算机图像识别分析技术对常见的两种黄瓜病害进行了研究，研究发现色调H 偏度可较明显的区分不同病害，为后续病害的识别诊断提供了重要参数依据。王克如等（2005）研究并开发了作物病害的远程图像识别系统，该系统对玉米叶部病害图像识别效果较好。齐龙（2006）等综合运用BP神经网络与模糊C均值算法，能准确识别番茄和玉米的部分病害。赵玉霞等（2007）利用朴素贝叶斯分类法对玉米病害进行识别诊断研究，提取了玉米主要病害图像特征参数，开发了病害识别系统。毛文华、陈红等(2008)在彩色图像HSI颜色模型中，利用S和H分量直方图获取分割阈值之后提取出病斑区域，发现不同病斑的颜色特征可作为区

分不同病害的依据。何东健和李宗儒等（2010）以低分辨率苹果叶部病害彩色图像为研究对象，对其进行预处理之后，用大律法进行病斑分割，挑选出颜色、纹理、形状等特征中的个有效特征参量，并将它们输入到BP网络分类器中，完成5种病害的识别诊断，正确识别率达到92.6%。袁媛等（2011）针对处于复杂背景图像下作物病害叶片的提取问题，提出将纹理与形状特征信息作为先验信息，构建水平集模型，这种方法能够较准确的将复杂背景下的病害叶片分割出来。毛罕平和徐贵力等从2001年开始开展了作物叶片缺素图像的研究，主要从番戒缺素的颜色和纹理两个方面进行特征提取。利用遗传算法对提取的很多不同特征向量进行优化选择，最终选取了适用于模式识别分类器的特征向量。王克如在2005年将病害识别的专家知识与数字图像处理、神经网络相结合,实现了玉米病害的远程图像识别与诊断。王双喜在2006年到2007进行了黄瓜病害叶片的图像特征提取方面的研究。研究发现惯性值的特征能够识别出斑疫病和角斑病；利用双峰法可以去除黄瓜霜霉病和炭疽病的背景图像部分，再利用边缘检测和阈值能够分割出图像正常和病害的部位。随后，利用朴素贝叶斯分类器对玉米叶部病害进行了进一步研究，达到了识别病害的目的。齐龙在2006年釆用BP神经网络与模糊C均值相结合的算法成功的分割了玉米大斑病的病害图像；通过比较BP神经网络、PNN神经网络以及最小二乘支持向量机三种方法在玉米病害诊断分析结果的精度，发现最小二乘支持向量分类精度最高。赵杰文(2008)从高光谱图像技术研究了叶绿素含量叶面分布的N、K、Mg元素亏缺诊断，以及基于近红外高光谱P 元素亏缺诊断。李宗儒(2010)研究了苹果病害的诊断，根据病斑几何特征色调方差、色调与饱和度之差的特征作为病斑的颜色特征，用计盒维数法提取病斑纹理特征，取得了很好的效果。柴阿丽(2011)利用高光谱成像技术，将图像分析与光谱分析相结合，实现了对黄瓜白粉病、角斑病、霜霉病、棒抱叶斑病的识别。