基于卷積神經(jīng)網(wǎng)絡的溫室黃瓜病害識別系統(tǒng)

馬浚誠，杜克明※，鄭飛翔，張領(lǐng)先，孫忠富

（1.中國農(nóng)業(yè)科學院農(nóng)業(yè)環(huán)境與可持續(xù)發(fā)展研究所，北京100081；2.中國農(nóng)業(yè)大學信息與電氣工程學院，北京100083）

0 引 言

病害是造成設施蔬菜品質(zhì)下降，農(nóng)民經(jīng)濟損失的主要原因之一[1-3]。近年來，由于栽培技術(shù)創(chuàng)新不足等原因，蔬菜病害發(fā)生面積越來越大、危害越來越嚴重[4]。隨著計算機視覺和模式識別等技術(shù)的發(fā)展，利用先進信息技術(shù)輔助植物病害識別診斷研究，形成了一種由圖像分割、特征提取和模式識別3個環(huán)節(jié)組成的固定模式，并取得了一定的成果[5-10]。但是該模式過程相對復雜，對病斑特征的依賴程度較高，例如，需要準確的提取病斑圖像底層特征、選擇對分類器貢獻率較高的分類特征。田間實際環(huán)境中采集的病害圖像包含大量由光照條件不均勻和復雜背景產(chǎn)生的噪聲，對病斑圖像分割、特征提取及選擇的準確率有較大的影響，導致病害識別的實時性、準確率較低，難以在實際應用中推廣。深度學習是目前機器學習領(lǐng)域的研究熱點，卷積神經(jīng)網(wǎng)絡作為目前最有效的深度學習方法之一[11-16]，為病害準確識別診斷提供了一種新的思路。

該研究擬充分利用卷積神經(jīng)網(wǎng)絡以圖像作為輸入，并且能夠從訓練數(shù)據(jù)中自動學習分類特征而不需要人工特征提取的優(yōu)點[17]，構(gòu)建一種基于卷積神經(jīng)網(wǎng)絡的溫室黃瓜病害識別系統(tǒng)，以霜霉病和白粉病為例，將卷積神經(jīng)網(wǎng)絡應用到設施蔬菜病害識別研究中。以田間實際環(huán)境中采集的病害圖像作為系統(tǒng)輸入，利用圖像分割方法，獲取病斑圖像；在Lenet5結(jié)構(gòu)的基礎上，結(jié)合病斑圖像數(shù)據(jù)的特點，構(gòu)建適用于溫室黃瓜病害識別的卷積神經(jīng)網(wǎng)絡結(jié)構(gòu)，開展溫室黃瓜霜霉病和白粉病的識別研究。

1 病害識別系統(tǒng)設計

1.1 設計目標

基于圖像處理與深度學習技術(shù)，結(jié)合溫室黃瓜病害圖像的特點，該系統(tǒng)以溫室黃瓜病害葉片圖像為輸入，旨在實現(xiàn)溫室黃瓜霜霉病和白粉病的準確識別診斷，從而為植保專家、農(nóng)民提供一種可靠、易用的溫室黃瓜病害識別工具。

1.2 系統(tǒng)結(jié)構(gòu)功能設計

根據(jù)系統(tǒng)設計目標，采用模塊化的思想進行系統(tǒng)功能設計，將系統(tǒng)功能劃分為病斑分割、病害識別和系統(tǒng)管理3個模塊，如圖1所示。

由圖1可知，病害識別系統(tǒng)中病斑圖像分割模塊的主要功能是利用圖像處理的方法，從現(xiàn)場采集的溫室黃瓜病害葉片圖像中提取霜霉病或白粉病的單個病斑圖像，構(gòu)建病害識別分類器的輸入數(shù)據(jù)集。病害識別模塊的主要功能包括對卷積神經(jīng)網(wǎng)絡的輸入數(shù)據(jù)集進行數(shù)據(jù)增強，構(gòu)建卷積神經(jīng)網(wǎng)絡模型并進行訓練、驗證和測試，實現(xiàn)溫室黃瓜霜霉病和白粉病的識別。系統(tǒng)管理模塊主要功能包括系統(tǒng)管理員對用戶相關(guān)信息及登錄權(quán)限的管理，對系統(tǒng)日常事務管理和維護以及對數(shù)據(jù)庫的管理，以提高系統(tǒng)的安全性和數(shù)據(jù)的完整性。

圖1 病害識別系統(tǒng)功能模塊圖Fig.1 Function modules of disease recognition system

1.3 病斑圖像分割方法

1.3.1 病斑圖像分割方法設計

蔬菜病害種類不同，其病斑也具有不同的特征。基于計算機視覺進行蔬菜病害識別，其關(guān)鍵在于提取病斑的特征。在現(xiàn)場環(huán)境下采集的病害圖像中包含大量復雜背景和光照不均勻等噪聲，并且通過觀察病害圖像可以發(fā)現(xiàn)，病斑部分數(shù)量多，面積小，在整個圖像中所占的比例低[8]。如果直接以現(xiàn)場環(huán)境下采集的病害圖像作為病害識別分類器的輸入，由于受到噪聲的干擾，分類器難以準確獲取病斑特征，導致識別準確率低。因此該系統(tǒng)病害識別分類器以病斑圖像作為輸入，借助圖像分割方法從病害圖像中提取病斑圖像。

圖2 病斑圖像分割算法流程圖Fig.2 Flow chart of disease symptom image segmentation

顏色特征是區(qū)分溫室黃瓜病斑與正常葉片的最直接特征，但顏色特征極易受到光照條件的影響[8,18-21]。在田間實際情況下采集的黃瓜病害圖像中，背景復雜、光照不均勻等噪聲是難以避免的，因此病斑圖像分割方法需要在克服光照條件不均勻和復雜背景的干擾下，準確分割病斑圖像?；谝陨戏治?，該研究將超紅特征[22]（excess red,ExR）、H分量（HSV顏色空間）和B分量（CIELAB顏色空間）3種顏色特征結(jié)合，提出一種復合顏色特征及其檢測方法，在此基礎上，綜合考慮病斑圖像分割方法的要求和下一步病害識別的數(shù)據(jù)需求特點，基于復合顏色特征，結(jié)合區(qū)域生長算法進行病斑分割。由于該系統(tǒng)病斑分割的目的是為卷積神經(jīng)網(wǎng)絡提供數(shù)據(jù)，分割結(jié)果對后續(xù)識別的準確性有較大的影響，因此首先要確保分割方法的準確性；其次在系統(tǒng)實際應用中，需要從病害圖像中快速提取病斑，因此對分割方法的效率也有一定的要求。如果采用自動選擇種子點的方式，為確保分割的準確性，勢必會增加分割方法的復雜程度和計算量，從而降低分割方法的效率。因此，該系統(tǒng)采用人機交互的方式在特征圖中選擇區(qū)域生長種子點，實現(xiàn)病斑圖像的分割。病斑圖像分割僅用于構(gòu)建分類器輸入數(shù)據(jù)集，模型訓練、測試完成后，系統(tǒng)實際應用過程中可直接調(diào)用已訓練好的識別模型，不再需要大量人機交互工作。

1.3.2 病斑圖像分割方法實現(xiàn)

基于以上分析，該研究病斑圖像分割方法具體算法流程如圖2所示。

在獲取原始RGB圖像后，計算原始圖像的超紅特征IExR，超紅特征計算方法見式（1），在計算超紅特征后，將原始RGB圖像分別轉(zhuǎn)換到HSV顏色空間和CIELAB顏色空間，提取H分量和B分量。

式中IR，IG，IB為RGB顏色空間3個顏色分量值。

在獲取3個顏色特征分量后，采用高斯差分濾波（difference of Gaussian，DoG）和圓形區(qū)域均值濾波對ExR、H分量和B分量3個顏色特征圖像進行二維離散卷積操作，實現(xiàn)CCF檢測并生成CCF特征圖，計算方法見式（2）[23-24]。

式中I為輸入圖像，IExR為ExR特征圖像，ILAB為B顏色分量圖像，IH為H顏色分量圖像，Pr為半徑為r的圓形區(qū)域均值濾波器，σH、σL為高斯差分濾波器標準差，α為ExR參數(shù)，取值范圍為（0,1]，通過試驗確定，取值為0.1[23]，*為二維離散卷積操作。CCF可由式（3）計算得出。

式中β為下降速率參數(shù)。

在CCF特征圖的基礎上，通過人機交互的方式選擇種子點進行病斑圖像分割，得到初始分割結(jié)果。對初始分割結(jié)果二值圖進行形態(tài)學處理，優(yōu)化分割結(jié)果。將優(yōu)化的分割結(jié)果與原圖像進行掩碼運算得到最終病斑分割結(jié)果。

1.4 卷積神經(jīng)網(wǎng)絡模型構(gòu)建

一個常見的卷積神經(jīng)網(wǎng)絡通常由卷積層、池化層、ReLU層和全連接層組成[13-14,25-26]。該系統(tǒng)卷積神經(jīng)網(wǎng)絡結(jié)構(gòu)主要參考了Lenet5結(jié)構(gòu)[27]。Lenet5結(jié)構(gòu)對數(shù)據(jù)量相對較小的訓練數(shù)據(jù)集有較好的處理能力，并且易于實現(xiàn)，識別效率較高[13]。在Lenet5結(jié)構(gòu)的基礎上，結(jié)合設施蔬菜病斑圖像數(shù)據(jù)特點，對網(wǎng)絡的結(jié)構(gòu)和參數(shù)進行了調(diào)整和優(yōu)化。由于設施蔬菜病斑的面積較小，且數(shù)量較多[8]，考慮到卷積網(wǎng)絡運行的效率，輸入層病斑圖像應選擇相對合適的尺寸。該系統(tǒng)卷積神經(jīng)網(wǎng)絡結(jié)構(gòu)如圖3所示。從圖中可以看出，卷積神經(jīng)網(wǎng)絡以溫室黃瓜病斑RGB圖像作為輸入，輸入圖像尺寸為20×20×3（寬20像素，高20像素，3個顏色通道），共包含3個模塊。第1模塊包含1個卷積層、1個ReLU層和1個池化層。卷積層中的卷積核尺寸通常為3×3像素或5×5像素等，在卷積神經(jīng)網(wǎng)絡結(jié)構(gòu)中較淺層次的卷積層中采用相對較大的卷積核，能夠充分獲取輸入圖像的特征，提高卷積運算的效果[28]。該系統(tǒng)卷積神經(jīng)網(wǎng)絡結(jié)構(gòu)中，第1模塊卷積層采用20個大小為5×5的卷積核，用于提取輸入數(shù)據(jù)的特征，生成相應的特征圖。池化層卷積核的大小為2×2，步長為2，通過最大降采樣（max pooling）方法，減小特征圖的大小，從而降低參數(shù)的數(shù)量和網(wǎng)絡的計算量，控制過擬合現(xiàn)象的產(chǎn)生。第2模塊包含1個卷積層、1個ReLU層和1個池化層。卷積層采用100個大小為3×3的卷積核，池化層的大小和步長與第1模塊相同。第3模塊包含2個全連接層，將卷積后生成的特征圖轉(zhuǎn)化為一維向量作為分類器的輸入，全連接層的神經(jīng)元個數(shù)分別為1 000和1 500。輸出層包含2個神經(jīng)元，分別代表溫室黃瓜霜霉病和白粉病，輸出層分類函數(shù)采用softmax函數(shù)。

圖3 卷積神經(jīng)網(wǎng)絡結(jié)構(gòu)Fig.3 Architecture of CNN model

2 試驗結(jié)果與分析

該系統(tǒng)溫室黃瓜病害圖像分割算法采用Matlab 2014a編程實現(xiàn)；基于卷積神經(jīng)網(wǎng)絡的病害識別模型是在MatConvNet[29]深度學習框架的基礎上，采用Matlab 2014a編程實現(xiàn)；病害識別系統(tǒng)采用Matlab 2014a與Microsoft Visual C++編程實現(xiàn)。

2.1 病斑分割

病斑分割試驗采用的溫室黃瓜病害數(shù)據(jù)包含93幅霜霉病圖像和77幅白粉病圖像，其中24幅霜霉病圖像來源于網(wǎng)絡，其他病害圖像采集于天津市農(nóng)科院植保所農(nóng)業(yè)創(chuàng)新基地日光溫室5號棚，圖像均采集于晴天，采集日期是2016年4月，采集時間為08：00點至17：00點。部分圖像示例如圖4所示。在進行圖像分析前，將所有圖像的尺寸統(tǒng)一調(diào)整為800×600（寬800像素，高600像素），以提高系統(tǒng)的運行速度，降低運算量。在病斑分割模塊中（圖5），導入的溫室黃瓜病害原始圖像顯示在右下側(cè)輸入圖像面板中。

圖4 溫室黃瓜病害圖像Fig.4 Disease images of greenhouse cucumber

圖5 病斑圖像分割模塊Fig.5 Module of disease symptom image segmentation

導入圖像后，系統(tǒng)根據(jù)式（2）、式（3）計算導入圖像的CCF特征圖，并顯示在CCF特征圖面板中，其中式（2）、式（3）中采用的相關(guān)參數(shù)的取值為：σH=5、σL=4，r=3，β=3。獲得CCF特征圖后，通過在CCF特征圖上手動選擇種子點，系統(tǒng)采用區(qū)域生長方法分割溫室黃瓜葉片上的病斑圖像，相應的分割結(jié)果顯示在分割結(jié)果面板及二值圖面板中。

利用采集的霜霉病和白粉病圖像進行病斑圖像分割算法試驗，從分割結(jié)果CCF特征圖（圖6b）中可以看出

該系統(tǒng)采用的CCF特征能夠有效的區(qū)分病斑區(qū)域與

正常葉片、背景，同時該方法還具有較強的魯棒性，在不同光照條件下，依然能夠準確、有效的提取病斑。從分割結(jié)果圖6c和圖6d中可以看出，基于CCF特征與區(qū)域生長的分割方法，能夠準確的提取霜霉病病斑圖像和白粉病病斑圖像。

為進一步驗證該系統(tǒng)分割方法的有效性，選擇K均值聚類和OTSU算法開展分割效果對比試驗。對比試驗中，K均值聚類方法采用HSV顏色空間H分量和CIELAB顏色空間B量實現(xiàn)，OTSU閾值分割方法采用HSV顏色空間H分量和自適應閾值實現(xiàn)，對比結(jié)果如圖7所示。

圖6 病斑分割結(jié)果Fig.6 Results of disease symptom image segmentation

圖7 不同病斑分割方法結(jié)果對比Fig.7 Results comparison of different disease symptom image segmentation methods

從圖7中可以明顯看出，K均值聚類方法和OTSU閾值分割方法受到了光照條件不均勻和復雜背景的影響，均難以從病害圖像中準確的分割病斑。受到光照影響比較嚴重的部分，很容易被誤判為病斑部分，并且圖像中的復雜背景也降低了分割結(jié)果的準確率。相比較而言，該系統(tǒng)病斑分割方法展示出了良好的分割效果及魯棒性。為進一步評價分割方法的準確性，采用分割準確率對分割效果進行定量評價，分割準確率的公式見式（4）[21,30]，分割準確率的數(shù)值越大，表明分割效果越好。

式中P為分割準確率，TP為正確分割的病斑像素比例，F(xiàn)P為錯誤分割的病斑像素比例。

3種分割方法（該文方法、K均值聚類方法和OTSU閾值分割方法）的準確率分別為：97.29%、63.64%和56.31%，此結(jié)果為170幅溫室黃瓜病害圖像分割準確率的平均值。從定量評價的結(jié)果來看，該系統(tǒng)分割方法的準確率明顯高于對比方法。分割結(jié)果表明，該系統(tǒng)采用的病斑圖像分割方法，能夠在充分克服光照條件不均勻和復雜背景的情況下，準確的獲取病斑圖像，從而為下一步基于卷積神經(jīng)網(wǎng)絡的病害識別提供準確的數(shù)據(jù)源。

2.2 溫室黃瓜病害識別

圖8為病害識別模塊，該模塊可以實現(xiàn)數(shù)據(jù)集導入、數(shù)據(jù)增強、模型訓練、驗證和測試以及病害識別。在數(shù)據(jù)集面板中，系統(tǒng)顯示了導入數(shù)據(jù)集每一類病害的數(shù)據(jù)量。該系統(tǒng)基于卷積神經(jīng)網(wǎng)絡的病害識別分類器以溫室黃瓜病斑圖像為輸入，病斑圖像由該系統(tǒng)病斑圖像分割方法從溫室黃瓜病害葉片圖像中提取。

圖8 病害識別模塊Fig.8 Module of disease recognition

在獲取溫室黃瓜病斑圖像后，經(jīng)過初步篩選，剔除質(zhì)量相對較低的病斑圖像，構(gòu)建初始病斑圖像集，共包含747幅病斑圖像，其中霜霉病415幅，白粉病332幅。由于卷積神經(jīng)網(wǎng)絡的訓練需要大量的訓練數(shù)據(jù)，而該研究通過病斑圖像分割方法構(gòu)建的病害圖像數(shù)據(jù)集的數(shù)據(jù)量相對較小，為進一步提高病害識別準確率，避免過擬合現(xiàn)象的發(fā)生，系統(tǒng)通過數(shù)據(jù)增強方法對病害數(shù)據(jù)集進行擴充，擴充結(jié)果顯示在右側(cè)數(shù)據(jù)增強面板中。由于該系統(tǒng)卷積神經(jīng)網(wǎng)絡的輸入圖像尺寸較小，因此數(shù)據(jù)增強采用不會縮小輸入圖像尺寸的方法。該系統(tǒng)采用的數(shù)據(jù)增強方法為：將原始病害圖像數(shù)據(jù)集分別旋轉(zhuǎn)90°、180°和270°，然后進行水平和垂直翻轉(zhuǎn)。通過數(shù)據(jù)增強方法，能夠?qū)⒃紨?shù)據(jù)集擴充12倍。數(shù)據(jù)增強后的病害圖像數(shù)據(jù)集共包含8 964幅溫室黃瓜病斑圖像，其中霜霉病4 980幅，白粉病3 984幅（圖8）。在數(shù)據(jù)增強面板中，系統(tǒng)顯示了每一類病害的數(shù)據(jù)量及用于訓練、驗證和測試的數(shù)據(jù)量。

建立數(shù)據(jù)集后，系統(tǒng)采用梯度下降算法對卷積神經(jīng)網(wǎng)絡進行訓練和驗證，結(jié)果顯示在左側(cè)訓練結(jié)果面板中。Top1err和Top5err是2種評價CNN訓練效果的常用指標[14]，Top1err表明測試圖像不屬于CNN識別結(jié)果可能性最高類別的錯誤率，Top5err表明測試圖像不屬于CNN識別結(jié)果前5類別的錯誤率。由于該系統(tǒng)識別的溫室黃瓜病害種類為2種，因此系統(tǒng)僅采用Top1err作為評價標準。如圖8所示，該系統(tǒng)病害識別分類器訓練集和驗證集的Top1err僅為5.8%和6.4%，訓練結(jié)果比較理想。

模型訓練完成后，系統(tǒng)會采用測試數(shù)據(jù)集對模型進行測試，測試結(jié)果顯示在測試結(jié)果面板中。為評價病害識別分類器的效果，該系統(tǒng)采用混淆矩陣作為評價方法。從混淆矩陣中可以看出（圖8），病害識別分類器正確識別了1 017個霜霉病樣本，占全部測試數(shù)據(jù)集2 136個樣本的47.6%；正確識別了1 027個白粉病樣本，占全部測試數(shù)據(jù)集2136個樣本的48.1%。17個白粉病樣本被錯誤識別為霜霉病，占全部測試數(shù)據(jù)集2136個樣本的0.8%。75個霜霉病樣本被錯誤識別為白粉病，占全部測試數(shù)據(jù)集2136個樣本的3.5%。從混淆矩陣中可以看出，該系統(tǒng)病害識別分類器的準確率為95.7%，其中，霜霉病的識別準確率為93.1%，白粉病的識別準確率為98.4%。從分類器測試的結(jié)果來看，該系統(tǒng)能夠準確的識別溫室黃瓜霜霉病和白粉病，準確率基本滿足要求。

模型測試完成后，系統(tǒng)可以調(diào)用構(gòu)建的病害識別分類器對輸入的病斑圖像進行識別，并輸出病害類別及概率，待識別的病斑圖像和識別結(jié)果顯示在識別結(jié)果面板中。

3 結(jié)論

該研究基于圖像處理與深度學習技術(shù)，研發(fā)了一種基于卷積神經(jīng)網(wǎng)絡的溫室黃瓜病害識別系統(tǒng)。主要結(jié)論如下：

1）針對溫室現(xiàn)場采集的黃瓜霜霉病、白粉病圖像中含有較多光照不均勻和復雜背景等噪聲的情況，該系統(tǒng)采用了一種復合顏色特征，并結(jié)合區(qū)域生長算法，實現(xiàn)了溫室黃瓜病斑圖像的分割，分割準確率達到了97.29%，為進一步的病害識別提供了準確的數(shù)據(jù)。

2）基于卷積神經(jīng)網(wǎng)絡，以溫室黃瓜病斑圖像作為輸入，進行了病害識別分類器試驗。結(jié)果表明，該系統(tǒng)病害識別準確率為95.7%，其中，霜霉病的識別準確率為93.1%，白粉病的識別準確率為98.4%，能夠滿足實際應用的要求。

該系統(tǒng)實現(xiàn)了溫室黃瓜霜霉病和白粉病的準確識別，隨著數(shù)據(jù)的進一步獲取及識別方法研究的深入和完善，系統(tǒng)會擴充病害識別的種類，在現(xiàn)有基礎上進一步提升其應用價值。

[1]Bai X,Li X,Fu Z,et al.A fuzzy clustering segmentation method based on neighborhood grayscale information for defining cucumber leaf spot disease images[J].Computers and Electronics in Agriculture,2017,136:157－165.

[2]Ma J,Li X,Wen H,et al.A key frame extraction method for processing greenhouse vegetables production monitoring video[J].Computers and Electronics in Agriculture,2015,111:92－102.

[3]王翔宇，李鑫星，張領(lǐng)先，等.農(nóng)業(yè)主要病害檢測與預警技術(shù)研究進展分析[J].農(nóng)業(yè)機械學報，2016，47(9)：266－277.Wang Xiangyu,Li Xinxing,Zhang Lingxian,et al.Research progress analysis of mainly agricultural diseases detection and early warning technologies[J].Transactions of the Chinese Society for Agricultural Machinery,2016,47(9):266－277.(in Chinese with English abstract)

[4]中國人民共和國國家發(fā)展和改革委員會，農(nóng)業(yè)部.國家發(fā)展改革委 農(nóng)業(yè)部關(guān)于印發(fā)全國蔬菜產(chǎn)業(yè)發(fā)展規(guī)劃(2011－2020年)的通知[EB/OL]http://www.ndrc.gov.cn/fzgggz/ncjj/zhdt/201202/t20120227_463486.html,2012-02-22.

[5]Zhang S,Wu X,You Z,et al.Leaf image based cucumber disease recognition using sparse representation classification[J].Computers and Electronics in Agriculture,2017,134:135－141.

[6]Zhang S,Zhu Y,You Z,et al.Fusion of superpixel,expectation maximization and PHOG forrecognizing cucumberdiseases [J].Computers and Electronics in Agriculture,2017,140:338－347.

[7]Du K,Sun Z,Li Y,et al.Diagnostic model for wheat leaf conditions using image features and a support vector machine[J].Transactions of the ASABE,2016,59(5):1041－1052.

[8]馬浚誠，溫皓杰，張領(lǐng)先，等.基于圖像處理的溫室黃瓜霜霉病診斷系統(tǒng)[J].農(nóng)業(yè)機械學報，2017，48(2)：195－202.Ma Juncheng,Wen Haojie,Zhang Lingxian,et al.Downy mildew diagnosis system for greenhouse cucumbers based on image processing[J].Transactions of the Chinese Society for Agricultural Machinery,2017,48(2):195－202.(in Chinese with English abstract)

[9]葉海建，郎睿.基于Android的自然背景下黃瓜霜霉病定量診斷系統(tǒng)[J].農(nóng)業(yè)機械學報，2017，48(3)：24－29.Ye Haijian,Lang Rui.Cucumber downy mildew severity quantifying diagnosis system suitable for natural backgrounds based on android[J].Transactions of the Chinese Society for Agricultural Machinery,2017,48(3):24－29.(in Chinese with English abstract)

[10]秦立峰，何東健，宋懷波.詞袋特征PCA多子空間自適應融合的黃瓜病害識別[J].農(nóng)業(yè)工程學報，2018，34(8)：200－205.Qin Lifeng,He Dongjian,Song Huaibo.Bag of words feature multi-PCA subspace adaptive fusion for cucumber diseases identification[J].Transactions of the Chinese Society of Agricultural Engineering(Transactions of the CSAE),2018,34(8):200－205.(in Chinese with English abstract)

[11]Ferreira A D S,Freitas D M,Silva G G D,et al.Weed detection in soybean crops using ConvNets[J].Computers and Electronics in Agriculture,2017,143:314－324.

[12]DeChant C,Wiesner-Hanks T,Chen S,et al.Automated Identification of Northern Leaf Blight-Infected Maize Plants from Field Imagery Using Deep Learning [J].Phytopathology 2017,107:1426－32.

[13]Ding W,Taylor G.Automatic moth detection from trap images for pest management[J].Computers and Electronics in Agriculture,2016,123:17－28.

[14]Krizhevsky A,SutskeverI,Hinton G E.ImageNet classification with deep convolutional neural networks[C]//International Conference on Neural Information Processing Systems.Curran Associates Inc.2012,60(2):1097－1105.

[15]高震宇，王安，劉勇，等.基于卷積神經(jīng)網(wǎng)絡的鮮茶葉智能分選系統(tǒng)研究[J].農(nóng)業(yè)機械學報，2017，48(7)：3－58.Gao Zhenyu,Wang An,Liu Yong,etal.Intelligent fresh-tea-leaves sorting system research based on convolution neural network[J].Transactions of the Chinese Society for Agricultural Machinery,2017,48(7):53－58.(in Chinese with English abstract)

[16]楊國國,鮑一丹,劉子毅.基于圖像顯著性分析與卷積神經(jīng)網(wǎng)絡的茶園害蟲定位與識別[J].農(nóng)業(yè)工程學報,2017,33(6):156－162.Yang Guoguo,Bao Yidan,Liu Ziyi.Localization and recognition of pests in tea plantation based on image saliency analysis and convolutional neural network[J].Transactions of the Chinese Society of Agricultural Engineering(Transactions of the CSAE),2017,33(6):156－162.(in Chinese with English abstract)

[17]Ghosal S,Blystone D,Singh A K,et al.An explainable deep machine vision framework for plant stress phenotyping[J].Proceedings of the National Academy of Sciences of the United States of America,2018:1－6.

[18]Hernández-Hernández J L, García-Mateos G,González-Esquiva J M,et al.Optimal color space selection method forplant/soilsegmentation in agriculture [J].Computers and Electronics in Agriculture,2016,122:124－132.

[19]Hamuda E,Glavin M,Jones E.A survey of image processing techniques for plant extraction and segmentation in the field[J].Computers and Electronics in Agriculture,2016,125:184－199.

[20]Barbedo J G A.A review on the main challenges in automatic plant disease identification based on visible range images[J].Biosystems Engineering,2016,144:52－60.

[21]Guijarro M,Riomoros I,Pajares G,et al.Discrete wavelets transform for improving greenness image segmentation in agricultural images[J]. Computers and Electronics in Agriculture,2015,118:396－407.

[22]Meyer G E,Hindman T W,Laksmi K.Machine vision detection parameters for plant species identification[C]//Precision Agriculture and Biological Quality.International Society for Optics and Photonics,1999,3543:327－335.

[23]Ma J,Du K,Zhang L,et al.A segmentation method for greenhouse vegetable foliar disease spots images using color information and region growing [J].Computers and Electronics in Agriculture,2017,142:110－117.

[24]Minervini M,Abdelsamea M M,Tsaftaris S A.Image-based plant phenotyping with incremental learning and active contours[J].Ecological Informatics,2014,23:35－48.

[25]Liu W,Wang Z,Liu X,et al.A survey of deep neural network architectures and their applications [J].Neurocomputing,2017,234:11－26.

[26]Lecun Y,Bengio Y,Hinton G.Deep learning[J].Nature,2015,521(7553):436－444.

[27]Lécun Y,Bottou L,Bengio Y,et al.Gradient-based learning applied to document recognition[J].Proceedings of the IEEE,1998,86(11):2278－2324.

[28]Barré P,St?ver B C,Müller K F,et al.LeafNet:A computer vision system for automatic plant species identification[J].Ecological Informatics,2017,40:50－56.

[29]Vedaldi A,Lenc K.MatConvNet:Convolutional Neural Networks for MATLAB[C]//ACM International Conference on Multimedia,ACM,2015:689－692.

[30]Hamuda E,Mc Ginley B,Glavin M,et al.Automatic crop detection under field conditions using the HSV colour space and morphological operations[J].Computers and Electronics in Agriculture,2017,133:97－107.