基于自適應(yīng)模糊閾值的茶炭疽病斑面積計(jì)算

陳冬梅，袁 琳，顏 鵬，范姍慧，周賢鋒，張競(jìng)成，吳開華

（1. 杭州電子科技大學(xué) 生命信息與儀器工程學(xué)院，浙江 杭州310018；2. 浙江水利水電學(xué)院 信息工程與藝術(shù)設(shè)計(jì)學(xué)院，浙江 杭州310018；3. 中國(guó)農(nóng)業(yè)科學(xué)院 茶葉研究所，農(nóng)業(yè)部茶葉質(zhì)量安全控制重點(diǎn)實(shí)驗(yàn)室，浙江 杭州310008）

茶樹為多年生木本植物，其葉片含有多種對(duì)人體有益的功能成分，如多酚類、茶多糖、茶氨酸，使得茶葉兼具美味和保健的特點(diǎn)[1]。隨著茶葉需求量增加，部分茶區(qū)茶品種單一，管理粗放，使茶樹病害日益嚴(yán)重。其中，茶炭疽病是發(fā)病比較普遍的病害之一，在我國(guó)各個(gè)茶區(qū)都有分布，一般南方比北方茶區(qū)嚴(yán)重，濕度大、海拔高、云霧多的茶區(qū)發(fā)生嚴(yán)重[2]。茶炭疽病主要為害當(dāng)年生成葉，茶炭疽病嚴(yán)重時(shí)可導(dǎo)致大量落葉，影響茶樹的光合作用，影響茶樹的生理代謝，造成茶葉減產(chǎn)和品質(zhì)下降[3]，經(jīng)濟(jì)效益損失嚴(yán)重。茶炭疽病是由茶葉炭疽菌屬真菌感染引起，變異快，種類多，地理分布和寄主范圍又十分廣泛。如不能正確判斷茶炭疽病病害嚴(yán)重程度，過量、盲目地使用農(nóng)藥，就難以保證作物的無公害、綠色化生產(chǎn)，對(duì)出口貿(mào)易也造成一定障礙。難以保證既可以有效的施用農(nóng)藥消滅植物病害，提高作物產(chǎn)量，同時(shí)又能合理地使用農(nóng)藥，有效減少農(nóng)藥對(duì)環(huán)境的污染，快速、準(zhǔn)確地判斷作物受害程度是關(guān)鍵，才能為農(nóng)業(yè)生產(chǎn)者采取有針對(duì)性的防治方法，科學(xué)系統(tǒng)地治理病害提供技術(shù)支撐

測(cè)量植物葉片病斑面積的方法有網(wǎng)格法、傳統(tǒng)法和軟件法等。網(wǎng)格法指用已知每格面積的紗網(wǎng)或標(biāo)準(zhǔn)尺測(cè)量病斑面積[4-7]，這種方法比較準(zhǔn)確，但是不便于大批量操作。傳統(tǒng)法是測(cè)量出病斑最大長(zhǎng)度和最大寬度（兩者呈直角），然后用公式計(jì)算出相對(duì)病斑面積（RLA）[8]。軟件法指用Photoshop等軟件將病斑部分顯示出來，并計(jì)算病斑部分的像素?cái)?shù)[9]。這種方法雖然精確，但是不具備實(shí)時(shí)性，且在操作人員的視覺疲勞后病斑測(cè)量結(jié)果會(huì)出現(xiàn)較大差異。在實(shí)際生產(chǎn)過程中，對(duì)于茶炭疽病的病害嚴(yán)重程度的判斷，主要以農(nóng)業(yè)生產(chǎn)者個(gè)人經(jīng)驗(yàn)進(jìn)行分析和判斷，造成病害程度標(biāo)準(zhǔn)含糊不清，嚴(yán)重影響病害判斷準(zhǔn)確性。近年來，隨著信息技術(shù)的發(fā)展，數(shù)碼照相機(jī)、智能手機(jī)、家用計(jì)算機(jī)等獲取圖片的設(shè)備得到普及，農(nóng)業(yè)工作者很容易得到茶葉的彩色數(shù)字圖像。利用計(jì)算機(jī)圖像處理技術(shù)對(duì)茶炭疽病圖像進(jìn)行處理，能夠克服人工處理帶來的主觀性、經(jīng)驗(yàn)性和效率低等問題，幫助茶樹栽培管理的智能化發(fā)展。

目前已有一些國(guó)內(nèi)外學(xué)者利用計(jì)算機(jī)圖像處理技術(shù)對(duì)植物病害展開研究。虞佳佳以番茄灰霉病的高光譜圖像為研究對(duì)象，選擇拉普拉斯銳化結(jié)合Sobel算子的邊緣提取的方法提取目標(biāo)區(qū)域，并且選擇高頻強(qiáng)調(diào)濾波銳化方式在特征融合圖像中計(jì)算病斑面積[10]。黃帥提出一種基于Markov隨機(jī)場(chǎng)和K均值聚類的復(fù)雜背景下葉部病害圖像分割方法，實(shí)現(xiàn)復(fù)雜背景下的病斑提取，并計(jì)算葉片病斑面積[11]。毛罕平等提出了一種自適應(yīng)分割方法，這種方法基于模糊C均值聚類算法(FCM)，并通過有效性驗(yàn)證確定了FCM中的最優(yōu)聚類數(shù)和模糊加權(quán)指數(shù)，將病斑和非病斑區(qū)分割開來[12]。劉小川等在研究植物黑腐病的分割算法中，針對(duì)圖像模糊閾值分割法存在的窗口寬度自動(dòng)選取困難的問題，提出了一種直方圖變換方法，根據(jù)變換后的直方圖,再利用自適應(yīng)模糊閾值分割法對(duì)植物黑腐病病斑圖像進(jìn)行分割[13]。張健欽等獲得CCD彩色圖像，通過灰度變換和閾值分割獲得二值圖像，用中值濾波去除離散噪聲，利用Kirsch邊緣算子得到的輪廓，最后借助參考物算法計(jì)算出葉片的面積[14]。Barbedo提出一種利用彩色數(shù)組圖像量化病害的方法，該法對(duì)各種場(chǎng)景下的檢測(cè)結(jié)果都提供了準(zhǔn)確的估計(jì)[15]。Cui D提出一種基于色彩模型的圖像處理方法，定義病變指數(shù)（LI）為病斑面積與健康葉面積的比值來評(píng)估葉片受損程度[16]。然而這些研究?jī)?nèi)容在茶炭疽病病斑的自動(dòng)識(shí)別與計(jì)算的應(yīng)用還十分有限。

利用計(jì)算機(jī)圖像處理技術(shù)處理茶炭疽病病斑圖像的核心在于圖像分割，只有準(zhǔn)確提取目標(biāo)葉片和病斑面積，計(jì)算出的病斑面積才會(huì)準(zhǔn)確。本文以茶炭疽病病斑葉片彩色數(shù)字圖像作為研究對(duì)象，采用自適應(yīng)模糊閾值分割和基于顏色通道差值分割兩種分割方法對(duì)不同病斑級(jí)別的圖像進(jìn)行分割，根據(jù)像素轉(zhuǎn)換的茶葉病斑區(qū)域與目標(biāo)葉片面積計(jì)算相對(duì)病斑面積（RLA），并與手動(dòng)分割的結(jié)果進(jìn)行比較，評(píng)價(jià)算法的準(zhǔn)確性和實(shí)用性。

1 材料與方法

1.1 數(shù)據(jù)采集和預(yù)處理

本研究中所使用的茶樹炭疽病葉片樣本于2017年9月10日取自浙江省金華市武義縣中國(guó)茶葉研究所實(shí)驗(yàn)茶園，茶炭疽病為自然發(fā)病。拍攝葉片彩色圖像時(shí)，相機(jī)垂直于病害葉片，葉片盡量緊貼背光板（減少葉片邊緣翹起產(chǎn)生的陰影），圖像須包含完整的葉片區(qū)域，保證光照充足，避免光照不足使葉片區(qū)域顏色偏黑，丟失彩色信息。相機(jī)設(shè)置為手動(dòng)調(diào)節(jié)焦距和光圈，自動(dòng)白平衡，關(guān)閉閃光燈以避免出現(xiàn)亮斑。

用數(shù)碼相機(jī)拍攝的茶葉葉片病斑圖像因受拍攝環(huán)境影響會(huì)產(chǎn)生噪聲、斑點(diǎn)等不利于圖像處理的干擾因素。所以，前期往往需要對(duì)圖像進(jìn)行預(yù)處理，消除不利干擾，簡(jiǎn)化數(shù)據(jù)，恢復(fù)圖像質(zhì)量，提高圖像分割的速度和準(zhǔn)確性，為后期的圖像分割和面積計(jì)算做好準(zhǔn)備。同時(shí)，圖像的白色背景也不利于后續(xù)圖像的運(yùn)算和顏色特征的提取，進(jìn)行圖像分割之前也需要提取葉片區(qū)域，去除背景。葉部病害按侵蝕葉面積大小可分為5級(jí)，0級(jí)(無感染)，1級(jí)(1%～25%葉感染面積)，2級(jí)(26%～50%葉感染面積)，3級(jí)(51%～75%葉感染面積)和4級(jí)(76%～100%葉感染面積)。為驗(yàn)證本方法效果，將在 Windows 10、MATLAB 2014b環(huán)境下對(duì)不同等級(jí)的54幅茶炭疽病病斑圖像進(jìn)行驗(yàn)證，其中1級(jí)13幅、2級(jí)19幅、3級(jí)14幅、4級(jí)8幅，所選圖像均有病斑的圖像。以Photoshop手動(dòng)分割結(jié)果作為對(duì)照標(biāo)準(zhǔn)。

1.2 圖像處理方法

茶葉病斑面積計(jì)算關(guān)鍵在于如何準(zhǔn)確合理的提取葉片與病斑部分，并依據(jù)兩者像素計(jì)算相對(duì)面積。在進(jìn)行計(jì)算時(shí)，首先進(jìn)行顏色空間轉(zhuǎn)換，然后使用自適應(yīng)模糊閾值方法進(jìn)行圖像分割，并利用中值濾波和最大連通域技術(shù)消除部分邊緣噪聲。為了比較評(píng)估結(jié)果，對(duì)比方法采用傳統(tǒng)的顏色通道差值分割。

1.2.1 基于顏色通道差值的分割

顏色通道差值分割方法是按照彩色圖像的色彩規(guī)則和基本圖像運(yùn)算將葉片病斑區(qū)域從葉片圖像中間分割出來的算法。該分割算法利用兩幅圖像像素的不同，將兩幅圖像直接相減，將相減結(jié)果經(jīng)過處理后二值化，直接作為分割結(jié)果輸出，最終實(shí)現(xiàn)對(duì)圖像的分割。本文中將圖像由RGB色彩空間轉(zhuǎn)換到L* a* b色彩空間。L* a* b色彩空間是一種基于生理特征的顏色系統(tǒng)，是用數(shù)字化的方法來描述人的視覺感應(yīng)。因?yàn)槊鞫仁菃为?dú)保存在L通道中的，所以可以在不改變明度的前提下調(diào)整色彩。取a、b通道，對(duì)兩個(gè)通道分別進(jìn)行全局閾值分割，將b通道閾值分割后的圖像與a通道閾值分割后的圖像做代數(shù)運(yùn)算，得到結(jié)果如圖1所示。比較原始圖像和提取出的病斑圖像，可見基于顏色通道差值方法能將病斑從葉片中提取出來，但病斑邊緣不清晰。同時(shí)，基于顏色通道差值方法還將部分葉片邊緣線誤分割為病斑。

圖 1 基于顏色通道差值方法分割結(jié)果Fig. 1 Segmentation results based on the color channel difference method

1.2.2 自適應(yīng)模糊閾值分割

模糊集合理論由美國(guó)加州大學(xué)伯克利分校電氣工程系的L.A.zadeh教授于1965年創(chuàng)立[17]。在模糊集合概念中，一個(gè)元素總是一定程度上屬于某一個(gè)集合，也可以同時(shí)以不同的程度屬于不同的集合，這樣的集合叫做模糊集。對(duì)于人的視覺感知來說，由黑到白的變化是模糊的，這種模糊性也體現(xiàn)在圖像中。圖像的邊緣、區(qū)域等也存在著一定的模糊性。葉片的正常區(qū)域和病斑區(qū)域存在著一個(gè)像素過渡帶，此過渡帶中的像素一定程度上屬于正常區(qū)域也一定程度上屬于病斑區(qū)域。選定合適的閾值是閾值分割的關(guān)鍵，模糊閾值法由Pal等于1983年提出[18]，通過計(jì)算圖像的模糊率或模糊熵來選取圖像分割的閾值。模糊理論應(yīng)用于圖像分割更加符合圖像的特點(diǎn)和人的視覺特性，更加符合事物本身特點(diǎn)。

其中，隸屬度函數(shù)是模糊理論中最重要的概念，處理模糊問題的首要任務(wù)就是確定隸屬度函數(shù)。隸屬度函數(shù)是描述一個(gè)對(duì)象x隸屬于集合A的程度的函數(shù)，用μA(x)表示，0≤μA(x)≤ 1。

隸屬度函數(shù)可表示為標(biāo)準(zhǔn)的S型函數(shù)，如圖2所示。S型函數(shù)是一種從0到1的單調(diào)遞增函數(shù)，可由q和?q兩個(gè)參數(shù)確定。Zadeh定義的標(biāo)準(zhǔn)S型隸屬度函數(shù)：

其中，q=2?q，在x=2?q處，隸屬度函數(shù)等于0.5。用L(0-255)表示灰度級(jí)，令w=2?q表示隸屬函數(shù)的窗口寬度，它是隸屬函數(shù)的模糊區(qū)域，q稱為拐點(diǎn)或窗口中心。

圖2 隸屬度函數(shù)Fig. 2 subordinating degree function

為了定量分析集合的模糊度，引入模糊率，用γ(x)表示。設(shè)圖像的X的大小為M×N，有L級(jí)灰度{0，1，2，……，L-1}。μ(x)為定義在L上的隸屬度函數(shù)，圖像中灰度為k(k∈[0，L-1])的像素?cái)?shù)是h(k)，γ(x)的表達(dá)式如下：

其中，0＜x＜L?？梢姡：师?x)由圖像像素的灰度值和隸屬度函數(shù)μ(x)決定。

取隸屬度函數(shù)為S型函數(shù)時(shí)，隸屬度函數(shù)的窗寬為w=2?q，式(4)取最小值時(shí)對(duì)應(yīng)的圖像灰度值即為分割圖像的模糊閾值。求解過程是預(yù)先設(shè)定窗寬w，通過改變q使得隸屬度函數(shù)μ(x)在灰度級(jí)上滑動(dòng)，再計(jì)算模糊率γ(x)，以獲得模糊率曲線。該曲線的谷點(diǎn)，即是γ(x)取得最小值時(shí)，對(duì)應(yīng)的參數(shù)q，就是待分割圖像的閾值。由于q在灰度級(jí)上是遍歷的，可見w決定著分割結(jié)果的好壞。w取值越小，μ(x)曲線越陡峭，得到的谷點(diǎn)可能出現(xiàn)振蕩，產(chǎn)生假閾值；w取值越大，μ(x)曲線越平坦，可能會(huì)平滑掉谷點(diǎn)，造成閾值丟失。根據(jù)經(jīng)驗(yàn)，推薦窗寬為灰度圖像雙峰間距的0.3～0.5倍。

選定隸屬度函數(shù)后，閾值完全由給定的窗寬決定，窗寬是通過觀察灰度直方圖的峰值人為給定的。對(duì)已知直方圖分布的圖像，這種方法總能找到合適的窗寬，但當(dāng)圖像改變時(shí)（如圖像的目標(biāo)大小在較寬的范圍變化），直方圖也隨之變化，預(yù)選的窗寬可能失效，造成誤分割。根據(jù)本課題的葉片病斑情況，需要根據(jù)待分割的圖像自動(dòng)選取窗寬，因此選擇自適應(yīng)模糊理論來確定閾值，即找到模糊率曲線的谷底，谷底對(duì)應(yīng)的灰度值就是模糊閾值。

自適應(yīng)模糊閾值選取的原理如下：提前獲知圖像的像素類別數(shù)，設(shè)為α，那么圖像對(duì)應(yīng)的直方圖就有α個(gè)峰，α-1個(gè)谷點(diǎn)。通過判斷模糊率曲線的谷點(diǎn)數(shù)量是否等于α-1個(gè)，實(shí)現(xiàn)模糊閾值分割的窗寬自動(dòng)選取。具體方法為：（1）設(shè)窗寬w的最小值為2；（2）按照設(shè)定的窗寬計(jì)算模糊率γ(x)，獲得模糊率曲線；（3）根據(jù)模糊率曲線判斷谷點(diǎn)數(shù)n。如果 n=α-1，則停止，此時(shí)對(duì)應(yīng)的窗寬w就是最小窗寬；如果n≠α-1，則w=w+2，返回（2）繼續(xù)計(jì)算。

本文中將圖像由RGB色彩空間轉(zhuǎn)換到HSI色彩空間，這是利用HSI色彩空間的兩個(gè)優(yōu)點(diǎn)：其一，I分量與圖像色彩無關(guān)，對(duì)彩色圖像處理時(shí)不需要考慮I分量，只需處理H和S分量；其二，HSI模型完全反映了人感知顏色的基本屬性，與人感知顏色的結(jié)果一一對(duì)應(yīng)，使用HSI色彩空間能使分割結(jié)果更符合人眼對(duì)色彩的感知。取H通道，統(tǒng)計(jì)H通道直方圖，設(shè)窗寬w最小值為2，按照上述自適應(yīng)模糊閾值分割的步驟，計(jì)算模糊率，獲得模糊率曲線，找到谷點(diǎn)對(duì)應(yīng)的灰度值即為對(duì)應(yīng)的分割閾值。效果如圖3所示：比較原始圖像和分割后的圖像，可見目標(biāo)病斑區(qū)域邊界保持良好，邊緣清晰，整個(gè)目標(biāo)病斑區(qū)域被完整提取出來。

圖 3 自適應(yīng)模糊閾值方法分割結(jié)果Fig. 3 The results of the adaptive fuzzy threshold method segmentation

1.3 病斑面積評(píng)價(jià)指數(shù)

相對(duì)病斑面積（Relative Lesion Area, RLA）反應(yīng)了病害侵染植物葉片的程度，是定量評(píng)估植物病害程度的指標(biāo)[19]。通過本課題的圖像分割算法可實(shí)現(xiàn)RLA的無損測(cè)量。本文采用準(zhǔn)確率和絕對(duì)誤差這兩個(gè)指標(biāo)反映病斑面積的準(zhǔn)確性。采用相對(duì)準(zhǔn)確率（MA）衡量分割精度[4]，相對(duì)準(zhǔn)確率的計(jì)算公式為：

其中La是用Photoshop手動(dòng)分割出來的目標(biāo)病斑區(qū)域像素?cái)?shù)，Li是用算法分割出來的目標(biāo)病斑區(qū)域像素?cái)?shù)。MA越小，表明精度越大，方法性能越好。用絕對(duì)準(zhǔn)確率（AA）檢驗(yàn)RLA的準(zhǔn)確性，絕對(duì)準(zhǔn)確率定義為：

其中，Ra是Photoshop手動(dòng)分割計(jì)算出來的RLA，Ri是用算法分割計(jì)算出來的RLA，S是整個(gè)葉片區(qū)域像素?cái)?shù)。

2 結(jié)果與分析

不同的分割方法具有不同的適用場(chǎng)景，不存在一個(gè)分割方法對(duì)所有問題通用。本研究需要分割的葉片圖像有四個(gè)等級(jí)（不考慮完全沒有被茶炭疽病感染的情況），染病的程度不同造成病斑的大小面積分布均不相同，用到的兩種方法在不同等級(jí)的葉片上效果不同。因此將采集到的圖像在MATLAB下進(jìn)行分析處理，首先比較了兩種方法在不同發(fā)病等級(jí)的葉片的分割效果，然后分別統(tǒng)計(jì)了各個(gè)等級(jí)葉片的病斑面積計(jì)算結(jié)果。

2.1 方法對(duì)比分析

以下對(duì)不同等級(jí)葉片兩種方法的分割效果作對(duì)比分析。各級(jí)別圖像分割結(jié)果如圖4所示。比較傳統(tǒng)的顏色通道差值方法，可以看出兩種方法均可以分割出病斑區(qū)域，但是顏色差值方法不能夠完整分割出病斑區(qū)域，結(jié)果中存在不連續(xù)的空洞。自適應(yīng)模糊閾值方法能夠得到完整的病斑區(qū)域，有效的分離出葉片中的病斑和健康區(qū)域，因此該方法能夠有效的進(jìn)行病斑區(qū)域的識(shí)別與計(jì)算。

2.2 病斑計(jì)算結(jié)果

將兩種方法用于計(jì)算所有葉片的病斑面積結(jié)果在表1中比較?？梢妰煞N方法對(duì)不同等級(jí)的病斑圖像效果不同：對(duì)于1級(jí)病害圖像，基于顏色通道方法的分割效果要明顯優(yōu)于自適應(yīng)模糊閾值分割方法。對(duì)于2級(jí)病斑圖像，因?yàn)椴“吒魑?，面積增大，顏色也變深，圖像自適應(yīng)模糊閾值方法的準(zhǔn)確性增加，顏色通道差值方法與自適應(yīng)模糊閾值方法效果相當(dāng)。對(duì)于3級(jí)病斑圖像，病斑顏色由棕變黑，面積變大，與正常綠色葉片部分區(qū)別明顯，灰度直方圖雙峰明顯，谷底平坦，自適應(yīng)模糊閾值方法的準(zhǔn)確率繼續(xù)增加。4級(jí)病斑圖像中，病斑顏色已經(jīng)非常深，顏色通道差值方法誤分割情況增加明顯。而且葉片的生理狀態(tài)比較差，葉片出現(xiàn)卷曲、部分缺失、折疊的情況很多，導(dǎo)致圖像中葉片的陰影部分比較大，顏色也比較深，使得圖像預(yù)處理時(shí)已經(jīng)不能很好地提取目標(biāo)葉片，導(dǎo)致絕對(duì)誤差變大。在這一階段，自適應(yīng)模糊閾值方法表現(xiàn)比顏色通道差值方法穩(wěn)定，顏色通道差值方法會(huì)出現(xiàn)誤分割，部分圖像不能提取完整的病斑區(qū)域?；谏鲜鰧?shí)驗(yàn)結(jié)果，針對(duì)茶炭疽病病斑面積的計(jì)算來說，自適應(yīng)模糊閾值方法能夠有效的計(jì)算病斑面積。盡管對(duì)1級(jí)病斑圖像的分割效果與顏色通道差值方法相差不大，但是在處理2、3、4級(jí)病斑圖像時(shí)，效果穩(wěn)定，具有較高的準(zhǔn)確度和魯棒性。

圖 4 各級(jí)茶炭疽病病斑圖像分割結(jié)果Fig.4 Image segmentation results of tea anthracnose lesions at various levels

表1 茶炭疽病病斑圖像分割準(zhǔn)確率Table 1 Image segmentation accuracy of tea anthracnose lesions

3 結(jié)論與討論

本文以茶炭疽病病斑葉片彩色數(shù)字圖像作為研究對(duì)象，采用自適應(yīng)模糊閾值分割和基于顏色通道差值分割兩種分割方法對(duì)不同病斑級(jí)別的圖像進(jìn)行分割，根據(jù)像素轉(zhuǎn)換的茶葉病斑區(qū)域與目標(biāo)葉片的計(jì)算相對(duì)病斑面積，并與Photoshop手動(dòng)分割計(jì)算的結(jié)果進(jìn)行比較，分析算法的準(zhǔn)確性和實(shí)用性。根據(jù)分析可知，自適應(yīng)模糊閾值方法在處理圖像時(shí)效果穩(wěn)定，具有較高的準(zhǔn)確度和魯棒性。

本文通過研究和實(shí)驗(yàn)，較準(zhǔn)確地計(jì)算了茶炭疽病病斑面積，但仍存在一些問題有待改進(jìn)。由于自適應(yīng)模糊閾值方法適用于雙峰明顯、谷底平坦的圖像，對(duì)于某些茶炭疽病病斑圖像病斑部分較小，雙峰不明顯，甚至在直方圖上呈現(xiàn)單峰，不能準(zhǔn)確將病斑從葉片中分割，如何更加準(zhǔn)確的選擇隸屬度函數(shù)從而使結(jié)果魯棒性提高還有待研究。同時(shí)由于某些圖像的病斑部分顏色較深，且有些區(qū)域可能有灰塵，呈現(xiàn)黑色或灰色，或因葉片本身狀況不佳，出現(xiàn)卷曲、折疊情況，使圖像中有大面積陰影或陰影顏色較深，這些情況都使得后期分割效果不佳，需要在前期圖像預(yù)處理時(shí)考慮如何提高圖像質(zhì)量，從而提高本文方法的適用性。近年來，隨著人工智能和深度學(xué)習(xí)的發(fā)展，有文章也使用了基于卷積神經(jīng)網(wǎng)路的方法利用病斑成像來進(jìn)行病情種類的調(diào)查[20]，對(duì)于不同種類的茶葉病害識(shí)別準(zhǔn)確率達(dá)到了90%。相比于這類機(jī)器學(xué)習(xí)方法，本文的方法不依賴于大量的樣品處理和模型訓(xùn)練，其復(fù)雜性和成本較低。在后續(xù)研究中，我們會(huì)考慮如何將傳統(tǒng)的圖像識(shí)別方法和深度學(xué)習(xí)框架融合，兼顧其成本和準(zhǔn)確性，吸收二者的優(yōu)勢(shì)，實(shí)現(xiàn)葉片病斑的類別和等級(jí)檢測(cè)。