【《基于深度识别的农作物病虫害识别分析的国内外文献综述》2100字】

基于深度识别的农作物病虫害识别研究的国内外文献综述虽然早在十九世纪初的时候就有人开始研究数字图像识别技术了，但是有关图像识别技术的方面在六十年代末才收到人们的广泛关注，并且顺着时间的推移，一直到八十年代末，图像识别技术才得以广泛的应用到各个领域，并且取得了耀眼的成绩。取得如此辉煌的成果当然离不开广大学者的无私奉献：傅弘[2]博士首先提出了利用神经网络的叶脉提取方法，此方法利用经过训练的神经网络准确地提取了也卖得图像，从而实现了对植物叶片叶脉的提取；几年后，学者朱静[3]首次提出了在Windows平台上对叶片图像的处理输入、图像变换和叶片的分割等过程的设计，从而能够实现叶片边缘特征的结果输出和叶片边缘形状的输出的机器学习[4]；后来，刘纯利[5]教授提出了树叶纹理建模的树叶种类识别的方法，此方法思想前沿，通过提取和收集树叶的某些区域，利用数字图像处理技术实现对某些重要区域的变换，同时利用高斯模型对高频子带建模，再利用高斯模型的参数作为树叶的相应特征，从而实现树叶的病害的识别；再后来，王代琳[6]学者提出利用神经网络对树叶进行种类的识别，此种方法通过对不同树叶同时进行预处理，从而获得树叶相应的外形特征，又通过利用Java语言实现对树叶的识别。近些年来，朱宁[7]博士首次提出了利用局部二进制模式的方法，并将该方法应用于植物叶片图像纹理特征的提取，实现了用于提取叶片样本特征的各种算子，实现了基于局部二进制模式的树叶识别；王晓峰[8]博士提出了一种利用树叶外形特征来对叶片进行识别的方法，通过对叶片图像做灰度化降噪以及边缘处理等并提取叶片的轮廓区域，利用其得到的外部特征进行分类，实现了多种植物叶片的准确识别和病害的检测。至此，树叶识别技术便得到了快速发展。但是，目前大多数的叶片识别技术都是针对的病斑和颜色域的变化的识别[9]，例如深度学习的番茄叶部病害识别模型[10]，基于图像处理的植物病斑分割方法研究[11],基于形状特征的病害识别研究[12]，因为农作物受到病虫害侵染过后，叶子的外观形状以及它特有的生理活动效应都会发生一定的变化，这样就忽视了由于病虫害侵蚀叶片造成的叶片破损。常规现存的检测方法大概有直接用肉眼去判别病虫害的种类和程度，这种方法就存在极强的主观性，而且存在的工作量是非常大的，同时对检测范围的覆盖性比较窄，识别判断的效率很是低下。最重要的一点便是这种方法人工成本太高，所以不能适用于精准农业对作物病虫害信息的快速获取。本论文提出了一种新的植物叶片检测的方法，利用形态学算法和图像质量度量的植物叶片检测，从植物叶片的分类和叶片是否存在破损两个方面对植物叶片进行图像处理分析。在叶片破损检测上利用连通域分析技术。同时对破损叶片进行填充，补全破损的叶片图像，从而运用形态学边缘检测进行种类的识别，提高了种类识别的准确率。1．3发展趋势到目前为止，大多数的研究人员都将目光放在了成熟时期的植物叶片危害或者是病害中晚期的症状的研究方向，这样的做法往往忽略了植物苗期病害和发病初期的一个症状的研究。除此之外，我们的研究重点往往只是放在了植物叶片上有一种危害时的各种表现情况，虽然植物叶片发生多种病虫害混合发生的概率比较少，但是这个研究领域的成果相对较少。所以当一片叶片中发生了多种病害混合存在的情况，如何对这种叶片图像进行病虫害的处理和识别，有如何对它进行症状的诊断，将会成为今后研究的主要方向和研究内容。同时，随着卷积神经网络[13]的兴起和广泛应用，利用深度学习来实现农作物病害的识别[14]和其他领域的实际应用将会是未来算法的主流。参考文献[1]尚怡君,张善文,张云龙.基于植物叶片图像的植物病害检测方法[J].江苏农业科学,2014,42(04):340-342.[2]傅弘，池哲儒，常杰，傅承新．基于人工神经网络的叶脉信息提取——植物活体机器识别研究[J].植物学通报,2004,21(4):429-436.[3]朱静，田兴军，陈彬，吕劲紫．植物叶形的计算机识别系统[J].植物学通报,2005，22(5)：599-604.[4]L.Breiman.Randomforests.Machinelearning,45(1):5–32,2001.[5]刘纯利，刘少斌.基于纹理建模的树叶识别系统[J].计算机科学，2012,39（11）：289-290.[6]王代琳.基于神经网络的树叶识别系统研究（英文）[C].东北林业大学，2005.[7]朱宁.基于LBP的树叶识别系统研究与实现[M].北京林业大学，2007(01).[8]王晓峰，黄德双，杜吉祥，张国军．叶片图像特征提取与识别技术的研究[J].计算机工程与应用,2003,3:190-193.[9]夏永泉，李耀斌，曾莎.基于HSI颜色空间的植物叶片病斑提取方法[D].郑州轻工业学院,2015.[10]许冠芝;王泽民;李成强.基于深度学习的番茄叶部病害识别模型[J];微处理机;2020年03期[11]谢裕睿;徐伟恒;董建娥.基于图像处理的植物病斑分割方法研究[J];电脑知识与技术;2020年03期[12]黄太远;李旺;邱亚西;余小波.基于形状特征和SVM多分类的铜仁地区茶叶病害识别研究[J];种子科技;2020年06期[13]王统.深度学习中卷积神经网络的结构及相关算法[J];信息与电脑(理论版);2020年08期[14]龙吟;刘昌华;孙开琼.基于深度卷积神经网络的农作物病害识别[J];武汉轻工大学学报;2020年03期[15]刘中合，王瑞雪，王锋德，马长青，刘贤喜.数字图像处理技术现状与展望[J].山东农业大学,2005.[16]司均飞.边缘检测和数学形态学算法对车牌定位和识别的应用[J];长春工程学院学报(自然科学版);2020年03期[17]闫海霞，赵晓晖.基于数学形态学的边缘检测方法[J].吉林大学通信工程学院,1001-3695(2008)11-3496-02.[18]Chia-Hung

Yeh,Deep

Learning

Underwater

Image

Color

Correcti-on

and

Contrast

Enhancement

Based

on

Hue

Preservation.

IEEE

Underwater

Technology

(UT)2019[19]Otsu

N.

A

threshold

selection

method

from

gray-level

histograms[J].

Automatica,

1975,