第 34卷 第 12期 農 業(yè) 工 程 學 報 V ol.3 4 N o.12 186 2018年 6月 Transactions of the Chinese Society of Agricultural Engineering Jun. 2018 基于卷積神經網絡的溫室黃瓜病害識別系統(tǒng) 馬浚誠 1 ，杜克明 1 ，鄭飛翔 1 ，張領先 2 ，孫忠富 1（1. 中國農業(yè)科學院農業(yè)環(huán)境與可持續(xù)發(fā)展研究所，北京 100081； 2. 中國農業(yè)大學信息與電氣工程學院，北京 100083） 摘 要：基于圖像處理和深度學習技術，該研究構建了一個基于卷積神經網絡的溫室黃瓜病害識別系統(tǒng)。針對溫室現場 采集的黃瓜病害圖像中含有較多光照不均勻和復雜背景等噪聲的情況，采用了一種復合顏色特征（combinations of color features，CCF）及其檢測方法，通過將該顏色特征與傳統(tǒng)區(qū)域生長算法結合，實現了溫室黃瓜病斑圖像的準確分割?；?于溫室黃瓜病斑圖像，構建了溫室黃瓜病害識別分類器的輸入數據集，并采用數據增強方法將輸入數據集的數據量擴充 了 12倍?；跀U充后的數據集，構建了基于卷積神經網絡的病害識別分類器并利用梯度下降算法進行模型訓練、驗證與 測試。系統(tǒng)試驗結果表明，針對含有光照不均勻和復雜背景等噪聲的黃瓜病害圖像，該系統(tǒng)能夠快速、準確的實現溫室 黃瓜病斑圖像分割，分割準確率為 97.29%；基于分割后的溫室黃瓜病斑圖像，該系統(tǒng)能夠實現準確的病害識別，識別準 確率為 95.7%，其中，霜霉病識別準確率為 93.1%，白粉病識別準確率為 98.4%。 關鍵詞：溫室；病害；識別；卷積神經網絡；病斑分割 doi：10.11975/j.issn.1002-6819.2018.12.022 中圖分類號：S436.36 TN941.1 文獻標志碼：A 文章編號：1002-6819(2018)-12-0186-07 馬浚誠，杜克明，鄭飛翔，張領先，孫忠富. 基于卷積神經網絡的溫室黃瓜病害識別系統(tǒng)J. 農業(yè)工程學報， 2018， 34(12)： 186192. doi：10.11975/j.issn.1002-6819.2018.12.022 http:/www.tcsae.org Ma Juncheng, Du Keming, Zheng Feixiang, Zhang Lingxian, Sun Zhongfu. Disease recognition system for greenhouse cucumbers based on deep convolutional neural networkJ. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(12):186192.(in Chinese with English abstract) doi： 10.11975/j.issn.1002- 6819.2018.12.022 http:/www.tcsae.org 0 引 言病害是造成設施蔬菜品質下降，農民經濟損失的主 要原因之一 1-3 。近年來，由于栽培技術創(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的發(fā)展，利用先進信息技術 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 器學習領域的研究熱點，卷積神經網絡作為目前最有效 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。 收稿日期：2018-01-08 修訂日期：2018-04-28 基金項目： “十三五”國家重點研發(fā)計劃(2016YFD0300606、 2017YFD0300401、2017YFD0300402) 作者簡介：馬浚誠，助理研究員，博士，主要從事農業(yè)物聯網、圖像處理研 究。E-mail: majunchengcaas.cn 通信作者： 杜克明， 助理研究員， 博士， 主要從事農業(yè)物聯網研究。 E-mail: dukemingcaas.cn 該研究擬充分利用卷積神經網絡以圖像作為輸入， 并且能夠從訓練數據中自動學習分類特征而不需要人工 特征提取的優(yōu)點 17 ，構建一種基于卷積神經網絡的溫室 黃瓜病害識別系統(tǒng)，以霜霉病和白粉病為例，將卷積神 經網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 結構的基礎上，結合病斑圖像 數據的特點，構建適用于溫室黃瓜病害識別的卷積神經 網絡結構，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，結合溫室黃瓜病害 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)結構功能設計 根據系統(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，構建病害識別分類器的輸入數據集。病害識別模塊 的主要功能包括對卷積神經網絡的輸入數據集進行數據 增強，構建卷積神經網絡模型并進行訓練、驗證和測試， 第 12期 馬浚誠等：基于卷積神經網絡的溫室黃瓜病害識別系統(tǒng) 187 實現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)管理員對用戶相關信息及登錄權限的管 理，對系統(tǒng)日常事務管理和維護以及對數據庫的管理， 以提高系統(tǒng)的安全性和數據的完整性。 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?；?于計算機視覺進行蔬菜病害識別，其關鍵在于提取病斑 的特征。在現場環(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，病斑部分數量多，面積小，在整個圖像中所占的 比例低 8 。 如果直接以現場環(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。 基于以上分析， 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據需求特點，基于復合顏 色特征，結合區(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網絡提供數據，分割結果 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，實現病斑圖像 的分割。病斑圖像分割僅用于構建分類器輸入數據集， 模型訓練、測試完成后，系統(tǒng)實際應用過程中可直接調 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 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 I ExR ，超紅特征計算方法見式（1） ，在計算超紅特征后， 將原始 RGB 圖像分別轉換到 HSV 顏色空間和 CIELAB 顏色空間，提取 H 分量和 B分量。 ExR 1.3 RG II I =- （1） 式中 I R ，I G ，I B 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 CCF 檢測并生成 CCF 特征圖，計算方法見 式（2） 23-24 。 (:, , ,) ( *) * HL HL E x Rr HL A Br fIr I P DoG I I P aa= （，）（2） 式中 I 為輸入圖像， I ExR 為 ExR特征圖像， I LAB 為 B顏色 分量圖像，I H 為 H 顏色分量圖像，P r 為半徑為 r 的圓形 區(qū)域均值濾波器， H 、 L 為高斯差分濾波器標準差， 為 ExR參數， 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。 CCF=exp(- ( : , , , ) HL fIr （3） 式中 為下降速率參數。 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，得到初始分割結果。對初始 分割結果二值圖進行形態(tài)學處理，優(yōu)化分割結果。將優(yōu) 化的分割結果與原圖像進行掩碼運算得到最終病斑分割 結果。 1.4 卷積神經網絡模型構建 一個常見的卷積神經網絡通常由卷積層、池化層、 農業(yè)工程學報（http:/www.tcsae.org） 2018年 188 ReLU 層和全連接層組成 13-14,25-26 。該系統(tǒng)卷積神經網絡 結構主要參考了 Lenet5 結構 27 。Lenet5 結構對數據量相 對較小的訓練數據集有較好的處理能力，并且易于實 現，識別效率較高 13 。在 Lenet5 結構的基礎上，結合設 施蔬菜病斑圖像數據特點，對網絡的結構和參數進行了 調整和優(yōu)化。由于設施蔬菜病斑的面積較小，且數量較 多 8 ，考慮到卷積網絡運行的效率，輸入層病斑圖像應選 擇相對合適的尺寸。該系統(tǒng)卷積神經網絡結構如圖 3 所 示。從圖中可以看出，卷積神經網絡以溫室黃瓜病斑 RGB 圖像作為輸入，輸入圖像尺寸為 20203（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 33 像素或 55 像素等，在卷積 神經網絡結構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)卷積神經網絡結構中，第 1 模塊卷積層 采用 20 個大小為 55 的卷積核，用于提取輸入數據的 特征，生成相應的特征圖。池化層卷積核的大小為 22， 步長為 2，通過最大降采樣（max pooling）方法，減小特 征圖的大小，從而降低參數的數量和網絡的計算量，控 制過擬合現象的產生。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 33 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化為 一維向量作為分類器的輸入，全連接層的神經元個數分 別為 1 000 和 1 500。輸出層包含 2個神經元，分別代表 溫室黃瓜霜霉病和白粉病，輸出層分類函數采用 softmax 函數。注：32020 代表 3 幅 2020 像素的特征圖，余同。卷積層 1 中卷積核大小為 55，數量為 20，卷積層 2 中卷積核大小為 33，數量為 100；全連接層 1 和全連接層 2 中神經元個數分別為 1 000和 1 500。局部連接采用 ReLU 激活函數實現。 Note: 32020 represents 3 images with 20 20 pixels, the same as others. Conv1 had 20 filters with a size of 55, Conv2 had 100 filters with a size of 33. Number of neurons for fully connected layer 1 and fully connected layer 2 are 1000, 1500 respectively. Local connectivity is implemented by the rectified linear unit (ReLU) function. 圖 3 卷積神經網絡結構 Fig.3 Architecture of CNN model 2 試驗結果與分析 該系統(tǒng)溫室黃瓜病害圖像分割算法采用 Matlab 2014a 編程實現；基于卷積神經網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；病害識別系統(tǒng)采用 Matlab 2014a 與 Microsoft Visual C + + 編程實現。 2.1 病斑分割 病斑分割試驗采用的溫室黃瓜病害數據包含 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 源于網絡，其他病害圖像采集于天津市農科院植保所農 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)一調整為 800600（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 右下側輸入圖像面板中。 a. 霜霉病 b. 白粉病 a. D ow ny m ilde w b. Pow de ry m ilde w 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 第 12期 馬浚誠等：基于卷積神經網絡的溫室黃瓜病害識別系統(tǒng) 189 導入圖像后，系統(tǒng)根據式（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）中采用的相關參數的取值為： H =5、 L =4， r=3，=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，相應的分割結果顯示在分割結果面 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，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，對比結果如圖 7所示。 a. 原圖 b. CCF 特征圖 c. 二值圖 d. 分割結果 a.Original images b. CCF maps c. Binary images d. Segmentation results 圖6 病斑分割結果 Fig.6 Results of disease symptom image segmentation a. 原圖 b. K均值聚類 c. OTSU閾值法 d. 該文方法 a. Original images b. K-means clustering c. OTSU thresholding d. Proposed method 圖7 不同病斑分割方法結果對比 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 ， 分割準確率的數值越大，表明分割效果越好。 p pp T P TF = （4） 式中 P 為分割準確率，T P 為正確分割的病斑像素比例， F 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 一步基于卷積神經網絡的病害識別提供準確的數據源。 2.2 溫室黃瓜病害識別 圖 8 為病害識別模塊，該模塊可以實現數據集導入、 農業(yè)工程學報（http:/www.tcsae.org） 2018年 190 數據增強、模型訓練、驗證和測試以及病害識別。在數 據集面板中，系統(tǒng)顯示了導入數據集每一類病害的數據 量。該系統(tǒng)基于卷積神經網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。 注：測試結果部分的混淆矩陣中，1、2 分別代表霜霉病、白粉病。 Note：In confusion matrix of test results, category 1 is downy mildew, category 2 is powdery mildew. 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，經過初步篩選，剔除 質量相對較低的病斑圖像，構建初始病斑圖像集，共包 含 747 幅病斑圖像，其中霜霉病 415幅，白粉病 332 幅。 由于卷積神經網絡的訓練需要大量的訓練數據，而該研 究通過病斑圖像分割方法構建的病害圖像數據集的數據 量相對較小，為進一步提高病害識別準確率，避免過擬 合現象的發(fā)生，系統(tǒng)通過數據增強方法對病害數據集進 行擴充，擴充結果顯示在右側數據增強面板中。由于該 系統(tǒng)卷積神經網絡的輸入圖像尺寸較小，因此數據增強 采用不會縮小輸入圖像尺寸的方法。該系統(tǒng)采用的數據增 強方法為：將原始病害圖像數據集分別旋轉 90、180 和 270，然后進行水平和垂直翻轉。通過數據增強方 法，能夠將原始數據集擴充 12 倍。數據增強后的病害圖 像數據集共包含 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） 。在數據增強面板中， 系統(tǒng)顯示了每一類病害的數據量及用于訓練、驗證和測 試的數據量。 建立數據集后，系統(tǒng)采用梯度下降算法對卷積神經網 絡進行訓練和驗證，結果顯示在左側訓練結果面板中。 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%，訓練結果比較理想。 模型訓練完成后，系統(tǒng)會采用測試數據集對模型進 行測試，測試結果顯示在測試結果面板中。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，占全部測試數據集 2 136 個樣本的 47.6%；正確識別了 1 027 個白粉病樣本，占全 部測試數據集 2136 個樣本的 48.1%。 17 個白粉病樣本被 錯誤識別為霜霉病，占全部測試數據集 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 試數據集 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)可以調用構建的病害識別分 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果顯示在識別結果面板中。 3 結 論 該研究基于圖像處理與深度學習技術，研發(fā)了一種 基于卷積神經網絡的溫室黃瓜病害識別系統(tǒng)。主要結論 如下： 1）針對溫室現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，并結合區(qū)域生長算法，實現 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據。 2）基于卷積神經網絡，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)實現了溫室黃瓜霜霉病和白粉病的準確識 別，隨著數據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，在現有基礎上進一步 提升其應用價值。 參 考 文 獻 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: 157165. 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: 92102. 3 王翔宇，李鑫星，張領先，等. 農業(yè)主要病害檢測與預警 技術研究進展分析J. 農業(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 technologiesJ. Transactions of the Chinese Society for Agricultural Machinery, 2016, 47(9): 266 277. (in Chinese with English abstract) 第 12期 馬浚誠等：基于卷積神經網絡的溫室黃瓜病害識別系統(tǒng) 191 4 中國人民共和國國家發(fā)展和改革委員會，農業(yè)部. 國家發(fā) 展改革委 農業(yè)部關于印發(fā)全國蔬菜產業(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: 135141. 6 Zhang S, Zhu Y, You Z, et al. Fusion of superpixel, expectation maximization and PHOG for recognizing cucumber diseases J. Computers and Electronics in Agriculture, 2017, 140: 338347. 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): 10411052. 8 馬浚誠，溫皓杰，張領先，等. 基于圖像處理的溫室黃瓜 霜霉病診斷系統(tǒng)J. 農業(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 processingJ. Transactions of the Chinese Society for Agricultural Machinery, 2017, 48(2): 195202. (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. 農業(yè)機械學報，2017，48(3)：2429. 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 identificationJ. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(8): 200205. (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: 314324. 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: 142632. 13 Ding W, Taylor G. Automatic moth detection from trap images for pest management J. Computers and Electronics in Agriculture, 2016, 123: 1728. 14 Krizhevsky A, Sutskever I, Hinton G E. ImageNet classification with deep convolutional neural networksC/ International Conference on Neural Information Processing Systems. Curran Associates Inc. 2012, 60 (2): 10971105. 15 高震宇，王安，劉勇，等. 基于卷積神經網絡的鮮茶葉智 能分選系統(tǒng)研究J. 農業(yè)機械學報，2017，48(7)：358. Gao Zhenyu, Wang An, Liu Yong, et al. Intelligent fresh-tea-leaves sorting system research based on convolution neural network J. Transactions of the Chinese Society for Agricultural Machinery, 2017, 48(7): 5358. (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 經網絡的茶園害蟲定位與識別J. 農業(yè)工程學報, 2017, 33(6): 156162. 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): 156162. (in Chinese with English abstract) 17 Ghosal S, Blystone D, Singh A K, et al. An explainable deep machine vision framework for plant stress phenotypingJ. Proceedings of the National Academy of Sciences of the United States of America, 2018: 16. 18 Hernndez-Hernndez J L, Garca-Mateos G, Gonzlez-Esquiva J M, et al. Optimal color space selection method for plant/soil segmentation 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 fieldJ. Comput