蔣小敏 馮海寬 常紅 楊貴軍 楊小冬

摘要：小麥條銹病發(fā)病廣、發(fā)病率高，嚴重影響農(nóng)業(yè)生產(chǎn)，造成小麥產(chǎn)量重大損失。病葉嚴重度是獲取小麥條銹病病害信息的主要參數(shù)。為更好、更便捷地獲取小麥條銹病病害信息實現(xiàn)對小麥條銹病單葉病害嚴重度分級，討論一種利用數(shù)碼圖像對小麥條銹病進行分級的方法。首先從拍攝的數(shù)碼圖像中選取發(fā)病嚴重度為1%、5%、10%、20%、40%、60%、80%、100%的小麥葉片（以植保專家目測為標準），對應(yīng)設(shè)置為1、2、3、4、5、6、7、8級，每個級別各30張葉片，共計240張，從每個類別中選取10張做數(shù)據(jù)分析，20張作驗證。利用K-means聚類法、形態(tài)學(xué)變換等操作將小麥葉片與背景分割開，然后對采集的RGB圖像通道分離獲取R、G、B分量圖進行G、R分量加運算，在小麥葉片染病前期，小麥條銹病嚴重度為1～4級，G+R圖像就能較好地區(qū)分出病斑區(qū)域與健康區(qū)域，隨著病害程度加深黃化嚴重，G+R 圖像不能很好地區(qū)分出病斑區(qū)域，通過改變R分量圖的權(quán)重，對5、6、7、8級40個樣本進行數(shù)據(jù)分析，發(fā)現(xiàn)G+1.7R時表現(xiàn)出的擬合性和精度最好，采用最大類間方差法（Otsu）對G+R、G+1.7R圖像進行分割，將病斑從小麥葉片中提取出來;最后根據(jù)染病面積占葉片總面積的百分比對小麥條銹病病害程度進行分級。160個不同病害等級的小麥葉片驗證樣本中，24個樣本被錯誤分級，136個樣本被正確分級，發(fā)病程度較輕的1～4級分級正確率為92.5%，發(fā)病程度較重的5～8級分級正確率為77.5%，總體分級正確率為85.0%。基于數(shù)碼圖像對小麥條銹病病害程度分級識別方法操作靈活、方便，相對于傳統(tǒng)田間目測分級提高了分級正確率，為識別小麥條銹病葉片病害程度提供了一種操作快速簡單、成本低且方便普及的新方法。

關(guān)鍵詞：數(shù)碼圖像;小麥條銹病;病害程度;分級;K-means;最大類間方差法

中圖分類號：S435.121.4+2;TP391.41? ?文獻標志碼： A

文章編號：1002-1302（2021）23-0109-06

收稿日期：2021-07-20

項目基金：國家自然科學(xué)基金（編號：41771469）;廣東省重點領(lǐng)域研發(fā)計劃（編號：2019B020216001）。

作者簡介：蔣小敏（1993—），女，安徽長豐人，碩士研究生，從事作物病蟲害遙感監(jiān)測研究。E-mail：18856927671@163.com。

通信作者：楊小冬，博士，副研究員，從事作物病蟲害遙感監(jiān)測研究。E-mail：yangxd7@163.com。

小麥是世界上種植范圍最廣同時也是我國主要的糧食作物，從每年的小麥種植面積以及產(chǎn)量來看，小麥是我國第二大谷類和糧食作物[1]。作物病害是導(dǎo)致小麥減產(chǎn)的主要因素。小麥條銹病是由條型柄銹菌引起的易受環(huán)境條件影響的一種真菌病害，當(dāng)病原菌在有利的天氣條件下感染易感品種時，早期侵染會嚴重降低株高和分蘗數(shù)，從而大大降低小麥的生物量和產(chǎn)量;灌漿期侵染會嚴重減少籽粒數(shù)量、籽粒大小和質(zhì)量，從而導(dǎo)致產(chǎn)量減少和籽粒質(zhì)量降低，使小麥嚴重減產(chǎn)，流行年份可達40%以上，甚至可出現(xiàn)絕收現(xiàn)象[2-5]，嚴重制約了農(nóng)業(yè)生產(chǎn)、影響了農(nóng)業(yè)經(jīng)濟快速平穩(wěn)發(fā)展。病葉嚴重度是獲取小麥條銹病病情指數(shù)的主要參數(shù)。傳統(tǒng)的監(jiān)測方法主要由有經(jīng)驗的生產(chǎn)者或植保專家在田間憑借其經(jīng)驗知識觀察小麥植株，進而判定小麥條銹病的發(fā)生程度等級。這些傳統(tǒng)方法存在工作量大、工作效率低等弊端，且對目測人員的專業(yè)經(jīng)驗要求極高。因而，能夠找到一種成本低、準確度高且易操作的方法去監(jiān)測小麥條銹病具有重要價值。張帥堂等基于高光譜成像技術(shù)和遺傳優(yōu)化神經(jīng)網(wǎng)絡(luò)對茶葉病斑進行快速識別，病斑識別率達到94.17%[6]。鄭志雄等對采集到的受稻瘟病侵染不同嚴重程度的水稻葉片高光譜圖像進行光譜分析，采用主成分分析和最大類間方差法（Otsu）對水稻葉瘟病病害程度進行分級，分級準確率為96.39%[7]。Moshou等利用神經(jīng)網(wǎng)絡(luò)和二次判別分析技術(shù)對采集的冬小麥條銹病光譜圖像進行檢測取得了較高的分類精度[8]。雷雨等基于高光譜成像技術(shù)利用主成分分析法結(jié)合最大類間方差法對小麥條銹病病害程度進行分級，分級正確率達到98.15%[9]。李小龍等利用近紅外光譜技術(shù)獲取病害光譜信息結(jié)合定性判別偏最小二乘法（DPLS）建立小麥條銹病不同嚴重度識別模型，測試集樣品總體識別正確率為96.55%[10]。陳兵等利用可見/近紅外光譜技術(shù)獲取棉花黃萎病不同嚴重度病葉光譜特征，建立相應(yīng)的多種估測模型均達到極顯著水平[11]。近年來計算機技術(shù)發(fā)展迅速，數(shù)字圖像處理技術(shù)被普遍用于農(nóng)作物的病害識別[12-18]。袁媛等對黃瓜病害葉片圖像利用超G因子和Otsu方法提取黃瓜主要葉片去除大部分背景，利用病害圖像的紅色分量構(gòu)建基于閾值預(yù)處理的圖切割算法對4種黃瓜病害的病斑進行了有效提取[19]。任玉剛等對分水嶺算法進行改進使分割結(jié)果不受葉片紋理的干擾提高了作物病害葉片圖像分割的準確性[20]。Wang等提出了一種有效的黃瓜葉片分割方法，首先對顏色空間類型進行分析，提取RGB模型下R特征圖，HLS模型下H特征圖，然后利用RH=R-H特征圖進行閾值分割提取病斑[21]。Shen等分析了圖像分割過程中存在的所有影響因素，采用Otsu法分割大豆葉片，基于HLS顏色系統(tǒng)下選擇H分量結(jié)合Sobel算子對病斑進行分割，最后通過計算病斑與葉片面積的商進行分級[22]。Revathi等對采集的棉花葉斑病RGB圖像進行增強處理，然后對其進行分割得到病斑，使用Sobel算子和Canny濾波等獲取邊緣信息進而識別病斑對棉花葉斑病進行分類，分類結(jié)果與其他算法相比具有更高的精度[23]。高光譜成像技術(shù)、可見光近紅外光譜技術(shù)以及RGB圖像分割均能夠識別出病斑。基于高光譜成像技術(shù)、近紅外光譜技術(shù)的病害識別正確率較高，但高光譜技術(shù)難以普及，是因為其用到的儀器價格昂貴，近紅外光譜技術(shù)不易操作。植物發(fā)生病蟲害時，在不同階段，其表現(xiàn)的癥狀有著顯著差異，圖像分割的正確與否決定了病害識別的準確度。當(dāng)前，利用圖像處理技術(shù)識別作物病蟲害的研究已經(jīng)很多[24-29]，但目前尚無將數(shù)碼圖像用于進行小麥條銹病葉片嚴重度分級的研究。本研究采集了不同嚴重度的小麥條銹病病葉圖像，使用圖像處理技術(shù)采用兩步分割的方法提取小麥葉片和病斑區(qū)域，對病葉進行分級識別，以期研究出一種快速準確、成本低、操作簡單且方便普及的識別小麥條銹病葉片病害程度的方法。

1 材料與方法

1.1 試驗材料

試驗田位于甘肅省農(nóng)業(yè)科學(xué)院植物保護研究所甘谷試驗站（34.760528N，105.294410E），海拔高度為1 254.7 m，選用高感病冬麥品種銘賢169種植，在試驗田中設(shè)置30個40 cm×40 cm的小區(qū)，行距為20 cm，采用人工噴霧法選用配制的小麥條銹病夏孢子（混合生理小種）液噴灑在小區(qū)的中間植株葉片上，之后蓋上塑料薄膜過夜，次日揭去薄膜，從中心發(fā)病感染周圍植株上獲取不同嚴重度的小麥條銹病病葉。2019年6月1日，將采集到的每個小區(qū)的不同發(fā)病程度的小麥葉片并排放在白紙上，用隨身攜帶的華為手機（相機型號為STF-AL00）進行拍攝存儲，像素大小為3 840×5 120，每幅圖像里有9～13張小麥葉片，共獲取30幅圖像。

1.2 圖像預(yù)處理

用繪圖軟件對采集的圖像進行裁剪得到小麥單葉葉片，參照國家標準GB/T 15795—2011《小麥條銹病測報技術(shù)規(guī)范》中的小麥條銹病發(fā)生程度分級指標，從中分別選取發(fā)病嚴重度為1%、5%、10%、20%、40%、60%、80%、100%的小麥葉片（以植保專家目測為標準），等級之間以中間發(fā)病嚴重度分界線作為劃分標準計入最接近的分級等級，同時按照小麥條銹病嚴重度級別分別對應(yīng)設(shè)置為1～8級，每個級別各取30張，共計240張不同等級的病葉樣本，其中80個用于數(shù)據(jù)分析，160個樣本用于對G+R、G+1.7R的分割結(jié)果進行驗證。裁剪的數(shù)碼圖像用Python 3.6軟件進行處理和分析。

1.3 圖像增強

圖像增強是為了增強對比度。在對小麥葉片進行拍攝和存儲中會引入噪聲，影響病斑部位的提取。因此對裁剪的小麥單葉圖像采用中值濾波法進行平滑處理，減少噪聲，改善圖像質(zhì)量，并將其作為后續(xù)圖像處理的基礎(chǔ)數(shù)據(jù)。

1.4 小麥條銹病病害程度分級方法

1.4.1 小麥葉片與背景的分離

K-means聚類算法是用一組特征將輸入數(shù)據(jù)劃分為k個子集，構(gòu)成k個類的簡單聚類，其不斷提取當(dāng)前分類的中心點，并最終在分類穩(wěn)定時完成聚類。基本步驟[30]如下：（1）選取k個點作為K-means聚類的中心點。（2）計算圖像中的每個像素點到各個聚類中心點的距離，對于每一個像素點根據(jù)其到中心點的最小距離進行分類。（3）再次平均各個分類的像素作為新的分類中心點。 （4）重復(fù)步驟（2）和步驟（3），直到分類穩(wěn)定。

腐蝕操作和膨脹操作是形態(tài)學(xué)運算的基礎(chǔ)，將腐蝕和膨脹操作進行結(jié)合就可以實現(xiàn)開運算、閉運算等不同形式的運算。閉運算是先將圖像進行膨脹之后再對膨脹的結(jié)果進行腐蝕，去除原始圖像內(nèi)部的小孔和小黑點。

為獲取小麥葉片，采用K-means聚類法和形態(tài)學(xué)處理去除圖片背景。具體流程如圖1所示。首先將經(jīng)過平滑處理后的圖像用K-means聚類法分割，再通過形態(tài)學(xué)操作，去除葉片內(nèi)部的小孔洞、小黑點，生成葉片值為255，背景值為0的黑白二值化圖（圖1-a），并將其白色像素點數(shù)作為小麥葉片的總面積，之后將生成的黑白二值化圖跟原始圖像做按位與運算得到去除背景后的小麥葉片（圖1-b）。采集的240個病害樣本均按照此方法提取出小麥葉片，可以較為準確地獲取小麥葉片的面積。

1.4.2 小麥條銹病病斑區(qū)域提取

將經(jīng)過平滑處理后的1～4級40個樣本數(shù)據(jù)圖像進行B、G、R三通道分離，得到B、G、R三通道分量圖。小麥條銹病病斑呈現(xiàn)黃色，成行排列且平行于葉脈。其病斑處的R值稍高于葉片健康部位的R值，因此對G和R、R和B組合圖像進行分析。

將2個灰度圖的像素值進行求和時，遵循以下規(guī)則：

a+b=a+b，a+b≤255

255，a+b>255。（1）

若2個灰度圖的像素值（a、b）相加值小于或等于255，則計算結(jié)果就是最終結(jié)果，若相加值大于255，則最終結(jié)果就是255。提取到的G+R、R+B組合圖像如圖2所示，G和R圖像較好地保存了病斑的形狀，因此選取G+R組合圖作為病斑提取的圖像。

G+R組合圖像中能區(qū)分出病斑區(qū)域與健康區(qū)域。葉片中顏色較亮區(qū)域為條銹病病斑，較暗區(qū)域為健康區(qū)域。采用Otsu法對G+R組合圖像進行分割處理，提取病斑區(qū)域的具體步驟[31]如下：（1）根據(jù)閾值T將像素分為健康區(qū)域和染病區(qū)域2大類，計算這2個區(qū)域灰度的類間方差σ2，尋找最優(yōu)閾值T使得σ2最大，使類間分離性最佳。（2） 計算平均灰度值n，若n>T，判定該區(qū)域內(nèi)所有點為染病區(qū)域，賦值為255;若n

隨著小麥條銹病病情加重，小麥葉片黃化嚴重，后期葉片表面黃色面積占據(jù)大部分，用G+R的組合圖像并不能很好地將全部病斑提取出來，增加R分量在顏色空間中的權(quán)重，可用于對葉片病斑的分割[32]。對后期病情嚴重，葉片表面大片泛黃的級別在5、6、7、8級的40個樣本數(shù)據(jù)進行分析，對G、R分量圖進行不同加權(quán)比獲取組合圖進行病斑分割提取。

圖像加權(quán)和就是將2幅灰度圖像像素值進行求和時，考慮每幅圖像的權(quán)重，其公式為

dst=saturate（src1×α+src2×β+γ）。（2）

式中：dst 表示結(jié)果圖像;saturate（）表示取飽和值（最大值）;src1、src2表示相同的數(shù)據(jù)類型;α、β表示src1、src2對應(yīng)的系數(shù);γ表示亮度調(diào)節(jié)量，可以為0。

1.4.3 小麥條銹病病害程度分級

病害嚴重度是依據(jù)病葉上病斑面積占葉片總面積的百分比表示。病害嚴重度的計算公式為

C=A1/A2×100%。（3）

式中：C表示病害嚴重度;A2表示小麥葉片總面積，像素;A1為小麥條銹病病斑面積，像素。

2 結(jié)果與分析

2.1 圖像分割

對獲取的G、R分量圖，按照α ∶β不同的系數(shù)比進行圖像加權(quán)和，驗證其分割效果。通過試驗可知，當(dāng)α=1時，β的系數(shù)越大，病斑區(qū)域的增強越明顯;而當(dāng)β>1.7時，葉片健康區(qū)域也會被明顯加強，不符合將全部病斑提取出來的試驗預(yù)期。以α ∶β=1 ∶1.6、1 ∶1.7、1 ∶1.8為例進行圖像分割，并將分割結(jié)果與實測結(jié)果進行對比分析（圖4）。選用均方根誤差（RMSE）、平均絕對誤差（MAE）和分級正確率進行精度評價，RMSE、MAE越小，分級精度越高[33]。通過研究發(fā)現(xiàn)，G+1.7R時所表現(xiàn)的擬合性和精度最好（表1），此時RMSE為0.105 5，MAE為 0.080 8，分級正確率為80%。故G、R的加權(quán)和在 1 ∶1.7 時，分割效果最好。

由圖5可知，只有一部分的條銹病病斑被分割出來，不能達到病斑分割目的。由圖6可知，G+1.7R分割小麥葉片中呈現(xiàn)黃色的病斑區(qū)域能被較清晰地分割出來，滿足下一步小麥條銹病的分級需要。

2.2 病害分級

對80個早期感染小麥條銹病的葉片采用G+R的分割算法進行分級。由表2 可知，病害等級為1級的分級正確率是85.0%，3個樣本被識別錯誤，其中2個誤分為2級，1個誤分為3級;病害等級為2級的分級正確率是90.0%，2個樣本被識別為3級;病害等級為3級的分級正確率是95.0%，1個樣本被識別為4級;病害等級為4級的分級正確率是100.0%。在80個驗證樣本中，共有6個識別錯誤，分級平均正確率為92.5%。

對80個晚期感染小麥條銹病的葉片采用G+1.7R的分割算法進行分級。由表3可知，病害等級為5級的分級正確率是85.0%，3個樣本被識別為4級;病害等級為6級的分級正確率是85.0%，3個樣本被識別錯誤，其中1個誤分到5級，2個誤分到7級;病害等級為7級的分級正確率是75.0%，5個樣本被識別為6級;病害等級為8級的分級正確率是65.0%，7個樣本被識別為7級。在80個驗證樣本中，共有18個識別錯誤，分級平均正確率為77.5%。

對160個感染小麥條銹病的葉片進行分級，病害程度分級結(jié)果分布如圖7所示，結(jié)果表明，在全部驗證樣本中，分級平均正確率為85.0%，共有24個識別錯誤。R、G分量的不同組合圖像可以很好地顯示出小麥條銹病病斑區(qū)域跟健康區(qū)域的灰度差異。1～4級，G+R圖像就能較好地區(qū)分出病斑區(qū)域與健康區(qū)域，5～8級，病害程度加深，小麥葉片表皮破裂黃化嚴重，G+R圖像不能很好地將病斑準確地分割出來，通過改變R分量圖的權(quán)重，進而更好地對病斑進行提取。通過對樣本數(shù)據(jù)進行分析，選取G+1.7R分割效果最好，再根據(jù)病葉嚴重度分級標準對小麥葉片條銹病進行分級。隨著病害等級增加，分級正確率總體上呈現(xiàn)下降趨勢，擬合性逐漸降低。對于病害較為嚴重的分級還需進一步研究，以便更加準確地獲取小麥條銹病病害程度。

3 討論

本研究通過手機相機獲取小麥條銹病葉片數(shù)據(jù)，分割出小麥葉片、小麥條銹病病斑，取得了較高分級準確度，為小麥條銹病葉片嚴重度分級研究提供了一種新的方法。利用K-means聚類法結(jié)合形態(tài)學(xué)處理，提取的特征值較少，具有較高的清晰度能夠很好地去除圖像背景將小麥葉片分割出來。G+R 組合圖像能夠完整地體現(xiàn)出病斑的形狀，有效區(qū)分出健康區(qū)域與病斑區(qū)域。

病害等級在1、2、3、4級時，RMSE、MAE均比較小，分級精度較高，擬合效果較好，誤分錯誤主要集中在早期病害等級劃分，區(qū)間間隔相差較小，1百分點的誤差均會導(dǎo)致分級結(jié)果錯誤。小麥條銹病病情逐漸加重，病害等級增加，5、6、7、8級RMSE、MAE相對較大，分級正確率逐漸降低，其原因主要集中在病害加重，葉片黃化嚴重，葉片健康區(qū)域面積較小且G值減弱，致使健康區(qū)域與病斑區(qū)域差異不夠顯著，沒有黃化的病斑不能提取出來，都會使病斑面積減少，進而使得到的病害嚴重度相比實測值較小，因而致使病情嚴重的葉片等級被誤分到小1級中。

影響分級正確率的因素主要有以下幾個來源：（1）RGB圖像。因為RGB圖像只有3個通道的像素值，病斑分割依靠顏色特征，沒有黃化的病斑無法分割。致使病情較為嚴重的葉片等級被誤分到小1級中。（2）樣本本身。葉片表面的泥土，葉片與背景的邊緣陰影部分均有可能被誤識別為病斑，致使病斑面積增大，病害前期，會將病害等級錯誤識別大1級。拍攝亮度、圖像分辨率的高低等也會影響分割的準確性。（3）等級劃分的因素。不同等級之間的區(qū)間相差太小，比如1級與2級之間僅相差4%，極易被錯誤分類，位于2個級別間分界線附近也容易被識別錯誤。

本研究建立在試驗小區(qū)之上，供試品種單一，且對于區(qū)分小麥葉片感染條銹病早期、晚期仍需要人工進行目測判別，因此還需要進一步研究。

4 結(jié)論

本研究以小麥銹病中最常見、發(fā)病廣、影響范圍大的條銹病作為研究對象，利用K-means聚類法結(jié)合形態(tài)學(xué)處理獲取小麥葉片，利用Otsu法分割R、G分量的不同組合圖像提取小麥條銹病病斑結(jié)論如下。

（1）對小麥條銹病病情嚴重的5～8級40個樣本數(shù)據(jù)分析得出，G、R分量圖按照G+1.7R的組合圖像分割效果最好，RMSE為0.1055，MAE為 0.080 8，分級正確率為80.0%。

（2）160個不同病害等級的小麥葉片驗證樣本中，24個樣本被錯誤分級，136個樣本被正確分級，總體分級正確率為85.0%。1～4級分級正確率為92.5%，分割精度較高，能夠?qū)崿F(xiàn)對小麥條銹病的早期病害分級，更適合于小麥條銹病田間早期病害檢測，為田間病害早期管理提供基礎(chǔ)數(shù)據(jù)，表明基于數(shù)碼圖像對小麥條銹病病害程度分級識別是可行的，為小麥條銹病病害程度評估提供了一種新的研究思路。5～8級分級正確率為77.5%，分割精度相較于中、輕度發(fā)病水平較低，小麥條銹病病情嚴重度達到重度水平時，分級方法還需進一步研究。

參考文獻：

[1]Wan A M，Chen X M，He Z H. Wheat stripe rust in China[J]. Australian Journal of Agricultural Research，2007，58（6）：605.

[2]李振岐，曾士邁. 中國小麥銹病[M]. 北京：中國農(nóng)業(yè)出版社，2002.

[3]Rapilly F. Yellow rust epidemiology[J]. Annual Review of Phytopathology，1979，17（1）：59-73.

[4]Chen X M. Pathogens which threaten food security：Puccinia striiformis，the wheat stripe rust pathogen[J]. Food Security，2020，12（2）：239-251.

[5]馬占鴻. 中國小麥條銹病研究與防控[J]. 植物保護學(xué)報，2018，45（1）：1-6.

[6]張帥堂，王紫煙，鄒修國，等. 基于高光譜圖像和遺傳優(yōu)化神經(jīng)網(wǎng)絡(luò)的茶葉病斑識別[J]. 農(nóng)業(yè)工程學(xué)報，2017，33（22）：200-207.

[7]鄭志雄，齊 龍，馬 旭，等. 基于高光譜成像技術(shù)的水稻葉瘟病病害程度分級方法[J]. 農(nóng)業(yè)工程學(xué)報，2013，29（19）：138-144.

[8]Moshou D，Bravo C，West J，et al. Automatic detection of ‘yellow rustin wheat using reflectance measurements and neural networks[J]. Computers and Electronics in Agriculture，2004，44（3）：173-188.

[9]雷 雨，韓德俊，曾慶東，等. 基于高光譜成像技術(shù)的小麥條銹病病害程度分級方法[J]. 農(nóng)業(yè)機械學(xué)報，2018，49（5）：226-232.

[10]李小龍，秦 豐，趙龍蓮，等. 近紅外光譜技術(shù)的小麥條銹病嚴重度分級識別[J]. 光譜學(xué)與光譜分析，2015，35（2）：367-371.

[11]陳 兵，李少昆，王克如，等. 棉花黃萎病病葉光譜特征與病情嚴重度的估測[J]. 中國農(nóng)業(yè)科學(xué)，2007，40（12）：2709-2715.

[12]Bai X B，Li X X，F(xiàn)u Z T，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.

[13]張 沖，李 淼，張 健，等. 基于改進中值濾波的梨樹病害彩色圖像分割[J]. 計算機應(yīng)用，2016，36（增刊2）：197-199，217.

[14]張會敏，謝澤奇，張善文，等. 基于WT-Otsu算法的植物病害葉片圖像分割方法[J]. 江蘇農(nóng)業(yè)科學(xué)，2017，45（18）：194-196.

[15]葛 婧，邵陸壽，丁克堅，等. 玉米小斑病病害程度圖像檢測[J]. 農(nóng)業(yè)機械學(xué)報，2008，39（1）：114-117.

[16]任守綱，陸海飛，袁培森，等. 基于顯著性檢測的黃瓜葉部病害圖像分割算法[J]. 農(nóng)業(yè)機械學(xué)報，2016，47（9）：11-16.

[17]曹英麗，林明童，郭忠輝，等. 基于Lab顏色空間的非監(jiān)督GMM水稻無人機圖像分割[J]. 農(nóng)業(yè)機械學(xué)報，2021，52（1）：162-169.

[18]明 浩，蘇喜友. 利用特征分割和病斑增強的楊樹葉部病害識別[J]. 浙江農(nóng)林大學(xué)學(xué)報，2020，37（6）：1159-1166.

[19]袁 媛，李 淼，陳 晟，等. 復(fù)雜背景黃瓜葉部病害圖像分割方法[J]. 農(nóng)業(yè)機械學(xué)報，2013，44（10）：233-237.

[20]任玉剛，張 建，李 淼，等. 基于分水嶺算法的作物病害葉片圖像分割方法[J]. 計算機應(yīng)用，2012，32（3）：752-755.

[21]Wang L D，Yang T，Tian Y W.Crop disease leaf image segmentation method based on color features[C]//Li D L. Computer and Computing Technologies in Agriculture，Volume Ⅰ. Wuyishan：International Federation for Information Processing，2008.

[22]Shen W Z，Wu Y C，Chen Z L，et al. Grading method of leaf spot disease based on image processing[C]//2008 International Conference on Computer Science and Software Engineering.Wuhan，China.IEEE，2008：491-494.

[23]Revathi P，Hemalatha M.Classification of cotton leaf spot diseases using image processing edge detection techniques[C]//2012 International Conference on Emerging Trends in Science，Engineering and Technology （INCOSET）.Tiruchirappalli，India.IEEE，2012：169-173.

[24]施 文，鄒銳標，王 訪，等. 基于多重分形的油菜病蟲害葉片圖像分割[J]. 湖南農(nóng)業(yè)大學(xué)學(xué)報（自然科學(xué)版），2014，40（5）：556-560.

[25]齊 龍，馬 旭，張小超. 基于BP網(wǎng)絡(luò)的植物病害彩色圖像的分割技術(shù)[J]. 吉林大學(xué)學(xué)報（工學(xué)版），2006，36（增刊2）：126-129.

[26]張善文，張云龍，尚怡君. 1種基于Otsu算法的植物病害葉片圖像分割方法[J]. 江蘇農(nóng)業(yè)科學(xué)，2014，42（4）：337-339.

[27]譚 峰，馬曉丹. 基于葉片的植物病蟲害識別方法[J]. 農(nóng)機化研究，2009，31（6）：41-43.

[28]喬 雪，潘 新，王欣宇，等. 基于G-R分量與K-means的馬鈴薯病蟲害圖像分割[J]. 內(nèi)蒙古農(nóng)業(yè)大學(xué)學(xué)報（自然科學(xué)版），2021，42（3）：84-87.

[29]張水發(fā)，王開義，祖 琴，等. 基于塊標記的田間葉片損傷區(qū)域分割方法[J]. 農(nóng)業(yè)工程學(xué)報，2014，30（21）：218-225.

[30]Jaware T H，Badgujar R D，Patil P G. Crop disease detection using image segmentation[J]. World Journal of Science and Technology，2012，2（4）：190-194.

[31]Otsu N.A threshold selection method from gray-level histograms[J]. IEEE Transactions on Systems，Man，and Cybernetics，1979，9（1）：62-66.

[32]刁智華，王 歡，宋寅卯，等. 基于顏色和形狀特征的棉花害螨圖像分割方法[J]. 農(nóng)機化研究，2013，35（3）：50-55.

[33]Yue J B，F(xiàn)eng H K，Jin X L，et al. A comparison of crop parameters estimation using images from UAV-mounted snapshot hyperspectral sensor and high-definition digital camera[J]. Remote Sensing，2018，10（7）：1138.