温室黄瓜霜霉病严重度的准确估算是科学防治霜霉病的前提条件, 对于减少农药使用量、 提升温室黄瓜品质和农民经济效益具有重要意义。 机器学习在植物病害诊断领域的应用越来越广泛, 已经取得了丰富的研究成果, 病害严重程度的估算萌发了新的思路。 利用霜霉病可见光图像并结合机器学习方法, 开展温室黄瓜霜霉病严重度快速准确定量估算研究。 利用数码相机采集温室黄瓜霜霉病叶片图像并进行预处理, 剔除病害图像的背景。 以黄瓜霜霉病叶片图像为输入, 构建基于卷积神经网络（CNN）的估算模型。 利用可见光光谱颜色特征（CVCF）结合支持向量机进行温室黄瓜霜霉病病斑图像分割, 采用SURF（speeded up robust features）特征及形态学操作对分割结果进行优化。 在获取黄瓜霜霉病病斑分割图像后, 提取病斑图像RGB, HSV, L*a*b*, YCbCr和HSI共5个颜色空间15个颜色分量的平均值和标准差2个颜色特征, 以及在此基础上结合灰度共生矩阵提取各颜色分量的对比度、 相关性、 熵和平稳度4个纹理特征, 共计90个特征； 利用Pearson相关性分析进行特征优选, 采用与温室黄瓜霜霉病严重程度实际值相关性高的图像特征构建浅层机器学习估算模型, 包括支持基于向量机回归（SVR）的估算模型和基于BP神经网络（BPNN）的估算模型。 基于以上3种估算模型开展黄瓜霜霉病严重度定量估算, 采用决定系数（R2）和归一化均方根误差（NRMSE）对估算模型准确率进行定量评价。 结果表明, 模型估算的温室黄瓜霜霉病严重度与实际值之间具有良好的线性关系, 其中, 基于CNN的估算模型准确率最高, 模型的R2为0.919 0, NRMSE为23.33%, 其次是基于BPNN的估算模型, 其R2为0.890 8, NRMSE为24.64%, 基于SVR的估算模型的准确率最低, 其R2为0.8901, NRMSE为31.08%。 研究结果表明, 利用黄瓜霜霉病可见光图像数据, 结合卷积神经网络估算模型, 实现了温室黄瓜霜霉病严重度的准确估算, 能够为温室黄瓜霜霉病的科学防治提供参考, 提高病害防治效率, 减少农药使用。

针对温室现场环境下采集的黄瓜霜霉病叶片图像中存在光照不均匀和背景复杂的问题, 提出了一种基于可见光光谱和支持向量机的温室黄瓜霜霉病图像分割方法。 首先, 提出了一种基于可见光谱的颜色特征CVCF(combination of three visible color features)及其检测方法, 该颜色特征将超红特征(excess red, ExR)、 H分量和b*分量三种颜色特征结合, 通过设置ExR参数, 降低光照条件对ExR的影响, 克服了光照不均匀对病斑分割的影响。 在CVCF的基础上, 结合基于径向基核函数的支持向量机分类器, 通过优化分类器参数构建病斑分割模型, 获得了温室黄瓜霜霉病图像初始分割结果。 在初始分割结果基础上, 采用SURF(speeded up robust features)特征及形态学操作, 对分割结果进一步优化, 消除背景噪声对分割结果的影响, 从而获得最终病斑分割结果。 为进一步验证方法的有效性, 选择了OTSU算法、 K均值聚类算法和决策树算法, 作对比研究。 结果表明, OTSU+H*0.2, K-means+H+b*, DT+H+b*和该研究算法的错分率分别为: 19.44%, 40.19%, 16.27%和7.37%, 该算法对温室现场环境下采集的黄瓜霜霉病图像的分割效果明显优于其他对比方法。 该方法能够充分克服光照不均匀和复杂背景的影响准确地提取病斑, 为病害识别提供了良好的数据来源。