贾鹤鸣，郎春博，姜子超

（1.三明学院信息工程学院，福建三明 365004；2.福建省农业物联网应用重点实验室（三明学院），福建三明 365004；3.西北工业大学自动化学院，西安 710129；4.东北林业大学机电工程学院，哈尔滨 150040）

（∗通信作者电子邮箱lang_chunbo@163.com）

0 引言

植物病害的产生对农业生产有一定负面影响。如果不及时发现植物病害，就会增加粮食的风险［1］，特别是对一些主要的粮食作物，如玉米、水稻、小麦等，它们是满足人民生活需要、推进生产力发展的关键。因此，探求一种智能化、低成本、高准确的方法来实施植物病害检测有着重要的现实意义。机器学习中的特征提取和模式识别有助于识别植物病害的类型和严重程度。通过植物叶片图像的颜色、形状和大小等特征对植物健康状况进行自动质量分析，是提高生产力的一种准确可靠的方法［2-3］。

以往的许多研究工作都考虑了图像的识别问题，并采用一种特殊的分类器将图像分为健康图像和病变图像。一般来说，植物叶片是植物病害识别的第一手资料，因为大部分病害的症状最先出现在叶片上。在过去的几十年里，主要病害的识别和分类技术在植物中得到了广泛的应用，包括K近邻（K-Nearest Neighbor，KNN）［4］、支持向量机（Support Vector Machine，SVM）［5］、Fisher线性判别（Fisher Linear Discriminant，FLD）［6］、人工神经网络（Artificial Neural Network，ANN）［7］、随机森林（Random Forest，RF）［8］等。众所周知，经典方法的疾病识别率很大程度上取决于各种算法的病变分割和手工设计的特征，如七不变矩、尺度不变特征变换（Scale-Invariant Feature Transform，SIFT）、Gabor 变换、全局-局部奇异值和稀疏表示［9-11］等。然而，人工设计的特征需要昂贵的资源条件和专业的知识，同时具有一定的主观性。……