李鑫然，李书琴，刘 斌

（西北农林科技大学信息工程学院，陕西杨凌 712100）

0 概述

苹果具有较高的营养价值，是世界四大水果之一［1］。苹果生产对我国经济的发展和满足广大人民的需求发挥着重要作用。然而苹果在生长过程中，因受到环境、真菌等影响会产生许多病害，这些病害大多发生在苹果叶片部位，严重影响了苹果的产量与质量，从而造成巨大的经济损失［2］。因此，及时有效地检测苹果叶片病害对于确保苹果产业健康发展至关重要。目前苹果叶片病害检测主要依靠果农经验和病害知识进行分析和判断，然而苹果病害病斑症状复杂，且特征不够明显，人工识别的方法耗时耗力且效率较低［3］。计算机视觉的发展给农作物病害检测带来了新的方向，近年来，涌现出众多基于机器学习［4-7］和深度学习［8-11］的叶片 病害检 测方法。ZHANG 等［12］采用改进的mean-shift 图像分割算法分割病斑，以病斑的颜色特征和差值方图作为苹果病害的分类特征，并利用支持向量机（Support Vector Machine，SVM）进行模型训练，该方法对3 种常见苹果叶片病害的识别精度达96%以上。但该方法仅适用于简单背景的苹果叶片病害图像，在实际复杂背景应用中存在一定局限性。SHI 等［13］利用苹果叶片同类病害及其病斑图像的形状、颜色和纹理之间的差异性，提出了一种基于二维子空间学习维数约简（2DSLDR）的苹果叶片病害识别方法，识别精度高达90%以上。但该方法同样仅适用于背景简单的苹果叶片病害图像。ZHANG 等［14］采用遗传算法（GA）和基于相关性的特征选择算法（GFS）对苹果叶片的多重组合特征进行筛选，再通过支持向量机对多种苹果叶片病害进行识别，精度可达90%，但该方法所需样本需在非自然光下采集。……