传统的病虫害检测识别方法

这种方法完全依赖于个人的经验和肉眼观察，速度慢、主观性强、误判率高、实时性差，已经无法满足现代农业的需求。

农作物病虫害图像识别技术

图像处理是将图像信号转换成相应的数字信号，并利用计算机对其进行加工处理的过程。农作物病虫害图像识别技术则是图像识别技术在农作物病虫害识别上的应用，成为替代传统人工识别的技术手段，其对农作物病虫害识别具有快速、精确、实时等特点，能够在疾病爆发前及时、准确地识别出病虫害的种类，能够协助农耕人员及时采取有效的防治措施。

图像分割

图像分割是图像处理过程中的前续步骤，是将图像细分为一个个特征（即图像的结构、颜色、灰度、纹理等）子区域或物体的过程，它是图像处理过程中质的转换，提取特征值、构件分类器都是在其基础上进行的。图像分割一直以来都是图像处理技术最困难的任务之一，也是国内外学者研究的热点。分割算法种类多，主要分为基于灰度值不连续性和相似性，以阈值分割、边缘检测等为代表的经典分割理论，以及基于数学形态学、模糊聚类等与特定理论相结合的分割方法。

阈值分割法

1. 阈值分割法是一种简单高效的图像分割方法，它是用一个或多个阈值将图像的灰度级划分为几个部分，同一部分的像素是一个整体。
2. 阈值分割法是农作物病虫害图像识别研究中最早采用的方法，早在1989年，日本的科学家就首次利用阈值分割法对缺乏钙、镁、铁等微量营养元素的茨菇病态叶片进行分割，但由于提取的RGB直方图性状态和位置特征不具有代表性，到值分割的结果并不理想；在其基础上，国内的陈佳娟等科学家尝试用局部门限法提取直方图形状特征，在实验室环境下采用局部阈值分割完成了棉花虫害图像与背景的分割；2009年，英国科学家在其设计的植物病害分类系统中，以香蕉叶黑斑病为例，采用最优门限的直方图阈值分割法，成功地将病叶的病斑背景分割开来，效果良好。
3. 阈值分割法的特点：简单，执行效率高；难点：阈值的选取，作物病虫害区域的颜色、纹理等特征往往与非病区域有着较大的差别，通过分析两者的灰度直方图能够较直观的找出阈值，实现图像的分割。

边缘检测法

1. 边缘是图像的基本特征，图像的大部分信息都存在于边缘当中，通过对边缘的检测能够有效地解决图像的分割问题。边缘检测法是一种经典的图像分割理论，广泛应用于农作物病虫害图像分割中。
2. 2011年，Baum采用Sobel边缘检测算子，将大麦的菌斑从背景中很好的分离出来；2012年，何丹丹在对水稻叶片图像的分割实验中，结合最小外接矩形算法、中值滤波和Canny算子，提出一种基于多策略融入技术的水稻叶片边缘检测算法，该算法具备高效、准确等特性。
3. 边缘检测法基于在不同区域之间的边缘上像素、灰度值的变化往往比较剧烈来解决分割问题，在农作物病虫害图像中，病虫害区域边缘灰度值突变较大，应用边缘检测法来进行分割具有简单易操作等优点。
4. 缺点在于边缘检测法的分割效率依赖于边缘检测算子，抗变换性差。

数学形态学法

1. 数学形态学法的基本思想是用具有一定形态的结构元素去处理和提取图像中的相似形状，以简化图像，保留所需的基本形状信息。
2. 1996年，Casdy等将采集到的水稻稻冠图像，使用数学形态学进行图像分割，结合灰度中值法提取水稻稻冠的高度、面积等特征，获得不错的效果；2012年，王萍等将线性的数学形态学分割和非线性的边缘检测法结合起来，完成了对植物叶片的分割，效果十分明显；2012年，任磊等在棉花图像分割的研究过程中，提出利用鲁棒中值估计对形态学多尺度梯度图像进行梯度修正，并结合改进的分水岭算法进行分割，有效的解决了因阳光直射和阴影遮挡等因素而导致的棉花图像分割精度低、效果差的问题。
3. 缺点：对于边界噪声的敏感；由各种几何基元的并集、交集和差集构成的目标与人类对形状的感觉有一定的差异，这些问题对分割精度所造成的影响在具有复杂生长环境的农作物病虫害图像分割中尤为突出。

模糊聚类法

1. 属于模式识别中的无监督学习，他规定图像中每个像素的隶属具有模糊性，近年来得到了广泛的应用。
2. 2009年，王守志等利用K-均值类分割算法完成了对玉米叶部病害病斑特征的分割，正确率达到80%；2012年，Jaware等用Otsu's算法计算病害图像绿色像素的屏蔽阈值，消除置零的RGB像素和感染的边缘特征，采用优化的K-均值聚类法对农作物病害叶片图像的分割，并通过实验验证其算法是一个高效的、高精度的分割算法。
3. 优点：农作物病虫害图像的大量图像数据具有模糊和不确定性等特点，模糊聚类中的隶属度函数正好可以将图像中的模糊性和不确定性模型化，从而有效的应用于图像分割当中。
4. 缺点：对噪声和初始化数据的敏感、算法的运算量大，影响了其在农业生产中的实际应用，有待于进一步改进和优化。

其他新方法

1. 2012年，赖军臣等引入高斯模型的Markov随机场分割模型。对玉米大斑病、小斑病、灰斑病和弯孢菌叶斑病等四种主要叶部病害的图像进行分割实验，分割正确率达到96.35%；2011年。袁媛等首次将基于先验信息的水平集模型应用于具有复杂背景的黄瓜病叶图像分割，效果良好；2012年。虎晓红等提出了一种基于多示例图的分割模型，将多示例学习方法与病虫害图像的分割有效结合起来，对小麦叶部病害图像进行分割，通过对小麦锈病和白斑病图像的分割实验表明，所提出的模型具有较好的鲁棒性，并且分割效果明显优于传统的分割方法。
2. 特点：引入了一些新的学科理论，更加注重多种分割方法的有效结合，以达到最优的分割结果。

图像分割的限制

1. 现状：目前对农作物病虫害图像分割方法的研究大部分还是基于实验室特定的背景、光照条件下开展的，与作物实际生长环境有较大的差异，还达不到实际应用的要求。
2. 研究的难点：由于农作物生长环境的复杂性高、气候和光照条件变化大等因素，农作物病虫害图像的获取难度大；如何在真实复杂的背景条件下，例如：叶片的遮挡和重叠、叶片的倾斜和变形、多变的光照因素、杂草和泥土等，有效的将识别目标和背景分割开来。
3. 目标：以后，应该讲研究环境从实验室转移到真正的大田环境中，研究新的分割算法和图像获取技术，实现复杂背景下的高效分割，并结合多种分割算法的特点，寻求最优的分割策略。

指导农作物种植APP

图片示例说明

APP的示例界面

APP分析作物病虫害数据库

APP的功能特点

1. 根据农作物的地理位置，APP可以实时在线分析农作物的天气、水分、湿度等信息。
2. 用户先选择农作物类型，然后上传相关图片，系统就会自动给出与具体病例相似度的百分比，并提供相关病例的常发地区、发病特征、病害主因、环境因素和防治方法。同时，APP还会推荐相关的农药产品。
3. 可以进行种植技术交流：可以通过APP提出种植过程中遇到的问题；也可以在线提问，会有专业的种植者为用户解答，其他有种植经验者的用户也可以解答。
4. 通过APP，可以分享农场的美丽风光，分享自己的种植经历，让更多人了解种植。

参考文献

[1]. Han Si-qi.A survey of thresholding methods for image segmentation[J].Systems Engineering and Electronics.2002,24(6):91-94. [2].汪京京.农作物病虫害图像识别技术的研究综述.计算机工程与科学.2014(36):1363-1370.