国内外学者在利用图像识别技术诊断检测病害方面开展了部分研究。谭峰等
[3]通过计算植株色度值,建立多层BP神经网络模型,实现了大豆植株的病害识别;田有文等
[4]通过提取葡萄病叶的颜色与纹理特征,利用支持向量机(Support Vector Machine,SVM)识别的方法取得了比神经网络识别更好的效果;王献锋等
[5]提取植株病斑颜色、形状、纹理等特征,结合环境信息,利用判别分析法,成功识别黄瓜病斑类别;Zhang等
[6]将斑点分割之后再提取病斑的颜色、形状和纹理特征,然后通过K最近邻(K-Nearest Neighbor, KNN)分类算法对5种玉米植株进行识别,准确率达90.3%;付立思等
[7]基于不变矩阵理论,对玉米病害图像进行二值化、图像归一化处理,提出一种具有较好逼近能力和较强容错能力的RBF-BP神经网络识别系统,实现了对玉米病害识别。随着深度学习技术的发展,目前兴起的卷积神经网络(Convolutional Neural Network,CNN)能够不依赖特定特征实现图像识别,在图像识别领域已经得到广泛应用。2012年,著名生物制药公司默克将深度学习应用于解决分子药性预测问题,从各种分子中提取了极有可能形成药物的分子,达到了业内最优化成果;Google Brain 的1600多个处理器群建立了具有10亿个自主学习的神经网络模型,在搜索关键字、图片等概念体系实现自动归纳功能,并且识别图像的精确率相比上一代系统提升一倍多
[8]。近年来,农业领域越来越多学者将CNN运用到植物植株病害识别中,并证明了CNN识别植物植株病害是可行的,如孙俊等
[9]使用一种基于改进的卷积神经网络实现了对多种植物叶片病害的识别,平均识别率达99.56%。