關(guān)于智慧農(nóng)業(yè)的發(fā)展現(xiàn)狀，好多人都持悲觀態(tài)度，認(rèn)為其實(shí)用性不高，在農(nóng)業(yè)應(yīng)用上發(fā)揮的作用不多。這顯然存在認(rèn)知偏差，事實(shí)上對(duì)于智慧農(nóng)業(yè)精細(xì)化應(yīng)用上一直都有意見，包括科研機(jī)構(gòu)、大學(xué)院校、農(nóng)資物聯(lián)網(wǎng)公司等機(jī)構(gòu)，致力于完善智慧農(nóng)業(yè)應(yīng)用功能與技術(shù)，令其更貼近與農(nóng)業(yè)生產(chǎn)。

近期，國(guó)家農(nóng)業(yè)信息化工程技術(shù)研究中心、北京農(nóng)業(yè)信息技術(shù)研究中心、農(nóng)業(yè)農(nóng)村部農(nóng)業(yè)信息技術(shù)重點(diǎn)實(shí)驗(yàn)室三大機(jī)構(gòu)，共同發(fā)布了關(guān)于番茄葉部病害快速識(shí)別的論文，對(duì)蟲害防治提供了參考價(jià)值。

近年來(lái)，基于葉片圖像的番茄病害識(shí)別研究受到廣泛關(guān)注。本研究利用番茄葉部病害圖像中病斑的顏色和紋理的差異，通過(guò)提取番茄病害葉片圖像的顏色矩(CM)、顏色聚合向量(CCV)和方向梯度直方圖(HOG)等顏色紋理特征，引入核相互子空間法(KMSM)，建立了番茄葉部病害快速識(shí)別模型(CCHKMSM)。

該模型首先通過(guò)高斯核函數(shù)，將從不同類別葉部病害圖像數(shù)據(jù)中抽取的顏色及紋理特征映射到高維空間;然后對(duì)映射的高維空間進(jìn)行主成分分析，建立非線性病害特征空間;最后基于非線性特征空間最小正則角對(duì)病害進(jìn)行識(shí)別。

本研究分別以公共農(nóng)業(yè)病蟲害數(shù)據(jù)集PlantVillage中的9種番茄病害類和1類健康番茄葉片圖像，以及實(shí)際場(chǎng)景下采集的3種葉部病蟲害圖像數(shù)據(jù)集開展算法驗(yàn)證試驗(yàn)。基于PlantVillage的試驗(yàn)結(jié)果表明，當(dāng)每類樣本集數(shù)量為350張時(shí)，本研究所提出的CCHKMSM模型識(shí)別率達(dá)到100%，模型訓(xùn)練時(shí)間為0.1540 s，平均識(shí)別時(shí)間為0.013 s;同時(shí)，在樣本數(shù)量150張到1000張的測(cè)試區(qū)間內(nèi)，模型平均識(shí)別率為99.14%。該識(shí)別率高于其他典型的機(jī)器學(xué)習(xí)模型，與基于深度學(xué)習(xí)的識(shí)別方法相當(dāng)。基于實(shí)際復(fù)雜場(chǎng)景下采集病害圖像集的實(shí)驗(yàn)中，通過(guò)對(duì)原始圖像切割分塊后，對(duì)各病害的平均識(shí)別率為96.21%。

試驗(yàn)結(jié)果表明，本研究提出的CCHKMSM模型識(shí)別準(zhǔn)確率高且計(jì)算量小，其訓(xùn)練時(shí)間和測(cè)試時(shí)間都遠(yuǎn)低于深度學(xué)習(xí)等方法。該方法對(duì)系統(tǒng)要求低，具有在手持設(shè)備、邊緣計(jì)算終端等低配置感知系統(tǒng)中的應(yīng)用潛力。

總結(jié)一句話，目前已經(jīng)研究出了針對(duì)自動(dòng)識(shí)別番茄葉片病害的算法，有望將實(shí)驗(yàn)室的科研實(shí)地應(yīng)用到具體種植中，降低人工勞作難度，同時(shí)也能完善智慧農(nóng)業(yè)的功能，精細(xì)化種植。