利用计算机视觉技术结合图像处理和机器学习的手段，可以通过植物叶片的外在特征来识别水稻等植物的不同病害，减轻人工工作量，并在保证准确率的同时提高效率。植物病害的识别算法分为病害图像目标分割算法和病害图像模型分类算法两大部分。

在植物病害图像目标分割的研究中，张武等人[1]在2015年基于K-均值聚类算法和最大类间方差法进行小麦病害图像分割，准确率超过95%；马媛等人[2]在2016年利用方向梯度直方图特征结合均值漂移算法监督葡萄生长状态与病虫害，该方法取得了80%以上的准确率；MAI X等人[3]在2016年针对水稻病叶的颜色、纹理等特征，将超像素算法和随机森林分类器相结合，圈定了病斑区域。

在植物病害图像模型分类的研究中，2014年张善文等人[4]利用局部判别映射算法结合最近邻分类器，将玉米病斑图像重组为向量并进行识别，得到高于90%的准确率；陈俊伸[5]在2019年改进了深度卷积神经网络模型进行水稻叶瘟病识别，与人工抽样调查结果交叉验证的Kappa系数为0.78，具有较高一致性。

图像处理和机器学习算法在识别作物病害方向取得了较好成效。然而受到图像集效果和作物不同外在特征的影响，算法还有优化空间。本文对水稻的3种常见病害[6]识别进行研究，同样将识别过程分为两个环节：首先对图像进行预处理，从中提取病斑特征并降维，用于后续分类；然后使用BP神经网络算法对水稻病害进行识别，将其与自适应遗传算法和模拟退火算法结合后作为最终分类器[7]。

作者信息:

陈悦宁，郭士增，张佳岩，蒲一鸣

(哈尔滨工业大学 电子与信息工程学院，黑龙江 哈尔滨150001)