基于卷积神经网络的温室黄瓜病害识别系统.pdf

第 34卷 第 12期 农 业 工 程 学 报 V ol.3 4 N o.12 186 2018年 6月 Transactions of the Chinese Society of Agricultural Engineering Jun. 2018 基于卷积神经网络的温室黄瓜病害识别系统 马浚诚 1 ，杜克明 1 ，郑飞翔 1 ，张领先 2 ，孙忠富 1（1. 中国农业科学院农业环境与可持续发展研究所，北京 100081； 2. 中国农业大学信息与电气工程学院，北京 100083） 摘 要：基于图像处理和深度学习技术，该研究构建了一个基于卷积神经网络的温室黄瓜病害识别系统。针对温室现场 采集的黄瓜病害图像中含有较多光照不均匀和复杂背景等噪声的情况，采用了一种复合颜色特征（combinations of color features，CCF）及其检测方法，通过将该颜色特征与传统区域生长算法结合，实现了温室黄瓜病斑图像的准确分割。基 于温室黄瓜病斑图像，构建了温室黄瓜病害识别分类器的输入数据集，并采用数据增强方法将输入数据集的数据量扩充 了 12倍。基于扩充后的数据集，构建了基于卷积神经网络的病害识别分类器并利用梯度下降算法进行模型训练、验证与 测试。系统试验结果表明，针对含有光照不均匀和复杂背景等噪声的黄瓜病害图像，该系统能够快速、准确的实现温室 黄瓜病斑图像分割，分割准确率为 97.29%；基于分割后的温室黄瓜病斑图像，该系统能够实现准确的病害识别，识别准 确率为 95.7%，其中，霜霉病识别准确率为 93.1%，白粉病识别准确率为 98.4%。 关键词：温室；病害；识别；卷积神经网络；病斑分割 doi：10.11975/j.issn.1002-6819.2018.12.022 中图分类号：S436.36 TN941.1 文献标志码：A 文章编号：1002-6819(2018)-12-0186-07 马浚诚，杜克明，郑飞翔，张领先，孙忠富. 基于卷积神经网络的温室黄瓜病害识别系统J. 农业工程学报， 2018， 34(12)： 186192. doi：10.11975/j.issn.1002-6819.2018.12.022 http:/www.tcsae.org Ma Juncheng, Du Keming, Zheng Feixiang, Zhang Lingxian, Sun Zhongfu. Disease recognition system for greenhouse cucumbers based on deep convolutional neural networkJ. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(12):186192.(in Chinese with English abstract) doi： 10.11975/j.issn.1002- 6819.2018.12.022 http:/www.tcsae.org 0 引 言病害是造成设施蔬菜品质下降，农民经济损失的主 要原因之一 1-3 。近年来，由于栽培技术创新不足等原因， 蔬菜病害发生面积越来越大、危害越来越严重 4 。随着计 算机视觉和模式识别等技术的发展，利用先进信息技术 辅助植物病害识别诊断研究，形成了一种由图像分割、 特征提取和模式识别 3 个环节组成的固定模式，并取得 了一定的成果 5-10 。但是该模式过程相对复杂，对病斑特 征的依赖程度较高，例如，需要准确的提取病斑图像底 层特征、选择对分类器贡献率较高的分类特征。田间实 际环境中采集的病害图像包含大量由光照条件不均匀和 复杂背景产生的噪声，对病斑图像分割、特征提取及选 择的准确率有较大的影响，导致病害识别的实时性、准 确率较低，难以在实际应用中推广。深度学习是目前机 器学习领域的研究热点，卷积神经网络作为目前最有效 的深度学习方法之一 11-16 ，为病害准确识别诊断提供了 一种新的思路。 收稿日期：2018-01-08 修订日期：2018-04-28 基金项目： “十三五”国家重点研发计划(2016YFD0300606、 2017YFD0300401、2017YFD0300402) 作者简介：马浚诚，助理研究员，博士，主要从事农业物联网、图像处理研 究。E-mail: majunchengcaas.cn 通信作者： 杜克明， 助理研究员， 博士， 主要从事农业物联网研究。 E-mail: dukemingcaas.cn 该研究拟充分利用卷积神经网络以图像作为输入， 并且能够从训练数据中自动学习分类特征而不需要人工 特征提取的优点 17 ，构建一种基于卷积神经网络的温室 黄瓜病害识别系统，以霜霉病和白粉病为例，将卷积神 经网络应用到设施蔬菜病害识别研究中。以田间实际环 境中采集的病害图像作为系统输入，利用图像分割方法， 获取病斑图像；在 Lenet5 结构的基础上，结合病斑图像 数据的特点，构建适用于温室黄瓜病害识别的卷积神经 网络结构，开展温室黄瓜霜霉病和白粉病的识别研究。 1 病害识别系统设计 1.1 设计目标 基于图像处理与深度学习技术，结合温室黄瓜病害 图像的特点，该系统以温室黄瓜病害叶片图像为输入， 旨在实现温室黄瓜霜霉病和白粉病的准确识别诊断，从 而为植保专家、农民提供一种可靠、易用的温室黄瓜病 害识别工具。 1.2 系统结构功能设计 根据系统设计目标，采用模块化的思想进行系统功 能设计，将系统功能划分为病斑分割、病害识别和系统 管理 3 个模块，如图 1所示。 由图 1 可知，病害识别系统中病斑图像分割模块的 主要功能是利用图像处理的方法，从现场采集的温室黄 瓜病害叶片图像中提取霜霉病或白粉病的单个病斑图 像，构建病害识别分类器的输入数据集。病害识别模块 的主要功能包括对卷积神经网络的输入数据集进行数据 增强，构建卷积神经网络模型并进行训练、验证和测试， 第 12期 马浚诚等：基于卷积神经网络的温室黄瓜病害识别系统 187 实现温室黄瓜霜霉病和白粉病的识别。系统管理模块主 要功能包括系统管理员对用户相关信息及登录权限的管 理，对系统日常事务管理和维护以及对数据库的管理， 以提高系统的安全性和数据的完整性。 图 1 病害识别系统功能模块图 Fig.1 Function modules of disease recognition system 1.3 病斑图像分割方法 1.3.1 病斑图像分割方法设计 蔬菜病害种类不同，其病斑也具有不同的特征。基 于计算机视觉进行蔬菜病害识别，其关键在于提取病斑 的特征。在现场环境下采集的病害图像中包含大量复杂 背景和光照不均匀等噪声，并且通过观察病害图像可以 发现，病斑部分数量多，面积小，在整个图像中所占的 比例低 8 。 如果直接以现场环境下采集的病害图像作为病 害识别分类器的输入，由于受到噪声的干扰，分类器难 以准确获取病斑特征，导致识别准确率低。因此该系统 病害识别分类器以病斑图像作为输入，借助图像分割方 法从病害图像中提取病斑图像。 图2 病斑图像分割算法流程图 Fig.2 Flow chart of disease symptom image segmentation 颜色特征是区分温室黄瓜病斑与正常叶片的最直接 特征，但颜色特征极易受到光照条件的影响 8,18-21 。在田 间实际情况下采集的黄瓜病害图像中，背景复杂、光照 不均匀等噪声是难以避免的，因此病斑图像分割方法需 要在克服光照条件不均匀和复杂背景的干扰下，准确分 割病斑图像。 基于以上分析， 该研究将超红特征 22 （excess red, ExR） 、 H分量（HSV颜色空间）和 B分量（CIELAB 颜色空间） 3种颜色特征结合，提出一种复合颜色特征及 其检测方法，在此基础上，综合考虑病斑图像分割方法 的要求和下一步病害识别的数据需求特点，基于复合颜 色特征，结合区域生长算法进行病斑分割。由于该系统 病斑分割的目的是为卷积神经网络提供数据，分割结果 对后续识别的准确性有较大的影响，因此首先要确保分 割方法的准确性；其次在系统实际应用中，需要从病害 图像中快速提取病斑，因此对分割方法的效率也有一定 的要求。如果采用自动选择种子点的方式，为确保分割 的准确性，势必会增加分割方法的复杂程度和计算量， 从而降低分割方法的效率。因此，该系统采用人机交互 的方式在特征图中选择区域生长种子点，实现病斑图像 的分割。病斑图像分割仅用于构建分类器输入数据集， 模型训练、测试完成后，系统实际应用过程中可直接调 用已训练好的识别模型，不再需要大量人机交互工作。 1.3.2 病斑图像分割方法实现 基于以上分析，该研究病斑图像分割方法具体算法 流程如图 2 所示。 在获取原始 RGB 图像后，计算原始图像的超红特征 I ExR ，超红特征计算方法见式（1） ，在计算超红特征后， 将原始 RGB 图像分别转换到 HSV 颜色空间和 CIELAB 颜色空间，提取 H 分量和 B分量。 ExR 1.3 RG II I =- （1） 式中 I R ，I G ，I B 为 RGB颜色空间 3个颜色分量值。 在获取 3 个颜色特征分量后，采用高斯差分滤波 （difference of Gaussian，DoG）和圆形区域均值滤波对 ExR、 H 分量和 B 分量 3个颜色特征图像进行二维离散卷 积操作，实现 CCF 检测并生成 CCF 特征图，计算方法见 式（2） 23-24 。 (:, , ,) ( *) * HL HL E x Rr HL A Br fIr I P DoG I I P aa= （，）（2） 式中 I 为输入图像， I ExR 为 ExR特征图像， I LAB 为 B颜色 分量图像，I H 为 H 颜色分量图像，P r 为半径为 r 的圆形 区域均值滤波器， H 、 L 为高斯差分滤波器标准差， 为 ExR参数， 取值范围为 （0,1， 通过试验确定， 取值为0.1 23 ， *为二维离散卷积操作。CCF可由式（3）计算得出。 CCF=exp(- ( : , , , ) HL fIr （3） 式中 为下降速率参数。 在 CCF 特征图的基础上，通过人机交互的方式选择 种子点进行病斑图像分割，得到初始分割结果。对初始 分割结果二值图进行形态学处理，优化分割结果。将优 化的分割结果与原图像进行掩码运算得到最终病斑分割 结果。 1.4 卷积神经网络模型构建 一个常见的卷积神经网络通常由卷积层、池化层、 农业工程学报（http:/www.tcsae.org） 2018年 188 ReLU 层和全连接层组成 13-14,25-26 。该系统卷积神经网络 结构主要参考了 Lenet5 结构 27 。Lenet5 结构对数据量相 对较小的训练数据集有较好的处理能力，并且易于实 现，识别效率较高 13 。在 Lenet5 结构的基础上，结合设 施蔬菜病斑图像数据特点，对网络的结构和参数进行了 调整和优化。由于设施蔬菜病斑的面积较小，且数量较 多 8 ，考虑到卷积网络运行的效率，输入层病斑图像应选 择相对合适的尺寸。该系统卷积神经网络结构如图 3 所 示。从图中可以看出，卷积神经网络以温室黄瓜病斑 RGB 图像作为输入，输入图像尺寸为 20203（宽 20 像素， 高 20 像素，3 个颜色通道） ，共包含 3个模块。第 1模块 包含 1 个卷积层、1个 ReLU 层和 1 个池化层。卷积层中 的卷积核尺寸通常为 33 像素或 55 像素等，在卷积 神经网络结构中较浅层次的卷积层中采用相对较大的卷 积核，能够充分获取输入图像的特征，提高卷积运算的 效果 28 。该系统卷积神经网络结构中，第 1 模块卷积层 采用 20 个大小为 55 的卷积核，用于提取输入数据的 特征，生成相应的特征图。池化层卷积核的大小为 22， 步长为 2，通过最大降采样（max pooling）方法，减小特 征图的大小，从而降低参数的数量和网络的计算量，控 制过拟合现象的产生。第 2 模块包含 1 个卷积层、1 个 ReLU 层和 1 个池化层。卷积层采用 100 个大小为 33 的卷积核，池化层的大小和步长与第 1 模块相同。第 3 模块包含 2 个全连接层，将卷积后生成的特征图转化为 一维向量作为分类器的输入，全连接层的神经元个数分 别为 1 000 和 1 500。输出层包含 2个神经元，分别代表 温室黄瓜霜霉病和白粉病，输出层分类函数采用 softmax 函数。注：32020 代表 3 幅 2020 像素的特征图，余同。卷积层 1 中卷积核大小为 55，数量为 20，卷积层 2 中卷积核大小为 33，数量为 100；全连接层 1 和全连接层 2 中神经元个数分别为 1 000和 1 500。局部连接采用 ReLU 激活函数实现。 Note: 32020 represents 3 images with 20 20 pixels, the same as others. Conv1 had 20 filters with a size of 55, Conv2 had 100 filters with a size of 33. Number of neurons for fully connected layer 1 and fully connected layer 2 are 1000, 1500 respectively. Local connectivity is implemented by the rectified linear unit (ReLU) function. 图 3 卷积神经网络结构 Fig.3 Architecture of CNN model 2 试验结果与分析 该系统温室黄瓜病害图像分割算法采用 Matlab 2014a 编程实现；基于卷积神经网络的病害识别模型是在 MatConvNet 29 深度学习框架的基础上，采用 Matlab 2014a 编程实现；病害识别系统采用 Matlab 2014a 与 Microsoft Visual C + + 编程实现。 2.1 病斑分割 病斑分割试验采用的温室黄瓜病害数据包含 93幅霜 霉病图像和 77 幅白粉病图像，其中 24 幅霜霉病图像来 源于网络，其他病害图像采集于天津市农科院植保所农 业创新基地日光温室 5 号棚，图像均采集于晴天，采集 日期是 2016 年 4 月，采集时间为 08： 00 点至 17： 00 点。 部分图像示例如图 4 所示。在进行图像分析前，将所有 图像的尺寸统一调整为 800600（宽 800 像素，高 600 像素） ，以提高系统的运行速度，降低运算量。在病斑分 割模块中（图 5） ，导入的温室黄瓜病害原始图像显示在 右下侧输入图像面板中。 a. 霜霉病 b. 白粉病 a. D ow ny m ilde w b. Pow de ry m ilde w 图4 温室黄瓜病害图像 Fig.4 Disease images of greenhouse cucumber 图5 病斑图像分割模块 Fig.5 Module of disease symptom image segmentation 第 12期 马浚诚等：基于卷积神经网络的温室黄瓜病害识别系统 189 导入图像后，系统根据式（2） 、式（3）计算导入图 像的 CCF 特征图，并显示在 CCF 特征图面板中，其中式 （2） 、式（3）中采用的相关参数的取值为： H =5、 L =4， r=3，=3。获得 CCF 特征图后，通过在 CCF 特征图上 手动选择种子点，系统采用区域生长方法分割温室黄瓜 叶片上的病斑图像，相应的分割结果显示在分割结果面 板及二值图面板中。 利用采集的霜霉病和白粉病图像进行病斑图像分割 算法试验，从分割结果 CCF 特征图（图 6b）中可以看出 该系统采用的 CCF 特征能够有效的区分病斑区域与 正常叶片、背景，同时该方法还具有较强的鲁棒性， 在不同光照条件下，依然能够准确、有效的提取病斑。 从分割结果图 6c 和图 6d 中可以看出，基于 CCF 特征与 区域生长的分割方法，能够准确的提取霜霉病病斑图像 和白粉病病斑图像。 为进一步验证该系统分割方法的有效性，选择 K 均 值聚类和 OTSU 算法开展分割效果对比试验。对比试验 中 ， K均值聚类方法采用 HSV颜色空间 H分量和 CIELAB 颜色空间 B量实现，OTSU 阈值分割方法采用 HSV颜色 空间 H 分量和自适应阈值实现，对比结果如图 7所示。 a. 原图 b. CCF 特征图 c. 二值图 d. 分割结果 a.Original images b. CCF maps c. Binary images d. Segmentation results 图6 病斑分割结果 Fig.6 Results of disease symptom image segmentation a. 原图 b. K均值聚类 c. OTSU阈值法 d. 该文方法 a. Original images b. K-means clustering c. OTSU thresholding d. Proposed method 图7 不同病斑分割方法结果对比 Fig.7 Results comparison of different disease symptom image segmentation methods 从图 7 中可以明显看出，K 均值聚类方法和 OTSU 阈值分割方法受到了光照条件不均匀和复杂背景的影 响，均难以从病害图像中准确的分割病斑。受到光照影 响比较严重的部分，很容易被误判为病斑部分，并且图 像中的复杂背景也降低了分割结果的准确率。相比较而 言，该系统病斑分割方法展示出了良好的分割效果及鲁 棒性。为进一步评价分割方法的准确性，采用分割准确率 对分割效果进行定量评价，分割准确率的公式见式 （4） 21,30 ， 分割准确率的数值越大，表明分割效果越好。 p pp T P TF = （4） 式中 P 为分割准确率，T P 为正确分割的病斑像素比例， F P 为错误分割的病斑像素比例。 3 种分割方法（该文方法、K 均值聚类方法和 OTSU 阈值分割方法）的准确率分别为：97.29%、63.64%和 56.31%，此结果为 170 幅温室黄瓜病害图像分割准确率 的平均值。从定量评价的结果来看，该系统分割方法的 准确率明显高于对比方法。分割结果表明，该系统采用 的病斑图像分割方法，能够在充分克服光照条件不均匀 和复杂背景的情况下，准确的获取病斑图像，从而为下 一步基于卷积神经网络的病害识别提供准确的数据源。 2.2 温室黄瓜病害识别 图 8 为病害识别模块，该模块可以实现数据集导入、 农业工程学报（http:/www.tcsae.org） 2018年 190 数据增强、模型训练、验证和测试以及病害识别。在数 据集面板中，系统显示了导入数据集每一类病害的数据 量。该系统基于卷积神经网络的病害识别分类器以温室 黄瓜病斑图像为输入，病斑图像由该系统病斑图像分割 方法从温室黄瓜病害叶片图像中提取。 注：测试结果部分的混淆矩阵中，1、2 分别代表霜霉病、白粉病。 Note：In confusion matrix of test results, category 1 is downy mildew, category 2 is powdery mildew. 图8 病害识别模块 Fig.8 Module of disease recognition 在获取温室黄瓜病斑图像后，经过初步筛选，剔除 质量相对较低的病斑图像，构建初始病斑图像集，共包 含 747 幅病斑图像，其中霜霉病 415幅，白粉病 332 幅。 由于卷积神经网络的训练需要大量的训练数据，而该研 究通过病斑图像分割方法构建的病害图像数据集的数据 量相对较小，为进一步提高病害识别准确率，避免过拟 合现象的发生，系统通过数据增强方法对病害数据集进 行扩充，扩充结果显示在右侧数据增强面板中。由于该 系统卷积神经网络的输入图像尺寸较小，因此数据增强 采用不会缩小输入图像尺寸的方法。该系统采用的数据增 强方法为：将原始病害图像数据集分别旋转 90、180 和 270，然后进行水平和垂直翻转。通过数据增强方 法，能够将原始数据集扩充 12 倍。数据增强后的病害图 像数据集共包含 8 964 幅温室黄瓜病斑图像，其中霜霉病 4 980幅，白粉病 3 984幅（图 8） 。在数据增强面板中， 系统显示了每一类病害的数据量及用于训练、验证和测 试的数据量。 建立数据集后，系统采用梯度下降算法对卷积神经网 络进行训练和验证，结果显示在左侧训练结果面板中。 Top1err和Top5err是2种评价 CNN训练效果的常用指标 14 ， Top1err 表明测试图像不属于 CNN 识别结果可能性最高 类别的错误率，Top5err 表明测试图像不属于 CNN 识别 结果前 5 类别的错误率。由于该系统识别的温室黄瓜病 害种类为 2 种，因此系统仅采用 Top1err 作为评价标准。 如图 8 所示，该系统病害识别分类器训练集和验证集的 Top1err 仅为 5.8%和 6.4%，训练结果比较理想。 模型训练完成后，系统会采用测试数据集对模型进 行测试，测试结果显示在测试结果面板中。为评价病害 识别分类器的效果，该系统采用混淆矩阵作为评价方 法。从混淆矩阵中可以看出（图 8） ，病害识别分类器正 确识别了 1 017 个霜霉病样本，占全部测试数据集 2 136 个样本的 47.6%；正确识别了 1 027 个白粉病样本，占全 部测试数据集 2136 个样本的 48.1%。 17 个白粉病样本被 错误识别为霜霉病，占全部测试数据集 2136 个样本的 0.8%。75 个霜霉病样本被错误识别为白粉病，占全部测 试数据集 2136 个样本的 3.5%。从混淆矩阵中可以看出， 该系统病害识别分类器的准确率为 95.7%，其中，霜霉病 的识别准确率为 93.1%，白粉病的识别准确率为 98.4%。 从分类器测试的结果来看，该系统能够准确的识别温室 黄瓜霜霉病和白粉病，准确率基本满足要求。 模型测试完成后，系统可以调用构建的病害识别分 类器对输入的病斑图像进行识别，并输出病害类别及概 率，待识别的病斑图像和识别结果显示在识别结果面板中。 3 结 论 该研究基于图像处理与深度学习技术，研发了一种 基于卷积神经网络的温室黄瓜病害识别系统。主要结论 如下： 1）针对温室现场采集的黄瓜霜霉病、白粉病图像中 含有较多光照不均匀和复杂背景等噪声的情况，该系统 采用了一种复合颜色特征，并结合区域生长算法，实现 了温室黄瓜病斑图像的分割，分割准确率达到了 97.29%， 为进一步的病害识别提供了准确的数据。 2）基于卷积神经网络，以温室黄瓜病斑图像作为输 入，进行了病害识别分类器试验。结果表明，该系统病 害识别准确率为 95.7%，其中，霜霉病的识别准确率为 93.1%，白粉病的识别准确率为 98.4%，能够满足实际应 用的要求。 该系统实现了温室黄瓜霜霉病和白粉病的准确识 别，随着数据的进一步获取及识别方法研究的深入和完 善，系统会扩充病害识别的种类，在现有基础上进一步 提升其应用价值。 参 考 文 献 1 Bai X, Li X, Fu Z, et al. A fuzzy clustering segmentation method based on neighborhood grayscale information for defining cucumber leaf spot disease images J. Computers and Electronics in Agriculture, 2017, 136: 157165. 2 Ma J, Li X, Wen H, et al. A key frame extraction method for processing greenhouse vegetables production monitoring video J. Computers and Electronics in Agriculture, 2015, 111: 92102. 3 王翔宇，李鑫星，张领先，等. 农业主要病害检测与预警 技术研究进展分析J. 农业机械学报，2016，47(9)：266 277. Wang Xiangyu, Li Xinxing, Zhang Lingxian, et al. Research progress analysis of mainly agricultural diseases detection and early warning technologiesJ. Transactions of the Chinese Society for Agricultural Machinery, 2016, 47(9): 266 277. (in Chinese with English abstract) 第 12期 马浚诚等：基于卷积神经网络的温室黄瓜病害识别系统 191 4 中国人民共和国国家发展和改革委员会，农业部. 国家发 展改革委 农业部关于印发全国蔬菜产业发展规划(2011 2020年)的通知EB/OL http:/www.ndrc.gov.cn/fzgggz/ ncjj/zhdt/201202/t20120227_463486.html, 2012-02-22. 5 Zhang S, Wu X, You Z, et al. Leaf image based cucumber disease recognition using sparse representation classification J. Computers and Electronics in Agriculture, 2017, 134: 135141. 6 Zhang S, Zhu Y, You Z, et al. Fusion of superpixel, expectation maximization and PHOG for recognizing cucumber diseases J. Computers and Electronics in Agriculture, 2017, 140: 338347. 7 Du K, Sun Z, Li Y, et al. Diagnostic model for wheat leaf conditions using image features and a support vector machine J. Transactions of the ASABE, 2016, 59(5): 10411052. 8 马浚诚，温皓杰，张领先，等. 基于图像处理的温室黄瓜 霜霉病诊断系统J. 农业机械学报，2017，48(2)：195 202. Ma Juncheng, Wen Haojie, Zhang Lingxian, et al. Downy mildew diagnosis system for greenhouse cucumbers based on image processingJ. Transactions of the Chinese Society for Agricultural Machinery, 2017, 48(2): 195202. (in Chinese with English abstract) 9 叶海建，郎睿. 基于 Android 的自然背景下黄瓜霜霉病定 量诊断系统J. 农业机械学报，2017，48(3)：2429. Ye Haijian, Lang Rui. Cucumber downy mildew severity quantifying diagnosis system suitable for natural backgrounds based on android J. Transactions of the Chinese Society for Agricultural Machinery, 2017, 48(3): 24 29. (in Chinese with English abstract) 10 秦立峰，何东健，宋怀波. 词袋特征 PCA多子空间自适应 融合的黄瓜病害识别J. 农业工程学报， 2018， 34(8)： 200 205. Qin Lifeng, He Dongjian, Song Huaibo. Bag of words feature multi-PCA subspace adaptive fusion for cucumber diseases identificationJ. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(8): 200205. (in Chinese with English abstract) 11 Ferreira A D S, Freitas D M, Silva G G D, et al. Weed detection in soybean crops using ConvNets J. Computers and Electronics in Agriculture, 2017, 143: 314324. 12 DeChant C, Wiesner-Hanks T, Chen S, et al. Automated Identification of Northern Leaf Blight-Infected Maize Plants from Field Imagery Using Deep Learning J. Phytopathology 2017,107: 142632. 13 Ding W, Taylor G. Automatic moth detection from trap images for pest management J. Computers and Electronics in Agriculture, 2016, 123: 1728. 14 Krizhevsky A, Sutskever I, Hinton G E. ImageNet classification with deep convolutional neural networksC/ International Conference on Neural Information Processing Systems. Curran Associates Inc. 2012, 60 (2): 10971105. 15 高震宇，王安，刘勇，等. 基于卷积神经网络的鲜茶叶智 能分选系统研究J. 农业机械学报，2017，48(7)：358. Gao Zhenyu, Wang An, Liu Yong, et al. Intelligent fresh-tea-leaves sorting system research based on convolution neural network J. Transactions of the Chinese Society for Agricultural Machinery, 2017, 48(7): 5358. (in Chinese with English abstract) 16 杨国国, 鲍一丹, 刘子毅. 基于图像显著性分析与卷积神 经网络的茶园害虫定位与识别J. 农业工程学报, 2017, 33(6): 156162. Yang Guoguo, Bao Yidan, Liu Ziyi. Localization and recognition of pests in tea plantation based on image saliency analysis and convolutional neural network J. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(6): 156162. (in Chinese with English abstract) 17 Ghosal S, Blystone D, Singh A K, et al. An explainable deep machine vision framework for plant stress phenotypingJ. Proceedings of the National Academy of Sciences of the United States of America, 2018: 16. 18 Hernndez-Hernndez J L, Garca-Mateos G, Gonzlez-Esquiva J M, et al. Optimal color space selection method for plant/soil segmentation in agriculture J. Computers and Electronics in Agriculture, 2016, 122: 124 132. 19 Hamuda E, Glavin M, Jones E. A survey of image processing techniques for plant extraction and segmentation in the fieldJ. Comput