基于GLCM特征提取和投票分类模型的马铃薯早、晚疫病检测

代国威 胡林 樊景超 闫燊 王晓丽 满芮 刘婷婷

摘要：马铃薯作为世界第四大粮食作物对农业生产与经济效益具有重要影响。早、晚疫病是引起马铃薯减产的主要原因之一，如能及早发现作物病害，准确确定病害类型，对于保护作物安全和控制病害传播具有重要意义。为实现自动化诊断马铃薯病害，本研究提出了一种基于预处理、分割、特征提取和分类器分类的马铃薯病害检测自动化方法。在多时间段、不同天气环境下选择叶片形状与植株生长情况差异较大的田间拍摄马铃薯照片制作数据集，通过构建投票分类器模型对病害图像进行特征提取和高精度分类检测。首先利用Fast K-Means聚类算法对灰度图像下的马铃薯叶片进行分割，获得叶片受关注的区域；其次使用GLCM算法对受关注的区域提取11类纹理特征信息，计算4个GLCM获得单个图像88个纹理特征，并形成特征向量；最后使用投票分类模型对病害特征向量进行分类。分类模型是随机森林、支持向量机、KNN方法的组合，分类过程使用网格搜索优化分类器超参数。在10折交叉验证下，马铃薯病害分类准确率、精确率、召回率平均提高12.18、14.00、9.53百分点，综合性能提高11.90百分点。分析GLCM特征，135°方向角特征敏感性最弱，权重方面对比度特征最高，同质性特征次之。结果表明，该方法可用于马铃薯早、晚疫病的检测。

关键词：植物病害；灰度共生矩阵；Fast K-Means聚类；支持向量机；决策树；k-近邻算法；投票分类

中图分类号：TP391.41；S126 文献标志码：A

文章编号：1002-1302（2023）08-0185-08

基金项目：国家重点研发计划（编号：2021YFF0704200）；中国农业科学院院级基本科研业务费项目（编号：Y2022LM20）；中国农业科学院科技创新工程项目（编号：CAAS-ASTIP-2016-AII）。

作者简介：代国威（1997—），男，四川德阳人，硕士研究生，主要从事人工智能及农业信息化研究。E-mail：dgwstyle@foxmail.com。

通信作者：樊景超，博士，副研究员，硕士生导师，主要从事农业科学数据管理、农业信息技术研究。E-mail：fanjingchao@caas.cn。

作物损失的预防取决于诊断和控制植物病害的能力。当前，植物病害是全球粮食安全的重大威胁，每年造成全球10%～16%的作物损失［1］。马铃薯作为仅次于小麦、水稻和玉米的世界第四大粮食作物，随着马铃薯种植面积和总产量的逐年提高［2］，马铃薯病害问题越来越受到重视。早、晚疫病是马铃薯常见病害，由真菌传染导致，受感染的马铃薯叶片会过早枯萎［3］，进而降低产量并产生经济影响。因此，建立快速有效的马铃薯早、晚疫病检测方法显得尤为重要。

在引入机器学习来检测植物病害之前，马铃薯病害的诊断很大程度上依赖于专业的农艺师或植物病理学家。然而，由于感染体征的多样性和不同物种之间相似症状的巨大差异，这对专家鉴别病害的能力提出了更高的要求。因此，依靠机器学习获取马铃薯病害特征模式能有效对多种病害进行诊断，从而提高鉴别病害的效率。李娜等采取大津法（OTSU）结合混合蛙跳算法（SFLA）的OTSU-SFLA图像分割算法，对于马铃薯叶片病斑图像进行分割处理，该算法能够对马铃薯早疫病等5种常见病害分割优化，并通过建立卷积神经网络识别模型进行图像特征提取和识别，试验结果证明，马铃薯5种常见病害的平均识别率为98.2%［4］。颜色特征方面，李亚文等提出基于K均值聚类（K-Means）图像分割与利用颜色矩提取特征的算法，通过比较侵染叶片与正常叶片的三阶颜色矩参数识别苹果枯叶病，仿真试验检测结果精度达93.3%［5］。纹理特征方面，李亚文等利用灰度共生矩阵（GLCM）算法提取黄瓜炭疽病纹理特征，并依据患病区域与无病区域的能量均值、熵均值、对比度均值和相关性均值取得数据特征范围，比较取值范围判断黄瓜叶部是否患病［6］。形状特征方面，由于不同茶叶病害的致病机理不同，陈荣等提出围绕茶叶病病斑提取8类几何特征，分别建立矩形度、伸长度、复杂性、圆度及面积凹凸比5种组合形状特征，通过支持向量机在4类核函数的分类比较下，对3种茶叶病识别率为90.0%［7］。特征融合方面，刘君等利用卷积神经网络提取浅层特征，利用相关系数分析法除去冗余特征图，取得的弱相关特征图用于提取方向梯度直方图（HOG）特征，通过支持向量机算法分类，对番茄的6类病害平均识别率为92.49%，优于传统支持向量机+HOG特征算法［8］。

因此，为实现对马铃薯正常叶以及早疫病、晚疫病叶片的分类识别，本研究基于Fast K-Means与GLCM算法分割叶片及提取叶片纹理特征，设计了一种支持向量机结合K最近邻与随机森林（SVM+KNN+RF）组合的投票分类模型对叶片特征分类，以提高马铃薯叶部病害的识别效果。

1 材料与方法

1.1 基于图像处理分类的通用方法

在不断变化的自然环境条件下，除了尽早预防外，适当和早期的病害检测比以往任何时候都更加重要。受感染的植物叶片表现出的迹象变化可能会导致诊断失误，这是由于业余种植者和非专业人士在診断植物病害的经验方面面临了更多的挑战［9］。采用计算机视觉的植物病害检测自动化架构可以作为验证系统，为农民和受过植物病害诊断培训的专业人员提供帮助［10-12］。计算机视觉的进步为加强和改进精准植保实践提供了机会，并扩大了人工智能在精准农业领域的应用市场［13-14］。植物病害检测的一般架构见图1。

1.2 图像采集

在不同自然环境下采集马铃薯叶片图像，用以构建强大的分类模型。本研究通过图片的形式在内蒙古自治区呼伦贝尔市岭东南地区采集马铃薯病害叶片图像。所有图像由智能手机拍摄，以PNG格式存储，有效像素为3 200万。图像拍摄时的光照、天气、温度与湿度，以及不同生态环境均影响数据集的收集，并且收集到的图像与植物发育的不同阶段有关。因此，为解决马铃薯早、晚疫病识别的环境干扰问题，数据集包含了不同发病周期的叶片样本，选取马铃薯叶片形状与植株生长情况差异较大的田进行采集，通过拍摄不同条件下的图像，即早上、晚上、中午、阴天、晴天、雨天，最终选择 3 000 幅马铃薯健康和患病叶片图像，其中早疫病（early blight）、晚疫病（late blight）和正常叶类（healthy）的图像数分别为1 100、900、1 000幅。

图像处理在计算机上进行，操作系统采用Windows 10专业工作站版，处理器选择Intel CoreTM i7-7700 CPU，3.60 GHz、16.00 GB内存，NVIDIA GeForce GTX 1060显卡，显存为3 GB，图像分辨率为3 000×4 000像素。为方便试验，每幅图像大小裁剪为256×256像素，位深度为24。

1.3 图像预处理

图像预处理包括改善马铃薯叶片图像的视觉外观。图像预处理对提取的特征质量和图像调查的结果有积极的影响。该步骤进行了噪声消除、图像强度平衡、目标排除等操作。在对图像进行计算处理之前，预处理可以提高图像数据的质量。各种预处理技术被应用于去除图像或其他物体的噪声。通过图像裁剪，去除图像中一些不合适的部分，得到叶片图像感兴趣的区域。这一步还使用平滑滤波器对图像进行平滑。图像增强处理增强图像对比度，将RGB模式的输入图像转换为灰度图像作为附加处理。

1.4 Fast K-Means图像分割

在马铃薯叶片侵染图像特征提取和病害檢测中，图像分割是一个重要的功能。图像分割是对受感染马铃薯叶片进行定位和检测的一项重要任务。因此，图像分割涉及到将特征从背景中分离出来。在这个过程中，一幅图像被分解成几个不重叠的、有表现力的、相同的区域。对于马铃薯病叶，主要关注其侵染区，病害叶片图像的分割是识别感染类型的重要步骤，图像分割直接影响着序列图像处理，甚至控制着序列图像处理的优劣。

本研究使用Fast K-Means算法对马铃薯叶片图像进行分割。Fast K-Means聚类是对K-Means聚类的一种改进。K-Means聚类是一种无监督聚类算法，它基于欧氏距离确定每个聚类的均值［15］，并对像素点进行分布。该技术根据像素灰度级和距离图像质心的灰度强度等相似性特征，将图像中的像素划分若干类。以下是K-Means算法的步骤：

第1步：确定所需的K个聚类数。

第2步：计算每个图像数据库像素与聚类中心之间的欧几里得距离。

第3步：将每个图像中的所有像素分配到其最近的聚类中心后，计算像素的平均灰度值作为最新的聚类中心向量。

第4步：继续训练每个聚类中心，直到不需要再做任何更改为止。

与现有的K-Means算法相比，Fast K-Means算法具有显著的优势，因为该算法制定了1个像素累积程序来管理传统K-Means中聚类中心重训练问题，并且能够减少重训练图像聚类中心所需的时间［16］。图像数据的聚类中心是利用离散函数中统计直方图水平值的增强K-Means方法生成。Fast K-Means聚类过程可以这样描述：

第1步：设有K个聚类，多个聚类中有n个中心向量，ck表示聚类中心，其中k对应一个个具体的中心向量。

第2步：确定每个级别值与聚类中心ck之间的欧氏距离，并将每个值归属给最近的聚类中心。准确地说，第K个聚类向量以水平值r和聚类中心ck为界的欧氏距离为d（r，ck），色标值r分配给其最近的聚类中心ck。

第3步：计算每个聚类级别的平均值，为每个聚类创建一个新的聚类中心。

第4步：重复步骤1到3，直到新的聚类中心与原始图像数据完全匹配。

图像分割旨在将数字图像分割成许多段。分割的目的在于识别物体或从马铃薯叶片的图像中获取信息。这个过程降低了图像分析的复杂性。此步骤涉及发现图像和对象的边界线。为了给图像中的每个像素分配1个标签，相似标签下的像素共享不同的特征。基于一组特征对对象进行分类的方法称为K-Means聚类。

本研究检测马铃薯病害分为3类，所以用作输入的K为3。根据K值形成图像片段，图像片段代表一类特征，也指定义的一种马铃薯病害类别。为了比较不同颜色空间图像分割后的差异，将RGB图像与灰度图像采用Fast K-Means进行分割。分割图像颜色越深的片段表明分割效果越显著。由图2可知，RGB图像分割后差异并不明显，正常叶对于早疫病与晚疫病的分割效果最差。相比而言，采用灰度图像分割的效果优于RGB图像，由图3可知，分割后的3类图像都较好地表达了所属类别的纹理差异。

1.5 特征提取

特征提取涉及到将未处理的数据转换为提供分类函数富有表现力的描述。为了压缩这些大尺寸图像，对图像进行抽象特征的计算，即对携带与分类问题相关的形状、纹理、颜色等信息进行量化说明，并丢弃冗余信息［17］。灰度共生矩阵（gray level cooccurrence matrix，简称GLCM）是最常用的信息特征提取方法。

图像分割获得的结果是目标感兴趣的区域。因此，此步骤涉及从该首选区域中提取特征。特征提取是从图像中检索一组值或特征的操作。这些特征通过提供有价值的图像信息使后续处理变得容易。发现马铃薯叶片感染最常用的特征是纹理、形态和颜色一致性向量。本研究采用GLCM对马铃薯病害纹理特征进行提取。

GLCM方法是基于图像像素灰度的空间相关性，通过研究图像中相隔一定距离的2个像素点的空间相关性实现纹理特征的描述［18］。

设f（x，y）为大小为M×N的灰度图像，（x1，y1）和（x2，y2）为图像中θ方向距离为d的2个像素点，其中x2=x1+d×cosθ，y2=y1+d×sinθ，i，j分别表示具体的像素点，灰度共生矩阵的定义如式（3）所示。

上式中，${}表示集合元素个数，d表示2个像素点之间的距离，θ表示2个像素点的连线与坐标横轴正方向的夹角。

在实际应用中，基于灰度共生矩阵计算的二次统计量通常作为纹理分析的特征量，在计算2次统计量之前，需要根据式（3）对灰度共生矩阵进行归一化处理，如式（4）所示，R表示灰度共生矩阵中所有元素的总和。

在这项研究中，基于归一化概率密度p（i，j）的估计，并计算在预定义的移动窗口内，沿着预定义的方向和像素间距离d的统计空间关系的不同属性，从GLCM计算中提取了11种常用的易于计算且相关性较低的二级统计值作为马铃薯病害的纹理特征。如式（5）～式 （15），其中Ng-1表示图像矩阵的宽度，Mg-1表示图像矩阵的高，包括同质性（Homogeneity）、对比度（Contrast）、相异性（Dissimilarity）、角二阶矩（ASM）、能量（Energy）、最大概率（Max）、熵（Entropy）、均值（Mean）、方差（Var）、相关性（Correlation）和逆差矩（IDM）。在本研究中，灰度级为8 bits，度量纹理窗口大小为5×5像素，选取距离d为1与2像素，方向角θ分别为0°、45°、90°、135°，计算4个灰度共生矩阵，对4个灰度共生矩阵采用式（5）～（15）计算特征值，图4所示为得到的特征图像。结合4个灰度共生矩阵与11类特征得到单个图像88个纹理特征并进行分类。

1.6 基于图像处理的马铃薯病害特征分类

在图像处理和特征提取之后，必须根据图像的目标特征对图像进行分类。图像分类主要对应于分类器的设计和使用。特征提取过程通常以向量的形式生成输出。为了将此向量映射到置信度分数，使用了分类器。根据分类目标，将置信分数与决定目标物体是否出现的阈值进行比较，或者将其与其他分数进行比较以区分物体类别。本研究描述了一些在本工作中使用的分类方法，将提取的特征分类为不同的马铃薯病害。在本研究的案例中，采用支持向量机（support vector machines，SVM）、K最近邻（K-nearest neighbor，简称KNN）与决策树（decision trees，简称DT）。

支持向量机：SVM是一种二元分类框架。SVM的主要目标是建立一个超平面，因为训练样本的最优决策面包括正模式和负模式。因此，将正、负样本隔离，最大限度地扩大2个样本离平面的距离，提高隔离的可信度。SVM算法的目标是发现这样超平面，使平面2侧的空白區域最大，同时保证被分类目标的准确性［19］。然而，在处理大量模式时，SVM算法可能会将多维模式空间转换为支持线性隔离的空间。计算开销较大，所以计算速度比较慢。

决策树：决策树是通常用于分类的框架，在图像分类中使用监督学习。它结合了所有类型的情况，使用树组合进行选择，并在满足所有选项后提供正确的解决方案［20］。决策树由节点和有向边组成。节点一般有2种形式：内部节点和叶节点，内部节点描绘特征，叶节点表示1个类。决策树的有向边表示特征质量的测试输出。树的数量决定了一个DT分类的准确性，因此，它可以有效地对较小数据集进行分类。然而，在大量数据集的情况下，分类精度较低。同时，调整决策树的结构和提高性能也将变得更加困难。

K最近邻：KNN是一种多功能分类器，在视觉、计算与图形等领域有着广泛的应用［20］。它不依赖于假设，而只使用真实数据，这使得它在实际应用中更有用。使用KNN的另一个优点是它使用瞬时训练，这意味着只要有新的样本数据就能写入数据库，简而言之，它提供快速训练，它以查询实例与训练点之间的最小距离为基础，进一步给出K个最近邻。KNN是基于查询对象的距离最小、属性最相近的邻居数量来分类数据的，根据距离选择目标的邻居，从而选择k-距离上和k-距离以下的邻居。

构建马铃薯病害检测模型所使用的数据集有2个部分，即训练集和测试集。分类器以输入作为训练集和测试集。整个数据集的比例为7 ∶3。训练集图片数为2 100幅，测试集图片数为900幅。随机森林（random forest，简称RF）是一种快速灵活的机器学习算法，它是建立在决策树基础上的集成学习器。这种算法在决策树的训练过程中引入随机属性的选择，每个决策树分类模型都有一票投票权来选择最优的分类结果，RF则记录投票并表决最终结果，RF算法可用于分类和回归。

本研究采用集成学习的思想，将SVM、KNN与RF进行组合形成新的投票分类器，称之为voting classifier，该分类器通过对提取的GLCM特征分类，最终输出识别的马铃薯病害类别。投票分类架构如图5所示，首先，预处理数据集，对输入的图像进行灰度化处理，接着，采用Fast K-Means算法对输入的灰度化图像进行分割，分割后的图像使用GLCM算法进行特征提取，对每一张图像计算4个灰度共生矩阵，由于单个灰度共生矩阵共计11个特征值，所以处理后单张图像输出44个特征值，即1张图像对应1个特征向量。最后，将训练集所有图像的特征向量输入投票分类器，对特征向量创建2个相同的副本，投票分类器依次对SVM、KNN与RF建立3个线程处理特征向量。训练过程中，投票分类器对其包含的子分类器使用网格搜索获取分类器的超参数，取得的最优超参数作为所属分类器的最终参数。为了保证单个分类器结果的有效性，投票分类器采取10折交叉验证，对每2个分类器输出的结果按照序列进行比较，由于投票分类器有3个子分类器，所以采用软投票规则，即3个子分类器预测样本为某一类别的概率平均值作为标准，概率最高的类别为最终的投票结果，最终结果作为识别病害的类别。

2 结果与讨论

为了评价性能，计算了3个常用的指标：准确率（Accuracy）、精确率（Precision）、召回率（Recall）。分类结果分为真阳性（TP）、假阳性（FP）、真阴性（FN）和假阴性（TN）。在这种情况下，准确率是正确预测的数量（马铃薯病害）与测试数据集样本总数的比率；精确率表明该模型具有准确分类马铃薯病害的能力；召回率反映了模型对马铃薯病害的检测能力。以上3项指标的取值范围均为0～1，值高表示模型分类能力好，其定义如下：

本研究采用灰度共生矩阵算法对输入图像进行特征提取，提取的图像纹理特征将其视为马铃薯病害的表征。为了更好地解释分类器对纹理特征向量的敏感性，采用RF分类器对训练集特征进行重要性对比分析。数据集组成纹理特征的命名规则为特征名称+统计值+像素距离+方向角，其中统计操作由均值、方差、最大概率构成。如图6所示，GLCM相关性、对比度与同质性特征在所有特征中排名前10，其中，单个像素方向角90°的相关性特征占有最强重要性，2个像素方向角40°的相关性特征占有第二重要性；前10特征重要性中，对比度特征占50%，同质性特征占30%，相关性特征占20%。此外，90°方向角对特征重要性贡献最大，135°方向角没有出现，表明GLCM在135°方向角对马铃薯叶片病害的特征提取能力较弱。

从图4与图5可以看出，将分割图像作为输入，GLCM算法对图像进行特征提取，提取特征采用投票分类器进行马铃薯病害检测，投票分类器是SVM、KNN和RF的组合。为了比较投票分类器的优势，本研究测试了SVM、KNN、RF分类器在相同数据集下的分类结果。图7所示为投票分类模型的PR曲线，3条实线均代指病叶与正常叶，虚线为平均基准参考值。由图7可知，平均值PR曲线的面积占比为92.6%，表明投票分类模型的综合分类性能优异。表1至表5由精确率、召回率和准确率对结果进行比较，计算结果是早疫病、晚疫病和正常叶的分类平均值。如表4所示，投票分类器对早疫病、晚疫病和正常叶类别的准确率分别为91.46%、94.21%、93.24%，晚疫病准确率分别高出早疫病与正常叶2.75、0.97百分点，且精确率高出早疫病与正常叶1.14、1.33百分点，而召回率与其他2类相比降低值小于0.7百分点，综合而言，投票分类器对晚疫病特征的分类能力较强。

投票分类器的综合性能方面，与SVM分类器相比，准确率、精确率和召回率分别提升13.83、15.21、10.88百分点；与KNN分类器相比，准确率、精确率和召回率分别提升17.34，19.05、13.8百分点；与RF分类器相比，准确率、精确率和召回率分别提升5.37、7.76、3.92百分点；准确率、精确率和召回率平均提高12.18、14.00、9.53百分点。综上所述，投票分类器的综合性能提高了11.90百分点，优于SVM、KNN与RF分类器。

3 结论

本研究提出了一种基于支持向量机、K最邻近与随机森林分类器组合的投票分类器与灰度共生矩阵相结合的方法，用于鉴别马铃薯早、晚疫病和正常叶图像。纹理参数是从马铃薯早、晚疫病数据集中通过GLCM计算得出。为了增强GLCM算法提取特征的能力，通过Fast K-Means聚类算法对感染区域马铃薯叶片分割，在保证准确分割叶片的同时提升分割速度。结果表明，使用超参数网格搜索结合10折交叉验证方法，GLCM算法提取的特征表现良好，准确率为92.97%。试验结果表明，超过92%的马铃薯病害被诊断鉴别，与SVM、KNN、RF分类器相比，投票分类器的综合性能提高了11.90百分点。在未来，计划通过使用不同的统计特征和扩充数据集来改进马铃薯早、晚疫病的分类。

参考文献：

［1］胡小平，户雪敏，马丽杰，等. 作物病害监测预警研究进展［J］. 植物保护学报，2022，49（1）：298-315.

［2］李含悦，张润清，王 哲. 我国马铃薯全要素生产率比较及空间集聚研究［J］. 中国农业资源与区划，2021，42（7）：9-18.

［3］施乾芮，刘倩雯，陈友华，等. 新农药105亿CFU/g多黏菌·枯草菌WP对马铃薯晚疫病防治效果［J］. 农药，2022，61（4）：292-294，304.

［4］李 娜，米伟娟. 马铃薯病害的可视化计算机识别技术［J］. 山东农业大学学报（自然科学版），2021，52（4）：619-623.

［5］李亚文，张 军，陈月星. 基于K-means和特征提取的植物叶部病害检测与实现［J］. 陕西农业科学，2021，67（6）：33-37，41.

［6］李亚文，刘爱军，陈 垚. 基于GLCM纹理特征提取的黄瓜叶部病害检测算法研究［J］. 湖北农业科学，2022，61（9）：141-145.

［7］陈 荣，李 旺，周文玉. 基于形状特征和支持向量机（SVM）的茶叶病害识别方法［J］. 贵州农业科学，2021，49（4）：53-59.

［8］刘 君，王学伟. 融合CNN多卷积特征与HOG的番茄叶部病害检测算法［J］. 北方园艺，2020（4）：147-152.

［9］Sharma M，Kumar C J，Deka A. Early diagnosis of rice plant disease using machine learning techniques［J］. Archives of Phytopathology and Plant Protection，2022，55（3）：259-283.

［10］李 萍，邵 彧，齐国红，等. 基于跨深度学习模型的作物病害检测方法［J］. 江苏农业科学，2022，50（8）：193-199.

［11］Dai G W，Hu L，Fan J C. DA-ActNN-YOLOV5：hybrid YOLO v5 model with data augmentation and activation of compression mechanism for potato disease identification ［J］. Computational Intelligence and Neuroscience，2022，2022：1-16.

［12］孙长兰，林海峰. 一種基于集成学习的苹果叶片病害检测方法［J］. 江苏农业科学，2022，50（20）：41-47.

［13］Cisternas I，Velásquez I，Caro A，et al. Systematic literature review of implementations of precision agriculture［J］. Computers and Electronics in Agriculture，2020，176：105626.

［14］蒋清健，姚 勇，付志军，等. 基于改进卷积神经网络算法的番茄叶片病害识别［J］. 江苏农业科学，2022，50（20）：29-34.

［15］Saravana Kumar V，University P，Naganathan E R，et al. Segmentation of hyperspectral image using jseg based on unsupervised clustering algorithms［J］. ICTACT Journal on Image and Video Processing，2015，6（2）：1152-1158.

［16］Lin C H，Chen C C，Lee H L，et al. Fast K-means algorithm based on a level histogram for image retrieval［J］. Expert Systems With Applications，2014，41（7）：3276-3283.

［17］Subramanian M，Lingamuthu V，Venkatesan C，et al. Content-based image retrieval using colour，gray，advanced texture，shape features，and random forest classifier with optimized particle swarm optimization［J］. International Journal of Biomedical Imaging，2022，2022：3211793.

［18］Harrar K，Messaoudene K，Ammar M. Combining GLCM with LBP features for knee osteoarthritis prediction：data from the osteoarthritis initiative［J］. ICST Transactions on Scalable Information Systems，2018：171550.

［19］Zhao J D，Lei W，Li Z J，et al. Detection of crowdedness in bus compartments based on ResNet algorithm and video images［J］. Multimedia Tools and Applications，2022，81（4）：4753-4780.

［20］Saleem G，Akhtar M，Ahmed N，et al. Automated analysis of visual leaf shape features for plant classification［J］. Computers and Electronics in Agriculture，2019，157：270-280.