全 文 ：２０１５年９月
第３６卷 第９期
计算机工程与设计
ＣＯＭＰＵＴＥＲ ＥＮＧＩＮＥＥＲＩＮＧ ＡＮＤ ＤＥＳＩＧＮ
Ｓｅｐ．２０１５
Ｖｏｌ．３６
Ｎｏ．９
基于Ａｎｄｒｏｉｄ平台的苹果叶病害远程识别系统
王梅嘉１，何东健２＋，任嘉琛２
（１．西北农林科技大学 信息工程学院，陕西 杨凌７１２１００；
２．西北农林科技大学 机械与电子工程学院，陕西 杨凌７１２１００）
摘 要：为快速准确识别苹果叶部病害，研究基于Ａｎｄｒｏｉｄ移动平台的苹果叶病害远程识别系统，提出病害图像采集、存
储和发送的Ａｎｄｒｏｉｄ客户端及用于图像接收、分析处理和返回识别结果的ＰＣ服务器端系统架构。客户端调用系统相机获
取图像，以ｓｏｃｋｅｔ流实现客户端与服务器通信，服务器用最大类间方差法抽取图像病斑部位，提取颜色、纹理、形状参
数，选择支持向量机实现病害识别。实验结果表明，相比ＢＰ网络，支持向量机的识别性能更佳，该系统对苹果叶部斑点
落叶病、锈病以及花叶病的识别率达９８．３３％，识别时间小于１６ｓ，可为果农提供方便快捷的苹果病害诊断及防治技
术服务。
关键词：苹果；叶部病害；远程识别；Ａｎｄｒｏｉｄ；图像分析
中图法分类号：ＴＰ３１５ 文献标识号：Ａ 文章编号：１０００－７０２４ （２０１５）０９－２５８５－０６
ｄｏｉ：１０．１６２０８／ｊ．ｉｓｓｎ１０００－７０２４．２０１５．０９．０５１
收稿日期：２０１４－１１－０８；修订日期：２０１５－０１－０９
基金项目：国家科技支撑计划基金项目 （２０１２ＢＡＨ２９Ｂ００）
作者简介：王梅嘉 （１９９０－），女，陕西商洛人，硕士研究生，研究方向为智能化检测与控制；＋通讯作者：何东健 （１９５７－），男，陕西汉
中人，教授，博士生导师，ＣＣＦ会员，研究方向为图像分析与计算机视觉、智能检测与控制、农业信息技术；任嘉琛 （１９８８－），男，陕西
西安人，硕士研究生，研究方向为智能化检测与控制。Ｅ－ｍａｉｌ：ｈｄｊ１６８＠ｎｗｓｕａｆ．ｅｄｕ．ｃｎ
Ｒｅｍｏｔｅ ｒｅｃｏｇｎｉｔｉｏｎ ｏｆ ａｐｐｌｅ ｌｅａｆ ｄｉｓｅａｓｅ ｂａｓｅｄ ｏｎ Ａｎｄｒｏｉｄ ｐｌａｔｆｏｒｍ
ＷＡＮＧ Ｍｅｉ－ｊｉａ１，ＨＥ Ｄｏｎｇ－ｊｉａｎ２＋，ＲＥＮ Ｊｉａ－ｃｈｅｎ２
（１．Ｃｏｌｅｇｅ ｏｆ Ｉｎｆｏｒｍａｔｉｏｎ Ｅｎｇｉｎｅｅｒｉｎｇ，Ｎｏｒｔｈｗｅｓｔ Ａ＆Ｆ Ｕｎｉｖｅｒｓｉｔｙ，Ｙａｎｇｌｉｎｇ ７１２１００，Ｃｈｉｎａ；
２．Ｃｏｌｅｇｅ ｏｆ Ｍｅｃｈａｎｉｃａｌ ａｎｄ Ｅｌｅｃｔｒｏｎｉｃ Ｅｎｇｉｎｅｅｒｉｎｇ，Ｎｏｒｔｈｗｅｓｔ Ａ＆Ｆ Ｕｎｉｖｅｒｓｉｔｙ，Ｙａｎｇｌｉｎｇ ７１２１００，Ｃｈｉｎａ）
Ａｂｓｔｒａｃｔ：Ｔｏ ｉｄｅｎｔｉｆｙ ｔｈｅ ａｐｐｌｅ ｌｅａｆ ｄｉｓｅａｓｅ ｍｏｒｅ ｒａｐｉｄｌｙ ａｎｄ ａｃｃｕｒａｔｅｌｙ，ｒｅｍｏｔｅ ｒｅｃｏｇｎｉｔｉｏｎ ｓｙｓｔｅｍ ｏｆ ａｐｐｌｅ ｌｅａｆ ｄｉｓｅａｓｅ ｂａｓｅｄ ｏｎ
Ａｎｄｒｏｉｄ ｐｌａｔｆｏｒｍ ｗａｓ ｐｒｅｓｅｎｔｅｄ．Ｔｈｅ ｓｙｓｔｅｍ ａｒｃｈｉｔｅｃｔｕｒｅ ｉｎｃｌｕｄｉｎｇ Ａｎｄｒｏｉｄ ｍｏｂｉｌｅ ｃｌｉｅｎｔ ｆｏｒ ｄｉｓｅａｓｅ ｉｍａｇｅ ｃｏｌｅｃｔｉｎｇ，ｓｔｏｒａｇｅ
ａｎｄ ｓｅｎｄｉｎｇ，ａｎｄ ｔｈｅ ＰＣ ｓｅｒｖｅｒ ｆｏｒ ｉｍａｇｅ ｒｅｃｅｉｖｉｎｇ，ａｎａｌｙｚｉｎｇ ａｎｄ ｒｅｔｕｒｎｉｎｇ ｔｈｅ ｒｅｃｏｇｎｉｔｉｏｎ ｒｅｓｕｌｔｓ ｗｅｒｅ ｐｒｏｐｏｓｅｄ．Ｔｈｅ ｃｌｉｅｎｔ
ｃａｌｅｄ ｓｙｓｔｅｍ ｃａｍｅｒａ ｔｏ ｃａｐｔｕｒｅ ｐｈｏｔｏ．Ｔｈｅ ｓｅｒｖｅｒ ｓｅｇｍｅｎｔｅｄ ｔｈｅ ｌｅｓｉｏｎ ｓｉｔｅ ｂｙ ｕｓｉｎｇ ＯＴＳＵ ｍｅｔｈｏｄ．Ｗｉｔｈ ｃｏｌｏｒ，ｓｈａｐｅ，ｔｅｘｔｕｒｅ
ｆｅａｔｕｒｅｓ，ｔｈｅ ｓｕｐｐｏｒｔ ｖｅｃｔｏｒ ｍａｃｈｉｎｅ ｗａｓ ｕｓｅｄ ｔｏ ｉｄｅｎｔｉｆｙ ｄｉｓｅａｓｅ．Ｔｈｅ ｓｙｓｔｅｍ ｉｍｐｌｅｍｅｎｔｅｄ ｃｏｍｍｕｎｉｃａｔｉｏｎ ｂｅｔｗｅｅｎ ｃｌｉｅｎｔ ａｎｄ
ｓｅｒｖｅｒ ｔｈｒｏｕｇｈ ｓｏｃｋｅｔ ｓｔｒｅａｍ．Ｅｘｐｅｒｉｍｅｎｔａｌ ｒｅｓｕｌｔｓ ｓｈｏｗ ｔｈａｔ，ｃｏｍｐａｒｅｄ ｔｏ ＢＰ，ＳＶＭ ｈａｓ ｂｅｔｔｅｒ ｐｅｒｆｏｒｍａｎｃｅ，ａｎｄ ｔｈｅ ａｃｃｕｒａｃｙ
ｒａｔｅ ｏｆ ｄｉｓｅａｓｅ ｒｅｃｏｇｎｉｔｉｏｎ ｆｏｒ ａｐｐｌｅ ｒｕｓｔ，ａｌｔｅｒｍａｒｉａ ｌｅａｆ ｓｐｏｔ ａｎｄ ｍｏｓａｉｃ ｃａｎ ｒｅａｃｈ ９８．３３％，ｔｈｅ ｒｅｃｏｇｎｉｔｉｏｎ ｔｉｍｅ ｉｓ ｌｅｓｓ ｔｈａｎ
１６ｓ．Ｉｔ ｐｒｏｖｉｄｅｓ ｃｏｎｖｅｎｉｅｎｔ ａｎｄ ｆａｓｔ ｉｄｅｎｔｉｆｉｃａｔｉｏｎ ｓｅｒｖｉｃｅ ａｎｄ ｐｒｅｖｅｎｔｉｏｎ ｇｕｉｄａｎｃｅ ｏｆ ｔｈｅ ａｐｐｌｅ ｌｅａｆ ｄｉｓｅａｓｅ ｆｏｒ ｆａｒｍｅｒｓ．
Ｋｅｙ ｗｏｒｄｓ：ａｐｐｌｅ；ｌｅａｆ ｄｉｓｅａｓｅ；ｒｅｍｏｔｅ ｒｅｃｏｇｎｉｔｉｏｎ；Ａｎｄｒｏｉｄ；ｉｍａｇｅ ａｎａｌｙｓｉｓ
０ 引 言
基于数字图像分析技术对农作物病虫草害图像进行已
被证明是一种有效、客观手段［１－７］。张建华等使用包含光照
箱、光源、ＣＣＤ数码相机等图像采集系统，采集棉花虫害
叶片进行识别，识别率达到８８．１％［８］；柴阿丽等用 Ｃａｎ－
ｏｎＡ６４０数码相机、固定荧光灯等装置，用近拍模式拍摄番
茄叶部图像，对病害的识别率达９４．７１％［９］；何东健等用多
光谱相机采集玉米田间杂草图像，提出一种支持向量机和
证据理论相结合的多特征融合杂草识别方法，取得了良好
效果［１０］。前人研究多用数码相机或多光谱相机等采集图
像，在实验室进行分析，难以满足实时、便捷诊断病虫草
害的应用需求［１１］。随着 Ａｎｄｒｏｉｄ智能手机以及３Ｇ网络在
农村的普及，利用手机拍摄图片上传给信息中心进行远程
识别成为可能。本文以苹果叶部病害为研究对象，以危害
较为严重的苹果斑点落叶病、锈病和花叶病远程智能分析
计算机工程与设计 ２０１５年
诊断为目标，研究基于 Ａｎｄｒｏｉｄ平台的远程作物病害识别
系统框架以及手机和服务器间信息传输的技术与方法，信
息中心服务器接收手机拍摄苹果叶部病害图像并进行分析
诊断，诊断结果推送至手机端，手机端显示相应防治措施
给用户，为指导果农进行科学防治提供一种便捷方法。
１ 系统架构分析与设计
为实现远程病害智能识别及识别结果推送服务，系统
需要有图像采集终端和ＰＣ服务器端硬件，需要确定图像传
输、诊断结果推送机制，设计病害识别方法。考虑到支持
Ａｎｄｒｏｉｄ系统的手机市场占有率达７８．９％［１２］，故用 Ａｎ－
ｄｒｏｉｄ手机采集病害图像；考虑到３Ｇ网络有高达２５６ＫＢ／ｓ
的传输速率，故采用３Ｇ网络将手机拍摄的病害图像上传
到服务器端 （ＰＣ机），服务器负责病害图像分析与识别，
并将识别病害类型推送给客户端。采用Ｃ／Ｓ模式的系统架
构如图１所示。
图１ 系统结构
２ 系统关键功能设计
系统关键功能设计包含客户端、服务器以及客户端与
服务器通信设计。
２．１ 客户端图像拍摄与存储
手机客户端图像采集流程如图２所示。客户端可调用
照相机拍摄图像或从图库中加载图像，用户获得图片后，
可根据当前网络情况选择立即发送至服务器或保存至手机
本地数据库。
２．１．１ 病害图像拍摄
为减少自然光照及复杂背景对识别准确性的影响，左
手持黑色纸板置于病叶下方，右手持手机相机拍摄。为加
快后续识别速度，手机端程序在预览画面上定义一个６７０×
４２０像素矩形框，拍摄时使叶片尽量充满整个矩形框，程
序自动裁剪掉矩形框外多余的部分。为避免发生形变，保
持手机感光器与叶片平行。叶片图像以ＪＰＥＧ格式存储至
图２ 客户端采集图像流程
ＳＤ卡，以采集时间命名，并作为唯一标识的ＩＤ。
２．１．２ 本地数据库存储
当网络条件不佳时，可将采集的图像先保存至本地待识
别数据库，择时再查看图像并发送，已发送的图像将自动在
数据库中删除，服务器已识别图像同样会自动保存至手机本
地已识别数据库。Ａｎｄｒｏｉｄ使用开源的、与操作系统无关的
ＳＱＬ数据库ＳＱＬｉｔｅ，它是一款轻量级数据库，占用资源非常
低，只需要几百Ｋ的内存。故本文采用ＳＱＬｉｔｅ构建数据库。
数据库中存储图片ＩＤ、拍摄时间及存储路径等信息。
２．２ 服务器端图像分析与识别设计
服务器负责对图像分析处理，主要包括图像预处理、
病斑分割、特征提取和病斑识别等４个步骤。
２．２．１ 图像预处理
由于在自然环境下用手机拍摄的彩色图像存在对比度不
明显、边缘模糊等现象，因此，服务器收到客户端发送的图
像后，需要进行预处理。首先使用分段线性变换拉伸图像灰
度，扩展图像对比度［１３］；分离图像ＲＧＢ通道，自适应中值
滤波去除噪声；再用形态学Ｔｏｐ－Ｈａｔ变换去除光照影响，突
出病斑。融合Ｒ、Ｇ、Ｂ通道则得到预处理后的彩色图像。
２．２．２ 病斑分割
为探讨苹果叶片病斑的有效分割因子，在 ＲＧＢ模型
下，分别用２＊Ｇ－Ｒ－Ｂ，Ｇ＊Ｇ－Ｒ＊Ｂ，Ｇ－Ｂ，Ｇ－Ｒ，２＊Ｒ－Ｇ－
Ｂ，Ｒ＊Ｒ－Ｇ＊Ｂ进行病斑分割实验，结果表明２＊Ｒ－Ｇ－Ｂ对
各种病斑均有较好的分割效果，因此选择２＊Ｒ－Ｇ－Ｂ作为色
彩分割因子，用最大类间方差法分割病斑。３种病斑的分
割效果如图３所示。对分割后的图像用半径为３的圆盘结
构先后做开、闭运算，以平滑图像消除噪声，然后，用８
连通区域标记提取病斑部位。
２．２．３ 特征提取
不同的病斑其颜色、形状和纹理有明显不同。为识别
·６８５２·
第３６卷 第９期 王梅嘉，何东健，任嘉琛：基于Ａｎｄｒｏｉｄ平台的苹果叶病害远程识别系统
图３ ３种病害及分割效果
病斑类型，本文提取病斑的颜色特征、形状特征和纹理特
征，并进行特征的优选。
（１）颜色特征提取：常用的颜色模型有 ＲＧＢ、ＨＳＶ
等，由于 ＨＳＶ模型中３个分量具有相对独立性，且亮度分
量与图像的彩色信息无关，非常适合于借助人类视觉系统
来感知颜色特征的图像处理。因此，将图像从ＲＧＢ空间转
换至 ＨＳＶ空间，使用 Ｈ分量、Ｓ分量、Ｖ分量的１阶矩、
２阶矩和３阶矩作为颜色特征。颜色矩定义如下
μｉ ＝
１
Ｎ∑
Ｎ
ｊ＝１
ｐｉ，ｊ （１）
σｉ ＝ １Ｎ∑
Ｎ
ｊ＝１
（ｐｉ，ｊ－μｉ）（ ）２
１
２ （２）
ｓｉ ＝ １Ｎ∑
Ｎ
ｊ＝１
（ｐｉ，ｊ－μｉ）（ ）３
１
３ （３）
式中：μｉ———１阶矩；σｉ———２阶矩；ｓｉ———３阶矩；ｐｉ，ｊ ———
图像中第ｊ个像素的第ｉ个颜色分量。
图像的颜色矩共９个分量 （３个颜色分量上各３个低阶
矩），比其它颜色特征更为简洁。对每种病害各随机选择１５
个样本，经过比较发现，３种病害的 Ｈ 分量、Ｓ分量１阶
矩以及 Ｈ分量的２阶矩有显著差别。故选择 Ｈ、Ｓ分量的
１阶矩以及 Ｈ分量的２阶矩共３个特征作为颜色特征参数。
（２）形状特征提取：实验中选取周长、面积比、伸长
度、圆形度、矩形度、形状复杂性的离散指数及 Ｈｕ提出
的７个不变矩等［１４］１３个病斑的形状特征。
对比每种病害的形状参数发现，３种病害在病斑面积比、
圆形度及形状复杂性的离散指数上有显著差异，因此，选择
病斑面积比、圆形度及形状复杂性的离散指数３个形状参数。
（３）纹理特征提取：不同病害在纹理方面表现不同。
本文用灰度梯度共生矩阵描述病害的纹理特征。采用平方
求和计算梯度矩阵，选取灰度级为３２，归一化灰度梯度矩
阵［１５］，计算小梯度优势、大梯度优势、灰度分布的不均匀
性、梯度分布的不均匀性、能量、灰度平均值、梯度平均
值、灰度均方差等１５个特征量。通过对比分析，３种病害
的灰度分布的不均匀性和灰度均方差差异较大。因此，选
择灰度分布的不均匀性以及灰度均方差共２个特征作为纹
理参数。
综上所述，本文选择如表１所示的８个特征参数。表
中，ｘ１－ｘ５，ｙ１－ｙ５和ｚ１－ｚ５分别为随机选取的５个斑点
落叶病样本、锈病样本和花叶病样本。训练和识别前对优
选的特征参数进行归一化处理。
２．２．４ 病斑识别
ＢＰ网络是一种按误差逆传播算法训练的多层前馈网
络，也是目前应用最广泛的神经网络模型之一。支持向量机
（ｓｕｐｐｏｒｔ ｖｅｃｔｏｒ ｍａｃｈｉｎｅ，ＳＶＭ）在解决小样本、非线性及
表１ 部分病害样本特征参数值
特征参数
病斑样本
Ｈ分量
１阶矩
Ｓ分量
１阶矩
Ｈ分量
２阶矩
面积
比值
圆形度
形状复杂性
离散指数
灰度分布
不均匀性
灰度均
方差
斑点落叶病
ｘ１ ０．０８５１ ０．５８７６ ０．０１４９ ０．００４２ ０．６７７６ １８．５４５１ ２７９１０６．４ ９．０８６９
ｘ２ ０．０６７１ ０．５１８９ ０．０１２４ ０．００６１ ０．５９９６ ２０．９５９７ ２７８９００．８ ７．３２０２
ｘ３ ０．０６３２ ０．５５９３ ０．００９５ ０．００５１ ０．６６９５ １８．７６９７ ２７９１２２．３ ７．１３２４
ｘ４ ０．０７１６ ０．４６１５ ０．０１１６ ０．００５１ ０．６６６３ １８．８６０３ ２７９１２８．３ ８．３３９４
ｘ５ ０．０７１５ ０．５１６４ ０．０１９４ ０．００４８ ０．６７９３ １８．５００１ ２７９１９４．２ ７．６９８６
锈病
ｙ１ ０．１３７２ ０．７２６９ ０．０１４６ ０．００２１ ０．６００６ １９．７３６８ ２７９７４７．３ ５．３７２１
ｙ２ ０．１３３０ ０．８１９２ ０．０１６５ ０．００５５ ０．５８６４ ２１．４２９７ ２７８７４５．３ ９．６１１１
ｙ３ ０．１３９９ ０．７４７７ ０．０１８２ ０．００１８ ０．６１９８ １７．９５６０ ２７９８１５．２ ５．４８４９
ｙ４ ０．１３９８ ０．８３９９ ０．０２２２ ０．００３５ ０．６０７９ ２０．６７０４ ２７９３８９．８ ５．７８４９
ｙ５ ０．１２７８ ０．８９６１ ０．０２１６ ０．００２８ ０．５０７３ ２４．７６７２ ２７９５４９．５ ５．３６４５
花叶病
ｚ１ ０．１５８２ ０．７９６０ ０．０１５５ ０．６０６２ ０．０１２１ １０３８．２６７６ １４５８７９．６ ７６．２３４８
ｚ２ ０．１９９２ ０．６７３４ ０．００６３ ０．１８４７ ０．１０８４ １１５．８７９５ ２２９９８１．９ ５５．５６０７
ｚ３ ０．１７４６ ０．７３０６ ０．００７６ ０．１９５０ ０．０３８５ ３２５．９６３８ ２３７９３７．０ ５２．３３６９
ｚ４ ０．１７７２ ０．６９３１ ０．０１５３ ０．２３０７ ０．０１０８ １１６８．９１１７ ２２６５６７．２ ５２．２９０９
ｚ５ ０．１７６９ ０．６６３９ ０．０１０９ ０．３１３７ ０．０１３２ ９５１．６９３４ １７３７７０．４ ７４．７６２１
·７８５２·
计算机工程与设计 ２０１５年
高维模式识别中优势明显，其关键在于选择合适的核函数
从而获得高维空间的分类函数。本文构建ＢＰ网络与ＳＶＭ
分别对３种病害进行识别。ＢＰ网络采用３层结构，输入层
节点数为８，隐节点数为１３，输出层节点数为３。ＳＶＭ 核
函数选择径向基函数。共采集病叶图像３００幅，每种病害
１００幅，其中前６０幅做训练样本，后４０幅做测试样本。训
练后的ＢＰ网络对测试样本进行测试，测试结果见表２，花
叶病所有测试样本均被正确识别，由于斑点落叶病病斑与
锈病比较相似，９幅斑点落叶病图像被错误识别为锈病，７
副锈病图像被误识为斑点落叶病，平均识别率为８６．６７％。
用训练好的ＳＶＭ对花叶病的测试样本均可正确识别；１幅
斑点落叶病因叶片上有污点被错误识别为锈病；１幅锈病
图像被除草剂污染而被错误识别为斑点落叶病。实验结果
表明，ＳＶＭ识别性能较好，对３种病害测试样本的平均识
别率达到９８．３３％，因此，选择ＳＶＭ模型识别病害。
表２ ＢＰ与ＳＶＭ识别率比较
病害类型
ＢＰ ＳＶＭ
正确／测试 识别率／％ 正确／测试 识别率／％
斑点落叶病 ３１／４０ ７７．５ ３９／４０ ９７．５
锈病 ３３／４０ ８２．５ ３９／４０ ９７．５
花叶病 ４０／４０ １００ ４０／４０ １００
平均识别率／％ ８６．６７ ９８．３３
２．３ 手机客户端与服务器通信设计
客户端与服务器用３Ｇ网络进行通信，为避免数据丢
失，选择可靠的 ＴＣＰ／ＩＰ协议和ｓｏｃｋｅｔ流实现数据传输。
当客户端发起连接请求时，一直处于监听状态的服务器同
意连接，此时客户端向服务器发送待识别图像的文件名，
服务器收到文件名以后，返回客户端接收成功的信号，客
服端收到信号后再开始发送文件，服务器用接收的文件名
保存图像并立即识别，将识别结果返回客户端。服务器与
客户端通信模型如图４所示。为避免图像数据大，导致用
户一直等待传输图片，本文采用在ｓｅｒｖｉｃｅ中实现客户端发
送图像数据的策略［１６］。应用组件启动一个ｓｅｒｖｉｃｅ运行于后
台，即使用户切换到另一个应用，该ｓｅｒｖｉｃｅ也会继续运
行［１７］，故在ｓｅｒｖｉｃｅ中创建线程完成图像传输。
图４ 通信模型
３ 测试结果与分析
用索尼爱立信ＬＴ１８ｉ手机在ＶＰＮ和３Ｇ环境下分别进
行系统测试。系统主界面如图５所示，用户可选择苹果病
害识别或查看本地数据库。点击 “苹果病害图像识别”按
钮，进入病害识别主界面如图６所示，可立刻拍照 （如图７
所示）或加载图库。获取的图片显示在界面，可直接向服
务器发送图像识别请求，服务器收到图像进行分析识别 （如
图８所示），并将识别的病害类型推送至客户端，客户端显
示相应病害的防治建议 （如图９所示）。客户端也可将拍摄
图５ 通信模型
图６ 病害识别主界面
图７ 拍照界面
·８８５２·
第３６卷 第９期 王梅嘉，何东健，任嘉琛：基于Ａｎｄｒｏｉｄ平台的苹果叶病害远程识别系统
图８ 服务器接收识别图像
图９ 客户端推送结果
的图像保存至本地待识别数据库。
测试客户端发送每幅病害图像到接收诊断结果所需时
间如表２所示 （仅列出１０幅），由表３可知，用３Ｇ网络远
程病害诊断所需平均时间为１５．６５ｓ，与 ＶＰＮ网络相比，
仅多了０．７９ｓ，这是因为获取图像经手机客户端裁剪后数
据量相对较小，二者传输所需时间相差不大。系统可满足
实时性需求。
表３ 病害识别所需时间
样本号
时间／ｓ
ＶＰＮ环境 ３Ｇ环境
１ １４．４ １５．７
２ １５．２ １５．９
３ １５．０ １５．５
４ １４．８ １５．３
５ １４．３ １５．５
６ １５．１ １５．９
７ １５．２ １５．９
８ １４．５ １５．３
９ １５．１ １５．７
１０ １５．０ １５．８
平均 １４．８６ １５．６５
４ 结束语
（１）选择２＊Ｒ－Ｇ－Ｂ作为色彩分割因子，可有效分割出
病斑；用本文实验确定的８个特征参数输入径向基函数支
持向量机，３种病害平均识别率达到９８．３３％。
（２）提出用Ａｎｄｒｏｉｄ手机客户端采集发送图像，ＰＣ服
务器自动接收识别图像并返回手机端识别结果的病害远程
识别系统框架。实验结果表明，对每幅病害图像识别平均
时间小于１６ｓ，能满足快速、准确识别病害的需要。
今后尚需进一步研究苹果叶部多种病害的识别方法，
并增加用户标记病斑部位等交互操作，以减少计算量，大
大缩短识别时间。
参考文献：
［１］Ａｌ－Ｂａｓｈｉｓｈ Ｄ，Ｂｒａｉｋ Ｍ，Ｂａｎｉ－Ａｈｍａｄ Ｓ．Ｄｅｔｅｃｔｉｏｎ ａｎｄ ｃｌａｓｓｉｆｉ－
ｃａｔｉｏｎ ｏｆ ｌｅａｆ ｄｉｓｅａｓｅ ｕｓｉｎｇ Ｋ－ｍｅａｎｓ－ｂａｓｅｄ ｓｅｇｍｅｎｔａｔｉｏｎ ａｎｄ
ｎｅｕｒａｌ－ｎｅｔｗｏｒｋｓ－ｂａｓｅｄ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ［Ｊ］．Ｉｎｆｏｒｍａｔｉｏｎ Ｔｅｃｈｎｏ－
ｌｏｇｙ Ｊｏｕｒｎａｌ，２０１１，１０ （２）：２６７－２７５．
［２］Ａｌ－Ｈｉａｒｙ Ｈ，Ｂａｎｉ－Ａｈｍａｄ Ｓ，Ｒｅｙａｌａｔ Ｍ，ｅｔ ａｌ．Ｆａｓｔ ＆ａｃｃｕ－
ｒａｔｅ ｄｅｔｅｃｔｉｏｎ ＆ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｏｆ ｐｌａｎｔ ｄｉｓｅａｓｅｓ ［Ｊ］．Ｉｎｔｅｒｎａ－
ｔｉｏｎａｌ Ｊｏｕｒｎａｌ ｏｆ Ｃｏｍｐｕｔｅｒ Ａｐｐｌｉｃａｔｉｏｎｓ，２０１１，１７ （１）：
３１－３８．
［３］Ｃａｍａｒｇｏ Ａ，Ｓｍｉｔｈ ＪＳ．Ａｎ ｉｍａｇｅ－ｐｒｏｃｅｓｓｉｎｇ ｂａｓｅｄ ａｌｇｏｒｉｔｈｍ ｔｏ
ａｕｔｏｍａｔｉｃａｌｙ ｉｄｅｎｔｉｆｙ ｐｌａｎｔ ｄｉｓｅａｓｅ ｖｉｓｕａｌ ｓｙｍｐｔｏｍｓ ［Ｊ］．Ｂｉｏ－
ｓｙｓｔｅｍｓ Ｅｎｇｉｎｅｅｒｉｎｇ，２００９，１０２ （１）：９－２１
［４］Ｐａｕｌ Ｂｉｏｓｓａｒｄ，Ｖｉｎｃｅｎｔ Ｍａｒｔｉｎ，Ｓａｂｉｎｅ Ｍｏｉｓａｎ．Ａ ｃｏｇｎｉｔｉｖｅ
ｖｉｓｉｏｎ ａｐｐｒｏａｃｈ ｔｏ ｅａｒｌｙ ｐｅｓｔ ｄｅｔｅｃｔｉｏｎ ｉｎ ｇｒｅｅｎｈｏｕｓｅ ｃｒｏｐｓ［Ｊ］．
Ｃｏｍｐｕｔｅｒｓ ａｎｄ Ｅｌｅｃｔｒｏｎｉｃｓ ｉｎ Ａｇｒｉｃｕｌｔｕｒｅ，２００８，６２ （２）：
８１－９３．
［５］Ｐｈａｄｉｋａｒ Ｓ，Ｊａｙａ Ｓ．Ｒｉｃｅ ｄｉｓｅａｓｅ ｉｄｅｎｔｉｆｉｃａｔｉｏｎ ｕｓｉｎｇ ｐａｔｔｅｒｎ
ｒｅｃｏｇｎｉｔｉｏｎ ｔｅｃｈｎｉｑｕｅｓ［Ｃ］／／Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ １１ｔｈ Ｉｎｔｅｒｎａｔｉｏｎａｌ
Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｏｍｐｕｔｅｒ ａｎｄ Ｉｎｆｏｒｍａｔｉｏｎ Ｔｅｃｈｎｏｌｏｇｙ，２００８：
４２０－４２３．
［６］ＷＡＮＧ Ｓｈｏｕｚｈｉ，ＨＥ Ｄｏｎｇｊｉａｎ，ＬＩ Ｗｅｎ，ｅｔ ａ１．Ｐｌａｎｔ ｌｅａｆ
ｄｉｓｅａｓｅ ｒｅｃｏｇｎｉｔｉｏｎ ｂａｓｅｄ ｏｎ ｋｅｒｎｅｌ Ｋ－ｍｅａｎｓ ｃｌｕｓｔｅｒｉｎｇ ａｌｇｏ－
ｒｉｔｈｍ ［Ｊ］．Ｔｒａｎｓａｃｔｉｏｎｓ ｏｆ ｔｈｅ Ｃｈｉｎｅｓｅ Ｓｏｃｉｅｔｙ ｆｏｒ Ａｇｒｉｃｕｌｔｕｒａｌ
Ｍａｃｈｉｎｅｒｙ，２００９，４０ （３）：１５２－１５５ （ｉｎ Ｃｈｉｎｅｓｅ）． ［王守志，
何东健，李文，等．基于核 Ｋ－均值聚类算法的植物叶部病害
识别 ［Ｊ］．农业机械学报，２００９，４０ （３）：１５２－１５５．］
［７］ＤＥＮＧ Ｊｉｚｈｏｎｇ，ＬＩ Ｍｉｎ，ＹＵＡＮ Ｚｈｉｂａｏ，ｅｔ ａｌ．Ｆｅａｔｕｒｅ
ｅｘｔｒａｃｔｉｏｎ ａｎｄ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｏｆ Ｔｉｌｅｌｉａ ｄｉｓｅａｓｅ ｂａｓｅｄ ｏｎ ｉｍａｇｅ
ｒｅｃｏｇｎｉｔｉｏｎ ［Ｊ］．Ｔｒａｎｓａｃｔｉｏｎｓ ｏｆ ｔｈｅ Ｃｈｉｎｅｓｅ Ｓｏｃｉｅｔｙ ｏｆ Ａｇｒｉ－
ｃｕｌｔｕｒａｌ Ｅｎｇｉｎｅｅｒｉｎｇ，２０１２，２８ （３）：１７２－１７６ （ｉｎ Ｃｈｉｎｅｓｅ）．
［邓继忠，李敏，袁之报，等．基于图像识别的小麦腥黑穗病
害特征提取与分类 ［Ｊ］．农业工程学报，２０１２，２８ （３）：
１７２－１７６．］
［８］ＺＨＡＮＧ Ｊｉａｎｈｕａ，ＪＩ Ｒｏｎｇｈｕａ，ＹＵＡＮ Ｘｕｅ，ｅｔ ａｌ．Ｒｅｃｏｇｎｉ－
ｔｉｏｎ ｏｆ ｐｅｓｔ ｄａｍａｇｅ ｆｏｒ ｃｏｔｔｏｎ ｌｅａｆ ｂａｓｅｄ ｏｎ ＲＢＦ－ＳＶＭ ａｌｇｏｒｉｔｈｍ
·９８５２·
计算机工程与设计 ２０１５年
［Ｊ］．Ｔｒａｎｓａｃｔｉｏｎｓ ｏｆ ｔｈｅ Ｃｈｉｎｅｓｅ Ｓｏｃｉｅｔｙ ｆｏｒ Ａｇｒｉｃｕｌｔｕｒａｌ Ｍａ－
ｃｈｉｎｅｒｙ，２０１１，４２ （８）：１７８－１８３ （ｉｎ Ｃｈｉｎｅｓｅ）．［张建华，冀
荣华，袁雪，等．基于径向基支持向量机的棉花虫害识别
［Ｊ］．农业机械学报，２０１１，４２ （８）：１７８－１８３．］
［９］ＣＨＡＩ Ａｌｉ，ＬＩ Ｂａｏｊｕ，ＳＨＩ Ｙａｎｘｉａ，ｅｔ ａｌ．Ｒｅｃｏｇｎｉｔｉｏｎ ｏｆ ｔｏｍａｔｏ
ｆｏｌｉａｇｅ ｄｉｓｅａｓｅ ｂａｓｅｄ ｏｎ ｃｏｍｐｕｔｅｒ ｖｉｓｉｏｎ ｔｅｃｈｎｏｌｏｇｙ［Ｊ］．Ａｃｔａ Ｈｏｒ－
ｔｉｃｕｌｔｕｒａｅ Ｓｉｎｉｃａ，２０１０，３７ （９）：１４２３－１４３０（ｉｎ Ｃｈｉｎｅｓｅ）．［柴阿
丽，李宝聚，石延霞，等．基于计算机视觉技术的番茄叶部病
害识别 ［Ｊ］．园艺学报，２０１０，３７ （９）：１４２３－１４３０．］
［１０］ＨＥ Ｄｏｎｇｊｉａｎ，ＱＩＡＯ Ｙｏｎｇｌｉａｎｇ，ＬＩ Ｐａｎ，ｅｔ ａｌ．Ｗｅｅｄ ｒｅｃｏｇ－
ｎｉｔｉｏｎ ｂａｓｅｄ ｏｎ ＳＶＭ－ＤＳ ｍｕｌｔｉ－ｆｅａｔｕｒｅ ｆｕｓｉｏｎ ［Ｊ］．Ｔｒａｎｓａｃ－
ｔｉｏｎｓ ｏｆ ｔｈｅ Ｃｈｉｎｅｓｅ Ｓｏｃｉｅｔｙ ｆｏｒ Ａｇｒｉｃｕｌｔｕｒａｌ Ｍａｃｈｉｎｅｒｙ，２０１３，
４４ （２）：１８２－１８７ （ｉｎ Ｃｈｉｎｅｓｅ）． ［何东健，乔永亮，李攀，
等．基于ＳＶＭ－ＤＳ多特征融合的杂草识别 ［Ｊ］．农业机械学
报，２０１３，４４ （２）：１８２－１８７．］
［１１］ＬＩ Ｚｏｎｇｒｕ，ＨＥ Ｄｏｎｇｊｉａｎ．Ｒｅｓｅａｒｃｈ ｏｎ ｉｄｅｎｔｉｆｙ ｔｅｃｈｎｏｌｏｇｉｅｓ
ｏｆ ａｐｐｌｅ’ｓ ｄｉｓｅａｓｅ ｂａｓｅｄ ｏｎ ｍｏｂｉｌｅ ｐｈｏｔｏｇｒａｐｈ ｉｍａｇｅ ａｎａｌｙｓｉｓ
［Ｊ］．Ｃｏｍｐｕｔｅｒ Ｅｎｇｉｎｅｅｒｉｎｇ ａｎｄ Ｄｅｓｉｇｎ，２０１０，３１ （１３）：
３０４１－３０５３ （ｉｎ Ｃｈｉｎｅｓｅ）．［李宗儒，何东健．基于手机拍摄图
像分析的苹果病害识别技术研究 ［Ｊ］．计算机工程与设计，
２０１０，３１ （１３）：３０５１－３０５３．］
［１２］Ｅｄ Ｂｕｒｎｅｔｔｅ． Ｈｅｌｏ，Ａｎｄｒｏｉｄ ［Ｍ］．Ｒａｌｅｉｇｈ：Ｐｒａｇｍａｔｉｃ
Ｂｏｏｋｓｈｅｌｆ，２０１０：１４０－１４１．
［１３］ＬＩ Ｚｏｎｇｒｕ．Ｒｅｓｅａｒｃｈ ｏｎ ｉｄｅｎｔｉｆｙ ｔｅｃｈｎｏｌｏｇｉｅｓ ｏｆ ａｐｐｌｅｓ ｄｉｓｅａｓｅ
ｂａｓｅｄ ｏｎ ｉｍａｇｅ ａｎａｌｙｓｉｓ ［Ｄ］．Ｙａｎｇｌｉｎｇ：Ｎｏｒｔｈｗｅｓｔ Ａ＆Ｆ
Ｕｎｉｖｅｒｓｉｔｙ，２０１０：９－１０ （ｉｎ Ｃｈｉｎｅｓｅ）．［李宗儒．基于图像分
析的苹果病害识别技术研究 ［Ｄ］．杨凌：西北农林科技大
学，２０１０：９－１０．］
［１４］ＰＥＮＧ Ｚｈａｎｗｕ．Ｒｅｓｅａｒｃｈ ｏｎ ｃｕｃｕｍｂｅｒ ｄｉｓｅａｓｅ ｉｎｄｅｎｔｉｆｙｉｎｇ
ｂａｓｅ ｏｎ ｉｍａｇｅ ｐｒｏｃｅｓｓｉｎｇ ａｎｄ ｐａｔｔｅｒｎ ｒｅｃｏｇｎｉｔｉｏｎ ｔｅｃｈｎｏｌｏｇｙ
［Ｄ］．Ｊｉｌｉｎ：Ｊｉｌｉｎ Ａｇｒｉｃｕｌｔｕｒａｌ Ｕｎｉｖｅｒｓｉｔｙ，２００７：２９－３０ （ｉｎ
Ｃｈｉｎｅｓｅ）．［彭占武．基于图像处理和模式识别技术的黄瓜病
害识别研究 ［Ｄ］．吉林：吉林农业大学，２００７：２９－３０．］
［１５］ＣＯＮＧ Ｒｕｉ，ＧＡＯ Ｇｕａｎｇｆｕ，ＦＡＮ Ｒｕｉｘｉａｏ，ｅｔ ａｌ．Ｖｉｂｒａｔｉｏｎ
ｉｍａｇｅ ｒｅｃｏｇｎｉｔｉｏｎ ｍｅｔｈｏｄ ｂａｓｅｄ ｏｎ ｇｒａｙ－ｇｒａｄｉｅｎｔ ｃｏ－ｏｃｃｕｒｒｅｎｃｅ
ｍａｔｒｉｘ ａｎｄ ｋｅｒｎｅｌ－ｂａｓｅｄ ｆｕｚｚｙ ｃｌｕｓｔｅｒｉｎｇ ［Ｊ］．Ｊｏｕｒｎａｌ ｏｆ Ｖｉ－
ｂｒａｔｉｏｎ ａｎｄ Ｓｈｏｃｋ，２０１２，３１ （２１）：７４－７７ （ｉｎ Ｃｈｉｎｅｓｅ）．［丛
蕊，高光甫，樊瑞筱，等．基于灰度－梯度共生矩阵和模糊核
聚类的振动图形识别方法 ［Ｊ］．振动与冲击，２０１２，３１
（２１）：７４－７７．］
［１６］Ｒｅｔｏ Ｍｅｉｅｒ．Ｐｒｏｆｅｓｓｉｏｎａｌ Ａｎｄｒｏｉｄ ２ａｐｐｌｉｃａｔｉｏｎ ｄｅｖｅｌｏｐｍｅｎｔ
［Ｍ］．Ｉｎｄｉａｎａｐｏｌｉｓ：Ｗｉｌｅｙ Ｐｕｂｌｉｓｈｅｒ，２０１０：９０－９４．
［１７］Ｍａｒｋ Ｍｕｒｐｈｙ．Ｂｅｇｉｎｎｉｎｇ Ａｎｄｒｏｉｄ ２ ［Ｍ］．Ｎｅｗ Ｙｏｒｋ：
Ａｐｒｅｓｓ，２０１０：２３－２４．
（上接第２５５４页）
［５］ＬＩ Ｐａｎｃｈｉ．Ｑｕａｎｔｕｍ ｇｅｎｅｔｉｃ ａｌｇｏｒｉｔｈｍ ｂａｓｅｄ ｏｎ Ｂｌｏｃｈ ｃｏｏｒｄｉ－
ｎａｔｅｓ ｏｆ ｑｕｂｉｔｓ ａｎｄ ｉｔｓ ａｐｐｌｉｃａｔｉｏｎ ［Ｊ］．Ｃｏｎｔｒｏｌ Ｔｈｅｏｒｙ ＆ Ａｐ－
ｐｌｉｃａｔｉｏｎｓ，２００８，２５ （６）：９８５－９８９ （ｉｎ Ｃｈｉｎｅｓｅ）． ［李盼池．
基于量子位Ｂｌｏｃｈ坐标的量子遗传算法及其应用 ［Ｊ］．控制理
论与应用，２００８，２５ （６）：９８５－９８９．］
［６］ＨＵＡＮＧ Ｊｉｎｇｗｅｎ，ＱＩＮ Ｃｈａｏｙｏｎｇ．Ｒｅａｌ ｃｏｄｅｄ ｑｕａｎｔｕｍ ａｎｔ
ｃｏｌｏｎｙ ｏｐｔｉｍｉｚａｔｉｏｎ ａｌｇｏｒｉｔｈｍ ｆｏｒ ｇｌｏｂａｌ ｎｕｍｅｒｉｃａｌ ｏｐｔｉｍｉｚａｔｉｏｎ
［Ｊ］．Ａｐｐｌｉｃａｔｉｏｎ Ｒｅｓｅａｒｃｈ ｏｆ Ｃｏｍｐｕｔｅｒｓ，２００９，２６ （１０）：
３６６０－３６６２ （ｉｎ Ｃｈｉｎｅｓｅ）．［黄景文，覃朝勇．用于多维函数优
化的实数编码量子蚁群算法 ［Ｊ］．计算机应用研究，２００９，２６
（１０）：３６６０－３６６２．］
［７］ＺＨＡＮＧ Ｇｕａｎｇｗｅｉ，ＨＥ Ｒｕｉ，ＬＩＵ Ｙｕ，ｅｔ ａｌ．Ａｎ ｅｖｏｌｕｔｉｏｎａｒｙ
ａｌｇｏｒｉｔｈｍ ｂａｓｅｄ ｏｎ ｃｌｏｕｄ ｍｏｄｅｌ［Ｊ］．Ｃｈｉｎｅｓｅ Ｊｏｕｒｎａｌ ｏｆ Ｃｏｍ－
ｐｕｔｅｒｓ，２００８，３１ （７）：１０８２－１０９１ （ｉｎ Ｃｈｉｎｅｓｅ）．［张光卫，何
锐，刘禹，等．基于云模型的进化算法 ［Ｊ］．计算机学报，
２００８，３１ （７）：１０８２－１０９１．］
［８］ＭＡ Ｙｉｎｇ，ＴＩＡＮ Ｗｅｉｊｉａｎ，ＦＡＮ Ｙａｎｇｙｕ．Ｑｕａｎｔｕｍ ａｄａｐｔｉｖｅ
ｉｍｍｕｎｅ ｃｌｏｎｅ ａｌｇｏｒｉｔｈｍ ｂａｓｅｄ ｏｎ ｃｌｏｕｄ ｍｏｄｅｌ［Ｊ］．Ｃｈｉｎｅｓｅ
Ｊｏｕｒｎａｌ ｏｆ Ｃｏｍｐｕｔａｔｉｏｎａｌ Ｐｈｙｓｉｃｓ，２０１３，３０ （４）：６２７－６３２
（ｉｎ Ｃｈｉｎｅｓｅ）．［马颖，田维坚，樊养余．基于云模型的自适
应量子 免 疫 克 隆 算 法 ［Ｊ］．计 算 物 理，２０１３，３０ （４）：
６２７－６３２．］
［９］ＭＡ Ｙｉｎｇ，ＴＩＡＮ Ｗｅｉｊｉａｎ，ＦＡＮ Ｙａｎｇｙｕ．Ａｄａｐｔｉｖｅ ｑｕａｎｔｕｍ－
ｂｅｈａｖｅｄ ｐａｒｔｉｃｌｅ ｓｗａｒｍ ｏｐｔｉｍｉｚａｔｉｏｎ ａｌｇｏｒｉｔｈｍ ｂａｓｅｄ ｏｎ ｃｌｏｕｄ
ｍｏｄｅｌ［Ｊ］．ＰＲ ＆ＡＩ，２０１３，２６ （８）：７８７－７９３ （ｉｎ Ｃｈｉｎｅｓｅ）．
［马颖，田维坚，樊养余．基于云模型的自适应量子粒子群算
法 ［Ｊ］．模式识别与人工智能，２０１３，２６ （８）：７８７－７９３．］
［１０］ＬＩＵ Ｆａｎｇ，ＷＡＮＧ Ｓｈｕａｎｇ，ＬＩＵ Ｙｉｎｇｙｉｎｇ，ｅｔ ａｌ．Ａ ｑｕａｎ－
ｔｕｍ－ｉｎｓｐｉｒｅｄ ｅｖｏｌｕｔｉｏｎａｒｙ ａｌｇｏｒｉｔｈｍ ｂａｓｅｄ ｏｎ ａ ｍｏｄｉｆｉｅｄ ｑｕａｎ－
ｔｕｍ ｒｏｔａｔｅ ｇａｔｅ ｆｏｒ ｄａｔａ ｃｌｕｓｔｅｒｉｎｇ ［Ｊ］．Ａｃｔａ Ｅｌｅｃｔｒｏｎｉｃａ Ｓｉｎｉ－
ｃａ，２０１１，３９ （９）：２００８－２０１３ （ｉｎ Ｃｈｉｎｅｓｅ）． ［刘芳，王爽，
柳莹莹，等．基于改进量子旋转门的量子进化数据聚类 ［Ｊ］．
电子学报，２０１１，３９ （９）：２００８－２０１３．］
［１１］ＬＩ Ｐａｎｃｈｉ，ＬＩ Ｓｈｉｙｏｎｇ．Ｑｕａｎｔｕｍ ａｎｔ ｃｏｌｏｎｙ ａｌｇｏｒｉｔｈｍ ｆｏｒ
ｃｏｎｔｉｎｕｏｕｓ ｓｐａｃｅ ｏｐｔｉｍｉｚａｔｉｏｎ ［Ｊ］．Ｃｏｎｔｒｏｌ Ｔｈｅｏｒｙ ＆ Ａｐｐｌｉ－
ｃａｔｉｏｎｓ，２００８，２５ （２）：２３７－２４０ （ｉｎ Ｃｈｉｎｅｓｅ）．［李盼池，李
士勇．求解连续空间优化问题的量子蚁群算法 ［Ｊ］．控制理
论与应用，２００８，２５ （２）：２３７－２４０．］
·０９５２·