關于智慧農業的發展現狀，好多人都持悲觀態度，認為其實用性不高，在農業應用上發揮的作用不多。這顯然存在認知偏差，事實上對于智慧農業精細化應用上一直都有意見，包括科研機構、大學院校、農資物聯網公司等機構，致力于完善智慧農業應用功能與技術，令其更貼近與農業生產。

近期，國家農業信息化工程技術研究中心、北京農業信息技術研究中心、農業農村部農業信息技術重點實驗室三大機構，共同發布了關于番茄葉部病害快速識別的論文，對蟲害防治提供了參考價值。

近年來，基于葉片圖像的番茄病害識別研究受到廣泛關注。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別模型(CCHKMSM)。

該模型首先通過高斯核函數，將從不同類別葉部病害圖像數據中抽取的顏色及紋理特征映射到高維空間;然后對映射的高維空間進行主成分分析，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病害進行識別。

本研究分別以公共農業病蟲害數據集PlantVillage中的9種番茄病害類和1類健康番茄葉片圖像，以及實際場景下采集的3種葉部病蟲害圖像數據集開展算法驗證試驗。基于PlantVillage的試驗結果表明，當每類樣本集數量為350張時，本研究所提出的CCHKMSM模型識別率達到100%，模型訓練時間為0.1540 s，平均識別時間為0.013 s;同時，在樣本數量150張到1000張的測試區間內，模型平均識別率為99.14%。該識別率高于其他典型的機器學習模型，與基于深度學習的識別方法相當。基于實際復雜場景下采集病害圖像集的實驗中，通過對原始圖像切割分塊后，對各病害的平均識別率為96.21%。

試驗結果表明，本研究提出的CCHKMSM模型識別準確率高且計算量小，其訓練時間和測試時間都遠低于深度學習等方法。該方法對系統要求低，具有在手持設備、邊緣計算終端等低配置感知系統中的應用潛力。

總結一句話，目前已經研究出了針對自動識別番茄葉片病害的算法，有望將實驗室的科研實地應用到具體種植中，降低人工勞作難度，同時也能完善智慧農業的功能，精細化種植。