关于智慧农业的发展现状，好多人都持悲观态度，认为其实用性不高，在农业应用上发挥的作用不多。这显然存在认知偏差，事实上对于智慧农业精细化应用上一直都有意见，包括科研机构、大学院校、农资物联网公司等机构，致力于完善智慧农业应用功能与技术，令其更贴近与农业生产。
近期，国家农业信息化工程技术研究中心、北京农业信息技术研究中心、农业农村部农业信息技术重点实验室三大机构，共同发布了关于番茄叶部病害快速识别的论文，对虫害防治提供了参考价值。
近年来，基于叶片图像的番茄病害识别研究受到广泛关注。本研究利用番茄叶部病害图像中病斑的颜色和纹理的差异，通过提取番茄病害叶片图像的颜色矩(CM)、颜色聚合向量(CCV)和方向梯度直方图(HOG)等颜色纹理特征，引入核相互子空间法(KMSM)，建立了番茄叶部病害快速识别模型(CCHKMSM)。
该模型首先通过高斯核函数，将从不同类别叶部病害图像数据中抽取的颜色及纹理特征映射到高维空间;然后对映射的高维空间进行主成分分析，建立非线性病害特征空间;最后基于非线性特征空间最小正则角对病害进行识别。
本研究分别以公共农业病虫害数据集PlantVillage中的9种番茄病害类和1类健康番茄叶片图像，以及实际场景下采集的3种叶部病虫害图像数据集开展算法验证试验。基于PlantVillage的试验结果表明，当每类样本集数量为350张时，本研究所提出的CCHKMSM模型识别率达到100%，模型训练时间为0.1540 s，平均识别时间为0.013 s;同时，在样本数量150张到1000张的测试区间内，模型平均识别率为99.14%。该识别率高于其他典型的机器学习模型，与基于深度学习的识别方法相当。基于实际复杂场景下采集病害图像集的实验中，通过对原始图像切割分块后，对各病害的平均识别率为96.21%。
试验结果表明，本研究提出的CCHKMSM模型识别准确率高且计算量小，其训练时间和测试时间都远低于深度学习等方法。该方法对系统要求低，具有在手持设备、边缘计算终端等低配置感知系统中的应用潜力。
总结一句话，目前已经研究出了针对自动识别番茄叶片病害的算法，有望将实验室的科研实地应用到具体种植中，降低人工劳作难度，同时也能完善智慧农业的功能，精细化种植。
官方微信