第1頁共31頁大棚蔬菜作物疾病監(jiān)測小車控制系統(tǒng)設(shè)計(jì)開題報(bào)告1.1研究背景與意義大棚別名溫室，是指具有墻體或塑料等保溫結(jié)構(gòu)，可以為作物提供適宜生長環(huán)境的農(nóng)業(yè)設(shè)施。在大棚內(nèi)種植作物，能夠降低氣候因素所帶來的負(fù)面影響，保證作物健康成長，提高作物產(chǎn)量。由于大棚所具有的優(yōu)勢，在二十世紀(jì)六十年代起，世界各國便開始大力發(fā)展溫室設(shè)施。截至2013年，全世界已擁有溫室約65萬公頃，其中塑料薄膜溫室占比最多為60萬公頃，其余一些為玻璃溫室或新型材料溫室[1]。在世界所有國家中，中國的蔬菜大棚面積居首位，據(jù)最新統(tǒng)計(jì)，2018年溫室面積已經(jīng)達(dá)到370萬公頃，可產(chǎn)蔬菜約1億噸。在十三五規(guī)劃中，我國農(nóng)業(yè)的發(fā)展計(jì)劃是從傳統(tǒng)農(nóng)業(yè)向現(xiàn)代農(nóng)業(yè)進(jìn)行轉(zhuǎn)變，不斷向著自動(dòng)化和智能化的方向邁進(jìn)，通過科學(xué)技術(shù)的不斷發(fā)展與創(chuàng)新，提高人們的生活水平并最終實(shí)現(xiàn)小康。隨著農(nóng)業(yè)機(jī)械設(shè)備不斷更新?lián)Q代，農(nóng)業(yè)生產(chǎn)越來越省時(shí)省力，許多機(jī)械性勞作都被機(jī)器所替代，在大棚中種植蔬菜正是典型的勞動(dòng)密集型產(chǎn)業(yè)，因此大棚種植人員對于應(yīng)用在大棚內(nèi)的自動(dòng)化設(shè)施有著大量需求。尤其是在物聯(lián)網(wǎng)快速發(fā)展的時(shí)代，以荷蘭為代表的許多歐美國家的大棚已經(jīng)能夠做到對大棚中的空氣溫濕度，土壤溫濕度，光照強(qiáng)度，二氧化碳濃度甚至土壤肥沃情況等指標(biāo)進(jìn)行監(jiān)控并自動(dòng)調(diào)節(jié)。這一整套的作物環(huán)境指標(biāo)檢測系統(tǒng)已經(jīng)發(fā)展相當(dāng)成熟，國內(nèi)也是在逐步應(yīng)用這些高新技術(shù)。在滿足蔬菜作物基本生長環(huán)境的前提下，病蟲害已成為影響蔬菜產(chǎn)量的關(guān)鍵因素。據(jù)統(tǒng)計(jì)，受病害的影響，我國蔬菜年產(chǎn)量下降約10%-30%。為了減少病害造成的損失，早發(fā)現(xiàn)早治療是相當(dāng)必要的。一般來說，為了能夠及時(shí)發(fā)現(xiàn)疾病，菜農(nóng)必須時(shí)刻監(jiān)測蔬菜病害，每天巡視蔬菜長勢，留意作物顏色、形狀上的變化。通過這種人工方式監(jiān)測疾病既費(fèi)時(shí)又費(fèi)力，且有些菜農(nóng)本身缺乏疾病識別經(jīng)驗(yàn)，導(dǎo)致不能對癥下藥，從而延長治療周期，加重疾病造成的損失。這一現(xiàn)象在包括中國，印度在內(nèi)的一些發(fā)展中國家較為常見。所以，對于蔬菜大棚病害的自動(dòng)監(jiān)測系統(tǒng)被迫切需求。疾病檢測的自動(dòng)化不僅有助于及時(shí)地發(fā)現(xiàn)疾病，控制疾病，提高作物質(zhì)量。還能夠降低生產(chǎn)成本，減少農(nóng)場工人和檢查員接觸殺蟲劑的機(jī)會，并提高可持續(xù)性。移動(dòng)機(jī)器人技術(shù)已經(jīng)在工業(yè)、軍事和交通領(lǐng)域以及本文所涉及的農(nóng)業(yè)領(lǐng)域逐步顯示出其優(yōu)勢。它主要通過物聯(lián)網(wǎng)技術(shù)以及機(jī)器視覺技術(shù)，自動(dòng)或是手動(dòng)方式移動(dòng)作業(yè)，完成一些較為復(fù)雜工作。此領(lǐng)域的研究能夠有效發(fā)展我國溫室蔬菜種植的機(jī)械智能化，并使其朝著現(xiàn)代化農(nóng)業(yè)邁進(jìn)。一方面機(jī)器人可以輔助種植與收割環(huán)節(jié)，減少人力成本；另一方面，它還可以用于監(jiān)控大棚內(nèi)環(huán)境指標(biāo)，檢測溫室作物的病蟲害，采集病蟲害特征，進(jìn)行疾病監(jiān)控等。因此，本文利用物聯(lián)網(wǎng)和人工智能技術(shù)，設(shè)計(jì)了一個(gè)蔬菜大棚疾病自動(dòng)監(jiān)測機(jī)器人來監(jiān)控蔬菜大棚的疾病。此機(jī)器人可以自動(dòng)巡查，對蔬菜進(jìn)行拍照以及疾病識別，在引入智能化、自動(dòng)化的同時(shí)極大減少人工勞動(dòng)力消耗，極大方便了種植戶。1.2國內(nèi)外研究現(xiàn)狀1.2.1農(nóng)業(yè)機(jī)器人研究綜述對于蔬菜大棚內(nèi)疾病自動(dòng)監(jiān)測小車的研究可分為兩個(gè)子領(lǐng)域：采樣機(jī)器人研究領(lǐng)域和疾病識別算法研究領(lǐng)域。采樣機(jī)器人的功能為對大棚內(nèi)所種植的蔬菜進(jìn)行拍照采樣，目標(biāo)是得到蔬菜的全方位清晰圖片；疾病識別算法的功能為對蔬菜圖片進(jìn)行疾病識別，目標(biāo)是對疾病的高準(zhǔn)確率識別。此二者整合在一起共同完成對于疾病的自動(dòng)檢測任務(wù)，如果缺少了疾病識別算法，則采樣的圖片仍需要通過人眼來識別，這就要求菜農(nóng)掌握足夠的疾病識別方面的知識；而如果缺少了采樣機(jī)器人，則需要菜農(nóng)每日親自去拍照采樣，極大的浪費(fèi)了勞動(dòng)力。在目前的學(xué)術(shù)領(lǐng)域，對于蔬菜作物疾病識別方面的相關(guān)研究相對較多，對于農(nóng)業(yè)采樣機(jī)器人方面的研究也正在逐步開展。下面首先介紹農(nóng)業(yè)機(jī)器人領(lǐng)域研究的最新進(jìn)展。目前對于應(yīng)用在大田中的農(nóng)業(yè)機(jī)器人的研究相對較多，Pilli等人設(shè)計(jì)了一個(gè)名為eAGROBOT（原型）的一種基于地面信息進(jìn)行導(dǎo)航的農(nóng)業(yè)機(jī)器人[2]，它克服了基于衛(wèi)星進(jìn)行導(dǎo)航和基于移動(dòng)通訊服務(wù)的解決方案所存在的挑戰(zhàn)。文中提出了一個(gè)小型、便攜、可靠的平臺，可以自動(dòng)進(jìn)行農(nóng)田調(diào)查、疾病檢測和農(nóng)藥噴灑。文中的機(jī)器人用于在室外環(huán)境中對花生和棉花作物的早期病害進(jìn)行識別，該機(jī)器人能夠利用神經(jīng)網(wǎng)絡(luò)技術(shù)識別棉花的白葉枯病、缺鎂元素和花生的黃斑病等疾病。eAGROBOT的功能組成包括一個(gè)捕捉植物圖片的攝像頭，基于人工智能的嵌入式算法，農(nóng)藥噴灑模塊，Wi-Fi連接模塊等。機(jī)器人本身可以根據(jù)指定的動(dòng)作在農(nóng)田上自動(dòng)移動(dòng)，也可以進(jìn)行遠(yuǎn)程控制。在對于溫室機(jī)器人的研究中，比較有效的為Aravind的研究[3]，其論文中提出并設(shè)計(jì)了一種簡易的農(nóng)作物狀態(tài)與病害監(jiān)測機(jī)器人，使用數(shù)碼相機(jī)拍照監(jiān)測苗圃內(nèi)的小型園藝作物及幼苗。在導(dǎo)航方面，機(jī)器人使用簡單的基于視覺傳感器的線跟隨算法來檢測溫室中預(yù)先布置的線。文中使用一個(gè)名為虛擬機(jī)器人實(shí)驗(yàn)的開源軟件中設(shè)計(jì)和模擬的平臺（V-REP）進(jìn)行實(shí)驗(yàn)，將所設(shè)計(jì)的機(jī)器人模擬在包含40種作物的實(shí)驗(yàn)田中，作物按一定的間隔放置，機(jī)器人利用相機(jī)進(jìn)行圖像的捕捉并通過基于紋理的分析來識別健康作物中的病害作物。用于疾病識別的圖像處理算法在MATLABR2011B中實(shí)現(xiàn)了界面并通過socket通信與V-REP工具交互。最終實(shí)驗(yàn)表明了其疾病識別的有效性。上述研究有其優(yōu)秀之處但也存在一些問題。首先應(yīng)用于大田的機(jī)器人往往難以直接應(yīng)用于溫室。一是因?yàn)闇厥抑协h(huán)境狹小，故而機(jī)器人需要具有較小的外形體積并且較高的移動(dòng)控制精度。二是因?yàn)榇笈锊牧蠒趽鮃PS信號，因此在大田中比較有效的GPS導(dǎo)航在溫室內(nèi)將會失效。其次蔬菜大棚內(nèi)移動(dòng)機(jī)器人的導(dǎo)航方式最好不依賴于對環(huán)境的預(yù)先布置，例如鋪設(shè)線路等。因?yàn)椴煌魑飳τ谔飰诺母叨葘挾纫蟛煌?，故在更換種植作物時(shí)需要預(yù)先改變田壟，導(dǎo)航線路也就需要跟著改變，此方式靈活性不足。1.2.2蔬菜疾病識別綜述蔬菜疾病識別領(lǐng)域通常是通過識別植物葉片上的癥狀來確認(rèn)疾病，識別的算法可分為傳統(tǒng)的機(jī)器學(xué)習(xí)算法以及深度學(xué)習(xí)算法。在Radovanovi?的論文中對比了幾種傳統(tǒng)機(jī)器學(xué)習(xí)算法和神經(jīng)網(wǎng)絡(luò)的準(zhǔn)確度[4]，其中包括SVM,KNN,FCNN和CNN四種算法。對于機(jī)器學(xué)習(xí)算法，首先對圖像分割出感染部位，然后使用GLCM進(jìn)行特征提取，最后放到算法中進(jìn)行訓(xùn)練。對于卷積神經(jīng)網(wǎng)絡(luò)則不需要這些步驟，論文中使用神經(jīng)網(wǎng)絡(luò)模型為GoodLeNet。實(shí)驗(yàn)展開使用了公開數(shù)據(jù)集PlantVillage，訓(xùn)練結(jié)果表明，卷積神經(jīng)網(wǎng)絡(luò)表現(xiàn)優(yōu)良，準(zhǔn)確度達(dá)到99.1%，高出其他算法約11%，而最低的算法為KNN，準(zhǔn)確率僅僅為72.4%。依據(jù)此結(jié)果本文選擇卷積神經(jīng)網(wǎng)絡(luò)作為蔬菜疾病的識別算法。Osama等人的文章研究了深度學(xué)習(xí)對于溫室中作物疾病的識別[5]。他們在實(shí)驗(yàn)室設(shè)計(jì)了一個(gè)小型溫室模型并在其中種植西紅柿作為研究對象。在西紅柿成長一段時(shí)間后，文中對于溫室中出現(xiàn)的多種疾病使用神經(jīng)網(wǎng)絡(luò)進(jìn)行識別，準(zhǔn)確度達(dá)到了94.8%。為了讓疾病識別算法從學(xué)術(shù)走向?qū)嵺`，更好的為人們所使用。Hlaing和Zaw在他們的研究中提出了一個(gè)能夠區(qū)分番茄六種病害的系統(tǒng)[6]。這些病害有葉霉病、葉斑病、蜘蛛螨病、晚疫病、細(xì)菌斑和靶斑病。該系統(tǒng)的使用很簡單，用手機(jī)攝像頭拍下患病植物葉子的圖像，系統(tǒng)將自動(dòng)輸出疾病的名稱。文中的算法流程為：首先，對輸入圖像通過預(yù)處理算法去除葉片圖像的背景；其次，使用廣義極值分布（GEV）表示圖像的信息并使用SIFT特征提?。蛔詈笸ㄟ^支持向量機(jī)進(jìn)行分類識別。實(shí)驗(yàn)準(zhǔn)確率為84.7%。Sabrol和Satish提出了一個(gè)基于圖像處理的系統(tǒng)來檢測和分類植物的疾病[7]。該系統(tǒng)僅將番茄的晚疫病、黑斑病、細(xì)菌性斑病、細(xì)菌性潰瘍病和葉曲病5種不同類型的病害進(jìn)行分類。該數(shù)據(jù)集是植物葉片和莖的組合圖像，分為5種疾病類和1種健康類共6個(gè)類別。利用神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)等技術(shù)對感染植物進(jìn)行模式識別。利用分類樹6種類型的番茄圖像進(jìn)行分類，準(zhǔn)確率達(dá)到97.3%。雖然他們?nèi)〉昧撕芨叩木龋麄兊木窒逓槭褂玫闹参飯D像的數(shù)據(jù)集較小。上述文章以及一些目前的研究存在一些需要改進(jìn)的問題，其一，對于移動(dòng)機(jī)器人的設(shè)計(jì)，許多研究并沒有根據(jù)蔬菜大棚內(nèi)的狹小種植環(huán)境進(jìn)行相應(yīng)的改進(jìn)，以至于機(jī)器人可能出現(xiàn)無法接收導(dǎo)航信號或是因移動(dòng)控制精度不足而毀壞作物的情況；其二，在疾病識別方面，上述研究并沒有論述在蔬菜大棚這一特殊環(huán)境下疾病的發(fā)病種類及規(guī)律，僅僅是選取了作物在開放耕作環(huán)境下的常見疾病或是直接使用公開數(shù)據(jù)集中包含的疾病。且公開數(shù)據(jù)集中的圖片均為專業(yè)拍攝，經(jīng)過預(yù)處理，與機(jī)器人真實(shí)拍攝圖像存在較大差異，這就導(dǎo)致實(shí)驗(yàn)與現(xiàn)實(shí)脫軌。1.3本文主要工作本文在總結(jié)前人研究的基礎(chǔ)上，針對于上文所述此領(lǐng)域內(nèi)目前存在的問題，設(shè)計(jì)出了一款應(yīng)用于蔬菜大棚的疾病自動(dòng)檢測小車，此小車可以通過自動(dòng)或手動(dòng)的方式在大棚內(nèi)移動(dòng)拍照，并通過無線網(wǎng)絡(luò)將圖片傳輸至計(jì)算機(jī)，隨后計(jì)算機(jī)使用疾病識別算法對圖片進(jìn)行疾病識別，并將識別結(jié)果通過用戶圖形界面展示出來，以供用戶查看。本文具體工作如下：（1）首先，對小車的機(jī)械結(jié)構(gòu)進(jìn)行設(shè)計(jì)?；诖笈锏南鄬Ψ忾]狹小環(huán)境以及田壟式種植地貌，統(tǒng)計(jì)了種植不同作物時(shí)田壟的高度寬度和田壟間距，選取合適的骨架組裝了小車，使得其外形適合于在大棚內(nèi)移動(dòng)。（2）其次，對小車的硬件結(jié)構(gòu)進(jìn)行設(shè)計(jì)。根據(jù)功能需求選取了小車的控制器和傳感器以及電機(jī)驅(qū)動(dòng)設(shè)備，設(shè)計(jì)電路圖將器件連接并進(jìn)行調(diào)試，為小車的移動(dòng)導(dǎo)航、通信、拍照等功能搭建硬件環(huán)境。（3）再次，對核心算法進(jìn)行設(shè)計(jì)。包括自動(dòng)導(dǎo)航算法、故障檢測算法和蔬菜疾病識別算法。自動(dòng)導(dǎo)航算法基于超聲波傳感器測距，并采用最小二乘法進(jìn)行路徑擬合，使得小車能夠在田壟內(nèi)自主移動(dòng)巡檢。故障檢測算法基于FAST特征點(diǎn)匹配，可以方便的對小車是否發(fā)生移動(dòng)故障進(jìn)行檢測。蔬菜疾病識別算法基于卷積神經(jīng)網(wǎng)絡(luò)，此算法包括預(yù)處理，去除模糊圖像，病斑提取以及神經(jīng)網(wǎng)絡(luò)識別等模塊，實(shí)驗(yàn)表明，本算法可以對蔬菜大棚常見疾病進(jìn)行有效識別。（4）最后，進(jìn)行系統(tǒng)的集成與測試。購買器件組裝小車，設(shè)計(jì)出完整軟件系統(tǒng)，編寫用戶界面，并對此檢測小車的重要功能進(jìn)行實(shí)驗(yàn)與分析。1.4論文組織結(jié)構(gòu)論文一共包括六個(gè)章節(jié)，論文結(jié)構(gòu)介紹如下：第1章：緒論。本章首先介紹了此論文的研究背景與意義，其次論述了國內(nèi)外的研究現(xiàn)狀并指出所存在的問題，最后概括性的列出本文的主要工作。第2章：相關(guān)技術(shù)。此章介紹了此領(lǐng)域的一些基礎(chǔ)技術(shù)背景。首先談及機(jī)器人方面的基礎(chǔ)技術(shù)，包括機(jī)器人導(dǎo)航以及控制器方面的知識。其次對蔬菜疾病相關(guān)知識進(jìn)行介紹。最后介紹了神經(jīng)網(wǎng)絡(luò)方面的知識。第3章：小車機(jī)械與硬件設(shè)計(jì)：此章分析了小車的功能需求，提出了總體設(shè)計(jì)思路，并對小車的機(jī)械與硬件結(jié)構(gòu)進(jìn)行了詳細(xì)設(shè)計(jì)。第4章：核心算法設(shè)計(jì)。此章依次介紹了三個(gè)核心算法的設(shè)計(jì)與實(shí)驗(yàn)，分別為自動(dòng)導(dǎo)航算法、故障檢測算法和蔬菜疾病識別算法。第5章：系統(tǒng)設(shè)計(jì)與集成。本章首先對軟件系統(tǒng)進(jìn)行設(shè)計(jì)，隨后組裝小車，將軟硬件與機(jī)械三者集成，最后設(shè)計(jì)實(shí)驗(yàn)測試小車的性能。第6章：總結(jié)與展望。本章對本文的主要工作進(jìn)行總結(jié)，客觀評價(jià)其所存在的問題以及未來所應(yīng)進(jìn)行的改進(jìn)。參考文獻(xiàn)[1]鐘鋼.國內(nèi)外溫室發(fā)展歷程,現(xiàn)狀及趨勢[J].農(nóng)業(yè)科技與裝備,2013(09):68-69.[2]S.K.Pilli,B.Nallathambi,S.J.GeorgeandV.Diwanji.eAGROBOT-Arobotforearlycropdiseasedetectionusingimageprocessing[J].

2014InternationalConferenceonElectronicsandCommunicationSystems(ICECS),Coimbatore,India,2014,pp.1-6.[3]K.R.AravindandP.Raja.Designandsimulationofcropmonitoringrobotforgreenhouse[J].2016InternationalConferenceonRobotics:CurrentTrendsandFutureChallenges(RCTFC),Thanjavur,India,2016,pp.1-6.[4]D.Radovanovi?andS.?ukanovic.Image-BasedPlantDiseaseDetection:AComparisonofDeepLearningandClassicalMachineLearningAlgorithms[J].202024thInternationalConferenceonInformationTechnology(IT),Zabljak,Montenegro,2020,pp.1-4.[5]R.Osama,N.E.-H.Ashraf,A.Yasser,S.AbdelFatah,N.ElMasryandA.AbdelRaouf.Detectingplant’sdiseasesinGreenhouseusingDeepLearning[J].20202ndNovelIntelligentandLeadingEmergingSciencesConference(NILES),Giza,Egypt,2020,pp.75-80.[6]ChitSuHlaingandSaiMaungMaungZaw.Model-basedstatisticalfeaturesformobilephoneimageoftomatoplantdiseaseclassification[J].In201718thInternationalConferenceonParallelandDistributedComputing,ApplicationsandTechnologies(PDCAT),pages223–229,Taipei,Taiwan,2017.IEEE[7]HSabrolandKSatish.Tomatoplantdiseaseclassificationindigitalimagesusingclassificationtree[J].In2016InternationalConferenceonCommunicationandSignalProcessing(ICCSP),pages1242–1246,Melmaruvathur,Tamilnadu,India,2016.IEEE.[8]徐磊,蔣麗云,王志強(qiáng).氣象因素對蔬菜病害發(fā)病期的影響[J].現(xiàn)代農(nóng)業(yè),2013(02):34.[9]J.Sun,LiZhengming,WangYinghai,LuWenjuanandJiangBo.TheSystemDesignofMonitoringabnormalEnvironmentParameterofVegetableGreenhousebasedonShortMessage[J].2009IEEE/INFORMSInternationalConferenceonServiceOperations,LogisticsandInformatics,Chicago,IL,2009,pp.709-712.[10]H.Zhao,Y.Cui,F.Yang,R.Yang,D.PanandL.Zhao.DesignoftheFacilityVegetableEnvironmentMonitorSystemofGreenhouseBasedonInternetofThings[J].20192ndWorldConferenceonMechanicalEngineeringandIntelligentManufacturing(WCMEIM),Shanghai,China,2019,pp.752-755.[11]K.Zhang,Y.R.Guo,X.S.Wang,etal.MultiplefeaturereweightDenseNetforimageclassification[J].IEEEAccess,2019,7:9872-9880.[12]YANGL,YISJ,YONGZ,etal.Identificationofricediseasesusingdeepconvolutionalneuralnetworks[J].Neurocomputing,2017,267:378-384.[13]S.Mathulaprangsan,K.Lanthong,D.Jetpipattanapong,S.SateanpattanakulandS.Patarapuwadol,RiceDiseasesRecognitionUsingEffectiveDeepLearningModels[J].2020JointInternationalConferenceonDigitalArts,MediaandTechnologywithECTINorthernSectionConferenceonElectrical,Electronics,ComputerandTelecommunicationsEngineering(ECTIDAMT&NCON),Pattaya,Thailand,2020,pp.386-389.[14]A.Hidayatuloh,M.NursalmanandE.Nugraha.IdentificationofTomatoPlantDiseasesbyLeafImageUsingSqueezenetModel[J].2018InternationalConferenceonInformationTechnologySystemsandInnovation(ICITSI),Bandung,Indonesia,2018,pp.199-204.[15]B.Thuilot,C.Cariou,L.Cordesses,etal.Automaticguidanceofafarmtractoralongcurvedpaths,usingauniqueCP-DGPS[C].Proceedings2001IEEE/RSJInternationalConferenceonIntelligentRobotsandSystems.ExpandingtheSocietalRoleofRoboticsinthetheNextMillennium(Cat.No.01CH37180).IEEE,2001,2:674-679.[16]T.Hellstr?m.Autonomousnavigationforforestmachines[J].Aprojectpre-studyintheDepartmentofComputerScience,UmeaUniversity,Sweden,2002,3:560-564.[17]Y.Song,X.Duan,Y.Ren,J.Xu,L.LuoandD.Li.IdentificationoftheAgriculturalPestsBasedonDeepLearningModels[J].2019InternationalConferenceonMachineLearning,BigDataandBusinessIntelligence(MLBDBI),Taiyuan,China,2019,pp.195-198.[18]S.Mathulaprangsan,K.Lanthong,D.Jetpipattanapong,S.SateanpattanakulandS.Patarapuwadol.RiceDiseasesRecognitionUsingEffectiveDeepLearningModels[J].2020JointInternationalConferenceonDigitalArts,MediaandTechnologywithECTINorthernSectionConferenceonElectrical,Electronics,ComputerandTelecommunicationsEngineering(ECTIDAMT&NCON),Pattaya,Thailand,2020,pp.386-389.[19]T.Bai,Q.Jiang,W.XingandH.Meng.ARecognitionModelofRedJujubeDiseaseSeverityBasedonImprovedPSO-BPNeuralNetwork[J].2012InternationalConferenceonComputerScienceandElectronicsEngineering,Hangzhou,2012,pp.670-673.[20]I.Codreanu.AProposedAutomaticSpeechandSentimentRecognitionSeriousGameforOlderAdultswithParkinson’sDisease[J].201921stInternationalSymposiumonSymbolicandNumericAlgorithmsforScientificComputing(SYNASC),Timisoara,Romania,2019,pp.343-344.[21]H.Hong,J.LinandF.Huang.TomatoDiseaseDetectionandClassificationbyDeepLearning[J].2020InternationalConferenceonBigData,ArtificialIntelligenceandInternetofThingsEngineeri