茶叶的品质和产量容易受到茶叶病害的影响,通过对病害的预警和严重程度的估计,可以指导茶农合理地喷洒农药,从而减少经济损失和农药滥用。茶炭疽菌会阻碍茶叶的健康生长,其在安徽、浙江、江西等地产茶区的影响最为严重。随着计算机视觉与图像处理技术的进步,茶叶病害严重度估计方法逐渐从茶农、农学专家人工估计过渡到利用计算机技术对茶叶叶片图像进行自动化估计,从而减少了人力成本及主观性导致的估计偏差。然而,茶炭疽菌侵染的茶叶叶片常出现病斑脱落、叶片变形等情况,自然场景下的土壤、杂草、不均衡的光照条件等因素都会导致现有的严重度估计方法的准确率不高;此外,受资金、物理条件的限制,获取样本的数量有限,这些会导致严重度估计模型的过拟合。针对上述问题,本文通过获取自然场景中被茶炭疽菌感染的茶叶图像,结合图像处理、机器学习、深度学习等方法,实现对茶炭疽菌感染病害的严重度估计,提高估计的准确率。本文的主要内容及成果如下:1)介绍了本文所用数据的获取过程,包括图像采集地点、采集日期、采集设备等。分析了数据集特点,包括茶炭疽菌感染的2种茶叶病害——茶云纹叶枯病、茶炭疽病处于不同阶段的发病症状,以及病害严重度的等级划分。介绍了几种常用的数据预处理方法。2)提出了一种基于ER（Ellipse Restoration）拟合和度量学习的茶云纹叶枯病的严重度估计方法。首先,结合U-Net网络和全连接条件随机场对茶叶叶片图像中的目标叶片进行分割,从而大大减少无关背景区域对严重度估计结果的影响。再利用支持向量机将病斑区域从叶片区域中分割出来。由于茶云纹叶枯病叶片的病斑会出现不同程度的脱落、卷曲,仅通过病斑区域与叶片区域的比例衡量严重度会存在较大偏差,故本文提出了一种椭圆复原（ER）算法来生成叶片区域的椭圆掩模,并计算初始的病害严重度指标IDS（Initial Disease Severity）,从而减小该误差的影响。最后,将茶云纹叶枯病叶片的IDS指标、颜色特征和纹理特征输入到度量学习模型中估计病害的严重程度。实验结果表明,与传统的卷积神经网络方法（如VGG、Res Net等）和经典机器学习技术（如Ada Boost、KNN、Decision Tree等）相比,该方法具有更高的估计精度和更强的鲁棒性。3)提出了一种基于BR（B-spline Restoration）拟合和梯度提升机（Gradient Boosting Machine,GBM）的茶炭疽菌严重度估计方法。首先,为了减少茶叶叶片图像中背景区域的干扰,利用标记分水岭算法对病害叶片进行分割,然后使用支持向量机分割病斑。由于B样条（B-spline）曲线非常接近茶叶叶片外轮廓的形状,故本文用其对叶片区域的残缺部分进行拟合,从而得到叶片的面积特征IDS。由于集成学习模型GBM适合样本量不大的数据集,并且对噪声数据不敏感,估计准确率较高,故该方法利用GBM来估计茶炭疽菌导致病害的严重程度。所用数据集样本量较小,只需要少量的人工标注,从而节省了人力、时间成本。实验结果表明,与经典机器学习方法、传统卷积神经网络方法相比,该方法对于自然场景图像中受茶炭疽菌感染的茶叶严重程度估计具有更好的估计准确率和鲁棒性。