基于圖像處理的農(nóng)作物病害識別研究現(xiàn)狀

李 旺，唐少先

(湖南農(nóng)業(yè)大學(xué) 信息科學(xué)技術(shù)學(xué)院，湖南 長沙 410128)

農(nóng)業(yè)是我國經(jīng)濟(jì)發(fā)展的基石。隨著生活水平的提高，人們對日常農(nóng)作物的品質(zhì)要求也越來越高，農(nóng)作物病害是限制農(nóng)民生產(chǎn)的重要因素，由于病害損失巨大，直接影響農(nóng)作物市場銷量。

目前在實(shí)際生產(chǎn)中，農(nóng)民主要依靠自身經(jīng)驗(yàn)，憑感覺地對作物病害進(jìn)行診斷。雖然這也取得了一定的效果，但農(nóng)民畢竟不是專家，并且識別能力有限，往往在作物的病害程度比較重時(shí)肉眼才能識別，這樣就不能做到“對癥下藥”和及時(shí)防治。如此依靠人的視覺系統(tǒng)再憑豐富的經(jīng)驗(yàn)（主觀、局限、模糊），不足以說明識別病害的科學(xué)性。傳統(tǒng)的病害檢測方法不僅費(fèi)時(shí)費(fèi)力，還嚴(yán)重影響病害預(yù)報(bào)準(zhǔn)確率。

隨著計(jì)算機(jī)圖像處理和識別技術(shù)的發(fā)展，給作物的病害準(zhǔn)確識別帶來了可能。及時(shí)、快速的發(fā)現(xiàn)并識別農(nóng)作物病害，為及時(shí)正確采取相應(yīng)措施防治病害，減少病害帶來的損失具有重要意義。為此，論述了圖像處理在農(nóng)作物病害識別中的國內(nèi)外研究現(xiàn)狀。

1 基于圖像處理的農(nóng)作物病害識別概述

農(nóng)作物得病后，其新陳代謝會發(fā)生一定的改變，這種改變可以引起植物細(xì)胞和植物外部形態(tài)的改變，絕大多數(shù)會在葉子上表現(xiàn)出來，使葉子的顏色、形狀、紋理發(fā)生變化。由于其致病的病原物的不同，形成了對植物的主要危害部位的不相同。因此，這就為我們采用圖像處理和模式識別技術(shù)，通過農(nóng)作物的病葉來判斷農(nóng)作物的染病情況提供了可能。

圖像識別系統(tǒng)可以分為三個(gè)主要部分，其框圖如圖1所示。第一部分是病害圖像信息的獲取，第二部分是信息的加工與處理，第三部分是判決與分類。

圖1 圖像識別系統(tǒng)框圖

圖像信息的獲?。豪酶鞣N輸入設(shè)備將要識別對象的信息輸入計(jì)算機(jī)，通過測量、采樣和量化，可以用矩陣或者向量來表示待識別對象的信息；預(yù)處理：應(yīng)用圖像平滑、增強(qiáng)、變換和濾波等技術(shù)對圖像進(jìn)行處理，去除噪聲，加強(qiáng)有用的信息；特征提取與選擇：為了有效地實(shí)現(xiàn)分類識別，得到最能反映分類本質(zhì)的特征；判決與分類：用一定數(shù)量的樣本確定出一套分類判別規(guī)則，按已確定的分類判別規(guī)則對待識別模式進(jìn)行分類判別。

2 研究現(xiàn)狀

20世紀(jì)50年代出現(xiàn)的數(shù)字圖像處理技術(shù)在60年代初期便成為一門正式的學(xué)科。近20多年來，隨著數(shù)字圖像處理技術(shù)的專業(yè)化、各種模式識別技術(shù)的日趨成熟，數(shù)字圖像處理技術(shù)在農(nóng)作物缺素識別診斷、種子質(zhì)量檢驗(yàn)、農(nóng)產(chǎn)品品質(zhì)檢測與分級等方面得到了廣泛研究，并且在農(nóng)業(yè)領(lǐng)域顯示出巨大的應(yīng)用潛力。但是圖像識別在作物病蟲害方面的研究起步相對較晚，文獻(xiàn)較少。

2.1 國外研究現(xiàn)狀

國外對農(nóng)作物病害的圖像識別研究起于20世紀(jì)80年代。

安岡善文等（1985）對作物葉片受有害氣體污染后的紅外圖像進(jìn)行了研究，葉子的紅外圖像清晰顯示了被污染的區(qū)域，并提出可通過病葉來診斷植物病害。

穗波信雄等（1989）利用分別對缺乏鈣、鐵、鎂營養(yǎng)元素的茨菇葉片進(jìn)行了一些基礎(chǔ)研究，他們利用直方圖分析了顏色特征，利用RGB顏色直方圖波峰分布位置，來提取葉片的顏色特征，又用闡值法分割出葉片上病態(tài)部分和正常部分，并計(jì)算出兩者的面積比作為特征。他們提取的特征不明顯，較難區(qū)分開缺素病。

Yuataka SASAKI（1999）研究了黃瓜炭疽病的自動識別技術(shù)。根據(jù)不同的分光反射特性和光學(xué)濾波對病害識別的影響，采用遺傳算法，從分光反射特性和形狀特性的角度建立了識別參數(shù)，對病害進(jìn)行了識別。由于他們未充分利用病害的顏色及紋理信息，因此識別精度不高。

LuigiBodria等（2002）對不同真菌感染的小麥進(jìn)行了多光譜圖像識別，研究使用200W的疝氣燈作為光源，并配備了一個(gè)低通濾光裝置，使光源的輻射波長在360nm~430nm之間，相機(jī)分別用690nm的單一波段和4個(gè)多光譜波段(450nm，550nm，690nm，740nm)采集圖像。研究分別在實(shí)驗(yàn)室和田間進(jìn)行，可以在病害的前2-3天通過肉眼識別出病害。

Mohammed E1-Helly等（2004）開發(fā)了綜合圖像處理系統(tǒng)自動檢測葉片病斑來識別病害類型，此系統(tǒng)利用人工神經(jīng)網(wǎng)絡(luò)作為分類器，能較好的識別黃瓜白粉病、霜霉病和受潛葉蟲危害的葉片。

Mohammad Sammany（2007）等利用遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和參數(shù)來識別植物病害圖像；同時(shí)把支持向量機(jī)和神經(jīng)網(wǎng)絡(luò)兩種方法應(yīng)用于識別植物病害。后來，他們利用粗糙集來減少神經(jīng)網(wǎng)絡(luò)分類器的輸入特征向量，以此提高分類效率。

Tellaeche等 （2008）根據(jù)場景的透視幾何原理，利用Hough變換，gabor濾波方法就可以探測出農(nóng)作物的排列，加之相應(yīng)的區(qū)域標(biāo)記法、貝葉斯等識別算法就可以識別出行之間的雜草，解決了不同透視角度與不同空間頻率下的雜草識別。

2.2 國內(nèi)研究現(xiàn)狀

國內(nèi)在這方面起步較晚，但是有一些高?；蛘呖蒲性核恢痹陂_展農(nóng)作物病害圖像識別技術(shù)的研究。

陳佳娟等（2001）采用計(jì)算機(jī)視覺技術(shù)，根據(jù)棉花葉片的孔洞及葉片邊緣的殘缺，來測定棉花蟲害的受害程度。該方法應(yīng)用局部門限法完成圖像與背景的分割；用高斯拉普拉斯算子，進(jìn)行棉花圖像的邊緣檢測；利用邊緣跟蹤算法確定棉葉中的孔洞；利用膨脹算法確定葉片邊緣的殘缺。實(shí)驗(yàn)結(jié)果表明，該方法可有效的測定棉花蟲害的受害程度，其測定誤差小于0.05。

張長利等(2001)利用遺傳算法訓(xùn)練的多層前饋神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)番茄成熟度的自動判別的研究。對50個(gè)不同成熟度的番茄樣本進(jìn)行檢測，結(jié)果表明，遺傳算法與人工神經(jīng)網(wǎng)絡(luò)相結(jié)合，在農(nóng)產(chǎn)品品質(zhì)自動檢測中具有巨大的潛力和廣闊的應(yīng)用。

徐貴力，毛罕平等（2003）針對無土栽培番茄缺乏營養(yǎng)元素智能識別研究中，如何提取缺素葉片紋理特征問題，提出了差分百分率直方圖法。特征有效性不受葉片大小、形狀差異和葉片圖像中葉片周邊白色背景的影響，實(shí)驗(yàn)驗(yàn)證該方法能較好地提取出缺素葉片紋理特征。最后利用K一近鄰模式識別法進(jìn)行模式識別，識別的準(zhǔn)確率在80%以上。

程鵬飛(2005)選取合適的色度學(xué)系統(tǒng)，從顏色和紋理兩方面人為地選擇合適的特征參數(shù)，利用模糊K一近鄰法建立分類器對植株葉片進(jìn)行模式識別。但人為地選擇特征參數(shù)，影響識別準(zhǔn)確度度，可以利用一些優(yōu)化算法來對特征參數(shù)進(jìn)行優(yōu)化選擇。

田有文，牛妍（2009）探討了采用支持向量機(jī)（SVM）對黃瓜病害進(jìn)行分類的方法；提取了病斑的形狀、顏色、質(zhì)地、發(fā)病時(shí)期等特征作為特征向量，利用支持向量機(jī)分類器，選取4種常見核函數(shù)，以Matlab7.0為平臺對10類常見病害進(jìn)行識別。結(jié)果表明，SVM方法在處理小樣本問題中具有良好的分類效果，線性核函數(shù)和徑向基核函數(shù)的SVM分類方法在黃瓜病害的識別方面優(yōu)于其他類型核函數(shù)的SVM。

劉鵬（2011）以次郎甜柿為研究對象，應(yīng)用快速獨(dú)立分量方法對病害圖像進(jìn)行處理，去除病害圖像中的隨機(jī)噪聲。提取病害甜柿表面圖像的紋理特征參數(shù)和顏色特征參數(shù)后采用支持向量機(jī)（SVM）識別甜柿表面病害。研究表明快速獨(dú)立分量方(FASTICA)法可以很好地?cái)U(kuò)展病害區(qū)域邊緣。采用圖像紋理特征參數(shù)和顏色特征參數(shù)結(jié)合構(gòu)建支持向量時(shí)，識別準(zhǔn)確率和速度都高于只用單一特征參數(shù)的情況。在選擇圖像紋理特征參數(shù)和顏色特征參數(shù)結(jié)合作為支持向量的基礎(chǔ)上，對結(jié)構(gòu)參數(shù)進(jìn)行優(yōu)化選擇。結(jié)果表明：SVM核函數(shù)為Sigmoid對果體表面病害的識別效果較好。

可以看出，近些年來，國內(nèi)外專家學(xué)者對農(nóng)作物病害識別檢測進(jìn)行了廣泛的研究，通過對農(nóng)作物病害圖像的預(yù)處理，提取病害特征參數(shù)，使用不同的分類器達(dá)到智能識別的目的。

3 結(jié)語

（1）有待于提高病害識別精度。目前圖像識別的方法大致有5類：統(tǒng)計(jì)識別、結(jié)構(gòu)識別、模糊識別、神經(jīng)網(wǎng)絡(luò)識別和支持向量機(jī)識別，各種方法有自身的特點(diǎn)，沒有哪一種方法在各種農(nóng)作物病害識別中通用，針對不同作物采取相應(yīng)的識別算法才能提高識別率。改進(jìn)圖像識別率的相關(guān)算法也是今后的研究重點(diǎn)。

（2）有待于多部位提取特征參數(shù)。由于一種農(nóng)作物病害的癥狀不只是病葉顏色、紋理、形狀特征等外部特征，不僅要綜合利用病葉顏色、形狀、紋理等特征參數(shù)進(jìn)行多變量特征參數(shù)提取的同時(shí)，也要考慮農(nóng)作物根、莖、花果等所表現(xiàn)的癥狀信息，忽略了這些信息在一定程度上影響了識別的精度。因此，建議以后應(yīng)將葉、根、莖、花果病癥特征進(jìn)行信息融合，從不同部位提取特征參數(shù)，進(jìn)一步提高系統(tǒng)的識別精度。

（3）有待于推廣到實(shí)際生產(chǎn)中。目前國內(nèi)外利用計(jì)算機(jī)圖像處理技術(shù)進(jìn)行蔬菜病害識別的研究大多都停留在對其算法的可行性探究上還停留在實(shí)驗(yàn)室階段，并未推廣到實(shí)際生產(chǎn)過程中。

（4）有待于實(shí)現(xiàn)動態(tài)識別病害。農(nóng)作物病害的種類繁多、癥狀具有多樣性，這些特點(diǎn)給病害的模式識別造成了較大困難，目前大多數(shù)識別系統(tǒng)都是離線的、靜態(tài)的條件下分析識別，如何對田間農(nóng)作物病害實(shí)時(shí)地、在線地動態(tài)識別，以便及時(shí)采取防治措施，還有待于進(jìn)一步研究。

[1]安岡善文.圖像處理技術(shù)在環(huán)境中的應(yīng)用.電氣學(xué)會雜志特集.1985:455~458.

[2]穗波信雄.根據(jù)圖像提取植物的生長信息.農(nóng)業(yè)機(jī)械學(xué)會關(guān)西支部第6次支部研究資料.1989,10:1~2.

[3]Yutaka SASAKI,Tsuguo Okamoto.Automatic Diagnosis of Plant Disease recognition Between Healthy and Healthy and Diseased Leaf.Journal of JSAM.1999,61(2)119~126.

[4]LuigiBordria.Marco Fiala,Roberto Oberti,Ezio Naldi.Chlorophyll fluorescence sensing for early detection of crop's disease symp toms ASAE Meeting Preseniation(Ppaer No.021114),002.

[5]E1-Helly M.,El-Beltagy S.,and Rafea A..Image analysis based interface for diagnostic expert systems[A].Proceedings of the Win ter international synposium on information and Communication Technologies[C].Trinity College Dublin,2004,1~6.

[6]Sammany,M.,T.Medhat:Dimensionality Reduction Using Rough Set Approach for Two Neural Networks-Based Applications[A].Rough Sets and Intelligent Systems Paradigms[C].Heidelberg:Springer Berlin,2007,639~647.

[7]Tellaeche A,Burgos-Artizzu X P, Pajaresa G,Ribeiro A.A vi sion-based method for weeds identification through the Bayesian decision theory[J].Pattern Recognition 2008(41):521~530.

[8]陳佳娟,趙學(xué)篤.采用計(jì)算機(jī)視覺進(jìn)行棉花蟲害程度的自動測定[J].農(nóng)業(yè)工程學(xué)報(bào).2001,l7(2):157~160.

[9]張長利,房俊龍.用遺傳算法訓(xùn)練的多層前饋神經(jīng)網(wǎng)絡(luò)對番茄成熟度進(jìn)行自動檢測的研究[J].農(nóng)業(yè)工程學(xué)報(bào).2001,17(3):153~156.

[10]徐貴力,毛罕平等.差分百分率直方圖法提取缺素葉片紋理特征.農(nóng)業(yè)機(jī)械學(xué)報(bào)[J].2003,34(2):76~79.

[11]程鵬飛.植物病害的圖像處理及特征值提取方法的研究[D].山西:山西農(nóng)業(yè)大學(xué).2005.

[12]田有文,牛妍.支持向量機(jī)在黃瓜病害識別中的應(yīng)用研究.農(nóng)機(jī)化研究[J]..2009,(3):36~39.