基于Android平臺(tái)的蘋(píng)果葉病害遠(yuǎn)程識(shí)別系統(tǒng)

王梅嘉，何東健，任嘉琛

（1.西北農(nóng)林科技大學(xué) 信息工程學(xué)院，陜西 楊凌712100；2.西北農(nóng)林科技大學(xué) 機(jī)械與電子工程學(xué)院，陜西 楊凌712100）

0 引 言

基于數(shù)字圖像分析技術(shù)對(duì)農(nóng)作物病蟲(chóng)草害圖像進(jìn)行已被證明是一種有效、客觀手段［1－7］。張建華等使用包含光照箱、光源、CCD 數(shù)碼相機(jī)等圖像采集系統(tǒng)，采集棉花蟲(chóng)害葉片進(jìn)行識(shí)別，識(shí)別率達(dá)到88.1%［8］；柴阿麗等用CanonA640數(shù)碼相機(jī)、固定熒光燈等裝置，用近拍模式拍攝番茄葉部圖像，對(duì)病害的識(shí)別率達(dá)94.71%［9］；何東健等用多光譜相機(jī)采集玉米田間雜草圖像，提出一種支持向量機(jī)和證據(jù)理論相結(jié)合的多特征融合雜草識(shí)別方法，取得了良好效果［10］。前人研究多用數(shù)碼相機(jī)或多光譜相機(jī)等采集圖像，在實(shí)驗(yàn)室進(jìn)行分析，難以滿(mǎn)足實(shí)時(shí)、便捷診斷病蟲(chóng)草害的應(yīng)用需求［11］。隨著Android智能手機(jī)以及3G 網(wǎng)絡(luò)在農(nóng)村的普及，利用手機(jī)拍攝圖片上傳給信息中心進(jìn)行遠(yuǎn)程識(shí)別成為可能。本文以蘋(píng)果葉部病害為研究對(duì)象，以危害較為嚴(yán)重的蘋(píng)果斑點(diǎn)落葉病、銹病和花葉病遠(yuǎn)程智能分析診斷為目標(biāo)，研究基于Android平臺(tái)的遠(yuǎn)程作物病害識(shí)別系統(tǒng)框架以及手機(jī)和服務(wù)器間信息傳輸?shù)募夹g(shù)與方法，信息中心服務(wù)器接收手機(jī)拍攝蘋(píng)果葉部病害圖像并進(jìn)行分析診斷，診斷結(jié)果推送至手機(jī)端，手機(jī)端顯示相應(yīng)防治措施給用戶(hù)，為指導(dǎo)果農(nóng)進(jìn)行科學(xué)防治提供一種便捷方法。

1 系統(tǒng)架構(gòu)分析與設(shè)計(jì)

為實(shí)現(xiàn)遠(yuǎn)程病害智能識(shí)別及識(shí)別結(jié)果推送服務(wù)，系統(tǒng)需要有圖像采集終端和PC服務(wù)器端硬件，需要確定圖像傳輸、診斷結(jié)果推送機(jī)制，設(shè)計(jì)病害識(shí)別方法。考慮到支持Android 系 統(tǒng) 的 手 機(jī) 市 場(chǎng) 占 有 率 達(dá)78.9%［12］，故 用Android手機(jī)采集病害圖像；考慮到3G 網(wǎng)絡(luò)有高達(dá)256KB／s的傳輸速率，故采用3G 網(wǎng)絡(luò)將手機(jī)拍攝的病害圖像上傳到服務(wù)器端 （PC 機(jī)），服務(wù)器負(fù)責(zé)病害圖像分析與識(shí)別，并將識(shí)別病害類(lèi)型推送給客戶(hù)端。采用C／S模式的系統(tǒng)架構(gòu)如圖1所示。

圖1 系統(tǒng)結(jié)構(gòu)

2 系統(tǒng)關(guān)鍵功能設(shè)計(jì)

系統(tǒng)關(guān)鍵功能設(shè)計(jì)包含客戶(hù)端、服務(wù)器以及客戶(hù)端與服務(wù)器通信設(shè)計(jì)。

2.1 客戶(hù)端圖像拍攝與存儲(chǔ)

手機(jī)客戶(hù)端圖像采集流程如圖2所示?？蛻?hù)端可調(diào)用照相機(jī)拍攝圖像或從圖庫(kù)中加載圖像，用戶(hù)獲得圖片后，可根據(jù)當(dāng)前網(wǎng)絡(luò)情況選擇立即發(fā)送至服務(wù)器或保存至手機(jī)本地?cái)?shù)據(jù)庫(kù)。

2.1.1 病害圖像拍攝

為減少自然光照及復(fù)雜背景對(duì)識(shí)別準(zhǔn)確性的影響，左手持黑色紙板置于病葉下方，右手持手機(jī)相機(jī)拍攝。為加快后續(xù)識(shí)別速度，手機(jī)端程序在預(yù)覽畫(huà)面上定義一個(gè)670×420像素矩形框，拍攝時(shí)使葉片盡量充滿(mǎn)整個(gè)矩形框，程序自動(dòng)裁剪掉矩形框外多余的部分。為避免發(fā)生形變，保持手機(jī)感光器與葉片平行。葉片圖像以JPEG 格式存儲(chǔ)至SD 卡，以采集時(shí)間命名，并作為唯一標(biāo)識(shí)的ID。

圖2 客戶(hù)端采集圖像流程

2.1.2 本地?cái)?shù)據(jù)庫(kù)存儲(chǔ)

當(dāng)網(wǎng)絡(luò)條件不佳時(shí)，可將采集的圖像先保存至本地待識(shí)別數(shù)據(jù)庫(kù)，擇時(shí)再查看圖像并發(fā)送，已發(fā)送的圖像將自動(dòng)在數(shù)據(jù)庫(kù)中刪除，服務(wù)器已識(shí)別圖像同樣會(huì)自動(dòng)保存至手機(jī)本地已識(shí)別數(shù)據(jù)庫(kù)。Android使用開(kāi)源的、與操作系統(tǒng)無(wú)關(guān)的SQL數(shù)據(jù)庫(kù)SQLite，它是一款輕量級(jí)數(shù)據(jù)庫(kù)，占用資源非常低，只需要幾百K的內(nèi)存。故本文采用SQLite構(gòu)建數(shù)據(jù)庫(kù)。數(shù)據(jù)庫(kù)中存儲(chǔ)圖片ID、拍攝時(shí)間及存儲(chǔ)路徑等信息。

2.2 服務(wù)器端圖像分析與識(shí)別設(shè)計(jì)

服務(wù)器負(fù)責(zé)對(duì)圖像分析處理，主要包括圖像預(yù)處理、病斑分割、特征提取和病斑識(shí)別等4個(gè)步驟。

2.2.1 圖像預(yù)處理

由于在自然環(huán)境下用手機(jī)拍攝的彩色圖像存在對(duì)比度不明顯、邊緣模糊等現(xiàn)象，因此，服務(wù)器收到客戶(hù)端發(fā)送的圖像后，需要進(jìn)行預(yù)處理。首先使用分段線(xiàn)性變換拉伸圖像灰度，擴(kuò)展圖像對(duì)比度［13］；分離圖像RGB通道，自適應(yīng)中值濾波去除噪聲；再用形態(tài)學(xué)Top－Hat變換去除光照影響，突出病斑。融合R、G、B通道則得到預(yù)處理后的彩色圖像。

2.2.2 病斑分割

為探討蘋(píng)果葉片病斑的有效分割因子，在RGB 模型下，分別用2＊G－R－B，G＊G－R＊B，G－B，G－R，2＊R－GB，R＊R－G＊B進(jìn)行病斑分割實(shí)驗(yàn)，結(jié)果表明2＊R－G－B對(duì)各種病斑均有較好的分割效果，因此選擇2＊R－G－B作為色彩分割因子，用最大類(lèi)間方差法分割病斑。3 種病斑的分割效果如圖3所示。對(duì)分割后的圖像用半徑為3的圓盤(pán)結(jié)構(gòu)先后做開(kāi)、閉運(yùn)算，以平滑圖像消除噪聲，然后，用8連通區(qū)域標(biāo)記提取病斑部位。

2.2.3 特征提取

圖3 3種病害及分割效果

不同的病斑其顏色、形狀和紋理有明顯不同。為識(shí)別病斑類(lèi)型，本文提取病斑的顏色特征、形狀特征和紋理特征，并進(jìn)行特征的優(yōu)選。

（1）顏色特征提取：常用的顏色模型有RGB、HSV等，由于HSV 模型中3個(gè)分量具有相對(duì)獨(dú)立性，且亮度分量與圖像的彩色信息無(wú)關(guān)，非常適合于借助人類(lèi)視覺(jué)系統(tǒng)來(lái)感知顏色特征的圖像處理。因此，將圖像從RGB空間轉(zhuǎn)換至HSV 空間，使用H 分量、S分量、V 分量的1階矩、2階矩和3階矩作為顏色特征。顏色矩定義如下

式中：μi——1階矩；σi——2階矩；si——3階矩；pi，j——圖像中第j個(gè)像素的第i個(gè)顏色分量。

圖像的顏色矩共9個(gè)分量 （3個(gè)顏色分量上各3個(gè)低階矩），比其它顏色特征更為簡(jiǎn)潔。對(duì)每種病害各隨機(jī)選擇15個(gè)樣本，經(jīng)過(guò)比較發(fā)現(xiàn)，3 種病害的H 分量、S分量1 階矩以及H 分量的2階矩有顯著差別。故選擇H、S分量的1階矩以及H 分量的2階矩共3個(gè)特征作為顏色特征參數(shù)。

（2）形狀特征提?。簩?shí)驗(yàn)中選取周長(zhǎng)、面積比、伸長(zhǎng)度、圓形度、矩形度、形狀復(fù)雜性的離散指數(shù)及Hu提出的7個(gè)不變矩等［14］13個(gè)病斑的形狀特征。

對(duì)比每種病害的形狀參數(shù)發(fā)現(xiàn)，3種病害在病斑面積比、圓形度及形狀復(fù)雜性的離散指數(shù)上有顯著差異，因此，選擇病斑面積比、圓形度及形狀復(fù)雜性的離散指數(shù)3個(gè)形狀參數(shù)。

（3）紋理特征提取：不同病害在紋理方面表現(xiàn)不同。本文用灰度梯度共生矩陣描述病害的紋理特征。采用平方求和計(jì)算梯度矩陣，選取灰度級(jí)為32，歸一化灰度梯度矩陣［15］，計(jì)算小梯度優(yōu)勢(shì)、大梯度優(yōu)勢(shì)、灰度分布的不均勻性、梯度分布的不均勻性、能量、灰度平均值、梯度平均值、灰度均方差等15個(gè)特征量。通過(guò)對(duì)比分析，3種病害的灰度分布的不均勻性和灰度均方差差異較大。因此，選擇灰度分布的不均勻性以及灰度均方差共2個(gè)特征作為紋理參數(shù)。

綜上所述，本文選擇如表1所示的8 個(gè)特征參數(shù)。表中，x1－x5，y1－y5和z1－z5分別為隨機(jī)選取的5個(gè)斑點(diǎn)落葉病樣本、銹病樣本和花葉病樣本。訓(xùn)練和識(shí)別前對(duì)優(yōu)選的特征參數(shù)進(jìn)行歸一化處理。

2.2.4 病斑識(shí)別

BP網(wǎng)絡(luò)是一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)，也是目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型之一。支持向量機(jī)（support vector machine，SVM）在解決小樣本、非線(xiàn)性及高維模式識(shí)別中優(yōu)勢(shì)明顯，其關(guān)鍵在于選擇合適的核函數(shù)從而獲得高維空間的分類(lèi)函數(shù)。本文構(gòu)建BP 網(wǎng)絡(luò)與SVM分別對(duì)3種病害進(jìn)行識(shí)別。BP網(wǎng)絡(luò)采用3層結(jié)構(gòu)，輸入層節(jié)點(diǎn)數(shù)為8，隱節(jié)點(diǎn)數(shù)為13，輸出層節(jié)點(diǎn)數(shù)為3。SVM 核函數(shù)選擇徑向基函數(shù)。共采集病葉圖像300 幅，每種病害100幅，其中前60幅做訓(xùn)練樣本，后40幅做測(cè)試樣本。訓(xùn)練后的BP網(wǎng)絡(luò)對(duì)測(cè)試樣本進(jìn)行測(cè)試，測(cè)試結(jié)果見(jiàn)表2，花葉病所有測(cè)試樣本均被正確識(shí)別，由于斑點(diǎn)落葉病病斑與銹病比較相似，9幅斑點(diǎn)落葉病圖像被錯(cuò)誤識(shí)別為銹病，7副銹病圖像被誤識(shí)為斑點(diǎn)落葉病，平均識(shí)別率為86.67%。用訓(xùn)練好的SVM 對(duì)花葉病的測(cè)試樣本均可正確識(shí)別；1幅斑點(diǎn)落葉病因葉片上有污點(diǎn)被錯(cuò)誤識(shí)別為銹??；1 幅銹病圖像被除草劑污染而被錯(cuò)誤識(shí)別為斑點(diǎn)落葉病。實(shí)驗(yàn)結(jié)果表明，SVM 識(shí)別性能較好，對(duì)3種病害測(cè)試樣本的平均識(shí)別率達(dá)到98.33%，因此，選擇SVM 模型識(shí)別病害。

表1 部分病害樣本特征參數(shù)值

表2 BP與SVM 識(shí)別率比較

2.3 手機(jī)客戶(hù)端與服務(wù)器通信設(shè)計(jì)

客戶(hù)端與服務(wù)器用3G 網(wǎng)絡(luò)進(jìn)行通信，為避免數(shù)據(jù)丟失，選擇可靠的TCP／IP 協(xié)議和socket流實(shí)現(xiàn)數(shù)據(jù)傳輸。當(dāng)客戶(hù)端發(fā)起連接請(qǐng)求時(shí)，一直處于監(jiān)聽(tīng)狀態(tài)的服務(wù)器同意連接，此時(shí)客戶(hù)端向服務(wù)器發(fā)送待識(shí)別圖像的文件名，服務(wù)器收到文件名以后，返回客戶(hù)端接收成功的信號(hào)，客服端收到信號(hào)后再開(kāi)始發(fā)送文件，服務(wù)器用接收的文件名保存圖像并立即識(shí)別，將識(shí)別結(jié)果返回客戶(hù)端。服務(wù)器與客戶(hù)端通信模型如圖4所示。為避免圖像數(shù)據(jù)大，導(dǎo)致用戶(hù)一直等待傳輸圖片，本文采用在service中實(shí)現(xiàn)客戶(hù)端發(fā)送圖像數(shù)據(jù)的策略［16］。應(yīng)用組件啟動(dòng)一個(gè)service運(yùn)行于后臺(tái)，即使用戶(hù)切換到另一個(gè)應(yīng)用，該service也會(huì)繼續(xù)運(yùn)行［17］，故在service中創(chuàng)建線(xiàn)程完成圖像傳輸。

圖4 通信模型

3 測(cè)試結(jié)果與分析

用索尼愛(ài)立信LT18i手機(jī)在VPN 和3G 環(huán)境下分別進(jìn)行系統(tǒng)測(cè)試。系統(tǒng)主界面如圖5所示，用戶(hù)可選擇蘋(píng)果病害識(shí)別或查看本地?cái)?shù)據(jù)庫(kù)。點(diǎn)擊 “蘋(píng)果病害圖像識(shí)別”按鈕，進(jìn)入病害識(shí)別主界面如圖6所示，可立刻拍照 （如圖7所示）或加載圖庫(kù)。獲取的圖片顯示在界面，可直接向服務(wù)器發(fā)送圖像識(shí)別請(qǐng)求，服務(wù)器收到圖像進(jìn)行分析識(shí)別 （如圖8所示），并將識(shí)別的病害類(lèi)型推送至客戶(hù)端，客戶(hù)端顯示相應(yīng)病害的防治建議 （如圖9所示）?？蛻?hù)端也可將拍攝的圖像保存至本地待識(shí)別數(shù)據(jù)庫(kù)。

圖5 通信模型

圖6 病害識(shí)別主界面

圖7 拍照界面

圖8 服務(wù)器接收識(shí)別圖像

圖9 客戶(hù)端推送結(jié)果

測(cè)試客戶(hù)端發(fā)送每幅病害圖像到接收診斷結(jié)果所需時(shí)間如表2所示 （僅列出10幅），由表3可知，用3G 網(wǎng)絡(luò)遠(yuǎn)程病害診斷所需平均時(shí)間為15.65s，與VPN 網(wǎng)絡(luò)相比，僅多了0.79s，這是因?yàn)楂@取圖像經(jīng)手機(jī)客戶(hù)端裁剪后數(shù)據(jù)量相對(duì)較小，二者傳輸所需時(shí)間相差不大。系統(tǒng)可滿(mǎn)足實(shí)時(shí)性需求。

表3 病害識(shí)別所需時(shí)間

4 結(jié)束語(yǔ)

（1）選擇2＊R－G－B作為色彩分割因子，可有效分割出病斑；用本文實(shí)驗(yàn)確定的8個(gè)特征參數(shù)輸入徑向基函數(shù)支持向量機(jī)，3種病害平均識(shí)別率達(dá)到98.33%。

（2）提出用Android手機(jī)客戶(hù)端采集發(fā)送圖像，PC 服務(wù)器自動(dòng)接收識(shí)別圖像并返回手機(jī)端識(shí)別結(jié)果的病害遠(yuǎn)程識(shí)別系統(tǒng)框架。實(shí)驗(yàn)結(jié)果表明，對(duì)每幅病害圖像識(shí)別平均時(shí)間小于16s，能滿(mǎn)足快速、準(zhǔn)確識(shí)別病害的需要。

今后尚需進(jìn)一步研究蘋(píng)果葉部多種病害的識(shí)別方法，并增加用戶(hù)標(biāo)記病斑部位等交互操作，以減少計(jì)算量，大大縮短識(shí)別時(shí)間。

［1］Al－Bashish D，Braik M，Bani－Ahmad S.Detection and classification of leaf disease using K－means－based segmentation and neural－networks－based classification ［J］.Information Technology Journal，2011，10 （2）：267－275.

［2］Al－Hiary H，Bani－Ahmad S，Reyalat M，et al.Fast ＆accurate detection ＆classification of plant diseases ［J］.International Journal of Computer Applications，2011，17 （1）：31－38.

［3］Camargo A，Smith JS.An image－processing based algorithm to automatically identify plant disease visual symptoms ［J］.Biosystems Engineering，2009，102 （1）：9－21

［4］Paul Biossard，Vincent Martin，Sabine Moisan.A cognitive vision approach to early pest detection in greenhouse crops［J］.Computers and Electronics in Agriculture，2008，62 （2）：81－93.

［5］Phadikar S，Jaya S.Rice disease identification using pattern recognition techniques［C］／／Proceedings of 11th International Conference on Computer and Information Technology，2008：420－423.

［6］WANG Shouzhi，HE Dongjian，LI Wen，et a1.Plant leaf disease recognition based on kernel K－means clustering algorithm ［J］.Transactions of the Chinese Society for Agricultural Machinery，2009，40 （3）：152－155 （in Chinese）. ［王守志，何東健，李文，等.基于核K－均值聚類(lèi)算法的植物葉部病害識(shí)別 ［J］.農(nóng)業(yè)機(jī)械學(xué)報(bào)，2009，40 （3）：152－155.］

［7］DENG Jizhong，LI Min，YUAN Zhibao，et al.Feature extraction and classification of Tillelia disease based on image recognition ［J］.Transactions of the Chinese Society of Agricultural Engineering，2012，28 （3）：172－176 （in Chinese）.［鄧?yán)^忠，李敏，袁之報(bào)，等.基于圖像識(shí)別的小麥腥黑穗病害特征 提 取 與 分 類(lèi) ［J］.農(nóng) 業(yè) 工 程 學(xué) 報(bào)，2012，28 （3）：172－176.］

［8］ZHANG Jianhua，JI Ronghua，YUAN Xue，et al.Recognition of pest damage for cotton leaf based on RBF－SVM algorithm［J］.Transactions of the Chinese Society for Agricultural Machinery，2011，42 （8）：178－183 （in Chinese）.［張建華，冀榮華，袁雪，等.基于徑向基支持向量機(jī)的棉花蟲(chóng)害識(shí)別［J］.農(nóng)業(yè)機(jī)械學(xué)報(bào)，2011，42 （8）：178－183.］

［9］CHAI Ali，LI Baoju，SHI Yanxia，et al.Recognition of tomato foliage disease based on computer vision technology［J］.Acta Horticulturae Sinica，2010，37 （9）：1423－1430（in Chinese）.［柴阿麗，李寶聚，石延霞，等.基于計(jì)算機(jī)視覺(jué)技術(shù)的番茄葉部病害識(shí)別［J］.園藝學(xué)報(bào)，2010，37 （9）：1423－1430.］

［10］HE Dongjian，QIAO Yongliang，LI Pan，et al.Weed recognition based on SVM－DS multi－feature fusion ［J］.Transactions of the Chinese Society for Agricultural Machinery，2013，44 （2）：182－187 （in Chinese）. ［何東健，喬永 亮，李攀，等.基于SVM－DS多特征融合的雜草識(shí)別 ［J］.農(nóng)業(yè)機(jī)械學(xué)報(bào)，2013，44 （2）：182－187.］

［11］LI Zongru，HE Dongjian.Research on identify technologies of apple’s disease based on mobile photograph image analysis［J］.Computer Engineering and Design，2010，31 （13）：3041－3053 （in Chinese）.［李宗儒，何東健.基于手機(jī)拍攝圖像分析的蘋(píng)果病害識(shí)別技術(shù)研究 ［J］.計(jì)算機(jī)工程與設(shè)計(jì)，2010，31 （13）：3051－3053.］

［12］Ed Burnette. Hello，Android ［M］.Raleigh：Pragmatic Bookshelf，2010：140－141.

［13］LI Zongru.Research on identify technologies of apples disease based on image analysis ［D］.Yangling：Northwest A＆F University，2010：9－10 （in Chinese）.［李宗儒.基于圖像分析的蘋(píng)果病害識(shí)別技術(shù)研究 ［D］.楊凌：西北農(nóng)林科技大學(xué)，2010：9－10.］［14］PENG Zhanwu.Research on cucumber disease indentifying base on image processing and pattern recognition technology［D］.Jilin：Jilin Agricultural University，2007：29－30 （in Chinese）.［彭占武.基于圖像處理和模式識(shí)別技術(shù)的黃瓜病害識(shí)別研究 ［D］.吉林：吉林農(nóng)業(yè)大學(xué)，2007：29－30.］［15］CONG Rui，GAO Guangfu，F(xiàn)AN Ruixiao，et al.Vibration image recognition method based on gray－gradient co－occurrence matrix and kernel－based fuzzy clustering ［J］.Journal of Vibration and Shock，2012，31 （21）：74－77 （in Chinese）.［叢蕊，高光甫，樊瑞筱，等.基于灰度－梯度共生矩陣和模糊核聚類(lèi)的振動(dòng)圖形識(shí)別方法 ［J］.振動(dòng)與沖擊，2012，31（21）：74－77.］

［16］Reto Meier.Professional Android 2application development［M］.Indianapolis：Wiley Publisher，2010：90－94.

［17］Mark Murphy.Beginning Android 2 ［M］.New York：Apress，2010：23－24.