基于環(huán)境信息和顏色特征的作物葉片病害等級(jí)識(shí)別算法

謝澤奇　忽曉偉　張會(huì)敏

摘要：為了根據(jù)作物不同病害程度等級(jí)采取不同防治方法，實(shí)現(xiàn)作物高產(chǎn)和減少環(huán)境污染，提出了一種復(fù)雜背景下的作物葉片病害等級(jí)分類算法。首先，利用閾值分割法對(duì)黃瓜病害葉片圖像進(jìn)行病斑分割；其次，計(jì)算病斑區(qū)域中像素個(gè)數(shù)與病葉區(qū)域中像素個(gè)數(shù)的比值；最后用作物病害等級(jí)分級(jí)標(biāo)準(zhǔn)進(jìn)行比較來(lái)確定病害等級(jí)類別。利用該方法在2種作物5種常見(jiàn)病害葉片圖像數(shù)據(jù)庫(kù)上進(jìn)行了病害等級(jí)分類試驗(yàn)，識(shí)別精度高達(dá) 92.7%。結(jié)果表明，該方法對(duì)作物病害葉片等級(jí)分類是有效可行的。

關(guān)鍵詞：顏色特征；環(huán)境信息；作物葉片；病斑分割；等級(jí)分類

中圖分類號(hào)： TP391.41 文獻(xiàn)標(biāo)志碼： A 文章編號(hào)：1002-1302（2016）07-0428-03

我國(guó)是一個(gè)農(nóng)業(yè)大國(guó)，農(nóng)業(yè)在國(guó)民經(jīng)濟(jì)中占據(jù)著重要的地位，對(duì)我國(guó)的經(jīng)濟(jì)高速發(fā)展有著極其重要的意義[1]。但農(nóng)作物的種植過(guò)程經(jīng)常出現(xiàn)各種各樣的病蟲害，這些都會(huì)對(duì)農(nóng)作物產(chǎn)出巨大影響。為了減少病害影響，噴灑農(nóng)藥是病害防治中最快速、最有效的方法，不過(guò)在噴灑農(nóng)藥時(shí)經(jīng)常忽視了農(nóng)作物病害的差異性，即病害的嚴(yán)重度，都采用相同的藥劑，不僅造成農(nóng)藥的浪費(fèi)、農(nóng)產(chǎn)品藥劑殘留量較大，而且對(duì)環(huán)境有嚴(yán)重的危害。為了達(dá)到合理地、有效地噴灑農(nóng)藥來(lái)減少不同程度農(nóng)作物病害，核心技術(shù)是如何能及時(shí)、快速地獲得植物葉片病害程度[2-3]。傳統(tǒng)的病害檢測(cè)是農(nóng)業(yè)生產(chǎn)者和植保專家通過(guò)以往經(jīng)驗(yàn)進(jìn)行肉眼判斷，這種方法無(wú)論是在試驗(yàn)大棚還是田間調(diào)查，不反勞動(dòng)強(qiáng)度大，并且由于人為主觀因素的影響，有很大的不確定性。

目前，農(nóng)作物葉片病害等級(jí)的自動(dòng)識(shí)別主要是基于計(jì)算機(jī)圖像處理和模式識(shí)別技術(shù)，以農(nóng)作物葉片的顏色特征作為檢測(cè)、分割、識(shí)別的主要研究對(duì)象[4]。主要實(shí)現(xiàn)方法有：光譜特征分析法、紋理特征分析法、形狀特征分析法等。近年來(lái)，隨著相關(guān)領(lǐng)域科技水平的不斷提高，病害等級(jí)的測(cè)試技術(shù)正由傳統(tǒng)的實(shí)驗(yàn)室常規(guī)測(cè)試向田間直接無(wú)損測(cè)試方向發(fā)展，同時(shí)測(cè)試水平正由定性或半定量的手工測(cè)試向精確定量的智能化方向發(fā)展[5]。目前，針對(duì)作物病害的智能化無(wú)損測(cè)試技術(shù)已成為國(guó)內(nèi)外研究的熱點(diǎn)。其中較成熟的技術(shù)方法主要有遙感技術(shù)和專家系統(tǒng)。

鑒于此，研究一種復(fù)雜背景下的農(nóng)作物葉片病害程度識(shí)別系統(tǒng)來(lái)對(duì)農(nóng)作物葉片病害等級(jí)自動(dòng)識(shí)別分類，利用計(jì)算機(jī)圖像處理技術(shù)為農(nóng)作物葉片病害進(jìn)行病害等級(jí)自動(dòng)識(shí)別提出了一個(gè)全新的思路。本研究基于計(jì)算機(jī)圖像處理技術(shù)，在養(yǎng)料充足、農(nóng)作物供水基礎(chǔ)之上，實(shí)現(xiàn)一種復(fù)雜背景下的農(nóng)作物葉片病害程度等級(jí)自動(dòng)分類系統(tǒng)。

1 材料與方法

1.1 病害葉片圖像的獲取

本研究所使用的病害樣本圖像均是在陜西楊凌農(nóng)業(yè)示范區(qū)科學(xué)園中自然光照的非強(qiáng)光條件下利用佳能A640相機(jī)采集得到的作物病害葉片圖像，主要采集玉米和黃瓜2種作物的多種病害圖像，其中玉米選取最常見(jiàn)的銹病、褐斑病、彎孢菌葉斑病、小斑病和大斑病5類病害，黃瓜主要選取最常見(jiàn)的細(xì)菌性角斑病、黃瓜炭疽病、黃瓜霜霉病、白粉病和白粉虱病5類病害。作物病害葉片分片從不同病害等級(jí)程度分別采集，對(duì)每種病害的葉片采取每天拍攝1次葉片圖像，分別記錄下采集時(shí)間、溫度、濕度等環(huán)境信息。拍攝病害葉片圖像方式一致，保證每張病害葉片圖像都是在同一條件下采集的。主要針對(duì)于玉米和黃瓜2種作物的5種病害葉片在不同時(shí)期分別采集圖像各150幅，每種病害30幅，每種病害程度（分為輕微程度、中等程度和嚴(yán)重程度3種等級(jí)）各10幅圖像。

1.2 病害葉片圖像的預(yù)處理

圖像分割是指把圖像分割成各具特性的區(qū)域并提取出感興趣目標(biāo)的技術(shù)和過(guò)程[6]。目前，圖像分割算法較多，典型算法有閾值法、區(qū)域分割法、邊緣檢測(cè)分割法等，但所有的圖像分割算法都是利用圖像中像素點(diǎn)的相似性和不連續(xù)性，如區(qū)域分割法是通過(guò)計(jì)算區(qū)域性灰度相似性來(lái)實(shí)現(xiàn)；邊緣檢測(cè)分割法是計(jì)算圖像中各區(qū)域間的灰度不連續(xù)性來(lái)實(shí)現(xiàn)[7-8]。本研究主要采用閾值法進(jìn)行圖像分割，該方法采用區(qū)域分割技術(shù)，利用圖像中病斑圖像和葉片背景在灰度上的差異性來(lái)實(shí)現(xiàn)，通過(guò)選擇有效閾值T，然后將圖像中的每個(gè)像素點(diǎn)的特征值與閾值T進(jìn)行比較，來(lái)判斷該像素點(diǎn)是屬于目標(biāo)區(qū)域還是背景區(qū)域，以此來(lái)產(chǎn)生二值圖像。

用閾值分割法來(lái)進(jìn)行病斑分離，那么閾值的選取就至關(guān)重要[9]。本算法中閾值是根據(jù)作物病害葉片的直方圖來(lái)確定的[10]。根據(jù)試驗(yàn)結(jié)果統(tǒng)計(jì)分析可以看出，葉片圖像的灰度級(jí)直方圖中包含3個(gè)峰值和2個(gè)谷值，因此，可以取低谷處的灰度值作為閾值就可以分割出病葉及病斑，利用此算法就可以將閾值化后的圖像變成二值化圖像[11]。

當(dāng)閾值取T1>T時(shí)，可以分離出病葉；當(dāng)閾值取T2

1.3 復(fù)雜背景下的作物病害程度識(shí)別算法

本研究中采用計(jì)算病斑像素個(gè)數(shù)與整個(gè)葉片像素?cái)?shù)的比值，即通過(guò)利用病斑區(qū)域中的像素個(gè)數(shù)與病葉區(qū)域中像素個(gè)數(shù)比值K來(lái)表示作物病害程度等級(jí)[12-13]。A表示整個(gè)作物葉片的總面積，A1為病斑像素點(diǎn)的面積，N1為病葉區(qū)域中像素個(gè)數(shù)，N為病斑區(qū)域中的像素個(gè)數(shù)。根據(jù)K值結(jié)合表1來(lái)確定病斑等級(jí)。表1是根據(jù)試驗(yàn)測(cè)試結(jié)合人眼觀測(cè)，對(duì)各種病害程度病斑等級(jí)進(jìn)行統(tǒng)計(jì)，總結(jié)出作物病害程度等級(jí)標(biāo)準(zhǔn)。

2 結(jié)果與分析

為了驗(yàn)證本研究算法的可行性，分別采集黃瓜和玉米2種作物進(jìn)行測(cè)試，其中玉米選取最常見(jiàn)的銹病、褐斑病、彎孢菌葉斑病、小斑病和大斑病5類病害，黃瓜選取最常見(jiàn)的細(xì)菌性角斑病、黃瓜炭疽病、黃瓜霜霉病、白粉病和白粉虱病5類病害。黃瓜和玉米共采集病害葉片300幅，其中150幅用于訓(xùn)練集，150幅用于測(cè)試集。圖1給出了病害葉片圖像的部分樣本。試驗(yàn)平臺(tái)是Windows XP系統(tǒng)中利用Matlab 75.0軟件中包含的圖像處理工具箱作為試驗(yàn)中的圖像處理和算法分析，計(jì)算上述特征數(shù)據(jù)，利用統(tǒng)計(jì)分析軟件SAS 9.2進(jìn)行數(shù)據(jù)分析。試驗(yàn)分為病斑分割和病害等級(jí)分類2步。

2.1 病斑分割

采用閾值分割法對(duì)作物病斑葉片進(jìn)行病害分割，從中定位并提取出待識(shí)別的病斑部位，為后面確定病害等級(jí)做好準(zhǔn)備。圖2給出了部分作物病害葉片病斑分割的結(jié)果。其中，左圖為病害葉片原始圖像，右邊二值圖像為對(duì)應(yīng)的分割結(jié)果。采用閾值分割法進(jìn)行分割過(guò)程中得到的二值化圖像的熵值、自動(dòng)閾值和分割時(shí)間如表2所示。

從圖2可以看出，采用閾值分割法可以有效地分割出作物葉片和病斑，效果較好，便于進(jìn)行后面的病害等級(jí)分類。從表2的2種作物選擇的3種病害進(jìn)行分割得到的參數(shù)中可以看出，閾值分割法處理時(shí)間均小于2 s，基本能滿足實(shí)時(shí)處理要求。

2.2 病害等級(jí)分類

根據(jù)作業(yè)葉片病斑的分割結(jié)果，分別計(jì)算整個(gè)作物葉片的像素?cái)?shù)和病斑像素?cái)?shù)，根據(jù)公式（2）計(jì)算出作物病害程度等級(jí)系數(shù)K，然后根據(jù)系數(shù)K結(jié)合表1來(lái)確定作物病害程度等級(jí)，再結(jié)合作物專家系統(tǒng)來(lái)確定病害程度等級(jí)分類是否準(zhǔn)確。本研究采集2種作物各5種病害的葉片共300幅，其中黃瓜和玉米各150幅，每種病害葉片30幅，其中，每種病害還分為3類等級(jí)，即每種作物每種病害每種病害等級(jí)采集葉片各10幅，其中5幅用于測(cè)試集，另外5幅用于訓(xùn)練集。表3給出了2種作物5種病害等級(jí)分類結(jié)果。

從表3可以看出，中等病害的識(shí)別率較低，僅有86%，結(jié)合試驗(yàn)結(jié)果分析可知，中等病害識(shí)別率較低的原因是某些作物葉片病害程度差距極小，識(shí)別錯(cuò)誤的7幅圖像中有4幅被識(shí)別為嚴(yán)重病害，3幅被識(shí)別為輕微病害；而輕微病害和嚴(yán)重病害的識(shí)別率較高，總識(shí)別率為92.7%。由此可見(jiàn)，本研究算法在作物病害葉片等級(jí)分類中具有較高的應(yīng)用價(jià)值。

3 結(jié)論

本研究采用高分辨率的專業(yè)數(shù)碼相機(jī)佳能A640在不同生長(zhǎng)周期有效地獲取農(nóng)作物（以黃瓜、玉米為例）不同病害期時(shí)病害葉片的顏色及形態(tài)信息，客觀地對(duì)病害等級(jí)進(jìn)行量化，根據(jù)采集的農(nóng)作物葉片劃分為4個(gè)等級(jí)（正常無(wú)病害、輕微病害、中等病害、嚴(yán)重病害），從而為有效地指導(dǎo)病害防治并能夠精確地控制農(nóng)藥量提供技術(shù)支撐，既能有效防治病害，又盡可能地減少農(nóng)產(chǎn)品藥物殘留量以及引起的空氣污染，對(duì)現(xiàn)階段的農(nóng)作物病害防治和食品安全等領(lǐng)域具有較大的應(yīng)用價(jià)值。

參考文獻(xiàn)：

[1]張 芳，王 璐，付立思，等. 復(fù)雜背景下黃瓜病害葉片的分割方法研究[J]. 浙江農(nóng)業(yè)學(xué)報(bào)，2014，26（5）：1346-1355.

[2]謝澤奇，張會(huì)敏，張善文，等. 基于顏色特征和屬性約簡(jiǎn)的黃瓜病害識(shí)別方法[J]. 江蘇農(nóng)業(yè)學(xué)報(bào)，2015，31（3）：526-530.

[3]毛罕平，張艷誠(chéng)，胡 波.基于模糊C均值聚類的作物病害葉片圖像分割方法研究[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2008，24（9）：136-140.

[4]張會(huì)敏，張?jiān)讫?，張善文，? 基于區(qū)分矩陣的屬性約簡(jiǎn)算法的作物病害識(shí)別方法[J]. 江蘇農(nóng)業(yè)科學(xué)，2015，43（1）：387-389.

[5]刁智華，趙春江，吳 剛，等. 數(shù)學(xué)形態(tài)學(xué)在作物病害圖像處理中的應(yīng)用研究[J]. 中國(guó)圖象圖形學(xué)報(bào)，2010，15（2）：194-199.

[6]Revathi P，Revathi R. Knowledge discovery in diagnose of crop diseases using machine learning techniques[J]. International Journal of Engineering Science and Technology，2011，3（9）：7187-7190.

[7]袁 媛，李 淼，陳 晟，等. 復(fù)雜背景黃瓜葉部病害圖像分割方法[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2013，44（10）：233-237.

[8]劉麗娟，劉仲鵬，張麗梅. 基于圖像處理技術(shù)的玉米葉部病害識(shí)別研究[J]. 吉林農(nóng)業(yè)科學(xué)，2014，39（1）：61-65.

[9]張善文，張傳雷. 基于局部判別映射算法的玉米病害識(shí)別方法[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2014，30（11）：167-172.

[10]溫長(zhǎng)吉，王生生，于合龍，等. 基于改進(jìn)蜂群算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的玉米病害圖像分割[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2013，29（13）：142-149.

[11]王獻(xiàn)鋒，張善文，王 震，等. 基于葉片圖像和環(huán)境信息的黃瓜病害識(shí)別方法[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2014，30（14）：148-153.

[12]吳 娜，李 淼，陳 晟，等. 基于融合多特征圖切割的作物病害圖像自動(dòng)分割[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2014，30（17）：212-219.

[13]劉 君，王振中，李寶聚，等. 基于圖像處理的作物病害自動(dòng)識(shí)別系統(tǒng)的研究[J]. 計(jì)算機(jī)工程與應(yīng)用，2012，48（13）：154-158，180.