基于機(jī)器視覺(jué)的馬鈴薯病害識(shí)別系統(tǒng)

趙建敏， 薛曉波， 李 琦

(內(nèi)蒙古科技大學(xué)信息工程學(xué)院，內(nèi)蒙古包頭 014010)

基于機(jī)器視覺(jué)的馬鈴薯病害識(shí)別系統(tǒng)

趙建敏， 薛曉波， 李 琦

(內(nèi)蒙古科技大學(xué)信息工程學(xué)院，內(nèi)蒙古包頭 014010)

設(shè)計(jì)出一種基于機(jī)器視覺(jué)的馬鈴薯病害識(shí)別系統(tǒng)，該系統(tǒng)主要包括病害識(shí)別部分、服務(wù)器端、客戶端。識(shí)別部分采集病害葉片圖像，并進(jìn)行小波去噪。利用OTSU閾值算法分割圖像，提取病害的顏色、形狀、紋理特征并利用SVM分類器進(jìn)行識(shí)別?；赩S 2010搭建服務(wù)器端，提供包含REST API的Web Service與客戶端進(jìn)行信息交互?；贏ndroid SDK設(shè)計(jì)病害識(shí)別系統(tǒng)的手機(jī)客戶端，通過(guò)3G或無(wú)線網(wǎng)絡(luò)對(duì)服務(wù)器端進(jìn)行訪問(wèn)。通過(guò)實(shí)地測(cè)試，能準(zhǔn)確識(shí)別出馬鈴薯的幾種主要病害，且識(shí)別率大于92%。

機(jī)器視覺(jué)；特征提取；分類器；REST API；Android SDK；馬鈴薯病害

基于機(jī)器視覺(jué)的圖像識(shí)別系統(tǒng)，一般采用CCD或CMOS攝相機(jī)攝取檢測(cè)圖像并轉(zhuǎn)化為數(shù)字信號(hào)，再采用先進(jìn)的計(jì)算機(jī)硬件與軟件技術(shù)對(duì)數(shù)字圖像信號(hào)進(jìn)行處理，從而得到所需的各種目標(biāo)圖像特征值，并由此實(shí)現(xiàn)識(shí)別或缺陷檢測(cè)等多種功能。

近年來(lái)大量學(xué)者做了相關(guān)研究，陳佳娟等通過(guò)對(duì)棉花葉片上的空洞及邊緣的殘缺處理來(lái)測(cè)定棉花蟲害的受害程度[1]；邱道尹等研究出一套關(guān)于大田中農(nóng)作物害蟲實(shí)時(shí)檢測(cè)的系統(tǒng)[2]。機(jī)器視覺(jué)技術(shù)多集中用于工業(yè)領(lǐng)域[3]，農(nóng)業(yè)方面處于嘗試探索階段。

2015年5—6月，在大田開放環(huán)境下采集馬鈴薯健康、早疫病、晚疫病、炭疽病、灰霉病等病害圖像樣本，4種病害癥狀見(jiàn)圖1。

1 總體結(jié)構(gòu)

本研究基于VS 2010搭建病害識(shí)別系統(tǒng)，主要功能是對(duì)病斑進(jìn)行分割、特征提取，然后采用支持向量機(jī)的分類器進(jìn)行識(shí)別。用WCF REST Service構(gòu)建服務(wù)器端，提供REST風(fēng)格的服務(wù)與客戶端實(shí)現(xiàn)數(shù)據(jù)共享，客戶端采用美國(guó)谷歌(Google)公司推出的手機(jī)開發(fā)平臺(tái)Android SDK[4]等來(lái)實(shí)現(xiàn)。另外，增加了檔案管理系統(tǒng)，記錄馬鈴薯病害的檔案和信息，系統(tǒng)結(jié)構(gòu)見(jiàn)圖2。

軟件結(jié)構(gòu)主要分為驅(qū)動(dòng)層和應(yīng)用層，軟件架構(gòu)見(jiàn)圖3。

驅(qū)動(dòng)層包括客戶端的Android SDK、JDK、Eclipse，Mysql數(shù)據(jù)庫(kù)，以及OpenCV。應(yīng)用層包括基于VS 2010的病害識(shí)別各部分，構(gòu)建的WCF REST Service以及病害信息管理等。

2 病害識(shí)別系統(tǒng)

病害識(shí)別部分是本研究的核心部分。通過(guò)設(shè)計(jì)算法程序?qū)崿F(xiàn)病斑分割的各環(huán)節(jié)，并且搭建病害識(shí)別系統(tǒng)，具體過(guò)程見(jiàn)圖4。

2.1 預(yù)處理

采集到的圖像存在的缺點(diǎn)主要是噪聲干擾。與Fourier變換相比，小波變換是空間(時(shí)間)和頻率的局部變換，因而能有效地從信號(hào)中提取信息。

在VS 2010中調(diào)用Opencv函數(shù)DWT()和IDWT()，前者完成任意層次的小波變換，后者完成任意層次的小波逆變換，變換后的結(jié)果直接保存在輸入圖像中。小波變換將圖像分解成高頻部分和低頻部分，濾除圖像中的低頻成分，再通過(guò)小波逆變換還原圖像，病害部位的圖像得到增強(qiáng)，同時(shí)也消除了圖像中低頻背景的干擾。

void DWT(IplImage*pImage，int nLayer)；

void IDWT(IplImage*pImage，int nLayer)。

2.2 圖像局部顯示及分割

通過(guò)目標(biāo)與背景的二值化圖像與原圖作乘法運(yùn)算得到良好的局部圖像。圖像局部顯示的關(guān)鍵是獲得良好的二值化圖像，本研究采用OTSU閾值分割算法來(lái)獲得。

OTSU分割法，即大津法，又叫最大類間方差法，是一種自適應(yīng)的閾值確定方法。按圖像的灰度特性，將圖像分成2個(gè)部分，稱之為部分0和部分1(即通常意義的背景與目標(biāo))。其主要的實(shí)現(xiàn)原理如下：

(1)建立圖像灰度直方圖(共有L個(gè)灰度級(jí)，每個(gè)出現(xiàn)概率為p)；

(1)

(2)計(jì)算背景和目標(biāo)的出現(xiàn)概率，計(jì)算方法如下：

(2)

式中：假設(shè)t為所選定的閾值，A代表背景(灰度級(jí)為0～N)，B為目標(biāo)。

(3)計(jì)算A和B2個(gè)區(qū)域的類間方差如下：

σ2=PA(ωA-ω0)2+PB(ωB-ω0)2。

(3)

式中：第1個(gè)表達(dá)式分別計(jì)算A和B區(qū)域的平均灰度值；第2個(gè)表達(dá)式計(jì)算灰度圖像全局的灰度平均值；第3個(gè)表達(dá)式計(jì)算A、B2個(gè)區(qū)域的類間方差。

利用上述算法得到二值化圖像(圖5)。

圖像的乘法操作是點(diǎn)對(duì)點(diǎn)的像素點(diǎn)進(jìn)行操作。如果記輸入圖像為A(x，y)和B(x，y)，輸出圖像為C(x，y)，則有：

C(x,y)=A(x,y)×B(x,y)。

(4)

利用二值化圖像與原圖作乘法運(yùn)算得到良好的局部圖像(圖6)。

2.3 分類特征提取

馬鈴薯病態(tài)葉片在顏色和紋理上與正常葉片有較大的區(qū)別，而且不同種類的病害病斑顏色和形狀也不同。試驗(yàn)中，將對(duì)馬鈴薯葉片病斑的顏色、紋理、病斑形狀這3個(gè)特征進(jìn)行提取研究。

2.3.1 顏色特征提取 RGB顏色模型中的R、G、B分別代表圖像顏色在紅(Red)通道、綠(Green)通道、藍(lán)(Blue)通道上的灰度值。基于病害圖像的顏色特征進(jìn)行數(shù)值計(jì)算。在分割后圖像中分別統(tǒng)計(jì)病害部位R、G、B分量的平均值，其計(jì)算公式如下：

(5)

(6)

(7)

式中：Total為病害像素點(diǎn)總數(shù)，N為病害圖像的像素點(diǎn)數(shù)。環(huán)境光照強(qiáng)度的不同會(huì)導(dǎo)致R、G、B的變化幅度很大，因此以G分量的均值為參照值，用R、B分量均值與G分量均值之比作為病害特征參數(shù)，即

r=R/G。

(8)

b=B/G。

(9)

式中：r為紅色分量均值比，b為藍(lán)色分量均值比。由于r、b值對(duì)光照的變化不敏感，能夠有效地提高算法的性能。

RGB顏色分量特征值提取結(jié)果見(jiàn)表1。

表1 RGB顏色分量特征值提取

HSV顏色空間是一種比較直觀的顏色模型。其中H、S、V分別代表色調(diào)、飽和度、亮度。同樣可以得到HSV顏色分量特征提取結(jié)果見(jiàn)表2。

表2 HSV顏色分量特征提取

2.3.2 形狀特征提取 形狀特征提取需要在二化圖像中提取病斑輪廓。調(diào)用Opencv中相關(guān)函數(shù)進(jìn)行算法編程，以提取病斑輪廓特征。

cvFindContours()：從二值圖像中檢索輪廓，并返回檢測(cè)到的輪廓個(gè)數(shù)，用來(lái)統(tǒng)計(jì)病斑數(shù)目；用法為int contour_num=cvFindContours(src，storage，/&contour，sizeof(CvContour)，CV_RETR_EXTERNA/L，CV_CHAIN_APPROX_SIMPLE)。cvContourArea()：計(jì)算整個(gè)或部分輪廓的面積，用來(lái)計(jì)算病斑面積；用法為：tmpArea=fabs(cvContourArea(contour))。cvDrawContours()：用于在圖像上繪制外部和內(nèi)部輪廓，這里只需要得到病斑的外部輪廓即可；用法為：cvDrawContours(dst，contour，color，color，-1，1，8)。cvArcLength()：計(jì)算輪廓線的長(zhǎng)度；用法為：tmpLength=cvArcLength(contour)。編寫程序在VS 2010上運(yùn)行，提取病斑輪廓的相關(guān)信息，結(jié)果見(jiàn)圖7。

幾種形狀特征參數(shù)：周長(zhǎng)指病斑部位輪廓線上像素間距離之和。面積指計(jì)算葉片圖像病斑部位所含的像素?cái)?shù)。形狀參數(shù)(圓形度)：圓形度C用來(lái)描述病斑接近圓形的程度，計(jì)算公式為：

C=4πA/L2。

(10)

式中：圓形度C取值最大為1；病斑的外形越復(fù)雜越偏離圓形，其圓形度C的值越小。

利用輪廓的面積與周長(zhǎng)等數(shù)據(jù)信息可以得到病斑的形狀特征值見(jiàn)表3。

表3 病斑形狀特征值

2.3.3 紋理特征提取 灰度共生矩陣是計(jì)算紋理特征的基礎(chǔ)。在計(jì)算得到共生矩陣之后，計(jì)算紋理特征量，筆者經(jīng)常用反差、能量、熵、相關(guān)性等特征量來(lái)表示紋理特征。

(1)反差又稱為對(duì)比度，反映了圖像的清晰度和紋理的溝紋深淺。

(11)

(2)能量是灰度共生矩陣各元素值的平方和，反映了圖像灰度分布均勻程度和紋理粗細(xì)度。

(12)

(3)熵是圖像包含信息量的隨機(jī)性度量。熵最大，熵值越大，圖像越復(fù)雜。

(13)

(4)相關(guān)性也稱為同質(zhì)性，用來(lái)度量圖像的灰度級(jí)在行或列方向上的相似程度，值越大，相關(guān)性也越大。

(14)

利用上述算式計(jì)算特征量，紋理特征提取結(jié)果見(jiàn)表4。

表4 紋理特征提取結(jié)果

2.4 分類器設(shè)計(jì)

功能較完善的識(shí)別系統(tǒng)在進(jìn)行模式識(shí)別之前，需要學(xué)習(xí)[5-6]。支持向量機(jī)是一種基于統(tǒng)計(jì)學(xué)習(xí)理論的機(jī)器學(xué)習(xí)算法，SVM算法在解決非線性、小樣本以及高維模式識(shí)別問(wèn)題中表現(xiàn)出很多獨(dú)特的優(yōu)勢(shì)。OpenCV是一個(gè)開源的計(jì)算機(jī)視覺(jué)庫(kù)[7]，在OpenCV中，SVM是作為一個(gè)類來(lái)定義接口的，本研究選用SVM分類器，分類器的構(gòu)造與識(shí)別流程見(jiàn)圖8。

采集4種病害與健康葉片共250個(gè)樣本，構(gòu)成馬鈴薯病害信息的數(shù)據(jù)文件。首先對(duì)病害信息數(shù)據(jù)進(jìn)行歸一化處理。對(duì)每種病害的紅色分量均值比r、藍(lán)色分量均值比b、色調(diào)H、飽和度S、亮度V、圓形度C、離散指數(shù)P、能量、熵、反差、相關(guān)性歸一化到[0，1]后，再選擇合適的內(nèi)核函數(shù)。由于徑向基核函數(shù)的計(jì)算復(fù)雜度不隨參數(shù)的改變而改變，同時(shí)在整個(gè)參數(shù)空間中Mercer條件均成立，是SVM方法中最常用的核函數(shù)，因此本研究選取徑向基核函數(shù)，其數(shù)學(xué)表達(dá)式為：

(15)

式中：ψ為輸入特征值；ψi為該特征值ψ對(duì)應(yīng)的結(jié)果；σ為徑向基核函數(shù)參數(shù)，σ>0。

選擇每類20個(gè)樣本共計(jì)100個(gè)作為分類器的訓(xùn)練樣本，構(gòu)建分類器模型。分類識(shí)別中主要用到的程序?yàn)閟vmtrain和svmpredict。svmtrain的主要功能是對(duì)訓(xùn)練數(shù)據(jù)集進(jìn)行訓(xùn)練，獲得SVM模型；svmpredict的主要功能是根據(jù)訓(xùn)練獲得的模型，對(duì)數(shù)據(jù)集合進(jìn)行預(yù)測(cè)。語(yǔ)法為：svmtrain[options]training_set_file model_file，svmpredict[options] test_file model_file output_file；其中，options表示操作參數(shù)。用建立的SVM模型再對(duì)150個(gè)樣本進(jìn)行測(cè)試。

3 服務(wù)器端與客戶端

本研究采用基于VS 2010的WCF REST Service構(gòu)建服務(wù)器端，提供REST風(fēng)格的服務(wù)，用以提供PUT、POST、GET、DELETE 等方法的用法，請(qǐng)求服務(wù)器端傳遞信息或操作資源，與客戶端實(shí)現(xiàn)數(shù)據(jù)共享。

3.1 服務(wù)器端

在VS 2010創(chuàng)建新的項(xiàng)目，使用Online Templates中的WCF REST Service Template提供項(xiàng)目模板。項(xiàng)目中不再有SVC文件，這樣就不能每次都通過(guò)xx.svc/users/1訪問(wèn)，而是通過(guò)URL Routing配置。項(xiàng)目通過(guò)在Global.asax中配置Routing進(jìn)行URL重定向。通過(guò)ServiceRoute類進(jìn)行URL重定向，配置了1個(gè)名為Service1的Resource，指定到Service1類上。默認(rèn)生成的Resource：Service1代碼，是1個(gè)完整的RESTful結(jié)構(gòu)，有著Get、Put、Post、Delete的完整支持。

3.2 客戶端

利用簡(jiǎn)單、友好的人機(jī)交互界面，指引用戶挖掘出理想的決策規(guī)則，是農(nóng)業(yè)智能診斷系統(tǒng)實(shí)現(xiàn)有效推廣應(yīng)用的重要前提[8]。系統(tǒng)客戶端人機(jī)交互界面的設(shè)計(jì)充分結(jié)合了Android SDK提供的LinearLayout類、RelativeLayout類和AbsoluteLayout類各自的優(yōu)勢(shì)，并采用其提供的多種更具人性化、操作簡(jiǎn)單的Android常用和高級(jí)控件，完成系統(tǒng)人機(jī)交互界面的設(shè)計(jì)。本研究構(gòu)建了客戶端開發(fā)環(huán)境，在Windows操作系統(tǒng)下，由“JDK(Java development kit)+Eclipse+Android SDK(Software development kit)+ADT(Android development tools)”構(gòu)建。其中，JDK是整個(gè)Java的核心，包括Java運(yùn)行環(huán)境、Java工具和Java基礎(chǔ)的類庫(kù)；Eclipse是作為Android應(yīng)用程序開發(fā)IDE(integrated development environment)使用的；Android SDK是由Google提供的完全開放源代碼的Android專屬軟件開發(fā)工具包；ADT是支持Android工程和工具的通用插件，使得創(chuàng)建、運(yùn)行和調(diào)試Android更加快速簡(jiǎn)單[9-11]。

4 試驗(yàn)結(jié)果分析

基于VS 2010搭建病害識(shí)別系統(tǒng)，主界面見(jiàn)圖9。

基于Android SDK設(shè)計(jì)的客戶端界面見(jiàn)圖10。

試驗(yàn)中將采集到的馬鈴薯葉片圖像中的150幅選作測(cè)試樣本，其中健康葉片圖像29幅、早疫病36幅、晚疫病34幅、炭疽病25幅、灰霉病26幅，利用識(shí)別系統(tǒng)進(jìn)行識(shí)別，其識(shí)別結(jié)果見(jiàn)表5。

從識(shí)別結(jié)果可以看出，對(duì)健康葉片的識(shí)別率可達(dá)100%，除了晚疫病的識(shí)別率為88%以外，其他病害識(shí)別率均可達(dá)到92%左右。

表5 病害識(shí)別結(jié)果

5 結(jié)論

本研究基于機(jī)器視覺(jué)的馬鈴薯病害識(shí)別方法，以 VS 2010 為開發(fā)環(huán)境設(shè)計(jì)病害分割、局部顯示、特征提取等算法并實(shí)現(xiàn)各部分功能，從而得到幾種病害信息的主要特征值，生成馬鈴薯病害信息數(shù)據(jù)，訓(xùn)練分類器模型，并對(duì)病害進(jìn)行識(shí)別。構(gòu)建識(shí)別系統(tǒng)，通過(guò)REST風(fēng)格的Web Service與客戶端連接，客戶端基于Android SDK實(shí)現(xiàn)。通過(guò)測(cè)試，病害識(shí)別率總體在92%以上，基本達(dá)到了研究目的，滿足了識(shí)別要求，說(shuō)明系統(tǒng)設(shè)計(jì)合理。這對(duì)機(jī)器視覺(jué)技術(shù)在農(nóng)作物病害識(shí)別方面的應(yīng)用具有積極意義。

[1]陳佳娟，趙學(xué)篤. 采用計(jì)算機(jī)視覺(jué)進(jìn)行棉花蟲害程度的自動(dòng)測(cè)定[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2001，17(2)：157-160.

[2]邱道尹，張紅濤，劉新宇，等. 基于機(jī)器視覺(jué)的大田害蟲檢測(cè)系統(tǒng)[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2007，38(1)：120-122.

[3]李 斌. 基于計(jì)算視覺(jué)的奶牛體型線性測(cè)量系統(tǒng)設(shè)計(jì)[J]. 計(jì)算機(jī)測(cè)量與控制，2012，20(12)：3213-3215.

[4]胡 君，程 京，王 敏. 基于XML的REST API設(shè)計(jì)與實(shí)現(xiàn)[J]. 微計(jì)算機(jī)信息，2010(9)：166-167.

[5]李宏?yáng)|. 模式分類[M]. 北京：機(jī)械工業(yè)出版社，2003：7-13.

[6]孫即祥. 現(xiàn)代模式識(shí)別[M]. 長(zhǎng)沙：國(guó)防科技大學(xué)出版社，2002：1-5.

[7]彭艷芳. 視頻運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤算法研究[D]. 武漢：武漢理工大學(xué)，2010.

[8]李 偉，蘆東昕，柳長(zhǎng)安. 基于Windows Mobile的智能終端上自動(dòng)化測(cè)試研究[J]. 計(jì)算機(jī)工程與設(shè)計(jì)，2006，27(21)：4055-4057.

[9]大 山. Android 操作系統(tǒng)應(yīng)用推薦[J]. 個(gè)人電腦，2011，17(3)：82-91.

[10]尚明華，秦磊磊，王風(fēng)云，等. 基于Android智能手機(jī)的小麥生產(chǎn)風(fēng)險(xiǎn)信息采集系統(tǒng)[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2011，27(5)：178-182.

[11]吳亞峰，索依娜. Android核心技術(shù)與實(shí)例詳解[M]. 北京：電子工業(yè)出版社，2010：22-25.

10.15889/j.issn.1002-1302.2017.02.058

2015-11-14

內(nèi)蒙古自治區(qū)高等學(xué)校科學(xué)研究項(xiàng)目(編號(hào)：NJZY144)。

趙建敏(1982—)，男，內(nèi)蒙古包頭人，碩士，講師，主要從事人機(jī)交互、模式識(shí)別的研究。E-mail：418405748@qq.com。

薛曉波，碩士研究生，主要從事機(jī)器視覺(jué)、圖像處理的研究。E-mail：418405748@qq.com。

S435.32；TP391.4

A

1002-1302(2017)02-0198-04

趙建敏，薛曉波，李 琦. 基于機(jī)器視覺(jué)的馬鈴薯病害識(shí)別系統(tǒng)[J]. 江蘇農(nóng)業(yè)科學(xué)，2017，45(2)：198-202.