機器視覺在農(nóng)作物病害自動檢測中的應(yīng)用研究

袁小昊，郭志波

(揚州大學 信息工程學院，江蘇 揚州 225127)

機器視覺在農(nóng)作物病害自動檢測中的應(yīng)用研究

袁小昊，郭志波

(揚州大學 信息工程學院，江蘇 揚州 225127)

隨著計算機技術(shù)與電子技術(shù)以及我國農(nóng)業(yè)現(xiàn)代化的快速發(fā)展，機器視覺技術(shù)在農(nóng)業(yè)生產(chǎn)中得到越來越廣泛的應(yīng)用?；趯ρ芯砍晒臀墨I的分析，歸納了機器視覺技術(shù)在農(nóng)作物病害自動檢測與識別中的關(guān)鍵問題，對國內(nèi)外農(nóng)作物病害自動檢測與識別分別在圖像采集、圖像處理、圖像分析等方面的主流方法進行了論述，指出了目前主流方法的優(yōu)缺點。并在此基礎(chǔ)上，對機器視覺在農(nóng)作物病害自動檢測中的應(yīng)用進行了總結(jié)與展望。

機器視覺；農(nóng)作物病害；自動檢測

0 引言

隨著計算機技術(shù)與電子技術(shù)以及我國農(nóng)業(yè)現(xiàn)代化的快速發(fā)展，機器視覺技術(shù)在現(xiàn)代農(nóng)業(yè)生產(chǎn)的各個方面得到廣泛應(yīng)用，如農(nóng)產(chǎn)品質(zhì)量分級、農(nóng)作物生長過程監(jiān)測、農(nóng)業(yè)機械導航等[1]。水稻、小麥是我國主要的糧食作物，關(guān)系民生。稻麥病害傳統(tǒng)的測報方法主要依靠專業(yè)人員到田間作業(yè)，用肉眼觀察獲得其病害情況，易受環(huán)境因素、人為因素的影響，觀察精度不夠精確，效率低下且對觀察者的專業(yè)技能及經(jīng)驗有較高的要求。測報的內(nèi)容主要包括農(nóng)作物的病級，病葉率以及病情指數(shù)等。單憑人的肉眼只能對農(nóng)作物的病級進行粗略的評定，定級的不精確往往導致不能有效地測報，延誤病害的最佳防治時機，造成經(jīng)濟損失。目前，植保人員平均一周下田調(diào)查2至3次，一般在上午9至10時，且多集中在夏季，勞動強度大。在惡劣的外界環(huán)境的影響下，邊調(diào)查邊記錄的方式會使測報的精確性逐漸降低。采用機器視覺技術(shù)能夠精確、高效地對農(nóng)作物病害進行自動檢測，省工節(jié)本。然而，應(yīng)用于植物保護行業(yè)，特別是農(nóng)作物病害自動檢測與識別中的機器視覺技術(shù)發(fā)展緩慢。目前，大部分研究仍停留在實驗室階段，未投入至生產(chǎn)實踐。

機器視覺技術(shù)是以圖像處理技術(shù)為核心，利用計算機實現(xiàn)人的視覺功能，涉及人工智能、模式識別等多個學科[2]。機器視覺技術(shù)是農(nóng)業(yè)自動化和智能化的重要研究內(nèi)容，在實際生產(chǎn)中，需要實用的算法與技術(shù)來解決問題。農(nóng)作物病害自動檢測與識別的關(guān)鍵技術(shù)包括葉片圖像的采集技術(shù)，葉片病斑的分割技術(shù)，病斑特征的優(yōu)選技術(shù)，以及準確、高效地對病害診斷的識別技術(shù)。其中，對葉片圖像的采集是進行農(nóng)作物病害自動檢測與識別的基礎(chǔ)途徑。為了減輕一線植保人員的工作負擔，促進我國植物保護現(xiàn)代化以及農(nóng)業(yè)現(xiàn)代化的發(fā)展，對機器視覺技術(shù)在農(nóng)作物病害自動檢測與識別的國內(nèi)外研究進展及應(yīng)用情況進行論述。在此基礎(chǔ)上，分析了目前研究中存在的問題，并對植物保護現(xiàn)代化發(fā)展中機器視覺技術(shù)的應(yīng)用做出展望。

1 基于機器視覺的農(nóng)作物病害識別技術(shù)

1.1 葉片圖像采集

進行農(nóng)作物病害自動檢測與識別首先要對病害葉片的圖像進行采集。自動識別的前提是獲得數(shù)字圖像，數(shù)字圖像質(zhì)量的好壞決定著之后葉片病害的識別特征能否較容易地被取得，以及提取的特征是否有效。圖像質(zhì)量是由圖像采集裝置和圖像獲取方法直接決定的。所以，在進行葉片圖像采集時要考慮各方面因素，包括人為因素與外界環(huán)境因素等。

賴軍臣[3]認為目前依靠植保人員定期下田并依靠肉眼識別玉米葉片病害的方法滿足不了現(xiàn)代農(nóng)業(yè)發(fā)展的需要，提出構(gòu)建玉米病害診斷專家系統(tǒng)。河北農(nóng)業(yè)大學的劉麗娟等[4]以水稻紋枯病為例，采用相機拍攝的方式獲得320×240的水稻葉片彩色圖像。寧夏大學的劉立波等[5]設(shè)計了一個內(nèi)部裝有6根熒光燈管的封閉采集箱，箱體頂部留有拍攝孔用于葉片圖像拍攝，通過USB接口將數(shù)碼相機與計算機相連，通過鼠標控制數(shù)碼相機進行拍照。鄭姣等[6]設(shè)計了基于Android手機的水稻病害識別系統(tǒng)來改善目前水稻病害檢測與識別中依賴相機與計算機進行圖像采集與處理而導致缺乏便攜性與實時性的問題。方案通過將葉片夾在蓋有黑色棉布的方木板(15cm×8cm)上并設(shè)置相機參數(shù)來進行拍攝。該方法需考慮環(huán)境因素，且操作較繁瑣。

采用機器視覺技術(shù)可以通過機器精測代替人眼粗測，使農(nóng)作物病害檢測標準化。目前，大部分研究者采用手機或數(shù)碼相機對病害葉片進行圖像采集，該方法優(yōu)點為便攜性好，可以實時拍攝。然而，受外界環(huán)境影響較大，光照、降雨等都將對獲取圖像的質(zhì)量造成影響。不僅如此，農(nóng)作物葉片的正反面都存在病斑，利用相機拍攝的方式只能獲取單面葉片的圖像，無法準確得到病斑的全部信息。同樣，葉面卷曲對病斑造成的遮擋也會影響病斑信息的獲取。也有的研究者嘗試制作相關(guān)裝置進行圖像采集[7]，但存在較多缺陷，如便攜性差，功能單一，缺乏人機友好的界面等。有國外研究者使用掃描儀對葉片圖像進行采集。該方法可以避免外界環(huán)境的干擾，能夠準確得到葉片完整的圖像，但是掃描速度較慢，且只能掃描得到葉片的單面圖像，效率較低。當前的生產(chǎn)實踐中，還沒有專門的裝置用于農(nóng)作物病害葉片圖像的采集。開發(fā)農(nóng)作物病害自動檢測裝置，需要將植保專業(yè)知識與植保人員實際田間工作情況相結(jié)合，服務(wù)于基層植保人員和種田大戶，使操作簡單有效。在農(nóng)作物病害葉片圖像采集的研究中，要綜合各種因素，做好從實驗室環(huán)境向大田環(huán)境的轉(zhuǎn)移。

1.2 葉片病斑分割

圖像處理是把圖像分割成各具特性的區(qū)域并從中提取出研究感興趣的目標的技術(shù)和過程。在對圖像的研究與應(yīng)用中，為了識別與分析研究目標，需要將目標區(qū)域與整體圖像進行分離。圖像分割的效果直接影響最終圖像分析與處理的結(jié)果。因此，開發(fā)適合農(nóng)作物葉片病斑的圖像分割方法對農(nóng)作物病害自動檢測與識別的準確性與效率起著至關(guān)重要的作用。

目前的研究中主要有以下四類圖像分割方法[8-12]。

(1)基于像素分類的分割

該方法通過在特征空間中定義了一個將像素映射到不同類別的場合的函數(shù)來進行圖像的分割。因為函數(shù)具有隸屬關(guān)系，所以分割后的圖像由一組特定的像素點組成。

(2)基于邊緣檢測的分割

該種分割方法是基于檢測圖像灰度級或者結(jié)構(gòu)具有突變的地方來進行分割的，圖像不同區(qū)域間像素灰度是不連續(xù)的，灰度不連續(xù)處是一個區(qū)域的終結(jié)，也是另一個區(qū)域的開始。

(3)基于區(qū)域的分割

區(qū)域分割的算法是直接在圖像空間域中劃分滿足同質(zhì)性的區(qū)域，用來提取部分特征相近或一致的像素點組成的區(qū)域。該方法是像素分類及邊緣檢測分割方法的組合。其主要的兩類方法為區(qū)域生長與區(qū)域分裂合并。

(4)多尺度分割

在信息分析的角度下，一幅完整圖像可由不同的區(qū)域來描述，包含了圖像的類別分量和圖像的位置分量。多尺度分割就是根據(jù)圖像所有尺度下的信息，來平衡類別信息與位置信息之間的矛盾，從而達到內(nèi)存不確定性的最小化。

陳偉[13]提出了一種在復(fù)雜背景下對健康黃瓜彩色圖像葉片的分割算法。對采集得到的原始圖像進行抖動處理，中值濾波后進行各向異性擴散，最后進行分水嶺分割得到所需的目標區(qū)域。其算法適用于嵌入式平臺，具有占用內(nèi)存少的特點，算法的快速性為其主要優(yōu)點。湖南農(nóng)業(yè)大學的童釗[14]利用基于水稻葉片卷曲度的計算機視覺測量方法來進行水稻單葉片面積的測量。使用B通道灰度化、中值濾波對圖像進行平滑處理，并使用OTSU分割法進行水稻原始圖像的分割。何建斌等[15]采用K-均值聚類和數(shù)學形態(tài)學相結(jié)合的方法對小麥彩色圖像進行分割，取得了比采用灰度圖像閾值法分割更好的效果。西北農(nóng)林科技大學的田杰等[16]以提升高斯混合模型對小麥病葉的分割精度為目的，研究了一種基于PCA和高斯混合模型的分割方法。該方法速度快，比K-means等傳統(tǒng)分割方法的精度提高許多。Kamal M等[17]討論了不同的紅樹林環(huán)境設(shè)置、衛(wèi)星圖像的空間分辨率和光譜植被指數(shù)(SVI)以及LAI估計映射方法的影響，研究了應(yīng)用于WV-2圖像估計的多分辨率分割尺度參數(shù)的作用。

常用的顏色空間模式有RGB模式、HIS模式、HSV模式和Lab模式等。HSV模型相比于HIS模型更加接近人類對顏色的感知,適用于消除數(shù)字色彩與傳統(tǒng)顏料色彩之間的溝通障礙[18-19]。安徽農(nóng)業(yè)大學的劉連忠等[20]通過遍歷小麥圖像img的所有像素，比較其R、G、B分量值大小來進行病斑分割。華南農(nóng)業(yè)大學的吳露露等[21]采用HIS模型的H分量提取葉片正常部位信息、Canny算法對2R-G色差分量圖斑進行邊緣檢測和形態(tài)學運算等方法來提取稻瘟病的病斑。實驗結(jié)果顯示該方法的正確率可達90.26%。刁廣強[22]根據(jù)水稻的幾種常見病害，稻瘟病、紋枯病、白葉枯病的顏色特征和其常規(guī)的形態(tài)特征對水稻病斑的圖像進行分割。利用了RGB顏色空間與HIS顏色空間的原理，分割后基本保留了病害為害區(qū)域，但總體偏小。

農(nóng)作物葉片病斑的圖像分割技術(shù)是農(nóng)作物病害自動檢測與識別研究中的重點、難點，也可以說是瓶頸。目前，許多研究中使用的圖像分割算法不盡相同，提出了數(shù)以千計的分割算法。雖然在部分農(nóng)作物病害的病斑圖像分割的研究中已經(jīng)出現(xiàn)了一些成熟的分割算法，但尚無通用分割理論，同樣也不存在判斷分割是否成功的固定標準，存在著算法可擴展性差的問題。在眾多的圖像分割方法中，如果只考慮速度，基于閾值的分割算法是最快的，但不能直接在RGB空間或灰度圖上進行，這樣的分割結(jié)果會造成分割精度不高的現(xiàn)象。分割時，需要將RGB空間變換到其他色彩空間。很多文獻都是將獲取的圖像從RGB空間轉(zhuǎn)化到HSV空間進行分割，從而較好的取得全部的病斑特性。

我國地域遼闊，各地區(qū)農(nóng)業(yè)生產(chǎn)條件與生態(tài)環(huán)境差異較大，農(nóng)作物病害具有復(fù)雜多變性。大部分研究使用的圖像分割算法仍停留在學術(shù)研究和實驗室階段，沒有在專門的應(yīng)用系統(tǒng)中使用和推廣。農(nóng)作物葉片病斑的圖像分割技術(shù)需面對從實驗室環(huán)境轉(zhuǎn)移到大田環(huán)境，單一背景轉(zhuǎn)移到復(fù)雜背景的挑戰(zhàn)，需要研究出準確度高、速度快、可靠性強的圖像分割算法。

1.3 葉片病害特征提取

原始圖像在經(jīng)過圖像預(yù)處理后可進行圖像分割，得到分割的圖像后，還要對物體的屬性進行描述，以便計算機能夠?qū)Ψ指畹膱D像進行理解進而加以判別和分類。農(nóng)作物葉片病害特征的選擇和提取的基本任務(wù)是提取病害信息，目的是找出最有效的鑒別特征。特征提取是農(nóng)作物葉片病害自動檢測與識別中的關(guān)鍵步驟，不管是害蟲還是病斑，都有其獨特的特征可用于與其他蟲類和健康葉片進行區(qū)分。通過特征向量來進行后續(xù)病害分類器的設(shè)計。

張芳[23]分別通過提取病斑的邊界、利用彩色空間模型、采用灰度共生矩陣得到了病斑的形狀、顏色、紋理特征參數(shù)。對于農(nóng)作物葉片病斑來說，其形狀特征、紋理特征和顏色特征是最具代表性的識別特征[24]。其中，幾何特征是葉片的本質(zhì)特征，具有平移、旋轉(zhuǎn)和縮放無變化的特點。弗里曼鏈碼法[25]、傅里葉描述子、細胞神經(jīng)網(wǎng)絡(luò)提取葉脈等方法均可用來提取葉片的形狀特征；紋理是物體表面的固有特征之一，紋理特征可表明葉片表面顏色的規(guī)律性分布與變化。分形維數(shù)、小波變換、局域二值模式等方法常用于葉片紋理特征的提??；顏色是圖像顯著的底層特征，RGB(三原色光模式)，HSV(基于色相、飽和度和明度的色彩屬性模式)等都為常用的顏色模型。北京林業(yè)大學的張寧在基于圖像分析的植物葉片識別算法研究[26]中詳細討論了上述幾種不同的葉片特征的提取方法。Pydipati等[27]使用基于HIS的顏色共生矩陣獲取病斑的紋理特征，使用Canny邊緣檢測算子提取病斑輪廓，實現(xiàn)了柑桔病害的識別。安徽農(nóng)業(yè)大學的袁加紅等[28]建立了基于RGB顏色空間的水稻秧苗表面顏色模型，通過顏色特征對秧苗圖像進行處理。研究發(fā)現(xiàn)，水稻秧苗的綠色分量比例最大，藍色分量比列最低。毋媛媛等[29]提出了RGB和HIS顏色空間的轉(zhuǎn)換公式，提取了14個小麥葉部病害的顏色特征。西北農(nóng)林科技大學的王美麗等[30]以小麥白粉病和銹病為研究對象，將圖像由RGB彩色空間轉(zhuǎn)換到HSV顏色空間，提取相關(guān)的顏色特征。并提取周長、面積、矩形度、似圓度、偏心率作為形狀特征。夏永泉等[31]通過計算能量、對比度、熵、相關(guān)性這四個參量在0°、45°、90°、135°，四個方向上的值，將各參量的均值和方差作為紋理特征參數(shù)。張飛云[32]首先利用多重分形分析從二值化分割的小麥葉部病害圖像中提取了病害的形狀特征參數(shù),再分別利用提升小波變換和脈沖耦合神經(jīng)網(wǎng)絡(luò)從彩色分割的圖像中提取了顏色、紋理特征參數(shù)，最終組成得到小麥病害的多特征參數(shù)。然而，在病害有效特征的優(yōu)選技術(shù)的研究方面，因為不同植物的不同病害在顏色、紋理、形狀等方面的病癥表現(xiàn)各不一樣，單獨使用植物病害的顏色、紋理、形狀等特征參數(shù)不能較好描述植物病害的特征，這將影響植物病害的準確識別。揚州大學的劉濤等[33]采用了更加先進可靠的方法，在水稻葉部病害檢測與識別的流程中首先通過最直接的顏色特征來識別病害。若顏色特征無法識別，再通過形態(tài)特征進行識別，最終由葉片的紋理和病健交界特征來進行識別。其中，病健交界特征是基于病斑內(nèi)部、邊緣以及外圍色差來對相似病斑進行區(qū)分的一種葉片的特征。實驗數(shù)據(jù)顯示，該方法可以準確快速地對水稻葉部病害進行識別，降低了漏報、錯報率，對提高病害識別精度起到了重要的作用。

農(nóng)作物葉片病斑具有對環(huán)境變化不敏感的相對特征值較少的特點。不同環(huán)境下適用的顏色、紋理和形狀特征存在著差異，同一種病害在不同發(fā)病時期的特征也不完全相同。部分研究者采用了將多種特征組合在一起的方法，進行了從單一特征識別到多特征識別的嘗試，并取得了不錯的效果。發(fā)病初期是農(nóng)作物病害發(fā)病的關(guān)鍵時間段，目前的植保工作中存在發(fā)病初期對農(nóng)作物病害種類難以準確診斷的問題。在發(fā)病初期精確檢測與識別病害的種類能夠有效提高預(yù)防病害的能力，減少經(jīng)濟損失。在進行農(nóng)作物病害特征提取時要綜合考慮多種因素，從應(yīng)用的角度將技術(shù)進行優(yōu)化，實現(xiàn)對農(nóng)作物病害類型的及時檢測，符合生產(chǎn)的需要。

1.4 病害類型識別

模式識別的主要任務(wù)是通過分類器利用提取的特征數(shù)據(jù)來完成的。分類器的設(shè)計決定了模式識別系統(tǒng)性能的好壞。常用的分類器有支持向量機分類器、人工神經(jīng)網(wǎng)絡(luò)分類器、貝葉斯分類器和基于模糊理論的分類器等[34-36]。其中,支持向量機分類器是目前機器視覺技術(shù)在農(nóng)作物病害自動檢測與識別中的研究熱點之一。支持向量機(Support Vector Machine，簡稱SVM)是Corinna Cortes和Vapnik等于1995年首先提出的一種能夠用于分類的有監(jiān)督的機器學習方法。因為SVM基于統(tǒng)計學習理論中的結(jié)構(gòu)風險最小化原理，能夠在有限樣本中尋求模型復(fù)雜性與學習能力之間的最佳折衷，具有較強的泛化能力，在解決小樣本、高維數(shù)、非線性模式識別問題時具有較大的優(yōu)勢。

因為受季節(jié)和病害發(fā)生情況的影響，田間直接獲取的農(nóng)作物病害圖像的樣本數(shù)量相對較少。袁媛等[37]采用Lib-SVM對提取的水稻紋枯病的特征數(shù)據(jù)進行分類訓練與測試，分類方法采用C-SVC，核函數(shù)選用徑向基函數(shù)，取得了較好的效果。趙開才等[38]利用多分類支持向量機對急性型、慢性型及白點型三種類型的水稻稻瘟病進行識別。研究中，選擇了病斑面積、周長、個數(shù)以及面積個數(shù)比作為區(qū)分三種稻瘟病的形狀特征參數(shù)。并選取了區(qū)分效果較好的HSI空間中的H分量、I分量的均值，NTSC空間中Y分量均值以及YCbCr空間中的Cr分量方差作為識別三種稻瘟病的顏色特征參數(shù)。最終，采用SMO算法對構(gòu)造的三個二分類SVM模型進行訓練，選擇徑向基函數(shù)作為核函數(shù)并通過網(wǎng)格搜索法確定其參數(shù)C、δ。仿真結(jié)果表明，平均正確識別率達到93.3%(最佳模型參數(shù)：C=1,δ=50)。中國農(nóng)業(yè)大學的李冠林等[39]根據(jù)優(yōu)選的26個小麥條銹病和葉銹病的特征參數(shù)，利用以徑向基函數(shù)作為核函數(shù)的支持向量機對病害圖像進行識別，識別率達96.67%。而黑龍江八一農(nóng)墾大學的楊昕薇等[40]使用工業(yè)攝像頭拍攝的水稻葉片圖像作為研究樣本來訓練貝葉斯分類器，進行對水稻稻瘟病、紋枯病、白葉枯病的識別。研究中，選用了形態(tài)、顏色、紋理特征并使用逐步判別分析法剔除了紋理特征中冗余的參數(shù)，保留飽和度與色度紋理參數(shù)。研究顯示，因水稻稻瘟病和紋枯病的病害在形態(tài)和顏色上相似，所以通過形態(tài)、顏色特征不能準確識別。而紋理特征識別效果較好，準確率達到96.7%。水稻白葉枯病的病斑細長、面積大且顏色明顯，因此，三種特征下均有良好的識別準確率。Rong Zhou等[41]將SVM應(yīng)用于甜菜葉斑病的檢測。Pujari等[42]利用支持向量機和人工神經(jīng)網(wǎng)絡(luò)對植物病害進行檢測、量化和識別。管澤鑫[43]通過比較貝葉斯、神經(jīng)網(wǎng)絡(luò)、支持向量機分類器對6種水稻病害的4個不同特征參數(shù)進行識別分類的效果，結(jié)合結(jié)果的準確性并綜合考慮各方面因素，最終選定支持向量機分類器對水稻病害進行識別。西北農(nóng)林科技大學的胡秋霞[44]也采用了支持向量機對植物葉部病害進行識別，通過遺傳算法自動獲取了SVM的參數(shù),為SVM模型中參數(shù)難以確定的問題提供了一種解決途徑。東北林業(yè)大學的謝永華[45]分別選用了BP神經(jīng)網(wǎng)絡(luò)和支持向量機分類器進行分類識別。在支持向量機分類器中，Tamura紋理與多分辨率分形維的識別準確率均高于BP神經(jīng)網(wǎng)絡(luò)分類器。

早期的植物葉部病害識別系統(tǒng)中使用的是傳統(tǒng)的模式識別方法，多為線性分類器，對噪聲敏感且不能保證準確找出合適的擬合分界線。目前，大多數(shù)植物葉部病害識別系統(tǒng)中使用的模式識別方法為支持向量機。支持向量機是一種處理兩類分類問題的方法，需要提取的特征數(shù)量大，存在處理多類識別問題精度不高，對噪聲較為敏感的缺點。應(yīng)用中可以采用將多類分類問題轉(zhuǎn)化為多次二類分類問題的方法來提高病害分類的準確度，通過多個二類分類器，每次準確分類一種病害，直到所有病害都通過。基于神經(jīng)網(wǎng)絡(luò)的分類方法和支持向量機相比，神經(jīng)網(wǎng)絡(luò)算法的設(shè)置更多的依賴設(shè)計者的經(jīng)驗，容易出現(xiàn)過學習導致的過擬合現(xiàn)象，使分類精度下降。

2 總結(jié)

以上文獻中提出的方法和各位著者的不同觀點為機器視覺技術(shù)在植物保護行業(yè)中的應(yīng)用提供了寶貴的經(jīng)驗。綜合以上研究結(jié)果，機器視覺技術(shù)是農(nóng)作物病害自動檢測的高效方法，應(yīng)用前景非常廣闊。該技術(shù)一旦成功地大規(guī)模應(yīng)用于植物保護行業(yè)，將大大提高農(nóng)作物病害的檢測準確率和識別效率，從而提高病害測報的時效性與準確度，對病害的防治及農(nóng)業(yè)生產(chǎn)具有十分重要的意義。

對于機器視覺技術(shù)在農(nóng)業(yè)現(xiàn)代化中的應(yīng)用，我國存在著起步晚，自主創(chuàng)新落后，依賴引進技術(shù)等問題[46-50]。為了促進我國農(nóng)業(yè)現(xiàn)代化及植物保護現(xiàn)代化的發(fā)展，機器視覺技術(shù)、智能化技術(shù)在農(nóng)業(yè)生產(chǎn)中的應(yīng)用還需要不斷的改進。機器視覺技術(shù)在農(nóng)作物病害自動檢測與識別的研究和應(yīng)用中還存在如下問題。

(1)目前還沒有專門用于采集農(nóng)作物病害葉片圖像的裝置。也沒有水稻、小麥等重要農(nóng)作物的常見病害數(shù)據(jù)庫，無法對檢測結(jié)果等數(shù)據(jù)信息進行保存供研究使用。

(2)在圖像分割技術(shù)的研究中已經(jīng)出現(xiàn)了一些成熟的分割算法，但尚無通用分割理論，存在算法可擴展性差的問題。

(3)大部分算法研究停留在學術(shù)研究和實驗室階段，沒有在專門的應(yīng)用系統(tǒng)中使用和推廣。

目前，我國種植方式以散戶種植為主，而以農(nóng)場、大戶為主的集約化種植是一種趨勢，植保的工作量將隨之增加。在農(nóng)作物病害的智能診斷中，機器視覺技術(shù)已發(fā)揮了舉足輕重的作用，但生產(chǎn)實踐中還沒有能夠檢測農(nóng)作物的常見病害并確定病級的裝置。在今后的研究中，可開發(fā)一種集良好的圖像采集系統(tǒng)、準確高速的圖像分割方法、精準全面的特征提取方法及分類方法于一體的農(nóng)作物病害自動檢測裝置來減輕植保人員的工作強度。裝置能夠自動檢測出植物受何種病害并判斷其病級。裝置面向種田大戶，具有人機界面友好，操作簡單的特點。在農(nóng)作物病害分類識別的研究中，可以嘗試使用目前最先進的深度學習方法來解決現(xiàn)有方法中存在的問題。通過彌補研究者忽略的領(lǐng)域，從各方面入手，不斷完善我國農(nóng)業(yè)現(xiàn)代化的建設(shè)。

[1] 刁智華,王會丹,魏偉.機器視覺在農(nóng)業(yè)生產(chǎn)中的應(yīng)用研究[J].農(nóng)機化研究,2014(3):206-210.

[2] 劉傳才.圖像處理與計算機視覺[M].廈門:廈門大學出版社,2002．

[3] 賴軍臣.基于病癥圖像的玉米病害智能診斷研究[D].石河子:石河子大學,2010.

[4] 劉麗娟,劉仲鵬.北方旱育稀植水稻病害圖像識別預(yù)處理研究[J].江蘇農(nóng)業(yè)科學，2014(1): 92-94．

[5] 劉立波,周國民.基于多層感知神經(jīng)網(wǎng)絡(luò)的水稻葉瘟病識別方法[J].農(nóng)業(yè)工程學報,2009(增刊2):213-217.

[6] 鄭姣,劉立波.基于Android的水稻病害圖像識別系統(tǒng)設(shè)計與應(yīng)用[J].計算機工程與科學,2015(7): 1366-1371.

[7] 劉德營.稻飛虱自動識別關(guān)鍵技術(shù)的研究[D].南京:南京農(nóng)業(yè)大學,2010.

[8] Pal N R, Pal S K. A review on image segmentation techniques[J].Pattern Recognition,1993(9): 1277-1294.

[9] Hance G A, Umbaugh S E, Moss R H, et al.Unsupervised color image segmentation with application to skin tumor borders[J]. IEEE Engineering in Medicine and Biology,1996(1): 104-111.

[10] 樂宋進,武和雷,胡泳芬. 圖像分割方法的研究現(xiàn)狀與展望[J].南昌水專學報,2004(2): 15-21.

[11] 林開顏,吳軍輝,徐立鴻. 彩色圖像分割方法綜述[J].中國圖像圖形學報,2005(1): 1-10.

[12] 楊陣,曲秀杰. 圖像分割方法綜述[J].電腦開發(fā)與應(yīng)用,2005(3): 21-23.

[13] 陳偉. 復(fù)雜背景下黃瓜葉片的彩色圖像分割與病害診斷[D].天津:天津理工大學,2013.

[14] 童釗. 基于計算機視覺的水稻葉片信息研究[D].長沙:湖南農(nóng)業(yè)大學,2010.

[15] 何建斌,梁威,李曉明. 基于K均值聚類和數(shù)學形態(tài)學的小麥彩色圖像分割[J].浙江農(nóng)業(yè)學報，2011(4): 829-832．

[16] 田杰,韓冬,胡秋霞,等. 基于PCA和高斯混合模型的小麥病害彩色圖像分割[J].農(nóng)業(yè)機械學報,2014(7): 267-271.

[17] Kamal M, Phinn S, Johansen K. Assessment of multi-resolution image data for mangrove leaf area index mapping[J]. Remote Sensing Of Environment,2016(176): 242-254.

[18] Hsuand C W, Lin C J. A comparison of methods for multi-class support vector machines[J]. IEEE Transactions on Neural Networks,2002(13): 415-425.

[19] 韓瑞珍. 基于機器視覺的農(nóng)田害蟲快速檢測與識別研究[D].杭州:浙江大學,2014.

[20] 劉連忠,張武,朱誠. 基于改進顏色特征的小麥病害圖像識別技術(shù)研究[J].安徽農(nóng)業(yè)科學,2012(26): 12877-12879.

[21] 吳 露露,鄭志雄,齊龍,等. 基于圖像處理的田間水稻葉瘟病斑檢測方法[J].農(nóng)機化研究,2014(9): 32-35.

[22] 刁廣強. 基于圖像的水稻病蟲害分割算法研究[D].杭州:浙江理工大學,2014.

[23] 張芳. 基于計算機視覺的農(nóng)作物病害檢測系統(tǒng)的研究[D].西安:陜西科技大學,2013.

[24] Teixeira P R F, Awruch A M. Numerical simulation of fluid-structure interaction using the finite element method[J]. Computers and Fluids,2005(2): 249-273.

[25] 賀鵬,黃林. 植物葉片特征提取及識別[J].農(nóng)機化研究,2008(6):168-170.

[26] 張寧.基于圖像分析的植物葉片識別算法研究[D].北京:北京林業(yè)大學,2013.

[27] Pydipati R,Burks T,Lee W.Identification of citrus disease using color texture features and discriminant analysis[J].Computers and Electronics in Agriculture,2006,52(12):49-59.

[28] 袁加紅,朱德泉,孫丙宇,等. 基于機器視覺的水稻秧苗圖像分割[J].浙江農(nóng)業(yè)學報,2016(6):1069-1075．

[29] 毋媛媛,李清波,刁智華. 小麥葉部病害彩色圖像特征提取研究[J].農(nóng)機化研究,2015(10): 79-82.

[30] 王美麗,牛曉靜,張宏鳴,等. 小麥葉部常見病害特征提取及識別技術(shù)研究[J].計算機工程與應(yīng)用,2014(7): 154-157.

[31] 夏永泉,李耀斌,李晨. 基于圖像處理技術(shù)的小麥葉部病害識別研究[J].科技通報,2016(4): 92-95.

[32] 張飛云. 基于提升小波和學習向量量化神經(jīng)網(wǎng)絡(luò)的小麥病害圖像識別[J].江蘇農(nóng)業(yè)科學,2013(5):103-106．

[33] 劉濤,仲曉春,孫成明,等. 基于計算機視覺的水稻葉部病害識別研究[J].中國農(nóng)業(yè)科學,2014(4):664-674.

[34] Wang Xiaofeng, Du Jixiang,Zhang Guojun. Recognition of leaf images based on shape features using a hypersphere classifler[C]//Advances in Intelligent Computing. Berlin/Heidelberg:Springer,2005.

[35] Wu S G, Bao F S,Xu E Y, et al. A leaf recognition algorithm for plant classification using probabilistic neural network[C]//IEEE International Symposium on Signal Processing and Information Technology.Giza:IEEE,2007.

[36] Wu Qingfeng,Zhou Changle.Feature extraction and automatic recognition of plant leaf using artificial neural network[C]//Proceedings of ICCSE.Xiamen:Xiamen University Publishing House,2007.

[37] 袁媛,陳雷,吳娜,等.水稻紋枯病圖像識別處理方法研究[J].農(nóng)機化研究,2016(6): 84-92.

[38] 趙開才,石鳳梅,孟慶林,等. 基于SVM的水稻稻瘟病識別方法[J].東北農(nóng)業(yè)大學學報,2013(11):118-126.

[39] 李冠林,馬占鴻,王海光.基于支持向量機的小麥條銹病和葉銹病圖像識別[J].中國農(nóng)業(yè)大學學報,2012,17(2):72-79.

[40] 楊昕薇,譚峰. 基于貝葉斯分類器的水稻病害識別處理的研究[J].黑龍江八一農(nóng)墾大學學報,2012(3):64-67.

[41] Rong Zhou,Shun’ichi Kaneko, Fumio Tanaka,et.al. Disease detection of Cercospora Leaf Spot in sugar beet by robust template matching[J].Computers and Electronics in Agriculture,2014(108): 58-70.

[42] D.Pujari,J.,R.Yakkundimath,and A.S.Byadgi.SVM and ANN Based Classification of Plant Diseases Using Feature Reduction Technique[J].International Journal of Interactive Multimedia and Artificial Inteligence,2016(7):6-14.

[43] 管澤鑫. 基于圖像的水稻病害識別方法的研究[D].杭州:浙江理工大學,2010.

[44] 胡秋霞. 基于圖像分析的植物葉部病害識別方法研究[D].楊凌:西北農(nóng)林科技大學,2013.

[45] 謝永華. 數(shù)字圖像處理技術(shù)在木材表面缺陷檢測中的應(yīng)用研究[D].沈陽:東北林業(yè)大學,2013.

[46] 應(yīng)義斌,傅賓忠,蔣亦元,等. 機器視覺技術(shù)在農(nóng)業(yè)生產(chǎn)自動化中的應(yīng)用[J].農(nóng)業(yè)工程學報,1999(3): 199-203.

[47] 賴軍臣,李少昆,明博,等. 作物病害機器視覺診斷研究進展[J].中國農(nóng)業(yè)科學,2009(4):1215-1221.

[48] 陳兵旗,孫旭東,韓旭,等. 基于機器視覺的水稻種子精選技術(shù)[J].農(nóng)業(yè)機械學報,2010(7):165-173.

[49] 王文靜. 機器視覺技術(shù)在現(xiàn)代農(nóng)業(yè)中的應(yīng)用[J].現(xiàn)代農(nóng)業(yè)科技,2014(8):335-340.

[50] 趙娜,趙平,高軼軍.機器視覺技術(shù)在我國現(xiàn)代農(nóng)業(yè)生產(chǎn)中的應(yīng)用研究[J].天津農(nóng)學院學報,2015(2): 55-58.

(責任編輯：孫文彬)

Applied Research on Machine Vision Application in Automatic Detection of Crop Diseases

YUAN Xiao-hao, GUO Zhi-bo

(College of Information Engineering, Yangzhou University, Yangzhou Jiangsu 225127, China)

With the rapid development of computer technology, electronic technology and agricultural modernization in China, machine vision technology has been widely used in modern agricultural production. Based on the research results and literature analysis, this paper summarized the key problems of automatic detection and recognition of crop diseases by machine vision technology. The main methods used in image acquisition, image processing, and image analysis were discussed in this paper, the advantages and disadvantages of the current mainstream methods were pointed out. In the end, open problems and further research of machine vision technology in automatic detection of crop diseases were discussed.

machine vision; crop diseases; automatic detection

2017-02-17

江蘇省前瞻性聯(lián)合研究項目(BY2015061-01)；江蘇省大學生創(chuàng)新創(chuàng)業(yè)項目(201611117048Y)

袁小昊(1996-)，男，江蘇南京人，主要從事自動化研究。

TP301.6；S

A

1009-7961(2017)03-0006-06