基于WMSNs的溫室植物病害遠程監(jiān)測系統(tǒng)

鄭繼亭，李 珺

(1.長安大學 信息與網絡管理處，陜西 西安 710064；2.長安大學 信息工程學院，陜西 西安 710064)

0 引 言

植物病害是指植物受到其他生物的侵害或由于不適宜的環(huán)境條件所引起的正常生理機能的破壞。植物病害發(fā)生后，其新陳代謝發(fā)生改變，進而引起植物細胞和植物外部形態(tài)的變化，通常將這種外觀的變化稱作為癥狀。通過癥狀來判斷植物染病的原因和確定其受害程度是目前植物病害診斷的常用手段。傳統(tǒng)溫室植物病害檢測主要通過工作人員以現(xiàn)場查看的方式進行，該方式不僅費時費力，而且存在檢測不全面、效率低等不足[1-2]。

隨著圖像處理理論的發(fā)展，基于計算機視覺的植物病害自動檢測識別技術成為目前的研究熱點，國內外提出了許多基于圖像處理的植物病害檢測方法。例如，文獻[3]提出了一種基于視頻監(jiān)控的蔬菜病蟲遠程診斷系統(tǒng)。該系統(tǒng)采用了有線布網方式將采集到的數(shù)據(jù)傳輸?shù)奖O(jiān)控端，從而進行植物病害決策。該系統(tǒng)雖然能較好地識別植物生長狀態(tài)，但是傳統(tǒng)的有線布網方式建設、維護成本較高且對傳輸距離、布線方式等具有不同要求。文獻[4]進行了基于計算機視覺的水稻葉部病害識別研究。該研究在病害識別過程中的圖片數(shù)據(jù)來源于前期采集，并不能夠實現(xiàn)溫室監(jiān)控和病害檢測一體化。

近年來，無線多媒體傳感器網絡(WMSNs)技術的發(fā)展為以視頻監(jiān)控為核心的溫室遠程監(jiān)控方案提出了新的設計思路[5]。針對上述不足，文中提出了一種基于WMSNs的溫室植物病害遠程監(jiān)測系統(tǒng)。該系統(tǒng)以WMSNs為硬件基礎，采用HOG特征與Fisher分類器相結合的算法完成植物病害識別，并通過組態(tài)軟件完成了監(jiān)控終端系統(tǒng)軟件的設計。測試表明，該系統(tǒng)不僅能實時監(jiān)測溫室作物生長狀態(tài)，并能及時準確地自動判斷植物的病害狀況，從而減少因病害導致的產量下降。

1 系統(tǒng)總體設計

WMSNs是眾多多媒體傳感器節(jié)點組成的有自組織能力的無線網絡，能夠將傳感器采集的多媒體數(shù)據(jù)(視頻、圖像、音頻等)傳輸?shù)骄W關節(jié)點，網關節(jié)點將數(shù)據(jù)通過互聯(lián)網傳送至用戶進行監(jiān)控[6-7]?；谏鲜鏊枷?，文中構建的基于WMSNs的溫室植物病害遠程監(jiān)測系統(tǒng)如圖1所示。

圖1 溫室植物病害遠程監(jiān)測系統(tǒng)

系統(tǒng)主要采用包含CMOS高清攝像頭的無線多媒體傳感器節(jié)點構成WMSNs，實現(xiàn)將攝像頭采集到的視頻信息傳送到監(jiān)控中心服務器，在監(jiān)控中心完成溫室環(huán)境信息的實時監(jiān)控。

圖2 多媒體傳感器網絡結構

構成的多媒體傳感器網絡結構如圖2所示。傳感器節(jié)點主要用來掛接各種傳感器，如CMOS攝像機，傳感器采集的數(shù)據(jù)傳給匯聚節(jié)點，再經過匯聚節(jié)點傳給監(jiān)控平臺，繼而執(zhí)行病害檢測。

圖像采集模塊采用了OV7640 CMOS圖像傳感器芯片，像素為30萬，具有可編程控制與視頻模/數(shù)混合輸出的功能，對低亮度信號有高敏感度。它可以提供每秒30幀的圖像處理速度。操作電壓只需2.5 V，能夠對圖像實現(xiàn)自動控制，如自動曝光、自動白平衡、自動控制亮度等，所以采集的圖像清晰穩(wěn)定[8]。

2 系統(tǒng)軟件設計

2.1 軟件總體設計

系統(tǒng)軟件結構如圖3所示。根據(jù)設計目標，從功能角度將系統(tǒng)劃分為3個模塊：實時監(jiān)控模塊、植物病害檢測模塊、組態(tài)界面模塊。

(1)實時監(jiān)控模塊：主要是為用戶提供現(xiàn)場圖像信息，通過實時傳輸，用戶可以在監(jiān)控中心查看溫室作物實時的生長狀況。

(2)植物病害檢測模塊：主要是由系統(tǒng)自主檢測溫室作物是否出現(xiàn)病害，并在發(fā)生病害時向用戶提供警告。

(3)組態(tài)界面模塊：提供了友好的人機界面，用戶可在PC機上遠程監(jiān)控溫室作物狀況。

圖3 系統(tǒng)軟件設計

2.2 組態(tài)界面設計

通過組態(tài)軟件把溫室監(jiān)控系統(tǒng)中傳感器采集到的數(shù)據(jù)直觀顯示在PC機的顯示屏上，并存入組態(tài)系統(tǒng)中的數(shù)據(jù)庫，實現(xiàn)安全、實時的工業(yè)監(jiān)視和控制。

界面開發(fā)采用北京亞控公司開發(fā)的組態(tài)王上位機組態(tài)軟件。使用組態(tài)王提供的超級文本顯示控件及相關函數(shù)來完成畫面的設計。采用組態(tài)王提供的動畫連接技術及相關函數(shù)實現(xiàn)了溫室實時監(jiān)控。在此基礎上，采用動態(tài)數(shù)據(jù)交換(DDE)技術實現(xiàn)組態(tài)王與病害判決程序之間的數(shù)據(jù)交換。上位機主控程序將CCD攝像機采集到的植物圖片傳送到病害盤踞程序中進行植物病害檢測，檢測結果通過文本的形式傳輸?shù)浇M態(tài)王進行顯示[9]。

3 作物病害檢測方法

絕大多數(shù)植物病害都通過外部癥狀，即葉片形狀顏色表現(xiàn)出來，通常病害的植物葉片與健康植物葉片有很明顯的差異，利用該差異可以實現(xiàn)作物病害的檢測[10]。以黃瓜葉點霉葉斑病為例，闡述植物病害檢測算法的設計。

植物病害檢測部分的整體結構主要包括：

(1)圖像分割：從輸入圖像中提取感興趣區(qū)域，即待檢測區(qū)域；

(2)特征提?。禾崛「信d趣區(qū)域的HOG特征；

(3)分類：與正負樣本的特征進行比較，決定輸入圖片是否為病害。

在分類階段的正樣本(病害樣本)和負樣本(健康樣本)都是經過WMSNs節(jié)點采集，正樣本選取了2 000張圖片，負樣本選取了1 000張圖片，進行訓練得到分類模型，進而判斷植物是否發(fā)生病害[11]。

以WMSNs采集到的一張黃瓜葉點霉葉斑病圖片為例，對植物病害檢測的具體過程進行說明。

3.1 圖像自適應閾值分割

在現(xiàn)有的圖像分割方法中，自適應閾值分割方法可根據(jù)具體問題將圖像分成若干子區(qū)域分別選擇閾值，適用于物體和背景的對比度在圖像中的各處不同情況，因此文中采用自適應閾值分割算法。

閾值分割算法的關鍵是確定閾值，只有確定合適的閾值才能準確地實現(xiàn)圖像分割。閾值確定后，將閾值與像素點的灰度值逐個進行比較，像素分割可對各像素并行地進行，分割結果直接給出圖像區(qū)域。對于健康的黃瓜葉和感染黃瓜葉點霉葉斑病的黃瓜進行閾值分割，對比結果如圖4和圖5所示。

圖4 健康的黃瓜葉閾值分割

圖5 感染黃瓜葉點霉葉斑病閾值分割

3.2 圖像HOG特征提取

方向梯度直方圖(Histogram of Oriented Gradient,HOG)可通過梯度方向直方圖特征來表述物體，從而得到物體的特征集[12]。特征提取流程一般是：將圖片分為小的連通區(qū)域，記為細胞單元；采集圖像中每個細胞單元的像素對應的梯度直方圖；將所有細胞單元的梯度直方圖進行組合，得到圖片的HOG特征描述[13-14]。文中通過將細胞單元擴展為更大的塊，再對這些塊進行對比度歸一化，從而提高特征提取的性能。

提取一張圖片的HOG特征的過程如下：

(1)灰度化待處理的圖片；

(2)對輸入的圖片進行Gamma校正，實現(xiàn)顏色空間的歸一化，從而降低圖片中陰影部分和光照對圖片產生的影響，提高圖片的對比度，并且能降低噪音的干擾；

(3)通過計算圖像中每個像素點梯度的大小和方向，能夠得到圖片的輪廓信息，且能降低弱光對圖片造成的干擾；

(4)以像素為單位將圖片劃分為很多細胞，記為cell；

(5)通過統(tǒng)計每個cell的梯度直方圖，就可得到每個細胞的特征描述；

(6)幾個cell組成一個塊，記為block。例如2*3個細胞組成一個塊，將一個塊內所有細胞的特征描述結合起來，就得到該塊的Hog特征描述；

(7)將圖片所有的塊的特征描述結合起來得到新的特征描述就是這張圖片的特征描述，也就是這張圖片的Hog特征。

3.3 線性判別分類

線性判別式分析的基本思想是將高維的模式樣本投影到最佳鑒別矢量空間，以達到抽取分類信息和壓縮特征空間維數(shù)的效果。使用這種方法能夠使投影后模式樣本的類間散布矩陣最大，并且同時使類內散布矩陣最小，能夠保證投影后模式樣本在新的空間中有最佳的可分離性[15]。文中分類階段采用Fisher線性判別分析方法[16]。

假設用于訓練的n個樣本的HOG特征為x1,x2,…,xn，維數(shù)為d，它們分別屬于兩個不同的類別，其中大小為n1的樣本子集w1為正樣本集，大小為n2的樣本子集w2為負樣本集。如果對X中的各個成分作線性組合，就得到點積，結果是一個標量：

y=WtX

(1)

這樣全部的n個樣本x1,x2,…,xn就產生了n個結果y1,y2,…,yn，相應地屬于集合Y1和Y2。最后，依靠每個樣本對應的y值來判別它屬于哪一類。圖6給出了不同的投影向量分類示意圖。根據(jù)兩張圖的對比可知，選擇了合適的投影向量，就能夠得到準確的分類效果。

圖6 不同投影向量下的判別示意圖

4 實驗結果

測試階段將攝像頭采集的500張測試集圖片送入病害檢測算法，最終檢測準確率達到96%，誤判率為4%，表明文中系統(tǒng)能夠達到較好的檢測效果。

5 結束語

以溫室作物生長階段的病害檢測為目標，提出一種基于WMSNs的溫室作物病害遠程監(jiān)測系統(tǒng)。利用WMSNs網絡，采集溫室作物實時生長狀況，并利用植物病害檢測算法有效地完成了植物病害狀況的檢測，利用組態(tài)軟件為監(jiān)控顯示平臺，建立了友好的可視化界面。經過實際測試可知，該系統(tǒng)有良好的檢測準確率，具有廣泛的應用前景和較強的市場競爭力。

[1] 程術希.基于光譜和成像技術的作物病害不同侵染期快速檢測方法研究[D].杭州:浙江大學,2014.

[2] 盧勁竹,蔣煥煜,崔 笛.熒光成像技術在植物病害檢測的應用研究進展[J].農業(yè)機械學報,2014,45(4):244-252.

[3] 劉榮虎.基于視頻監(jiān)控的蔬菜病蟲害遠程診斷系統(tǒng)開發(fā)與應用[D].武漢:華中農業(yè)大學,2013.

[4] 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].中國農業(yè)科學，2014,47(4):664-674.

[5] HATEM I,JBEILY T,ALKUBEILY M.An efficient adaptation of edge feature-based video processing algorithm for wireless multimedia sensor[J].International Journal of Computer Science Trends and Technology,2015,3(3):156-166.

[6] RAMPRABU G,NAGARAJAN S.Design and analysis of novel modified cross layer controller for WMSN[J].Indian Journal of Science and Technology,2015,8(5):438-444.

[7] 楊信廷,吳 滔,孫傳恒,等.基于WMSN的作物環(huán)境與長勢遠程監(jiān)測系統(tǒng)[J].農業(yè)機械學報,2013,44(1):167-173.

[8] 湯永華,張志佳,苑瑋琦.OV7640在遠程抄表系統(tǒng)中的應用[J].微計算機信息,2008,24(4):142-144.

[9] 房向榮,施 仁.組態(tài)王與智能儀器的動態(tài)數(shù)據(jù)交換[J].工業(yè)儀表與自動化裝置,2005(3):51-52.

[10] 周強強,王志成,趙衛(wèi)東,等.基于水平集和視覺顯著性的植物病害葉片圖像分割[J].同濟大學學報:自然科學版,2015,43(9):1406-1413.

[11] 張 靜,王雙喜.溫室植物病害圖像處理技術中圖像分割方法的研究[J].內蒙古農業(yè)大學學報:自然科學版,2007,28(3):19-22.

[12] DALAL N,TRIGGS B.Histograms of oriented gradients for human detection[C]//IEEE computer society conference on computer vision and pattern recognition.[s.l.]:IEEE,2005:886-893.

[13] 潘志國.機器視覺技術在農作物病蟲害的研究與應用[J].電子測試,2014(3):57-58.

[14] 夏永泉,王會敏,曾 莎.基于Android的植物葉片圖像病害檢測[J].鄭州輕工業(yè)學院學報:自然科學版,2014,29(2):71-74.

[15] THEODORIDIS S.模式識別[M].第4版.北京:電子工業(yè)出版社,2010

[16] 崔 鵬,張雪婷.基于塊雙向Fisher線性判別分析人臉識別[J].光電子·激光,2016,27(4):421-428.