基于圖像校正技術(shù)的大豆病害自動診斷模型

關(guān)海鷗, 劉 夢, 馬曉丹

(黑龍江八一農(nóng)墾大學(xué) 電氣與信息學(xué)院, 黑龍江 大慶 163319)

農(nóng)作物病害是影響農(nóng)產(chǎn)品優(yōu)質(zhì)高產(chǎn),進而獲取農(nóng)業(yè)高效益的重要因素[1].大豆作為重要的糧油作物,在生產(chǎn)過程中受病害脅迫的影響逐年增高,需要及時發(fā)現(xiàn)并準確診斷[2].隨著精細農(nóng)業(yè)技術(shù)[3]的發(fā)展,基于計算機視覺的智能信息處理技術(shù)逐漸被應(yīng)用于農(nóng)作物病害的自動診斷與防治領(lǐng)域,為大豆病害的無損檢測及快速診斷提供了技術(shù)支持[4-9].但基于圖像校正技術(shù)的大豆病害快速診斷模型[10-11]鮮有報道,為解決大豆病害無損采集的非線性失真圖像與病種之間映射關(guān)系問題,文中通過自制標定模板無損采集大豆病害數(shù)字圖像,利用雙線性投影模型的映射算法,對病害圖像的幾何失真進行校正,以大豆葉部病斑區(qū)域的多維特征參數(shù)為有效依據(jù),應(yīng)用具有強自適應(yīng)性的神經(jīng)網(wǎng)絡(luò),實現(xiàn)大豆病害種類的智能推理規(guī)則,建立大豆葉部病害自動診斷模型.

1 大豆病害圖像獲取

本研究在進行大豆病害葉片圖像的無損采集時,在大田自然光照射下,將大豆病葉平鋪在自制的有4個明顯標記的載物模板上,利用DSLR-α350數(shù)碼相機進行拍攝.為確保圖像清晰,減少干擾噪聲,固定拍攝時間且以晴天為主,相機鏡頭與大豆冠層距離保持在110 cm.為保證研究的準確性,在拍攝前先將自制的載物模板掃描至計算機中保存,拍攝圖像要將4個標記點和大豆病葉的有效部分都呈現(xiàn)在圖像中.在整個過程中大豆葉片無需采摘,避免對大豆生長過程造成不利影響.

2 大豆病害圖像校正方法

2.1 雙線性投影映射模型原理

利用雙線性投影映射模型[12],對大豆病害圖像進行幾何校正,可以掃描自制采集模板圖像(圖1a),同時在非線性失真的原圖像(圖1b)中選取4個標記的特征點,

并在模板圖像中獲得相對應(yīng)的準

確位置,得到4組匹配的特征點對,將其代入雙線性投影映射模型,按照雙線性方程求解的方式,求解出投影模型中的8個系數(shù),從而獲得大豆病害圖像校正的投影變換模型.其具體過程是將投影變換模型轉(zhuǎn)換為方程:

(1)

圖1 模板與失真圖像對照圖

將掃描采集模板圖像的特征點和大豆病害失真圖像中對應(yīng)的特征點代人式(1),通過求解2組含有8個未知數(shù)的4個雙線性方程,可以得到8個雙線性變換系數(shù),即可獲得大豆病害圖像校正模型的數(shù)學(xué)表達式.該投影變換模型是一種簡單易于實現(xiàn)的大豆失真圖像幾何校正方法.

2.2 大豆病害圖像校正方法應(yīng)用

依據(jù)上述雙線性投影映射模型原理,在采集模板圖像和失真圖像中,選取模板圖像與失真圖像的4對頂點坐標,作為4組圖像匹配的特征點.通過求解公式(1)的方程組,計算可得校正系數(shù)a-h的具體參數(shù),詳見表1.

表1 模板圖像與采集圖像的對應(yīng)參數(shù)

投影模型的校正系數(shù)確定后，利用其對整個圖像進行校正，計算得到校正后的目標圖像,如圖2所示.

圖2 校正圖像

2.3 校正準確性計算及評價

為評價雙線性投影映射模型,對大豆病害圖像校正的準確性,研究中選取不同分辨率下的掃描模板,計算模板圖像中約束塊在校正前后的面積,作為其對于失真圖像校正精度的驗證標準.在常用分辨率為200DPI,400DPI,600DPI,800DPI情況下,統(tǒng)計大豆病害失真圖像的校正精度,結(jié)果如表2所示.

從表2中可以看出,文中提出的雙線性投影映射的大豆病害圖像校正方法,在不同分辨率進行失真圖像校正的精確度在99%以上,校正精度滿足病害診斷的具體要求.

表2 不同模板分辨率下的校正精度

3 大豆病害圖像特征的提取

依據(jù)農(nóng)學(xué)植保專家先驗知識可以確定,大豆病害的外部形態(tài)變化,主要呈現(xiàn)出病斑特征,一定具有形狀、顏色及紋理變化,可以應(yīng)用其彩色圖像理解技術(shù)進行病害診斷.參照文獻[7],提取大豆葉部病斑區(qū)域圖像;按照文獻[13],計算病斑區(qū)域形狀和紋理特征為圓度、長短軸比、變動系數(shù)、光滑度、熵、一致性等特征參數(shù);依據(jù)文獻[14],計算病害區(qū)域圖像的顏色特征藍光標準化值B/(R+G+B)和綠光標準化值G/(R+G+B).大田環(huán)境下采集灰斑病、褐斑病、以及灰星病,共計180幅(各60幅)大豆葉部病害圖像,利用雙線性投影映射模型校正,計算相應(yīng)病害區(qū)域的特征參數(shù),結(jié)果如表3所示.

表3 病斑圖像特征參數(shù)

大豆葉部病害圖像校正處理后計算其形狀特征、顏色特征及紋理特征,為大豆病害診斷模型提供有效特征的信息源.

4 大豆病害診斷的神經(jīng)網(wǎng)絡(luò)設(shè)計

4.1 徑向基神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

大豆葉部病害特征指標與病害種類之間為非線性映射關(guān)系,難以構(gòu)建嚴密和精確的數(shù)學(xué)模型.由于徑向基神經(jīng)網(wǎng)絡(luò)是一種較強的學(xué)習(xí)系統(tǒng),具有強大的輸入和輸出映射處理能力[15],以及非線性函數(shù)逼近能力,可以更好地解決大豆病害診斷時自動推理問題.依據(jù)文獻[16]方法,建立一種3層基神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),如圖3所示.

圖3 徑向基神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

圖3中神經(jīng)網(wǎng)絡(luò)各層節(jié)點數(shù)分別為Ni,Nr,No.設(shè)xi為神經(jīng)元輸入量,‖·‖表示歐式范數(shù),cj表示高斯基函數(shù)的中心,σj是基函數(shù)的寬度,則徑向基神經(jīng)網(wǎng)絡(luò)的輸入輸出關(guān)系為

(2)

式中:輸入層節(jié)點i=1,2,…,Ni;徑向基層節(jié)點j=1,2,…,Nr;輸出層節(jié)點k=1,2,…,No;wjk為徑向基層到輸出層的連接加權(quán).

4.2 網(wǎng)絡(luò)學(xué)習(xí)算法

大豆病害診斷的徑向基神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)參數(shù)是高斯基函數(shù)中心、基函數(shù)的寬度、以及輸出層的連接權(quán)值,應(yīng)用梯度下降算法訓(xùn)練結(jié)構(gòu)參數(shù).誤差函數(shù)定義為

(3)

式中:p為樣本數(shù)量;d為期望輸出值;y為實際輸出值.

徑向基神經(jīng)網(wǎng)絡(luò)參數(shù)cj,σj,wjk的學(xué)習(xí)規(guī)則為

(4)

式中:η為學(xué)習(xí)速度;α為慣性系數(shù);t為調(diào)整次數(shù).

建立一種徑向基神經(jīng)網(wǎng)絡(luò),利用其具有自適應(yīng)性、局部逼近特性和穩(wěn)定快速收斂特性,作為大豆病害自動診斷新方法.

5 大豆病害自動診斷模型應(yīng)用

文中提出的基于圖像校正技術(shù)的大豆病害自動診斷方法計算步驟如下: ① 通過雙線性投影映射模型,對大豆病害圖像進行校正,消除圖像失真造成的干擾信息,保證提供更加可靠大豆病害圖像;② 以校正好的大豆病害圖像為對象,計算病斑區(qū)域形狀、紋理、以及顏色特征,包括為圓度、長短軸比、變動系數(shù)、光滑度、熵、一致性、藍光標準化值、綠光標準化值等特征指標; ③ 以病斑區(qū)域圖像的多維特征指標為依據(jù),應(yīng)用徑向基神經(jīng)網(wǎng)絡(luò),訓(xùn)練取得大豆病種推理規(guī)則,建立大豆病害自動診斷模型,并通過仿真測試驗證其有效性.

5.1 網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)確定及學(xué)習(xí)訓(xùn)練

斑病、褐斑病及灰星病3類圖像樣本,分別編碼為100,010及001.在180幅病害樣本中,每類病種選取40個樣本,因此訓(xùn)練集為120個樣本,其余60個樣本用于測試.將大豆病害病斑區(qū)域圖像8個數(shù)字特征,作為徑向基神經(jīng)網(wǎng)絡(luò)的輸入向量,可以確定子網(wǎng)絡(luò)結(jié)構(gòu)的輸入層節(jié)點數(shù)為8;輸出層為大豆病害種類的編碼長度,共3個節(jié)點;徑向基層神經(jīng)元節(jié)點為15個.所以該網(wǎng)絡(luò)拓撲結(jié)構(gòu)為8-15-3型.

設(shè)定訓(xùn)練目標迭代精度為0.001,學(xué)習(xí)速度為0.8,慣性系數(shù)為0.5,最大學(xué)習(xí)次數(shù)為10 000.應(yīng)用4.2節(jié)網(wǎng)絡(luò)參數(shù)學(xué)習(xí)算法,網(wǎng)絡(luò)迭代次數(shù)為1 846次,精度誤差為0.000 982 65,網(wǎng)絡(luò)輸出達到設(shè)定精度要求.

5.2 診斷模型仿真應(yīng)用

利用訓(xùn)練好的大豆病害自動診斷模型,對60幅大豆病害圖像進行診斷的仿真試驗,結(jié)果如表4所示.

表4 大豆病害診斷結(jié)果

從表4大豆病害診斷結(jié)果可見,徑向基神經(jīng)網(wǎng)絡(luò)的實際輸出值和期望輸出值的誤差很小,保證了大豆病害網(wǎng)絡(luò)輸出的穩(wěn)定性.統(tǒng)計測試樣本僅出現(xiàn)了1個錯誤的診斷結(jié)果,準確率達到98.33%;利用傳統(tǒng)的多元線性回歸模型計算時出現(xiàn)了14處錯誤結(jié)果,準確率為76.67%,因此本方法是一種較為理想的大豆病害自動診斷模型.

6 結(jié) 論

1) 通過自制標定模板無損采集大豆病害數(shù)字圖像,利用雙線性投影映射模型,建立適合大豆病害圖像幾何失真的校正方法,其校正精度達到99%以上.

2) 計算大豆病害病斑區(qū)域的形狀特征(圓度、球狀性、變動系數(shù))、顏色特征(藍光標準化值、綠光標準化值)、以及紋理特征(光滑度、一致性、熵)共8維度特征參數(shù).以此多維特征的有效信息源為依據(jù),應(yīng)用徑向基神經(jīng)網(wǎng)絡(luò)的強自適應(yīng)性,自動取得大豆病種推理規(guī)則,建立大豆病害自動診斷模型,其病害種類診斷準確率為98.33%.

參考文獻(References)

[ 1 ] LUKINA E,STONE M,RAUN W. Estimating vegetation coverage in wheat using digital images[J].Plant Nutri, 1999,22(2):341-350.

[ 2 ] 張云龍,來智勇,景旭,等. 基于改進BP神經(jīng)網(wǎng)絡(luò)的大豆病害檢測[J]. 農(nóng)機化研究,2015(2):79-82.

ZHANG Y L, LAI Z Y, JING X, et al. Soybean diseases detection based on improved BP neural network[J]. Journal of Agricultural Mechanization Research,2015(2):79-82. (in Chinese)

[ 3 ] 汪懋華,李民贊. 現(xiàn)代精細農(nóng)業(yè)理論與實踐[M]. 北京:中國農(nóng)業(yè)大學(xué)出版社,2012.

[ 4 ] DARRELL T, GORDON G, HARVILLE M, et al. Integrated person tracking using stereo, color, and pattern detection[J]. International Journal of Computer Vision,2000,37(2):175-185.

[ 5 ] NAIK H S, ZHANG J, LOFQUIST A, et al. A real-time phenotyping framework using machine learning for plant stress severity rating in soybean[J].Plant Me-thods,2017,4:13-23.

[ 6 ] 陳兵旗,郭學(xué)梅,李曉華. 基于圖像處理的小麥病害診斷算法[J]. 農(nóng)業(yè)機械學(xué)報,2009,40(12):190-195.

CHEN B Q, GUO X M, LI X H. Image diagnosis algorithm of diseased wheat[J].Transactions of the Chinese Society for Agricultural Machinery,2009,40(12):190-195. (in Chinese)

[ 7 ] 關(guān)海鷗,許少華,譚峰. 基于遺傳模糊神經(jīng)網(wǎng)絡(luò)的植物病斑區(qū)域圖像分割模型[J]. 農(nóng)業(yè)機械學(xué)報,2010,41(11):163-167.

GUAN H O, XU S H, TAN F. Image segmentation model of plant lesion based on genetic algorithm and fuzzy euralnetwork[J] Transactions of the Chinese So-ciety for Agricultural Machinery,2010,41(11):163-167. (in Chinese)

[ 8 ] 馬曉丹,譚峰,許少華. 基于量子神經(jīng)網(wǎng)絡(luò)的馬鈴薯早疫病診斷模型[J]. 農(nóng)業(yè)機械學(xué)報,2011,42(6):174-178.

MA X D, TAN F, XU S H. Diagnosis method of potato early blight based on quantum neural network[J]. Transactions of the Chinese Society for Agricultural Machinery, 2011,42(6):174-178. (in Chinese)

[ 9 ] 馬曉丹,劉剛,周薇,等. 基于量子遺傳模糊神經(jīng)網(wǎng)絡(luò)的蘋果果實識別[J]. 農(nóng)業(yè)機械學(xué)報,2013,44(12):227-232.

MA X D, LIU G, ZHOU W, et al. Apple recognition based on fuzzy neural network and quantum genetic algorithm[J]. Transactions of the Chinese Society for Agricultural Machinery, 2013, 44(12):227-232. (in Chinese)

[10] 關(guān)海鷗,杜松懷,馬曉丹,等. 基于證據(jù)可信度不確定推理的大豆病害診斷方法[J].農(nóng)業(yè)工程學(xué)報,2013,29(S1):109-114.

GUAN H O, DU S H, MA X D, et al. Diagnostic me-thod of soybean diseases based on uncertain reasoning of evidence credibility[J]. Transactions of the CSAE, 2013,29(S1):109-114. (in Chinese)

[11] 王立舒. 基于Dempster-Shafer理論的大豆病害信息診斷模型[J]. 農(nóng)機化研究,2010(8):50-52,78.

WANG L S. Soybean disease information diagnose mo-del based on dempster-shafer theory[J]. Journal of Agricultural Mechanization Research, 2010(8):50-52,78. (in Chinese)

[12] 關(guān)海鷗,黃燕. 大豆病斑智能識別無損預(yù)處理及其特征提取方法的研究[J]. 河北農(nóng)業(yè)大學(xué)學(xué)報,2010,33(5):123-127.

GUAN H O, HUANG Y.Study on the method of non-loss pre-processing and feature extraction for intelligent recognition of soybean diseased spots[J] Journal Agricultural University of Hebei,2010,33(5):123-127. (in Chinese)

[13] 馬曉丹,關(guān)海鷗,祁廣云,等.基于改進級聯(lián)神經(jīng)網(wǎng)絡(luò)的大豆葉部病害診斷模型[J].農(nóng)業(yè)機械學(xué)報,2017,48(1):163-168.

MA X D, GUAN H O, QI G Y，et al. Diagnosis model of soybean leaf diseases based on improved cascade neural network[J]. Transactions of the Chinese Society for Agricultural Machinery, 2017,48(1):163-168. (in Chinese)

[14] 關(guān)海鷗,衣淑娟,焦峰,等. 農(nóng)作物缺素癥狀診斷的正則化模糊神經(jīng)網(wǎng)絡(luò)模型[J]. 農(nóng)業(yè)機械學(xué)報,2012,43(5):162-167.

GUAN H O,YI S J, JIAO F, et al. Diagnosis model of crop nutrient deficiency symptoms based on regularized adaptive fuzzy neural network[J]. Transactions of the

Chinese Society for Agricultural Machinery, 2012, 43(5):162-167. (in Chinese)

[15] 林萬洪,薛亮. RBF網(wǎng)絡(luò)做函數(shù)逼近的改進研究[J]. 裝備指揮技術(shù)學(xué)院學(xué)報,2006,17(2):84-88.

LIN W H, XUE L. Research on approximation of function by improved RBF networks[J]. Journal of the Academy of Equipment Command and Technology, 2006, 17(2): 84-88. (in Chinese)

[16] 關(guān)海鷗,杜松懷,李春蘭,等.基于有限脈沖反應(yīng)和徑向基神經(jīng)網(wǎng)絡(luò)的觸電信號識別[J].農(nóng)業(yè)工程學(xué)報,2013,29(8):187-194.

GUAN H O, DU S H, LI C L, et al. Recognition of electric shock signal based on FIR filtering and RBF neural network[J]. Transactions of the CSAE, 2013,29(8): 187-194. (in Chinese)