基于計(jì)算機(jī)視覺(jué)的葡萄葉部病害識(shí)別研究

王利偉+徐曉輝+蘇彥莽+宋濤+鄧一凡+方正

摘要：利用數(shù)字圖像處理和支持向量機(jī)技術(shù)實(shí)現(xiàn)對(duì)植物葉部常見(jiàn)病害的自動(dòng)識(shí)別，以葡萄葉部常見(jiàn)的白粉病、黑腐病、霜霉病為研究對(duì)象，對(duì)采集的圖像進(jìn)行預(yù)處理后，提取病斑區(qū)域形狀、顏色和紋理的共15個(gè)特征，利用支持向量機(jī)分類器對(duì)葡萄葉部常見(jiàn)病害進(jìn)行分類識(shí)別。結(jié)果表明，與其他核函數(shù)相比，徑向基核函數(shù)對(duì)葡萄葉部病害測(cè)試樣本的識(shí)別率最高，正確率達(dá)95.00%，說(shuō)明利用計(jì)算機(jī)視覺(jué)技術(shù)實(shí)現(xiàn)對(duì)葡萄葉部常見(jiàn)病害的自動(dòng)識(shí)別是可行的；通過(guò)多次試驗(yàn)可以得出，利用多特征組合進(jìn)行識(shí)別可以有效地提高葡萄葉部常見(jiàn)病害的識(shí)別準(zhǔn)確率。

關(guān)鍵詞：葡萄病害；形狀特征；顏色矩；灰度共生矩陣；支持向量機(jī)

中圖分類號(hào)： TP391.41文獻(xiàn)標(biāo)志碼： A文章編號(hào)：1002-1302（2017）23-0222-03

隨著機(jī)器視覺(jué)技術(shù)的不斷發(fā)展，植物病害的自動(dòng)識(shí)別與診斷作為農(nóng)業(yè)現(xiàn)代化發(fā)展的重要一環(huán)已經(jīng)成為國(guó)內(nèi)外專家學(xué)者的研究熱點(diǎn)，應(yīng)用前景十分廣闊[1]。國(guó)內(nèi)外的專家學(xué)者已經(jīng)利用機(jī)器視覺(jué)技術(shù)在黃瓜、大麥、棉花等作物上進(jìn)行了相關(guān)病蟲害識(shí)別的研究，Yao等利用描述顏色特征的直方圖和描述紋理特征的色調(diào)、飽和度、數(shù)值（hue saturation value，HSV）、顏色空間的共生矩陣實(shí)現(xiàn)對(duì)病害特征的提取，然后對(duì)多特征進(jìn)行了篩選[2]；楊倩等采用顏色矩提取病斑顏色特征，應(yīng)用改進(jìn)的局部二值化模式（local binary patterns，LBP）提取病斑紋理特征，通過(guò)支持向量機(jī)（support vector machine，SVM）實(shí)現(xiàn)對(duì)大麥病害的識(shí)別[3]；劉濤等采用改進(jìn)的均值漂移（mean shift）圖像分割對(duì)水稻病斑進(jìn)行準(zhǔn)確分割，通過(guò)支持向量機(jī)對(duì)水稻15種病斑進(jìn)行準(zhǔn)確分類[4]；李冠林等利用K-means硬聚類實(shí)現(xiàn)病斑分割，采用SVM實(shí)現(xiàn)對(duì)小麥銹病的識(shí)別[5]。

本研究旨在利用數(shù)字圖像處理相關(guān)技術(shù)對(duì)葡萄葉部白粉病、黑腐病、霜霉病圖像進(jìn)行預(yù)處理以及特征提取，并采用多特征組合的方式通過(guò)SVM對(duì)病斑進(jìn)行分類識(shí)別測(cè)試。本研究是在OpenCV開發(fā)環(huán)境下，利用C++語(yǔ)言編程來(lái)實(shí)現(xiàn)上述數(shù)字圖像處理及分類識(shí)別等算法的開發(fā)，為后期將圖像移植到嵌入式平臺(tái)奠定基礎(chǔ)。

1圖像預(yù)處理及識(shí)別流程

1.1圖像預(yù)處理

采集葡萄的白粉病、霜霉病和黑腐病3種病害及正常圖像（對(duì)照）共200幅，訓(xùn)練樣本、測(cè)試樣本各占用其中120、80幅。經(jīng)過(guò)處理后圖像格式為JPEG，分辨率為400×400。

在進(jìn)行圖像病斑特征采集之前，須要對(duì)圖像進(jìn)行濾波去噪、灰度化、二值化和圖像病斑分割等預(yù)處理[6]?？紤]到圖像采集過(guò)程中灰塵、水霧等因素可能會(huì)對(duì)采集到的圖像產(chǎn)生噪聲，影響對(duì)病斑的識(shí)別效果，本研究采用3×3中值濾波對(duì)圖像進(jìn)行去噪處理。經(jīng)過(guò)多次試驗(yàn)得出，提取原病害圖像紅（R）、綠（G）、藍(lán)（B）3個(gè)通道的B通道圖像，最大類間方差（Otsu）閾值分割法[7]對(duì)原圖像植物病斑的分割效果最好，符合后期處理的要求。葡萄白粉病、霜霉病和黑腐病灰度化圖像以及病斑分割后二值化圖像的結(jié)果如圖1所示。

1.2識(shí)別流程

將采集到的圖像進(jìn)行預(yù)處理后，可以得到葡萄葉片的灰度圖像、RGB 3個(gè)通道的分量圖像及病斑二值化圖像。然后分別對(duì)灰度圖像求灰度共生矩陣，直接計(jì)算RGB 3個(gè)通道的顏色矩，通過(guò)病斑二值化圖像計(jì)算葡萄葉部病害的紋理、顏色和形狀特征。具體識(shí)別流程如圖2所示。

2葉部病斑特征提取

2.1形狀特征提取

一般對(duì)形狀特征的提取是指對(duì)旋轉(zhuǎn)、位移和尺度變換不敏感的高層次視覺(jué)特征的提取，它主要體現(xiàn)被提取對(duì)象的幾何形狀[8]。常見(jiàn)的形狀特征包括病斑數(shù)量（C），主要是對(duì)病害葉片的病斑數(shù)量進(jìn)行計(jì)算；面積（A），主要通過(guò)計(jì)算病斑區(qū)域內(nèi)的像素總和來(lái)描述；周長(zhǎng)（L），主要通過(guò)病斑部位邊界線上像素之間的距離之和來(lái)描述；長(zhǎng)軸（W）短軸（H）比，主要通過(guò)病斑區(qū)域的最小外接矩的長(zhǎng)軸、短軸的比值來(lái)描述[9]。

由于上述特征不完全具有旋轉(zhuǎn)、平移和尺度不變性，這樣就不能較好地表達(dá)病斑的形狀特征，因此，可以根據(jù)上述特征

得出5個(gè)可以較好地描述形狀特征的參數(shù)[10]。矩形度R1=A/（H×W），為目標(biāo)面積與其最小外接矩的面積之比，反映了目標(biāo)對(duì)其最小外接矩的充斥程度；圓形度R2=4πA/L2，可以用來(lái)描述目標(biāo)區(qū)域的粗糙程度；形狀復(fù)雜度R3=L2/A，可以用來(lái)描述區(qū)域的離散程度；內(nèi)接圓半徑R4=2A/L，為目標(biāo)區(qū)域面積與周長(zhǎng)比的2倍；伸長(zhǎng)度R5=H/W，可以用來(lái)描述目標(biāo)區(qū)域的緊湊性。這5個(gè)形狀特征具有旋轉(zhuǎn)、平移和尺度不變性，可以準(zhǔn)確地表達(dá)病斑的形態(tài)、粗糙程度、緊湊度等信息，這樣就可以得到5個(gè)形狀特征的參數(shù)。

2.2顏色特征提取

顏色矩是描述顏色特征的主要方法之一，用顏色矩描述顏色特征具有簡(jiǎn)單且有效的優(yōu)點(diǎn)，其主要思想是圖像中任何顏色分布均可以用它的矩來(lái)表示[11]。由于低階矩就可以描述圖像顏色的主要信息分布，本研究提取葡萄病害圖像的一階矩和二階矩作為顏色特征，可分別表示所選區(qū)域圖像的平均顏色和標(biāo)準(zhǔn)方差[3]，其公式分別為

μ=1M×N∑Mx=1∑Ny=1[I（x，y）]；（1）

σ=[1M×N∑Mx=1∑Ny=1|I（x，y）-μ|2]1/2。（2）

式中：μ、σ分別為一階矩、二階矩；M×N為圖像的尺寸；I（x，y） 為（x，y）處的像素值。

1幅圖像包含R、G、B 3個(gè)通道，本研究將每個(gè)通道均提取一階、二階顏色矩，這樣就可以獲得6個(gè)顏色特征參數(shù)。

2.3紋理特征提取

紋理特征作為圖像識(shí)別經(jīng)常須要提取的重要特征之一，是圖像中普遍存在但又難以描述的重要視覺(jué)特征。目前對(duì)紋理特征的描述主要有4種方法，分別為統(tǒng)計(jì)法、結(jié)構(gòu)法、信號(hào)處理法、模型法。在統(tǒng)計(jì)方法中，利用灰度共生矩陣（grey level co-occurrence matrix，GLCM）提取圖像的紋理特征已經(jīng)比較成熟[12]?；叶裙采仃囀怯蒆aralick等于1973年提出的一種可以精確地反映出紋理灰度空間相關(guān)性的理論[13]?；叶裙采仃嘝（i，j︱d，θ）（i、j = 0，1，2，…，L-1）用于表示具有空間位置關(guān)系，且灰度值分別為i、j的2個(gè)像素出現(xiàn)的次數(shù)或概率（歸一化），其中L為灰度級(jí)，θ為灰度共生矩陣的生成方向，d=（Dx，Dy），如圖3所示。endprint

利用灰度共生矩陣P（i，j︱d，θ）可以對(duì)紋理特征用以下4個(gè)參數(shù)來(lái)描述[10]。

（1）能量（ASM），能量是灰度共生矩陣所有元素值的平方和，它可以反映圖像灰度分布的均勻程度和紋理的粗細(xì)程度，其計(jì)算公式為

ASM=∑L-1i=0∑L-1j=0P（i，j︱d，θ）2。（3）

（2）熵（ENT），對(duì)圖像中紋理的非均勻程度或者復(fù)雜程度可以用熵來(lái)表示，其計(jì)算公式為

ENT=-∑L-1i=0∑L-1j=0P（i，j︱d，θ）log2P（i，j︱d，θ）。（4）

（3）對(duì)比度（CON），對(duì)比度主要可以體現(xiàn)出圖像的清晰程度和紋理溝紋的深淺程度，其計(jì)算公式為

CON=∑L-1i=0∑L-1j=0（i-j）2P（i，j︱d，θ）。（5）

（4）相關(guān)性（COR），相關(guān)性可以反映出圖像局部的相關(guān)程度，其計(jì)算公式為

COR=[∑L-1i=0∑L-1j=0（ij）P（i，j︱d，θ）-μxμy]/σxσy。（6）

式中：μx、σx分別為行方向上紋理參數(shù)的平均值、方差；μy、σy分別為列方向上紋理參數(shù)的平均值、方差。

因?yàn)榛叶裙采仃嚲哂蟹较蛐?，所以取不同的常?jiàn)方向（0°、45°、90°、135°）的灰度共生矩陣，然后根據(jù)上述參數(shù)公式分別計(jì)算4個(gè)方向的紋理參數(shù)，最后通過(guò)計(jì)算各個(gè)參數(shù)的均值作為紋理特征向量的各個(gè)分量。為了減少灰度共生矩陣的計(jì)算量，以提高運(yùn)算速度，須要提前把普通的灰度圖像由256級(jí)壓縮為所需的級(jí)數(shù)[14]。本研究將原圖像變?yōu)榛叶葓D像，然后將變換后的灰度圖像的灰度級(jí)壓縮為64級(jí)進(jìn)行特征提取，這樣可得到4個(gè)紋理特征參數(shù)。

3分類識(shí)別

SVM以結(jié)構(gòu)化風(fēng)險(xiǎn)最小化為原則，可以實(shí)現(xiàn)經(jīng)驗(yàn)風(fēng)險(xiǎn)和置信范圍的最小化，從而達(dá)到在統(tǒng)計(jì)樣本量較少的情況下也能獲得良好的分類結(jié)果的目的[4]。SVM中常用的核函數(shù)包括多項(xiàng)式核函數(shù)、徑向基核函數(shù)（radial basis function，RBF）、線性核函數(shù)和Sigmoid核函數(shù)。考慮到RBF可以實(shí)現(xiàn)非線性映射，須要確定的參數(shù)少且一般情況下不會(huì)出現(xiàn)太大的偏差，因此一般選取RBF作為核函數(shù)。SVM分類器決策函數(shù)及RBF的表達(dá)式分別如公式（7）、公式（8）所示[3，14]。

h（x）=sgn[∑ni=1ai*yiK（xi，yi）+b*]；（7）

K（x，y）=exp（-γx-y2）。（8）

式中：SV表示支持向量（support vector）的集合；sgn（.）為符號(hào)函數(shù)；支持向量的ai*取值不為0，非支持向量的ai*取值為0；b*是分類閾值；γ為RBF中K（x，y）的參數(shù)。

將采集到的200幅葡萄圖像中的120幅（正常及3種病害圖像各30幅）作為訓(xùn)練樣本進(jìn)行訓(xùn)練，剩余80幅（正常及3種病害圖像各20幅）作為測(cè)試樣本進(jìn)行測(cè)試識(shí)別。經(jīng)多次試驗(yàn)驗(yàn)證，當(dāng)選擇RBF作為核函數(shù)，令懲罰參數(shù)C為64、RBF參數(shù)γ=1時(shí)，分類效果最好，對(duì)測(cè)試樣本的識(shí)別正確率可達(dá)95%及以上（表1）。

4結(jié)論與討論

本研究通過(guò)對(duì)葡萄葉部病害圖像進(jìn)行預(yù)處理及對(duì)病斑形狀、顏色和紋理特征進(jìn)行提取，提出多特征組合的方式利用SVM分類器進(jìn)行病害識(shí)別，最佳識(shí)別正確率可達(dá)95.00%，整個(gè)研究過(guò)程及結(jié)果可以得出以下結(jié)論。

為提高圖像的識(shí)別準(zhǔn)確率可以通過(guò)增加有效特征的方式來(lái)實(shí)現(xiàn)，病斑的形狀、顏色、紋理特征相結(jié)合的方式比單一特征或兩兩特征組合進(jìn)行病害識(shí)別的正確率高。因此，本研究可以有效地對(duì)葡萄葉部白粉病、霜霉病、黑腐病進(jìn)行識(shí)別。

通過(guò)多次試驗(yàn)可以確定選擇RBF進(jìn)行SVM分類的效果最好，同時(shí)也驗(yàn)證了在OpenCV平臺(tái)進(jìn)行圖像識(shí)別算法開發(fā)的可行性。

該研究目前只能對(duì)植物葉片某個(gè)固定時(shí)期的單一病害進(jìn)行特征提取和識(shí)別，存在局限性。對(duì)植物葉部不同時(shí)期、混合病害或植物其他部位病害的特征提取及識(shí)別還有待進(jìn)一步深入研究。

參考文獻(xiàn)：

[1]曹樂(lè)平. 基于機(jī)器視覺(jué)的植物病蟲害實(shí)時(shí)識(shí)別方法[J]. 中國(guó)農(nóng)學(xué)通報(bào)，2015，31（20）：244-249.

[2]Yao Q，Guan Z X，Zhou Y F，et al. Application of support vector machine for detecting rice diseases using shape and color texture features[C]//2009 International Conference on Engineering Computation，IEEE Computer Society，2009：79-83.

[3]楊倩，高曉陽(yáng)，武季玲，等. 基于顏色和紋理特征的大麥主要病害識(shí)別研究[J]. 中國(guó)農(nóng)業(yè)大學(xué)學(xué)報(bào)，2013，18（5）：129-135.

[4]劉濤，仲曉春，孫成明，等. 基于計(jì)算機(jī)視覺(jué)的水稻葉部病害識(shí)別研究[J]. 中國(guó)農(nóng)業(yè)科學(xué)，2014，47（4）：664-674.

[5]李冠林，馬占鴻，王海光. 基于支持向量機(jī)的小麥條銹病和葉銹病圖像識(shí)別[J]. 中國(guó)農(nóng)業(yè)大學(xué)學(xué)報(bào)，2012，17（2）：72-79.

[6]胡敏，陳紅波，徐良鳳，等. 基于顏色和紋理特征的黃瓜病害識(shí)

別算法[J]. 電子測(cè)量與儀器學(xué)報(bào)，2015，29（7）：970-977.

[7]何志勇，孫立寧，陳立國(guó). Otsu準(zhǔn)則下分割閾值的快速計(jì)算[J]. 電子學(xué)報(bào)，2013，41（2）：267-272.

[8]胡秋萍. 基于葉片形狀特征的植物識(shí)別技術(shù)研究[D]. 西安：西安電子科技大學(xué)，2014.

[9]毋媛媛，刁智華，王會(huì)丹，等. 作物病害圖像形狀特征提取研究[J]. 農(nóng)機(jī)化研究，2015（1）：64-67.

[10]余秀麗，徐超，王丹丹，等. 基于SVM的小麥葉部病害識(shí)別方法研究[J]. 農(nóng)機(jī)化研究，2014（11）：151-155.

[11]曾傳華，陳紅，丁幼春，等. 基于顏色和紋理特征的竹材分類方法研究[J]. 林業(yè)機(jī)械與木工設(shè)備，2010，38（3）：37-39.

[12]陳強(qiáng)，田杰，黃海寧，等. 基于統(tǒng)計(jì)和紋理特征的SAS圖像SVM分割研究[J]. 儀器儀表學(xué)報(bào)，2013，34（6）：1413-1420.

[13]Haralick R M，Shanmugam K，Dinstein I. Texture features for image classification[J]. IEEE Transactons on Systems Man and Cybernetics，1973，SMC-3（6）：610-621.

[14]張錚，徐超，任淑霞，等. 數(shù)字圖像處理與機(jī)器視覺(jué)[M]. 北京：人民郵電出版社，2010.江蘇農(nóng)業(yè)科學(xué)2017年第45卷第23期劉偉，張永輝，牛祺君，等. 基于NFC技術(shù)的熱帶農(nóng)產(chǎn)品可追溯系統(tǒng)的設(shè)計(jì)[J]. 江蘇農(nóng)業(yè)科學(xué)，2017，45（23）：225-230.endprint