茶樹病害智能診斷識別算法研究

林彬彬 邱新法 何永健

摘要：茶葉是我國傳統(tǒng)作物之一，有著重要的經(jīng)濟(jì)和文化價值，茶赤葉斑病、茶白星病和茶圓赤星病是我國名茶區(qū)中較為常見的3種病害，影響茶葉的產(chǎn)量和品質(zhì)。為減少茶葉病害給農(nóng)業(yè)生產(chǎn)帶來的損失，以這3種茶葉病害為例，從圖像識別角度出發(fā)，在圖像分割（閾值迭代算法和最大類間方差法）提取病斑區(qū)域的基礎(chǔ)上，運用構(gòu)造指數(shù)、HSV顏色矩法、HSV顏色直方圖法提取出病斑的顏色特征，并進(jìn)行特征選擇，最后運用K近鄰算法進(jìn)行茶葉病害的智能診斷識別研究。結(jié)果表明，采用最大類間方差法進(jìn)行圖像分割以及構(gòu)造指數(shù)法進(jìn)行顏色特征提取的識別率為93.33%，識別效果較好，算法復(fù)雜度低，運行速度快。此外，本研究算法實現(xiàn)了智能手機的茶葉病害智能實時診斷分析。

關(guān)鍵詞：茶葉;圖像分割;顏色特征;病害識別;智能診斷

我國是世界上茶葉種植面積最大的國家，茶葉產(chǎn)量位居世界第2，出口量位居世界第3，但茶葉的品質(zhì)和產(chǎn)量受病蟲害的嚴(yán)重影響。其中茶赤葉斑病、茶白星病、茶圓赤星病是茶樹的常發(fā)病，會借助風(fēng)雨傳播，使得茶樹遭受多次重復(fù)侵染，病害不斷擴(kuò)展蔓延。因此，對茶樹病害的快速準(zhǔn)確識別，最大程度地減少損失，對生產(chǎn)指導(dǎo)意義重大。

近年來，國內(nèi)外專家學(xué)者對基于作物葉片的病害識別作了廣泛的研究。病害識別通?？梢苑殖?個步驟：作物病害葉片圖像預(yù)處理、圖像分割、病害圖像特征提取、病害識別。（1）圖像預(yù)處理。次丹妮以蘭花黑斑病為例，對蘭花葉部病害圖像分別作鄰域平均濾波法、中值濾波法、開運算濾波法以及小波去噪法預(yù)處理，得出前3種濾波法都可過濾噪聲，但開運算濾波法使圖像變得模糊，而中值濾波法預(yù)處理效果最好[1]。（2）圖像分割。圖像分割方法主要有基于閾值的分割方法和基于聚類的分割方法[2]。其中基于閾值的分割方法中最常用的是最大類間方差法（Otsu），張建華等使用該方法對棉花病害圖像進(jìn)行分割，能較好地提取出病斑區(qū)域[3]。李宗儒等分別用基于閾值、聚類的分割方法對蘋果病害圖像進(jìn)行分割，結(jié)果表明，基于聚類的分割方法效果好，但由于病害葉片彩色多樣性，造成了圖像聚類中心的不穩(wěn)定，分割后，還須融合細(xì)碎病斑，剔除錯誤病斑等[4]。Wang等在對植物類別辨別的研究中提出了可以基于數(shù)學(xué)形態(tài)學(xué)中的開運算和閉運算，消除圖像中的孤立噪聲點并填補葉片內(nèi)部空洞的分割方法，該方法可以有效提高分割精度[5]。（3）病害圖像特征提取。目前提取的病害特征一般包括顏色特征、紋理特征和形狀特征。史繼先等采用分塊顏色直方圖算法[基于色調(diào)（hue，簡稱H）、飽和度（saturation，簡稱S）、亮度（intensity，簡稱I）]和紋理特征算法（基于灰度共生矩陣），實現(xiàn)了本地圖像檢索和遠(yuǎn)程圖像檢索[6]。Yao等提出，使用基于顏色直方圖和HSV顏色空間的三通道共生矩陣特征來描述病害[7]。（4）病害識別。賈建楠等提出采用神經(jīng)網(wǎng)絡(luò)識別法來辨別黃瓜葉片的病害種類[8]。羅其朝使用OpenCV庫中局部特征匹配算法（speeded up robust features，簡稱SURF）辨別了珍珠的圖像[9]。Rumpf等對甜菜的各種病害性狀進(jìn)行了研究，采用支持向量機的算法對不同階段的多種甜菜病害進(jìn)行了識別，得到了較高的識別率[10]。以上算法都是根據(jù)相應(yīng)種類的植物病害葉片，觀察其顏色、紋理以及形狀等特征建立的，并不適用于其他植物。因此對于特征差異明顯的病害種類，以上算法過于復(fù)雜，降低了算法效率。

茶赤葉斑病、茶白星病、茶圓赤星病這3類病害葉片的病斑顏色差異顯著，本研究以這3種病害為例，從圖像處理角度出發(fā)，建立一套識別率高、算法復(fù)雜度低、運行速度快的識別算法。該算法首先提取平滑處理后的茶葉病害葉片圖像的色調(diào)分量;再利用Otsu對圖像進(jìn)行病斑分割;接著提取并統(tǒng)計分析圖像病斑區(qū)域的9個顏色特征參數(shù)，得到茶葉病害智能診斷識別的方法;最后根據(jù)得到的方法進(jìn)行病害診斷識別。

1 數(shù)據(jù)與方法

1.1 數(shù)據(jù)

本研究所用到的數(shù)據(jù)為茶赤葉斑病、茶白星病和茶圓赤星病病害圖像各130張，一共390張圖像。圖像于2017年1月16—17日采集于浙江省麗水市松陽縣新興鄉(xiāng)茶葉基地，使用OPPO R9安卓機調(diào)用系統(tǒng)相機進(jìn)行采集。采集當(dāng)日為晴天，光線較好。松陽縣位于浙江省西南部，地處28°14′～28°36′N，119°10′～119°42′E，四周是山地，中間是盆地，屬亞熱帶季風(fēng)氣候。新興鄉(xiāng)位于甌江支流的松陰溪畔，是茶葉一類適生區(qū)。

圖像采集標(biāo)準(zhǔn)：只拍攝葉片病斑區(qū)域，或以其他健康葉片為背景，距離葉片20 cm左右垂直于葉片拍攝，拍攝過程中保持相機平穩(wěn)，避免抖動。圖像分辨率為2 000×1 500。圖像中茶樹生育期均為茶樹成年期;圖像中茶葉病害期均為病害前期。

1.2 圖像預(yù)處理方法

柵格圖像預(yù)處理是對像素進(jìn)行處理的操作[11]。柵格圖像預(yù)處理可以抑制圖像中不需要的數(shù)據(jù)，增強感興趣的圖像特征，改善圖像的質(zhì)量，從而提高圖像分割、圖像特征提取以及圖像識別的可靠性。本研究主要考慮茶葉病害圖像平滑和色調(diào)分量提取2個部分。與灰度圖像相比，彩色圖像提供的信息比較繁雜，不易于后續(xù)的圖像分割，同時由于茶葉病害圖像中的病斑區(qū)域與其他區(qū)域色調(diào)差別較大，因此可以僅提取圖像的色調(diào)分量，為圖像分割作準(zhǔn)備。

1.4 圖像特征提取方法

圖像識別過程是基于圖像視覺特征的。圖像的視覺特征[15]包括顏色特征、形狀特征、紋理特征、空間特征等。由于茶樹葉片上的病斑個數(shù)和位置都具有隨機性，形狀特征的不精確會對識別造成負(fù)面的影響;不同病斑區(qū)域會有較相似的紋理，紋理特征沒有較好的區(qū)分方法。因此本研究在提取病斑形狀后，只將病斑區(qū)域內(nèi)的顏色特征作為識別依據(jù)。

1.4.1 形狀提取方法 形狀是描述物體特征的重要視覺特征之一，是圖像的中間層特征，不受顏色特征和紋理特征的影響[16]。形狀特征的提取是以圖像分割為基礎(chǔ)的，較常見的方法有Sobel算子、Canny邊緣檢測算法。Sobel算子是圖像邊緣檢測中最重要的算子之一，它是一個離散的一階差分算子，用來計算圖像亮度函數(shù)的一階梯度之近似值[17]。在圖像的任何一點使用此算子，將會產(chǎn)生該點對應(yīng)的梯度矢量或是其法矢量。Canny算子是由Canny研究出來的多級邊緣檢測算法[18]。它是符合高質(zhì)量信噪比、精確定位和單邊緣響應(yīng)的最優(yōu)邊緣檢測算子，包含以下幾個步驟：（1）采用高斯函數(shù)對圖像進(jìn)行低通濾波處理。由于本研究在圖像預(yù)處理時已對圖像作相應(yīng)的去噪處理，因此在Canny邊緣檢測中省略此步驟。

（3）刪除亮度梯度值非極大值。在亮度梯度值中，若某點與其周圍值相近，那么判定其不處在邊緣，因此刪除。最后得到候選邊緣點。

（4）設(shè)置高閾值和低閾值，選擇邊緣點。如果像素亮度梯度值高于高臨界點，或者位于高低臨界點中間但處于邊緣，那么不作處理，其余情況都作刪除處理。最后選取出邊緣點。

本研究分別采用Sobel算子和Canny邊緣檢測算法提取茶葉3種病害圖像的形狀，部分提取結(jié)果如圖2所示，第1列為經(jīng)過平滑處理后的病斑原圖像，第2列為Sobel算子提取的病斑形狀，第3列為Canny邊緣檢測算法提取的病斑形狀;第1行為茶圓赤星病病斑圖像，第2行為茶白星病病斑圖像，第3行為茶赤葉斑病病斑圖像。由圖2可知，Sobel算子提取的病斑形狀邊緣過于細(xì)節(jié)化、零碎化，而Canny邊緣檢測算法提取到的病斑形狀更貼合實際，因此本研究采用Canny邊緣檢測算法提取茶葉病斑輪廓，為后續(xù)病斑區(qū)域顏色特征提取提供基礎(chǔ)。

1.4.2 顏色特征參數(shù)提取方法 顏色特征的提取方式有很多種，最常見的有顏色矩、顏色直方圖等。顏色矩是一種簡單有效的顏色特征表示方法，有一階矩（均值）、二階矩（方差）、三階矩（斜度）等，由于顏色信息主要分布于低階矩中，因此用一階矩、二階矩、三階矩足以表達(dá)圖像的顏色分布[19]。顏色直方圖能準(zhǔn)確表達(dá)一幅圖像的顏色統(tǒng)計特征， 在基于內(nèi)容的圖像檢索中應(yīng)用廣泛。由于RGB顏色空間的彩色圖像顏色總數(shù)為256×256×256種，維數(shù)太高，因此一般采用量化的顏色直方圖表示顏色特征。根據(jù)人的視覺，對HSV顏色空間進(jìn)行非均勻量化，然后把3個分量按下式合成一個特征矢量（A）。

根據(jù)所構(gòu)造的r、g、b、R1、R2、R3、H1、H2、H3等9個顏色特征參數(shù)，從390幅病害圖片中隨機選取茶赤葉斑病、茶白星病、茶圓赤星病病害圖片各100幅作為訓(xùn)練樣本，提取每個樣本的9個參數(shù)值。將9個特征參數(shù)兩兩組合，共生成36個組合。經(jīng)測試，在H1R1組合散點圖中，3種病害有各自聚類效果，H1R1組合散點圖如圖3所示，茶白星病聚集在散點圖的左下角，H1、R1均偏小;茶赤葉斑病在散點圖中部大致呈倒三角的形狀;茶圓赤星病在散點圖中位于右下角，呈凹彎弧狀。3種病害各自聚類，位于直線1（目測勾畫）下方的是茶白星病;位于直線1上方，且位于曲線1（目測勾畫）上方的為茶赤葉斑病;位于曲線1下方的為茶圓赤星病，H1R1組合具有較好的分類效果。最后本研究針對H1R1組合運用K近鄰算法進(jìn)行分類。

2 結(jié)果與分析

2.1 茶葉病害智能診斷識別系統(tǒng)

基于以上茶葉病害圖像處理的相關(guān)理論與技術(shù)，本研究開發(fā)了一款基于Android平臺的茶葉病害智能診斷識別系統(tǒng)。系統(tǒng)由服務(wù)器和客戶端組成，實現(xiàn)客戶端采集茶葉病害圖像并識別，服務(wù)器保存識別結(jié)果，在用戶查看時，將識別結(jié)果返回客戶端，其主要的工作流程如圖4所示。該系統(tǒng)可調(diào)用安卓相機和相冊獲得茶葉病害圖像，再使用OpenCV庫對圖像作預(yù)處理、色調(diào)分量提取、圖像分割、圖像特征提取等一系列處理，最終根據(jù)提取的R1和H1參數(shù)進(jìn)行診斷識別，給出診斷結(jié)果與診治方案，實現(xiàn)茶葉病蟲害實時智能診斷識別的功能。如圖5所示，從左往右依次為獲取圖像界面、獲取茶葉屬性信息界面、茶葉所在茶場自動定位界面以及識別結(jié)果界面。其中將茶葉的屬性信息、診斷結(jié)果信息和地理信息數(shù)據(jù)進(jìn)行融合，存儲至數(shù)據(jù)庫，方便用戶查看、定位自己的茶場病害信息。

2.2 病斑提取結(jié)果分析

對圖像作平滑處理后，將圖像顏色空間轉(zhuǎn)化為HSV顏色空間并提取色調(diào)分量，對色調(diào)分量提取結(jié)果進(jìn)行Otsu分割，再根據(jù)分割結(jié)果提取病斑邊緣點，從而提取出病斑區(qū)域。

2.2.1 茶赤葉斑病分析 如圖6所示，第1列為茶赤葉斑病原始圖像;第2列為根據(jù)原始圖像提取到的色調(diào)分量灰度圖;第3列為圖像分割結(jié)果，其中白色代表病斑區(qū)域，黑色代表其他區(qū)域;第4列為提取到的茶赤葉斑病病斑;每行為1個重復(fù)，其中黑色為背景。由圖6可知，茶赤葉斑病病斑大部分分布在葉尖或葉緣處，病斑較大且形狀不規(guī)則，但病斑顏色較一致，主要呈深紅褐色至赤褐色，與健康部分界線明顯。在茶赤葉斑病的色調(diào)分量灰度圖中，病斑區(qū)域呈亮灰色，其他區(qū)域為深灰色至黑色，灰度值差別較大。從分割得到的病斑圖像可以得知，圖像分割效果較好，但若背景中有和病斑顏色類似的區(qū)域，會將其劃分為病斑區(qū)域，導(dǎo)致錯分。拍攝時應(yīng)盡量只拍攝病斑區(qū)域，減少背景面積，或者以其他健康葉片為背景，以減少錯誤分割的情況，提高圖像分割的準(zhǔn)確度。

2.2.2 茶白星病分析 如圖7所示，第1列為茶白星病原始圖像;第2列為根據(jù)原始圖像提取到的色調(diào)分量灰度圖;第3列為圖像分割結(jié)果，其中白色代表病斑區(qū)域，黑色代表其他區(qū)域;第4列為提取到的茶白星病病斑，其中黑色為背景。由圖7可知，茶白星病病斑呈直徑為1～2 mm大小的灰白色圓形，中間小面積凹陷帶有灰色，邊緣呈白色隆起且邊緣線呈白色-灰色-綠色的過渡色，邊緣不明顯。病斑在葉片上分布散亂，沒有規(guī)律。在茶白星病的色調(diào)分量灰度圖中，病斑區(qū)域中心為淡灰色，邊緣呈亮灰色，其他區(qū)域為深灰色至黑色。從分割得到的病斑圖像可以得知，茶白星病的圖像分割效果一般，病斑的中心區(qū)域基本可以被提取出來，但病斑邊緣容易被錯分為背景區(qū)域，導(dǎo)致提取的病斑面積小于真實值。這是因為茶白星病病斑區(qū)域顏色不單一，深灰色和白色交叉，使得最大類間方差法閾值的選擇有所偏差，導(dǎo)致分割不準(zhǔn)確。

2.2.3 茶圓赤星病分析 如圖8所示，第1列為茶圓赤星病原始圖像;第2列為根據(jù)原始圖像提取到的色調(diào)分量灰度圖;第3列為圖像分割結(jié)果，其中白色代表病斑區(qū)域，黑色代表其他區(qū)域;第4列為提取到的茶圓赤星病病斑，其中黑色為背景。由圖8可知，茶圓赤星病病斑為褐色小點，邊緣呈淡黃色，漸漸向健康部位的綠色過渡。病斑分布有些散亂，有些較集中，會融合在一起，成為一塊病斑。在茶圓赤星病的色調(diào)分量灰度圖中，病斑區(qū)域呈白色，病斑邊緣為亮灰色，其他區(qū)域為深灰色至黑色。從分割得到的病斑圖像可以得知，茶圓赤星病的圖像分割效果較好，病斑區(qū)域基本可以被提取出來，但提取得到的病斑比真實病斑偏大，這是因為茶圓赤星病邊緣顏色的過渡所造成。

綜上所述，3種病害的病斑主要區(qū)域基本提取正確，已經(jīng)能代表病斑區(qū)域的主要特征，因此少量的錯誤分割不影響后續(xù)的病斑特征提取以及病害圖像的診斷識別。

2.3 識別率及運行時間分析

本研究采用的茶葉病害圖片庫包含390幅圖片，茶赤葉斑病、茶白星病、茶圓赤星病各130幅，其中訓(xùn)練樣本圖片各100幅，測試樣本圖片各30幅。由表1可知，本研究構(gòu)造指數(shù)識別方法在茶葉病害圖像庫上的平均識別率為93.33%。其中，由于茶白星病病斑中心存在灰色區(qū)域，與茶圓赤星病的褐色易混淆，因此這2種病害之間存在錯分情況。茶赤葉斑病的顏色與其他病害的顏色具有較大的差別，因此識別效果較好。

由表2可知，本研究算法表現(xiàn)出了良好的病害識別性能，與其他算法相比，病害的識別率較高。這是因為本研究所選取的參數(shù)綜合考慮了HSV、RGB分量的值，構(gòu)造相關(guān)指數(shù)，并根據(jù)樣本進(jìn)行了指數(shù)的選取，指數(shù)的區(qū)分性較好。HSV顏色直方圖法較好地描述了不同色彩在整幅圖像中所占的比例，不同的茶葉病害圖片所統(tǒng)計出來的直方圖，高頻率數(shù)值不同，識別率高于HSV顏色矩法。茶赤葉斑病3種方法的識別率普遍高于另外2種病害。這是因為茶赤葉斑病的顏色偏向紅褐色，特征較明顯，較容易被識別。3種方法對茶圓赤星病的識別率普遍低于其他2種病害。這是因為茶圓赤星病病斑較細(xì)小、零碎，統(tǒng)計信息不夠充分，因此錯分率較高。

由表3可知，本研究算法的計算復(fù)雜度略高于HSV顏色矩法，但遠(yuǎn)遠(yuǎn)低于HSV顏色直方圖法。本研究方法在保證較高識別率的情況下，大幅度降低了算法的計算復(fù)雜度，智能識別性能較高。

3 結(jié)論

本研究為改善以往不能實時識別植物病害的缺陷，降低算法復(fù)雜度，以茶赤葉斑病、茶白星病、茶圓赤星病等3種病害為研究對象，從圖像處理角度出發(fā)，建立了智能提取茶葉病斑并識別其病害種類的算法和技術(shù)，通過基于Android的茶葉病害診斷軟件，實現(xiàn)了對茶葉病害進(jìn)行實時智能診斷識別的功能。本研究算法利用最大類間方差法對茶葉葉片病斑進(jìn)行圖像分割，然后提取病斑區(qū)域的6個顏色參數(shù)，并根據(jù)顏色參數(shù)構(gòu)造了9個顏色特征指數(shù)，其中R1H1特征參數(shù)組合可以對3種病害進(jìn)行較好地識別。結(jié)果表明，本研究方法運行效率較高、識別效果較好，具有一定的有效性和可行性。由于同種茶葉病害在不同的發(fā)病時期顏色特征存在差異，因此關(guān)于病害發(fā)展全過程中顏色特征的變化情況有待進(jìn)一步研究。對于某些顏色特征相似的茶葉病害，還應(yīng)進(jìn)一步考慮病斑的形狀特征以及紋理特征，以增強算法的可移植性。

參考文獻(xiàn)：

[1]次丹妮. 基于計算機視覺的花卉葉部病害識別方法研究[D]. 天津：天津職業(yè)技術(shù)師范大學(xué)，2016.

[2]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(xué)，2013.

[3]張建華，祁力鈞，冀榮華，等. 基于粗糙集和BP神經(jīng)網(wǎng)絡(luò)的棉花病害識別[J]. 農(nóng)業(yè)工程學(xué)報，2012，18（7）：161-167.

[4]李宗儒，何東健. 基于手機拍攝圖像分析的蘋果病害識別技術(shù)研究[J]. 計算機工程與設(shè)計，2010，31（13）：3051-3053，3095.

[5]Wang X F，Huang D S. A novel multi-layer level set method for image segmentation[J]. Journal of Universal Computer Science，2008，14：2428-2452.

[6]史繼先，蒲東兵，張雪喆. 基于Android和內(nèi)容的圖像檢索系統(tǒng)設(shè)計[J]. 信息技術(shù)，2014，38（7）：200-203，206.

[7]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]//International Conference on Engineering Computation. Hong Kong，2009：79-83.

[8]賈建楠，吉海彥. 基于病斑形狀和神經(jīng)網(wǎng)絡(luò)的黃瓜病害識別[J]. 農(nóng)業(yè)工程學(xué)報，2013，29（增刊1）：115-121.

[9]羅其朝. 基于Android的圖像識別客戶端系統(tǒng)研究[D]. 海口：海南大學(xué)，2014.

[10]Rumpf T，Mahlein A K，Steiner U，et al. Early detection and classification of plant diseases with support vector machines based on hyperspectral reflectance[J]. Computers and Electronics in Agriculture，2010，74（1）：91-99.

[11]吳子龍. 基于Android移動終端的煙草病蟲害圖像智能識別系統(tǒng)研究[D]. 昆明：云南農(nóng)業(yè)大學(xué)，2015.

[12]石 靜. 圖像分割方法綜述[J]. 科技致富向?qū)В?012（26）：69，58.

[13]章毓晉. 圖像分割[M]. 北京：科學(xué)出版社，2001.

[14]周 俊，王明軍，邵喬林. 農(nóng)田圖像綠色植物自適應(yīng)分割方法[J]. 農(nóng)業(yè)工程學(xué)報，2013，29（18）：163-170.

[15]馬志遠(yuǎn). 基于視覺特征的圖像檢索方法研究及系統(tǒng)實現(xiàn)[D]. 武漢：武漢科技大學(xué)，2010.

[16]閆雅楠，夏定元. 結(jié)合邊緣檢測和區(qū)域分割的形狀特征提取[J]. 電視技術(shù)，2007，31（3）：12-15.

[17]袁春蘭，熊宗龍，周雪花，等. 基于Sobel算子的圖像邊緣檢測研究[J]. 激光與紅外，2009，39（1）：85-87.

[18]Canny J F. The complexity of robot motion planning[M]. Massachusetts：MIT Press，1987.

[19]李 旺，唐少先，陳 榮. 基于顏色特征和支持向量機的黃瓜葉部病害識別[J]. 農(nóng)機化研究，2014，36（1）：73-75.

[20]Sun J D，Zhang X M，Cui J T，et al. Image retrieval based on color distribution entropy[J]. Pattern Recognition Letters，2006，27（10）：1122-1126.劉淑娟，周 華，楊愛紅，等. 3種瑞香花部性狀的對比研究及對坐果的影響[J]. 江蘇農(nóng)業(yè)科學(xué)，2019，47（6）：92-95.