基于數(shù)碼圖像的小麥條銹病病害程度分級(jí)方法

蔣小敏 馮海寬 常紅 楊貴軍 楊小冬

摘要：小麥條銹病發(fā)病廣、發(fā)病率高，嚴(yán)重影響農(nóng)業(yè)生產(chǎn)，造成小麥產(chǎn)量重大損失。病葉嚴(yán)重度是獲取小麥條銹病病害信息的主要參數(shù)。為更好、更便捷地獲取小麥條銹病病害信息實(shí)現(xiàn)對(duì)小麥條銹病單葉病害嚴(yán)重度分級(jí)，討論一種利用數(shù)碼圖像對(duì)小麥條銹病進(jìn)行分級(jí)的方法。首先從拍攝的數(shù)碼圖像中選取發(fā)病嚴(yán)重度為1%、5%、10%、20%、40%、60%、80%、100%的小麥葉片（以植保專家目測(cè)為標(biāo)準(zhǔn)），對(duì)應(yīng)設(shè)置為1、2、3、4、5、6、7、8級(jí)，每個(gè)級(jí)別各30張葉片，共計(jì)240張，從每個(gè)類別中選取10張做數(shù)據(jù)分析，20張作驗(yàn)證。利用K-means聚類法、形態(tài)學(xué)變換等操作將小麥葉片與背景分割開，然后對(duì)采集的RGB圖像通道分離獲取R、G、B分量圖進(jìn)行G、R分量加運(yùn)算，在小麥葉片染病前期，小麥條銹病嚴(yán)重度為1～4級(jí)，G+R圖像就能較好地區(qū)分出病斑區(qū)域與健康區(qū)域，隨著病害程度加深黃化嚴(yán)重，G+R 圖像不能很好地區(qū)分出病斑區(qū)域，通過(guò)改變R分量圖的權(quán)重，對(duì)5、6、7、8級(jí)40個(gè)樣本進(jìn)行數(shù)據(jù)分析，發(fā)現(xiàn)G+1.7R時(shí)表現(xiàn)出的擬合性和精度最好，采用最大類間方差法（Otsu）對(duì)G+R、G+1.7R圖像進(jìn)行分割，將病斑從小麥葉片中提取出來(lái);最后根據(jù)染病面積占葉片總面積的百分比對(duì)小麥條銹病病害程度進(jìn)行分級(jí)。160個(gè)不同病害等級(jí)的小麥葉片驗(yàn)證樣本中，24個(gè)樣本被錯(cuò)誤分級(jí)，136個(gè)樣本被正確分級(jí)，發(fā)病程度較輕的1～4級(jí)分級(jí)正確率為92.5%，發(fā)病程度較重的5～8級(jí)分級(jí)正確率為77.5%，總體分級(jí)正確率為85.0%?；跀?shù)碼圖像對(duì)小麥條銹病病害程度分級(jí)識(shí)別方法操作靈活、方便，相對(duì)于傳統(tǒng)田間目測(cè)分級(jí)提高了分級(jí)正確率，為識(shí)別小麥條銹病葉片病害程度提供了一種操作快速簡(jiǎn)單、成本低且方便普及的新方法。

關(guān)鍵詞：數(shù)碼圖像;小麥條銹病;病害程度;分級(jí);K-means;最大類間方差法

中圖分類號(hào)：S435.121.4+2;TP391.41? ?文獻(xiàn)標(biāo)志碼： A

文章編號(hào)：1002-1302（2021）23-0109-06

收稿日期：2021-07-20

項(xiàng)目基金：國(guó)家自然科學(xué)基金（編號(hào)：41771469）;廣東省重點(diǎn)領(lǐng)域研發(fā)計(jì)劃（編號(hào)：2019B020216001）。

作者簡(jiǎn)介：蔣小敏（1993—），女，安徽長(zhǎng)豐人，碩士研究生，從事作物病蟲害遙感監(jiān)測(cè)研究。E-mail：18856927671@163.com。

通信作者：楊小冬，博士，副研究員，從事作物病蟲害遙感監(jiān)測(cè)研究。E-mail：yangxd7@163.com。

小麥?zhǔn)鞘澜缟戏N植范圍最廣同時(shí)也是我國(guó)主要的糧食作物，從每年的小麥種植面積以及產(chǎn)量來(lái)看，小麥?zhǔn)俏覈?guó)第二大谷類和糧食作物[1]。作物病害是導(dǎo)致小麥減產(chǎn)的主要因素。小麥條銹病是由條型柄銹菌引起的易受環(huán)境條件影響的一種真菌病害，當(dāng)病原菌在有利的天氣條件下感染易感品種時(shí)，早期侵染會(huì)嚴(yán)重降低株高和分蘗數(shù)，從而大大降低小麥的生物量和產(chǎn)量;灌漿期侵染會(huì)嚴(yán)重減少籽粒數(shù)量、籽粒大小和質(zhì)量，從而導(dǎo)致產(chǎn)量減少和籽粒質(zhì)量降低，使小麥嚴(yán)重減產(chǎn)，流行年份可達(dá)40%以上，甚至可出現(xiàn)絕收現(xiàn)象[2-5]，嚴(yán)重制約了農(nóng)業(yè)生產(chǎn)、影響了農(nóng)業(yè)經(jīng)濟(jì)快速平穩(wěn)發(fā)展。病葉嚴(yán)重度是獲取小麥條銹病病情指數(shù)的主要參數(shù)。傳統(tǒng)的監(jiān)測(cè)方法主要由有經(jīng)驗(yàn)的生產(chǎn)者或植保專家在田間憑借其經(jīng)驗(yàn)知識(shí)觀察小麥植株，進(jìn)而判定小麥條銹病的發(fā)生程度等級(jí)。這些傳統(tǒng)方法存在工作量大、工作效率低等弊端，且對(duì)目測(cè)人員的專業(yè)經(jīng)驗(yàn)要求極高。因而，能夠找到一種成本低、準(zhǔn)確度高且易操作的方法去監(jiān)測(cè)小麥條銹病具有重要價(jià)值。張帥堂等基于高光譜成像技術(shù)和遺傳優(yōu)化神經(jīng)網(wǎng)絡(luò)對(duì)茶葉病斑進(jìn)行快速識(shí)別，病斑識(shí)別率達(dá)到94.17%[6]。鄭志雄等對(duì)采集到的受稻瘟病侵染不同嚴(yán)重程度的水稻葉片高光譜圖像進(jìn)行光譜分析，采用主成分分析和最大類間方差法（Otsu）對(duì)水稻葉瘟病病害程度進(jìn)行分級(jí)，分級(jí)準(zhǔn)確率為96.39%[7]。Moshou等利用神經(jīng)網(wǎng)絡(luò)和二次判別分析技術(shù)對(duì)采集的冬小麥條銹病光譜圖像進(jìn)行檢測(cè)取得了較高的分類精度[8]。雷雨等基于高光譜成像技術(shù)利用主成分分析法結(jié)合最大類間方差法對(duì)小麥條銹病病害程度進(jìn)行分級(jí)，分級(jí)正確率達(dá)到98.15%[9]。李小龍等利用近紅外光譜技術(shù)獲取病害光譜信息結(jié)合定性判別偏最小二乘法（DPLS）建立小麥條銹病不同嚴(yán)重度識(shí)別模型，測(cè)試集樣品總體識(shí)別正確率為96.55%[10]。陳兵等利用可見/近紅外光譜技術(shù)獲取棉花黃萎病不同嚴(yán)重度病葉光譜特征，建立相應(yīng)的多種估測(cè)模型均達(dá)到極顯著水平[11]。近年來(lái)計(jì)算機(jī)技術(shù)發(fā)展迅速，數(shù)字圖像處理技術(shù)被普遍用于農(nóng)作物的病害識(shí)別[12-18]。袁媛等對(duì)黃瓜病害葉片圖像利用超G因子和Otsu方法提取黃瓜主要葉片去除大部分背景，利用病害圖像的紅色分量構(gòu)建基于閾值預(yù)處理的圖切割算法對(duì)4種黃瓜病害的病斑進(jìn)行了有效提取[19]。任玉剛等對(duì)分水嶺算法進(jìn)行改進(jìn)使分割結(jié)果不受葉片紋理的干擾提高了作物病害葉片圖像分割的準(zhǔn)確性[20]。Wang等提出了一種有效的黃瓜葉片分割方法，首先對(duì)顏色空間類型進(jìn)行分析，提取RGB模型下R特征圖，HLS模型下H特征圖，然后利用RH=R-H特征圖進(jìn)行閾值分割提取病斑[21]。Shen等分析了圖像分割過(guò)程中存在的所有影響因素，采用Otsu法分割大豆葉片，基于HLS顏色系統(tǒng)下選擇H分量結(jié)合Sobel算子對(duì)病斑進(jìn)行分割，最后通過(guò)計(jì)算病斑與葉片面積的商進(jìn)行分級(jí)[22]。Revathi等對(duì)采集的棉花葉斑病RGB圖像進(jìn)行增強(qiáng)處理，然后對(duì)其進(jìn)行分割得到病斑，使用Sobel算子和Canny濾波等獲取邊緣信息進(jìn)而識(shí)別病斑對(duì)棉花葉斑病進(jìn)行分類，分類結(jié)果與其他算法相比具有更高的精度[23]。高光譜成像技術(shù)、可見光近紅外光譜技術(shù)以及RGB圖像分割均能夠識(shí)別出病斑?；诟吖庾V成像技術(shù)、近紅外光譜技術(shù)的病害識(shí)別正確率較高，但高光譜技術(shù)難以普及，是因?yàn)槠溆玫降膬x器價(jià)格昂貴，近紅外光譜技術(shù)不易操作。植物發(fā)生病蟲害時(shí)，在不同階段，其表現(xiàn)的癥狀有著顯著差異，圖像分割的正確與否決定了病害識(shí)別的準(zhǔn)確度。當(dāng)前，利用圖像處理技術(shù)識(shí)別作物病蟲害的研究已經(jīng)很多[24-29]，但目前尚無(wú)將數(shù)碼圖像用于進(jìn)行小麥條銹病葉片嚴(yán)重度分級(jí)的研究。本研究采集了不同嚴(yán)重度的小麥條銹病病葉圖像，使用圖像處理技術(shù)采用兩步分割的方法提取小麥葉片和病斑區(qū)域，對(duì)病葉進(jìn)行分級(jí)識(shí)別，以期研究出一種快速準(zhǔn)確、成本低、操作簡(jiǎn)單且方便普及的識(shí)別小麥條銹病葉片病害程度的方法。

1 材料與方法

1.1 試驗(yàn)材料

試驗(yàn)田位于甘肅省農(nóng)業(yè)科學(xué)院植物保護(hù)研究所甘谷試驗(yàn)站（34.760528N，105.294410E），海拔高度為1 254.7 m，選用高感病冬麥品種銘賢169種植，在試驗(yàn)田中設(shè)置30個(gè)40 cm×40 cm的小區(qū)，行距為20 cm，采用人工噴霧法選用配制的小麥條銹病夏孢子（混合生理小種）液噴灑在小區(qū)的中間植株葉片上，之后蓋上塑料薄膜過(guò)夜，次日揭去薄膜，從中心發(fā)病感染周圍植株上獲取不同嚴(yán)重度的小麥條銹病病葉。2019年6月1日，將采集到的每個(gè)小區(qū)的不同發(fā)病程度的小麥葉片并排放在白紙上，用隨身攜帶的華為手機(jī)（相機(jī)型號(hào)為STF-AL00）進(jìn)行拍攝存儲(chǔ)，像素大小為3 840×5 120，每幅圖像里有9～13張小麥葉片，共獲取30幅圖像。

1.2 圖像預(yù)處理

用繪圖軟件對(duì)采集的圖像進(jìn)行裁剪得到小麥單葉葉片，參照國(guó)家標(biāo)準(zhǔn)GB/T 15795—2011《小麥條銹病測(cè)報(bào)技術(shù)規(guī)范》中的小麥條銹病發(fā)生程度分級(jí)指標(biāo)，從中分別選取發(fā)病嚴(yán)重度為1%、5%、10%、20%、40%、60%、80%、100%的小麥葉片（以植保專家目測(cè)為標(biāo)準(zhǔn)），等級(jí)之間以中間發(fā)病嚴(yán)重度分界線作為劃分標(biāo)準(zhǔn)計(jì)入最接近的分級(jí)等級(jí)，同時(shí)按照小麥條銹病嚴(yán)重度級(jí)別分別對(duì)應(yīng)設(shè)置為1～8級(jí)，每個(gè)級(jí)別各取30張，共計(jì)240張不同等級(jí)的病葉樣本，其中80個(gè)用于數(shù)據(jù)分析，160個(gè)樣本用于對(duì)G+R、G+1.7R的分割結(jié)果進(jìn)行驗(yàn)證。裁剪的數(shù)碼圖像用Python 3.6軟件進(jìn)行處理和分析。

1.3 圖像增強(qiáng)

圖像增強(qiáng)是為了增強(qiáng)對(duì)比度。在對(duì)小麥葉片進(jìn)行拍攝和存儲(chǔ)中會(huì)引入噪聲，影響病斑部位的提取。因此對(duì)裁剪的小麥單葉圖像采用中值濾波法進(jìn)行平滑處理，減少噪聲，改善圖像質(zhì)量，并將其作為后續(xù)圖像處理的基礎(chǔ)數(shù)據(jù)。

1.4 小麥條銹病病害程度分級(jí)方法

1.4.1 小麥葉片與背景的分離

K-means聚類算法是用一組特征將輸入數(shù)據(jù)劃分為k個(gè)子集，構(gòu)成k個(gè)類的簡(jiǎn)單聚類，其不斷提取當(dāng)前分類的中心點(diǎn)，并最終在分類穩(wěn)定時(shí)完成聚類。基本步驟[30]如下：（1）選取k個(gè)點(diǎn)作為K-means聚類的中心點(diǎn)。（2）計(jì)算圖像中的每個(gè)像素點(diǎn)到各個(gè)聚類中心點(diǎn)的距離，對(duì)于每一個(gè)像素點(diǎn)根據(jù)其到中心點(diǎn)的最小距離進(jìn)行分類。（3）再次平均各個(gè)分類的像素作為新的分類中心點(diǎn)。 （4）重復(fù)步驟（2）和步驟（3），直到分類穩(wěn)定。

腐蝕操作和膨脹操作是形態(tài)學(xué)運(yùn)算的基礎(chǔ)，將腐蝕和膨脹操作進(jìn)行結(jié)合就可以實(shí)現(xiàn)開運(yùn)算、閉運(yùn)算等不同形式的運(yùn)算。閉運(yùn)算是先將圖像進(jìn)行膨脹之后再對(duì)膨脹的結(jié)果進(jìn)行腐蝕，去除原始圖像內(nèi)部的小孔和小黑點(diǎn)。

為獲取小麥葉片，采用K-means聚類法和形態(tài)學(xué)處理去除圖片背景。具體流程如圖1所示。首先將經(jīng)過(guò)平滑處理后的圖像用K-means聚類法分割，再通過(guò)形態(tài)學(xué)操作，去除葉片內(nèi)部的小孔洞、小黑點(diǎn)，生成葉片值為255，背景值為0的黑白二值化圖（圖1-a），并將其白色像素點(diǎn)數(shù)作為小麥葉片的總面積，之后將生成的黑白二值化圖跟原始圖像做按位與運(yùn)算得到去除背景后的小麥葉片（圖1-b）。采集的240個(gè)病害樣本均按照此方法提取出小麥葉片，可以較為準(zhǔn)確地獲取小麥葉片的面積。

1.4.2 小麥條銹病病斑區(qū)域提取

將經(jīng)過(guò)平滑處理后的1～4級(jí)40個(gè)樣本數(shù)據(jù)圖像進(jìn)行B、G、R三通道分離，得到B、G、R三通道分量圖。小麥條銹病病斑呈現(xiàn)黃色，成行排列且平行于葉脈。其病斑處的R值稍高于葉片健康部位的R值，因此對(duì)G和R、R和B組合圖像進(jìn)行分析。

將2個(gè)灰度圖的像素值進(jìn)行求和時(shí)，遵循以下規(guī)則：

a+b=a+b，a+b≤255

255，a+b>255。（1）

若2個(gè)灰度圖的像素值（a、b）相加值小于或等于255，則計(jì)算結(jié)果就是最終結(jié)果，若相加值大于255，則最終結(jié)果就是255。提取到的G+R、R+B組合圖像如圖2所示，G和R圖像較好地保存了病斑的形狀，因此選取G+R組合圖作為病斑提取的圖像。

G+R組合圖像中能區(qū)分出病斑區(qū)域與健康區(qū)域。葉片中顏色較亮區(qū)域?yàn)闂l銹病病斑，較暗區(qū)域?yàn)榻】祬^(qū)域。采用Otsu法對(duì)G+R組合圖像進(jìn)行分割處理，提取病斑區(qū)域的具體步驟[31]如下：（1）根據(jù)閾值T將像素分為健康區(qū)域和染病區(qū)域2大類，計(jì)算這2個(gè)區(qū)域灰度的類間方差σ2，尋找最優(yōu)閾值T使得σ2最大，使類間分離性最佳。（2） 計(jì)算平均灰度值n，若n>T，判定該區(qū)域內(nèi)所有點(diǎn)為染病區(qū)域，賦值為255;若n

隨著小麥條銹病病情加重，小麥葉片黃化嚴(yán)重，后期葉片表面黃色面積占據(jù)大部分，用G+R的組合圖像并不能很好地將全部病斑提取出來(lái)，增加R分量在顏色空間中的權(quán)重，可用于對(duì)葉片病斑的分割[32]。對(duì)后期病情嚴(yán)重，葉片表面大片泛黃的級(jí)別在5、6、7、8級(jí)的40個(gè)樣本數(shù)據(jù)進(jìn)行分析，對(duì)G、R分量圖進(jìn)行不同加權(quán)比獲取組合圖進(jìn)行病斑分割提取。

圖像加權(quán)和就是將2幅灰度圖像像素值進(jìn)行求和時(shí)，考慮每幅圖像的權(quán)重，其公式為

dst=saturate（src1×α+src2×β+γ）。（2）

式中：dst 表示結(jié)果圖像;saturate（）表示取飽和值（最大值）;src1、src2表示相同的數(shù)據(jù)類型;α、β表示src1、src2對(duì)應(yīng)的系數(shù);γ表示亮度調(diào)節(jié)量，可以為0。

1.4.3 小麥條銹病病害程度分級(jí)

病害嚴(yán)重度是依據(jù)病葉上病斑面積占葉片總面積的百分比表示。病害嚴(yán)重度的計(jì)算公式為

C=A1/A2×100%。（3）

式中：C表示病害嚴(yán)重度;A2表示小麥葉片總面積，像素;A1為小麥條銹病病斑面積，像素。

2 結(jié)果與分析

2.1 圖像分割

對(duì)獲取的G、R分量圖，按照α ∶β不同的系數(shù)比進(jìn)行圖像加權(quán)和，驗(yàn)證其分割效果。通過(guò)試驗(yàn)可知，當(dāng)α=1時(shí)，β的系數(shù)越大，病斑區(qū)域的增強(qiáng)越明顯;而當(dāng)β>1.7時(shí)，葉片健康區(qū)域也會(huì)被明顯加強(qiáng)，不符合將全部病斑提取出來(lái)的試驗(yàn)預(yù)期。以α ∶β=1 ∶1.6、1 ∶1.7、1 ∶1.8為例進(jìn)行圖像分割，并將分割結(jié)果與實(shí)測(cè)結(jié)果進(jìn)行對(duì)比分析（圖4）。選用均方根誤差（RMSE）、平均絕對(duì)誤差（MAE）和分級(jí)正確率進(jìn)行精度評(píng)價(jià)，RMSE、MAE越小，分級(jí)精度越高[33]。通過(guò)研究發(fā)現(xiàn)，G+1.7R時(shí)所表現(xiàn)的擬合性和精度最好（表1），此時(shí)RMSE為0.105 5，MAE為 0.080 8，分級(jí)正確率為80%。故G、R的加權(quán)和在 1 ∶1.7 時(shí)，分割效果最好。

由圖5可知，只有一部分的條銹病病斑被分割出來(lái)，不能達(dá)到病斑分割目的。由圖6可知，G+1.7R分割小麥葉片中呈現(xiàn)黃色的病斑區(qū)域能被較清晰地分割出來(lái)，滿足下一步小麥條銹病的分級(jí)需要。

2.2 病害分級(jí)

對(duì)80個(gè)早期感染小麥條銹病的葉片采用G+R的分割算法進(jìn)行分級(jí)。由表2 可知，病害等級(jí)為1級(jí)的分級(jí)正確率是85.0%，3個(gè)樣本被識(shí)別錯(cuò)誤，其中2個(gè)誤分為2級(jí)，1個(gè)誤分為3級(jí);病害等級(jí)為2級(jí)的分級(jí)正確率是90.0%，2個(gè)樣本被識(shí)別為3級(jí);病害等級(jí)為3級(jí)的分級(jí)正確率是95.0%，1個(gè)樣本被識(shí)別為4級(jí);病害等級(jí)為4級(jí)的分級(jí)正確率是100.0%。在80個(gè)驗(yàn)證樣本中，共有6個(gè)識(shí)別錯(cuò)誤，分級(jí)平均正確率為92.5%。

對(duì)80個(gè)晚期感染小麥條銹病的葉片采用G+1.7R的分割算法進(jìn)行分級(jí)。由表3可知，病害等級(jí)為5級(jí)的分級(jí)正確率是85.0%，3個(gè)樣本被識(shí)別為4級(jí);病害等級(jí)為6級(jí)的分級(jí)正確率是85.0%，3個(gè)樣本被識(shí)別錯(cuò)誤，其中1個(gè)誤分到5級(jí)，2個(gè)誤分到7級(jí);病害等級(jí)為7級(jí)的分級(jí)正確率是75.0%，5個(gè)樣本被識(shí)別為6級(jí);病害等級(jí)為8級(jí)的分級(jí)正確率是65.0%，7個(gè)樣本被識(shí)別為7級(jí)。在80個(gè)驗(yàn)證樣本中，共有18個(gè)識(shí)別錯(cuò)誤，分級(jí)平均正確率為77.5%。

對(duì)160個(gè)感染小麥條銹病的葉片進(jìn)行分級(jí)，病害程度分級(jí)結(jié)果分布如圖7所示，結(jié)果表明，在全部驗(yàn)證樣本中，分級(jí)平均正確率為85.0%，共有24個(gè)識(shí)別錯(cuò)誤。R、G分量的不同組合圖像可以很好地顯示出小麥條銹病病斑區(qū)域跟健康區(qū)域的灰度差異。1～4級(jí)，G+R圖像就能較好地區(qū)分出病斑區(qū)域與健康區(qū)域，5～8級(jí)，病害程度加深，小麥葉片表皮破裂黃化嚴(yán)重，G+R圖像不能很好地將病斑準(zhǔn)確地分割出來(lái)，通過(guò)改變R分量圖的權(quán)重，進(jìn)而更好地對(duì)病斑進(jìn)行提取。通過(guò)對(duì)樣本數(shù)據(jù)進(jìn)行分析，選取G+1.7R分割效果最好，再根據(jù)病葉嚴(yán)重度分級(jí)標(biāo)準(zhǔn)對(duì)小麥葉片條銹病進(jìn)行分級(jí)。隨著病害等級(jí)增加，分級(jí)正確率總體上呈現(xiàn)下降趨勢(shì)，擬合性逐漸降低。對(duì)于病害較為嚴(yán)重的分級(jí)還需進(jìn)一步研究，以便更加準(zhǔn)確地獲取小麥條銹病病害程度。

3 討論

本研究通過(guò)手機(jī)相機(jī)獲取小麥條銹病葉片數(shù)據(jù)，分割出小麥葉片、小麥條銹病病斑，取得了較高分級(jí)準(zhǔn)確度，為小麥條銹病葉片嚴(yán)重度分級(jí)研究提供了一種新的方法。利用K-means聚類法結(jié)合形態(tài)學(xué)處理，提取的特征值較少，具有較高的清晰度能夠很好地去除圖像背景將小麥葉片分割出來(lái)。G+R 組合圖像能夠完整地體現(xiàn)出病斑的形狀，有效區(qū)分出健康區(qū)域與病斑區(qū)域。

病害等級(jí)在1、2、3、4級(jí)時(shí)，RMSE、MAE均比較小，分級(jí)精度較高，擬合效果較好，誤分錯(cuò)誤主要集中在早期病害等級(jí)劃分，區(qū)間間隔相差較小，1百分點(diǎn)的誤差均會(huì)導(dǎo)致分級(jí)結(jié)果錯(cuò)誤。小麥條銹病病情逐漸加重，病害等級(jí)增加，5、6、7、8級(jí)RMSE、MAE相對(duì)較大，分級(jí)正確率逐漸降低，其原因主要集中在病害加重，葉片黃化嚴(yán)重，葉片健康區(qū)域面積較小且G值減弱，致使健康區(qū)域與病斑區(qū)域差異不夠顯著，沒(méi)有黃化的病斑不能提取出來(lái)，都會(huì)使病斑面積減少，進(jìn)而使得到的病害嚴(yán)重度相比實(shí)測(cè)值較小，因而致使病情嚴(yán)重的葉片等級(jí)被誤分到小1級(jí)中。

影響分級(jí)正確率的因素主要有以下幾個(gè)來(lái)源：（1）RGB圖像。因?yàn)镽GB圖像只有3個(gè)通道的像素值，病斑分割依靠顏色特征，沒(méi)有黃化的病斑無(wú)法分割。致使病情較為嚴(yán)重的葉片等級(jí)被誤分到小1級(jí)中。（2）樣本本身。葉片表面的泥土，葉片與背景的邊緣陰影部分均有可能被誤識(shí)別為病斑，致使病斑面積增大，病害前期，會(huì)將病害等級(jí)錯(cuò)誤識(shí)別大1級(jí)。拍攝亮度、圖像分辨率的高低等也會(huì)影響分割的準(zhǔn)確性。（3）等級(jí)劃分的因素。不同等級(jí)之間的區(qū)間相差太小，比如1級(jí)與2級(jí)之間僅相差4%，極易被錯(cuò)誤分類，位于2個(gè)級(jí)別間分界線附近也容易被識(shí)別錯(cuò)誤。

本研究建立在試驗(yàn)小區(qū)之上，供試品種單一，且對(duì)于區(qū)分小麥葉片感染條銹病早期、晚期仍需要人工進(jìn)行目測(cè)判別，因此還需要進(jìn)一步研究。

4 結(jié)論

本研究以小麥銹病中最常見、發(fā)病廣、影響范圍大的條銹病作為研究對(duì)象，利用K-means聚類法結(jié)合形態(tài)學(xué)處理獲取小麥葉片，利用Otsu法分割R、G分量的不同組合圖像提取小麥條銹病病斑結(jié)論如下。

（1）對(duì)小麥條銹病病情嚴(yán)重的5～8級(jí)40個(gè)樣本數(shù)據(jù)分析得出，G、R分量圖按照G+1.7R的組合圖像分割效果最好，RMSE為0.1055，MAE為 0.080 8，分級(jí)正確率為80.0%。

（2）160個(gè)不同病害等級(jí)的小麥葉片驗(yàn)證樣本中，24個(gè)樣本被錯(cuò)誤分級(jí)，136個(gè)樣本被正確分級(jí)，總體分級(jí)正確率為85.0%。1～4級(jí)分級(jí)正確率為92.5%，分割精度較高，能夠?qū)崿F(xiàn)對(duì)小麥條銹病的早期病害分級(jí)，更適合于小麥條銹病田間早期病害檢測(cè)，為田間病害早期管理提供基礎(chǔ)數(shù)據(jù)，表明基于數(shù)碼圖像對(duì)小麥條銹病病害程度分級(jí)識(shí)別是可行的，為小麥條銹病病害程度評(píng)估提供了一種新的研究思路。5～8級(jí)分級(jí)正確率為77.5%，分割精度相較于中、輕度發(fā)病水平較低，小麥條銹病病情嚴(yán)重度達(dá)到重度水平時(shí)，分級(jí)方法還需進(jìn)一步研究。

參考文獻(xiàn)：

[1]Wan A M，Chen X M，He Z H. Wheat stripe rust in China[J]. Australian Journal of Agricultural Research，2007，58（6）：605.

[2]李振岐，曾士邁. 中國(guó)小麥銹病[M]. 北京：中國(guó)農(nóng)業(yè)出版社，2002.

[3]Rapilly F. Yellow rust epidemiology[J]. Annual Review of Phytopathology，1979，17（1）：59-73.

[4]Chen X M. Pathogens which threaten food security：Puccinia striiformis，the wheat stripe rust pathogen[J]. Food Security，2020，12（2）：239-251.

[5]馬占鴻. 中國(guó)小麥條銹病研究與防控[J]. 植物保護(hù)學(xué)報(bào)，2018，45（1）：1-6.

[6]張帥堂，王紫煙，鄒修國(guó)，等. 基于高光譜圖像和遺傳優(yōu)化神經(jīng)網(wǎng)絡(luò)的茶葉病斑識(shí)別[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2017，33（22）：200-207.

[7]鄭志雄，齊 龍，馬 旭，等. 基于高光譜成像技術(shù)的水稻葉瘟病病害程度分級(jí)方法[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2013，29（19）：138-144.

[8]Moshou D，Bravo C，West J，et al. Automatic detection of ‘yellow rustin wheat using reflectance measurements and neural networks[J]. Computers and Electronics in Agriculture，2004，44（3）：173-188.

[9]雷 雨，韓德俊，曾慶東，等. 基于高光譜成像技術(shù)的小麥條銹病病害程度分級(jí)方法[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2018，49（5）：226-232.

[10]李小龍，秦 豐，趙龍蓮，等. 近紅外光譜技術(shù)的小麥條銹病嚴(yán)重度分級(jí)識(shí)別[J]. 光譜學(xué)與光譜分析，2015，35（2）：367-371.

[11]陳 兵，李少昆，王克如，等. 棉花黃萎病病葉光譜特征與病情嚴(yán)重度的估測(cè)[J]. 中國(guó)農(nóng)業(yè)科學(xué)，2007，40（12）：2709-2715.

[12]Bai X B，Li X X，F(xiàn)u Z T，et al. A fuzzy clustering segmentation method based on neighborhood grayscale information for defining cucumber leaf spot disease images[J]. Computers and Electronics in Agriculture，2017，136：157-165.

[13]張 沖，李 淼，張 健，等. 基于改進(jìn)中值濾波的梨樹病害彩色圖像分割[J]. 計(jì)算機(jī)應(yīng)用，2016，36（增刊2）：197-199，217.

[14]張會(huì)敏，謝澤奇，張善文，等. 基于WT-Otsu算法的植物病害葉片圖像分割方法[J]. 江蘇農(nóng)業(yè)科學(xué)，2017，45（18）：194-196.

[15]葛 婧，邵陸壽，丁克堅(jiān)，等. 玉米小斑病病害程度圖像檢測(cè)[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2008，39（1）：114-117.

[16]任守綱，陸海飛，袁培森，等. 基于顯著性檢測(cè)的黃瓜葉部病害圖像分割算法[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2016，47（9）：11-16.

[17]曹英麗，林明童，郭忠輝，等. 基于Lab顏色空間的非監(jiān)督GMM水稻無(wú)人機(jī)圖像分割[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2021，52（1）：162-169.

[18]明 浩，蘇喜友. 利用特征分割和病斑增強(qiáng)的楊樹葉部病害識(shí)別[J]. 浙江農(nóng)林大學(xué)學(xué)報(bào)，2020，37（6）：1159-1166.

[19]袁 媛，李 淼，陳 晟，等. 復(fù)雜背景黃瓜葉部病害圖像分割方法[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2013，44（10）：233-237.

[20]任玉剛，張 建，李 淼，等. 基于分水嶺算法的作物病害葉片圖像分割方法[J]. 計(jì)算機(jī)應(yīng)用，2012，32（3）：752-755.

[21]Wang L D，Yang T，Tian Y W.Crop disease leaf image segmentation method based on color features[C]//Li D L. Computer and Computing Technologies in Agriculture，Volume Ⅰ. Wuyishan：International Federation for Information Processing，2008.

[22]Shen W Z，Wu Y C，Chen Z L，et al. Grading method of leaf spot disease based on image processing[C]//2008 International Conference on Computer Science and Software Engineering.Wuhan，China.IEEE，2008：491-494.

[23]Revathi P，Hemalatha M.Classification of cotton leaf spot diseases using image processing edge detection techniques[C]//2012 International Conference on Emerging Trends in Science，Engineering and Technology （INCOSET）.Tiruchirappalli，India.IEEE，2012：169-173.

[24]施 文，鄒銳標(biāo)，王 訪，等. 基于多重分形的油菜病蟲害葉片圖像分割[J]. 湖南農(nóng)業(yè)大學(xué)學(xué)報(bào)（自然科學(xué)版），2014，40（5）：556-560.

[25]齊 龍，馬 旭，張小超. 基于BP網(wǎng)絡(luò)的植物病害彩色圖像的分割技術(shù)[J]. 吉林大學(xué)學(xué)報(bào)（工學(xué)版），2006，36（增刊2）：126-129.

[26]張善文，張?jiān)讫?，尚怡? 1種基于Otsu算法的植物病害葉片圖像分割方法[J]. 江蘇農(nóng)業(yè)科學(xué)，2014，42（4）：337-339.

[27]譚 峰，馬曉丹. 基于葉片的植物病蟲害識(shí)別方法[J]. 農(nóng)機(jī)化研究，2009，31（6）：41-43.

[28]喬 雪，潘 新，王欣宇，等. 基于G-R分量與K-means的馬鈴薯病蟲害圖像分割[J]. 內(nèi)蒙古農(nóng)業(yè)大學(xué)學(xué)報(bào)（自然科學(xué)版），2021，42（3）：84-87.

[29]張水發(fā)，王開義，祖 琴，等. 基于塊標(biāo)記的田間葉片損傷區(qū)域分割方法[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2014，30（21）：218-225.

[30]Jaware T H，Badgujar R D，Patil P G. Crop disease detection using image segmentation[J]. World Journal of Science and Technology，2012，2（4）：190-194.

[31]Otsu N.A threshold selection method from gray-level histograms[J]. IEEE Transactions on Systems，Man，and Cybernetics，1979，9（1）：62-66.

[32]刁智華，王 歡，宋寅卯，等. 基于顏色和形狀特征的棉花害螨圖像分割方法[J]. 農(nóng)機(jī)化研究，2013，35（3）：50-55.

[33]Yue J B，F(xiàn)eng H K，Jin X L，et al. A comparison of crop parameters estimation using images from UAV-mounted snapshot hyperspectral sensor and high-definition digital camera[J]. Remote Sensing，2018，10（7）：1138.