基于邊界樣本分位數(shù)的葡萄霜霉病自適應(yīng)識(shí)別方法

摘要：針對(duì)葡萄霜霉病病斑組織圖像閾值難以確定的問題，提出一種基于邊界樣本分位數(shù)的自適應(yīng)閾值確定方法，通過高斯濾波識(shí)別病斑邊界，并采用邊界樣本的50%分位數(shù)確定為病斑閾值。之后采用蒙特卡洛方法，通過隨機(jī)采樣方法估算病斑比例。結(jié)果表明，與其他閾值確定方法對(duì)比，所提方法能夠自適應(yīng)獲取病斑灰度閾值，識(shí)別精度達(dá)到92.2%，明顯高于其他閾值確定方法；與傳統(tǒng)的機(jī)器學(xué)習(xí)方法對(duì)比，在識(shí)別精度上高于BP神經(jīng)網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)，略低于VGG16模型的94.3%與ResNet50模型的96.26%，但計(jì)算時(shí)間為1.410 s，遠(yuǎn)快于VGG16模型與ResNet50模型的5.588 s與20.317 s，說明方法能夠在較短的運(yùn)行時(shí)間內(nèi)實(shí)現(xiàn)較高的精度。

關(guān)鍵詞：葡萄霜霉病；邊界識(shí)別；樣本分位數(shù)；病斑識(shí)別；高斯濾波

中圖分類號(hào)：S436.631.1" " " 文獻(xiàn)標(biāo)識(shí)碼：A" " " 文章編號(hào)：2095?5553 （2024） 10?0247?07

Adaptive identification method of grape downy mildew based on quantile of boundary sample

Gao Rui1， 2， Wu Qiong2， Han Wei1， Yang Tao2， Lu Chenyuan3， Zhang Li4

（1. College of Applied Meteorology， Nanjing University of Information Engineering， Nanjing， 210044， China;

2. Xunyi County Meteorological Bureau， Xianyang， 711300， China; 3. Yongshou County Meteorological Bureau，

Xianyang， 713400， China; 4. Shaanxi Meteorological Observatory， Xi'an， 710014， China）

Abstract： Aiming at the problem of difficulty to determine the threshold of grape downy mildew lesion tissue image， an adaptive threshold determination method based on quantiles of boundary samples was proposed. The boundary of diseased spot was identified by Gaussian filtering， and the threshold of diseased spot was determined by 50% quantiles of boundary sample. Then Monte Carlo method was used to estimate the proportion of diseased spots by random sampling method. The results show that compared with other threshold determination methods， the proposed" method can adaptively obtain the grayscale threshold of the lesion， with a recognition accuracy of 92.2%， which is significantly higher than other threshold determination methods. Compared with the traditional machine learning methods， the recognition accuracy of this method is higher than that of BP neural network， convolutional neural network， and support vector machine， slightly lower than 94.3% of the VGG16 model and 96.26% of the ResNet50 model. However， the calculation time is 1.410 s， which is much faster than 5.588 s and 20.317 s of the VGG16 model and ResNet50 model， indicating that this method can achieve high accuracy in a shorter running time.

Keywords： grape downy mildew; boundary recognition; sample quantile; plaque recognition; Gaussian filter

0 引言

葡萄霜霉?。≒lasmopara viticola）是影響葡萄產(chǎn)量的一種普遍性病害，其病原體為葡萄生軸霜霉菌，是葡萄專性寄生菌的一種，能夠多次循環(huán)侵染。在葡萄葉片生長過程中，如果條件適宜，葡萄生軸霜霉菌將會(huì)大量繁殖，迅速成災(zāi)，廣泛程度甚至影響到葡萄業(yè)發(fā)展[1]。對(duì)葡萄植株霜霉病害的監(jiān)測是從時(shí)間維度分析病菌在植株上的侵染繁殖過程，從而分析病菌侵染、繁殖、爆發(fā)的特點(diǎn)，建立相應(yīng)的模型，指導(dǎo)對(duì)霜霉病的預(yù)測與預(yù)防，控制其傳播，降低病害帶來的經(jīng)濟(jì)損失[2]。葡萄霜霉病在葉片上的繁殖具有連續(xù)性、過程性，體現(xiàn)在葉片上即為病斑的衍生，通過監(jiān)測病斑面積的大小是推測霜霉病程度的一種途徑。

20世紀(jì)80年代初，圖像處理技術(shù)開始應(yīng)用于農(nóng)業(yè)生產(chǎn)中。21世紀(jì)以來，隨著圖像識(shí)別算法的發(fā)展以及計(jì)算機(jī)算力的跨越式提升，大批圖像處理方法在農(nóng)業(yè)病斑、損傷監(jiān)測等方面得到應(yīng)用。El?Helly等[3]采用人工神經(jīng)網(wǎng)絡(luò)建立分類模型，對(duì)黃瓜白粉病和霜霉病進(jìn)行了識(shí)別；Sammany等[4]采用神經(jīng)網(wǎng)絡(luò)識(shí)別植物病斑，并采用遺傳算法對(duì)網(wǎng)絡(luò)結(jié)構(gòu)與超參數(shù)進(jìn)行優(yōu)化，并利用粗糙集對(duì)圖像輸入進(jìn)行約簡優(yōu)化；張建華等[5]改進(jìn)了VGG16卷積神經(jīng)網(wǎng)絡(luò)模型，并將其應(yīng)用于實(shí)際培育條件下棉花病害圖像的分類；楊森等[6]結(jié)合了卷積神經(jīng)網(wǎng)絡(luò)與復(fù)合特征字典，提出了馬鈴薯葉片病斑識(shí)別方法，利用Faster R-CNN在整體上開展病斑區(qū)域探測，并通過提取圖像特征構(gòu)造出復(fù)合特征字典，得到了較為理想的識(shí)別精度。

基于卷積神經(jīng)網(wǎng)絡(luò)等深度學(xué)習(xí)方法能夠有效提取病斑特征，實(shí)現(xiàn)對(duì)病斑的監(jiān)測，具有良好的通用性和可移植性。但在實(shí)際工程應(yīng)用中仍然存在局限性：一是對(duì)特征提取模型的訓(xùn)練需要大量帶有標(biāo)簽的數(shù)據(jù)，在實(shí)際監(jiān)測過程中難以獲取完備的數(shù)據(jù)集；二是訓(xùn)練復(fù)雜的網(wǎng)絡(luò)需要耗費(fèi)大量的時(shí)間，難以保證實(shí)時(shí)性。因此，基于深度學(xué)習(xí)的病斑識(shí)別方法雖然能夠取得較高的精度，但同時(shí)會(huì)帶來較高的監(jiān)測成本[7， 8]，而且前期樣本需求量大，建模過程較長且對(duì)于硬件設(shè)備要求較高[9]。

基于灰度的損傷檢測方法由于其原理簡單、操作性強(qiáng)，在工程上得到廣泛的應(yīng)用?；诨叶鹊膿p傷檢測方法將彩色圖像數(shù)據(jù)轉(zhuǎn)化為低維的灰度圖像數(shù)據(jù)，使數(shù)據(jù)維度得到有效降低，具有方法簡單、處理效率高的優(yōu)點(diǎn)。其基本思想是將正常像素與損傷像素分別轉(zhuǎn)化為一維的灰度數(shù)據(jù)，利用正常像素與損傷像素在灰度上的差異，判定組織是否發(fā)生損傷。然而，由于圖像亮度、對(duì)比度等因素的差異，不同圖像轉(zhuǎn)化為灰度圖后數(shù)值上也存在差異，從而難以確定固定的閾值作為損傷的判定依據(jù)，因此，在實(shí)際使用過程中，需要根據(jù)監(jiān)測對(duì)象的不同設(shè)定不同的閾值，難以達(dá)到自適應(yīng)病斑識(shí)別的目的。

針對(duì)灰度病斑識(shí)別的自適應(yīng)需求，提出一種基于邊界樣本分位數(shù)的自適應(yīng)閾值確定方法，通過高斯濾波識(shí)別病斑邊界，并采用邊界樣本的50%分位數(shù)確定為病斑閾值。之后采用蒙特卡洛方法，通過隨機(jī)采樣方法估算病斑比例，以通過圖像快速識(shí)別并估算葉片中的病斑比例，實(shí)現(xiàn)精準(zhǔn)判斷病斑面積。

1 病斑識(shí)別方法

本文提出的病斑識(shí)別方法流程如圖1所示，將葡萄葉片圖像轉(zhuǎn)化為灰度圖，通過邊界識(shí)別，提取出葉片及病斑邊界樣本，基于樣本分位數(shù)提取方法，確定葉片病斑與正常組織的閾值，基于閾值判定任一組織是否為病斑，從而達(dá)到病斑識(shí)別與病斑比例計(jì)算的目的。

Step1：葉片灰度圖轉(zhuǎn)化。葉片原圖為RGB彩圖，通過灰度映射方法將彩圖映射至一維數(shù)值型像素表示的灰度圖。

Step2：葉片病斑邊界識(shí)別。采用邊界識(shí)別的方法，在灰度圖中找到病斑與正常葉片組織的過渡層，作為閾值確定的依據(jù)。

Step3：病斑閾值確定。為抑制葉片本身存在的條紋與邊界對(duì)閾值確定產(chǎn)生的干擾，采用統(tǒng)計(jì)學(xué)等方法，找到概率上最能表征葉片正常組織與病斑之間的灰度數(shù)值，作為病斑閾值。

Step4：病斑比例計(jì)算。得到病斑閾值后，對(duì)葉片所有像素點(diǎn)進(jìn)行判定，確定其是否為病斑，并基于統(tǒng)計(jì)學(xué)方法計(jì)算病斑比例，以評(píng)估植株健康狀態(tài)。

1.1 灰度圖轉(zhuǎn)化

本文通過試驗(yàn)獲取了葡萄植株中霜霉病原菌繁殖過程中不同侵染程度下的葉片圖像，但由于彩圖難以開展數(shù)字化分析，為簡化識(shí)別問題，便于開展病斑識(shí)別研究，本文將拍攝的葡萄葉片圖片轉(zhuǎn)化為灰度圖，并開展識(shí)別相關(guān)研究。

對(duì)于彩圖而言，紅綠藍(lán)是三種基本的原色，是依據(jù)人眼識(shí)別的顏色定義出的空間，可表示大部分顏色，將紅、綠、藍(lán)3個(gè)通道設(shè)置為笛卡爾坐標(biāo)系中的X、Y、Z軸，任意一個(gè)彩色點(diǎn)均可在坐標(biāo)系中表示，就得到了一種對(duì)于顏色的空間描述。

由于RGB顏色的被感知水平并不相同，在灰度轉(zhuǎn)換過程中，需要針對(duì)不同顏色給予不同的權(quán)重。對(duì)顏色的感知來源于大腦的視覺皮層和聯(lián)想?yún)^(qū)域，短（S）、中（M）和長（L）錐體三種類型的視錐體對(duì)三種不同的光譜敏感程度存在差異[10]?；谝曈X敏感理論，本文采用心理學(xué)式對(duì)彩色圖像進(jìn)行轉(zhuǎn)化，計(jì)算如式（1）所示。

[Gray=R×0.299+G×0.587+B×0.114] （1）

式中： Gray——像素點(diǎn)轉(zhuǎn)換后的灰度數(shù)值；

R——像素點(diǎn)轉(zhuǎn)換前紅色分量的數(shù)值；

G——像素點(diǎn)轉(zhuǎn)換前綠色分量的數(shù)值；

B——像素點(diǎn)轉(zhuǎn)換前藍(lán)色分量的數(shù)值。

采用該方法將葉片彩色圖的三種顏色按位分別加權(quán)，映射至灰度空間的一維數(shù)值型像素表示的灰度圖，結(jié)果如圖2所示。

1.2 基于高斯濾波的病斑邊緣識(shí)別

病斑組織與正常葉片組織在灰度圖的數(shù)值上是存在差異的，這種差異是病斑識(shí)別判定的主要依據(jù)。然而，對(duì)于不同的圖片而言，由于亮度、對(duì)比度等因素的差異，不同圖像轉(zhuǎn)化為灰度圖后數(shù)值上也存在差異，難以找到固定的閾值作為病斑判定的依據(jù)。因此，本文采用邊界識(shí)別的方法，在灰度圖中找到病斑與正常葉片組織的邊界，從病斑衍生過程來看，邊界是正常組織與病斑的過渡層，在數(shù)值上也介于兩種組織之間，可以作為閾值確定的依據(jù)。

邊緣檢測本質(zhì)上是一種濾波算法，區(qū)別在于濾波方法的選擇，邊緣檢測的基本思路一致，根據(jù)邊緣檢測對(duì)象的不同，選用與檢測目標(biāo)相契合的濾波器，以篩選相應(yīng)像素單元。基于灰度圖進(jìn)行的圖像濾波中，圖像是二維的數(shù)值型數(shù)據(jù)，對(duì)于二維函數(shù)而言，偏微分方程可以表示為

[?f（x，y）?x=limε→0f（x+ε，y）-f（x，y）ε] （2）

[?f（x，y）?y=limε→0f（x，y+ε）-f（x，y）ε] （3）

式中： [f（x，y）]——任意一點(diǎn)像素灰度值；

ε——一極小量。

基于偏微分方法可以分析，圖像梯度可以由當(dāng)前所在像素點(diǎn)對(duì)于X軸、Y軸的偏導(dǎo)數(shù)表示，梯度在圖像處理過程中可以表示像素灰度值變化的速度。對(duì)于葡萄葉片而言，監(jiān)測的是數(shù)字圖像，存在離散化、數(shù)值化的特性。因此，本文采用簡單通用的高斯濾波的方法對(duì)葡萄霜霉病圖像進(jìn)行邊緣識(shí)別，并通過非極大值抑制、邊緣連接的方法對(duì)識(shí)別結(jié)果進(jìn)行進(jìn)一步優(yōu)化，從而實(shí)現(xiàn)對(duì)病斑邊界的識(shí)別。

1.2.1 高斯濾波

高斯濾波是最流行的去噪濾波算法之一，其基本思想是根據(jù)待去噪的像素點(diǎn)及其鄰域點(diǎn)的灰度值，按照高斯式生成的參數(shù)規(guī)則進(jìn)行加權(quán)平均，以達(dá)到濾去圖像中疊加的高頻噪聲的目的[11]。二維高斯式如式（4）所示。

[G（x，y）=12πσ2e-x2+y22σ2] （4）

式中： G（x，y）——高斯函數(shù)；

σ——像素點(diǎn)的標(biāo)準(zhǔn)差。

本文采用的高斯濾波器如圖3所示，高斯濾波器在數(shù)值分布上呈金字塔結(jié)構(gòu)，其濾波器的值大小可以理解為權(quán)重，值越大對(duì)應(yīng)的像素點(diǎn)權(quán)重越大，占比也就越大。因此從高斯濾波器我們可以看出對(duì)應(yīng)當(dāng)前像素點(diǎn)的權(quán)重關(guān)系，距離越遠(yuǎn)權(quán)重越小，對(duì)灰度值的貢獻(xiàn)也就越小，相反，對(duì)濾波器設(shè)定篩選的結(jié)構(gòu)貢獻(xiàn)越大的，權(quán)重就越大。

1.2.2 非極大值抑制

通過高斯濾波器對(duì)圖像開展病斑邊緣識(shí)別，得到的結(jié)果識(shí)別出的邊緣存在粗、寬、干擾多的問題，可以通過非極大值抑制的方法進(jìn)行優(yōu)化。非極大值抑制的基本思想是通過模糊的方法尋找像素點(diǎn)的局部最大值，再將其他非最大值像素點(diǎn)置為零，從而達(dá)到銳化邊緣，降低干擾的目的。

首先，對(duì)每個(gè)點(diǎn)梯度方向進(jìn)行計(jì)算，如式（5）所示。

[Φ（x，y）=arctan?f?y?f?x] （5）

式中： Φ（x，y）——像素點(diǎn)的梯度；

f——像素點(diǎn)灰度值。

如圖4所示，[C]表示為當(dāng)前非極大值抑制的點(diǎn)，[g1～g4]為它的8連通鄰域點(diǎn)，藍(lán)線表示經(jīng)過計(jì)算得到的角度圖像[C]點(diǎn)的值，即梯度方向。首先判斷[C]的灰度與領(lǐng)域內(nèi)8個(gè)連通鄰域點(diǎn)大小灰度值的大小關(guān)系，之后判斷[C]的灰度與[dTmp1]、[dTmp2]點(diǎn)的大小關(guān)系，若[C]為最大，則判定[C]點(diǎn)為極大值點(diǎn)，置為1。最后邊緣生成的圖像為二值圖像，邊緣理想狀態(tài)下都為單像素邊緣。

1.2.3 基于雙閾值的邊緣連接

經(jīng)過高斯濾波、角度圖像的計(jì)算、非極大值抑制之后得到了具有一定辨識(shí)度的邊緣圖像，但還是可能存在許多偽邊緣，對(duì)判定造成干擾，因此本文采雙閾值法對(duì)邊緣進(jìn)行進(jìn)一步遴選?；陔p閾值法的邊緣優(yōu)化方法是選取兩個(gè)閾值，分別為低閾值點(diǎn)與高閾值點(diǎn)，在選出的邊緣像素中，若小于低閾值，則判定為假邊緣，并將像素值置為0；若大于高閾值，則判定為強(qiáng)邊緣，并將像素值置為1；介于中間的像素點(diǎn)需進(jìn)行進(jìn)一步的檢查?；陔p閾值的邊緣連接方法，把邊緣連接成輪廓，若到達(dá)輪廓的端點(diǎn)時(shí)，在斷點(diǎn)的8鄰域點(diǎn)中尋找滿足高閾值的點(diǎn)，再根據(jù)此點(diǎn)收集新的邊緣，直到整個(gè)圖像閉合[12]。

高斯濾波的病斑邊界識(shí)別結(jié)果如圖5所示。邊界識(shí)別的目的是通過識(shí)別，找到病斑與正常組織之間的邊界，而邊界正好是病斑組織與正常葉片之間的過渡，可以作為判定病斑閾值的重要參考依據(jù)。然而，從圖中的病斑可以發(fā)現(xiàn)，通過邊界識(shí)別不僅得到了病斑的邊界，也識(shí)別出了葉片的外形邊界與葉脈邊界等干擾項(xiàng)，想要確定病斑的閾值，還需要對(duì)識(shí)別的數(shù)據(jù)進(jìn)一步甄選。

1.3 基于樣本分位數(shù)的病斑灰度閾值確定

本文采用邊界識(shí)別提取出了病斑與正常組織的過渡層，但由于葉片本身存在條紋與邊界，對(duì)于病斑邊界識(shí)別而言將會(huì)產(chǎn)生干擾。經(jīng)統(tǒng)計(jì)，在邊界識(shí)別中，共有1 440×1 080個(gè)像素點(diǎn)，共識(shí)別出了34 294個(gè)像素點(diǎn)為邊界。為抑制葉片本身存在的條紋與邊界對(duì)閾值確定產(chǎn)生的干擾，采用統(tǒng)計(jì)學(xué)等方法，找到概率上最能表征葉片正常組織與病斑之間的灰度數(shù)值，作為病斑閾值。

設(shè)X1，X2，[…]，Xn是來自某總體的一個(gè)樣本，[X（1）≤X（2）≤…≤X（n）]是其次序統(tǒng)計(jì)量[13]。該樣本的p位數(shù)定義為

[mp=Xk] （6）

其中[k=[np]+1]，[np]為取整運(yùn)算。

設(shè)X1，X2，[…]，Xn是具有密度函數(shù)f（x）的總體的一個(gè)樣本，給定[p∈（0，1）]，f（x）在總體p分位數(shù)的ξp處連續(xù)，且[f（ξp）gt;0]。定義k，使[k=np+o（n）]，[o（n）]為高階無窮小；則對(duì)樣本的第k個(gè)次序統(tǒng)計(jì)量X（k）有

[n（Xk-ξp）p（1-p）/f（ξp）→LN0，1] （7）

式中： L——依分布收斂。

將識(shí)別出的34 294個(gè)邊界像素點(diǎn)進(jìn)行統(tǒng)計(jì)分析，不同邊界數(shù)值數(shù)量的統(tǒng)計(jì)關(guān)系如圖6所示。從圖6可以發(fā)現(xiàn)，邊界點(diǎn)的數(shù)值的分布呈現(xiàn)出趨近于正態(tài)分布的趨勢，大多數(shù)的邊界像素點(diǎn)灰度值集中在25～100之間，125以上占少部分。

對(duì)于葡萄葉片而言，病斑存在數(shù)量多、不規(guī)則、隨機(jī)分布的特點(diǎn)，在邊界樣本上明顯多于葉片本身存在的條紋與邊界。結(jié)合圖7的結(jié)果可視化，從原理上分析，由于邊界存在一定的寬度，因此邊界的樣本在數(shù)值上也存在一定差異，例如，靠近病斑組織的邊界灰度值上趨近于病斑，靠近于正常組織的邊界灰度數(shù)值上趨近于正常組織，從而在分布上呈現(xiàn)出正態(tài)分布的趨勢。因此，所有邊界組織中50%分位數(shù)在數(shù)據(jù)分布上靠近邊界數(shù)值與數(shù)量擬合出的統(tǒng)計(jì)正態(tài)函數(shù)的中心，同時(shí)能夠避免少量的葉片邊界與葉脈輪廓等小樣本邊界數(shù)值對(duì)閾值確定的影響。因此，本文將邊界識(shí)別提取出的大量樣本數(shù)據(jù)取50%樣本分位數(shù)，作為判定病斑與正常組織的閾值。

1.4 基于蒙特卡洛方法的病斑占比估算

基于樣本分位數(shù)確定病斑識(shí)別的閾值之后，需要基于閾值統(tǒng)計(jì)估算病斑在葉片組織中的占比，以評(píng)估植株健康狀態(tài)。本文采用蒙特卡洛方法對(duì)病斑占比進(jìn)行估算，首先基于隨機(jī)數(shù)生成的方法等概率索引葉片任一像素點(diǎn)，之后基于閾值對(duì)像素點(diǎn)是否為病斑組織進(jìn)行判定，在大量索引之后，統(tǒng)計(jì)分析病斑出現(xiàn)概率，以估計(jì)病斑占比。

蒙特卡洛方法基于統(tǒng)計(jì)學(xué)與概率論的觀點(diǎn)進(jìn)行求解近似，對(duì)于服從特定概率分布的隨機(jī)變量，生成的簡單子樣計(jì)算其算術(shù)平均值，并從概率上作為整體求解的近似值[14， 15]。設(shè)X1，X2，[…]，Xn是具有密度函數(shù)[f（x）]的一個(gè)樣本，且樣本[X1，X2，…，Xn]的期望值有限，隨機(jī)變量X的簡單子樣的算數(shù)平均值收斂到期望的概率為1，即

[P（limN→∞XN=E（X））=1] （8）

依據(jù)中心極限定理，對(duì)于任意λαgt;0都有

[p（xN-E（X）lt;λασN）≈2π0λαe12t2dt=1-α] （9）

式中： σ——隨機(jī)變量的標(biāo)準(zhǔn)差；

α——顯著水平；

λα——正態(tài)差，與置信水平α是一一對(duì)應(yīng)的。

蒙德卡羅方法對(duì)X在[0，1]s上進(jìn)行N次均勻抽樣，以N次抽樣結(jié)果的平均值作為近似值，表示為

[I=1Ni=1NF（Xi）≈I] （10）

由大數(shù)定理，當(dāng)[N→∞]時(shí)[I]以概率1收斂到I，蒙特卡洛誤差定義為

[eN=I-I] （11）

中心極限定理描述了蒙德卡羅方法的誤差的大小和統(tǒng)計(jì)性質(zhì)[16]。對(duì)任意的N，蒙特卡洛誤差可表示為

[eN=σN-1/2v] （12）

這里v是標(biāo)準(zhǔn)正態(tài)分布隨機(jī)變量，常數(shù)[σ=σ[F]]是F的根方差

[σ[F]=Ω（F（X）-I）2dX12] （13）

從式（13）中可以發(fā)現(xiàn)，方法的誤差以O(shè)（N-1/2）為階，系數(shù)是函數(shù)F的根方差，誤差的在統(tǒng)計(jì)分布層面呈現(xiàn)為正態(tài)分布。

2 數(shù)據(jù)集采集與驗(yàn)證指標(biāo)

2.1 數(shù)據(jù)采集

在本試驗(yàn)中，霜霉病菌采用自然接種法接種，接種15～17 d待病菌孢子長出后，拍攝染病葉片的照片76幅。拍攝染病葉片時(shí)，保持相機(jī)與葉片垂直，以A4紙為拍照背景，使葉片與背景貼合，減少葉片翹起而產(chǎn)生的陰影，整體葉片包含在圖像內(nèi)，保證有足夠的光照，拍照后以圖片格式保存。

本文從多個(gè)樣本中截取選取了病斑圖片共200例，同時(shí)截取正常的葉片圖片200例，對(duì)圖片打上標(biāo)簽，建立二分類的圖像識(shí)別網(wǎng)絡(luò)，如圖8所示為本文采用的部分圖片。通過試驗(yàn)，觀測霜霉病菌感染不同植株的情況，并對(duì)不同的植株進(jìn)行拍照取樣，通過圖像識(shí)別的方法監(jiān)測葉片病斑比例，從而驗(yàn)證本文病斑識(shí)別方法的有效性。本次試驗(yàn)的葡萄霜霉病圖像數(shù)據(jù)集公開在https：//github.com/GaoRui?meteorology/Images?of?grape?downy?mildew.git。

2.2 驗(yàn)證條件與指標(biāo)

本次試驗(yàn)硬件平臺(tái)采用window10操作系統(tǒng)，顯卡采用NVIDIA GeForce GTX 3090，CPU為因特爾Xeon Gold 5218。編程工具為Pycharm軟件，基于Python語言進(jìn)行編程，深度學(xué)習(xí)采用Keras架構(gòu)，并利用Cuda、Cudnn調(diào)用GPU進(jìn)行加速。

為檢驗(yàn)本文方法與對(duì)照組方法對(duì)葡萄病斑的探測精度，結(jié)合蒙德卡羅方法與人工標(biāo)定對(duì)探測精度進(jìn)行量化，具體方法有4步。Step1：通過隨機(jī)數(shù)生成的方法，在圖片上隨機(jī)選取N個(gè)像素點(diǎn)；Step2：結(jié)合人工經(jīng)驗(yàn)，對(duì)N個(gè)點(diǎn)進(jìn)行判定，確定N個(gè)點(diǎn)是否為病斑；Step3：通過本文方法與對(duì)照方法，分別得到圖像病斑與正常的位置信息；Step4：對(duì)比人工判定與識(shí)別方法對(duì)N個(gè)點(diǎn)的判定結(jié)果，計(jì)算識(shí)別精度。為了體現(xiàn)測量方法的準(zhǔn)確性，將采用相對(duì)準(zhǔn)確率（Relative Accuracy，RA）作為評(píng)價(jià)本文方法與對(duì)照方法的指標(biāo)，其計(jì)算式為

[RA=（1-CwCN）×100%] （14）

式中： [CN]——蒙德卡羅采樣的所有點(diǎn)數(shù)；

[Cw]——采樣點(diǎn)中識(shí)別錯(cuò)誤的點(diǎn)數(shù)。

RA值越大，證明方法識(shí)別精度越高，從而可量化判斷本文方法與對(duì)比方法的對(duì)病斑的識(shí)別能力。

3 試驗(yàn)結(jié)果與分析

為縱向?qū)Ρ缺疚奶岢龅幕叶乳撝荡_定方法的有效性，本文采用隨機(jī)閾值確定、中位數(shù)閾值確定、基于正常組織的閾值確定、基于病斑組織的閾值確定方法作為對(duì)照，對(duì)比不同閾值確定方法對(duì)于病斑識(shí)別精度帶來的影響，識(shí)別結(jié)果如圖9所示。

不同方法的識(shí)別精度如表1所示?？梢园l(fā)現(xiàn)，本文提出的病斑識(shí)別方法精度達(dá)到92.2%，明顯高于基于正常組織的閾值確定、基于中位數(shù)的閾值確定、基于病斑組織的閾值確定等閾值確定方法，說明采用病斑邊界樣本分為數(shù)作為病斑識(shí)別的閾值能夠自適應(yīng)提取出病斑與正常組織的差異信息，從而為病斑的判定提供依據(jù)。

為對(duì)比本文提出的病斑識(shí)別方法的效果，采用BP神經(jīng)網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)、VGG16模型、支持向量機(jī)、ResNet50模型等經(jīng)典圖像識(shí)別方法作為對(duì)照。經(jīng)典的圖像識(shí)別方法采用的是機(jī)器學(xué)習(xí)的方法，需要對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，以從樣本中學(xué)習(xí)識(shí)別病斑的經(jīng)驗(yàn)知識(shí)。利用正常圖片與病斑圖片80%樣本量的320例圖片對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，并采用其余20%的80例樣本數(shù)據(jù)對(duì)網(wǎng)絡(luò)識(shí)別能力進(jìn)行驗(yàn)證，結(jié)果如圖10所示。

不同模型的識(shí)別精度與平均耗時(shí)如表2所示?？梢园l(fā)現(xiàn)，本文提出的病斑識(shí)別方法精度達(dá)到92.2%，精度高于BP神經(jīng)網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)，但略低于VGG16模型的94.3%與ResNet50模型的96.26%，說明本文的病斑識(shí)別方法能夠達(dá)到較高的識(shí)別精度。但從平均用時(shí)指標(biāo)分析，本文方法計(jì)算時(shí)間為1.410 s，遠(yuǎn)快于其他機(jī)器學(xué)習(xí)方法，特別是具有深度網(wǎng)絡(luò)結(jié)構(gòu)的VGG16模型的與ResNet50模型，雖然識(shí)別精度高于本文方法，但是計(jì)算時(shí)間分別為15.588 s與20.317 s，遠(yuǎn)高于本文方法，原因是本文方法在計(jì)算步驟上采用簡單的灰度轉(zhuǎn)換、高斯濾波與閾值判定方法，計(jì)算量小，因此具有較快的計(jì)算速率。

4 結(jié)論

針對(duì)病斑組織圖像閾值難以確定的問題，提出一種基于邊界樣本分位數(shù)的自適應(yīng)閾值確定方法，通過高斯濾波識(shí)別病斑邊界，并采用邊界樣本的50%分位數(shù)確定為病斑閾值。之后采用蒙特卡洛方法，通過隨機(jī)采樣方法估算病斑比例。

1） 提出的病斑識(shí)別方法精度達(dá)到92.2%，明顯高于基于正常組織的閾值確定、基于中位數(shù)的閾值確定、基于病斑組織的閾值確定等閾值確定方法，說明采用病斑邊界樣本分為數(shù)作為病斑識(shí)別的閾值能夠自適應(yīng)提取出病斑與正常組織的差異信息，從而為病斑的判定提供依據(jù)。

2） 提出的病斑識(shí)別方法精度高于BP神經(jīng)網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)，但略低于VGG16模型的94.3%與ResNet50模型的96.26%，說明本文的病斑識(shí)別方法能夠達(dá)到較高的識(shí)別精度。

3） 從平均用時(shí)指標(biāo)分析，本文方法計(jì)算時(shí)間為1.410 s，遠(yuǎn)快于其他機(jī)器學(xué)習(xí)方法，特別是具有深度網(wǎng)絡(luò)結(jié)構(gòu)的VGG16模型的與ResNet50模型，雖然識(shí)別精度高于本文方法，但是計(jì)算時(shí)間分別為15.588 s與20.317 s，說明本文方法能夠在較短的運(yùn)行時(shí)間內(nèi)實(shí)現(xiàn)較高的精度。

參 考 文 獻(xiàn)

[ 1 ] 杜娟， 李金， 張濤， 等. 應(yīng)用real?time PCR定量檢測果園葡萄霜霉病菌潛伏侵染[J]. 江蘇農(nóng)業(yè)學(xué)報(bào)， 2021， 37（4）： 861-866.

Du Juan， Li Jin， Zhang Tao， et al. Quantitative detection of latent infection of grape downy mildew in field by real?time PCR [J]. Jiangsu Journal of Agricultural Sciences， 2021， 37（4）： 861-866.

[ 2 ] 楊付前， 馬靖艷. 葡萄霜霉病發(fā)生規(guī)律及防治措施[J]. 林業(yè)與生態(tài)， 2021（5）： 42.

[ 3 ] El?Helly M， El?Beltagy S， Rafea A. Image analysis based interface for diagnostic expert systems [C]. Proceedings of the Winter International Synposium on Information and Communication Technologies， Trinity College Dublin， 2004： 1-6.

[ 4 ] Sammany M， Medhat T. Dimensionality reduction using rough set approach for two neural networks?based applications [A]. Rough Sets and Intelligent Systems Paradigms [M]. Heidelberg： Springer Berlin， 2007.

[ 5 ] 張建華， 孔繁濤， 吳建寨， 等. 基于改進(jìn)VGG卷積神經(jīng)網(wǎng)絡(luò)的棉花病害識(shí)別模型[J]. 中國農(nóng)業(yè)大學(xué)學(xué)報(bào)， 2018， 23（11）： 161-171.

Zhang Jianhua， Kong Fantao， Wu Jianzhai， et al. Cotton disease identification model based on improved VGG convolution neural network [J]. Journal of China Agricultural University， 2018， 23（11）： 161-171.

[ 6 ] 楊森， 馮全， 張建華. 基于深度學(xué)習(xí)與復(fù)合字典的馬鈴薯病害識(shí)別方法[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)， 2020， 51（7）： 22-29.

Yang Sen， Feng Quan， Zhang Jianhua. Identification method for potato disease based on deep learning and composite dictionary [J]. Transactions of the Chinese Society for Agricultural Machinery， 2020， 51（7）： 22-29.

[ 7 ] Wei X K， Yang Z M， Liu Y X， et al. Railway track fastener defect detection based on image processing and deep learning techniques： A comparative study [J]. Engineering Applications of Artificial Intelligence， 2019， 80（4）： 66-80.

[ 8 ] 駱潤玫， 王衛(wèi)星. 基于卷積神經(jīng)網(wǎng)絡(luò)的植物病蟲害識(shí)別研究綜述[J]. 自動(dòng)化與信息工程， 2021， 42（5）： 1-10.

Luo Runmei， Wang Weixing. Review on plant disease and pest identification based on convolutional neural network [J]. Automation and Information Engineering， 2021， 42（5）： 1-10.

[ 9 ] 楊紅云， 肖小梅， 黃瓊， 等. 基于卷積神經(jīng)網(wǎng)絡(luò)和遷移學(xué)習(xí)的水稻害蟲識(shí)別[J]. 激光與光電子學(xué)進(jìn)展， 2022， 59（16）： 323-330.

Yang Hongyun， Xiao Xiaomei， Huang Qiong， et al. Rice pest identification based on convolutional neural network and transfer learning [J]. Laser amp; Optoelectronics Progress， 2022， 59（16）： 323-330.

[10] Wu Y， Lu Y J. An intelligent machine vision system for detecting surface defects on packing boxes based on support vector machine [J]. Measurement and Control， 2019， 52（7）： 1102-1110.

[11] 呂澤卿， 付興建. 基于改進(jìn)Canny算法的絕緣子裂縫識(shí)別[J]. 北京信息科技大學(xué)學(xué)報(bào)（自然科學(xué)）， 2020， 35（6）： 25-30.

Lü Zeqing， Fu Xingjian. Insulator crack recognition based on improved Canny algorithm [J]. Journal of Beijing Information Science amp; Technology University， 2020， 35（6）： 25-30.

[12] 袁向榮. 邊緣識(shí)別的二維正交多項(xiàng)式擬合及結(jié)構(gòu)變形檢測[J]. 圖學(xué)學(xué)報(bào)， 2014， 35（1）： 79-84.

Yuan Xiangrong. Orthogonal polynomial fitting for the edge detection and beam deformation measurement [J]. Journal of Graphics， 2014， 35（1）： 79-84.

[13] 潘晉新， 景博， 焦曉璇， 等. 多應(yīng)力耦合條件下氧氣濃縮器退化建模[J]. 北京航空航天大學(xué)學(xué)報(bào)， 2023， 49（2）： 472-481.

Pan Jinxin， Jing Bo， Jiao Xiaoxuan， et al. Degradation modeling of oxygen concentrator in multiple stress coupling [J]. Journal of Beijing University of Aeronautics and Astronautics， 2023， 49（2）： 472-481.

[14] 淮妮. 基于蒙特卡洛的輸送機(jī)電液伺服系統(tǒng)動(dòng)態(tài)特性分析[J]. 國外電子測量技術(shù)， 2021， 40（4）： 6-9.

[15] 王衛(wèi)東， 雷曉鳴， 杜香剛， 等. 基于蒙特卡洛和BIM的CRTSⅢ型板式無砟軌道鋪設(shè)工期仿真[J]. 中南大學(xué)學(xué)報(bào)（自然科學(xué)版）， 2019， 50（7）： 1655-1661.

Wang Weidong， Lei Xiaoming， Du Xianggang， et al. Period?simulation of CRTS Ⅲ slab track based on Monte Carlo simulation and BIM [J]. Journal of Central South University （Science and Technology）， 2019， 50（7）： 1655-1661.

[16] Alaya M B， Kebaier A. Central limit theorem for the multilevel Monte Carlo Euler method [J]. The Annals of Applied Probability， 2015， 25（1）： 1050-5164.