基于計(jì)算機(jī)視覺的紅棗葉片病害嚴(yán)重度估測(cè)方法

白鐵成 張任 孟洪兵* 王蘭

(1 塔里木大學(xué)信息工程學(xué)院，新疆阿拉爾 843300)

(2 塔里木大學(xué)植物科學(xué)學(xué)院，新疆阿拉爾 843300)

紅棗屬于中國(guó)的特有物種之一。新疆南部地區(qū)由于自然條件優(yōu)越，成為優(yōu)質(zhì)紅棗生產(chǎn)基地。但每年因?yàn)椴『Φ挠绊懀昃a(chǎn)量下降達(dá)30%以上，嚴(yán)重年份更是達(dá)50%以上，嚴(yán)重的影響了紅棗的產(chǎn)量和品質(zhì)［1］，而對(duì)病害嚴(yán)重度進(jìn)行準(zhǔn)確快速識(shí)別是防治的首要任務(wù)。

目前主要使用的病害識(shí)別方法主要有聲測(cè)、誘集、近紅外、人工診斷等［2］。這些方法雖然各有優(yōu)點(diǎn)，但都存在效率低、時(shí)效差的問題，使病害得不到及時(shí)有效的處理，錯(cuò)過了最佳防治時(shí)機(jī)。

計(jì)算機(jī)視覺(Computer Vision)是指由人們利用相機(jī)等圖像采集設(shè)備獲取圖像，并通過計(jì)算機(jī)實(shí)現(xiàn)對(duì)圖像的處理與識(shí)別過程。隨著圖像處理技術(shù)和模式識(shí)別技術(shù)的發(fā)展，使計(jì)算機(jī)視覺技術(shù)應(yīng)用于農(nóng)作物病害的識(shí)別取得了很大的進(jìn)步。

國(guó)外較早的開展了農(nóng)作物病害檢測(cè)和識(shí)別的研究。Keagy、Zayas、Christopher等利用計(jì)算機(jī)視覺技術(shù)實(shí)現(xiàn)了儲(chǔ)糧害蟲智能識(shí)別，識(shí)別率達(dá)到了86%以上。Watson［3］等對(duì)常見的鱗翅目昆蟲的圖像進(jìn)行識(shí)別研究，精確度到達(dá)到了83%以上。Murakami［4］等采用灰度共生矩陣等多種方法對(duì)黃瓜葉片上的薊馬進(jìn)行辨別，分類精度達(dá)到了98%以上。Shariff［5］開發(fā)了基于模糊邏輯的分類識(shí)別及蟲量計(jì)數(shù)算法。R.Pydipati［6］等利用顏色共生法提取 39 個(gè)紋理特征組成的特征集，而后基于Maha－lanobis最小距離分類器和神經(jīng)網(wǎng)絡(luò)識(shí)別器對(duì)柑橘類植物葉片進(jìn)行病害識(shí)別，識(shí)別效果較好。Anshuka S［7］等在三維顏色空間中運(yùn)用統(tǒng)計(jì)閾值的方法實(shí)現(xiàn)葡萄病害葉片圖像分割。Ydipati RP［8］等通過圖像處理和神經(jīng)網(wǎng)絡(luò)技術(shù)結(jié)合實(shí)現(xiàn)了柑橘病害的檢測(cè)。

國(guó)內(nèi)的對(duì)病害的智能識(shí)別研究起步較晚。田有文［9－10］等應(yīng)用計(jì)算機(jī)圖像處理技術(shù)和支持向量機(jī)識(shí)別方法進(jìn)行了葡萄葉部病害的識(shí)別;馬德貴［11］等利用橢圓模型來(lái)檢測(cè)水稻稻瘟病及水稻紋枯病的危害程度;毛罕平［12］等提出了一種基于模糊C均值聚類算法的作物病害圖像自適應(yīng)分割方法，對(duì)作物病害圖像的分割處理平均誤差率小于5%;陳兵旗［13］通過小波變換和紋理矩陣算法對(duì)小麥病害圖像的診斷準(zhǔn)確率達(dá)90%;關(guān)輝［14］等開發(fā)了一種能夠快速準(zhǔn)確地對(duì)黃瓜葉片病害的嚴(yán)重程度進(jìn)行分級(jí)的方法;吳迪［15］等利用光譜成像技術(shù)實(shí)現(xiàn)了茄子灰霉病的無(wú)損檢測(cè);邱道尹［16］等實(shí)現(xiàn)了大田病害系統(tǒng)的研究。但利用計(jì)算機(jī)視覺技術(shù)進(jìn)行紅棗病害進(jìn)行快速識(shí)別的報(bào)道較少。

基于以上背景，針對(duì)新疆紅棗的生態(tài)條件，結(jié)合前端采集的便攜式顯微圖像(放大100倍)，以紅棗葉片病斑嚴(yán)重度所導(dǎo)致的顏色特征差異為主要依據(jù)，提出了一種圖像處理技術(shù)和GA－BP神經(jīng)網(wǎng)絡(luò)結(jié)合的棗樹葉片病害嚴(yán)重度估測(cè)方法，為利用計(jì)算機(jī)視覺技術(shù)實(shí)現(xiàn)紅棗病害的快速檢測(cè)識(shí)別提供有益的參考，對(duì)構(gòu)建紅棗病害診斷模型庫(kù)也具有重要的指導(dǎo)意義。

1 棗樹葉片病害圖像預(yù)處理

在對(duì)棗樹葉片病害圖像進(jìn)行識(shí)別前，需要對(duì)圖像進(jìn)行各種預(yù)處理，結(jié)合紅棗葉片圖像特征提取的實(shí)際要求，對(duì)圖像進(jìn)行了灰度化、圖像增強(qiáng)、圖像分割等預(yù)處理。

1.1 圖像灰度化處理

前端便攜式顯微采集設(shè)備獲取的圖像數(shù)據(jù)量非常大，如果直接進(jìn)行識(shí)別，系統(tǒng)建模時(shí)間會(huì)大大增加，所以首先需要對(duì)紅棗葉片圖像進(jìn)行灰度化處理，較少數(shù)據(jù)量。

常用的灰度化處理的方法有3種:平均值法、最大值法和加權(quán)平均值法，通過對(duì)三種方法的實(shí)際測(cè)試分析，采用了加權(quán)平均值法。根據(jù)圖像色彩的貢獻(xiàn)度給R、G、B賦予不同的權(quán)值，并加權(quán)平均，即:

其中WR，WG，WB分別為R，G，B的權(quán)值。經(jīng)實(shí)驗(yàn)測(cè)試，當(dāng) WR=0.30，WG=0.59，WB=0.11 時(shí)能夠得到最合理的灰度圖像。

灰度化處理后效果如圖1所示。

圖1 圖像灰度化處理效果圖

1.2 圖像增強(qiáng)處理

紅棗葉片病害圖像由于采集儀器的本身誤差和人手抖動(dòng)的原因必然會(huì)造成圖像的模糊，影響模型的識(shí)別精度，所以需要對(duì)采集圖像進(jìn)行增強(qiáng)處理。為了保護(hù)圖像的邊緣和病斑信息采用中值濾波技術(shù)進(jìn)行紅棗葉片圖像的增強(qiáng)處理。

中值濾波是采用一個(gè)含有奇數(shù)個(gè)點(diǎn)的滑動(dòng)窗口，用窗口中各點(diǎn)的灰度值的中值來(lái)代替窗口中心點(diǎn)像素的灰度值。對(duì)于一個(gè)一維序列，取窗口長(zhǎng)度為m，m為奇數(shù)。對(duì)此序列進(jìn)行中值濾波，就是從輸入序列中順序取出m個(gè)元素，將這m個(gè)元素按照數(shù)值大小排列，位于正中間的那個(gè)數(shù)值作為濾波輸出。即:

式中:Med{…}表示取序列中值，v=(m－1)/2。

對(duì)二維序列{fij}進(jìn)行中值濾波時(shí)，濾波窗口也是二維的，將窗口內(nèi)按像素排序，生成單調(diào)數(shù)據(jù)序列{xij}，二維中值濾波的結(jié)果為:

利用中值濾波方法對(duì)含有噪聲的紅棗葉片進(jìn)行處理，如圖2所示。

圖2 中值濾波效果圖

1.3 圖像分割

在紅棗葉片圖像特征提取時(shí)，往往僅對(duì)紅棗葉片染病圖像部分感興趣，因此要把紅棗葉片染病區(qū)域分離、提取出來(lái)。本文選用迭代法實(shí)現(xiàn)葉片圖像的閾值分割，提取葉片的染病特征區(qū)域。迭代法是基于逼近的思想，具體算法步驟如下:

1.3.1 求圖像中最大灰度值 Zmax和最小灰度值

Zmin，令最初閾值T0滿足:

1.3.2 根據(jù)閾值Tk將圖像分割成目標(biāo)和背景兩部分，求出兩部分的平均灰度值:目標(biāo)的平均灰度值Zmb和背景的平均灰度值Zbj:

Z(i，j)－ (i，j)點(diǎn)的灰度值，N(i，j)－ (i，j)點(diǎn)的權(quán)重系數(shù)，取 N(i，j=1.0);

1.3.3 求出新的閾值;

1.3.4 如果 Tk=T(k+1)，則結(jié)束，否則k=k+1 ，轉(zhuǎn)到第(2)步。

根據(jù)上面所述的算法，閾值分割效果圖如圖3。

圖3 閾值分割效果圖

2 棗樹葉片病害圖像顏色特征提取

為了充分發(fā)掘紅棗葉片圖像顏色信息，我們定義了8個(gè)顏色特征對(duì)紅棗葉片顏色進(jìn)行定量描述，分別是:R(Red)均值、R標(biāo)準(zhǔn)差、G(Green)均值、G標(biāo)準(zhǔn)差、B(Blue)均值、B標(biāo)準(zhǔn)差、L(Lightness)亮度均值、L標(biāo)準(zhǔn)差。平均值表示平均亮度值;標(biāo)準(zhǔn)偏差表示亮度值的變化范圍。顏色特征的計(jì)算公式如下:

利用上述計(jì)算公式提取紅棗病害葉片(正常、輕微、一般、嚴(yán)重)的顏色特征。

3 識(shí)別模型的建立

傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)易出現(xiàn)網(wǎng)絡(luò)收斂速度慢和陷入局部極小的問題，所以本文中采用遺傳算法(GA)對(duì)BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值進(jìn)行了優(yōu)化。

種群初始化利用MATLAB工具箱中的initializega()函數(shù)來(lái)實(shí)現(xiàn)，調(diào)用格式為:pop=initializega(populationSize，variableBounds，evalFN，evalops，options)。

初始種群產(chǎn)生后，利用ga()函數(shù)實(shí)現(xiàn)遺傳算法的優(yōu)化過程，包括選擇、交叉、變異等。調(diào)用格式為:

［x，endPop，bPop，traceInfo］=ga(bounds，evalFN，evalops，startPop，opts，termFN，termops，selectFN，selectops，xOverOps，mutFNS，mutOps)。

對(duì)輸入自變量進(jìn)行優(yōu)化篩選時(shí)，對(duì)應(yīng)的適應(yīng)度子函數(shù)和編碼子函數(shù)分別為fitness.m、de_code.m，對(duì)BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值進(jìn)行優(yōu)化時(shí)對(duì)應(yīng)的適應(yīng)度子函數(shù)和編碼子函數(shù)為gabpEval.m和gadecod.m。

GA－BP神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)的輸入端節(jié)點(diǎn)數(shù)為8，輸出層為4。隱含層的神經(jīng)元傳遞函數(shù)選用tansig，輸出層的神經(jīng)元傳遞函數(shù)選用purelin，隱層設(shè)定為17個(gè)神經(jīng)元。

4 實(shí)驗(yàn)結(jié)果

本研究對(duì)正常和輕微、一般、嚴(yán)重感染病害的紅棗葉片共500張數(shù)字圖像分別提取了8個(gè)顏色特征參數(shù)值，其中400張作為訓(xùn)練樣本用來(lái)訓(xùn)練神經(jīng)網(wǎng)絡(luò)，另外100張作為測(cè)試樣本用來(lái)測(cè)試網(wǎng)絡(luò)性能，均方誤差小于0.01時(shí)停止訓(xùn)練。訓(xùn)練收斂時(shí)的誤差曲線圖如圖4所示。

圖4 訓(xùn)練收斂時(shí)的誤差曲線

實(shí)驗(yàn)選取采集的紅棗病害顯微圖像進(jìn)行建模，在MATLAB實(shí)際測(cè)試結(jié)果如圖5所示。

圖5 模型實(shí)際測(cè)試結(jié)果

從實(shí)際測(cè)試結(jié)果可以看出，正常和嚴(yán)重感染病害的葉片顏色特征明顯，識(shí)別精度較高，達(dá)到94%以上;輕微病害由于顏色界定不明顯，所以識(shí)別精度較低，確診率為75%;一般病害顏色特征較明顯，確診率為85%。

5 結(jié)論與展望

該研究從紅棗葉片病斑的顏色特征入手，通過計(jì)算機(jī)視覺技術(shù)實(shí)現(xiàn)了紅棗葉片病害嚴(yán)重度的快速識(shí)別，模型的平均識(shí)別精度為87.93%，可以滿足實(shí)際生產(chǎn)需求。但研究中只利用最主要的顏色特征進(jìn)行建模識(shí)別，并未考慮葉片病斑的其他圖像特征，如病斑的幾何特征和紋理特征，如能把病斑的面積、形狀參數(shù)以及紋理特征加入到模型的輸入?yún)?shù)中，可望獲得更高的識(shí)別精度。

［1］鄒修國(guó).基于計(jì)算機(jī)視覺的農(nóng)作物病害識(shí)別研究現(xiàn)狀［J］.計(jì)算機(jī)系統(tǒng)應(yīng)用，2011(6):238 －242.

［2］舒繼平，陳恢彪.干旱地區(qū)紅棗直播建園栽培技術(shù)［J］.塔里木大學(xué)學(xué)報(bào)，2009(2):124 －126.

［3］Watson AT，O’Neill MA.Kitching U.Automated identification of live moths(Macrolepidoptera)using digital automated identification system(daisy)［J］.Systematics and Biodiversity，2004(3):287 －300.

［4］Murakami S，Homma K，Koikc T.Detection of small pests on vegetable leaves using GLCM［J］.2005 ASAE Annual International Meeting，Tampa，F(xiàn)lodda，USA，2005.9:15 －18.

［5］Shariff ARM，Aik YY，Hong WT.Automated identification and counting of pests in the paddy fields using image analysis［J］.Proc.of the 4th World Congress on Computers in Agriculture，Orlando Florida，USA.2006:759 －764.

［6］R.Pydipati，T.F.Burks，W.S.Lee.Statistical and neural network classifiers for citrus disease detection using machine vision［J］.Transactions of ASAE，2005(5):2007 －2014.

［7］Anshuka S，Ma Shugen，Kousuke I.Development of a sensor for automatic detection of downey mildew disease［A］.Proceedings of the 2004 International Conference on Intelligent Mechatronics and utomation［C］.Chengdu，China，2004:562 －567.

［8］Ydipati RP，Burks T F，Lee W S.Statistical and neural network classifiers for citrus disease detection using ma-chine vision ［J］.Transactions of the ASAE，2005(5):2 007－2 014.

［9］趙聰慧，張淑娟.作物病害的計(jì)算機(jī)視覺和光譜檢測(cè)技術(shù)研究進(jìn)展［J］.農(nóng)機(jī)化研究，2009(11):230－234.

［10］田有文，李天來(lái)，李成華等.基于支持向量機(jī)的葡萄病害圖像識(shí)別方法［J］.農(nóng)業(yè)工程學(xué)報(bào)，2007(6):175－179.

［11］馬德貴，邵陸壽，葛婧等.水稻稻瘟病及水稻紋枯病病害程度圖像檢測(cè)［J］.農(nóng)業(yè)工程科學(xué)，2008(24):485－489.

［12］毛罕平，張艷誠(chéng)，胡波.基于模糊C均值聚類的作物病害葉片圖像分割方法研究［J］.農(nóng)業(yè)工程學(xué)報(bào)，2008(9):136－140.

［13］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(jī)械學(xué)報(bào)，2009(12):190－195.

［14］關(guān)輝，張長(zhǎng)利，張春媛.基于圖像處理的黃瓜葉片病斑分級(jí)方法的研究［J］.農(nóng)機(jī)化研究，2010(3):94－97.

［15］吳迪，朱登勝，何勇等.基于地面多光譜成像技術(shù)的茄子灰霉病無(wú)損檢測(cè)研究［J］.光譜學(xué)與光譜分析，2008(7):1496－1500.

［16］邱道尹，張紅濤，劉新宇，等.基于機(jī)器視覺的大田害蟲檢測(cè)系統(tǒng)［J］.農(nóng)業(yè)機(jī)械學(xué)報(bào)，2007(1):120－122.