基于圖像處理技術的黃瓜葉片病害識別診斷系統研究

王樹文，張長利

（東北農業大學工程學院，哈爾濱 150030）

黃瓜是重要的蔬菜作物，黃瓜的病害問題已成為全國乃至世界范圍內，困擾著黃瓜生產的關鍵性問題之一[1-4]。在不同品種、區域、氣候條件、耕作方法及栽培技術條件下，發生的病害種類和危害程度不同。然而，由于植物的生長環境等日趨惡化，黃瓜病蟲害不斷加重，植物病害的病原菌數目眾多，引起癥狀呈現多樣性、復雜性，且長期在對癥狀描述上一直沒有采用精確、定量的方法，造成了植物病害診斷標準的模糊，妨礙了農業生產者對植物病害進行正確有效的判斷，導致盲目大量施用農藥，造成農產品污染、土壤污染、水體污染等嚴重后果[5]。

本文以圖像處理技術為主要手段，采用VC++6.0作為開發工具，建立了黃瓜病害的染病程度的分級和識別診斷系統。該系統能夠縮短病害識別的周期、降低由于主觀因素產生的誤差、提高判別的精度并為防治措施提供依據。

1 樣本圖像的采集

利用圖像采集系統，選擇光照強度適中的時間進行拍攝，從發病初期開始直至病情發展到非常嚴重的時期，平均每隔2d采集1次病葉圖像（見圖1）。

2 圖像預處理方法的研究

2.1 圖像增強

本文采用VC++6.0開發了優化的銳化濾波算法實現圖像的增強[6-7]，圖像銳化是使在圖像傳輸和變換過程中模糊的邊緣圖像和輪廓圖像變得清晰，使其細節變得更加明顯，增強后的效果如圖2所示，本文以黃瓜霜霉病圖片為例。

圖1 黃瓜病害樣本圖像Fig.1 Sample cucumber disease images

圖2 增強圖像Fig.2 Images after enhance transform

2.2 背景分割

本文比較分析三種最常用的圖像分割法：動態閾值分割法、Otsu法和分水嶺法。分割效果如圖3所示[8-10]。比較結果表明本文選取采用VC++6.0軟件開發的分水嶺法，它的精度高、噪聲干擾小，抗干擾能力強，能夠更好的實現分割的目的。

圖3 霜霉病分割效果圖Fig.3 Segmentation result of downy mildew spot

2.3 圖像去噪

本文是通過一個3×3大小的圓形結構元素，先利用閉合運算平滑邊界并填充病斑內部的缺口，再將病斑的分離部分連接在一起，然后再進行開啟運算以消除病斑周圍的噪聲，進一步獲得病斑區域。

此時將數學形態學濾波后的病斑區域圖像與原彩色圖像做乘法便得到霜霉病的病斑圖，如圖4所示。

圖4 霜霉病病斑Fig.4 Disease spot of downy mildew

3 病斑特征的提取

3.1 病斑的顏色特征提取

本文選擇了HSV顏色模型進行病斑顏色的描述，并采用一定的量化方式將顏色特征以向量的形式進行表達，將分別從H、S、V三個分量的均值、偏差、三階矩這三方面對顏色特征進行表示。部分樣本的顏色特征如表1所示。

表1 病斑的顏色特征Table 1 Color feature of disease spot

3.2 病斑的紋理特征提取

從灰度-梯度共生矩陣中可以提取出多個統計特征參數，如梯度均方差、灰度熵、慣性等，但在實驗中研究得出能量、相關性、同次性和差異性是最有效的特征，所以將從這四個參數的均值和偏差兩方面進行提取，部分樣本的紋理特征如表2所示。

3.3 病斑的形狀特征提取

形狀特征可以看作是比顏色、紋理要高一些的特征，它的表達比顏色和紋理的表達從本質上要復雜得多。部分樣本形狀特征參數如表3所示。

表2 病斑紋理特征數據Table 2 Texture feature of disease spot

表3 病斑形狀特征Table 3 Shape feature of disease spot

4 病害圖像的識別與分類

利用該黃瓜葉部病害識別的BP神經網絡模型分別對病害樣本圖像進行識別測試。為使樣本圖像既全面又有代表性，在專家的建議和幫助下在試驗田采集了大量的病害圖像作為樣本，并選擇霜霉病、白粉病、病毒病和無病害圖像共320幅進行測試，結果如表4所示。

表4 病害識別結果Table 4 Results of disease identification

從表4中可以看出，本文設計的黃瓜病害識別系統的平均準確率為95.31%，本系統的識別精度較好，可以用于實際生產中的病害識別。

5 結 論

a.病斑癥狀在YUV顏色模型下較為明顯，同時還能減輕葉脈對于后續圖像分割的干擾。在比較幾種分割算法后發現分水嶺法分割效果最好，相比于動態閾值法和Otsu法，分水嶺法更適應光照不均、突發噪聲以及病斑邊緣不明顯等情況，因而能夠準確地分割出病斑。

b.分別提取均值、偏差、三階矩、能量、相關性、同次性、平均橢長短軸比、緊實度均值、平均內外徑比、畸形度均值、圓形度均值等22個特征參數，從而對病斑進行較全面的描述。

c.建立隱層神經元個數可變的三層BP神經網絡，通過誤差對比確定最佳隱含層神經元個數。對480幅黃瓜病害圖像進行識別訓練，并對另320幅樣本進行測試，發現系統對于中度病害的識別準確率較高，平均識別率為95.31%，可以滿足識別需求。

d.本系統能實現快速、無損、全自動的特征信息檢測，為農業專家研究黃瓜及其他作物提供先進的技術指導和高精度的數據支持。

[1]張鵬,秦智偉,王麗莉,等.黃瓜果實彎曲性遺傳分析[J].東北農業大學學報,2010,41(1):29-33.

[2]趙聰慧,張靜,王雙喜.黃瓜霜霉病圖像預處理方法研究[J].農機化研究,2010(1):60-63.

[3]曲麗,秦智偉.黃瓜白粉病病原菌及抗病性研究進展[J].東北農業大學學報,2007,38(6):835-841.

[4]周鳳珍,王永健.黃瓜白粉病抗病鑒定方法的研究[J].蔬菜,1987(1):10-11.

[5]吳金鳳.黃瓜連作栽培常見病蟲害防治技術[J].現代農業科技,2008(10):55-58.

[6]劉晨,侯德文.基于多小波變換與圖像融合的圖像增強方法[J].信息技術與信息化,2009(5):101-104.

[7]王樹文,張長利,房俊龍.應用計算機視覺對番茄損傷分類的研究[J].東北農業大學學報,2006,37(2):215-218.

[8]李崢嶸,劉曉平,李自元.圖像分割多閾值法研究[J].CT理論與應用研究,2006(4):50-53.

[9]趙丹婷,柴玉華,張長利.基于圖像處理技術的大豆灰斑病的檢測技術研究[J].東北農業大學學報,2010,41(4):119-123.

[10]李明,張長利,王曉楠.基于圖像處理技術的小麥形態檢測方法研究[J].東北農業大學學報,2009,40(3):111-115.