基于圖像處理的農作物病害識別研究現狀

李 旺，唐少先

(湖南農業大學 信息科學技術學院，湖南 長沙 410128)

農業是我國經濟發展的基石。隨著生活水平的提高，人們對日常農作物的品質要求也越來越高，農作物病害是限制農民生產的重要因素，由于病害損失巨大，直接影響農作物市場銷量。

目前在實際生產中，農民主要依靠自身經驗，憑感覺地對作物病害進行診斷。雖然這也取得了一定的效果，但農民畢竟不是專家，并且識別能力有限，往往在作物的病害程度比較重時肉眼才能識別，這樣就不能做到“對癥下藥”和及時防治。如此依靠人的視覺系統再憑豐富的經驗（主觀、局限、模糊），不足以說明識別病害的科學性。傳統的病害檢測方法不僅費時費力，還嚴重影響病害預報準確率。

隨著計算機圖像處理和識別技術的發展，給作物的病害準確識別帶來了可能。及時、快速的發現并識別農作物病害，為及時正確采取相應措施防治病害，減少病害帶來的損失具有重要意義。為此，論述了圖像處理在農作物病害識別中的國內外研究現狀。

1 基于圖像處理的農作物病害識別概述

農作物得病后，其新陳代謝會發生一定的改變，這種改變可以引起植物細胞和植物外部形態的改變，絕大多數會在葉子上表現出來，使葉子的顏色、形狀、紋理發生變化。由于其致病的病原物的不同，形成了對植物的主要危害部位的不相同。因此，這就為我們采用圖像處理和模式識別技術，通過農作物的病葉來判斷農作物的染病情況提供了可能。

圖像識別系統可以分為三個主要部分，其框圖如圖1所示。第一部分是病害圖像信息的獲取，第二部分是信息的加工與處理，第三部分是判決與分類。

圖1 圖像識別系統框圖

圖像信息的獲取：利用各種輸入設備將要識別對象的信息輸入計算機，通過測量、采樣和量化，可以用矩陣或者向量來表示待識別對象的信息；預處理：應用圖像平滑、增強、變換和濾波等技術對圖像進行處理，去除噪聲，加強有用的信息；特征提取與選擇：為了有效地實現分類識別，得到最能反映分類本質的特征；判決與分類：用一定數量的樣本確定出一套分類判別規則，按已確定的分類判別規則對待識別模式進行分類判別。

2 研究現狀

20世紀50年代出現的數字圖像處理技術在60年代初期便成為一門正式的學科。近20多年來，隨著數字圖像處理技術的專業化、各種模式識別技術的日趨成熟，數字圖像處理技術在農作物缺素識別診斷、種子質量檢驗、農產品品質檢測與分級等方面得到了廣泛研究，并且在農業領域顯示出巨大的應用潛力。但是圖像識別在作物病蟲害方面的研究起步相對較晚，文獻較少。

2.1 國外研究現狀

國外對農作物病害的圖像識別研究起于20世紀80年代。

安岡善文等（1985）對作物葉片受有害氣體污染后的紅外圖像進行了研究，葉子的紅外圖像清晰顯示了被污染的區域，并提出可通過病葉來診斷植物病害。

穗波信雄等（1989）利用分別對缺乏鈣、鐵、鎂營養元素的茨菇葉片進行了一些基礎研究，他們利用直方圖分析了顏色特征，利用RGB顏色直方圖波峰分布位置，來提取葉片的顏色特征，又用闡值法分割出葉片上病態部分和正常部分，并計算出兩者的面積比作為特征。他們提取的特征不明顯，較難區分開缺素病。

Yuataka SASAKI（1999）研究了黃瓜炭疽病的自動識別技術。根據不同的分光反射特性和光學濾波對病害識別的影響，采用遺傳算法，從分光反射特性和形狀特性的角度建立了識別參數，對病害進行了識別。由于他們未充分利用病害的顏色及紋理信息，因此識別精度不高。

LuigiBodria等（2002）對不同真菌感染的小麥進行了多光譜圖像識別，研究使用200W的疝氣燈作為光源，并配備了一個低通濾光裝置，使光源的輻射波長在360nm~430nm之間，相機分別用690nm的單一波段和4個多光譜波段(450nm，550nm，690nm，740nm)采集圖像。研究分別在實驗室和田間進行，可以在病害的前2-3天通過肉眼識別出病害。

Mohammed E1-Helly等（2004）開發了綜合圖像處理系統自動檢測葉片病斑來識別病害類型，此系統利用人工神經網絡作為分類器，能較好的識別黃瓜白粉病、霜霉病和受潛葉蟲危害的葉片。

Mohammad Sammany（2007）等利用遺傳算法優化神經網絡的結構和參數來識別植物病害圖像；同時把支持向量機和神經網絡兩種方法應用于識別植物病害。后來，他們利用粗糙集來減少神經網絡分類器的輸入特征向量，以此提高分類效率。

Tellaeche等 （2008）根據場景的透視幾何原理，利用Hough變換，gabor濾波方法就可以探測出農作物的排列，加之相應的區域標記法、貝葉斯等識別算法就可以識別出行之間的雜草，解決了不同透視角度與不同空間頻率下的雜草識別。

2.2 國內研究現狀

國內在這方面起步較晚，但是有一些高校或者科研院所一直在開展農作物病害圖像識別技術的研究。

陳佳娟等（2001）采用計算機視覺技術，根據棉花葉片的孔洞及葉片邊緣的殘缺，來測定棉花蟲害的受害程度。該方法應用局部門限法完成圖像與背景的分割；用高斯拉普拉斯算子，進行棉花圖像的邊緣檢測；利用邊緣跟蹤算法確定棉葉中的孔洞；利用膨脹算法確定葉片邊緣的殘缺。實驗結果表明，該方法可有效的測定棉花蟲害的受害程度，其測定誤差小于0.05。

張長利等(2001)利用遺傳算法訓練的多層前饋神經網絡實現番茄成熟度的自動判別的研究。對50個不同成熟度的番茄樣本進行檢測，結果表明，遺傳算法與人工神經網絡相結合，在農產品品質自動檢測中具有巨大的潛力和廣闊的應用。

徐貴力，毛罕平等（2003）針對無土栽培番茄缺乏營養元素智能識別研究中，如何提取缺素葉片紋理特征問題，提出了差分百分率直方圖法。特征有效性不受葉片大小、形狀差異和葉片圖像中葉片周邊白色背景的影響，實驗驗證該方法能較好地提取出缺素葉片紋理特征。最后利用K一近鄰模式識別法進行模式識別，識別的準確率在80%以上。

程鵬飛(2005)選取合適的色度學系統，從顏色和紋理兩方面人為地選擇合適的特征參數，利用模糊K一近鄰法建立分類器對植株葉片進行模式識別。但人為地選擇特征參數，影響識別準確度度，可以利用一些優化算法來對特征參數進行優化選擇。

田有文，牛妍（2009）探討了采用支持向量機（SVM）對黃瓜病害進行分類的方法；提取了病斑的形狀、顏色、質地、發病時期等特征作為特征向量，利用支持向量機分類器，選取4種常見核函數，以Matlab7.0為平臺對10類常見病害進行識別。結果表明，SVM方法在處理小樣本問題中具有良好的分類效果，線性核函數和徑向基核函數的SVM分類方法在黃瓜病害的識別方面優于其他類型核函數的SVM。

劉鵬（2011）以次郎甜柿為研究對象，應用快速獨立分量方法對病害圖像進行處理，去除病害圖像中的隨機噪聲。提取病害甜柿表面圖像的紋理特征參數和顏色特征參數后采用支持向量機（SVM）識別甜柿表面病害。研究表明快速獨立分量方(FASTICA)法可以很好地擴展病害區域邊緣。采用圖像紋理特征參數和顏色特征參數結合構建支持向量時，識別準確率和速度都高于只用單一特征參數的情況。在選擇圖像紋理特征參數和顏色特征參數結合作為支持向量的基礎上，對結構參數進行優化選擇。結果表明：SVM核函數為Sigmoid對果體表面病害的識別效果較好。

可以看出，近些年來，國內外專家學者對農作物病害識別檢測進行了廣泛的研究，通過對農作物病害圖像的預處理，提取病害特征參數，使用不同的分類器達到智能識別的目的。

3 結語

（1）有待于提高病害識別精度。目前圖像識別的方法大致有5類：統計識別、結構識別、模糊識別、神經網絡識別和支持向量機識別，各種方法有自身的特點，沒有哪一種方法在各種農作物病害識別中通用，針對不同作物采取相應的識別算法才能提高識別率。改進圖像識別率的相關算法也是今后的研究重點。

（2）有待于多部位提取特征參數。由于一種農作物病害的癥狀不只是病葉顏色、紋理、形狀特征等外部特征，不僅要綜合利用病葉顏色、形狀、紋理等特征參數進行多變量特征參數提取的同時，也要考慮農作物根、莖、花果等所表現的癥狀信息，忽略了這些信息在一定程度上影響了識別的精度。因此，建議以后應將葉、根、莖、花果病癥特征進行信息融合，從不同部位提取特征參數，進一步提高系統的識別精度。

（3）有待于推廣到實際生產中。目前國內外利用計算機圖像處理技術進行蔬菜病害識別的研究大多都停留在對其算法的可行性探究上還停留在實驗室階段，并未推廣到實際生產過程中。

（4）有待于實現動態識別病害。農作物病害的種類繁多、癥狀具有多樣性，這些特點給病害的模式識別造成了較大困難，目前大多數識別系統都是離線的、靜態的條件下分析識別，如何對田間農作物病害實時地、在線地動態識別，以便及時采取防治措施，還有待于進一步研究。

[1]安岡善文.圖像處理技術在環境中的應用.電氣學會雜志特集.1985:455~458.

[2]穗波信雄.根據圖像提取植物的生長信息.農業機械學會關西支部第6次支部研究資料.1989,10:1~2.

[3]Yutaka SASAKI,Tsuguo Okamoto.Automatic Diagnosis of Plant Disease recognition Between Healthy and Healthy and Diseased Leaf.Journal of JSAM.1999,61(2)119~126.

[4]LuigiBordria.Marco Fiala,Roberto Oberti,Ezio Naldi.Chlorophyll fluorescence sensing for early detection of crop's disease symp toms ASAE Meeting Preseniation(Ppaer No.021114),002.

[5]E1-Helly M.,El-Beltagy S.,and Rafea A..Image analysis based interface for diagnostic expert systems[A].Proceedings of the Win ter international synposium on information and Communication Technologies[C].Trinity College Dublin,2004,1~6.

[6]Sammany,M.,T.Medhat:Dimensionality Reduction Using Rough Set Approach for Two Neural Networks-Based Applications[A].Rough Sets and Intelligent Systems Paradigms[C].Heidelberg:Springer Berlin,2007,639~647.

[7]Tellaeche A,Burgos-Artizzu X P, Pajaresa G,Ribeiro A.A vi sion-based method for weeds identification through the Bayesian decision theory[J].Pattern Recognition 2008(41):521~530.

[8]陳佳娟,趙學篤.采用計算機視覺進行棉花蟲害程度的自動測定[J].農業工程學報.2001,l7(2):157~160.

[9]張長利,房俊龍.用遺傳算法訓練的多層前饋神經網絡對番茄成熟度進行自動檢測的研究[J].農業工程學報.2001,17(3):153~156.

[10]徐貴力,毛罕平等.差分百分率直方圖法提取缺素葉片紋理特征.農業機械學報[J].2003,34(2):76~79.

[11]程鵬飛.植物病害的圖像處理及特征值提取方法的研究[D].山西:山西農業大學.2005.

[12]田有文,牛妍.支持向量機在黃瓜病害識別中的應用研究.農機化研究[J]..2009,(3):36~39.