基于環境信息和顏色特征的作物葉片病害等級識別算法

謝澤奇　忽曉偉　張會敏

摘要：為了根據作物不同病害程度等級采取不同防治方法，實現作物高產和減少環境污染，提出了一種復雜背景下的作物葉片病害等級分類算法。首先，利用閾值分割法對黃瓜病害葉片圖像進行病斑分割；其次，計算病斑區域中像素個數與病葉區域中像素個數的比值；最后用作物病害等級分級標準進行比較來確定病害等級類別。利用該方法在2種作物5種常見病害葉片圖像數據庫上進行了病害等級分類試驗，識別精度高達 92.7%。結果表明，該方法對作物病害葉片等級分類是有效可行的。

關鍵詞：顏色特征；環境信息；作物葉片；病斑分割；等級分類

中圖分類號： TP391.41 文獻標志碼： A 文章編號：1002-1302（2016）07-0428-03

我國是一個農業大國，農業在國民經濟中占據著重要的地位，對我國的經濟高速發展有著極其重要的意義[1]。但農作物的種植過程經常出現各種各樣的病蟲害，這些都會對農作物產出巨大影響。為了減少病害影響，噴灑農藥是病害防治中最快速、最有效的方法，不過在噴灑農藥時經常忽視了農作物病害的差異性，即病害的嚴重度，都采用相同的藥劑，不僅造成農藥的浪費、農產品藥劑殘留量較大，而且對環境有嚴重的危害。為了達到合理地、有效地噴灑農藥來減少不同程度農作物病害，核心技術是如何能及時、快速地獲得植物葉片病害程度[2-3]。傳統的病害檢測是農業生產者和植保專家通過以往經驗進行肉眼判斷，這種方法無論是在試驗大棚還是田間調查，不反勞動強度大，并且由于人為主觀因素的影響，有很大的不確定性。

目前，農作物葉片病害等級的自動識別主要是基于計算機圖像處理和模式識別技術，以農作物葉片的顏色特征作為檢測、分割、識別的主要研究對象[4]。主要實現方法有：光譜特征分析法、紋理特征分析法、形狀特征分析法等。近年來，隨著相關領域科技水平的不斷提高，病害等級的測試技術正由傳統的實驗室常規測試向田間直接無損測試方向發展，同時測試水平正由定性或半定量的手工測試向精確定量的智能化方向發展[5]。目前，針對作物病害的智能化無損測試技術已成為國內外研究的熱點。其中較成熟的技術方法主要有遙感技術和專家系統。

鑒于此，研究一種復雜背景下的農作物葉片病害程度識別系統來對農作物葉片病害等級自動識別分類，利用計算機圖像處理技術為農作物葉片病害進行病害等級自動識別提出了一個全新的思路。本研究基于計算機圖像處理技術，在養料充足、農作物供水基礎之上，實現一種復雜背景下的農作物葉片病害程度等級自動分類系統。

1 材料與方法

1.1 病害葉片圖像的獲取

本研究所使用的病害樣本圖像均是在陜西楊凌農業示范區科學園中自然光照的非強光條件下利用佳能A640相機采集得到的作物病害葉片圖像，主要采集玉米和黃瓜2種作物的多種病害圖像，其中玉米選取最常見的銹病、褐斑病、彎孢菌葉斑病、小斑病和大斑病5類病害，黃瓜主要選取最常見的細菌性角斑病、黃瓜炭疽病、黃瓜霜霉病、白粉病和白粉虱病5類病害。作物病害葉片分片從不同病害等級程度分別采集，對每種病害的葉片采取每天拍攝1次葉片圖像，分別記錄下采集時間、溫度、濕度等環境信息。拍攝病害葉片圖像方式一致，保證每張病害葉片圖像都是在同一條件下采集的。主要針對于玉米和黃瓜2種作物的5種病害葉片在不同時期分別采集圖像各150幅，每種病害30幅，每種病害程度（分為輕微程度、中等程度和嚴重程度3種等級）各10幅圖像。

1.2 病害葉片圖像的預處理

圖像分割是指把圖像分割成各具特性的區域并提取出感興趣目標的技術和過程[6]。目前，圖像分割算法較多，典型算法有閾值法、區域分割法、邊緣檢測分割法等，但所有的圖像分割算法都是利用圖像中像素點的相似性和不連續性，如區域分割法是通過計算區域性灰度相似性來實現；邊緣檢測分割法是計算圖像中各區域間的灰度不連續性來實現[7-8]。本研究主要采用閾值法進行圖像分割，該方法采用區域分割技術，利用圖像中病斑圖像和葉片背景在灰度上的差異性來實現，通過選擇有效閾值T，然后將圖像中的每個像素點的特征值與閾值T進行比較，來判斷該像素點是屬于目標區域還是背景區域，以此來產生二值圖像。

用閾值分割法來進行病斑分離，那么閾值的選取就至關重要[9]。本算法中閾值是根據作物病害葉片的直方圖來確定的[10]。根據試驗結果統計分析可以看出，葉片圖像的灰度級直方圖中包含3個峰值和2個谷值，因此，可以取低谷處的灰度值作為閾值就可以分割出病葉及病斑，利用此算法就可以將閾值化后的圖像變成二值化圖像[11]。

當閾值取T1>T時，可以分離出病葉；當閾值取T2

1.3 復雜背景下的作物病害程度識別算法

本研究中采用計算病斑像素個數與整個葉片像素數的比值，即通過利用病斑區域中的像素個數與病葉區域中像素個數比值K來表示作物病害程度等級[12-13]。A表示整個作物葉片的總面積，A1為病斑像素點的面積，N1為病葉區域中像素個數，N為病斑區域中的像素個數。根據K值結合表1來確定病斑等級。表1是根據試驗測試結合人眼觀測，對各種病害程度病斑等級進行統計，總結出作物病害程度等級標準。

2 結果與分析

為了驗證本研究算法的可行性，分別采集黃瓜和玉米2種作物進行測試，其中玉米選取最常見的銹病、褐斑病、彎孢菌葉斑病、小斑病和大斑病5類病害，黃瓜選取最常見的細菌性角斑病、黃瓜炭疽病、黃瓜霜霉病、白粉病和白粉虱病5類病害。黃瓜和玉米共采集病害葉片300幅，其中150幅用于訓練集，150幅用于測試集。圖1給出了病害葉片圖像的部分樣本。試驗平臺是Windows XP系統中利用Matlab 75.0軟件中包含的圖像處理工具箱作為試驗中的圖像處理和算法分析，計算上述特征數據，利用統計分析軟件SAS 9.2進行數據分析。試驗分為病斑分割和病害等級分類2步。

2.1 病斑分割

采用閾值分割法對作物病斑葉片進行病害分割，從中定位并提取出待識別的病斑部位，為后面確定病害等級做好準備。圖2給出了部分作物病害葉片病斑分割的結果。其中，左圖為病害葉片原始圖像，右邊二值圖像為對應的分割結果。采用閾值分割法進行分割過程中得到的二值化圖像的熵值、自動閾值和分割時間如表2所示。

從圖2可以看出，采用閾值分割法可以有效地分割出作物葉片和病斑，效果較好，便于進行后面的病害等級分類。從表2的2種作物選擇的3種病害進行分割得到的參數中可以看出，閾值分割法處理時間均小于2 s，基本能滿足實時處理要求。

2.2 病害等級分類

根據作業葉片病斑的分割結果，分別計算整個作物葉片的像素數和病斑像素數，根據公式（2）計算出作物病害程度等級系數K，然后根據系數K結合表1來確定作物病害程度等級，再結合作物專家系統來確定病害程度等級分類是否準確。本研究采集2種作物各5種病害的葉片共300幅，其中黃瓜和玉米各150幅，每種病害葉片30幅，其中，每種病害還分為3類等級，即每種作物每種病害每種病害等級采集葉片各10幅，其中5幅用于測試集，另外5幅用于訓練集。表3給出了2種作物5種病害等級分類結果。

從表3可以看出，中等病害的識別率較低，僅有86%，結合試驗結果分析可知，中等病害識別率較低的原因是某些作物葉片病害程度差距極小，識別錯誤的7幅圖像中有4幅被識別為嚴重病害，3幅被識別為輕微病害；而輕微病害和嚴重病害的識別率較高，總識別率為92.7%。由此可見，本研究算法在作物病害葉片等級分類中具有較高的應用價值。

3 結論

本研究采用高分辨率的專業數碼相機佳能A640在不同生長周期有效地獲取農作物（以黃瓜、玉米為例）不同病害期時病害葉片的顏色及形態信息，客觀地對病害等級進行量化，根據采集的農作物葉片劃分為4個等級（正常無病害、輕微病害、中等病害、嚴重病害），從而為有效地指導病害防治并能夠精確地控制農藥量提供技術支撐，既能有效防治病害，又盡可能地減少農產品藥物殘留量以及引起的空氣污染，對現階段的農作物病害防治和食品安全等領域具有較大的應用價值。

參考文獻：

[1]張 芳，王 璐，付立思，等. 復雜背景下黃瓜病害葉片的分割方法研究[J]. 浙江農業學報，2014，26（5）：1346-1355.

[2]謝澤奇，張會敏，張善文，等. 基于顏色特征和屬性約簡的黃瓜病害識別方法[J]. 江蘇農業學報，2015，31（3）：526-530.

[3]毛罕平，張艷誠，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]. 農業工程學報，2008，24（9）：136-140.

[4]張會敏，張云龍，張善文，等. 基于區分矩陣的屬性約簡算法的作物病害識別方法[J]. 江蘇農業科學，2015，43（1）：387-389.

[5]刁智華，趙春江，吳 剛，等. 數學形態學在作物病害圖像處理中的應用研究[J]. 中國圖象圖形學報，2010，15（2）：194-199.

[6]Revathi P，Revathi R. Knowledge discovery in diagnose of crop diseases using machine learning techniques[J]. International Journal of Engineering Science and Technology，2011，3（9）：7187-7190.

[7]袁 媛，李 淼，陳 晟，等. 復雜背景黃瓜葉部病害圖像分割方法[J]. 農業機械學報，2013，44（10）：233-237.

[8]劉麗娟，劉仲鵬，張麗梅. 基于圖像處理技術的玉米葉部病害識別研究[J]. 吉林農業科學，2014，39（1）：61-65.

[9]張善文，張傳雷. 基于局部判別映射算法的玉米病害識別方法[J]. 農業工程學報，2014，30（11）：167-172.

[10]溫長吉，王生生，于合龍，等. 基于改進蜂群算法優化神經網絡的玉米病害圖像分割[J]. 農業工程學報，2013，29（13）：142-149.

[11]王獻鋒，張善文，王 震，等. 基于葉片圖像和環境信息的黃瓜病害識別方法[J]. 農業工程學報，2014，30（14）：148-153.

[12]吳 娜，李 淼，陳 晟，等. 基于融合多特征圖切割的作物病害圖像自動分割[J]. 農業工程學報，2014，30（17）：212-219.

[13]劉 君，王振中，李寶聚，等. 基于圖像處理的作物病害自動識別系統的研究[J]. 計算機工程與應用，2012，48（13）：154-158，180.