基于機器視覺的番茄臍腐病的鑒別

孟祥佳　楊斷利　籍穎　李文志

摘 要： 利用計算機視覺技術，通過圖像處理和模式識別方法，對番茄臍腐病的自動識別進行研究。首先利用中值濾波法對病癥圖片進行處理，去除噪聲，其次采用Otsu算法對病斑進行分割。通過提取病斑區域的顏色特征和形狀特征，同時采用貝葉斯判別方法和支持向量機方法實現特征參數的提取。實驗結果表明，貝葉斯判別方法對訓練樣本和實驗樣本的判別準確率分別達到100%和92%， 高于支持向量機方法，實現了番茄臍腐病的準確識別。

關鍵詞： 機器視覺； 番茄臍腐病； 特征提取； 模式識別

中圖分類號： TN911?34； TP391.4 文獻標識碼： A 文章編號： 1004?373X（2017）06?0100?03

Abstract： The computer vision technology， image processing and pattern recognition method are used to study the automate identification of the tomato blossom?end rot. The median filtering method is adopted to process the disease image and eliminate the noise. The Otsu algorithm is employed to segment the scab. The Bayesian discriminate method and support vector machine method are used to extract the feature parameters respectively according to the color feature and shape feature extracted in the scab area. The experimental results show that the discriminate accuracy of the former （Bayesian discriminate method） to the training sample and experiment sample can reach up to 100% and 92%， which is higher than that of the latter （support vector machine method）， and can recognize the tomato blossom?end rot accurately.

Keywords： machine vision； tomato blossom?end rot； feature extraction； pattern recognition

0 引 言

臍腐病是番茄栽培中最為嚴重的生理病害，病果癥狀很難被識別，如不能及時采取防治措施，將嚴重影響良好果實，損失很大。如果單是依靠人力來鑒別病癥信息，耗費人力，時間長速度慢，并且可能會出現一定的偏差。機器視覺和模式識別技術在農業領域非常廣泛，尤其是農作物病癥的鑒別方面。

目前，國內對于基于機器視覺番茄臍腐病的研究未見報道，本文采用計算機視覺技術對番茄臍腐病圖像進行分割、病癥特征提取，結合支持向量機和貝葉斯算法，進而對圖像病癥進行了初步識別，擬補人工識別的不足，提高了識別的效率和準確率。該項目成果為進一步開發具有智能化的番茄病害診斷系統提供了一定的理論基礎和先期研究。

1 番茄臍腐病圖像處理

圖像采集的方式主要以手工為主，結合數字攝像技術以及網上搜集整理的圖片。

1.1 圖像預處理

采集的圖片可能會受到環境因素影響，因此需要對圖片進行一定的處理，故本研究采用灰度變換、快速中值濾波方法。在獲取的圖像中勢必會存在一定的噪聲，如果有噪聲的存在，就會對下一步處理圖像有影響，所以首先要去除噪聲。中值濾波在圖像處理中就體現了很好的應用價值。

中值濾波實現方法如下：

讀取濾波板即滑動窗口中對應像素的灰度值，并且對這些灰度值進行排序，這是一種非線性的圖像平滑法。對噪聲進行抑制，對于窗口中奇數個元素，中值去排序后中間元素灰度值，如果是偶數個元素，取灰度的平均值。因為圖像為二維信號，中值濾波的尺寸對濾波器效果影響很大，不同圖像內容往往選用不同的尺寸，本研究采用的窗口尺寸為3×3。

如圖1所示，應用快速中值濾波的方法對病癥圖像進行處理，圖1（a）是原圖，下面是經過去噪和中值濾波處理后的圖片，很好地消除了圖片的噪聲。

1.2 圖像分割

番茄病斑部分分割中[1?2]，主要采用Otsu自適應閾值分割法。在實際應用時，對算法進行優化調整，以提高病斑形狀特征值。同時將采用直方圖閾值和區域生長的分割方法進行比較。將Otsu方法用到灰度直方圖中，如圖2所示，得出最佳閾值分別是0.5和0.6，實現病癥的分割。

下面是Otsu閾值分割的過程

（1） 先對灰度圖進行直方圖計算并歸一化處理，像素在灰度圖中出現了n個，灰度圖總像素為N，像素的出現概率為[nN]，如圖3所示。

（2） 由閾值將這些灰度圖分為兩大類，得到這兩類在灰度圖中的出現概率和灰度值。

（3） 計算得到兩灰度圖的類間方差，在最佳閾值處，求得類間方差最大，也就是在類間方差最大時刻的閾值即最佳閾值。

下面分別是算法不同的分割結果如圖3所示。

由圖3可以得出使用最大類間方差算法時分割的效果最好。因此采用此方法進行病癥的有效分割。

2 病癥特征提取[3?6]

對于病癥特征提取、形狀的特征提取有很多方法，如邊界特征法、傅里葉形狀描述符法、幾何參數法、形狀不變矩陣法等。這里采用幾何參數法進行形狀特征提取。首先把病癥的邊緣信息提取出來，然后利用圓度C、偏心率Se、伸長度E，復雜性e，球狀性Sn，面積S，周長Z等幾何參數檢索得到的形狀特征。本研究采用提取顏色特征方法，先提取圖像的Luv各個分量，結合Luv坐標同時處理，提取Luv的各個分量，即可以達到預期的效果。表1是通過選取50個樣本來獲得的顏色和形狀特征的值。把得到的這些特征值作為訓練樣本，如表1所示。

3 支持向量機模式識別方法

分類問題最簡單的就是在一個平面上的兩類不同的點將它用一條直線分開。SVM原理與這個原理相似，但是相對復雜，不僅僅是應用于平面內點的分類問題。SVM的一般做法是：將所有待分類的點映射到“高維空間”，然后在高維空間中找到一個能將這些點分開的“超平面”。在通常的情況下，滿足條件的“超平面”的個數不是惟一的。SVM 需要利用這些超平面，找到這兩類點之間的“最大間隔”。其中很多分類都是線性不可分的，也就局限了樣本空間很難找到一個最優的線性分類函數，以至支持向量機的應用具有很大的局限性。對于非線性問題，可通過核函數把非線性問題轉化為高維空間中的線性問題，而后求最優分類面，這就是支持向量機。此時分類函數變為：

[f（x）=sgni=1nTiyiK（xi，x）+b*]

式中，[K（xi，x）]為內積函數。

核函數用來進行非線性映射，將線性不可分的低維空間映射到高維空間。

常用的核函數有：

線性核函數：

[k（x，y）=x*y] （1）

多項式核函數：

[k（x，y）=（xy+1）q， q=1，2，…，l] （2）

徑向基核函數：

[k（x，y）=exp-x-ye2e] （3）

對處理過的圖像綜合顏色特征（病斑象素點的L，U，V值）和形狀特征（病斑的圓度C、偏心率Se、伸長度E、復雜性e）進行番茄臍腐病的識別，其結果如表2所示。表2中學習參數為C=1，a=0.001，多項式核函數中的q取3，徑向基核函數中的e2取2。

從表2中可以看出，綜合比較其他幾個函數，當應用線性核函數的支持向量機時對病斑的識別率最好，識別率為81.5%。

本文從實地以及網絡上取得100個臍腐病的樣本集，其中抽取50樣本作為訓練集，另外50個作為測試集。根據之前得出的圖像處理分割結果和特征提取值，再利用貝葉斯判別方法得出的結果為識別個數46個，正確率92%。

根據以上的結果顯示，基于顏色特征和形狀特征參數的識別效果不低于90%，可以很好地對番茄臍腐病進行識別。結合支持向量機方法結果來看，采用貝葉斯識別技術的識別率高于基于形狀和顏色特征的支持向量機識別。

5 結 論

本研究通過圖像處理技術以及貝葉斯識別技術和支持向量機模式識別方法來研究番茄的臍腐病特征，結論如下：利用中值濾波方法對病癥進行預處理，可以很好地去除圖片的噪聲；采用Otsu改進的方法對圖片進行分割，準確地把病斑從圖片中分割出來；利用貝葉斯識別提取病斑區域的顏色和形狀特征，結合這13個特征建立一個特征庫，再用測試的樣本進行匹配；獲得了較高的正確識別率，同時采用支持向量機的方法識別率明顯低于貝葉斯方法。

注：本文通訊作者為籍穎。

參考文獻

[1] 景曉軍，蔡安妮，孫景鰲.一種基于二維最大類間方差的圖像分割算法[J].通信學報，2001，22（4）：72?76.

[2] 吳成茂，田小平，譚鐵牛.二維Otsu閾值法的快速迭代算法[J].模式識別與人工智能，2008，21（6）：747?756.

[3] 李寒，王庫，曹倩，等.基于機器視覺的番茄多目標提取和匹配[J].農業工程學報，2012，28（5）：168?172.

[4] 毛罕平，徐貴力，李萍萍.番茄缺素葉片的圖像特征提取和優化選擇研究[J].農業工程學報，2003，19（2）：133?136.

[5] 呂宏明.基于機器視覺的番茄圖像匹配算法研究[D].南京：南京農業大學，2008.

[6] 陳樹人，戈志勇，王新忠.基于Matlab的番茄采摘機械手運動學仿真研究[C]//農業機械化與新農村建設—中國農業機械學會2006年學術年會論文集（上冊）.鎮江：中國農業機械學會，2006：460?463.

[7] 周顏軍，王雙成，王輝.基于貝葉斯網絡的分類器研究[J].東北師大學報（自然科學版），2003，35（2）：22?27.

[8] 賴軍臣，湯秀娟，謝瑞芝.基于G?MRF模型的玉米葉斑病害圖像的分割[J].中國農業科學，2010，43（7）：1363?1369.

[9] BOISSARDA P， MARTIN V， MOISAN S. A cognitive vision approach to early pest detection in greenhouse crops [J]. Computers and electronics in agriculture， 2008， 62（2）： 81?93.

[10] 柴阿麗，李寶聚，石延霞，等.基于計算機視覺技術的番茄葉部病害識別[J].園藝學報，2010，37（9）：1423?1430.

[11] 王克如.基于圖像識別的作物病蟲草害診斷研究[D].北京：中國農業科學院，2005.