基于圖像灰度直方圖特征的草莓病蟲害識(shí)別

牛沖 +牛昱光 +李寒++鄭文剛+卜云龍++周增產(chǎn)

）

摘要：通過作物可見光圖像，對(duì)作物病蟲害進(jìn)行準(zhǔn)確識(shí)別，在作物生長(zhǎng)自動(dòng)監(jiān)測(cè)、精準(zhǔn)施藥等領(lǐng)域具有重要意義。提出一種基于圖像灰度直方圖特征的草莓病蟲害識(shí)別算法識(shí)別草莓蛇眼病。該算法首先計(jì)算訓(xùn)練集草莓葉片灰度圖像的直方圖，然后提取直方圖的8個(gè)特征（平均灰度、標(biāo)準(zhǔn)偏差、三階中心矩、平滑度、均勻性、平均信息量、最大概率灰度級(jí)、灰度范圍）并進(jìn)行歸一化處理，通過支持向量機(jī)（support vector machine，簡(jiǎn)稱SVM）、K-近鄰（K-nearest neighbor，簡(jiǎn)稱KNN）及樸素貝葉斯3種識(shí)別方法對(duì)8個(gè)特征進(jìn)行訓(xùn)練，得到相應(yīng)的病蟲害識(shí)別分類器。結(jié)果表明，SVM分類器的分類效果優(yōu)于其他分類器，因此本研究最終選用SVM分類器對(duì)驗(yàn)證集圖像進(jìn)行分類，得到分類正確率達(dá)90%以上。

關(guān)鍵詞：草莓蛇眼病；病蟲害；識(shí)別；支持向量機(jī)；灰度圖像；直方圖

中圖分類號(hào)： S436.68+4文獻(xiàn)標(biāo)志碼： A

文章編號(hào)：1002-1302（2017）04-0169-03

2015年，農(nóng)業(yè)部發(fā)布《到2020年農(nóng)藥使用量零增長(zhǎng)行動(dòng)方案》，重點(diǎn)強(qiáng)調(diào)了通過推行精準(zhǔn)科學(xué)施藥，減少農(nóng)藥的使用劑量和次數(shù)。通過病蟲害監(jiān)測(cè)預(yù)報(bào)，診治作物病蟲害，有助于推進(jìn)農(nóng)藥減量，關(guān)系到農(nóng)業(yè)生產(chǎn)安全、農(nóng)產(chǎn)品質(zhì)量安全以及生態(tài)環(huán)境安全，積極探索產(chǎn)出高效、產(chǎn)品安全、資源節(jié)約、環(huán)境友好的現(xiàn)代農(nóng)業(yè)發(fā)展之路。在我國(guó)，草莓是繼香蕉、蘋果、橘子和葡萄之后的大眾消費(fèi)最多的漿果之一，種植面積迅速擴(kuò)大，草莓產(chǎn)業(yè)迅猛發(fā)展，作為草莓消費(fèi)和出口大國(guó)，草莓生產(chǎn)對(duì)我國(guó)的經(jīng)濟(jì)有著重要影響。所以，對(duì)草莓病蟲害檢測(cè)方法的研究具有重要的實(shí)際意義和理論價(jià)值。

針對(duì)作物病蟲害的識(shí)別，國(guó)內(nèi)學(xué)者做了很多研究，識(shí)別方法一般分為人工檢測(cè)、化學(xué)檢測(cè)和基于圖像的智能檢測(cè)等。因基于圖像的智能檢測(cè)方法可以實(shí)現(xiàn)不接觸、快速實(shí)時(shí)的監(jiān)測(cè)而被廣泛應(yīng)用。

許多學(xué)者基于多光譜或者高光譜圖像分析成功分割并提取病害部位[1-7]。由于數(shù)碼CCD相機(jī)的價(jià)格便宜且應(yīng)用靈活，有很多學(xué)者在對(duì)可見光圖像分析的基礎(chǔ)上利用各種識(shí)別方法成功識(shí)別病蟲害區(qū)域[8-12]，并且取得了長(zhǎng)足進(jìn)步。耿長(zhǎng)興等研究了可見光波段的黃瓜霜霉病信息分布和分割方法，有效實(shí)現(xiàn)了溫室非結(jié)構(gòu)環(huán)境下黃瓜病害信息識(shí)別[13]。廉飛宇等將支持向量機(jī)引入到復(fù)雜條件下運(yùn)動(dòng)車輛牌照字符的識(shí)別中[14]。劉君等構(gòu)建了葉片病斑圖像處理的計(jì)算機(jī)診斷系統(tǒng)，以實(shí)現(xiàn)作物葉部病害的自動(dòng)識(shí)別[15]。岑苗鑫等利用圖像的顏色統(tǒng)計(jì)特征對(duì)不同時(shí)期的病蟲害樣本圖像進(jìn)行分類和識(shí)別[16]。柴洋等為了準(zhǔn)確有效判定溫室大棚中番茄病害，利用圖像和模式識(shí)別技術(shù)，采用貝葉斯判別法，對(duì)番茄病蟲害進(jìn)行識(shí)別[17]。

葉片是反映作物生長(zhǎng)狀態(tài)的重要部分。為了實(shí)現(xiàn)對(duì)作物的生長(zhǎng)狀態(tài)監(jiān)測(cè)，需要對(duì)其葉片的健康狀況進(jìn)行持續(xù)監(jiān)測(cè)，對(duì)作物葉片部分是否異常的診斷可以指導(dǎo)種植者是否對(duì)作物進(jìn)行噴藥，以及噴藥種類、噴藥量等。草莓蛇眼病是草莓生產(chǎn)中的病害之一，會(huì)嚴(yán)重影響草莓生產(chǎn)過程中的產(chǎn)量和質(zhì)量。本研究針對(duì)草莓蛇眼病害，提出一種基于灰度直方圖特征的支持向量機(jī)分類方法，成功對(duì)草莓的健康葉片以及染病葉片的染病區(qū)域進(jìn)行分類和識(shí)別。

1材料與方法

1.1材料

草莓葉片為北京市農(nóng)林科學(xué)院林業(yè)果樹研究所種植的B89草莓葉片樣本，共提取100個(gè)草莓葉片樣本，其中50個(gè)為含有草莓蛇眼病病斑的葉片圖像樣本，另外50個(gè)為健康的草莓葉片圖像樣本。圖1-a、圖1-b分別為草莓病蟲害葉片、健康葉片。圖像獲取設(shè)備采用可見光相機(jī)（尼康J1，日本），圖像處理軟件采用Matlab（2010b）。

1.2圖像識(shí)別流程

首先對(duì)林業(yè)果樹研究所采集的草莓葉片進(jìn)行圖像預(yù)處理，包括灰度化、求取直方圖等操作，并提取圖像灰度直方圖中的8種特征進(jìn)行融合，然后對(duì)融合后形成的特征向量使用支持向量機(jī)、K-近鄰及樸素貝葉斯方法進(jìn)行訓(xùn)練，得到分類器。通過分類器區(qū)分待檢測(cè)的草莓葉片圖像是否出現(xiàn)草莓蛇眼病，最終根據(jù)分類結(jié)果判斷分類器的優(yōu)劣。圖2為算法的大致流程。

1.3支持向量機(jī)

支持向量機(jī)一般可以解決2類問題，樣本集線性可分情形和樣本集線性不可分情形。

1.3.1線性可分情形

設(shè)樣本集為（xi，yi），i=1，2，…，n，xi∈R，yi∈{+1，-1}。根據(jù)訓(xùn)練集的信息，找到由ω和b確定的超平面：

于是，原樣本空間的二元模式分類問題可以表示為

[JZ（]yi{[ω·Φ（xi）]+b}-1≥0，i=1，2，…，n。[JZ）][JY]（6）

1.3.3徑向基核函數(shù)（radial basis function，簡(jiǎn)稱RBF）

SVM利用核函數(shù)簡(jiǎn)便地解決了上面的問題，核函數(shù)的引入繞過特征空間直接在輸入空間上求取，從而避免了計(jì)算非線性映射。在本例中，我們使用的核函數(shù)為徑向基核函數(shù)：

[JZ（]K（x，xi）=exp（-[SX（]|x-xi|2σ2[SX）]）。[JZ）][JY]（7）

式中：σ2為核函數(shù)的寬度。

采用非線性可分情形下的SVM分類算法，結(jié)合特征向量及徑向基核函數(shù)，可以對(duì)草莓病蟲害葉片進(jìn)行分類識(shí)別。

1.4K-近鄰算法及樸素貝葉斯算法

K-近鄰算法的核心思想是如果一個(gè)樣本在特征空間中的k個(gè)最相鄰的樣本中的大多數(shù)屬于某一個(gè)類別，則該樣本也屬于這個(gè)類別，并具有這個(gè)類別上樣本的特性。

樸素貝葉斯分類器（naive bayes classifier，簡(jiǎn)稱NBC）發(fā)源于古典數(shù)學(xué)理論，有著堅(jiān)實(shí)的數(shù)學(xué)基礎(chǔ)，以及穩(wěn)定的分類效率。同時(shí)，NBC模型所需估計(jì)的參數(shù)很少，對(duì)缺失數(shù)據(jù)不太敏感，算法也比較簡(jiǎn)單。理論上，NBC模型與其他分類方法相比具有最小的誤差率。但實(shí)際上并非如此，這是因?yàn)镹BC模型假設(shè)屬性之間相互獨(dú)立，這個(gè)假設(shè)在實(shí)際應(yīng)用中往往是不成立的，這給NBC模型的正確分類帶來了一定影響。