一種基于機器視覺特征的農作物病變圖像感知方法

周杰+潘宏俠+唐明軍

摘 要：針對農作物品種多樣化、生長緩慢以及空間分布不均等特點，研究并設計了一種農作物病變視頻感知方法，以提高農業物聯網中視頻監控系統的智能化程度。該方法以固定周期采集且消除外部環境及隨機干擾的視頻圖像為基準圖像，將計算出的相鄰基準圖像的顏色特征偏差，灰度特征偏差，隨機特征偏差輸入模糊控制器，通過模糊規則推理并清晰化推理結果從而感知農作物是否發生病變及病變的程度，以適應不同品種的農作物。實驗證明，該方法對不同種類以及不同位置發生病變的農作物感知的準確度都較高。

關鍵詞：農作物；機器視覺；圖像感知；病變

中圖分類號：TP23 文獻標識碼：A DOI：10.11974/nyyjs.20170932004

農業生產信息化是現代農業生產發展的必然趨勢，是在IT技術、現代生物技術等綜合學科的支持下，借助于各種感知設備獲取農業生產現場數據并運用精密機電設備等多種現代手段，對農作物實施精準農事操作與管理，以調動農業生產資料的潛力，多快好省地獲得經濟效益和環境效益[1][2]。

在農業生產信息化服務方面，發達國家機器視覺技術的應用已拓展到農業生產的全過程，我國信息技術在農業生產服務領域中的應用起步較晚，但近年來已經取得長足進步[3]。在現代農業中增加機器視覺感知能力是農業信息化技術進步的表現，是實現農業生產現場與異構分布的客戶端完全互連，服務物聯網平臺的智慧所在。

1 圖像感知過程

機器視覺特征是圖像直接呈現的事物的自然特征，如顏色、紋理、形狀等。對顏色和紋理特征的提取與分析可以作為評價農作物生長狀態的重要依據。本文研究了1種通過對機器視覺特征模糊推理，判斷農作物是否發生病變的圖像感知方法，感知過程如圖1所示。

圖1 圖像感知過程

圖像感知過程由圖像輸入、特征提取、模糊推理輸出3個部分組成。圖像輸入：融合了基準圖像獲取與圖像篩選2部分，通過捕捉視頻攝像機的幀畫面提取出不受外界環境及擾動影響，能直接反映農作物自然生長狀態的圖像作為系統的輸入。特征提?。涸趫D像輸入的基礎上提取圖像中農作物的顏色特征、灰度特征、隨機特征。模糊推理輸出：對提取的農作物特征依據模糊規則推理，清晰化模糊推理結果后輸出農作物是否發生病變的結果。

2 圖像輸入

2.1 基準圖像的獲取

由于農作物的生長過程緩慢，基準圖像的獲取選擇以天為單位，連續3d為1個采集周期，采集周期的選取可以根據實際情況靈活設置。在每1天中選取1段時間t，在t時間內以時間間隔T循環捕捉n幀畫面，如圖2所示。

圖2 基準圖像的獲取

圖2中每一天都要在固定的時間段t內采集n幀圖像，由于農作物生長緩慢且對實時性要求不高，僅需2幀能反映農作物自然生長狀態的圖像作為當天的基準圖像，因此需要對每天采集的n幀圖像進行篩選。

2.2 圖像的篩選

2幀圖像可以視為1個m×n的二維矩陣，矩陣中的每1個元素為1個像素，同1種型號的視頻攝像機采集的畫面是一系列大小相等的二維矩N陣，任意2幀圖像Amn和 Bmn的相關系數可表示為：

（1）

式（1）中與分別式圖像Amn和 Bmn的灰度均值，的值反映了圖像Amn和 Bmn的相似程度，的值越大則Amn和 Bmn的相似程度越高，反之，的值越小說明2幅圖像的差異越大。

圖2中，從每天獲取的n幀圖像中篩選出1幀的方法可通過計算n幀圖像的相關函數實現，表示為s：

（2）

式（2）中，計算獲取圖像中任意不相同的2幅圖像的相關函數，并選定1個閾值a，當計算的某個相關函數值小于閾值時說明2幅圖像的偏差大，圖像受到了擾動，應予以剔除，從所有滿足相關函數值大于閾值的圖像中隨機1幀都可作為篩選出的圖像。

理論上閾值取值越大且采集周期T越小時，篩選出的圖像受外界擾動的影響就越小，然而在某些特殊環境如大風天氣下，如果閾值取值過大可能篩選不出滿足要求的圖像，閾值的取值在0.9左右即可。

3 圖像特征提取

3.1 顏色特征

顏色特征描述了圖像區域對應景物的表面性質，通過計算顏色矩可以反映出顏色的分布情況，一階矩反映了每個顏色分量的平均強度，二階矩反映了圖像的不均勻性，二階矩的定義如下：

（3）

式（3）中，表示第i個顏色分量的方差，是第j個像素的第i個顏色分量，N是像素的數量，。

當植物發生病變時，先反映在顏色上的變化，圖像中顏色的不均勻性變化越大，發生病變的可能性就越大。

3.2 灰度特征

對圖像灰度值的統計在一定程度上反映了景物的紋理特征，生長狀態健康的植物灰度變化不明顯，當發生病變時，病變部分與正常部分灰度值相比較變化較大。因此，通過對圖像的灰度均值的計算可以間接反映植物表面紋理特征的變化。

實現時，以圖像中任意1點g（x，y）為參考，與其相鄰的點的可表示為g（x+Δx，y+Δy），則灰度差值可表示為：

（4）

令點g（x，y）在整個畫面中移動并按照公式（4）計算出所有灰度級數以及gΔ（x，y）取各個值的次數，便可以得到gΔ（x，y）取值的概率p（k），此時的灰度特征可以由下式表示：

（5）

3.3 隨機特征

無論是農作物的病毒性病變還是細菌性病變，病變發生位置及呈現方式多種多樣，有很大的隨機性。熵是圖像所具有的信息的度量，是1個隨機性的度量，當圖像中的元素有較大的隨機性時，熵較大，熵的值反映了圖像中紋理的非均勻程度和復雜程度，熵的表示如下：

（6）

4 圖像特征模糊推理

為了適應農作種類的多樣性，采用模糊算法。模糊推理是以相鄰2d篩選出的圖片的顏色特征二階矩偏差Δσ、灰度特征偏差Δmean、以及隨機特征偏差ΔE為輸入，通過模糊規則運算，推理出農作物生長狀態的分析結果。endprint

4.1 特征參數的模糊分布

由于農作物種類繁多，實驗采集所有不同種類農作物病變圖像數據較為困難。考慮到農作物發生病變是1個緩慢的過程，且短期內病變圖像間的差異較小，為了能近似確定農作物圖像的各特征偏差可能出現的范圍，以特征值變化10%為模糊限定閾值，任意連續3d中相鄰2d的基準圖像特征值均超出該限定條件時，圖像間的相關系數必然大于限定閾值，可以直接判斷為發生病變，當基準圖像特征值在限定條件以內時需模糊推理出結果。

可以選用7個模糊子集涵蓋3種特征偏差Δσ、Δmean、及ΔE的論域，即正大（PL），正中（PM），正小（PS），零（ZO），負?。∟S），負中（NM），負大（NL）。無論特征偏差值是正或是負，一旦偏差值出現即說明連續2d采集的基準圖像發生了變化，故模糊子集無需考慮偏差的方向，因此特征偏差的論域可簡化為大（L），中（M），?。⊿），零（Z）。隸屬度函數選用三角函數，表示如下：

結合公式（7），各特征參數偏差的模糊子集區間如表1所示。

表1中value1、value2、value3分別相鄰2d中前1d基準圖像的顏色特征二階矩、灰度特征、隨機特征值的1/10，模糊子集的區間長度均勻劃分。

4.2 模糊推理規則

通過觀察病變的農作物的特征，可以歸納總結出以下規則：

當顏色特征和灰度特征偏差較大時說明短期顏色變化明顯且紋理變化大，可直接判定發生病變。當顏色特征和灰度特征偏差較小，隨機特征偏差較大時，可認為農作物發生病變且發生病變的位置較分散。當顏色特征和灰度特征偏差存在，隨機特征偏差較小時，可認為農作物病變位置集中在某一區域。當所有特征值偏差變化較小且偏差的變化率較小時可認為農作物生長狀態良好，否則視為病變。

基于上述的規則，以“0”表示生長狀態較差，發生病變；“1”表示生長狀態良好；“2”表示生長狀態不佳，疑似病變；農作物生長狀態的模糊規則如表2所示。

4.3 清晰輸出結果

根據圖像特征值偏差與農作物生長狀態間的模糊關系，可以排列組合成32條模糊規則，每條規則都給出1個蘊含關系Ui，，則模糊推理總輸出為：。通過計算基準圖像的特征值偏差，并根據式（7）計算相應的隸屬度，根據模糊推理計算總輸出并重新帶入式（7）中，取計算結果的平均值即為最后清晰化的農作物生長狀態的結果。

5 實驗測試

選用2種不同種類的農作物，分別對農作物1的莖葉生長狀態和農作物2的果肉生長狀態進行測試。

根據模糊規則，表3的特征值數據表明被測對象已經發生病變，清晰化輸出結果數據推理計算出病變的程度約為28.5%。

根據模糊規則，表4的特征值數據表明被測對象已經發生病變，清晰化輸出結果數據推理計算出病變的程度約為54.6%。

6 結語

本文介紹了一種農作物生長狀態感知方法，通過采集農作物生長視覺圖像，并對提取的部分圖像特征進行模糊推理判斷出農作物是否發生病變以及可能的病變位置。無論是對細菌性病變還是真菌性病變都有較好的監測效果，該方法可以應用至農業物聯網中的視頻監控系統，以擴充農業信息化系統的功能。

參考文獻

[1]BAIN C.The politics of food supply：P U.S.agricultural policy in the world economy[J].Contemporary Sociology，2010，39（2）：

212-213.

[2] BOTOLF P.The German information and communication technology（ICT）industry：spatial growth and innovation patterns[J].Regional Studies，2009，43（4）：605-624.

[3]張曉東，毛罕平，倪軍.作物生長多傳感信息檢測系統設計與應用[J].農業機械學報，2009，40（9）：164-170.endprint