基于機器視覺的冬棗病害檢測

孫世鵬，李 瑞，謝洪起，馮亞利，傅隆生,2，朱兆龍

(1.西北農(nóng)林科技大學 機械與電子工程學院，陜西 楊凌 712100；2.農(nóng)業(yè)部 農(nóng)業(yè)物聯(lián)網(wǎng)重點實驗室，陜西 楊凌 712100)

0 引言

機器視覺以其無損、快速、低成本的優(yōu)點在農(nóng)產(chǎn)品質(zhì)量分級、檢測、農(nóng)田病蟲草害控制、農(nóng)業(yè)自動采摘系統(tǒng)，以及農(nóng)作物成長過程檢測等領(lǐng)域被廣泛研究和應(yīng)用[1-3]。其中，在果品檢測方面，學者已經(jīng)采用機器視覺技術(shù)對草莓[4]、蘋果[5]、荔枝[6]等水果的品質(zhì)進行檢測。羅雪寧等[7]對紅棗的缺陷進行研究，先提取缺陷部位輪廓，然后填充求得缺陷檢測面積占比，根據(jù)已知紅棗質(zhì)量規(guī)定缺陷面積占紅棗表面積的5%確定為缺陷棗；但只是對少量樣本的理論分析，并未討論大量樣本下的識別結(jié)果。李運志等[8]在半干棗的病害和裂紋識別過程中，采用了病害面積占比、顏色特征值的H分量的均值和均方差，采用支持向量機進行分類，識別正確率達到95.79%；在裂紋識別過程中，采用不變距區(qū)分裂紋、褶皺和光滑棗，識別正確率達到94.55%，但只使用了H分量作為判別依據(jù)，顏色分量單一。

高光譜圖像由一系列光譜圖疊加而成，能檢測果品內(nèi)、外部品質(zhì)，擴展了傳統(tǒng)成像技術(shù)的使用范圍[9-12]。LI等[13](2010)對柑橘9種潰瘍采用高光譜進行識別，利用主成分分析法和波段比(Q687/630)的組合，以及單獨波段比(Q687/630)的方法，識別正確率分別為84.5%和82.9%。MEHL等[14]對金冠蘋果、紅冠蘋果和嘎啦蘋果利用高光譜成像系統(tǒng)進行缺陷的檢測，采用主成分分析和葉綠素吸收峰得到區(qū)分受污染和正常蘋果的3個光譜帶，進而設(shè)計多光譜成像系統(tǒng)得到嘎啦蘋果和金冠蘋果的檢測正確率分別為95%和85%，紅冠的識別率僅為76%。高光譜成像技術(shù)由于光譜眾多及復雜的降維算法降低了算法優(yōu)先選擇權(quán)。

目前，利用機器視覺對冬棗的多種病害進行研究還未見報道，同時冬棗的病害的分類閾值及有效檢測的顏色分量需要進一步確定。針對上述問題，本文對黑斑類病害獲取了9個顏色分量，并利用單因素方差分析(one-way ANOVA)和費希爾最小顯著差異(Fisher’s LSD)檢驗得到有效顏色分量，并建立Bayes線性分類模型和冬棗病害的分類標準；對縮果病采用紋理特征參數(shù)建立SVM分類模型進行檢測，同時探索最優(yōu)的構(gòu)造參數(shù)。

1 材料與方法

1.1 試驗材料

本實驗選取樣本的地點在陜西省大荔縣一個果園，該果園地處東經(jīng)109°10＇，北緯34°52＇，海拔高度354m。用于黑斑類病害檢測的冬棗樣本個數(shù)統(tǒng)計：輪紋病52個、日灼病42個、炭疽病34個、裂紋30個，共158個，正常冬棗100個。用于縮果病檢測的冬棗樣本個數(shù)統(tǒng)計：縮果病48個，正常冬棗109個。

1.2 采集圖像

采集完冬棗樣本后將其帶回實驗室拍攝果實圖像。拍攝過程如下：將佳能EOS Kiss X3型號單反相機固定在四周和下方密閉、上方中間開孔的試驗箱之上，隨后側(cè)的小型鏈輪上下移動，當鏡頭從試驗箱中間孔洞穿過，觀察鏡頭里面的成像；當鏡頭距果實底部的垂直距離為22.5 cm時成像清楚且果實在圖片中的大小合適，固定相機。試驗箱內(nèi)部安放有一個5W的熒光燈以提供足夠的光源，相機參數(shù)設(shè)置為F8.0光圈，快門速度1/125 s，M檔，像素大小為4 752×3 168，在相機底部墊有坐標紙用來獲取圖像像素與實際大小的比例。各種病害棗和正常棗如圖1所示。

輪紋病 日灼傷 炭疽病

裂紋病 縮果病 正常果

圖像處理在CPU為Intel(R)Core(TM)i3-2330M，雙核，主頻均為2.2GHz，6GB內(nèi)存的聯(lián)想Y470筆記本電腦上利用MatLab2014b實現(xiàn)。

1.3 試驗方法

1.3.1 冬棗黑斑類病害檢測

通過像素提取軟件分別獲取病害果和正常果10個的像素，得到RGB、HSB和Lab顏色空間的9個顏色分量。通過SPSS22.0進行單因素方差分析，得到病害果和正常果具有顯著性差異的顏色分量。為進一步減少顏色分量的個數(shù)，對顏色分量進行Fisher’s LSD檢驗，根據(jù)F值的大小得到區(qū)分病害和正常果最為顯著的顏色分量。建立Bayes線性判別函數(shù)得到像素的分類結(jié)果。利用圖像處理算法得到果實區(qū)域提取圖像，利用已知Bayes線性判別函數(shù)進行像素遍歷得到識別圖像，同時獲得病害識別面積所占果實區(qū)域的比例和標準差。通過計算上述比例的平均值和平均差，確定正常果和病害果的分類閾值，進而得到識別正確率。

1.3.2 冬棗縮果病檢測

首先利用圖像處理算法得到果實區(qū)域的提取圖像，對果實圖像提取基于灰度共生矩陣(GLCM)的紋理特征參數(shù)，GLCM是關(guān)于圖像亮度的二階統(tǒng)計量[15]。GLCM的主要影響因素有計算窗口N、灰度級L、距離d、方向θ。因為計算窗口由一般由圖像大小決定，方向θ一般取0°、45°、90°和135°的平均值，這里只討論灰度級L、距離d兩個構(gòu)造參數(shù)對果實紋理特征的影響。

定義在方向θ上，相距為d的像素分別具有灰度值i和j的GLCM為P(i,j;d,θ)，得到的紋理特征為：

能量E為

(1)

慣性矩I為

(2)

熵H為

(3)

相關(guān)性C為

(4)

逆差距LL為

(5)

2 試驗結(jié)果與討論

2.1 冬棗縮果病檢測

冬棗病害和正常部位提取像素的顏色分量數(shù)據(jù)如表1所示。通過方差顯著性分析，得到9個顏色分量R、G、B、H、S、Br、L*、a*、b*都具有顯著性差異，正常棗的RGB模型的R、G、B、HSB模型的S和Br、L*a*b*模型的L*、a*、b*分量都比病害果的值高，說明了病害區(qū)域的亮度比正常表面低。為了進一步縮小變量個數(shù)，通過Fisher’s LSD檢驗，發(fā)現(xiàn)F值較大的R、S和b*顏色分量，將其作為區(qū)分病害和正常果最為顯著的顏色分量。對R、S、b*3個顏色分量進行判別分析，獲得Bayes線性分類函數(shù)為

score1 = 0.182 ×R+ 14.132 ×S- 0.531 ×b*- 4.743

(7)

score2 = 0.217 ×R+ 32.284 ×S- 0.424 ×b*- 15.673

(8)

其中，score1表示黑斑類病害判別得分；score2表示正常判別得分。

表1 冬棗病害和正常區(qū)域顏色分量數(shù)據(jù)統(tǒng)計

標有不同字母的在0.05水平下有顯著性差異。數(shù)據(jù)格式：平均值(標準差)。為了與RGB模型的B分量區(qū)別，定義HSB模型的B分量為Br。

基于Bayes線性判別函數(shù)，采用交叉驗證方法獲得的像素分類結(jié)果如表2所示。3 059個像素的平均識別正確率為94.2%，達到了較佳檢測效果。

表2 病害和正常像素的識別結(jié)果

各種黑斑類病害的圖像處理過程如圖2所示。首先采用imresize函數(shù)將圖像尺寸縮小為1 000×667以減小計算時間，采用HSB顏色空間的B分量進行背景分割，首先利用5×5模板進行中值濾波去除噪聲，采用Otsu法自動求取閾值獲得二值化圖像，采用bwareaopen函數(shù)去掉細小雜質(zhì)，并通過形態(tài)學運算平滑果實邊緣輪廓，填充內(nèi)部空洞；通過上述方法獲得掩模圖像，之后掩模圖像與原圖像相乘獲得果實區(qū)域的提取圖像，對果實區(qū)域提取圖像帶入已知Bayes線性判別函數(shù)進行遍歷，得到每個像素的判別結(jié)果；同時，對判定圖像采用偽彩色處理以提高辨識度，得到最終的識別圖像。因為裂紋總是伴隨日灼傷出現(xiàn)，所以裂紋的識別一般為整體的區(qū)域。通過統(tǒng)計各個果實的病害識別的像素以及果實的總像素，得到病害面積所占果實區(qū)域的比例。

原圖 果實區(qū)域提取 HSB顏色空間 L*a*b*顏色空間 識別結(jié)果

分析病害果和正常果病害識別面積所占果實區(qū)域的比例，計算病害識別面積占比的均值和標準差如圖3所示。病害果的病害識別面積占比在0.2%～30.0%之間，正常果的病害識別面積占比小于7.0%。設(shè)定病害面積所占果實的比例為5.0%，當識別的病害面積比大于5.0%時，判定冬棗為病害果，當小于5.0%時判定冬棗為正常果。

圖3 識別的病害面積所占果實區(qū)域的比例的平均值和標準差

通過圖像檢測技術(shù)，病害冬棗和正常冬棗的分類正確率接近，總體分類正確率達到89.6%，滿足實際的檢測要求。實驗結(jié)果表明：通過單因素方差分析以及Fisher’ LSD檢驗，得到R、S、b*3個具有顯著性影響的顏色變量，對于病害檢測有很好的區(qū)分效果，并且能降低分類模型復雜度和減少程序執(zhí)行的時間開銷。

表3 冬棗病害識別正確率

2.2 冬棗縮果病檢測

當灰度級為16時，觀察紋理特征隨距離d從1到20變化的趨勢，如圖4所示。相關(guān)性與慣性矩在正常冬棗和縮果病中隨距離變化差異趨勢相反，前者隨距離d的增大快速縮小，后者隨距離d的增大迅速擴大。其他紋理特征如能量、熵、逆差距的差異隨距離d變化不明顯。構(gòu)造參數(shù)距離d取值為1，可以減少計算的復雜度，帶入SVM分類模型采用十折交叉驗證的方法得到分類正確率為86.5%。

灰度級較小，不容易分辨出冬棗表面紋理特征，灰度級過大又會影響計算速度，增加存儲空間。設(shè)定灰度級為16、32、64、128、256，初步計算上述灰度級下紋理特征參數(shù)的計算時間，得到128和256灰度級的冬棗灰度共生矩陣的計算時間分別為173.8s和641.4s，計算時間過長。所以，本文只研究灰度級L為16、32、64的冬棗的紋理特征。從圖5中可以看出：距離d為1時，隨著灰度級的擴大，縮果病和正常冬棗紋理特征的差異越來越顯著。

圖4 紋理特征參數(shù)隨距離d變化圖

Fig.4 Variation of texture feature parameters with distance d

圖5 紋理特征參數(shù)隨灰度級變化圖

不同灰度級下紋理特征的計算時間如表4所示。隨著灰度級的增加處理時間也快速增加，距離d固定為1，構(gòu)造參數(shù)灰度級L分別設(shè)置為16、32和64，將5個紋理特征參數(shù)帶入到SVM中進行分類，通過十折交叉驗證方法得到相應(yīng)的分類正確率分別為85.9%、99.4%和100.0%。考慮到計算速度，當灰度級是64時的計算時間是灰度級為32的4倍，構(gòu)造參數(shù)灰度級設(shè)置為32合適。

表4 不同灰度級冬棗的紋理特征參數(shù)的計算時間

3 結(jié)論

1)提出了冬棗的黑斑類病害和縮果病的檢測方法，該方法準確度高，黑斑類病害的識別正確率為89.6%，縮果病的識別正確率為99.4%，為冬棗的病害檢測提供了理論依據(jù)。

2)對不同病害的9個顏色分量進行顯著性分析以及Fisher’ LSD檢驗，不僅提高了檢測的可靠性也降低了分類模型的復雜程度和計算量，對實際自動化分級具有重要意義。

3)探索了影響紋理特征參數(shù)對縮果病檢測的影響，當距離為1、灰度級為32時識別正確率達到99.4%，不僅識別精度較高而且計算速度也滿足要求。

對冬棗像素提取更多顏色分量，需要進一步驗證其他顏色分量的有效性，采用高光譜實現(xiàn)冬棗的輕微損傷檢測是下一步的研究方向。