基于機器視覺的網絡化玉米病害檢測方法研究

王 超，張 勇，王 淼，陳 龍

（長春光華學院，吉林 長春 130033）

1 國內外研究現狀

2015年，Shubham Lavania等［1］采用三維Ostu算法實現玉米種雜草的識別與檢測，通過三維向量壓縮方式在一維空間情況下分類雜草和玉米作物。2015年王獻鋒等［2］以傳統的閾值聚類分割為基礎，提出基于向量機形態學的分割算法，利用開閉運算及不連續、小洞區的填充，證明該類分割算法具有較好的分割效果。2016年，朱景福等［3］以流行學習算法實現玉米葉病蟲害的圖形識別，利用LLE算法對圖像進行降維處理，運用Clustering算法進行聚類分析，實現玉米病蟲害識別率近90%。

2 主要研究內容

為通過玉米葉片較為精確地識別玉米病害類型，降低病害發生概率，本文主要以機器視覺技術為依托，研究大斑病、小斑病、銹病、灰斑病4種常見玉米病害的識別方法，主要研究玉米葉片病蟲害圖像的預處理、分割提取、病斑區特征提取等內容。

2.1 病害玉米葉片圖像采集預處理

為實現病害玉米葉片去噪目標，采用中值濾波算法以相鄰域內多點值的中值替代病害玉米圖像數字化序列中的某點，使周邊像素值接近真實值，間接去除噪聲點，如式（1）：

F'(x0,y0)為圖像灰度值的中值，F(x,y)是坐標點(x,y)的灰度值，(x,y)屬于像素鄰域集合S，N為像素鄰域集合S中的元素個數，sort為給定區間所有元素的排序函數，主要實現鄰域內的灰度值在集合S中的排序功能，將原圖像域中像素值替換為圖像灰度值中值以達到去除噪聲的目的，為后續圖像分割做好準備。

2.2 病害玉米葉片圖像分割

通過圖像分割算法實現葉片非病害部分、邊緣部分、病害部分的分割，降低分割過程中邊緣區域的數據丟失，對病害區域進行像素分類并對各像素點做出標記。研究中發現采集圖像多位圓形、橢圓、類圓形等形狀的結合體，因此采用K均值聚類算法實現圖像的分割。

首先，須進行彩色空間的分割，采用L×a×b彩色空間的K均值聚類分割方法，以X，Y，Z空間為過渡，將RGB（Red，Green，Blue）空間間接轉換為L×a×b彩色空間，在仿真過程中利用makecform和applycform庫函數實現其轉換過程。

其次，以分割后的玉米病害圖像作為數據點集合，集合中各點均包含L，a，b特征分量，對每個像素點進行K聚類算法處理。

2.3 病害玉米葉片圖像特征提取

經過K均值聚類算法分割的玉米病害圖像可以得到病斑區域信息，為了更有效地獲取其信息特征構建其特征模型，主要包括：形狀特征類參數、紋理特征類參數、顏色特征類參數。根據顏色、紋理、形狀的不同可以較為容易地區分病害的種類，如大斑病和小斑病的形狀具有明顯的形狀區別，銹病與灰斑病存在明顯的顏色差異。研究中主要顏色模型主要采用色調-飽和度-明度（Hue-Saturation-Value，HSV），可彌補RGB顏色提取中的特征丟失，符合人眼的視覺特點，在模型坐標系中構建HSV的倒錐形顏色模型［3］。

2.3.1顏色特征提取

對病害玉米葉片圖像提起HSV分量，采用非等間隔量化方式，根據級別進行分類，構建HSV顏色矩陣。H分量量化為0～15級，S分量量化為0～3級，V分量量化為0～3級。提取玉米4種病斑HSV分量圖，并進一步提取HSV顏色直方圖，根據直方圖可有效辨別病害的類別。

2.3.2 紋理特征提取

不同玉米病害葉片的紋理一般都具備較鮮明的特點，可以根據紋理的差異性進行病害的識別。本文主要采用灰度共生矩陣法（Gray Level Co-occurrence Matrix，GLCM）法獲取玉米葉片病害紋理量，選取對比度、熵、均勻性、相關性4種特征參數對其進行分析。

根據對比可以明確4種病斑對比度相似，從相關性角度分析大斑病相關性波動幅度較低，小斑病及會斑病波動幅度較高，銹病是相關性值大于大斑病，可根據相關性分辨大斑病和銹病。各種不同病害熵值波動性不同，大斑病熵值波動較小，灰斑病熵值波動較大，可根據熵值的不同分辨灰斑病和大斑病。玉米小斑病的均勻性值低于大斑病的值，灰斑病均勻性值高于小斑病，銹病均勻值并無明顯規律。可根據均勻性值分辨小斑病和大斑病及灰斑病，通過紋理特征參數可簡單分別病害種類，但存在一定誤差，可根據進一步的形狀特性進行識別［4］。

2.3.3 病斑形狀特征提取

根據前面敘述的顏色特征、紋理特征提取，可以部分識別病害類型，但依然無法達到合理的識別度。很多物品在形狀方面都存在著不同，可以根據輪廓形狀區別進行，大斑病、小斑病、灰斑病、銹病在形狀特征上存在一定差異，因此可根據病斑形狀的特征提取識別病害類型。4種病害形狀特征：（1）小斑病，斑體為原型或橢圓形，一般斑體個體較小，但密集且數量較多，可達10 ms左右。（2）大斑病，斑體為類橢圓形或梭形，長度一般在6～10 ms，病害嚴重情況下可達到20 ms以上。（3）灰斑病，一般為類矩形或類方形，長度約在2～6 ms。（4）銹病，主要為類圓形、類橢圓形等，個體尺寸較小，一般為1～2 ms。

可根據圖形形狀的區別采用邊緣檢測方式對大斑病、小斑病、灰斑病、銹病的輪廓進行提取，根據提取后的面積、矩形、圓形、周長等特點進行識別。如大斑病和灰斑病在面積上大于銹病，大斑病周長大于銹病和灰斑病，小斑病周長最短，灰斑病矩形度最好，身長度最小，大斑病伸長度最高，小斑病及灰斑病類球度最好，大斑病類球度最低。因此，結合以上因素可較好根據形狀特征區別病害的類型。

2.4 信息傳遞與組網

將多個區域采集后的圖形信息進行編碼組合，并由多個終端節點匯聚信息，無線發送給協調器，協調器通過有線方式將數據傳遞給主控上位機界面，上位機可以根據獲取的各區域病害信息進行分析，提出區域病害分布及病害等級評價等情況匯報［5］。

3 結語

本文主要研究玉米病害葉片的識別技術，分別探討大斑病、小斑病、銹病、灰斑病4種常見玉米病害的識別方法，重點研究玉米葉片病蟲害圖像的預處理、分割提取、病斑區特征提取等內容。