基于計算機視覺的芋頭病害監測與識別

陳林琳,姜大慶,蔡銀杰,劉永華

(1.南通科技職業學院,江蘇 南通 226007;2.江蘇農林職業技術學院,江蘇 句容 211121)

0 引言

一般而言,農作物病害的識別與檢測主要以病害形狀、特征及分布狀態為表征信息,如相關專家學者利用數字植物識別技術對小麥、玉米等常見農作物葉片進行圖像病害識別與監測,通過光線頻譜分析等手段對作物病害進行清晰化三維顯示等。為提高對芋頭常見病害的動態掌控效果,筆者擬利用計算機圖像識別與視覺處理思維,融入較為智能的圖像監測方法對其進行深入研究。

1 計算機視覺機理概述

計算機視覺是一種利用機器代替人類對外部信息獲取與識別的智能化技術,其核心機理在于如何準確、快速對目標圖像做出邏輯性判斷,對有用信息進行篩選、無關信息進行噪聲化移除處理,達到圖像獲取、預處理、特征提取及檢測與輸出的效果。圖1為芋頭常見灰斑病外形圖。由圖1可知:利用計算機視覺圖像處理達到與之一致度較高的識別目的,需進一步明確芋頭病害圖像識別與監測的內部關鍵信息并進行匹配,從而實現的芋頭病害識別。

在進行識別與監測過程中,對常見病害圖像各特征波段的充分理解,選擇適當的圖像識別方法尤為重要。表1列出基于計算機視覺的芋頭常見病害特征波段及對應識別方法。由表1可知:芋頭的常見灰斑病、炭疽病和污斑病雖在外部形狀表現不一,但均可通過SVM 系列方法進行病害圖像深入識別;芋頭的疫病和軟腐病則可按照波段選擇回歸類方法進行分析。

圖1 芋頭常見灰斑病外形圖

表1 基于計算機視覺的芋頭常見病害特征波段及識別方法

續表1

將計算機視覺應用于芋頭病害圖像識別與監測,病害圖像識別原理如圖2所示。由圖2可知:建立計算機視覺技術下的能控函數是關鍵步驟,通過前期圖像分量與濾波及閾值化處理得到病害圖像的紋理特征,結合邊界區域條件形成,進而進行核心算法求解與圖像對比,得出可靠的芋頭病害圖像識別結果。

圖2 計算機視覺應用于病害圖像識別原理圖

2 芋頭病害監測系統設計

2.1 理論模型建立

針對芋頭常見病害及病害圖像識別原理,以計算機視覺識別為控制條件,建立芋頭病害監測與識別理論模型,即

(1)

式中E—芋頭病害圖像識別系統能控函數;

V—芋頭病害圖像像素邊界項;

D—芋頭病害圖像像素點區域項;

f—芋頭病害圖像各像素點類別;

p、q—芋頭病害圖像像素點;

P—芋頭病害圖像像素點集合;

N—選定連通區域范圍內的像素點集合。

進一步對預識別芋頭圖像進行濾波處理,以滿足準確顯示、圖像清晰化要求。設f(x,y)為圖像像素點灰度值,得到濾波方程為

(2)

式中 med—圖像濾波取中值處理;

i、j—圖像像素點取值范圍。

在芋頭病害識別與監測控制原理下(見圖3),通過芋頭病害識別的病狀表現模型和病癥表現模型,實現芋頭病害圖像三維顯示清晰化與可視化,為下一步做出芋頭病害預防與治理提供預警信息。

圖3 芋頭病害識別與監測原理簡圖

2.2 硬件系統配置

進行芋頭病害監測識別系統的硬件配置,劃分出計算機視覺機理下的芋頭病害監測系統模塊(見圖4),包括病斑圖像分割、病害識別與監測及系統運行管理。其中,監測模型構建與數據存儲擴充與病害監測識別設置在同一模塊內,方便系統信息傳遞與調控。針對病斑圖像分割,則依賴于計算機視覺技術中的圖像預處理與特征提取功能,并且設計了人機友好的用戶管理界面。

針對該監測系統的硬件電路,給出如圖5所示的基本配置。系列控制電路的命令發送與執行等操作在主控制信號電路板上進行,電源模塊提供源動力,在TEC控制配合下,完成芋頭圖像的邏輯識別及合成處理等環節,經D/A轉換后顯示出圖像特征。

圖4 計算機視覺機理下的芋頭病害監測系統模塊簡圖

圖5 芋頭病害識別與監測系統硬件電路基本配置

在芋頭圖像識別成像環節,引入對不同顯示波段進行選擇顯示的遠紅外成像裝置,涵蓋顏色與溫度、區域與感光等智能處理功能,具體參數及性能如表2所示。其識別精度控制在±1.50%范圍內,選擇聚焦平面進行圖像識別與監測,像素分辨率達1 200ppi。

表2 基于計算機視覺的芋頭病害監測系統圖像識別硬件參數及性能

2.3 軟件監控設計

軟件監控設計是實現芋頭病害外形特征準確識別與監測的前置關鍵因素,核心在于通過芋頭圖像數據庫信息與實地采集芋頭圖像信息進行特征匹配、再獲取區別性圖像形狀特點后通過不同計算通道展開病害圖像的分類識別。圖6為基于計算機視覺的芋頭病害判定監控流程。由圖6可知:經芋頭監測圖像信息病害性判定后,進入局部病害位置的特征增強與信息定位,從而提取出所需芋頭病害特征進行指令式分類劃分,并形成系列對應防控措施,將芋頭病害苗頭發展態勢控制在損失最小化界限。

進行芋頭病害監測系統的后臺控制程序輸入,以實現病害圖像的特征提取為目標。通過顏色、紋理及整體形狀參數的設定,獲得監測病害圖像的輪廓。核心程序片段如下:

……

public Matrix

TraditionFeatureExtraction(Image

imageLesion)

CvInvoke.cvThreshold(grayimg,mask,0,255,

Emgu.CV.CvEnum.THRESH.CV_ THRESH_OTSU);

MemStorage storage = new MemStorage();

Contourcontours = mask.FindContours(

Emgu.CV.CvEnum.CHAIN_APPROX_METHOD.

CV_CHAIN_APPPOX_NONE,

Emgu.CV.CvEnum.RETR_TYPE.CV_

RETR_EXTERNAL,storage);

for(;contours!=null;contours=

contours.HNext){

if((contours.Area>AREA_ THRESHOLD)||

contours.Area== AREA_ THRESHOLD)){

m_LesionColorFeature = LesionColorFeature(

imgeLesion,contours);

m_LesionTextureFeature = lesionTextureFeature(

imgeLesion,contours);

m_LesionShapeFeature = lesionShapeFeature(

contours);

m_LesionFeature =new double[n];

……

圖6 基于計算機視覺的芋頭病害識別系統軟件監控流程簡圖

3 病害識別監測試驗

3.1 試驗過程

在芋頭生長環境、光照、采集時間一致的基礎上,獲取所需監測與識別的芋頭田間葉片或莖稈圖像,進行特征性選取,保證每組芋頭圖像拍攝照片方式一致、采集條件一致。采用MatlLab軟件進行圖像分割處理,VC++進行指令實現,得到所需前述5種常見芋頭病害癥狀的識別與監測,整個試驗顯示紋理清晰、監測穩定,如圖7所示。

圖7 基于計算機視覺的芋頭病害識別監測試驗病斑特征顯示

3.2 數據分析

對芋頭常見的灰斑病、炭疽病、疫病、污斑病及軟腐病5種常見病態進行圖像監測識別,分別對每種病態監測次數設置一致,均為25次,結果如表3所示。由表3可知:以圓形病斑為特征的灰斑病識別率可達到89.7%;針對病斑呈近圓形,圖像邊界顯現不清晰的污斑病態識別率為88.9%;整體芋頭病害監測與識別率可保證在88%以上。

表3 芋頭病害監測識別試驗數據統計

4 結論

1)將計算機視覺技術與芋頭病害識別與監測實現目標相結合,建立了芋頭病害監測識別控制理論模型。

2)選取5種芋頭常見病害進行預置圖像信息數據庫輸入,建立基于計算機視覺的芋頭病害識別與監測系統,分別從硬件電路選型、軟件程序編制方向進行參數匹配,以實現核心芋頭病害圖像的采集、預處理、分割及特征提取等關鍵操作。

3)進行芋頭病害監測識別試驗:①得到多組清晰化的芋頭病害特征與癥狀顯示圖,便于直觀化識別與分類管控;②得出該監測系統整體對芋頭常見病害的識別率,可保證在88.5%～91.3%范圍內試驗效果良好,驗證了基于計算機視覺進行芋頭病害識別監測思路的可行性,可為其他類似農作物病害監測提供一定參考。