計算機視覺技術在農作物病蟲害檢測方面的應用研究

游海英，方 銳

（伊犁職業技術學院，新疆 伊寧 835000）

農作物病蟲害不僅嚴重影響農產品的產量和品質，也會危及人類的身體健康。隨著科學技術的發展，計算機視覺技術已經在農業領域得到廣泛應用。針對農作物經常遭受病蟲害問題，構建了一種農作物病蟲害檢測模型，提出一種新的檢測算法：基于卷積神經網絡CNN與特征包模型的多種特征融合算法。通過提取四種關鍵特征，采取多種特征融合算法形成融合特征，此模型與檢測算法具有較高的檢測準確率，能夠顯著提升農業的經濟效益。計算機技術在不斷研發，未來其在農業領域的應用會更加廣泛[1]。

1 計算機視覺概述

計算機視覺是指用計算機和攝像機代替人眼，對目標進行圖像處理、識別、測量和跟蹤等功能，以實現人的視覺功能。作為一門綜合性學科，計算機視覺涉及的學科有計算機科學和工程、信號處理、應用數學等眾多學科。計算機視覺系統的主要組成部分包括計算機、CCD攝像機、圖像采集卡等。計算機視覺技術與智慧農業的有效融合，能夠完善多種農作物的檢測方法，例如農作物葉片圖像采集方法、病蟲害葉片分割方法、病蟲害特征選擇與識別等方法，這些方法都需要計算機視覺技術的支持。

2 計算機視覺主要采用的技術

在農作物病蟲害檢測與識別方面，計算機視覺技術的應用具有快速、實時以及無損等優勢。由于計算機視覺處理是以圖像處理為基礎，因此數字圖像處理與模式識別技術是計算機視覺處理中不可或缺的重要技術。通過積極采用這些先進技術，能夠提高農作物病蟲害的檢測效率，進而提高農業生產的經濟效益[2]。

2.1 數字圖像處理技術

數字圖像處理是指通過計算機對原始圖像添加一些運算或者處理，將圖像信號變換為數字信號，以便于計算機進行識別。采用圖像傳感器獲取農作物病蟲害圖像，借助數字圖像處理技術對圖像進行分析與處理，能夠自動判別農作物中害蟲的種類和數量，實時監控害蟲的活動情況。農作物遭受病蟲害的情況復雜，通過采用計算機圖像識別技術，提高病蟲害檢測識別率的同時還能夠顯著降低工作人員的勞動強度，為田間病蟲害災情的預測報告以及農藥的精準噴施提供可靠依據。

2.2 模式識別技術

模式識別技術通過計算機來對表征事物或現象的各種形式的信息進行自動處理和判讀，根據樣本特征將樣本劃分類別，以對事物或現象進行描述、辨認以及分類。以往模式識別技術主要應用于農產品品質檢測、農作物生長狀態監測等方面。如今，模式識別技術和圖像處理技術已經應用到對農作物的病蟲害檢測方面。神經網絡是模式識別的重要方法，神經網絡也稱為人工神經網絡，是一種模仿動物神經網絡行為特征，進行分布式并行信息處理的算法數學模型。人工神經網絡通過建造人工神經網絡模型，設計相應的學習算法，來研究智能機理的實現和應用。在農業領域可利用神經網絡技術對農作物病蟲害目標特征進行識別。支持向量機是一種新的模式識別方法，是對數據進行二元分類的廣義線性分類器，是結構風險最小化方法的近似實現。支持向量機在解決小樣本、局部極小值、高維非線性等模式識別問題中具有顯著應用優勢。

3 計算機視覺技術在農作物病蟲草害識別中的應用

3.1 在植物病害識別和防治中的應用

在植物流行性病害與侵染性病害識別方面，計算機視覺技術發揮了重要作用。有學者借助計算機技術從色度學角度對溫室植物的斑疹病和角斑病識別進行了研究，發現在色調45至47區間和48至50區間內，最容易區分植物的正常葉片和發生病變的葉片。還有學者采用橢圓模型對水稻紋枯病和稻瘟病的發生程度作出研究，對于紋枯病的檢測，用橢圓擬合水稻紋枯病單株高度，再用橢圓擬合病斑所在的最高處與水稻基部的距離，計算擬合這兩個橢圓主軸長之比，此比值可反映出水稻發生紋枯病的程度，且這種檢測方法有著90%的準確率；稻瘟病的檢測也采用此方法，通過對比計算擬合橢圓主軸長和最大病斑的長度，得出水稻可能發生稻瘟病的程度。

3.2 在農業昆蟲識別和防治中的應用

在計算機視覺技術的應用下，農業害蟲的識別和防治研究取得了進展。有學者借助模式識別技術對小麥蟲害分割算法進行了優化，運用基于k均值聚類的分類方法和SVM分類器相結合的算法對小麥葉片和小麥害蟲進行分割計算，取得了對小麥害蟲的分割識別準確率在90%以上的識別效果。也可以針對農業中常見的昆蟲的顏色和形態等特征，構建基于互聯網的遠程昆蟲識別系統，以提升對農業昆蟲的識別效率，及時實行防治措施[3]。

3.3 在雜草識別中的應用

借助計算機視覺技術可從田間圖像中提取出雜草，便于對雜草的識別。有研究學者在計算機視覺技術基礎上設計了一種光學雜草識別傳感器，通過田間土壤、小麥以及幾種雜草莖和葉的光譜特性的不同，實現了對土壤、小麥和雜草的高效率識別。雜草的生長特征、植株顏色、葉片形狀和粗糙度等都與農作物存在一定差異，可通過對這些特征參數的提取，對農作物的雜草進行識別。也有學者對大豆幼苗和空心蓮子草、牛筋草、凹頭莧這三種雜草進行區分識別，利用325至1075納米波段光譜，實現了對作物和雜草較好的光譜識別效果。

4 基于計算機視覺技術的農作物病蟲害檢測模型搭建

4.1 葉片圖像采集

計算機技術的廣泛應用，促進了農作物病蟲害檢測的自動化、智能化發展。首先進行農作物葉片的采集，通?？墒褂脪呙鑳x區域掃描、監控定時拍攝或者手機拍攝等方法獲取葉片圖像。掃描儀區域掃描方法雖然能獲取到完整的葉片圖像，但掃描時間長，不適于大量樣本情況下的掃描識別；監控定時拍攝方法下，獲取的圖像質量很容易受光照、霧氣等外界環境的影響。因此，可采用能夠實時拍攝的手機拍攝方法，此方法有利于獲取全面的葉片圖像信息。當葉片圖像樣本數量不是非常多時，比較適合進行農作物的葉片圖像采集。

4.2 葉片圖像預處理

計算機視覺下，通常需要對葉片圖像進行預處理，從整個圖像中將目標區域分割出來，以便于計算機更快速、準確地進行檢測和識別。本文設計的農作物病蟲害檢測模型中，是基于邊緣檢測分割方法對農作物葉片圖像進行預處理，利用邊緣檢測濾波器檢測葉片圖像的邊緣。由于圖像中物體的邊緣往往呈現灰度級的不連續性，為了增強模型的泛化能力，分割處理完農作物葉片圖像后，再進行數據增強的方式，增加數據樣本的多樣性。一般情況下，有兩種數據增強方法，一種是像素顏色變換方法，比如對比度變換、顏色擾動、高斯噪聲等；另一種是空間幾何變換方法，比如縮放、旋轉、仿射變換等。在原始的手機采集圖像集合中，可隨機剪切一些樣本圖像，然后將圖像縮放到像素為1 024×1 024的大小，然后適當調整圖像的對比度和飽和度等，或者隨機添加一些光照處理，經預處理后得到一張新的圖像，為后續的圖像特征提取環節做好準備[4]。

4.3 特征提取

有效的特征是提高圖像識別精準度的關鍵因素，因此特征提取環節是圖像識別工作中非常重要的過程?；谏疃葘W習的特征提取，可以從大規模數據集中自動學習到有效的分類特征。在農作物病蟲害檢測模型中，分別對圖像的顏色特征、HSV特征、紋理特征以及HOG特征進行提取與分析。

4.3.1 顏色特征

RGB色彩模式是工業界的一種顏色標準。其中紅（R）、綠（G）、藍（B）色彩三元素的強度數值范圍均為 0到255。一般情況下，農作物均屬于綠色植物，正常的農作物葉片常常是綠色的。因此，提取農作物數據集中的葉片圖像中像素點的綠色分量，構造顏色直方圖后，再進行歸一化處理，便可提取出葉片圖像的顏色特征。

4.3.2 HSV特征

HSV是一種更加直觀具體的顏色空間，也稱六角錐體模型，模型中顏色的參數分別由色調（H）、飽和度（S）和亮度（V）組成。對于圖像中的每個像素點，色調的取值范圍一般都是0到360度；飽和度表示顏色接近光譜色的程度，通常取值范圍為0%到100%，數值越大代表顏色飽和度越高；像素點亮度的通常取值范圍為0%到100%。歸一化處理圖像每個像素點的色調、飽和度以及亮度，即可得到圖像的HSV特征。

4.3.3 紋理特征

一般正常生長情況下的農作物葉片的紋理是清晰可見的，有著明顯的結構特征。因此，紋理特征是反映農作物葉片表面情況的重要特征，能夠依據此特征判斷出農作物葉片是否存在病蟲害的侵蝕。圖像紋理特征的獲取步驟為：通過索貝爾算子對圖像中每個像素點的亮度值的一個梯度向量進行計算，將梯度向量數值進行歸一化處理，再構建圖像的邊緣梯度直方圖，最終可獲取葉片圖像的紋理特征。

4.3.4 HOG特征

HOG特征是方向梯度直方圖特征的簡稱，我們觀察圖像時，更多的信息來自物體目標邊沿的變化，通過提取HOG特征能夠獲取圖像里邊緣的統計數據。HOG特征的提取流程為：首先將彩色圖像轉化為灰度圖，然后標準化Gamma空間，計算每幅圖像的梯度，之后進行單元格梯度投影，塊內歸一化梯度直方圖，收集最終HOG特征。

4.4 特征融合

通常情況下，單個特征不具備反映整個圖像內容的能力，只能夠對圖像某個方面進行片面反映。因此，為達到更好的圖像分類效果，能夠更加真實、全面地將圖像的內容表達出來，一般會選擇基于多個特征融合的圖像分類方法。多特征融合方法，一直是計算機領域重點研究的內容。農作物葉片圖像較為復雜，因此我們需要對葉片圖像進行精細處理，本文提出了一種基于卷積神經網絡（CNN）與特征包模型的多特征融合方法?；谔卣靼Ｐ偷亩嗵卣魅诤暇唧w步驟如下：

第一步，針對采集的每幅農作物葉片圖像，從圖像的眾多片段中選取一個片段，此片段也可稱為滑動窗口。本文多特征融合方法中選取的是8×8大小的滑動窗口，每個滑動窗口中的內容可以有重疊部分。

第二步，對于圖像中每個滑動窗口，都提取出顏色特征、HSV特征、紋理特征以及HOG特征，同時將這四種特征進行特征拼接，由此形成特征向量。

第三步，將上一步得到的圖像每個滑動窗口的特征向量進行K聚類，得到k個類中心。

第四步，初始化k個bin的直方圖。

第五步，確定k個類中心后，將一幅農作物葉片圖像中的所有滑動窗口的特征向量和類中心距離作比較，判斷距離k個類中心中哪個類中心較近，獲得k個bin的直方圖。

第六步，將所有bin的直方圖歸一化處理，然后將結果組成農作物葉片圖像的特征向量，且該特征向量的維度是k[5]。

基于特征包模型的多特征融合方法，實現了多種樣本特點的融合。通過圖像中眾多片段的特征包來描述圖像，能夠實現對圖像眾多細節特征的準確呈現，較為適合用來處理農作物病蟲害葉片圖像。從拍攝的眾多農作物葉片圖像中隨機選擇若干張建立模型訓練的樣本庫，將健康葉片、某種病蟲害葉片等進行精細劃分。經圖像預處理以及特征提取后，得到四種單特征和經融合后的特征，將這五種特征在支持向量機模型、循環神經網絡模型以及卷積神經網絡模型中進行對比分析，得出CNN與特征包模型的多特征融合方法有較高的準確性[6]。

5 信息技術驅動下智慧農業發展路徑

5.1 智慧農業初級階段

現代科學技術的不斷研發與應用，推動了農業的轉型和發展，實現了農業的自動化、智能化管理。完善的基礎設施是推進互聯網時代下智慧農業發展的基礎。在智慧農業初級階段，可加強基礎設施的建設，實現高標準網絡覆蓋和GPS精準定位；建立多種農業空間信息數據庫。例如，土壤數據、農田土地管理數據庫，農作物苗情、病蟲草害發生發展趨勢數據庫等，對不同類型的空間數據進行收集、整理與分析，預測今后農作物病蟲害發展趨勢，為病蟲害防控提供可靠數據信息。

5.2 智慧農業中級階段

在智慧農業中級階段，可積極構建基于機器學習的決策系統。智慧農業決策系統，可根據歷史數據建立動態自適應學習過程，能夠適應農業環境的變化，提出實時、準確的決策，幫助廣大農民和企業家預測來年農作物的價格，也可提出關于農作物病蟲害預防的相關建議，提醒農民作好充分準備，以降低病蟲害對農作物生長和經濟收益的損害程度?？山柚鷪D像識別與分析技術，設計并建立農作物病蟲害識別與診斷系統?；谏疃葘W習的圖像識別系統，有著低成本、易操作和高效率等顯著應用優勢，容易被農戶接受和采納。研發智能化的農作物病蟲害診斷軟件，供農戶在電腦或者手機上免費下載安裝使用。當農作物遭受病蟲侵害時，農戶可通過手機拍攝農作物圖片，上傳到軟件系統，獲得系統或專家的指導和幫助，明確病蟲害的種類、等級，從而準確的進行農藥噴灑工作，實現農業的低藥劑、高效能發展。

5.3 智慧農業高級階段

政府可發揮主導作用，打造一個基于云計算技術的“大農業”云平臺，實現各區域農作物與農產品相關信息的公開與共享。將智慧農業決策系統、農作物狀態監測系統以及病蟲害識別與診斷系統等互連互通?！按筠r業”云平臺還可向農戶提供商業咨詢、法律咨詢、技術研發等便利，使農民對于農業信息的了解更加全面、詳細，以幫助農民獲取最大化農業生產效益。鼓勵農民、農業院校、農產品加工銷售企業以及農村合作社等多方參與云平臺的建設，從政策、技術、資金等多方面支持智慧農業發展和農民創新創業[7]。

6 結束語

綜上所述，計算機視覺技術在農作物病蟲害識別中的應用，能夠提高病蟲害識別的準確性和識別效率，進而使農戶能夠及時采取針對性補救與防治措施，減輕農作物病蟲害損失，顯著提高農業的經濟效益。隨著信息技術在農業領域的應用逐漸廣泛，傳統農業逐步向智慧農業轉型發展，計算機視覺技術必將成為農作物病蟲害識別與防控方面必不可少的技術，其發展前景非常廣闊。