基于“圖像+光譜”技術(shù)的馬鈴薯早疫病智能診斷方法研究

李軼驥

（四川省農(nóng)業(yè)科學(xué)院科技保障中心，四川 成都 610066）

馬鈴薯是全球范圍內(nèi)重要的糧食作物之一，其產(chǎn)量和質(zhì)量直接影響著糧食安全和農(nóng)業(yè)經(jīng)濟(jì)的發(fā)展。馬鈴薯早疫病是影響馬鈴薯產(chǎn)量與品質(zhì)的主要病害之一，是由茄鏈格孢引起的一種病害，主要危害馬鈴薯葉片，也可侵染塊莖[1]。傳統(tǒng)的馬鈴薯病害診斷方法依賴于專業(yè)人員的經(jīng)驗(yàn)判斷，導(dǎo)致診斷效率較低。本研究通過構(gòu)建驗(yàn)證基于“圖像+光譜”技術(shù)的馬鈴薯早疫病智能診斷方法。通過對(duì)馬鈴薯病斑圖像的數(shù)字化處理、顏色校正及圖像裁剪等步驟，結(jié)合光譜數(shù)據(jù)分析，提取關(guān)鍵特征參數(shù)，實(shí)現(xiàn)對(duì)馬鈴薯早疫病病斑模式的精確識(shí)別。本方法能提高馬鈴薯早疫病的診斷準(zhǔn)確率，還可為智慧農(nóng)業(yè)中植物病害的智能監(jiān)測與預(yù)警提供新的技術(shù)路徑。

1 試驗(yàn)材料

1.1 試驗(yàn)樣本

本研究于2022 年6 月26 日、7 月15 日在四川省成都市某農(nóng)業(yè)科技園區(qū)采集馬鈴薯早疫病典型病害葉片，選擇的馬鈴薯品種為川薯1 號(hào)、川薯2 號(hào)和川薯5號(hào)。當(dāng)?shù)貧夂驐l件下，以上品種表現(xiàn)出不同程度的早疫病敏感性，為研究提供了豐富的數(shù)據(jù)。試驗(yàn)樣本包括300 片表現(xiàn)早疫病癥狀的馬鈴薯葉片和50 片健康葉片（作為對(duì)照組），并使用佳能5DMAREⅡ照相機(jī)對(duì)采集的葉片進(jìn)行拍攝，獲取高質(zhì)量圖像數(shù)據(jù)。拍攝確保葉片與相機(jī)鏡頭保持平行，避免因角度不當(dāng)引起的圖像變形。相機(jī)設(shè)置采用9 焦點(diǎn)模式、5 616×3 744 分辨率進(jìn)行拍攝，以獲得高清晰度的圖像，便于后續(xù)的圖像處理和分析。

1.2 儀器設(shè)備

本試驗(yàn)所應(yīng)用儀器設(shè)備如表1所示。

表1 試驗(yàn)所需儀器設(shè)備Tab.1 Required instruments and equipment for the test

2 試驗(yàn)方法

本文所提出的基于“圖像+光譜”技術(shù)的馬鈴薯早疫病智能診斷方法共設(shè)計(jì)4 個(gè)步驟：首先，搜集并分析馬鈴薯早疫病的癥狀圖片；其次，對(duì)這些圖片進(jìn)行預(yù)處理，包括病斑的增強(qiáng)、分割及特征提取；再次，從這些病斑圖像中提取出關(guān)鍵特征；最后，識(shí)別病斑特征的模式，以完成對(duì)馬鈴薯早疫病的準(zhǔn)確診斷。病害圖像的數(shù)字化處理過程如圖1所示。

圖1 病害圖像數(shù)字化處理過程Fig.1 Digital processing process of disease images

2.1 馬鈴薯葉部病斑圖像顏色校正

在本次試驗(yàn)中，為確保馬鈴薯葉部病斑圖像數(shù)據(jù)的真實(shí)性和一致性，采用白平衡調(diào)整與色彩校準(zhǔn)兩個(gè)環(huán)節(jié)，進(jìn)行病斑圖像顏色校正。

2.1.1 白平衡調(diào)整

為減少環(huán)境光源對(duì)圖像色彩的影響，首先進(jìn)行白平衡調(diào)整。此步驟通過調(diào)整圖像中的紅、綠、藍(lán)三基色分量，使圖像中的白色或其他中性色在不同照明條件下保持一致。使用的公式為：

式中：R、G、B為原始圖像的紅、綠、藍(lán)分量；R′、G′、B′為調(diào)整后分量；Wr、Wg、Wb為參考白色的紅、綠、藍(lán)分量；Ravg、Gavg、Bavg為圖像紅、綠、藍(lán)分量的平均值。

通過此公式計(jì)算，可使圖像在不同光照條件下具有相同的色彩表現(xiàn)。

2.1.2 色彩校準(zhǔn)

本次色彩校準(zhǔn)采用色彩轉(zhuǎn)換矩陣配合多元線性回歸的方法，以提高試驗(yàn)技術(shù)精度。

（1）建立一個(gè)色彩轉(zhuǎn)換矩陣。該矩陣基于標(biāo)準(zhǔn)色卡中的顏色與實(shí)際捕捉圖像中對(duì)應(yīng)顏色之間的關(guān)系[2]。顏色轉(zhuǎn)換矩陣M通過以下公式計(jì)算得出：

矩陣M為3×3 矩陣，通過比較標(biāo)準(zhǔn)色卡和拍攝圖像中相同顏色的RGB值，使用最小二乘法計(jì)算得出。

（2）采用多元線性回歸方法。此方法通過建立每個(gè)顏色通道（紅、綠、藍(lán)）的線性模型來調(diào)整色彩，模型如下：

式中：R、G、B分別代表原始圖像的紅、綠、藍(lán)通道值；R′、G′、B′為校正后的通道值；系數(shù)a、b、c、d通過多元線性回歸分析確定。

2.2 馬鈴薯早疫病病葉數(shù)字圖像裁剪

在本次試驗(yàn)中，馬鈴薯早疫病病葉的數(shù)字圖像裁剪過程采用了專業(yè)的圖像處理軟件Adobe Photoshop。該軟件具備高級(jí)圖像編輯功能，能精準(zhǔn)地處理和裁剪圖像，確保裁剪結(jié)果的準(zhǔn)確性和可靠性[3]。首先，將采集的馬鈴薯病葉原始圖像導(dǎo)入到Adobe Photoshop。在圖像導(dǎo)入后，使用軟件中的選擇工具，如套索工具或魔術(shù)棒工具，準(zhǔn)確地標(biāo)定出含有病斑的葉部區(qū)域。此步驟是基于病斑的顏色、形狀和大小進(jìn)行的，確保僅選定與研究目的相關(guān)的區(qū)域。其次，執(zhí)行裁剪命令，精確去除圖像中的非目標(biāo)區(qū)域，僅保留包含病斑的葉部。裁剪操作要確保圖像中的病斑區(qū)域得到完整保留，同時(shí)去除不相關(guān)的背景或其他非目標(biāo)元素。裁剪后的圖像需要額外調(diào)整，例如圖像的縮放或旋轉(zhuǎn)，以保證所有裁剪后的圖像具有一致的尺寸和方向，為后續(xù)的病斑特征分析和模式識(shí)別提供標(biāo)準(zhǔn)化的輸入。

2.3 馬鈴薯早疫病病斑數(shù)字圖像灰度化處理

灰度化處理的主要目的是將彩色圖像轉(zhuǎn)換成灰度圖像，以簡化圖像數(shù)據(jù)并突出病斑區(qū)域的紋理特征，便于后續(xù)的圖像分析和特征提取。本次試驗(yàn)灰度化處理通過將RGB（紅、綠、藍(lán)）彩色模式轉(zhuǎn)換為單色灰度模式來實(shí)現(xiàn)。該過程涉及到顏色信息的壓縮，其中每個(gè)像素的彩色值被轉(zhuǎn)換為一個(gè)灰度值[4]。轉(zhuǎn)換公式如下：

式中：R、G、B代表原始圖像像素點(diǎn)中紅、綠、藍(lán)的不同分量；Y為轉(zhuǎn)換后的唯一灰度值。

2.4 馬鈴薯早疫病病斑圖像增強(qiáng)

圖像增強(qiáng)旨在提高圖像質(zhì)量，使病斑的特征更加明顯，從而便于后續(xù)的識(shí)別與分析。本試驗(yàn)中采用直方圖均衡化和銳化處理，應(yīng)用直方圖均衡化來改善圖像的整體對(duì)比度，隨后使用銳化處理來突出病斑的邊緣和紋理細(xì)節(jié)，以改善圖像的視覺效果和分析效率[5]。

2.4.1 直方圖均衡化

直方圖均衡化是一種廣泛應(yīng)用于圖像增強(qiáng)的技術(shù)，主要通過改變圖像的亮度分布來提升圖像對(duì)比度。該技術(shù)的操作基于圖像的直方圖，旨在把原始圖像的直方圖調(diào)整成一個(gè)大致均勻的分布，以此來增強(qiáng)圖像整體的對(duì)比度效果。直方圖均衡化的公式如下：

式中：h(v)為原始圖像的直方圖；cumsum(h(v))表示累積直方圖；total_pixels為圖像中的總像素?cái)?shù)；L為灰度級(jí)別的數(shù)量；H(v)為均衡化后的直方圖[6]。

2.4.2 銳化處理

除了直方圖均衡化，本試驗(yàn)還采用了銳化處理來增強(qiáng)圖像的邊緣和紋理細(xì)節(jié)。銳化處理通過增強(qiáng)圖像中的高頻成分來實(shí)現(xiàn)，使圖像看起來更加清晰。常用的銳化技術(shù)包括使用拉普拉斯算子或高通濾波器。銳化的基本公式可以表示為：

式中：I為原始圖像，L×I表示經(jīng)過拉普拉斯算子處理后的圖像；k為增強(qiáng)系數(shù)；I′為最終的銳化圖像。

2.5 馬鈴薯早疫病病斑模式識(shí)別

在本次試驗(yàn)中，馬鈴薯早疫病病斑模式識(shí)別通過結(jié)合高級(jí)圖像處理技術(shù)和機(jī)器學(xué)習(xí)算法得以實(shí)現(xiàn)。首先，利用圖像處理軟件MATLAB 進(jìn)行了病斑的特征提取，包括形狀、大小、顏色和紋理等參數(shù)。其中，形態(tài)學(xué)運(yùn)算用于分析病斑的形狀和大小，色彩空間轉(zhuǎn)換用于提取顏色特征，灰度共生矩陣（GLCM）分析病斑的紋理特性[7]。隨后，提取出的特征被用作支持向量機(jī)（SVM）和卷積神經(jīng)網(wǎng)絡(luò)（CNN）兩種機(jī)器學(xué)習(xí)模型的輸入數(shù)據(jù)，通過在Python 環(huán)境中進(jìn)行模型的構(gòu)建和訓(xùn)練，完成對(duì)新的圖像樣本進(jìn)行分類和識(shí)別。

3 結(jié)果與分析

3.1 馬鈴薯早疫病樣本獲取

在本次試驗(yàn)中，建立了一套完備的光照采集系統(tǒng)，如圖2所示。試驗(yàn)中，數(shù)碼相機(jī)拍攝的照片被上傳到計(jì)算機(jī)系統(tǒng)，創(chuàng)建了一個(gè)包含馬鈴薯葉部病害的數(shù)字圖像數(shù)據(jù)庫，為之后的病害診斷提供了重要的數(shù)據(jù)支持。采集的馬鈴薯早疫病病害圖像如圖3所示。

圖2 計(jì)算機(jī)視覺數(shù)字圖像采集設(shè)備Fig.2 Computer vision digital image acquisition equipment

圖3 馬鈴薯早疫病病狀圖Fig.3 Potato early blight disease symptom map

3.2 馬鈴薯早疫病病斑圖像顏色校正結(jié)果

在本次試驗(yàn)中，為了確保馬鈴薯早疫病葉片圖像的顏色一致性和標(biāo)準(zhǔn)化，采用了白平衡調(diào)整與色彩校準(zhǔn)兩種校準(zhǔn)方法，校準(zhǔn)后的圖像如圖4所示。

圖4 馬鈴薯圖像顏色校正圖像Fig.4 Potato image color correction image

通過比較校正前后的效果，無論是掃描儀還是照相機(jī)拍攝的灰卡圖像，在應(yīng)用顏色校正公式后，均能獲得一致的效果。說明本次系統(tǒng)中使用的校正算法對(duì)不同的光照條件有很好的適應(yīng)性，能夠有效地使馬鈴薯葉片的圖像在各種光線環(huán)境下保持一致的色彩表現(xiàn)。通過這種算法校正，即使在變化的光照條件下，也可達(dá)到較好的圖像色彩效果。

3.3 馬鈴薯早疫病病葉數(shù)字圖像裁剪效果

通過使用Adobe Photoshop 軟件，對(duì)圖像進(jìn)行裁剪，實(shí)現(xiàn)了馬鈴薯早疫病目標(biāo)圖像與復(fù)雜背景的剝離，成果如圖5所示。

圖5 馬鈴薯早疫病受影響葉片的數(shù)字圖像裁剪效果Fig.5 Digital image cropping effect of potato early blight affected leaves

3.4 馬鈴薯早疫病病斑數(shù)字圖像灰度化處理效果

對(duì)處理后獲得的病斑區(qū)域再次進(jìn)行灰度化處理，生成了基于RGB 和HIS 顏色模型的6 個(gè)不同通道的灰度圖像（如圖6所示）。

圖6 馬鈴薯早疫病病斑圖像灰度化處理Fig.6 Grayscale processing of potato early blight lesion images

經(jīng)過仔細(xì)比對(duì)和分析這些圖像，觀察到在RGB 模型中，所采用此R 通道灰度化的圖像可清晰展示馬鈴薯早疫病病斑的邊界，并保留了較為完整的細(xì)節(jié)特征。此發(fā)現(xiàn)對(duì)于后期病斑特征分析與提取較為有利。同時(shí)考慮R 通道灰度化圖像在揭示病斑特征方面的明顯優(yōu)勢(shì)，試驗(yàn)決定使用R 通道的圖像進(jìn)行馬鈴薯病斑的進(jìn)一步分析和處理。

3.5 馬鈴薯早疫病病斑圖像增強(qiáng)效果

將灰度化處理后的病斑圖像，采用直方圖均衡化和銳化處理進(jìn)行圖像增強(qiáng)處理，結(jié)果如圖7所示。

圖7 馬鈴薯早疫病病斑增強(qiáng)圖像Fig.7 Enhanced images of potato early blight lesions

3.6 馬鈴薯早疫病病斑模式識(shí)別

在本次試驗(yàn)中，對(duì)于馬鈴薯早疫病病斑模式的識(shí)別結(jié)果表現(xiàn)出了顯著的準(zhǔn)確性和效率。試驗(yàn)共處理了350 片葉片樣本，其中包含300 片表現(xiàn)早疫病癥狀的葉片和50片健康葉片作為對(duì)照組。通過應(yīng)用支持向量機(jī)（SVM）和卷積神經(jīng)網(wǎng)絡(luò)（CNN）兩種機(jī)器學(xué)習(xí)模型，成功地對(duì)病斑葉片進(jìn)行了有效識(shí)別。

在使用SVM 模型識(shí)別時(shí)，早疫病識(shí)別準(zhǔn)確率大約在92%，表明了該模型在病斑識(shí)別上的可靠性。在應(yīng)用CNN 模型時(shí)，識(shí)別準(zhǔn)確率提升至大約95%，顯示出更高的診斷效能。特別是在提取病斑的形狀和紋理特征方面，CNN 模型展現(xiàn)出了更為精細(xì)和深入的分析能力。而在健康葉片的識(shí)別方面，準(zhǔn)確率達(dá)到了接近98%，進(jìn)一步驗(yàn)證了模型的有效性和魯棒性。且試驗(yàn)僅存在少量的錯(cuò)誤分類，包括SVM 模型中大約24 例誤判，CNN模型中約17例誤判，在總體樣本量中占比較小。

綜合來看，本次試驗(yàn)中應(yīng)用的“圖像+光譜”技術(shù)在馬鈴薯早疫病病斑的模式識(shí)別上展現(xiàn)出了高效和精準(zhǔn)的特點(diǎn)。其中CNN模型更是在處理復(fù)雜圖像和特征時(shí)表現(xiàn)出了卓越的性能，為馬鈴薯早疫病的早期診斷和智能化處理提供了強(qiáng)有力的技術(shù)支持。此項(xiàng)技術(shù)的成功應(yīng)用，對(duì)于提高農(nóng)業(yè)生產(chǎn)中病害診斷的效率和準(zhǔn)確性，具有重要的實(shí)際意義。

4 結(jié)語

綜上所述，為實(shí)現(xiàn)馬鈴薯早疫病的智能化診斷，本文提出了基于“圖像+光譜”的智能化診斷方法。此方法通過高效地收集和處理馬鈴薯早疫病病斑的相關(guān)圖像信息，包括數(shù)字化處理、顏色校正和圖像裁剪等關(guān)鍵步驟，有效地提取了病斑的關(guān)鍵特征。此外，利用先進(jìn)的機(jī)器學(xué)習(xí)技術(shù)，如支持向量機(jī)和卷積神經(jīng)網(wǎng)絡(luò)，實(shí)現(xiàn)了對(duì)馬鈴薯早疫病病斑模式的高精度識(shí)別和自動(dòng)診斷。此方法不僅可提高了馬鈴薯早疫病診斷的準(zhǔn)確性和效率，而且還能為智能化植物病害監(jiān)測和預(yù)警提供了全新的技術(shù)途徑。