基于计算机视觉的红枣叶片病害严重度估测方法

白铁成 张任 孟洪兵* 王兰

(1 塔里木大学信息工程学院，新疆阿拉尔 843300)

(2 塔里木大学植物科学学院，新疆阿拉尔 843300)

红枣属于中国的特有物种之一。新疆南部地区由于自然条件优越，成为优质红枣生产基地。但每年因为病害的影响，年均产量下降达30%以上，严重年份更是达50%以上，严重的影响了红枣的产量和品质［1］，而对病害严重度进行准确快速识别是防治的首要任务。

目前主要使用的病害识别方法主要有声测、诱集、近红外、人工诊断等［2］。这些方法虽然各有优点，但都存在效率低、时效差的问题，使病害得不到及时有效的处理，错过了最佳防治时机。

计算机视觉(Computer Vision)是指由人们利用相机等图像采集设备获取图像，并通过计算机实现对图像的处理与识别过程。随着图像处理技术和模式识别技术的发展，使计算机视觉技术应用于农作物病害的识别取得了很大的进步。

国外较早的开展了农作物病害检测和识别的研究。Keagy、Zayas、Christopher等利用计算机视觉技术实现了储粮害虫智能识别，识别率达到了86%以上。Watson［3］等对常见的鳞翅目昆虫的图像进行识别研究，精确度到达到了83%以上。Murakami［4］等采用灰度共生矩阵等多种方法对黄瓜叶片上的蓟马进行辨别，分类精度达到了98%以上。Shariff［5］开发了基于模糊逻辑的分类识别及虫量计数算法。R.Pydipati［6］等利用颜色共生法提取 39 个纹理特征组成的特征集，而后基于Maha－lanobis最小距离分类器和神经网络识别器对柑橘类植物叶片进行病害识别，识别效果较好。Anshuka S［7］等在三维颜色空间中运用统计阈值的方法实现葡萄病害叶片图像分割。Ydipati RP［8］等通过图像处理和神经网络技术结合实现了柑橘病害的检测。

国内的对病害的智能识别研究起步较晚。田有文［9－10］等应用计算机图像处理技术和支持向量机识别方法进行了葡萄叶部病害的识别;马德贵［11］等利用椭圆模型来检测水稻稻瘟病及水稻纹枯病的危害程度;毛罕平［12］等提出了一种基于模糊C均值聚类算法的作物病害图像自适应分割方法，对作物病害图像的分割处理平均误差率小于5%;陈兵旗［13］通过小波变换和纹理矩阵算法对小麦病害图像的诊断准确率达90%;关辉［14］等开发了一种能够快速准确地对黄瓜叶片病害的严重程度进行分级的方法;吴迪［15］等利用光谱成像技术实现了茄子灰霉病的无损检测;邱道尹［16］等实现了大田病害系统的研究。但利用计算机视觉技术进行红枣病害进行快速识别的报道较少。

基于以上背景，针对新疆红枣的生态条件，结合前端采集的便携式显微图像(放大100倍)，以红枣叶片病斑严重度所导致的颜色特征差异为主要依据，提出了一种图像处理技术和GA－BP神经网络结合的枣树叶片病害严重度估测方法，为利用计算机视觉技术实现红枣病害的快速检测识别提供有益的参考，对构建红枣病害诊断模型库也具有重要的指导意义。

1 枣树叶片病害图像预处理

在对枣树叶片病害图像进行识别前，需要对图像进行各种预处理，结合红枣叶片图像特征提取的实际要求，对图像进行了灰度化、图像增强、图像分割等预处理。

1.1 图像灰度化处理

前端便携式显微采集设备获取的图像数据量非常大，如果直接进行识别，系统建模时间会大大增加，所以首先需要对红枣叶片图像进行灰度化处理，较少数据量。

常用的灰度化处理的方法有3种:平均值法、最大值法和加权平均值法，通过对三种方法的实际测试分析，采用了加权平均值法。根据图像色彩的贡献度给R、G、B赋予不同的权值，并加权平均，即:

其中WR，WG，WB分别为R，G，B的权值。经实验测试，当 WR=0.30，WG=0.59，WB=0.11 时能够得到最合理的灰度图像。

灰度化处理后效果如图1所示。

图1 图像灰度化处理效果图

1.2 图像增强处理

红枣叶片病害图像由于采集仪器的本身误差和人手抖动的原因必然会造成图像的模糊，影响模型的识别精度，所以需要对采集图像进行增强处理。为了保护图像的边缘和病斑信息采用中值滤波技术进行红枣叶片图像的增强处理。

中值滤波是采用一个含有奇数个点的滑动窗口，用窗口中各点的灰度值的中值来代替窗口中心点像素的灰度值。对于一个一维序列，取窗口长度为m，m为奇数。对此序列进行中值滤波，就是从输入序列中顺序取出m个元素，将这m个元素按照数值大小排列，位于正中间的那个数值作为滤波输出。即:

式中:Med{…}表示取序列中值，v=(m－1)/2。

对二维序列{fij}进行中值滤波时，滤波窗口也是二维的，将窗口内按像素排序，生成单调数据序列{xij}，二维中值滤波的结果为:

利用中值滤波方法对含有噪声的红枣叶片进行处理，如图2所示。

图2 中值滤波效果图

1.3 图像分割

在红枣叶片图像特征提取时，往往仅对红枣叶片染病图像部分感兴趣，因此要把红枣叶片染病区域分离、提取出来。本文选用迭代法实现叶片图像的阈值分割，提取叶片的染病特征区域。迭代法是基于逼近的思想，具体算法步骤如下:

1.3.1 求图像中最大灰度值 Zmax和最小灰度值

Zmin，令最初阈值T0满足:

1.3.2 根据阈值Tk将图像分割成目标和背景两部分，求出两部分的平均灰度值:目标的平均灰度值Zmb和背景的平均灰度值Zbj:

Z(i，j)－ (i，j)点的灰度值，N(i，j)－ (i，j)点的权重系数，取 N(i，j=1.0);

1.3.3 求出新的阈值;

1.3.4 如果 Tk=T(k+1)，则结束，否则k=k+1 ，转到第(2)步。

根据上面所述的算法，阈值分割效果图如图3。

图3 阈值分割效果图

2 枣树叶片病害图像颜色特征提取

为了充分发掘红枣叶片图像颜色信息，我们定义了8个颜色特征对红枣叶片颜色进行定量描述，分别是:R(Red)均值、R标准差、G(Green)均值、G标准差、B(Blue)均值、B标准差、L(Lightness)亮度均值、L标准差。平均值表示平均亮度值;标准偏差表示亮度值的变化范围。颜色特征的计算公式如下:

利用上述计算公式提取红枣病害叶片(正常、轻微、一般、严重)的颜色特征。

3 识别模型的建立

传统的BP神经网络易出现网络收敛速度慢和陷入局部极小的问题，所以本文中采用遗传算法(GA)对BP神经网络的权值和阈值进行了优化。

种群初始化利用MATLAB工具箱中的initializega()函数来实现，调用格式为:pop=initializega(populationSize，variableBounds，evalFN，evalops，options)。

初始种群产生后，利用ga()函数实现遗传算法的优化过程，包括选择、交叉、变异等。调用格式为:

［x，endPop，bPop，traceInfo］=ga(bounds，evalFN，evalops，startPop，opts，termFN，termops，selectFN，selectops，xOverOps，mutFNS，mutOps)。

对输入自变量进行优化筛选时，对应的适应度子函数和编码子函数分别为fitness.m、de_code.m，对BP神经网络的权值和阈值进行优化时对应的适应度子函数和编码子函数为gabpEval.m和gadecod.m。

GA－BP神经网络设计的输入端节点数为8，输出层为4。隐含层的神经元传递函数选用tansig，输出层的神经元传递函数选用purelin，隐层设定为17个神经元。

4 实验结果

本研究对正常和轻微、一般、严重感染病害的红枣叶片共500张数字图像分别提取了8个颜色特征参数值，其中400张作为训练样本用来训练神经网络，另外100张作为测试样本用来测试网络性能，均方误差小于0.01时停止训练。训练收敛时的误差曲线图如图4所示。

图4 训练收敛时的误差曲线

实验选取采集的红枣病害显微图像进行建模，在MATLAB实际测试结果如图5所示。

图5 模型实际测试结果

从实际测试结果可以看出，正常和严重感染病害的叶片颜色特征明显，识别精度较高，达到94%以上;轻微病害由于颜色界定不明显，所以识别精度较低，确诊率为75%;一般病害颜色特征较明显，确诊率为85%。

5 结论与展望

该研究从红枣叶片病斑的颜色特征入手，通过计算机视觉技术实现了红枣叶片病害严重度的快速识别，模型的平均识别精度为87.93%，可以满足实际生产需求。但研究中只利用最主要的颜色特征进行建模识别，并未考虑叶片病斑的其他图像特征，如病斑的几何特征和纹理特征，如能把病斑的面积、形状参数以及纹理特征加入到模型的输入参数中，可望获得更高的识别精度。

［1］邹修国.基于计算机视觉的农作物病害识别研究现状［J］.计算机系统应用，2011(6):238 －242.

［2］舒继平，陈恢彪.干旱地区红枣直播建园栽培技术［J］.塔里木大学学报，2009(2):124 －126.

［3］Watson AT，O’Neill MA.Kitching U.Automated identification of live moths(Macrolepidoptera)using digital automated identification system(daisy)［J］.Systematics and Biodiversity，2004(3):287 －300.

［4］Murakami S，Homma K，Koikc T.Detection of small pests on vegetable leaves using GLCM［J］.2005 ASAE Annual International Meeting，Tampa，Flodda，USA，2005.9:15 －18.

［5］Shariff ARM，Aik YY，Hong WT.Automated identification and counting of pests in the paddy fields using image analysis［J］.Proc.of the 4th World Congress on Computers in Agriculture，Orlando Florida，USA.2006:759 －764.

［6］R.Pydipati，T.F.Burks，W.S.Lee.Statistical and neural network classifiers for citrus disease detection using machine vision［J］.Transactions of ASAE，2005(5):2007 －2014.

［7］Anshuka S，Ma Shugen，Kousuke I.Development of a sensor for automatic detection of downey mildew disease［A］.Proceedings of the 2004 International Conference on Intelligent Mechatronics and utomation［C］.Chengdu，China，2004:562 －567.

［8］Ydipati RP，Burks T F，Lee W S.Statistical and neural network classifiers for citrus disease detection using ma-chine vision ［J］.Transactions of the ASAE，2005(5):2 007－2 014.

［9］赵聪慧，张淑娟.作物病害的计算机视觉和光谱检测技术研究进展［J］.农机化研究，2009(11):230－234.

［10］田有文，李天来，李成华等.基于支持向量机的葡萄病害图像识别方法［J］.农业工程学报，2007(6):175－179.

［11］马德贵，邵陆寿，葛婧等.水稻稻瘟病及水稻纹枯病病害程度图像检测［J］.农业工程科学，2008(24):485－489.

［12］毛罕平，张艳诚，胡波.基于模糊C均值聚类的作物病害叶片图像分割方法研究［J］.农业工程学报，2008(9):136－140.

［13］陈兵旗，郭学梅，李晓华.基于图像处理的小麦病害诊断算法［J］.农业机械学报，2009(12):190－195.

［14］关辉，张长利，张春媛.基于图像处理的黄瓜叶片病斑分级方法的研究［J］.农机化研究，2010(3):94－97.

［15］吴迪，朱登胜，何勇等.基于地面多光谱成像技术的茄子灰霉病无损检测研究［J］.光谱学与光谱分析，2008(7):1496－1500.

［16］邱道尹，张红涛，刘新宇，等.基于机器视觉的大田害虫检测系统［J］.农业机械学报，2007(1):120－122.