基于图像处理的农作物病害识别研究现状

李 旺，唐少先

(湖南农业大学 信息科学技术学院，湖南 长沙 410128)

农业是我国经济发展的基石。随着生活水平的提高，人们对日常农作物的品质要求也越来越高，农作物病害是限制农民生产的重要因素，由于病害损失巨大，直接影响农作物市场销量。

目前在实际生产中，农民主要依靠自身经验，凭感觉地对作物病害进行诊断。虽然这也取得了一定的效果，但农民毕竟不是专家，并且识别能力有限，往往在作物的病害程度比较重时肉眼才能识别，这样就不能做到“对症下药”和及时防治。如此依靠人的视觉系统再凭丰富的经验（主观、局限、模糊），不足以说明识别病害的科学性。传统的病害检测方法不仅费时费力，还严重影响病害预报准确率。

随着计算机图像处理和识别技术的发展，给作物的病害准确识别带来了可能。及时、快速的发现并识别农作物病害，为及时正确采取相应措施防治病害，减少病害带来的损失具有重要意义。为此，论述了图像处理在农作物病害识别中的国内外研究现状。

1 基于图像处理的农作物病害识别概述

农作物得病后，其新陈代谢会发生一定的改变，这种改变可以引起植物细胞和植物外部形态的改变，绝大多数会在叶子上表现出来，使叶子的颜色、形状、纹理发生变化。由于其致病的病原物的不同，形成了对植物的主要危害部位的不相同。因此，这就为我们采用图像处理和模式识别技术，通过农作物的病叶来判断农作物的染病情况提供了可能。

图像识别系统可以分为三个主要部分，其框图如图1所示。第一部分是病害图像信息的获取，第二部分是信息的加工与处理，第三部分是判决与分类。

图1 图像识别系统框图

图像信息的获取：利用各种输入设备将要识别对象的信息输入计算机，通过测量、采样和量化，可以用矩阵或者向量来表示待识别对象的信息；预处理：应用图像平滑、增强、变换和滤波等技术对图像进行处理，去除噪声，加强有用的信息；特征提取与选择：为了有效地实现分类识别，得到最能反映分类本质的特征；判决与分类：用一定数量的样本确定出一套分类判别规则，按已确定的分类判别规则对待识别模式进行分类判别。

2 研究现状

20世纪50年代出现的数字图像处理技术在60年代初期便成为一门正式的学科。近20多年来，随着数字图像处理技术的专业化、各种模式识别技术的日趋成熟，数字图像处理技术在农作物缺素识别诊断、种子质量检验、农产品品质检测与分级等方面得到了广泛研究，并且在农业领域显示出巨大的应用潜力。但是图像识别在作物病虫害方面的研究起步相对较晚，文献较少。

2.1 国外研究现状

国外对农作物病害的图像识别研究起于20世纪80年代。

安冈善文等（1985）对作物叶片受有害气体污染后的红外图像进行了研究，叶子的红外图像清晰显示了被污染的区域，并提出可通过病叶来诊断植物病害。

穗波信雄等（1989）利用分别对缺乏钙、铁、镁营养元素的茨菇叶片进行了一些基础研究，他们利用直方图分析了颜色特征，利用RGB颜色直方图波峰分布位置，来提取叶片的颜色特征，又用阐值法分割出叶片上病态部分和正常部分，并计算出两者的面积比作为特征。他们提取的特征不明显，较难区分开缺素病。

Yuataka SASAKI（1999）研究了黄瓜炭疽病的自动识别技术。根据不同的分光反射特性和光学滤波对病害识别的影响，采用遗传算法，从分光反射特性和形状特性的角度建立了识别参数，对病害进行了识别。由于他们未充分利用病害的颜色及纹理信息，因此识别精度不高。

LuigiBodria等（2002）对不同真菌感染的小麦进行了多光谱图像识别，研究使用200W的疝气灯作为光源，并配备了一个低通滤光装置，使光源的辐射波长在360nm~430nm之间，相机分别用690nm的单一波段和4个多光谱波段(450nm，550nm，690nm，740nm)采集图像。研究分别在实验室和田间进行，可以在病害的前2-3天通过肉眼识别出病害。

Mohammed E1-Helly等（2004）开发了综合图像处理系统自动检测叶片病斑来识别病害类型，此系统利用人工神经网络作为分类器，能较好的识别黄瓜白粉病、霜霉病和受潜叶虫危害的叶片。

Mohammad Sammany（2007）等利用遗传算法优化神经网络的结构和参数来识别植物病害图像；同时把支持向量机和神经网络两种方法应用于识别植物病害。后来，他们利用粗糙集来减少神经网络分类器的输入特征向量，以此提高分类效率。

Tellaeche等 （2008）根据场景的透视几何原理，利用Hough变换，gabor滤波方法就可以探测出农作物的排列，加之相应的区域标记法、贝叶斯等识别算法就可以识别出行之间的杂草，解决了不同透视角度与不同空间频率下的杂草识别。

2.2 国内研究现状

国内在这方面起步较晚，但是有一些高校或者科研院所一直在开展农作物病害图像识别技术的研究。

陈佳娟等（2001）采用计算机视觉技术，根据棉花叶片的孔洞及叶片边缘的残缺，来测定棉花虫害的受害程度。该方法应用局部门限法完成图像与背景的分割；用高斯拉普拉斯算子，进行棉花图像的边缘检测；利用边缘跟踪算法确定棉叶中的孔洞；利用膨胀算法确定叶片边缘的残缺。实验结果表明，该方法可有效的测定棉花虫害的受害程度，其测定误差小于0.05。

张长利等(2001)利用遗传算法训练的多层前馈神经网络实现番茄成熟度的自动判别的研究。对50个不同成熟度的番茄样本进行检测，结果表明，遗传算法与人工神经网络相结合，在农产品品质自动检测中具有巨大的潜力和广阔的应用。

徐贵力，毛罕平等（2003）针对无土栽培番茄缺乏营养元素智能识别研究中，如何提取缺素叶片纹理特征问题，提出了差分百分率直方图法。特征有效性不受叶片大小、形状差异和叶片图像中叶片周边白色背景的影响，实验验证该方法能较好地提取出缺素叶片纹理特征。最后利用K一近邻模式识别法进行模式识别，识别的准确率在80%以上。

程鹏飞(2005)选取合适的色度学系统，从颜色和纹理两方面人为地选择合适的特征参数，利用模糊K一近邻法建立分类器对植株叶片进行模式识别。但人为地选择特征参数，影响识别准确度度，可以利用一些优化算法来对特征参数进行优化选择。

田有文，牛妍（2009）探讨了采用支持向量机（SVM）对黄瓜病害进行分类的方法；提取了病斑的形状、颜色、质地、发病时期等特征作为特征向量，利用支持向量机分类器，选取4种常见核函数，以Matlab7.0为平台对10类常见病害进行识别。结果表明，SVM方法在处理小样本问题中具有良好的分类效果，线性核函数和径向基核函数的SVM分类方法在黄瓜病害的识别方面优于其他类型核函数的SVM。

刘鹏（2011）以次郎甜柿为研究对象，应用快速独立分量方法对病害图像进行处理，去除病害图像中的随机噪声。提取病害甜柿表面图像的纹理特征参数和颜色特征参数后采用支持向量机（SVM）识别甜柿表面病害。研究表明快速独立分量方(FASTICA)法可以很好地扩展病害区域边缘。采用图像纹理特征参数和颜色特征参数结合构建支持向量时，识别准确率和速度都高于只用单一特征参数的情况。在选择图像纹理特征参数和颜色特征参数结合作为支持向量的基础上，对结构参数进行优化选择。结果表明：SVM核函数为Sigmoid对果体表面病害的识别效果较好。

可以看出，近些年来，国内外专家学者对农作物病害识别检测进行了广泛的研究，通过对农作物病害图像的预处理，提取病害特征参数，使用不同的分类器达到智能识别的目的。

3 结语

（1）有待于提高病害识别精度。目前图像识别的方法大致有5类：统计识别、结构识别、模糊识别、神经网络识别和支持向量机识别，各种方法有自身的特点，没有哪一种方法在各种农作物病害识别中通用，针对不同作物采取相应的识别算法才能提高识别率。改进图像识别率的相关算法也是今后的研究重点。

（2）有待于多部位提取特征参数。由于一种农作物病害的症状不只是病叶颜色、纹理、形状特征等外部特征，不仅要综合利用病叶颜色、形状、纹理等特征参数进行多变量特征参数提取的同时，也要考虑农作物根、茎、花果等所表现的症状信息，忽略了这些信息在一定程度上影响了识别的精度。因此，建议以后应将叶、根、茎、花果病症特征进行信息融合，从不同部位提取特征参数，进一步提高系统的识别精度。

（3）有待于推广到实际生产中。目前国内外利用计算机图像处理技术进行蔬菜病害识别的研究大多都停留在对其算法的可行性探究上还停留在实验室阶段，并未推广到实际生产过程中。

（4）有待于实现动态识别病害。农作物病害的种类繁多、症状具有多样性，这些特点给病害的模式识别造成了较大困难，目前大多数识别系统都是离线的、静态的条件下分析识别，如何对田间农作物病害实时地、在线地动态识别，以便及时采取防治措施，还有待于进一步研究。

[1]安冈善文.图像处理技术在环境中的应用.电气学会杂志特集.1985:455~458.

[2]穗波信雄.根据图像提取植物的生长信息.农业机械学会关西支部第6次支部研究资料.1989,10:1~2.

[3]Yutaka SASAKI,Tsuguo Okamoto.Automatic Diagnosis of Plant Disease recognition Between Healthy and Healthy and Diseased Leaf.Journal of JSAM.1999,61(2)119~126.

[4]LuigiBordria.Marco Fiala,Roberto Oberti,Ezio Naldi.Chlorophyll fluorescence sensing for early detection of crop's disease symp toms ASAE Meeting Preseniation(Ppaer No.021114),002.

[5]E1-Helly M.,El-Beltagy S.,and Rafea A..Image analysis based interface for diagnostic expert systems[A].Proceedings of the Win ter international synposium on information and Communication Technologies[C].Trinity College Dublin,2004,1~6.

[6]Sammany,M.,T.Medhat:Dimensionality Reduction Using Rough Set Approach for Two Neural Networks-Based Applications[A].Rough Sets and Intelligent Systems Paradigms[C].Heidelberg:Springer Berlin,2007,639~647.

[7]Tellaeche A,Burgos-Artizzu X P, Pajaresa G,Ribeiro A.A vi sion-based method for weeds identification through the Bayesian decision theory[J].Pattern Recognition 2008(41):521~530.

[8]陈佳娟,赵学笃.采用计算机视觉进行棉花虫害程度的自动测定[J].农业工程学报.2001,l7(2):157~160.

[9]张长利,房俊龙.用遗传算法训练的多层前馈神经网络对番茄成熟度进行自动检测的研究[J].农业工程学报.2001,17(3):153~156.

[10]徐贵力,毛罕平等.差分百分率直方图法提取缺素叶片纹理特征.农业机械学报[J].2003,34(2):76~79.

[11]程鹏飞.植物病害的图像处理及特征值提取方法的研究[D].山西:山西农业大学.2005.

[12]田有文,牛妍.支持向量机在黄瓜病害识别中的应用研究.农机化研究[J]..2009,(3):36~39.