基于图像处理技术与Android手机的小麦病害诊断系统

夏永泉，李耀斌，李　晨

(郑州轻工业学院 计算机与通信工程学院，河南 郑州 450001)



基于图像处理技术与Android手机的小麦病害诊断系统

夏永泉，李耀斌，李晨

(郑州轻工业学院 计算机与通信工程学院，河南 郑州 450001)

为了智能化农业的发展，提高农作物病害诊断水平，及时采取防治措施，提出一种基于图像处理技术与Android手机的病害智能诊断系统的设计方法.系统不受时间和地域限制，用户可以在具备网络覆盖的地方将采集到的病害图片发送至服务器端.服务器端接收到病害图片后，在HSI(horizintalsitutationindicator)颜色空间对病害图像分割，利用颜色矩和灰度共生矩阵来提取病害颜色和纹理特征参数，并将优选的特征参数输入支持向量机识别，识别结果反馈给客户端.实验结果表明：该系统可以准确高效地识别出病害种类，有较强的实用性和推广应用前景.

小麦病害；Android系统；病害诊断；支持向量机

农业是我国经济发展的基石，也是我国国民经济的基础，在整个国民经济中占有重要地位.我国以占世界约9%的耕地,生产了占世界约25%的粮食，养活了占全球约22%的人口，取得了令世人瞩目的成就.小麦是我国主要的粮食作物之一，种植面积位居第二，仅次于水稻.病虫害问题是影响小麦产量和质量的关键问题之一[1-3].农户受生产管理技术水平、知识范围的限制，很难做到对病虫害合理、有效的防治.目前，对植物叶片病害的识别研究中以模型专家系统和数据库专家系统为主，图像处理类较少[4-5].由于农户不能对症状精确描述，导致这些系统很难大范围推广.随着智能手机的普及和科学技术的发展，通过将智能手机和图像处理技术有效结合，对农作物病害进行远程诊断研究，可使农户及时准确地采取相应措施防治病害，减少病害带来的损失，对小麦高产、优产具有重要意义.

作者利用图像处理技术与开源的Android手机平台，提出一种病虫害智能诊断系统的设计方法，并以小麦病害智能诊断为例，开发了小麦病害诊断系统，为同类系统的开发和移植提供了参考.该系统界面操作简单、诊断速度快、诊断结果精确高，对农户合理、有效地防治田间小麦病害具有一定作用.

1　系统设计

1.1开发环境

小麦病害诊断系统的开发环境为JDK(JavaDevelopmentKit) +Eclipse+AndroidSDK(SoftwareDevelopmentKit) +ADT(AndroidDevelopmentTools) +Tomcat.其中:JDK提供Java的开发环境和运行环境;Eclipse是基于Android开发的集成开发环境;AndroidSDK提供开发Android应用程序所需的API库和构建、测试及调试Android应用程序所需的开发工具;ADT是支持Android程序开发的插件，使得创建、运行和调试Android应用更加方便快捷;Tomcat是一个小型的轻量级应用服务器[6-7].

1.2系统主要功能

小麦病害诊断系统分为客户端和服务器端，采用C/S架构[8].客户端的主要功能包含两个部分：(1) 病害图像采集；(2) 病害图像裁剪.Android手机端可以调用拍照功能采集病害图像或在相册中选择病害图像，并以人机交互方式对选择的图像裁剪，通过裁剪可简化图像背景、减少数据传输量.

服务器端的主要功能包含3个部分：(1)病害图像分割；(2)病害特征提取；(3)病害诊断.根据病害图像特点，在HSI颜色空间实现小麦病害图像自动分割；然后，将优选出的7个能反映样本本质的特征作为小麦病害识别的有效特征，可有效地提高诊断准确率、减少诊断时间；最后，将优选的特征作为输入向量并构建基于径向基核函数的支持向量机模型对病害诊断.系统具有诊断及时、快速、准确的特点，可以满足远程诊断的实际需要.小麦病害诊断系统的功能框架如图1所示.

图1　系统功能框架Fig.1　Functional framework of the system

2　病害图像分割

通过人机交互方式裁剪后的图像只包含叶片健康区域和病害区域，通常叶片的健康区域为绿色，而病害区域为非绿色.根据图像的特点，去除绿色像素得到病害区域.但是在基于RGB(red,green，blue)颜色模型的图像中，红、绿、蓝3原色之间的相关性很大，不能用一个单一的参数对图像中的绿色像素划定一个区间，所以不能靠设置r、g、b的值去除图像中的绿色像素.而在HSI(horizintalsitutationindicator)颜色空间中，色调、饱和度和强度独立解耦[9]，能够将像素点颜色信息准确量化，所以将RGB颜色空间转换为HSI颜色空间，利用色调H和饱和度S提取植物叶片病斑.通过对图像上色调不同的部位进行了大量取样，得出去除叶片健康区域的公式为

(1)

分别采用最大类间方差法、迭代法和论文分割算法对小麦白粉病、条锈病、叶锈病和秆锈病叶片图像分割，3种阈值分割算法分割结果如图2所示.

图2　分割结果Fig.2　Segmentation results

由上述实验结果可知，白粉病、条锈病和叶锈病灰度值均小于叶片健康区域灰度值，而秆锈病灰度值大于叶片健康区域灰度值，虽然最大类间方差法和迭代法可以将叶片健康区域和病害区域分割为两部分，但计算特征参数值时，计算机无法分辨叶片健康区域和病害区域，不利于病害自动识别.论文分割算法不仅具有较好的分割结果，而且以绿色像素和非绿像素为标准区分叶片健康区域和病害区域的方法具有通用性，所以选择该算法作为病害识别时的病害图像分割方法.

3　病害有效特征提取

3.1纹理和颜色特征

灰度共生矩阵是由Haralick[10]提出的一种用来分析图像纹理特征的重要方法，反映的是图像灰度关于方向、相邻间隔、变化幅度的综合信息.为了更直观地描述纹理状况，定义了14个灰度共生矩阵特征参数进行纹理分析.Ulaby等[11]研究发现:14个灰度共生矩阵特征参数,仅有4个特征是不相关的,这4个特征不仅便于计算，而且分类精度较高.因此，利用能量(Energy)、对比度(Contrast)、熵(Entropy)、相关性(Correlation)这4个[12]参量提取病害纹理特征，其公式分别为

(2)

(3)

(4)

(5)

其中：μ1，σ1表示行方向上纹理参数的均值和方差;μ2，σ2表示列方向上纹理参数的均值和方差.

颜色矩是由Stricker和Orengo[13]提出的一种简单有效的颜色特征表示方法，其中颜色信息主要分布于低阶矩中.因此，利用一阶矩(Ei)和二阶矩(σi)提取病害颜色特征，其公式分别为

(6)

(7)

其中：pij表示彩色图像第i个颜色通道第j个像素的颜色值，N表示像素总数.

3.2特征优选

病害识别时，各种特征参数对病害诊断的贡献度不同，冗余特征变量会使识别模型训练时学习过多的样本特征，而不能反映内含的主要规律，导致预测能力下降.平均影响值反映了神经网络中权重矩阵的变化情况，被认为是在神经网络中评价变量相关性最好的指标之一[14].支持向量机与传统的神经网络相比，结构简单，泛化能力明显提高.将平均影响值的思想应用于支持向量机回归进行非线性特征变量优选，算法过程如下：

(1) 使用训练样本S对支持向量机进行训练.

(2) 将训练样本S中的每一自变量分别在其原值基础上加10%、减10%，得到两个新的样本S1和S2.

(3) 对S1和S2进行回归预测，得到两个结果M1和M2.

(4)M1和M2的差值为变动该自变量后对输出产生的影响变化值W.

(5) 将W按观测例数平均得到该自变量对于因变量的平均影响值MIV.同理可以依次求出每个自变量的MIV值.

(6) 根据MIV绝对值的大小为各自变量排序，得到位次表，即实现了特征变量优选.

在Matlab7.0下仿真试验，选取小麦白粉病、条锈病、叶锈病和秆锈病病害图像80张(每种病害20张)作为训练样本，计算样本图像纹理和颜色特征，并对其进行特征变量优选.根据每个特征变量对识别结果的影响程度进行排序，排序结果如表1所示.

表1　MIV位次表

根据MIV位次表顺序，分别使用1～14个特征变量作为输入向量，以十折交叉验证的思想评估预测模型精度.将训练样本数据集分成10份，轮流将其中9份作为训练集，1份作为测试集，10次测试结果的均值作为对模型精度的估计.14个预测模型的精度如图3所示.

由上述实验结果可知，选择G分量一阶矩、G分量二阶矩、R分量二阶矩、B分量二阶矩、R分量一阶矩、熵均值和B分量一阶矩7个特征变量识别时预测模型精度最高，以这7个特征变量作为输入向量可有效地提高小麦白粉病、条锈病、叶锈病和秆锈病的诊断准确率.

图3　预测模型精度Fig.3　Accuracy of prediction models

4　病害诊断

目前在实际生产中，农户主要依靠自身经验和感觉判断病害种类，严重影响病害预报准确率.而且农户与专家距离较远，这使得咨询专家费时费力.支持向量机是由Vapnik于1995年提出的基于统计学理论的VC维理论和结构最小风险原理基础上的机器学习方法，根据有限的样本信息在模型的复杂性和学习能力之间寻求最佳折衷，以期获得最好的推广能力[15].采用支持向量机对病害诊断，可以及时、快速、准确地得出诊断结果.

病害图像的识别过程为：在系统界面选择“拍照”或“相册”功能得到病害图像，人工对病害图像裁剪获得子图像，采用http协议将病害子图像发送到服务器端.当服务器端收到客户端发送的图像后，对图像分割得到病害区域，计算病害区域特征参数值并输入已训练好的支持向量机模型进行诊断，将诊断结果返回给客户端.小麦病害诊断系统部分界面如图4所示.

图4　系统界面Fig.4　System interfaces

5　系统测试

软件测试是软件开发的重要组成部分，将程序打包成Android安装包文件，安装到系统版本为Android4.1.2的小米1S手机中测试.选择小麦白粉病、条锈病、叶锈病和杆锈病图像80张(每种病害20张)测试，在WIFI环境下和GPRS环境下诊断速度根据图片大小略有差异，约5～10s，诊断结果如表2所示.

经测试，系统诊断准确率达96.25%，可为农田小麦病害诊断提供参考.白粉病诊断准确率为100%，这是因为白粉病颜色特征明显，所以全部正确识别.小麦锈病在生成过程中就难以区分，而在测量特征参数时有部分数据重叠，出现了少数误差.今后应增加训练集数据量和有效特征变量个数，以期达到100%的诊断准确率，更好地实现农田小麦病害自动化诊断.

表2　诊断结果

6　结束语

将图像处理技术与Android手机相结合，实现了农田小麦病害的远程智能诊断.系统不受时间、地点、距离等因素限制，操作简单方便，克服了以往病害诊断过程中的误诊现象和农户不能通过及时咨询专家来进行及时防治的情况，可以有效地提高小麦产量和质量，具有较好的应用前景.

[1]王美丽,牛晓静,张宏鸣,等.小麦叶部常见病害特征提取及识别技术研究[J].计算机工程与应用， 2014, 50(7): 154-157.

[2]ARIVAZHAGANS,SHEBIAHRN,ANANTHIS,etal.Detectionofunhealthyregionofplantleavesandclassificationofplantleafdiseasesusingtexturefeatures[J].AgricEngInt(CIGRJournal), 2013, 15(1): 211-217.

[3]PUJARIJD,YAKKUNDIMATHR,BYADGIAS.Classificationoffungaldiseasesymptomsaffectedoncerealsusingcolortexturefeatures[J].InternationalJournalofSignalProcessing， 2013, 6(6): 321-330.

[4]戴建国,赖军臣.基于图像规则与Android手机的棉花病虫害诊断系统[J].农业机械学报, 2015, 46(1): 35-44.

[5]刘向峰,孟志军,陈竞平,等.作物病虫害信息采集与远程诊断系统设计与实现[J].计算机工程与设计, 2011, 32(7): 2361-2364.

[6]杨林楠,郜鲁涛,林尔升,等.基于Android系统手机的甜玉米病虫害智能诊断系统[J].农业工程学报, 2012, 28(18): 163-168.

[7]吴亚峰,索伊娜.Android核心技术与实例详解[M].北京:电子工业出版社, 2010.

[8]张诚洁.基于Android平台的移动在线测试系统设计与实现[J].计算机应用与软件, 2015, 32(4): 323-325.

[9]谢妍梅,樊臻,张森林.基于HSI颜色空间的彩色图像边缘检测[J].计算机工程, 2013, 39(9): 12-19.

[10]HARALICKRM,SHANMUGAMK,DINSEINI.Texturefeaturesforimageclassification[J].IEEETransactionsonSystems,ManandCybernetics,1973, 3(6): 610-621.

[11]ULABYFT,KOUYATEF,BRISCOB,etal.TexturalinformationinSARimages[J].IEEETransactionsonGeoscienceandRemoteSensing,1986, 24(2): 235-245.

[12]杨帆.数字图像处理与分析[M].北京:航空航天大学出版社, 2007.

[13]STRICKERM,ORENGOM.Similarityofcolorimages[J].SPIEStorageandRetrievalforImageandVideoDatabasesⅢ, 1995, 2(4): 381-392.

[14]徐富强,刘相国.基于优化的RBF神经网络的变量筛选方法[J].计算机系统应用, 2012, 21(3): 206-208.

[15]张建华,冀荣华,袁雪,等.基于径向基支持向量机的棉花虫害识别[J].农业机械学报, 2011, 42(8): 178-183.

(责任编辑朱夜明)

DiagnosticsystemofwheatdiseasesbasedonimageprocessingtechnologyandAndroidphone

XIAYongquan,LIYaobin,LIChen

(CollegeofComputerandCommunicationEngineering,ZhengzhouUniversityofLightIndustry,Zhengzhou450001,China)

Todeveloptheintelligentagriculture,improvethediagnosticlevelofcropdiseasesandtaketimelypreventionandcontrolmeasures,adesignmethodofadiseaseintelligentdiagnosticsystembasedonimageprocessingtechnologyandAndroidphonewasproposed.Asthesystemwasnotrestrictedbytimeandregion,userscouldsendthecollecteddiseaseimagestotheserveranywherewheretherewasnetworkcoverage.Aftertheserverreceivedthediseaseimages,theimagesegmentationwascarriedoutinHSIcolorspace,colormomentandgraylevelco-occurrencematrixwereadoptedtoextractthecharacteristicparametersofdiseasecolorandtexture,thepreferredcharacteristicparameterswereinputintothesupportvectormachineforidentification,andtheidentificationresultswerefedbacktotheclient.Testingexperimentshowedthatthesystemcouldaccuratelyandefficientlyidentifydiseasetypes,andenjoystrongpracticalityaswellasgoodpopularizationandapplicationprospects.

wheatdisease；Androidsystem；diseasediagnosis；supportvectormachine

10.3969/j.issn.1000-2162.2016.02.005

2015-05-24

国家自然科学基金资助项目(61302118)；河南省高校青年骨干教师资助计划(2010GGJS-114)

夏永泉(1972-)，男，辽宁省绥中县人，郑州轻工业学院副教授，博士.

TP391

A

1000-2162(2016)02-0026-06