基于图像灰度直方图特征的草莓病虫害识别

牛冲 +牛昱光 +李寒++郑文刚+卜云龙++周增产

）

摘要：通过作物可见光图像，对作物病虫害进行准确识别，在作物生长自动监测、精准施药等领域具有重要意义。提出一种基于图像灰度直方图特征的草莓病虫害识别算法识别草莓蛇眼病。该算法首先计算训练集草莓叶片灰度图像的直方图，然后提取直方图的8个特征（平均灰度、标准偏差、三阶中心矩、平滑度、均匀性、平均信息量、最大概率灰度级、灰度范围）并进行归一化处理，通过支持向量机（support vector machine，简称SVM）、K-近邻（K-nearest neighbor，简称KNN）及朴素贝叶斯3种识别方法对8个特征进行训练，得到相应的病虫害识别分类器。结果表明，SVM分类器的分类效果优于其他分类器，因此本研究最终选用SVM分类器对验证集图像进行分类，得到分类正确率达90%以上。

关键词：草莓蛇眼病；病虫害；识别；支持向量机；灰度图像；直方图

中图分类号： S436.68+4文献标志码： A

文章编号：1002-1302（2017）04-0169-03

2015年，农业部发布《到2020年农药使用量零增长行动方案》，重点强调了通过推行精准科学施药，减少农药的使用剂量和次数。通过病虫害监测预报，诊治作物病虫害，有助于推进农药减量，关系到农业生产安全、农产品质量安全以及生态环境安全，积极探索产出高效、产品安全、资源节约、环境友好的现代农业发展之路。在我国，草莓是继香蕉、苹果、橘子和葡萄之后的大众消费最多的浆果之一，种植面积迅速扩大，草莓产业迅猛发展，作为草莓消费和出口大国，草莓生产对我国的经济有着重要影响。所以，对草莓病虫害检测方法的研究具有重要的实际意义和理论价值。

针对作物病虫害的识别，国内学者做了很多研究，识别方法一般分为人工检测、化学检测和基于图像的智能检测等。因基于图像的智能检测方法可以实现不接触、快速实时的监测而被广泛应用。

许多学者基于多光谱或者高光谱图像分析成功分割并提取病害部位[1-7]。由于数码CCD相机的价格便宜且应用灵活，有很多学者在对可见光图像分析的基础上利用各种识别方法成功识别病虫害区域[8-12]，并且取得了长足进步。耿长兴等研究了可见光波段的黄瓜霜霉病信息分布和分割方法，有效实现了温室非结构环境下黄瓜病害信息识别[13]。廉飞宇等将支持向量机引入到复杂条件下运动车辆牌照字符的识别中[14]。刘君等构建了叶片病斑图像处理的计算机诊断系统，以实现作物叶部病害的自动识别[15]。岑苗鑫等利用图像的颜色统计特征对不同时期的病虫害样本图像进行分类和识别[16]。柴洋等为了准确有效判定温室大棚中番茄病害，利用图像和模式识别技术，采用贝叶斯判别法，对番茄病虫害进行识别[17]。

叶片是反映作物生长状态的重要部分。为了实现对作物的生长状态监测，需要对其叶片的健康状况进行持续监测，对作物叶片部分是否异常的诊断可以指导种植者是否对作物进行喷药，以及喷药种类、喷药量等。草莓蛇眼病是草莓生产中的病害之一，会严重影响草莓生产过程中的产量和质量。本研究针对草莓蛇眼病害，提出一种基于灰度直方图特征的支持向量机分类方法，成功对草莓的健康叶片以及染病叶片的染病区域进行分类和识别。

1材料与方法

1.1材料

草莓叶片为北京市农林科学院林业果树研究所种植的B89草莓叶片样本，共提取100个草莓叶片样本，其中50个为含有草莓蛇眼病病斑的叶片图像样本，另外50个为健康的草莓叶片图像样本。图1-a、图1-b分别为草莓病虫害叶片、健康叶片。图像获取设备采用可见光相机（尼康J1，日本），图像处理软件采用Matlab（2010b）。

1.2图像识别流程

首先对林业果树研究所采集的草莓叶片进行图像预处理，包括灰度化、求取直方图等操作，并提取图像灰度直方图中的8种特征进行融合，然后对融合后形成的特征向量使用支持向量机、K-近邻及朴素贝叶斯方法进行训练，得到分类器。通过分类器区分待检测的草莓叶片图像是否出现草莓蛇眼病，最终根据分类结果判断分类器的优劣。图2为算法的大致流程。

1.3支持向量机

支持向量机一般可以解决2类问题，样本集线性可分情形和样本集线性不可分情形。

1.3.1线性可分情形

设样本集为（xi，yi），i=1，2，…，n，xi∈R，yi∈{+1，-1}。根据训练集的信息，找到由ω和b确定的超平面：

于是，原样本空间的二元模式分类问题可以表示为

[JZ（]yi{[ω·Φ（xi）]+b}-1≥0，i=1，2，…，n。[JZ）][JY]（6）

1.3.3径向基核函数（radial basis function，简称RBF）

SVM利用核函数简便地解决了上面的问题，核函数的引入绕过特征空间直接在输入空间上求取，从而避免了计算非线性映射。在本例中，我们使用的核函数为径向基核函数：

[JZ（]K（x，xi）=exp（-[SX（]|x-xi|2σ2[SX）]）。[JZ）][JY]（7）

式中：σ2为核函数的宽度。

采用非线性可分情形下的SVM分类算法，结合特征向量及径向基核函数，可以对草莓病虫害叶片进行分类识别。

1.4K-近邻算法及朴素贝叶斯算法

K-近邻算法的核心思想是如果一个样本在特征空间中的k個最相邻的样本中的大多数属于某一个类别，则该样本也属于这个类别，并具有这个类别上样本的特性。

朴素贝叶斯分类器（naive bayes classifier，简称NBC）发源于古典数学理论，有着坚实的数学基础，以及稳定的分类效率。同时，NBC模型所需估计的参数很少，对缺失数据不太敏感，算法也比较简单。理论上，NBC模型与其他分类方法相比具有最小的误差率。但实际上并非如此，这是因为NBC模型假设属性之间相互独立，这个假设在实际应用中往往是不成立的，这给NBC模型的正确分类带来了一定影响。