蔬菜病害识别诊断与预警物联网技术研究与应用

张领先，李鑫星

（中国农业大学，北京 100193）

“菜篮子工程”是我国重大的民生工程。蔬菜在种植过程中会受到其他生物的侵害或不适宜环境的影响而产生病害，造成蔬菜品质下降和产量减损，直接影响效益。控制与解决蔬菜病害问题的关键在于如何对蔬菜病害发生进行早期识别诊断与预警，尤其是对蔬菜病害的诱导环境因素进行全面监测、合理干预和有效调控。针对目前蔬菜生产过程中存在的病害诱导环境难于控制、识别诊断不及时、危害严重等问题，项目组重点系统地研究了蔬菜病害产生机理、表现特征以及与环境因素的相关性，开展了基于物联网的蔬菜环境信息监测与控制、基于视频特征的蔬菜病害实时监测与预警、基于叶面图像特征的蔬菜病害远程诊断等主动信息服务技术的研究。现将技术的研究原理与应用介绍如下。

1 基于物联网技术的蔬菜环境信息智能采集与监测

通过系统分析蔬菜病害与环境因素的关系，采用蔬菜环境信息监测指标与基于视频的蔬菜病害监测相结合的方法，对温室传感器及摄像头的设备参数、布设和采集方案进行设计，建立蔬菜环境视频监测系统，科学准确地获取温室环境信息，实现了面向病害诊断的蔬菜温室环境的全面智能感知。

1.1 蔬菜环境信息的识别与表达

影响蔬菜自身生长发育及病害发生的环境因素有多种，项目从病害发生和生长发育两个方面系统地、针对性地分析蔬菜生产的影响因素，总结归纳了6种对蔬菜生产影响较大的环境信息指标，即空气温湿度、土壤温湿度、二氧化碳浓度、光照强度，并对生产过程进行视频监测[1]。

1.2 蔬菜环境信息采集方案

针对蔬菜主要的生长特点，提出了蔬菜环境信息采集方案（包括3个部分：采集方式的选取、采集设备的选取、采集设备的布设方案）[1]。其中，采集方式选取以6种环境信息监测指标为采集对象；采集设备选取的基本原则是要适合于温室和蔬菜的生长；针对项目所研究的几种常见蔬菜（包括芹菜、菠菜、生菜、油菜）以及常见温室的规格标准设计采集设备（6种传感器及2种摄像头）布设方案，如图1、2所示。

图1 温室竖直方向传感器布设示意图

图2 温室水平方向传感器布设示意图

1.3 蔬菜环境信息的数据存储与实时监测

蔬菜生产环境数据的采集为10 min取一次数据，对同类型多传感器则利用基于均值的递推融合算法进行数据融合；构建了基于模糊推理与案例检索的监测视频采集方法，计算传感器采集的环境条件指标组合与知识库中病害产生的环境条件的相似度（公式1），只要相似度达到0.7以上，即使没能与案例完全匹配，也可输出结果[2]。

式中，A为知识库中的蔬菜病害案例；A*为传感器采集的环境条件组合；S(A,A*)为二者的相似度，其含义为在A*环境条件下，蔬菜病害案例A的发病概率；在相似度计算中，wk表示传感器采集的环境条件组合中第k个环境条件的权重，Wk为第k个环境条件在知识库案例中所占的权重。

2 基于环境信息的蔬菜病害早期预警

针对蔬菜的病害发生与不良环境、病原生物的三角关系，以蔬菜病害产生的环境机理为理论基础，通过物联网无线监测系统来采集环境数据，并以支持向量机为核心算法来构建分级预警模型，实现蔬菜的环境实时监测并达到对不同病原分级预警的目的[1]。

2.1 蔬菜病害产生的环境机理

蔬菜生理病害发生与不良环境和病原生物的侵染有关，只有病原生物、寄主植物和一定的环境条件三者相互配合才能引起病害，即所谓的“病害三角”（Disease Triangle），三者相互依存，其中任何一个因素的变化，均会影响其他两个因素（图3）。蔬菜病害多由病毒、细菌、真菌等病原物侵染引起，环境是连接病原生物与寄主植物的一条纽带，对植物病害的发生起着关键性的作用。通过建立环境因素与蔬菜病害的关系模型并实现及时预警，可以显著地预防并降低蔬菜的发病率，保障蔬菜的健康生长。

图3 病害三角关系

2.2 设施蔬菜病害预警模型

蔬菜病害预警采用分级预警的方式，以支持向量机为核心算法来构建预警模型，使预警更加及时、可靠、有效，解决以往预警时效性差的问题。该预警方法能够实现对未来环境数据的预测，及时指导农户做好防控工作，预测准确度为91.07%～95.35%。

2.2.1 分级预警

根据病原入侵蔬菜时间的长短，分别采用即时预警、积时预警和短期预警相结合的三级预警方法（图4）。对于病毒这种侵染速度极快的病原物，采用即时预警，当环境条件处于适宜病原入侵的环境阈值范围内时，立即进行预警；真菌侵染蔬菜时，真菌孢子需要萌发并长出芽管才能完成侵染，故对真菌引起的病害采用积时预警，连续监测3 h之内的环境变化，若在持续的时间内，环境变化范围均处于适宜病原入侵的环境阈值范围内，则进行预警；对于没有具体侵染时间的病害，以其潜育期的时间作为预警的时限，潜育期一般3～15 d不等，对此采用短期预警方法来完成预警。

图4 分级预警方式

2.2.2 基于支持向量机的预警模型

支持向量机具有较强的逼近能力和泛化能力，有较好的鲁棒性。采用以径向基函数为核函数的支持向量机预测模型，有效提高了预测准确率。支持向量机的分类函数为：

其中，α*i>为支持向量，b*为分类阈值，n为训练样本总数，yi∈{+1,−1}，K（xi·x）为核函数，选择径向基函数作为核函数，其公式如下：

x为训练样本中的输入向量，xi为中心点，σ为函数的宽度参数。

3 面向病害诊断的蔬菜监测视频关键帧提取

采用融合视觉显著性与在线聚类的算法对监控视频进行分析处理，获取具有病害病症的蔬菜监测视频关键帧。针对蔬菜监测视频的特点，修改了传统的IG显著性计算方法生成帧图像视觉显著图，并利用在线聚类和像素帧平均的方法，实现监控视频的关键帧病症图像特征提取[3-5]。

3.1 蔬菜监测视频特点分析

通过蔬菜环境信息采集与监测系统采集的视频数据是一段视频帧序列，研究只需要提取其中最能够描述视频内容的关键帧，并进行后续处理即可。

因为HSV图像对光照变化不敏感，可在一定程度上减弱由于光照变化对目标分割产生的影响，因此项目将视频帧图像转换为HSV图像。蔬菜常见病害发生在叶片部位，因此在提取关键帧时，只需计算图像帧中叶片范围内所包含的信息，利用叶片范围的图像信息提取关键帧。

3.2 基于蔬菜监测视频特点的IG显著性检测算法改进

在像素帧平均算法的基础上，提出了融合视觉显著性的改进像素帧平均算法，进行蔬菜监测视频关键帧提取：根据图像H分量和S分量颜色信息生成视觉显著图，提取视频帧图像的显著性区域，即叶片区域；获取的叶片区域如果含有病斑，则病斑区域很可能误作为背景，因此需要对显著性区域图像进行处理，修复丢失的病斑信息；在获取图像的叶片区域后，采用在线聚类的方法对显著性区域进行聚类，利用像素帧平均的方法从每一类中提取关键帧图像。在进行视觉显著图计算前，首先进行帧间差异度量（图5），识别摄像头的运动状态，消除具有相同特征的视频帧图像的影响，提高算法的效率。

图5 基于X2直方图的帧间差异度量

以油菜为例，结合蔬菜监测视频的特点，针对Achanta.R等提出的IG算法改为HSV颜色空间，利用H和S分量构建视觉显著图（图6），其数学模型如下：

其中，IH和IS分别表示[H]T向量和[S]T向量，IH（x,y），IS（x,y）表示图像HSV颜色模型的H和S通道经过高斯滤波后的对应值。为欧氏距离，a＞0，b≤1为2个待定参数，决定H和S分量在显著图计算中所占的比例。

3.3 基于在线聚类的关键帧提取

项目采用在线聚类方法来提取关键帧，一旦帧图像的显著性区域计算完成，将直接进入在线聚类的流程，而不需要等所有的帧图像显著性区域计算完成。利用像素帧平均方法从每一个聚类中提取关键帧图像。假设显著性区域SRi内含有M×N个像素点，其坐标为（Xp,Yq），p=1,2,3…M，q=1,2,3…N，则显著性区域像素平均值的计算公式为：

其中，A（Li）为第i帧图像显著性区域SRi像素平均值，f（Xp,Yq）为点（Xp,Yq）处的灰度值。n帧图像的显著性区域像素平均值的平均值，即标准值计算公式为：

计算每一帧图像显著性区域像素平均值A（Li）与标准值之间的差值，其计算公式为：

当Di取最小值时，则第i帧即为该视频片段的关键帧。

图6 基于视觉显著性的图像分割结果

4 基于叶面图像特征的蔬菜病害远程诊断

选择图像的颜色与纹理特征作为叶面病害识别的病症图像信息特征，颜色特征选取了HSV模型的H分量，其高对比输出可明显区分叶面病斑图像，纹理特征选择灰度共生矩阵，计算出对应的特征值，通过核FISHER判别完成病害识别诊断过程。结合蔬菜病害知识库，有效提高蔬菜病害诊断的准确率。

4.1 叶面图像特征提取

首先将病害图像从RGB模型转换为机器视觉更易识别的HSV模型。转化所获得显示目标图像的H分量图。所获得的分量图可对图像的病症信息清楚地描述。随后通过高斯滤波对图像进行降噪处理。高斯滤波降噪的过程包括对整幅图像进行加权平均，每一个像素点的值都由其本身和邻域内的其他像素值经过加权平均后得到。可以用一个模板（或称卷积、掩模）扫描图像中的每一个像素，用模板确定的邻域内像素的加权平均灰度值去替代模板中心像素点的值，从而达到降低图像噪声的效果。对降噪后的病害图像H分量图采用统计型纹理特征提取模型——灰度共生矩阵进行纹理特征提取[6-8]。

4.2 基于核FISHER判别的病害识别

依据纹理特征值的相关性，将选择的图像纹理特征值输入判定函数进行参数计算。对于基于核函数的FISHER判别方法，分界阈值点的计算公式为：

其中，为投影后的各类别均值。根据判别函数与阈值点进行决策分类，病症具体特征化值根据蔬菜叶面病害知识库中的病害知识获得，包括每种病害的病斑颜色、形状、大小、特征以及病害发生蔓延方式的情况[9]。

5 面向蔬菜病害识别、诊断与预警的农业物联网技术应用与前景

5.1 面向蔬菜病害识别、诊断与预警的农业物联网技术应用案例

与中农富通公司展开设施农业智能监测与控制研究，在其通州基地（北京国际都市农业科技园）选取3个日光温室和1个连栋温室进行设备布设和相关研究实验，构建出设施农业智能监测与控制平台。开发了设施蔬菜环境监测与自动控制平台的电脑和手机客户端（图7），设计了智能监测、短信报警、远程控制、历史数据和系统管理五大模块，利用互联网可以实现对CO2浓度、光照、温度、湿度等环境参数信息的远程获取及卷帘机、通风机等设备的操控，实现设施蔬菜栽培管理自动化。同时，初步实现了设施叶类蔬菜生长环境及视频图像的实时监测，实现了基于环境信息的蔬菜病害早期预警、基于视频监测的蔬菜病害实时诊断与基于彩信的蔬菜病害远程诊断（图8）。

图7 设施叶类蔬菜环境监测与控制平台界面（手机版）

图8 基于彩信的蔬菜病害远程诊断结果手机报制作界面

5.2 面向蔬菜病害识别、诊断与预警的农业物联网技术前景

设施蔬菜栽培是我国重要的蔬菜生产形式，对设施蔬菜病害进行早期预警尤为重要。现有设施蔬菜病害预警方法，存在算法单一、模型时效性准确性不高、通用性差等诸多问题，传统的蔬菜病害预警大多依靠农民经验或专家知识进行病害预测，由于病原对于设施蔬菜的侵染具有侵染途径多样、传播速度快等特点，传统预警方法不能满足准确、及时、快速、有效的预防需求。随着物联网传感器、电镜及光谱等技术的发展与成熟，为设施蔬菜病害预警提供了更有效的技术支撑，使得对蔬菜病害进行及时有效且准确率高的预警成为可能，但目前的研究仍存在一些不足。通过传感器及物联网可以精确获取蔬菜生长环境数据，并通过这些数据在一定程度上指导蔬菜种植与生产，但现有研究对于这些环境数据的利用率仍然不高。电镜、光谱等技术发展迅速，在植物病害识别领域应用较为成熟，但在植物病害预警领域应用较为薄弱。蔬菜病害发生往往是由多种因素共同影响的结果，而目前的研究相互孤立，没有进行综合分析与处理，在实际生产中并未将蔬菜生长环境、病原与蔬菜病害发生情况及流行趋势行之有效地结合起来，因此很难做到精确预警。因此，现有设施蔬菜病害预警研究难以做到兼顾时效性和准确性。

综合应用物联网、电子显微、光谱等技术，并结合机器学习算法，可有效提高预警时效性和准确性。蔬菜病害预警是一个复杂的过程，快速精准的预警可以为蔬菜的健康生长提供有利的保障。植物病害三角原理阐述了病害发生与环境、病原、寄主植物三者间的关系，深入研究“病害三角”，有助于系统掌握蔬菜病害发生机理，为病害预警研究奠定了理论基础。如果通过物联网传感器技术对蔬菜生长环境信息进行采集，综合分析环境与蔬菜病害的关系，可以提高环境数据的利用率；通过病原孢子显微图像处理技术，可以辅助完成病害预警，在病害发生初期或者病害还未发生的时期，及时获取蔬菜生长环境中病原孢子的显微图像样本，以准确掌握病害类型并发布预警信息，提高预警的精确性，为病害提供更直接有效的防治方法；通过光谱检测技术，研究病原微生物和蔬菜的相互作用机理，可以提高预警的及时性。

综上所述，如以物联网传感器、电子显微及光谱检测等技术为支撑，综合分析环境数据、病原孢子图像及光谱信息，结合机器学习算法，构建设施蔬菜病害预警模型并进行优化验证，可以有效避免单一预警方式预警结果不精确而造成的数据资源浪费现象，提高预警的时效性和精确度，对于提高我国设施蔬菜产量、质量具有重要意义，同时，也为先进信息化技术在设施农业应用中的探索提供了良好的参考。

[1]王翔宇.设施蔬菜病害环境监测与预警方法研究[D].北京:中国农业大学,2015.

[2]马浚诚,李鑫星,温皓杰,等.面向叶类蔬菜病害识别的温室监控视频采集系统[J].农业机械学报,2015,46(3):82- 87.

[3]马浚诚.面向叶部病害识别的设施蔬菜监控视频关键帧提取方法研究[D].北京:中国农业大学,2016.

[4]MA JC, LI XX, WEN HJ, et al. A Key Frame Extraction Method for processing Greenhouse Vegetables Production Monitoring Video[J]. Computers and Electronics in Agriculture, 2015, 111(1): 92-102.

[5]傅泽田,苏叶,张领先,等.基于自适应双阈值的蔬菜病害知识视频分割方法[J].农业工程学报,2013,29(9):48-155.

[6]毛富焕.于图像处理的黄瓜叶部病害特征提取及其识别研究[D].北京:中国农业大学,2016.

[7]BAI XB, LI XX, FU ZT, et al. A fuzzy clustering segmentation method based on neighborhood grayscale information for defining cucumber leaf spot disease images[J]. Computers and Electronics in Agriculture,2017,136 :157-165.

[8]马浚诚,温皓杰,李鑫星,等.图像处理的温室黄瓜霜霉病诊断系统[J]. 农业机械学报, 2017,48(2):195-202.

[9]汪家玮.基于叶面图像特征的芹菜病害远程诊断方法研究[D].北京:中国农业大学,2015.