基于机器视觉的马铃薯晚疫病快速识别

党满意，孟庆魁，谷 芳，顾 彪，胡耀华,3,4

·农业信息与电气技术·

基于机器视觉的马铃薯晚疫病快速识别

党满意1，孟庆魁1，谷 芳1，顾 彪2，胡耀华1,3,4※

（1. 西北农林科技大学机械与电子工程学院，杨凌 712100；2. 西北农林科技大学植物保护学院，杨凌 712100；3. 陕西省农业信息感知与智能服务重点实验室，杨凌 712100；4. 农业农村部农业物联网重点实验室，杨凌 712100；）

晚疫病是马铃薯的一种严重病害，可造成减产甚至绝收。因此马铃薯晚疫病的识别与控制对提高其产量有非常重要的意义。该文基于机器视觉技术对马铃薯叶部晚疫病进行检测，根据马铃薯叶片上晚疫病斑的颜色、纹理和形状特征参数的不同，提取叶片表面的特征参数，并建立数学模型对病害程度做出评价。在RGB、HSV颜色空间中，根据马铃薯叶片在患病早期叶片颜色发生变化且与健康叶片不同，利用颜色特征，建立马铃薯晚疫病的无病和患病模型，该模型对马铃薯患病早期的识别率为67.5%。利用灰度共生矩阵，采用纹理统计参数进行病害等级评价，用熵值和能量值描述晚疫病的严重程度，纹理特征对患病程度的识别率比较稳定，对患病中期与后期的识别率分别为72.5%与80%。利用形状特征的相对特征，根据病斑面积比进行晚疫病诊断，该方法对马铃薯叶片晚疫病患病后期的诊断取得较好效果，识别率为90%，但由于叶片患病早期的病斑面积小且分散，识别难度大，识别率仅为50%。针对颜色、纹理及形状特征在识别马铃薯叶片晚疫病时的优势与局限性，提出颜色纹理形状特征结合的识别方法，对患病中期与后期的识别率分别为90%和92.5%。通常马铃薯晚疫病的理化值检测法耗时数天，但利用机器视觉识别马铃薯晚疫病患病情况非常快速，根据颜色特征进行病害识别的时间约为4 s，纹理特征识别的时间为7 s，形状特征特征识别的时间为3 s，综合颜色纹理形状特征的识别由于计算量较大，识别时间为9 s。该研究可为基于机器视觉的马铃薯晚疫病的快速检测提供理论依据。

机器视觉；图像处理：病害；马铃薯晚疫病；特征提取；快速识别

0 引 言

马铃薯作为中国第四大主粮，其产量对保证中国粮食安全方面有重大的影响。根据2015年的世界粮食安全组织报告，中国的马铃薯种植面积居世界首位，种植面积大但平均单产很低[1-3]。中国的气候环境极易导致马铃薯晚疫病的爆发，而其一旦爆发必定会减少马铃薯产量，降低马铃薯的品质，影响国家粮食安全[4-6]。

农作物在生长过程中会受到病害侵袭，使其产量和品质受到严重的影响，而病害识别和诊断是作物病害防治的前提，机器视觉技术已经在植物病害识别中有了广泛的应用[7-10]。蒋丰千等[11]提出了一种基于卷积神经网络的生姜病害识别系统，对炭疽病、姜瘟病、根结线虫病和白星病进行研究分析，该系统的识别率达到了96%，可以较好地预测和识别生姜的相关病害；郭小清等[12]采用融合灰度差分统计与H分量4维特征的病害识别模型，提高了基于数字图像识别番茄叶部病害的准确率，适应不同分辨率条件下的应用需求；刘媛等[13]针对葡萄病害叶片图像的特点，应用计算机图像处理和模式识别技术研究葡萄病害识别方法，为实现葡萄病害的快速自动识别提供了方法和依据。但利用机器视觉展开马铃薯晚疫病的研究目前还比较少，传统上是依靠专家经验判断马铃薯叶片晚疫病的发病程度，依靠肉眼进行晚疫病特征识别，常常导致误诊。晚疫病分级不易，很难将叶片染病情况量化，但是在防治方面需要根据病情进行不同处理。因此，结合机器视觉研究一种快速、准确的马铃薯晚疫病实时识别方法，及时发现并防治病害，具有重要的现实意义。

本研究应用机器视觉技术，以晚疫病为逆境胁迫条件，以获得马铃薯叶片的图片信息判断染病与否及染病程度，以实现病斑显现时的准确识别，以做到早期预防，从而减少因晚疫病造成的马铃薯减产损失。

1 材料与方法

1.1 试验材料

试验采用下寨8号马铃薯，叶片样品数量为240片；试验菌种为马铃薯晚疫病菌（），来自西北农林科技大学植物保护学院实验室，采用PRX-250B型人工气候箱（中国宁波赛福实验仪器有限公司）。

将试验叶片分为12组，每组20片，其中2组为健康叶片，作为对照组（不接种），其他10组为染病组。试验分6 d进行，接种时，在叶柄处裹上湿棉球，接种马铃薯晚疫病孢子悬浮液，接种部位在叶片背部二级叶脉之间，24 h后翻转叶片，防止交叉感染。

1.2 病害分级标准

通过观察不同患病天数马铃薯叶片的病斑显现和面积大小来划分病害分级。具体分级依据参考国家农药田间药效试验准则（一）[14]中植物病害的分级标准：

0级：无病斑；1级：病斑面积占比5%以下；3级：病斑面积占比6%～10%；5级：病斑面积占比11%～20%；7级：病斑面积占比21%～50%；9级：病斑面积占比50%以上。

依据上述分级标准并结合本研究中马铃薯叶片的发病情况，将马铃薯叶片晚疫病分为以下几个等级：

健康（0级）：无病斑；患病早期（1级）：病斑面积占比0～10%；患病中期（2级）：病斑面积占比11%～20%；患病后期（3级）：病斑面积占比20%以上。

1.3 试验方法

本文技术路线图如图1所示，将采集的马铃薯叶片图像进行预处理后分别提取颜色、纹理及形状特征，建立病害分级模型，对病害进行识别分类。

图1 技术路线图

图像采集系统由相机、计算机、光源及暗箱等组成，如图2所示。用CCD工业相机，开启近拍模式、白平衡自动曝光、图像拍摄分辨率（像素）为2560×1920。拍摄时，选择白色高对比度背景板作为拍摄背景，以减少后期图像处理的难度。选用固定位置拍摄，避免拍摄位置不同对图像的影响。在试验的6 d中每天采集60片叶片的图像信息，共计连续采集360片叶片的图像信息，筛选出具有代表性的健康叶片、患病早期、患病中期及患病后期图像各80幅。随机选择各类图像中的40幅用于模型建立，剩余图像作为验证。

1.CCD工业相机 2.光源 3.样本 4.平台 5.计算机 6.暗箱

2 图像预处理

2.1 图像的滤波与噪声消除

图像采集中难免会受到外界的一些因素干扰，导致图像中存在一定的噪音，会对叶片的特征提取产生干扰，并且叶片本身的脉络也会对图像特征提取产生不利的影响，因此采用中值滤波算法对图像进行预处理[15]，在消除噪声干扰的同时保留较为完整的叶片颜色信息。通过滤波操作后，原始图像中可能对特征提取产生影响的噪声被消除。如图3所示，利用中值滤波处理后图像噪声明显减弱，图像更加平滑，并且图像边缘信息得到了有效保护。

图3 中值滤波效果

2.2 图像的二值化与形态学处理

数字图像在计算机中的储存格式为RGB格式，这种格式将图像分成红、绿、蓝3个通道，每个通道都包含着图像的信息，对3个通道都进行处理，计算量大，过程繁琐。实际上，RGB格式的图像形状特征表现不明显，为了方便对图像的形态特征进行处理，同时简化处理流程、降低处理难度，将图像灰度化，在仅除去图像颜色信息同时，保留图像完整的形态信息，提高图像处理效率[16-18]。灰度化效果如图4a所示。根据大津法求得灰度化图像的阈值，进行图像二值化分割，实现病斑的初步提取。图像二值化分割后，前景与背景图像的类间方差最大，是图像分割中阈值选取的最佳算法。为去除图像中的噪声，使提取的病斑边缘更加平滑，对图像进行先腐蚀后膨胀的开运算，选用3×3的椭圆作为形态学处理的核心元素，开运算效果如图4b所示。

图4 病斑初步提取

2.3 图像分割

现有的图像分割技术有很多，本文主要采用基于算法理论的分割方法和基于边缘检测的分割方法。

GrabCut是微软研究室提出的一种基于算法理论的分割方法，通过用户提供图像背景和前景的种子，然后对前景背景建立概率分布模型，采用迭代的方法一步一步分割逼近图像，最终获得需要的图像区域。GrabCut算法[19-20]在待处理的图像上选定好合适的分割范围，选定范围内的图像默认为前景，选定范围外的图像默认为背景，还可以加上人工交互方式，对复杂图像进行更加细致的前景分割。GrabCut算法分割后目标叶片的前景分割效果如图5所示。

图5 GrabCut算法图像前景分割效果

基于边缘的分割方法是为了获得不同形状的病斑，以便于后期提取病斑特征参数，本文采用阈值可分离的Otsu法和斑点检测[21-24]，通过二值化分割阈值，选定合适的形状参数，获得对比度明显的病斑区域并标记。为了便于后期对病害区域纹理、颜色特征进行定量定性提取，处理过程中不改变图像尺寸，将图像以2560×1920像素保存，获得所需要的只含有病斑的图像区域，如图6所示。

图6 明显病害区域自动标记效果

如图7为病斑连续分割图，利用OpenCV中的感兴趣区域裁剪图片，选择void cvSetImageROI函数设置感兴趣区域，以对比明显的病斑区域作为感兴趣区域，获得整幅图像的所有局部病斑，用于后续的图像纹理、颜色特征识别。

图7 病斑连续分割图

3 特征的提取与识别

3.1 颜色特征的提取与识别

3.1.1 病斑颜色特征识别

本文将RGB和HSV颜色空间配合使用区别马铃薯叶部晚疫病害病斑的颜色特征。选择需要进行颜色特征提取的患病叶片，考虑到实际田间检测中只对目标叶片的患病部分检测是不切实际的，所选取的最小检测范围应该是一簇叶片，因此选取经过GrabCut算法处理过的病害叶片在HSV颜色空间内进行颜色特征值的提取，首先将RGB格式的图片转换为HSV格式，RGB坐标系向HSV的转化公式为

式中为色调，用角度度量，取值范围为0°～360°，从红色开始按逆时针方向计算，红色为0°，绿色为120°，蓝色为240°；为饱和度，表示颜色接近光谱色的程度，取值范围为0～100%，值越大，颜色越饱和；为明度，表示颜色明亮的程度，通常取值范围为0（黑）到100%（白）；、、分别代表红、绿、蓝3种颜色的通道值，取值范围为0～255。

根据晚疫病病斑的颜色表现特征，确定HSV中各个通道的取值范围，病情较为严重时叶片表面出现黄色晕圈，中心呈现黑褐色菌斑。由HSV颜色分量范围可知各个通道的取值范围为：黄色[26,43,46]～[34,255,255]，黑色[0,0,0]～[180,43,220]，颜色特征提取后的病斑图像如图 8所示。

图8 病斑颜色特征提取效果

3.1.2 基于颜色特征的病害分级

根据颜色特征提取[25-27]后的病斑颜色分量值，结合本研究的病害分级标准，分析出其在HSV颜色空间内的各个通道的取值范围，得到不同病害程度的不同颜色分量取值范围，结果如表1所示。病斑颜色的深浅能够反映叶片的患病程度，颜色越深代表单位叶片面积上菌落的聚集程度越高，晚疫病菌的个数越多，对叶片营养的破坏力越强，因此失去营养的叶片颜色会逐渐由表现健康的绿色转化为失去营养的黄色和失去水分的黑色。

表1 基于颜色特征的病害分级结果

患病叶片的病斑颜色变化随着患病程度而变化，代表患病后期的黑色特征不可能出现在代表绿色和微黄色的健康期和患病早期，因此该分级标准是可靠的。但是由于患病中期和患病后期的颜色区分不明显，很容易混在一起，仅用颜色特征对患病程度进行评价并不完全可靠，因此需要引入纹理特征与形状特征对病害程度进行更加准确的评价。

3.2 纹理特征的提取与识别

3.2.1 纹理的性质

纹理在图像中以某种局部排列模式反复出现，排列规则不依赖于颜色或者光照，可以反映图像同质现象的特点，因此纹理是一种有效的图像特征。患病马铃薯叶片病害部位的纹理粗细、大小以及方向等和健康马铃薯叶片相比有显著不同，不同病害程度的纹理特征也不相同，因此本文进一步对病害区域的纹理特征进行提取。灰度共生矩阵是图像中像素变化关于方向与间隔的反映，是分析图像像素排列规律与局部特征的基础。本文采用基于统计方法的灰度共生矩阵[28-30]提取目标纹理参数。

3.2.2 纹理特征的提取与分析

根据灰度共生矩阵法，对灰度化后的图像进行灰度共生矩阵特征提取，分别提取待测图像的能量值、反方差值、对比度值和图像熵值，寻找和病害特征相匹配的特征参数作为主要特征量判断图像的病害程度。

分别对健康、患病早期、患病中期、患病后期的马铃薯叶片使用灰度共生矩阵算法提取4项基本特征，结果如表2所示。

表2 纹理特征值

对灰度共生矩阵法获得的特征值进行统计发现，对比度、熵差异明显。对比度值在患病早期为0.63～0.69，患病中期为0.56～0.62，患病后期为0.40～0.55。图像熵值在患病早期为2.06～2.38，患病中期为2.40～2.58，患病后期为2.67～3.42。能量值为0.06～0.41，健康叶片能量值为0.41～0.38，患病早期、患病中期与患病后期的能量值差异不明显。对比度值分布在0.40～0.75之间，变化较小。

能量是灰度共生矩阵元素值的平方和，反映了图像灰度分布均匀程度和纹理粗细度，能量值大表明当前纹理是一种规则变化较为稳定的纹理。熵值反映图像灰度分布的复杂程度，熵值越大，图像越复杂。马铃薯叶片为健康状态时叶片的灰度集中，纹理特征均匀一致，但是患病叶片受病斑区域的影响图像的纹理变化不规则。因此可以用熵值和能量值来判断健康叶片与患病叶片。随着马铃薯叶片患病程度的逐渐加深，患病区域的能量值逐渐降低，最低为0.06；而熵值逐渐增加，最高达3.42；健康叶片的能量值最小为0.38，熵值最大为1.73。对比度值直接反映了某个像素值及其领域像素值的亮度对比情况。患病后期时叶片大面积为病斑区域，图像整体亮度与沟纹深度较为一致；而患病早期的情况与之相反，病斑区域较小，整个图像的亮度与沟纹深度随病斑区域及病斑颜色的深浅不断变化。结合熵值信息可对叶片患病程度进行判断。相关性表示图片纹理的规则程度，但是由于健康状态或者某一患病程度的叶片局部灰度值变化不大，导致相关性值区别不大，不能作为病害程度的判断标准。

根据所获得的量化指标，设计根据纹理特征的马铃薯晚疫病害检测流程，如图9所示。

图9 纹理特征检测流程

3.3 形状特征的提取与识别

3.3.1 形状特征参数的定义和计算

形状是把一个物体从周围物体中区别出来的重要特征，是图像最显著的视觉特征之一，利用形状特征检索图像可以提高检索的准确性和效率。形状特征可以分为2类，一类是基于边界的特征，另一类是基于区域的特征。相应地，基于图像形状特征的提取也分为基于边界的特征提取和基于区域的特征提取2种情况。结合国家植物病害分级标准中的病斑面积比，选择基于区域特征提取方法中的区域面积作为形状特征描述参数：

病斑面积比：病斑面积/叶片面积。该参数是患病叶片的病斑面积与叶片面积的比值，可以用来区分患病的严重程度和病斑的相对大小。

面积：通过计算病斑图像中病害部分的所有像素点总和衡量。对叶片图像进行预处理后，获取其病斑二值图面积1，再获得整个叶片二值图面积2，二者相比即可计算出病斑面积比，如图10。其计算公式为

3.3.2 根据形状特征的病害分级模型

参考国家农药田间药效试验准则（一）中植物病害的分级标准，结合不同患病程度叶片的病斑面积比不同，确定健康、患病早期、患病中期及患病后期的形状参数范围，获得如表3所示的形状特征病害分级结果。

表3 基于形状特征病害分级结果

4 结果与分析

对根据国家植物患病等级确定患病程度的120幅马铃薯叶片图像（患病早期、患病中期和患病后期各40幅），利用颜色、纹理、形状及综合颜色纹理形状特征分别进行识别，识别结果如表4所示。利用颜色、纹理或形状单一特征进行病害识别时，患病早期基于颜色特征识别方法的识别率最高达67.5%；患病中期基于纹理特征识别方法的识别率达72.5%；基于形状特征的识别方法对患病后期的识别效果较好，可达90%。综合颜色、纹理及形状3个特征的识别方法的识别率相对单一特征都有所提高。

表4 马铃薯叶片晚疫病识别结果

对表4中的识别结果进行分析，造成识别效果差异的原因如下：

1）因为患病叶片病斑的颜色变化是与患病程度有关，代表着患病后期的黑色特征不可能出现在代表绿色和微黄色的健康期和患病早期，因此可根据颜色特征将患病早期区分出来。但是由于患病中期和患病后期的颜色区分不明显，很容易混在一起，因此利用颜色特征识别患病中后期正确识别率不高。

2）纹理特征识别患病程度比较稳定，对患病中期与后期的识别率都大于70%，这是由于纹理特征内涵物体表面结构排列的规律，纹理特征具有一定的尺度不变性和旋转不变性，处于不同患病时期的叶部病害区域纹理特征也不相同，这保证了对图像纹理特征进行提取时的稳定性。但是由于拍摄照片像素影响，识别率不是特别高。

3）形状特征识别方法对患病后期识别率高达90%，这是因为患病后期的病斑很明显，能够与未患病区域明显区分，利用形状特征进行识别时，能够准确地将病斑区域提取出来，但是患病早期与患病中期的病斑颜色较浅，区域较小，提取准确率低。对患病早期与患病中期识别率不高，尤其是患病早期识别率只有50%，这是因为患病早期的病斑颜色及形状特征不是特别明显，很难准确提取患病区域。因此可以利用形状特征进行患病后期的识别。

4）未能正确识别的多为患病早期的叶片，这些叶片的病斑不明显甚至有的没有，病斑区域的颜色与正常叶片的颜色差异不大，在可见光范围内很难识别。

5）颜色纹理形状特征结合进行病害识别的识别率相对单一特征识别要高，该方法取3个特征识别时的交集，避免了单一特征识别时的局限性，提高了识别率。

6）传统上依靠人眼判断马铃薯叶片晚疫病的发病程度，要求诊断者具有较为丰富的经验，且常常出现误诊漏诊，难以将叶片染病情况量化。马铃薯晚疫病的理化值检测耗时数天。利用机器视觉检测马铃薯晚疫病较为迅速，根据颜色特征进行病害识别所需的时间约为4 s，利用纹理特征进行识别耗时7 s，利用形状特征识别所需时间最少为3 s，综合颜色纹理形状特征方法的识别率最高，但是由于在进行病害识别时需要进行颜色空间转换与纹理特征提取，计算复杂度高，计算量相大，因此耗时较多，但也仅为9 s。

5 结 论

1）本研究通过采集发生晚疫病害的马铃薯叶片图像，对其进行灰度化处理、滤波去噪声、形态学处理后，再采用GrabCut算法和直方图阈值分割算法进行比较和切割，能较好地提取晚疫病马铃薯叶片的特征。

2）在RGB、HSV颜色空间中，根据马铃薯叶片患病早期叶片颜色与健康叶片不同，利用颜色特征建立无病和患病检测模型，该模型对患病早期的识别率为67.5%。

3）研究了相同尺度下的图像纹理值，并根据这些纹理特征确定了大概的病患分离点，初步实现了病害识别，该方法对患病程度的识别率比较稳定，对患病中期与后期的识别率都大于70%。

4）根据国家植物病害分级标准，建立了马铃薯晚疫病分级标准，为晚疫病病害识别与分级打下基础，利用该诊断方法对患病后期马铃薯叶片的识别较好，识别率高达90%。

5）提出颜色纹理形状特征结合的识别方法，该方法与利用单一特征识别方法相比较，识别效果更好，对患病中期与后期的识别率都大于90%。

6）通常马铃薯晚疫病的理化值检测耗时数天，但利用机器视觉检测马铃薯晚疫病较为迅速。本研究进行马铃薯晚疫病的识别耗时最长为9 s，最短为3 s。本研究为马铃薯晚疫病的实时检测、实现病斑显现时的准确识别和及时防治提供了新的方法。

[1]罗其友，刘洋，高明杰，等. 中国马铃薯产业现状与前景[J]. 农业展望，2015，11(3)：35－40. Luo Qiyou, Liu Yang, Gao Mingjie, et al. Status quo and prospect of China's potato industry[J]. Agricultural Outlook, 2015, 11(3): 35－40. (in Chinese with English abstract)

[2]谢建华. 我国马铃薯生产现状及发展对策[J]. 中国农技推广，2007(5)：4－7.

[3]李文娟，秦军红，谷建苗，等. 从世界马铃薯产业发展谈中国马铃薯的主粮化[J]. 中国食物与营养，2015，21(7)：5－9. Li Wenjuan, Qin Junhong, Gu Jianmiao, et al. Developing potato as a staple food in China based on world potato development[J]. Food and Nutrition in China, 2015, 21(7): 5－9. (in Chinese with English abstract)

[4]魏亚雯. 马铃薯晚疫病[J]. 农业科技与信息，2009(1)：28.

[5]曹静，客绍英. 马铃薯晚疫病流行学及防治方法研究进展[J].中国马铃薯，2005(1)：33－36.

[6]黄冲，刘万才. 近几年我国马铃薯晚疫病流行特点分析与监测建议[J]. 植物保护，2016，42(5)：142－147. Huang Chong, Liu Wancai. Occurence characteristics and monitoring advice of potato late blight in China in recent years[J]. Plant Protection, 2016, 42(5): 142－147. (in Chinese with English abstract)

[7]何勇，彭继宇，刘飞，等. 基于光谱和成像技术的作物养分生理信息快速检测研究进展[J]. 农业工程学报，2015，31(3)：174－189. He Yong, Peng Jiyu, Liu Fei, et al. Critical review of fast detection of crop nutrient and physiological information with spectral and imaging technology[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(3): 174－189. (in Chinese with English abstract)

[8]赖军臣，李少昆，明博，等. 作物病害机器视觉诊断研究进展[J]. 中国农业科学，2009，42(4)：1215－1221. Lai Junchen, Li Shaokun, Ming Bo, et al. Advances in research on computer-vision diagnosis of crop diseases[J]. Scientia Agricultura Sinica, 2009, 42(4): 1215－1221. (in Chinese with English abstract)

[9]李志刚，傅泽田，李丽勤. 基于机器视觉的农业植保技术研究进展[J]. 农业机械学报，2005，36(8)：143－146. Li Zhigang, Fu Zetian, Li Liqin. Advance in agricultural plant protection technology based on machine vision[J]. Transactions of the Chinese Society for Agricultural Machinery, 2005, 36(8): 143－146. (in Chinese with English abstract)

[10]曹乐平. 基于机器视觉的植物病虫害实时识别方法[J]. 中国农学通报，2015，31(20)：244－249. Cao Leping. The research progress on machine recognition of plant diseases and insect pests[J]. Chinese Agricultural Science Bulletin, 2015, 31(20): 244－249. (in Chinese with English abstract)

[11]蒋丰千，李旸，余大为，等. 基于Caffe的生姜病害识别系统研究与设计[J]. 中国农机化学报，2019，40(1)：126－131. Jiang Fengqian, Li Yang, Yu Dawei, et al. Design and experiment of tobacco leaf grade recognition system based on Caffe[J]. Journal of Chinese Agricultural Mechanization, 2019, 40(1): 126－131. (in Chinese with English abstract)

[12]郭小清，范涛杰，舒欣. 基于图像融合特征的番茄叶部病害的识别[J]. 湖南农业大学学报自然科学版，2019，45(2)：212－217. Guo Xiaoqing, Fan Taojie, Shu Xin. Recognition of tomato leaf disease based on image fusion feature[J]. Journal of Hunan Agricultural University: Natural Sciences, 2019, 45(2): 212－217. (in Chinese with English abstract)

[13]刘媛，冯全. 葡萄病害的计算机识别方法[J]. 中国农机化学报，2017，38(4)：99－104. Liu Yuan, Feng Quan. Identification method of grape diseases based on computer technology[J]. Journal of Chinese Agricultural Mechanization, 2017, 38(4): 99－104. (in Chinese with English abstract)

[14]GB/T 17980. 34-2000，农药田间药效试验准则（一）杀菌剂防治马铃薯晚疫病[S]北京：中国标准出版社，2000.

[15]高浩军，杜宇人. 中值滤波在图像处理中的应用[J]. 电子工程师，2004(8)：35－36. Gao Haojun, Du Yuren. The application of median filtering on image processing[J]. Electronic Engineer, 2004(8): 35－36. (in Chinese with English abstract)

[16]田凯，张连宽，熊美东，等. 基于叶片病斑特征的茄子褐纹病识别方法[J]. 农业工程学报，2016，32(增刊1)：184－189. Tian Kai, Zhang Liankuan, Xiong Meidong, et al. Recognition of phomopsis vexans in solanum melongena based on leaf disease spot features[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(Supp.1): 184－189. (in Chinese with English abstract)

[17]吴娜，李淼，陈晟，等. 基于融合多特征图切割的作物病害图像自动分割[J]. 农业工程学报，2014，30(17)：212－219. Wu Na, Li Miao, Chen Sheng, et al. Automatic segmentation of plant disease images based on graph cuts fusing multiple features[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2014, 30(17): 212－219. (in Chinese with English abstract)

[18]毕昆，姜盼，李磊，等. 基于形态学图像处理的麦穗形态特征无损测量[J]. 农业工程学报，2010，26(12)：212－216. Bi Kun, Jiang Pan, Li Lei, et al. Non-destructive measurement of wheat spike characteristics based on morphological image processing[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2010, 26(12): 212－216. (in Chinese with English abstract)

[19]Dina Khattab, Christian Theobalt, Ashraf S. Hussein, et al. Modified GrabCut for human face segmentation[J]. Ain Shams Engineering Journal, 2014, 5(4): 1083-1091.

[20]丁红，张晓峰，基于快速收敛Grabcut的目标提取算法[J]. 计算机工程与设计，2012，33(4)：1477－1481. Ding Hong, Zhang Xiaofeng. Object abstraction algorithm with fast Grabcut[J]. Computer Engineering and Design, 2012, 33(4): 1477－1481. (in Chinese with English abstract)

[21]李华强，喻擎苍，方玫. Canny算子中Otsu阈值分割法的运用[J]. 计算机工程与设计，2008(9)：2297－2299. Li Huaqiang, Yu Qingcang, Fang Mei. Application of Otsu thresholding method on Canny operator[J]. Computer Engineering and Design, 2008(9): 2297－2299. (in Chinese with English abstract)

[22]蔡梅艳，吴庆宪，姜长生. 改进Otsu法的目标图像分割[J]. 电光与控制，2007(6)：118－119. Cai Meiyan, Wu Qingxian, Jiang Changsheng. Target image segmentation based on modified Otsu algorithm[J]. Electronics Optics & Control, 2007(6): 118－119. (in Chinese with English abstract)

[23]吴冏，张然然，魏舒罕，等. 改进的斑点检测算法[J]. 计算机工程与设计，2010，31(22)：4851－4854. Wu Jiong, Zhang Ranran, Wei Shuhan, et al. Improved blotch detection method[J]. Computer Engineering and Design, 2010, 31(22): 4851－4854. (in Chinese with English abstract)

[24]Jain Rajkumar, Johari Punit Kumar. An improved approach of CBIR using Color based HSV quantization and shape based edge detection algorithm[C]// IEEE International Conference on Recent Trends in Electronics, 2017. Doi:10.1109/RTEICT.2016.7808181.

[25]马浚诚，温皓杰，李鑫星，等. 基于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. Ma Juncheng, Wen Haojie, Li Xinxing, et al. Downy mildew diagnosis system for greenhouse cucumbers based on image processing[J]. Transactions of the Chinese Society for Agricultural Machinery, 2017, 48(2): 195－202. (in Chinese with English abstract)

[26]Lin Guoyu, Yang Biao, Zhang Weigong. Human tracking in camera network with non-overlapping FOVs[J]. Journal of Southeast University: English Edition, 2012, 28(2): 156－163. 林国余，杨彪，张为公. 在非重叠视域监控网络中的人体目标跟踪[J]. 东南大学学报：英文版，2012，28(2)：156－163. (in English with Chinese abstract)

[27]Wang Feng, Man Lichun, Wang Bangping, et al. Fuzzy-based algorithm for color recognition of license plates[J]. Pattern Recognition Letters, 2008, 29(7): 1007－1020.

[28]高程程，惠晓威.基于灰度共生矩阵的纹理特征提取[J]. 计算机系统应用，2010，19(6)：195－198. Gao Chengcheng, Hui Xiaowei. GLCM-based texture feature extraction[J]. Computer Systems & Applications, 2010, 19(6): 195－198. (in Chinese with English abstract)

[29]Al-Sahaf Harith, Zhang Mengjie, Al-Sahaf Ausama, et al. Keypoints detection and feature extraction: A dynamic genetic programming approach for evolving rotation-invariant texture image descriptors[J]. IEEE Transactions on Evolutionary Computation, 2017, 21(6): 825－844.

[30]Manivannan K, Aggarwal P, Devabhaktuni V, et al. Particulate matter characterization by gray level co-occurrence matrix based support vector machines[J]. Journal of Hazardous Materials, 2012, 223-224(2): 94－103.

Rapid recognition of potato late blight based on machine vision

Dang Manyi1, Meng Qingkui1, Gu Fang1, Gu Biao2, Hu Yaohua1,3,4※

(1.,,,712100,; 2.,,,712100,; 3.,712100,; 4.,,,712100,)

Late blight is a serious disease that occurs of potato, which can reduce the yield and even kill the crop. Therefore, the recognition and control of potato late blight is of important practical significance to improve potato yield. Based on machine vision technology, a rapid recognition method of potato late blight was proposed in this paper. According to the different characteristics of the color, texture and shape of late blight on the potato leaves, the characteristic parameters of the lesion areas on leaves were extracted, and the mathematical model was established to evaluate the disease. The potato leaves of Xiazhai No.8 were selected and inoculated within the artificial climate chamber. The image information of potato leaves was collected by image acquisition system, and the collected images were preprocessed by median filtering algorithm, eliminating noise interference while retaining more complete leaf color information. The Grab Cut algorithm was used to separate the foreground and background of the image and extract the image of the potato leaf. The image was binarized by the OTSU method, and the lesion information was initially extracted. In order to remove the noise in the image and make the edge of the extracted lesion smoother, the open operation was selected. For the recognition based on color features, in the RGB and HSV color spaces, according to the change of leaf color of potato leaves in early stage of disease, the disease-free and disease model of potato blight was established by using color features. The correct recognition rate of the model in early stage of disease was 67.5%. For the recognition based on texture features, using the gray level co-occurrence matrix and the statistical parameters of texture features to evaluate the disease level, using entropy and energy values to describe whether the potato leaves were in the late stage of disease, using contrast ratio and entropy to judge the disease degree, the recognition rate of texture feature to the disease was relatively stable, and the recognition rate of middle and late stage of disease was more than 70%. For recognition based on shape features, using the relative characteristics of the shape features, i.e. the area ratio of the lesions to judge whether the late blight was, and the recognition rate was as high as 90%. Traditionally, the judgment of potato late blight mainly depends on human eyes, which is difficult to quantify the degree of leaf disease, and requires experienced disease diagnosis experts, often misdiagnosed, missed diagnosis, and it takes a long time to detect the pathological value of potato late blight, but using machine vision to detect potato late blight is relatively fast and accurate. The comparative test results show that the recognition time for potato late blight based on color features was about 4 s, the recognition time based on texture feature was 7 s, the recognition time based on shape feature was 3 s, and the recognition time for comprehensive color texture shape features was 9 s due to the large amount of calculation.This study provides a reference for the real-time detection of potato late blight, realizes the accurate identification of the disease when it appears, and achieves the purpose of timely detection and control of late blight

computer vision; image processing; disease; potato late blight; feature extraction; rapid recognition

党满意，孟庆魁，谷 芳，顾 彪，胡耀华. 基于机器视觉的马铃薯晚疫病快速识别[J]. 农业工程学报，2020，36(2)：193－200. doi：10.11975/j.issn.1002-6819.2020.02.023 http://www.tcsae.org

Dang Manyi, Meng Qingkui, Gu Fang, Gu Biao, Hu Yaohua. Rapidrecognition of potato late blight based on machine vision[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(2): 193－200. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2020.02.023 http://www.tcsae.org

2019-09-29

2019-10-28

国家自然科学基金项目（31971787)；中央高校基本科研业务费专项资金项目（2452019179）

党满意，主要从事农情信息快速获取、无损检测方面的研究。Email：dangmanyinwsuaf@163.com

胡耀华，博士，教授，主要从事机电一体化、农情信息快速获取、农产品贮藏加工及无损检测等方面的研究。Email：huyaohua@nwsuaf.edu.cn

10.11975/j.issn.1002-6819.2020.02.023

S24

A

1002-6819(2020)-02-0193-08