基于数码图像的小麦条锈病病害程度分级方法

蒋小敏 冯海宽 常红 杨贵军 杨小冬

摘要：小麦条锈病发病广、发病率高，严重影响农业生产，造成小麦产量重大损失。病叶严重度是获取小麦条锈病病害信息的主要参数。为更好、更便捷地获取小麦条锈病病害信息实现对小麦条锈病单叶病害严重度分级，讨论一种利用数码图像对小麦条锈病进行分级的方法。首先从拍摄的数码图像中选取发病严重度为1%、5%、10%、20%、40%、60%、80%、100%的小麦叶片（以植保专家目测为标准），对应设置为1、2、3、4、5、6、7、8级，每个级别各30张叶片，共计240张，从每个类别中选取10张做数据分析，20张作验证。利用K-means聚类法、形态学变换等操作将小麦叶片与背景分割开，然后对采集的RGB图像通道分离获取R、G、B分量图进行G、R分量加运算，在小麦叶片染病前期，小麦条锈病严重度为1～4级，G+R图像就能较好地区分出病斑区域与健康区域，随着病害程度加深黄化严重，G+R 图像不能很好地区分出病斑区域，通过改变R分量图的权重，对5、6、7、8级40个样本进行数据分析，发现G+1.7R时表现出的拟合性和精度最好，采用最大类间方差法（Otsu）对G+R、G+1.7R图像进行分割，将病斑从小麦叶片中提取出来;最后根据染病面积占叶片总面积的百分比对小麦条锈病病害程度进行分级。160个不同病害等级的小麦叶片验证样本中，24个样本被错误分级，136个样本被正确分级，发病程度较轻的1～4级分级正确率为92.5%，发病程度较重的5～8级分级正确率为77.5%，总体分级正确率为85.0%。基于数码图像对小麦条锈病病害程度分级识别方法操作靈活、方便，相对于传统田间目测分级提高了分级正确率，为识别小麦条锈病叶片病害程度提供了一种操作快速简单、成本低且方便普及的新方法。

关键词：数码图像;小麦条锈病;病害程度;分级;K-means;最大类间方差法

中图分类号：S435.121.4+2;TP391.41   文献标志码： A

文章编号：1002-1302（2021）23-0109-06

收稿日期：2021-07-20

项目基金：国家自然科学基金（编号：41771469）;广东省重点领域研发计划（编号：2019B020216001）。

作者简介：蒋小敏（1993—），女，安徽长丰人，硕士研究生，从事作物病虫害遥感监测研究。E-mail：18856927671@163.com。

通信作者：杨小冬，博士，副研究员，从事作物病虫害遥感监测研究。E-mail：yangxd7@163.com。

小麦是世界上种植范围最广同时也是我国主要的粮食作物，从每年的小麦种植面积以及产量来看，小麦是我国第二大谷类和粮食作物[1]。作物病害是导致小麦减产的主要因素。小麦条锈病是由条型柄锈菌引起的易受环境条件影响的一种真菌病害，当病原菌在有利的天气条件下感染易感品种时，早期侵染会严重降低株高和分蘖数，从而大大降低小麦的生物量和产量;灌浆期侵染会严重减少籽粒数量、籽粒大小和质量，从而导致产量减少和籽粒质量降低，使小麦严重减产，流行年份可达40%以上，甚至可出现绝收现象[2-5]，严重制约了农业生产、影响了农业经济快速平稳发展。病叶严重度是获取小麦条锈病病情指数的主要参数。传统的监测方法主要由有经验的生产者或植保专家在田间凭借其经验知识观察小麦植株，进而判定小麦条锈病的发生程度等级。这些传统方法存在工作量大、工作效率低等弊端，且对目测人员的专业经验要求极高。因而，能够找到一种成本低、准确度高且易操作的方法去监测小麦条锈病具有重要价值。张帅堂等基于高光谱成像技术和遗传优化神经网络对茶叶病斑进行快速识别，病斑识别率达到94.17%[6]。郑志雄等对采集到的受稻瘟病侵染不同严重程度的水稻叶片高光谱图像进行光谱分析，采用主成分分析和最大类间方差法（Otsu）对水稻叶瘟病病害程度进行分级，分级准确率为96.39%[7]。Moshou等利用神经网络和二次判别分析技术对采集的冬小麦条锈病光谱图像进行检测取得了较高的分类精度[8]。雷雨等基于高光谱成像技术利用主成分分析法结合最大类间方差法对小麦条锈病病害程度进行分级，分级正确率达到98.15%[9]。李小龙等利用近红外光谱技术获取病害光谱信息结合定性判别偏最小二乘法（DPLS）建立小麦条锈病不同严重度识别模型，测试集样品总体识别正确率为96.55%[10]。陈兵等利用可见/近红外光谱技术获取棉花黄萎病不同严重度病叶光谱特征，建立相应的多种估测模型均达到极显著水平[11]。近年来计算机技术发展迅速，数字图像处理技术被普遍用于农作物的病害识别[12-18]。袁媛等对黄瓜病害叶片图像利用超G因子和Otsu方法提取黄瓜主要叶片去除大部分背景，利用病害图像的红色分量构建基于阈值预处理的图切割算法对4种黄瓜病害的病斑进行了有效提取[19]。任玉刚等对分水岭算法进行改进使分割结果不受叶片纹理的干扰提高了作物病害叶片图像分割的准确性[20]。Wang等提出了一种有效的黄瓜叶片分割方法，首先对颜色空间类型进行分析，提取RGB模型下R特征图，HLS模型下H特征图，然后利用RH=R-H特征图进行阈值分割提取病斑[21]。Shen等分析了图像分割过程中存在的所有影响因素，采用Otsu法分割大豆叶片，基于HLS颜色系统下选择H分量结合Sobel算子对病斑进行分割，最后通过计算病斑与叶片面积的商进行分级[22]。Revathi等对采集的棉花叶斑病RGB图像进行增强处理，然后对其进行分割得到病斑，使用Sobel算子和Canny滤波等获取边缘信息进而识别病斑对棉花叶斑病进行分类，分类结果与其他算法相比具有更高的精度[23]。高光谱成像技术、可见光近红外光谱技术以及RGB图像分割均能够识别出病斑。基于高光谱成像技术、近红外光谱技术的病害识别正确率较高，但高光谱技术难以普及，是因为其用到的仪器价格昂贵，近红外光谱技术不易操作。植物发生病虫害时，在不同阶段，其表现的症状有着显著差异，图像分割的正确与否决定了病害识别的准确度。当前，利用图像处理技术识别作物病虫害的研究已经很多[24-29]，但目前尚无将数码图像用于进行小麦条锈病叶片严重度分级的研究。本研究采集了不同严重度的小麦条锈病病叶图像，使用图像处理技术采用两步分割的方法提取小麦叶片和病斑区域，对病叶进行分级识别，以期研究出一种快速准确、成本低、操作简单且方便普及的识别小麦条锈病叶片病害程度的方法。

1 材料与方法

1.1 试验材料

试验田位于甘肃省农业科学院植物保护研究所甘谷试验站（34.760528N，105.294410E），海拔高度为1 254.7 m，选用高感病冬麦品种铭贤169种植，在试验田中設置30个40 cm×40 cm的小区，行距为20 cm，采用人工喷雾法选用配制的小麦条锈病夏孢子（混合生理小种）液喷洒在小区的中间植株叶片上，之后盖上塑料薄膜过夜，次日揭去薄膜，从中心发病感染周围植株上获取不同严重度的小麦条锈病病叶。2019年6月1日，将采集到的每个小区的不同发病程度的小麦叶片并排放在白纸上，用随身携带的华为手机（相机型号为STF-AL00）进行拍摄存储，像素大小为3 840×5 120，每幅图像里有9～13张小麦叶片，共获取30幅图像。

1.2 图像预处理

用绘图软件对采集的图像进行裁剪得到小麦单叶叶片，参照国家标准GB/T 15795—2011《小麦条锈病测报技术规范》中的小麦条锈病发生程度分级指标，从中分别选取发病严重度为1%、5%、10%、20%、40%、60%、80%、100%的小麦叶片（以植保专家目测为标准），等级之间以中间发病严重度分界线作为划分标准计入最接近的分级等级，同时按照小麦条锈病严重度级别分别对应设置为1～8级，每个级别各取30张，共计240张不同等级的病叶样本，其中80个用于数据分析，160个样本用于对G+R、G+1.7R的分割结果进行验证。裁剪的数码图像用Python 3.6软件进行处理和分析。

1.3 图像增强

图像增强是为了增强对比度。在对小麦叶片进行拍摄和存储中会引入噪声，影响病斑部位的提取。因此对裁剪的小麦单叶图像采用中值滤波法进行平滑处理，减少噪声，改善图像质量，并将其作为后续图像处理的基础数据。

1.4 小麦条锈病病害程度分级方法

1.4.1 小麦叶片与背景的分离

K-means聚类算法是用一组特征将输入数据划分为k个子集，构成k个类的简单聚类，其不断提取当前分类的中心点，并最终在分类稳定时完成聚类。基本步骤[30]如下：（1）选取k个点作为K-means聚类的中心点。（2）计算图像中的每个像素点到各个聚类中心点的距离，对于每一个像素点根据其到中心点的最小距离进行分类。（3）再次平均各个分类的像素作为新的分类中心点。 （4）重复步骤（2）和步骤（3），直到分类稳定。

腐蚀操作和膨胀操作是形态学运算的基础，将腐蚀和膨胀操作进行结合就可以实现开运算、闭运算等不同形式的运算。闭运算是先将图像进行膨胀之后再对膨胀的结果进行腐蚀，去除原始图像内部的小孔和小黑点。

为获取小麦叶片，采用K-means聚类法和形态学处理去除图片背景。具体流程如图1所示。首先将经过平滑处理后的图像用K-means聚类法分割，再通过形态学操作，去除叶片内部的小孔洞、小黑点，生成叶片值为255，背景值为0的黑白二值化图（图1-a），并将其白色像素点数作为小麦叶片的总面积，之后将生成的黑白二值化图跟原始图像做按位与运算得到去除背景后的小麦叶片（图1-b）。采集的240个病害样本均按照此方法提取出小麦叶片，可以较为准确地获取小麦叶片的面积。

1.4.2 小麦条锈病病斑区域提取

将经过平滑处理后的1～4级40个样本数据图像进行B、G、R三通道分离，得到B、G、R三通道分量图。小麦条锈病病斑呈现黄色，成行排列且平行于叶脉。其病斑处的R值稍高于叶片健康部位的R值，因此对G和R、R和B组合图像进行分析。

将2个灰度图的像素值进行求和时，遵循以下规则：

a+b=a+b，a+b≤255

255，a+b>255。（1）

若2个灰度图的像素值（a、b）相加值小于或等于255，则计算结果就是最终结果，若相加值大于255，则最终结果就是255。提取到的G+R、R+B组合图像如图2所示，G和R图像较好地保存了病斑的形状，因此选取G+R组合图作为病斑提取的图像。

G+R组合图像中能区分出病斑区域与健康区域。叶片中颜色较亮区域为条锈病病斑，较暗区域为健康区域。采用Otsu法对G+R组合图像进行分割处理，提取病斑区域的具体步骤[31]如下：（1）根据阈值T将像素分为健康区域和染病区域2大类，计算这2个区域灰度的类间方差σ2，寻找最优阈值T使得σ2最大，使类间分离性最佳。（2） 计算平均灰度值n，若n>T，判定该区域内所有点为染病区域，赋值为255;若n

随着小麦条锈病病情加重，小麦叶片黄化严重，后期叶片表面黄色面积占据大部分，用G+R的组合图像并不能很好地将全部病斑提取出来，增加R分量在颜色空间中的权重，可用于对叶片病斑的分割[32]。对后期病情严重，叶片表面大片泛黄的级别在5、6、7、8级的40个样本数据进行分析，对G、R分量图进行不同加权比获取组合图进行病斑分割提取。

图像加权和就是将2幅灰度图像像素值进行求和时，考虑每幅图像的权重，其公式为

dst=saturate（src1×α+src2×β+γ）。（2）

式中：dst 表示结果图像;saturate（）表示取饱和值（最大值）;src1、src2表示相同的数据类型;α、β表示src1、src2对应的系数;γ表示亮度调节量，可以为0。

1.4.3 小麦条锈病病害程度分级

病害严重度是依据病叶上病斑面积占叶片总面积的百分比表示。病害严重度的计算公式为

C=A1/A2×100%。（3）

式中：C表示病害严重度;A2表示小麦叶片总面积，像素;A1为小麦条锈病病斑面积，像素。

2 结果与分析

2.1 图像分割

对获取的G、R分量图，按照α ∶β不同的系数比进行图像加权和，验证其分割效果。通过试验可知，当α=1时，β的系数越大，病斑区域的增强越明显;而当β>1.7时，叶片健康区域也会被明显加强，不符合将全部病斑提取出来的试验预期。以α ∶β=1 ∶1.6、1 ∶1.7、1 ∶1.8为例进行图像分割，并将分割结果与实测结果进行对比分析（图4）。选用均方根误差（RMSE）、平均绝对误差（MAE）和分级正确率进行精度评价，RMSE、MAE越小，分级精度越高[33]。通过研究发现，G+1.7R时所表现的拟合性和精度最好（表1），此时RMSE为0.105 5，MAE为 0.080 8，分级正确率为80%。故G、R的加权和在 1 ∶1.7 时，分割效果最好。

由图5可知，只有一部分的条锈病病斑被分割出来，不能达到病斑分割目的。由图6可知，G+1.7R分割小麦叶片中呈现黄色的病斑区域能被较清晰地分割出来，满足下一步小麦条锈病的分级需要。

2.2 病害分级

对80个早期感染小麦条锈病的叶片采用G+R的分割算法进行分级。由表2 可知，病害等级为1级的分级正确率是85.0%，3个样本被识别错误，其中2个误分为2级，1个误分为3级;病害等级为2级的分级正确率是90.0%，2个样本被识别为3级;病害等级为3级的分级正确率是95.0%，1个样本被识别为4级;病害等级为4级的分级正确率是100.0%。在80个验证样本中，共有6个识别错误，分级平均正确率为92.5%。

对80个晚期感染小麦条锈病的叶片采用G+1.7R的分割算法进行分级。由表3可知，病害等级为5级的分级正确率是85.0%，3个样本被识别为4级;病害等级为6级的分级正确率是85.0%，3个样本被识别错误，其中1个误分到5级，2个误分到7级;病害等级为7级的分级正确率是75.0%，5个样本被识别为6级;病害等级为8级的分级正确率是65.0%，7个样本被识别为7级。在80个验证样本中，共有18个识别错误，分级平均正确率为77.5%。

对160个感染小麦条锈病的叶片进行分级，病害程度分级结果分布如图7所示，结果表明，在全部验证样本中，分级平均正确率为85.0%，共有24个识别错误。R、G分量的不同组合图像可以很好地显示出小麦条锈病病斑区域跟健康区域的灰度差异。1～4级，G+R图像就能较好地区分出病斑区域与健康区域，5～8级，病害程度加深，小麦叶片表皮破裂黄化严重，G+R图像不能很好地将病斑准确地分割出来，通过改变R分量图的权重，进而更好地对病斑进行提取。通过对样本数据进行分析，选取G+1.7R分割效果最好，再根据病叶严重度分级标准对小麦叶片条锈病进行分级。随着病害等级增加，分级正确率总体上呈现下降趋势，拟合性逐渐降低。对于病害较为严重的分级还需进一步研究，以便更加准确地获取小麦条锈病病害程度。

3 讨论

本研究通过手机相机获取小麦条锈病叶片数据，分割出小麦叶片、小麦条锈病病斑，取得了较高分级准确度，为小麦条锈病叶片严重度分级研究提供了一种新的方法。利用K-means聚类法结合形态学处理，提取的特征值较少，具有较高的清晰度能够很好地去除图像背景将小麦叶片分割出来。G+R 组合图像能够完整地体现出病斑的形状，有效区分出健康区域与病斑区域。

病害等级在1、2、3、4级时，RMSE、MAE均比较小，分级精度较高，擬合效果较好，误分错误主要集中在早期病害等级划分，区间间隔相差较小，1百分点的误差均会导致分级结果错误。小麦条锈病病情逐渐加重，病害等级增加，5、6、7、8级RMSE、MAE相对较大，分级正确率逐渐降低，其原因主要集中在病害加重，叶片黄化严重，叶片健康区域面积较小且G值减弱，致使健康区域与病斑区域差异不够显著，没有黄化的病斑不能提取出来，都会使病斑面积减少，进而使得到的病害严重度相比实测值较小，因而致使病情严重的叶片等级被误分到小1级中。

影响分级正确率的因素主要有以下几个来源：（1）RGB图像。因为RGB图像只有3个通道的像素值，病斑分割依靠颜色特征，没有黄化的病斑无法分割。致使病情较为严重的叶片等级被误分到小1级中。（2）样本本身。叶片表面的泥土，叶片与背景的边缘阴影部分均有可能被误识别为病斑，致使病斑面积增大，病害前期，会将病害等级错误识别大1级。拍摄亮度、图像分辨率的高低等也会影响分割的准确性。（3）等级划分的因素。不同等级之间的区间相差太小，比如1级与2级之间仅相差4%，极易被错误分类，位于2个级别间分界线附近也容易被识别错误。

本研究建立在试验小区之上，供试品种单一，且对于区分小麦叶片感染条锈病早期、晚期仍需要人工进行目测判别，因此还需要进一步研究。

4 结论

本研究以小麦锈病中最常见、发病广、影响范围大的条锈病作为研究对象，利用K-means聚类法结合形态学处理获取小麦叶片，利用Otsu法分割R、G分量的不同组合图像提取小麦条锈病病斑结论如下。

（1）对小麦条锈病病情严重的5～8级40个样本数据分析得出，G、R分量图按照G+1.7R的组合图像分割效果最好，RMSE为0.1055，MAE为 0.080 8，分级正确率为80.0%。

（2）160个不同病害等级的小麦叶片验证样本中，24个样本被错误分级，136个样本被正确分级，总体分级正确率为85.0%。1～4级分级正确率为92.5%，分割精度较高，能够实现对小麦条锈病的早期病害分级，更适合于小麦条锈病田间早期病害检测，为田间病害早期管理提供基础数据，表明基于数码图像对小麦条锈病病害程度分级识别是可行的，为小麦条锈病病害程度评估提供了一种新的研究思路。5～8级分级正确率为77.5%，分割精度相较于中、轻度发病水平较低，小麦条锈病病情严重度达到重度水平时，分级方法还需进一步研究。

参考文献：

[1]Wan A M，Chen X M，He Z H. Wheat stripe rust in China[J]. Australian Journal of Agricultural Research，2007，58（6）：605.

[2]李振岐，曾士迈. 中国小麦锈病[M]. 北京：中国农业出版社，2002.

[3]Rapilly F. Yellow rust epidemiology[J]. Annual Review of Phytopathology，1979，17（1）：59-73.

[4]Chen X M. Pathogens which threaten food security：Puccinia striiformis，the wheat stripe rust pathogen[J]. Food Security，2020，12（2）：239-251.

[5]马占鸿. 中国小麦条锈病研究与防控[J]. 植物保护学报，2018，45（1）：1-6.

[6]张帅堂，王紫烟，邹修国，等. 基于高光谱图像和遗传优化神经网络的茶叶病斑识别[J]. 农业工程学报，2017，33（22）：200-207.

[7]郑志雄，齐 龙，马 旭，等. 基于高光谱成像技术的水稻叶瘟病病害程度分级方法[J]. 农业工程学报，2013，29（19）：138-144.

[8]Moshou D，Bravo C，West J，et al. Automatic detection of ‘yellow rustin wheat using reflectance measurements and neural networks[J]. Computers and Electronics in Agriculture，2004，44（3）：173-188.

[9]雷 雨，韩德俊，曾庆东，等. 基于高光谱成像技术的小麦条锈病病害程度分级方法[J]. 农业机械学报，2018，49（5）：226-232.

[10]李小龙，秦 丰，赵龙莲，等. 近红外光谱技术的小麦条锈病严重度分级识别[J]. 光谱学与光谱分析，2015，35（2）：367-371.

[11]陈 兵，李少昆，王克如，等. 棉花黄萎病病叶光谱特征与病情严重度的估测[J]. 中國农业科学，2007，40（12）：2709-2715.

[12]Bai X B，Li X X，Fu Z T，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.

[13]张 冲，李 淼，张 健，等. 基于改进中值滤波的梨树病害彩色图像分割[J]. 计算机应用，2016，36（增刊2）：197-199，217.

[14]张会敏，谢泽奇，张善文，等. 基于WT-Otsu算法的植物病害叶片图像分割方法[J]. 江苏农业科学，2017，45（18）：194-196.

[15]葛 婧，邵陆寿，丁克坚，等. 玉米小斑病病害程度图像检测[J]. 农业机械学报，2008，39（1）：114-117.

[16]任守纲，陆海飞，袁培森，等. 基于显著性检测的黄瓜叶部病害图像分割算法[J]. 农业机械学报，2016，47（9）：11-16.

[17]曹英丽，林明童，郭忠辉，等. 基于Lab颜色空间的非监督GMM水稻无人机图像分割[J]. 农业机械学报，2021，52（1）：162-169.

[18]明 浩，苏喜友. 利用特征分割和病斑增强的杨树叶部病害识别[J]. 浙江农林大学学报，2020，37（6）：1159-1166.

[19]袁 媛，李 淼，陈 晟，等. 复杂背景黄瓜叶部病害图像分割方法[J]. 农业机械学报，2013，44（10）：233-237.

[20]任玉刚，张 建，李 淼，等. 基于分水岭算法的作物病害叶片图像分割方法[J]. 计算机应用，2012，32（3）：752-755.

[21]Wang L D，Yang T，Tian Y W.Crop disease leaf image segmentation method based on color features[C]//Li D L. Computer and Computing Technologies in Agriculture，Volume Ⅰ. Wuyishan：International Federation for Information Processing，2008.

[22]Shen W Z，Wu Y C，Chen Z L，et al. Grading method of leaf spot disease based on image processing[C]//2008 International Conference on Computer Science and Software Engineering.Wuhan，China.IEEE，2008：491-494.

[23]Revathi P，Hemalatha M.Classification of cotton leaf spot diseases using image processing edge detection techniques[C]//2012 International Conference on Emerging Trends in Science，Engineering and Technology （INCOSET）.Tiruchirappalli，India.IEEE，2012：169-173.

[24]施 文，邹锐标，王 访，等. 基于多重分形的油菜病虫害叶片图像分割[J]. 湖南农业大学学报（自然科学版），2014，40（5）：556-560.

[25]齐 龙，马 旭，张小超. 基于BP网络的植物病害彩色图像的分割技术[J]. 吉林大学学报（工学版），2006，36（增刊2）：126-129.

[26]张善文，张云龙，尚怡君. 1种基于Otsu算法的植物病害叶片图像分割方法[J]. 江苏农业科学，2014，42（4）：337-339.

[27]譚 峰，马晓丹. 基于叶片的植物病虫害识别方法[J]. 农机化研究，2009，31（6）：41-43.

[28]乔 雪，潘 新，王欣宇，等. 基于G-R分量与K-means的马铃薯病虫害图像分割[J]. 内蒙古农业大学学报（自然科学版），2021，42（3）：84-87.

[29]张水发，王开义，祖 琴，等. 基于块标记的田间叶片损伤区域分割方法[J]. 农业工程学报，2014，30（21）：218-225.

[30]Jaware T H，Badgujar R D，Patil P G. Crop disease detection using image segmentation[J]. World Journal of Science and Technology，2012，2（4）：190-194.

[31]Otsu N.A threshold selection method from gray-level histograms[J]. IEEE Transactions on Systems，Man，and Cybernetics，1979，9（1）：62-66.

[32]刁智华，王 欢，宋寅卯，等. 基于颜色和形状特征的棉花害螨图像分割方法[J]. 农机化研究，2013，35（3）：50-55.

[33]Yue J B，Feng H K，Jin X L，et al. A comparison of crop parameters estimation using images from UAV-mounted snapshot hyperspectral sensor and high-definition digital camera[J]. Remote Sensing，2018，10（7）：1138.