基于计算机视觉的黄瓜病害识别方法研究

董松 徐晓辉 宋涛

摘要 为解决黄瓜生长过程中出现的病害问题，提出一种基于计算机视觉的病害远程自动化识别方案，Android手机客户端完成图像采集和结果获取，PC服务器端实现病害的自动识别及信息反馈。采集黄瓜常见的霜霉病、白粉病、靶斑病3种病害各100幅图像，在服务器端进行预处理操作，之后提取病害颜色、形状和纹理3方面的12个特征数据，基于支持向量机实现对病害的分类识别。基于Android SDK开发病害识别系统软件客户端，通过HTTP协议实现与服务器的信息交互。经测试，系统的客户端和服务器端信息交互良好，3种病害的识别率分别达95%、87.5%、90%，Android客户端自由便携，在一定程度上实现了黄瓜叶部病害远程自动判别，为农业物联网构建提供一种技术途径。

关 键 词 黄瓜病害;计算机视觉;支持向量机;病害识别;信息交互

Abstract To solve the problem of disease in the process of cucumber growth， a remote automatic identification scheme based on computer vision was proposed. The Android mobile phone client completed image acquisition and result acquisition， and the PC server realized automatic disease identification and information feedback. Collect 100 images of common downy mildew， powdery mildew and target spot disease in cucumber， perform pretreatment operation on the server side， and then extract twelve characteristic data of disease color， shape and texture based on support vector. The machine realizes the identification of diseases. The disease identification system software client was developed based on the Android SDK， and the information interaction with the server was realized through the HTTP protocol. After testing， the client and server information of the system interacted well， and the recognition rates of the three diseases were 95%， 87.5%， 90%. The Android client was freely portable， and the remote automatic discrimination of cucumber leaf disease was realized to some extent. The research provided a technical approach to the construction of agricultural Internet of Things.

Key words cucumber disease; computer vision; support vector machine; disease identification; information exchange

0 引言

大面积的果蔬产业输出保障了社会的发展需求，然而病害是果蔬产业的一大阻力，黄瓜作为人类餐桌上的日常蔬菜，也容易在生长过程中产生各种病害。以前工作者依靠自己的经验来进行管理，随着计算机视觉技术的发展壮大，研究者开始在果蔬病害识别智能化的领域做出研究和探索[1-2]。刘涛等[3]利用mean_shift算法实现水稻叶部病斑分割并构建了一种病健交界特征参数，提高了识别精度;杨倩[4]采用颜色矩和LBP均匀模式综合特征参数提取大麦病斑特征，识别正确率达84.745 8%;孙世鹏等[5]提取3方面分量特征，建立Bayes线性判别函数，冬枣黑斑类病害识别率达89.6%;Huang[6]提取蝴蝶兰秧苗软腐病、褐斑病的颜色和纹理特征，基于前馈神经网络进行分类，识别率达89.6%;Camargoa等[7]提取不同空间内的颜色特征，通过阈值法分割获得病斑图像。

对于果蔬的病害研究现在仍是一个重要课题，但大多识别方法依赖于体积较大的电脑，局限于硬件设备，无法自由移动，研究结果不能满足实际培育和生产中自由移动识别的应用需求。本研究提出一种黄瓜病害远程自动化识别的设计方案，通过Android客户端和PC服务器的信息交互来实现。在服务器端提取黄瓜叶部霜霉病、白粉病、靶斑病等3种病害中的特征数据，应用支持向量机对提取的特征数据进行分类训练，旨在通过计算机视觉技术实现一种能对黄瓜叶部3种病害准确识别的方法。然后在Android手机上开发病害识别系统，与PC服务器交互获取病害识别结果，实现病害图像采集与处理识别两部分的分离，为黄瓜叶部病害识别的自動化提供一种新的途径。

1 病斑图像的获取及预处理

1.1 图像的获取

为保证研究结果的准确性，黄瓜3种病害的图像一部分采集自某种植基地，另一部分来自网络。霜霉病、白粉病和靶斑病3种病害均挑选拍摄效果较为理想、病斑特征明显的图像，在种植基地拍摄采集的过程中以白板作为拍摄背景，尽量减少干扰信息，每种病害图像各100幅，共300幅，并统一裁剪成400 × 300标准的大小。

1.2 图像的预处理

病斑图像在采集过程中由于光照、灰尘、水雾等环境因素影响会使图像中包含一定的噪声[8]，影响图像质量，这对后期的图像处理会造成干扰，因此采用对于图像随机噪声降噪能力较为理想且造成图像模糊程度较低的中值滤波对裁剪好的图像进行滤波处理。

在OpenCV中提供了cvCvtColor（）函数来得到相应的灰度图像，用于后期纹理特征的提取。对于病斑的图像分割采用最大类间方差分割法（OTSU）[9]，它不需给出特定的阈值参数依然可以得到较好的分割结果。在OpenCV库中可以调用cvThreadhold（）函数实现OTSU分割方法，并获取病斑的二值化图像。同时为滤除二值化图像的干扰信息，对图像进行开运算，先腐蚀后膨胀，消除图像中独立的小部分及纤维处分离部分，然后通过与原图像的与操作获取病斑图像[10]。

对于RGB三分量的提取，通过调用OpenCV库中的cvCvtColor（）函数实现颜色空间的转化，再调用cvSplit（）函数实现RGB颜色空间模型三分量的分割提取。霜霉病RGB三分量如图1所示，黄瓜3种病害的二值化图像和彩色分割图像如图2和图3所示。

2 病斑图像特征提取

2.1 颜色特征提取

病态的黄瓜叶片通常会局部呈现出不正常颜色，不同病害产生的病斑颜色也有很大差别，那么根据病斑颜色构成之间的差距可以提取病斑图像独有的颜色特征，从而作为分类器的一种判断依据。最常用的彩色图像模型就是RGB三通道模型，Stricker提出采用颜色矩来描述彩色图像中的颜色分布情况，图像颜色的主要分布情况大部分都可以用颜色空间的一阶矩和二阶矩来表示[11]，所以本研究提取病斑图像RGB 3个通道的一阶矩和二阶矩也即图像的平均颜色和标准差，这样可以获得6个颜色特征数据，计算公式可表示为：

调用OpenCV库[12]中的cvSplit（）函数获取RGB图像的R、G、B 3个分量，再通过cvAvgSdv（）函数提取每一个通道颜色的一阶矩、二阶矩，计算每种病害训练样本的各个颜色特征数据。

2.2 形状特征提取

形状特征主要体现对象的几何特征，一般是指对于图像经位移变换、旋转变换及尺度变化等干扰下仍有效的深层次特征的提取。普通的形状特征不具有对于位置变换的不敏感性，病斑图像的复杂性会造成普通形状特征有较大的误差，通过图像中病斑的面积即像素总和A和病斑边缘的像素数总和即为周长L可以得到3个具有较大稳定性的形状特征数据[13-14]。

调用OpenCV库中的cvContoursArea（）函数计算图像中病斑的轮廓面积A，cvArcLength（）函数计算病斑的轮廓长度L，以此为基础数据计算圆形度[R1]、形状复杂度[R2]和内接圆半径[R3]。

2.3 纹理特征提取

纹理特征是图像识别中重要的特征之一，相对其他特征描述起来相对困难，但却是图像描述中的一个重要视觉特征。20世纪70年代初Haralick等[15]假定图像各个像素之间的分布关系中包含着图像的纹理特征，提出灰度共生矩阵（Gray-Level Co-occurrence Matrix，GLCM）的统计方法。灰度共生矩阵[P（i，j|d，θ）]（i，j=0，1，2，…，L-1）代表两个像素出现的概率。两个像素的灰度级用i和j来表示，空间位置关系为[d=（Dx，Dy）]，L为灰度级，[θ]为GLCM的生成方向。通过灰度共生矩阵的分析计算，纹理特征可以表示为以下4个参数：

灰度共生矩阵计算参数中包括方向[θ]，计算时应取[（0°，45°，90°，135°）] 4个方向的灰度共生矩阵的纹理数据的均值作为纹理特征向量的各个分量值。

3 基于支持向量机的分类识别

3.1 SVM理论

1995年Vapnik等[16]提出了SVM理论，其核心思想是通过变化寻找某一最符合分类条件的分类超平面，该平面可以同时兼顾分类间隔的最大化和分类精度的精细化。为实现分类器的高效分类性能，通过某种函数变化将所需问题映射到某一高维空间，在高维空间中变得线性可分，这样就能够做出分类判断，这即为需要核函数映射的SVM，这个过程需要经反复验证之后确定惩罚参数C以及相应的核函数参数。SVM分类器决策核函数公式为

式中，γ是核参数，默认值是1/num-features。本研究采用径向基核函数的原因有2个，首先径向基核函数可以将数据映射到高维空间，以处理标签和属性之间的非线性关系;其次过多的参数会影响模型的复杂度，径向基核函数只需要经交叉验证后确定惩罚参数C和γ，结果偏差性较小。本文采用由台湾大学林智仁教授等开发的LIBSVM软件包进行分类训练。LIBSVM开源软件包支持Windows、Linux、Matlab等多个平台使用，编译好的Windows平台程序可以直接在PC端运行。

3.2 SVM分类识别方法

黄瓜3种代表性病害采集的各100幅图像中，每种病害随机挑选出60幅图像作为训练样本，另外40幅作为测试样本，识别方式分成以下2种：

1）单独采用颜色、形状、纹理特征数据进行训练识别;

2）3种特征数据结合进行训练识别。

每种训练方法反复进行3次，60幅训练图像也随机抽取3次以保证结果的準确性，最后计算平均识别率，在计算识别结果的平均数量时均采取四舍五入取整的方式。

为消除特征数据中较大数据对小数据的干扰，在对样本数据进行测试之前需要对其进行归一化处理。本研究采用默认归一化范围[-1，1]。经交叉验证后确定惩罚参数C = 32，核函数参数γ = 1，建立最优数据模型采用上述3种方式进行分类识别。表1和表2分别是以上2种识别方式的结果。

3.3 结果分析

特征数据单独识别时，综合来看纹理特征对于识别率贡献要比其他两组大一些。3种特征结合进行训练识别，霜霉病、白粉病、靶斑病识别成功率分别达到95%、87.5%、92.5%。对比两种识别方式，颜色、形状和纹理特征对于病害识别均有不同程度的贡献，相比单独的某一种特征数据识别率要更高，黄瓜病害识别系统服务器端综合3种特征数据对采集的图像进行病害识别。

4 黄瓜病害识别系统的实现

4.1 客户端开发

本研究的移动平台硬件采用红米NOTE4  Android智能手机，处理器是Helio P22，运行内存4 GB，主频2.0 GHz。服务器运行环境是搭载Window7系统的PC，CPU是Intel Core i3-2330M（2.6 GHz），GPU是AMD Radeon HD6700 M Series。

手机客户端[17]的黄瓜病害识别系统分为3个部分，分别是病害图像的获取、图像裁剪和上传、远程识别结果的获取与显示。Android SDK中调用ImageView、Button、TextView控件实现图片加载、按钮点击、信息获取等，在AndroidMainfest.xml文件中注册信息写入和读取权限，通过CAMERA_CODE、GALLERY_CODE和CROP_CODE调用相机、相册和裁剪功能。

承载服务器的PC和手机连接在实验室的局域网内，手机客户端通过内部布署的URL（Uniform Resource Locator）路径和HTTP（Hyper Text Transfer Protocol）协议访问服务器，将采集的病害图像上传至服务器，服务器端通过SVM分类器对图像进行识别并向客户端返回识别结果，手机接收反馈信息展示给用户。为增强软件实用性，系统还提供病害百科信息及病害图像的存储功能。黄瓜病害识别系统各部分界面如图4所示，系统交互流程图如图5所示。

4.2 识别系统测试

手机客户端随机选择40幅每种病害图像上传至服务器进行识别，统计结果如表3所示。经测试，黄瓜病害识别系统客户端与服务器交互良好，上传识别的交互时间大概在2～3 s，霜霉病、白粉病、靶斑病的识别成功率为95%、87.5%、90%。对比PC端的结果，由于样本的差异性，识别率有微弱浮动，但基本稳定，识别结果符合预期。

5 结语

以黄瓜叶部常见病害霜霉病、白粉病、靶斑病为研究对象，设计了一种采集功能和识别功能分离的病害远程识别系统。在PC服务器端提取了病害图像颜色、形状、纹理3个方面的12个特征数据，通过SVM对特征数据进行分类训练和识别，实现了基于计算机视觉技术的黄瓜病害识别方法。手机客户端通过Android SDK开发了黄瓜病害识别系统用于病害图像获取与判别结果显示。经测试，基于手机客户端与PC服务器的黄瓜病害识别系统能够实现良好的交互，基本上可以达到实时性传输，霜霉病、白粉病、靶斑病的识别成功率分别达到95%、87.5%、90%，可有效识别3种病害，并且极大程度上增强了系统的移动性和实用性，实现了黄瓜叶部病害远程自动化判别，对于农业物联网中果蔬病害智能化管理有一定的借鉴意义。

本研究的病害图像未将病害的发展程度、病害的混合性考慮在内，研究内容仅限于霜霉病、白粉病、靶斑病3种病害，其他病害仍需进一步研究验证。

参考文献：

[1]    BARBEDO J G A. A review on the main challenges in automatic plant disease identification based on visible range images[J]. Biosystems Engineering，2016，144：52-60.

[2]    JEON W S，RHEE S Y. Plant leaf recognition using a convolution neural network[J]. The International Journal of Fuzzy Logic and Intelligent Systems，2017，17（1）：26-34.

[3]    刘涛，仲晓春，孙成明，等. 基于计算机视觉的水稻叶部病害识别研究[J]. 中国农业科学，2014，47（4）：664-674.

[4]    杨倩，高晓阳，武季玲，等. 基于颜色和纹理特征的大麦主要病害识别研究[J]. 中国农业大学学报，2013，18（5）：129-135.

[5]    孙世鹏，李瑞，谢洪起，等. 基于机器视觉的冬枣病害检测[J]. 农机化研究，2018，40（9）：183-188.

[6]    HUANG K Y. Application of artificial neural network for detecting Phalaenopsis seedling diseases using color and texture features[J]. Computers and Electronics in Agriculture，2007，57（1）：3-11.

[7]    CAMARGO A，SMITH J S. An image-processing based algorithm to automatically identify plant disease visual symptoms[J]. Biosystems Engineering，2009，102（1）：9-21.

[8]    REVATHI P，HEMALATHA M. Cotton leaf spot diseases detection utilizing feature selection with skew divergence method[J]. International Journal of Scientific Engineering and Technology，2014，3（1）：22-30.

[9]    张善文，谢泽奇，张晴晴. 卷积神经网络在黄瓜叶部病害识别中的应用[J]. 江苏农业学报，2018，34（1）：56-61.

[10]  陈晓倩，唐晶磊，王栋. 基于SLIC方法的光照偏强农田图像分割研究[J]. 计算机工程与应用，2018，54（2）：177-181.

[11]  宋丽娟. 基于颜色特征码本的病害图像分类算法研究[J]. 安徽农业科学，2018，46（4）：198-202.

[12]  王胜辉，刘鹏，冯宏恩，等. 基于OpenCV的高压电气设备放电紫外成像检测图像量化参数提取[J]. 计算机应用与软件，2016，33（9）：167-170，189.

[13]  EBRAHIMI M A，KHOSHTAGHAZA M H，MINAEI S，et al. Vision-based pest detection based on SVM classification method[J]. Computers and Electronics in Agriculture，2017，137：52-58.

[14]  王利偉，徐晓辉，苏彦莽，等. 基于计算机视觉的葡萄叶部病害识别研究[J]. 江苏农业科学，2017，45（23）：222-225.

[15]  HARALICK R M，SHANMUGAM K，DINSTEIN I. Textural features for image classification[J]. IEEE Transactions on Systems，Man，and Cybernetics，1973，SMC-3（6）：610-621.

[16]  HSU C W，LIN C J. A comparison of methods for multiclass support vector machines[J]. IEEE Transactions on Neural Networks，2002，13（2）：415-425.

[17]  GAVALAS D，ECONOMOU D. Development platforms for mobile applications：status and trends[J]. IEEE Software，2011，28（1）：77-86.