计算机视觉技术在农作物病虫害检测方面的应用研究

游海英，方 锐

（伊犁职业技术学院，新疆 伊宁 835000）

农作物病虫害不仅严重影响农产品的产量和品质，也会危及人类的身体健康。随着科学技术的发展，计算机视觉技术已经在农业领域得到广泛应用。针对农作物经常遭受病虫害问题，构建了一种农作物病虫害检测模型，提出一种新的检测算法：基于卷积神经网络CNN与特征包模型的多种特征融合算法。通过提取四种关键特征，采取多种特征融合算法形成融合特征，此模型与检测算法具有较高的检测准确率，能够显著提升农业的经济效益。计算机技术在不断研发，未来其在农业领域的应用会更加广泛[1]。

1 计算机视觉概述

计算机视觉是指用计算机和摄像机代替人眼，对目标进行图像处理、识别、测量和跟踪等功能，以实现人的视觉功能。作为一门综合性学科，计算机视觉涉及的学科有计算机科学和工程、信号处理、应用数学等众多学科。计算机视觉系统的主要组成部分包括计算机、CCD摄像机、图像采集卡等。计算机视觉技术与智慧农业的有效融合，能够完善多种农作物的检测方法，例如农作物叶片图像采集方法、病虫害叶片分割方法、病虫害特征选择与识别等方法，这些方法都需要计算机视觉技术的支持。

2 计算机视觉主要采用的技术

在农作物病虫害检测与识别方面，计算机视觉技术的应用具有快速、实时以及无损等优势。由于计算机视觉处理是以图像处理为基础，因此数字图像处理与模式识别技术是计算机视觉处理中不可或缺的重要技术。通过积极采用这些先进技术，能够提高农作物病虫害的检测效率，进而提高农业生产的经济效益[2]。

2.1 数字图像处理技术

数字图像处理是指通过计算机对原始图像添加一些运算或者处理，将图像信号变换为数字信号，以便于计算机进行识别。采用图像传感器获取农作物病虫害图像，借助数字图像处理技术对图像进行分析与处理，能够自动判别农作物中害虫的种类和数量，实时监控害虫的活动情况。农作物遭受病虫害的情况复杂，通过采用计算机图像识别技术，提高病虫害检测识别率的同时还能够显著降低工作人员的劳动强度，为田间病虫害灾情的预测报告以及农药的精准喷施提供可靠依据。

2.2 模式识别技术

模式识别技术通过计算机来对表征事物或现象的各种形式的信息进行自动处理和判读，根据样本特征将样本划分类别，以对事物或现象进行描述、辨认以及分类。以往模式识别技术主要应用于农产品品质检测、农作物生长状态监测等方面。如今，模式识别技术和图像处理技术已经应用到对农作物的病虫害检测方面。神经网络是模式识别的重要方法，神经网络也称为人工神经网络，是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。人工神经网络通过建造人工神经网络模型，设计相应的学习算法，来研究智能机理的实现和应用。在农业领域可利用神经网络技术对农作物病虫害目标特征进行识别。支持向量机是一种新的模式识别方法，是对数据进行二元分类的广义线性分类器，是结构风险最小化方法的近似实现。支持向量机在解决小样本、局部极小值、高维非线性等模式识别问题中具有显著应用优势。

3 计算机视觉技术在农作物病虫草害识别中的应用

3.1 在植物病害识别和防治中的应用

在植物流行性病害与侵染性病害识别方面，计算机视觉技术发挥了重要作用。有学者借助计算机技术从色度学角度对温室植物的斑疹病和角斑病识别进行了研究，发现在色调45至47区间和48至50区间内，最容易区分植物的正常叶片和发生病变的叶片。还有学者采用椭圆模型对水稻纹枯病和稻瘟病的发生程度作出研究，对于纹枯病的检测，用椭圆拟合水稻纹枯病单株高度，再用椭圆拟合病斑所在的最高处与水稻基部的距离，计算拟合这两个椭圆主轴长之比，此比值可反映出水稻发生纹枯病的程度，且这种检测方法有着90%的准确率；稻瘟病的检测也采用此方法，通过对比计算拟合椭圆主轴长和最大病斑的长度，得出水稻可能发生稻瘟病的程度。

3.2 在农业昆虫识别和防治中的应用

在计算机视觉技术的应用下，农业害虫的识别和防治研究取得了进展。有学者借助模式识别技术对小麦虫害分割算法进行了优化，运用基于k均值聚类的分类方法和SVM分类器相结合的算法对小麦叶片和小麦害虫进行分割计算，取得了对小麦害虫的分割识别准确率在90%以上的识别效果。也可以针对农业中常见的昆虫的颜色和形态等特征，构建基于互联网的远程昆虫识别系统，以提升对农业昆虫的识别效率，及时实行防治措施[3]。

3.3 在杂草识别中的应用

借助计算机视觉技术可从田间图像中提取出杂草，便于对杂草的识别。有研究学者在计算机视觉技术基础上设计了一种光学杂草识别传感器，通过田间土壤、小麦以及几种杂草茎和叶的光谱特性的不同，实现了对土壤、小麦和杂草的高效率识别。杂草的生长特征、植株颜色、叶片形状和粗糙度等都与农作物存在一定差异，可通过对这些特征参数的提取，对农作物的杂草进行识别。也有学者对大豆幼苗和空心莲子草、牛筋草、凹头苋这三种杂草进行区分识别，利用325至1075纳米波段光谱，实现了对作物和杂草较好的光谱识别效果。

4 基于计算机视觉技术的农作物病虫害检测模型搭建

4.1 叶片图像采集

计算机技术的广泛应用，促进了农作物病虫害检测的自动化、智能化发展。首先进行农作物叶片的采集，通常可使用扫描仪区域扫描、监控定时拍摄或者手机拍摄等方法获取叶片图像。扫描仪区域扫描方法虽然能获取到完整的叶片图像，但扫描时间长，不适于大量样本情况下的扫描识别；监控定时拍摄方法下，获取的图像质量很容易受光照、雾气等外界环境的影响。因此，可采用能够实时拍摄的手机拍摄方法，此方法有利于获取全面的叶片图像信息。当叶片图像样本数量不是非常多时，比较适合进行农作物的叶片图像采集。

4.2 叶片图像预处理

计算机视觉下，通常需要对叶片图像进行预处理，从整个图像中将目标区域分割出来，以便于计算机更快速、准确地进行检测和识别。本文设计的农作物病虫害检测模型中，是基于边缘检测分割方法对农作物叶片图像进行预处理，利用边缘检测滤波器检测叶片图像的边缘。由于图像中物体的边缘往往呈现灰度级的不连续性，为了增强模型的泛化能力，分割处理完农作物叶片图像后，再进行数据增强的方式，增加数据样本的多样性。一般情况下，有两种数据增强方法，一种是像素颜色变换方法，比如对比度变换、颜色扰动、高斯噪声等；另一种是空间几何变换方法，比如缩放、旋转、仿射变换等。在原始的手机采集图像集合中，可随机剪切一些样本图像，然后将图像缩放到像素为1 024×1 024的大小，然后适当调整图像的对比度和饱和度等，或者随机添加一些光照处理，经预处理后得到一张新的图像，为后续的图像特征提取环节做好准备[4]。

4.3 特征提取

有效的特征是提高图像识别精准度的关键因素，因此特征提取环节是图像识别工作中非常重要的过程。基于深度学习的特征提取，可以从大规模数据集中自动学习到有效的分类特征。在农作物病虫害检测模型中，分别对图像的颜色特征、HSV特征、纹理特征以及HOG特征进行提取与分析。

4.3.1 颜色特征

RGB色彩模式是工业界的一种颜色标准。其中红（R）、绿（G）、蓝（B）色彩三元素的强度数值范围均为 0到255。一般情况下，农作物均属于绿色植物，正常的农作物叶片常常是绿色的。因此，提取农作物数据集中的叶片图像中像素点的绿色分量，构造颜色直方图后，再进行归一化处理，便可提取出叶片图像的颜色特征。

4.3.2 HSV特征

HSV是一种更加直观具体的颜色空间，也称六角锥体模型，模型中颜色的参数分别由色调（H）、饱和度（S）和亮度（V）组成。对于图像中的每个像素点，色调的取值范围一般都是0到360度；饱和度表示颜色接近光谱色的程度，通常取值范围为0%到100%，数值越大代表颜色饱和度越高；像素点亮度的通常取值范围为0%到100%。归一化处理图像每个像素点的色调、饱和度以及亮度，即可得到图像的HSV特征。

4.3.3 纹理特征

一般正常生长情况下的农作物叶片的纹理是清晰可见的，有着明显的结构特征。因此，纹理特征是反映农作物叶片表面情况的重要特征，能够依据此特征判断出农作物叶片是否存在病虫害的侵蚀。图像纹理特征的获取步骤为：通过索贝尔算子对图像中每个像素点的亮度值的一个梯度向量进行计算，将梯度向量数值进行归一化处理，再构建图像的边缘梯度直方图，最终可获取叶片图像的纹理特征。

4.3.4 HOG特征

HOG特征是方向梯度直方图特征的简称，我们观察图像时，更多的信息来自物体目标边沿的变化，通过提取HOG特征能够获取图像里边缘的统计数据。HOG特征的提取流程为：首先将彩色图像转化为灰度图，然后标准化Gamma空间，计算每幅图像的梯度，之后进行单元格梯度投影，块内归一化梯度直方图，收集最终HOG特征。

4.4 特征融合

通常情况下，单个特征不具备反映整个图像内容的能力，只能够对图像某个方面进行片面反映。因此，为达到更好的图像分类效果，能够更加真实、全面地将图像的内容表达出来，一般会选择基于多个特征融合的图像分类方法。多特征融合方法，一直是计算机领域重点研究的内容。农作物叶片图像较为复杂，因此我们需要对叶片图像进行精细处理，本文提出了一种基于卷积神经网络（CNN）与特征包模型的多特征融合方法。基于特征包模型的多特征融合具体步骤如下：

第一步，针对采集的每幅农作物叶片图像，从图像的众多片段中选取一个片段，此片段也可称为滑动窗口。本文多特征融合方法中选取的是8×8大小的滑动窗口，每个滑动窗口中的内容可以有重叠部分。

第二步，对于图像中每个滑动窗口，都提取出颜色特征、HSV特征、纹理特征以及HOG特征，同时将这四种特征进行特征拼接，由此形成特征向量。

第三步，将上一步得到的图像每个滑动窗口的特征向量进行K聚类，得到k个类中心。

第四步，初始化k个bin的直方图。

第五步，确定k个类中心后，将一幅农作物叶片图像中的所有滑动窗口的特征向量和类中心距离作比较，判断距离k个类中心中哪个类中心较近，获得k个bin的直方图。

第六步，将所有bin的直方图归一化处理，然后将结果组成农作物叶片图像的特征向量，且该特征向量的维度是k[5]。

基于特征包模型的多特征融合方法，实现了多种样本特点的融合。通过图像中众多片段的特征包来描述图像，能够实现对图像众多细节特征的准确呈现，较为适合用来处理农作物病虫害叶片图像。从拍摄的众多农作物叶片图像中随机选择若干张建立模型训练的样本库，将健康叶片、某种病虫害叶片等进行精细划分。经图像预处理以及特征提取后，得到四种单特征和经融合后的特征，将这五种特征在支持向量机模型、循环神经网络模型以及卷积神经网络模型中进行对比分析，得出CNN与特征包模型的多特征融合方法有较高的准确性[6]。

5 信息技术驱动下智慧农业发展路径

5.1 智慧农业初级阶段

现代科学技术的不断研发与应用，推动了农业的转型和发展，实现了农业的自动化、智能化管理。完善的基础设施是推进互联网时代下智慧农业发展的基础。在智慧农业初级阶段，可加强基础设施的建设，实现高标准网络覆盖和GPS精准定位；建立多种农业空间信息数据库。例如，土壤数据、农田土地管理数据库，农作物苗情、病虫草害发生发展趋势数据库等，对不同类型的空间数据进行收集、整理与分析，预测今后农作物病虫害发展趋势，为病虫害防控提供可靠数据信息。

5.2 智慧农业中级阶段

在智慧农业中级阶段，可积极构建基于机器学习的决策系统。智慧农业决策系统，可根据历史数据建立动态自适应学习过程，能够适应农业环境的变化，提出实时、准确的决策，帮助广大农民和企业家预测来年农作物的价格，也可提出关于农作物病虫害预防的相关建议，提醒农民作好充分准备，以降低病虫害对农作物生长和经济收益的损害程度。可借助图像识别与分析技术，设计并建立农作物病虫害识别与诊断系统。基于深度学习的图像识别系统，有着低成本、易操作和高效率等显著应用优势，容易被农户接受和采纳。研发智能化的农作物病虫害诊断软件，供农户在电脑或者手机上免费下载安装使用。当农作物遭受病虫侵害时，农户可通过手机拍摄农作物图片，上传到软件系统，获得系统或专家的指导和帮助，明确病虫害的种类、等级，从而准确的进行农药喷洒工作，实现农业的低药剂、高效能发展。

5.3 智慧农业高级阶段

政府可发挥主导作用，打造一个基于云计算技术的“大农业”云平台，实现各区域农作物与农产品相关信息的公开与共享。将智慧农业决策系统、农作物状态监测系统以及病虫害识别与诊断系统等互连互通。“大农业”云平台还可向农户提供商业咨询、法律咨询、技术研发等便利，使农民对于农业信息的了解更加全面、详细，以帮助农民获取最大化农业生产效益。鼓励农民、农业院校、农产品加工销售企业以及农村合作社等多方参与云平台的建设，从政策、技术、资金等多方面支持智慧农业发展和农民创新创业[7]。

6 结束语

综上所述，计算机视觉技术在农作物病虫害识别中的应用，能够提高病虫害识别的准确性和识别效率，进而使农户能够及时采取针对性补救与防治措施，减轻农作物病虫害损失，显著提高农业的经济效益。随着信息技术在农业领域的应用逐渐广泛，传统农业逐步向智慧农业转型发展，计算机视觉技术必将成为农作物病虫害识别与防控方面必不可少的技术，其发展前景非常广阔。