设施瓜菜病虫害识别技术研究

2022-01-20徐境深王昕彤徐维健

农业装备技术 2021年6期

徐境深，王昕彤，周芹，黄晨，徐维健

（扬州大学机械工程学院，江苏扬州 225000）

0 引言

经过30 多年的发展，我国设施瓜菜产业取得了巨大成就，形成了节能、低碳、低成本的独具特色的发展格局，同时也面临着诸多问题。近年来我国设施瓜菜的种植面积不断扩大，产量也在不断提升。数据显示，设施瓜菜的土地种植面积从一开始的133.33万hm2直线增加，到2016 年底增加到了391.47 万hm2，翻了一番以上，此外，甜瓜、蔬菜生产设施也在2016年底达2 亿t，平均每年增加面积超过13.33 万hm2。

基于机器视觉学习的设施瓜菜病虫害识别技术是生产中病虫害检测的最主要方式，目前仍存在一些问题。一方面，设施瓜菜病虫种类增多，新病虫害或疑难病虫害不断出现，加大了瓜菜病虫害安全防控难度，严重影响产量、品质和安全性；另一方面，设施瓜菜检测工作量巨大，但检测设备性能偏低，使得检测速度不快，病虫害外形相似导致设备难以区分，出现漏判、误判等情况[1-2]。现急需研究性能更高的设施瓜菜病虫害识别技术以提高检测效率，实现设施瓜菜的高质量生产。

1 设施瓜菜病虫害识别技术

基于机器视觉应用和卷积神经网络的病虫害识别系统和方法，使用广泛，是一种人工智能新技术。但系统不等同于方法，系统是一个方向的大范围，而方法是指在这个范围内，为了达到目的或需要得到数据所采用的手段。该系统研究主要内容包括：图像采集、视觉识别、信息数据分类检测和训练更新、模型训练、模型测试等，囊括图像和模型的各大基础管理模块设计应用。该方法主要包括:图像采集、视觉识别、信息分类检测与训练、模型训练、模型测试、更新等相应的主要核心检测方法与精确建模步骤。总的说来，系统和方法相辅相成，缺一不可。针对设施瓜菜病虫害识别检测方法的不足，本文提出了一种基于机器视觉的表面缺陷检测方法，其通过对缺陷图像的处理和分析，可快速、准确地实现设施瓜菜病虫害的分类识别[3-4]。该方法使用工业内窥镜进行病虫害图像的获取，通过对图像的灰度直方图分析，判断其是否为病虫害，对缺陷图像分别进行二值化处理、形态学滤波和图像标记，以准确获得图像的缺陷区域；对缺陷区域进行特征提取后，利用缺陷分类决策树完成缺陷类型的识别。试验表明，该方法实时性好、运算速度快，可有效检测出设施瓜菜病虫害。

巡航周期模块是图像采集步骤的重要组成。在使用时，一般以小时、天为单位设定巡航周期，每个收集点周期所需时间间隔相同。具体示例，若巡航所需周期为2 h，即需要预先设置程序指令要求每2 h进行一次图像采集，以快门按键为命令启示，采集设备可以在每次快门后立即采集定时图像信息。信息技术不仅局限于图像的数据、时间、图片采集归纳工作，还包括着图像采集时的经纬度收集和比对。众所周知，地理位置的微小变化也会影响着实验结果，在已知因素中，为了保证技术实验的完整与精确性，图像采集的经纬度是必须确认的。经纬度不是常数,而是一个不断变化的值, 并受采集设备水平和垂直的角度值、不动点以及焦距和快门时间的影响，在图像采集的过程中都具有极大的参考意义。

本文提出一种不同于以往单一识别系统的新型系统和方法（如图1 所示），该系统能够在内在输入指令的指导下，定点和定时精确获取动态清晰图像数据，并将网络模型测试和视觉识别置于图像采集的前端，从而合理分配了网络资源，提高了识别效率，减少了无效图像带宽的失误损耗，降低了记忆存储的浪费。良好的控制反馈机制和更新机制使模型不断优化和梯度化，控制系统的循环更加完善与流畅，并可实时同步前端模型，提高精确度。

图1 新型多途径识别方法

2 设施瓜菜病虫害识别优化分析

图像在采集、传输和处理时受光线、电流和噪音等不同因素的干扰，导致图像存在一些噪声或噪点，对特征参数的提取产生不利影响。有些病虫害部位的颜色色差小且轮廓复杂，为了能最大程度保持病虫害部位图像的颜色和轮廓特征，使用中值滤波法对图像进行处理，不仅可以有效去除噪声，还能保留较为完整的病虫害颜色特征[5]。

灰度直方图描述了一幅图像的灰度级统计信息，通过直方图可以很直观地看到图像灰度值的分布情况，完好图像的灰度值比较集中，而缺陷图像的分度值比较分散。使用MATLAB 图像处理工具箱中的函数可以得到图像的均值和标准差, 根据标准差的大小来判断作物图像是否有缺陷。采集图像，以RGB 格式保存，分别对应红、绿、蓝的颜色信息。RGB颜色丰富，在图像处理时占用大量内存，且RGB 对物体形状特征处理并不突出。为了降低处理难度和计算时间，可将原始图像灰度化后提取形状特征。

式中，Gray（x，y）表示灰度值，B（x，y）、G（x，y）、R（x，y）分别表示RGB 不同的分量值。较为常见的灰度化方法有平均灰度法和最大值法。平均法是以RGB 通道的平均值作为灰度值; 最大值法是将原图像的RGB 三通道中最亮的值作为灰度值; 而较为准确的方法是设置不同的权重，将RGB 分量按不同比例进行划分。比如人眼对蓝色敏感度低，对绿色较强，为了提高准确性且符合人们的感官，本文用加权平方对图像进行处理，计算公式如下：

式中，Y 表示RGB 图像灰度化值。在二值图像中提取连通区域时，通常的做法是给每个区域分配唯一代表该区域的编号，该区域内所有像素的像素值就赋值为该编号，这样的输出图像被称为标记图像。目前的二值图像连通区域标记算法大致可以分为3 类：像素标记法、游程编码法和区域生长法。本文采用8 连通区域标记法，按照从左到右、从上到下的顺序依次扫描图像中的各像素点，找到灰度值为0 的黑点并对其进行标记，判断其右边点、右下点、下边点是否为黑点，是黑点则进行同一编号标记，否则编号加1 并继续进行扫描，直至扫描结束。其原理是把每个像素相互邻接的8 个像素中灰度值为0（黑点）的像素集合提取出来进行同一编号标记，这样便可以获得标记图像。

不同方法外形识别结果比较：通过余弦定理法和傅里叶变换法识别了作物叶片的特征。利用余弦定理法识别不同轮廓特征，相比傅里叶法识别在提取速度和精度上效果都好，但是利用余弦定理提取叶片特征，若不能得到较好的波峰和波谷，则会影响余弦定理法的结果，这也是后续研究需要解决的一个问题。利用傅里叶变换对极坐标变换后的不同轮廓的叶片进行处理，其识别精度与正余弦定理法接近，但处理速度慢于后者，且处理复杂，但傅里叶变换已在很多领域都有应用，因此理论与实际结合较为容易[6]。

试验表明，利用卷积神经网络技术识别农作物病虫害时，识别精度一般会受到多种外在因素的影响而出现变化，且这些外在环境因素都是不可抗的，比如企业激励函数、迭代次数、卷积层数及图像数量等。当使用Sigmoid 函数时，会出现饱和神经元，干扰其他神经元的再生优化，使神经网络的反向传播命令不能传达、识别与执行，导致系统不能响应[7]。此外，此函数的计算预算成本相对较高，并且其输出数据并不是零中心, 不符合常规函数认知，缺点极明显。在使用Tanh 函数时，会出现梯度消失，函数表达突兀，不完整的问题。针对函数出现的问题，我们使用LeakyReLU 函数来优化解决，LeakyReLU 函数不会有梯度消失，而且此函数计算效率高，图象收敛快速，基本避免了前两个函数遇到的问题。使用LeakyReLU 函数还可以通过增加参数，比如迭代的次数、卷积的层数以及进行图像的数量等变量参数来进行图像的精确与修复，函数的正确率得到更加明显的提高[8]。同时，使用LeakyReLU 函数可以提高识别成功率，进而密切与其他参数间的联系，进一步优化程序，并借助Matlab 等算法处理软件进行图像仿真，优化设施瓜菜精准识别程序，有效提高效率和精确度。