基于“图像+光谱”技术的马铃薯早疫病智能诊断方法研究

李轶骥

（四川省农业科学院科技保障中心，四川 成都 610066）

马铃薯是全球范围内重要的粮食作物之一，其产量和质量直接影响着粮食安全和农业经济的发展。马铃薯早疫病是影响马铃薯产量与品质的主要病害之一，是由茄链格孢引起的一种病害，主要危害马铃薯叶片，也可侵染块茎[1]。传统的马铃薯病害诊断方法依赖于专业人员的经验判断，导致诊断效率较低。本研究通过构建验证基于“图像+光谱”技术的马铃薯早疫病智能诊断方法。通过对马铃薯病斑图像的数字化处理、颜色校正及图像裁剪等步骤，结合光谱数据分析，提取关键特征参数，实现对马铃薯早疫病病斑模式的精确识别。本方法能提高马铃薯早疫病的诊断准确率，还可为智慧农业中植物病害的智能监测与预警提供新的技术路径。

1 试验材料

1.1 试验样本

本研究于2022 年6 月26 日、7 月15 日在四川省成都市某农业科技园区采集马铃薯早疫病典型病害叶片，选择的马铃薯品种为川薯1 号、川薯2 号和川薯5号。当地气候条件下，以上品种表现出不同程度的早疫病敏感性，为研究提供了丰富的数据。试验样本包括300 片表现早疫病症状的马铃薯叶片和50 片健康叶片（作为对照组），并使用佳能5DMAREⅡ照相机对采集的叶片进行拍摄，获取高质量图像数据。拍摄确保叶片与相机镜头保持平行，避免因角度不当引起的图像变形。相机设置采用9 焦点模式、5 616×3 744 分辨率进行拍摄，以获得高清晰度的图像，便于后续的图像处理和分析。

1.2 仪器设备

本试验所应用仪器设备如表1所示。

表1 试验所需仪器设备Tab.1 Required instruments and equipment for the test

2 试验方法

本文所提出的基于“图像+光谱”技术的马铃薯早疫病智能诊断方法共设计4 个步骤：首先，搜集并分析马铃薯早疫病的症状图片；其次，对这些图片进行预处理，包括病斑的增强、分割及特征提取；再次，从这些病斑图像中提取出关键特征；最后，识别病斑特征的模式，以完成对马铃薯早疫病的准确诊断。病害图像的数字化处理过程如图1所示。

图1 病害图像数字化处理过程Fig.1 Digital processing process of disease images

2.1 马铃薯叶部病斑图像颜色校正

在本次试验中，为确保马铃薯叶部病斑图像数据的真实性和一致性，采用白平衡调整与色彩校准两个环节，进行病斑图像颜色校正。

2.1.1 白平衡调整

为减少环境光源对图像色彩的影响，首先进行白平衡调整。此步骤通过调整图像中的红、绿、蓝三基色分量，使图像中的白色或其他中性色在不同照明条件下保持一致。使用的公式为：

式中：R、G、B为原始图像的红、绿、蓝分量；R′、G′、B′为调整后分量；Wr、Wg、Wb为参考白色的红、绿、蓝分量；Ravg、Gavg、Bavg为图像红、绿、蓝分量的平均值。

通过此公式计算，可使图像在不同光照条件下具有相同的色彩表现。

2.1.2 色彩校准

本次色彩校准采用色彩转换矩阵配合多元线性回归的方法，以提高试验技术精度。

（1）建立一个色彩转换矩阵。该矩阵基于标准色卡中的颜色与实际捕捉图像中对应颜色之间的关系[2]。颜色转换矩阵M通过以下公式计算得出：

矩阵M为3×3 矩阵，通过比较标准色卡和拍摄图像中相同颜色的RGB值，使用最小二乘法计算得出。

（2）采用多元线性回归方法。此方法通过建立每个颜色通道（红、绿、蓝）的线性模型来调整色彩，模型如下：

式中：R、G、B分别代表原始图像的红、绿、蓝通道值；R′、G′、B′为校正后的通道值；系数a、b、c、d通过多元线性回归分析确定。

2.2 马铃薯早疫病病叶数字图像裁剪

在本次试验中，马铃薯早疫病病叶的数字图像裁剪过程采用了专业的图像处理软件Adobe Photoshop。该软件具备高级图像编辑功能，能精准地处理和裁剪图像，确保裁剪结果的准确性和可靠性[3]。首先，将采集的马铃薯病叶原始图像导入到Adobe Photoshop。在图像导入后，使用软件中的选择工具，如套索工具或魔术棒工具，准确地标定出含有病斑的叶部区域。此步骤是基于病斑的颜色、形状和大小进行的，确保仅选定与研究目的相关的区域。其次，执行裁剪命令，精确去除图像中的非目标区域，仅保留包含病斑的叶部。裁剪操作要确保图像中的病斑区域得到完整保留，同时去除不相关的背景或其他非目标元素。裁剪后的图像需要额外调整，例如图像的缩放或旋转，以保证所有裁剪后的图像具有一致的尺寸和方向，为后续的病斑特征分析和模式识别提供标准化的输入。

2.3 马铃薯早疫病病斑数字图像灰度化处理

灰度化处理的主要目的是将彩色图像转换成灰度图像，以简化图像数据并突出病斑区域的纹理特征，便于后续的图像分析和特征提取。本次试验灰度化处理通过将RGB（红、绿、蓝）彩色模式转换为单色灰度模式来实现。该过程涉及到颜色信息的压缩，其中每个像素的彩色值被转换为一个灰度值[4]。转换公式如下：

式中：R、G、B代表原始图像像素点中红、绿、蓝的不同分量；Y为转换后的唯一灰度值。

2.4 马铃薯早疫病病斑图像增强

图像增强旨在提高图像质量，使病斑的特征更加明显，从而便于后续的识别与分析。本试验中采用直方图均衡化和锐化处理，应用直方图均衡化来改善图像的整体对比度，随后使用锐化处理来突出病斑的边缘和纹理细节，以改善图像的视觉效果和分析效率[5]。

2.4.1 直方图均衡化

直方图均衡化是一种广泛应用于图像增强的技术，主要通过改变图像的亮度分布来提升图像对比度。该技术的操作基于图像的直方图，旨在把原始图像的直方图调整成一个大致均匀的分布，以此来增强图像整体的对比度效果。直方图均衡化的公式如下：

式中：h(v)为原始图像的直方图；cumsum(h(v))表示累积直方图；total_pixels为图像中的总像素数；L为灰度级别的数量；H(v)为均衡化后的直方图[6]。

2.4.2 锐化处理

除了直方图均衡化，本试验还采用了锐化处理来增强图像的边缘和纹理细节。锐化处理通过增强图像中的高频成分来实现，使图像看起来更加清晰。常用的锐化技术包括使用拉普拉斯算子或高通滤波器。锐化的基本公式可以表示为：

式中：I为原始图像，L×I表示经过拉普拉斯算子处理后的图像；k为增强系数；I′为最终的锐化图像。

2.5 马铃薯早疫病病斑模式识别

在本次试验中，马铃薯早疫病病斑模式识别通过结合高级图像处理技术和机器学习算法得以实现。首先，利用图像处理软件MATLAB 进行了病斑的特征提取，包括形状、大小、颜色和纹理等参数。其中，形态学运算用于分析病斑的形状和大小，色彩空间转换用于提取颜色特征，灰度共生矩阵（GLCM）分析病斑的纹理特性[7]。随后，提取出的特征被用作支持向量机（SVM）和卷积神经网络（CNN）两种机器学习模型的输入数据，通过在Python 环境中进行模型的构建和训练，完成对新的图像样本进行分类和识别。

3 结果与分析

3.1 马铃薯早疫病样本获取

在本次试验中，建立了一套完备的光照采集系统，如图2所示。试验中，数码相机拍摄的照片被上传到计算机系统，创建了一个包含马铃薯叶部病害的数字图像数据库，为之后的病害诊断提供了重要的数据支持。采集的马铃薯早疫病病害图像如图3所示。

图2 计算机视觉数字图像采集设备Fig.2 Computer vision digital image acquisition equipment

图3 马铃薯早疫病病状图Fig.3 Potato early blight disease symptom map

3.2 马铃薯早疫病病斑图像颜色校正结果

在本次试验中，为了确保马铃薯早疫病叶片图像的颜色一致性和标准化，采用了白平衡调整与色彩校准两种校准方法，校准后的图像如图4所示。

图4 马铃薯图像颜色校正图像Fig.4 Potato image color correction image

通过比较校正前后的效果，无论是扫描仪还是照相机拍摄的灰卡图像，在应用颜色校正公式后，均能获得一致的效果。说明本次系统中使用的校正算法对不同的光照条件有很好的适应性，能够有效地使马铃薯叶片的图像在各种光线环境下保持一致的色彩表现。通过这种算法校正，即使在变化的光照条件下，也可达到较好的图像色彩效果。

3.3 马铃薯早疫病病叶数字图像裁剪效果

通过使用Adobe Photoshop 软件，对图像进行裁剪，实现了马铃薯早疫病目标图像与复杂背景的剥离，成果如图5所示。

图5 马铃薯早疫病受影响叶片的数字图像裁剪效果Fig.5 Digital image cropping effect of potato early blight affected leaves

3.4 马铃薯早疫病病斑数字图像灰度化处理效果

对处理后获得的病斑区域再次进行灰度化处理，生成了基于RGB 和HIS 颜色模型的6 个不同通道的灰度图像（如图6所示）。

图6 马铃薯早疫病病斑图像灰度化处理Fig.6 Grayscale processing of potato early blight lesion images

经过仔细比对和分析这些图像，观察到在RGB 模型中，所采用此R 通道灰度化的图像可清晰展示马铃薯早疫病病斑的边界，并保留了较为完整的细节特征。此发现对于后期病斑特征分析与提取较为有利。同时考虑R 通道灰度化图像在揭示病斑特征方面的明显优势，试验决定使用R 通道的图像进行马铃薯病斑的进一步分析和处理。

3.5 马铃薯早疫病病斑图像增强效果

将灰度化处理后的病斑图像，采用直方图均衡化和锐化处理进行图像增强处理，结果如图7所示。

图7 马铃薯早疫病病斑增强图像Fig.7 Enhanced images of potato early blight lesions

3.6 马铃薯早疫病病斑模式识别

在本次试验中，对于马铃薯早疫病病斑模式的识别结果表现出了显著的准确性和效率。试验共处理了350 片叶片样本，其中包含300 片表现早疫病症状的叶片和50片健康叶片作为对照组。通过应用支持向量机（SVM）和卷积神经网络（CNN）两种机器学习模型，成功地对病斑叶片进行了有效识别。

在使用SVM 模型识别时，早疫病识别准确率大约在92%，表明了该模型在病斑识别上的可靠性。在应用CNN 模型时，识别准确率提升至大约95%，显示出更高的诊断效能。特别是在提取病斑的形状和纹理特征方面，CNN 模型展现出了更为精细和深入的分析能力。而在健康叶片的识别方面，准确率达到了接近98%，进一步验证了模型的有效性和鲁棒性。且试验仅存在少量的错误分类，包括SVM 模型中大约24 例误判，CNN模型中约17例误判，在总体样本量中占比较小。

综合来看，本次试验中应用的“图像+光谱”技术在马铃薯早疫病病斑的模式识别上展现出了高效和精准的特点。其中CNN模型更是在处理复杂图像和特征时表现出了卓越的性能，为马铃薯早疫病的早期诊断和智能化处理提供了强有力的技术支持。此项技术的成功应用，对于提高农业生产中病害诊断的效率和准确性，具有重要的实际意义。

4 结语

综上所述，为实现马铃薯早疫病的智能化诊断，本文提出了基于“图像+光谱”的智能化诊断方法。此方法通过高效地收集和处理马铃薯早疫病病斑的相关图像信息，包括数字化处理、颜色校正和图像裁剪等关键步骤，有效地提取了病斑的关键特征。此外，利用先进的机器学习技术，如支持向量机和卷积神经网络，实现了对马铃薯早疫病病斑模式的高精度识别和自动诊断。此方法不仅可提高了马铃薯早疫病诊断的准确性和效率，而且还能为智能化植物病害监测和预警提供了全新的技术途径。