王樹(shù)文，張長(zhǎng)利

（東北農(nóng)業(yè)大學(xué)工程學(xué)院，哈爾濱 150030）

黃瓜是重要的蔬菜作物，黃瓜的病害問(wèn)題已成為全國(guó)乃至世界范圍內(nèi)，困擾著黃瓜生產(chǎn)的關(guān)鍵性問(wèn)題之一[1-4]。在不同品種、區(qū)域、氣候條件、耕作方法及栽培技術(shù)條件下，發(fā)生的病害種類和危害程度不同。然而，由于植物的生長(zhǎng)環(huán)境等日趨惡化，黃瓜病蟲(chóng)害不斷加重，植物病害的病原菌數(shù)目眾多，引起癥狀呈現(xiàn)多樣性、復(fù)雜性，且長(zhǎng)期在對(duì)癥狀描述上一直沒(méi)有采用精確、定量的方法，造成了植物病害診斷標(biāo)準(zhǔn)的模糊，妨礙了農(nóng)業(yè)生產(chǎn)者對(duì)植物病害進(jìn)行正確有效的判斷，導(dǎo)致盲目大量施用農(nóng)藥，造成農(nóng)產(chǎn)品污染、土壤污染、水體污染等嚴(yán)重后果[5]。

本文以圖像處理技術(shù)為主要手段，采用VC++6.0作為開(kāi)發(fā)工具，建立了黃瓜病害的染病程度的分級(jí)和識(shí)別診斷系統(tǒng)。該系統(tǒng)能夠縮短病害識(shí)別的周期、降低由于主觀因素產(chǎn)生的誤差、提高判別的精度并為防治措施提供依據(jù)。

1 樣本圖像的采集

利用圖像采集系統(tǒng)，選擇光照強(qiáng)度適中的時(shí)間進(jìn)行拍攝，從發(fā)病初期開(kāi)始直至病情發(fā)展到非常嚴(yán)重的時(shí)期，平均每隔2d采集1次病葉圖像（見(jiàn)圖1）。

2 圖像預(yù)處理方法的研究

2.1 圖像增強(qiáng)

本文采用VC++6.0開(kāi)發(fā)了優(yōu)化的銳化濾波算法實(shí)現(xiàn)圖像的增強(qiáng)[6-7]，圖像銳化是使在圖像傳輸和變換過(guò)程中模糊的邊緣圖像和輪廓圖像變得清晰，使其細(xì)節(jié)變得更加明顯，增強(qiáng)后的效果如圖2所示，本文以黃瓜霜霉病圖片為例。

圖1 黃瓜病害樣本圖像Fig.1 Sample cucumber disease images

圖2 增強(qiáng)圖像Fig.2 Images after enhance transform

2.2 背景分割

本文比較分析三種最常用的圖像分割法：動(dòng)態(tài)閾值分割法、Otsu法和分水嶺法。分割效果如圖3所示[8-10]。比較結(jié)果表明本文選取采用VC++6.0軟件開(kāi)發(fā)的分水嶺法，它的精度高、噪聲干擾小，抗干擾能力強(qiáng)，能夠更好的實(shí)現(xiàn)分割的目的。

圖3 霜霉病分割效果圖Fig.3 Segmentation result of downy mildew spot

2.3 圖像去噪

本文是通過(guò)一個(gè)3×3大小的圓形結(jié)構(gòu)元素，先利用閉合運(yùn)算平滑邊界并填充病斑內(nèi)部的缺口，再將病斑的分離部分連接在一起，然后再進(jìn)行開(kāi)啟運(yùn)算以消除病斑周圍的噪聲，進(jìn)一步獲得病斑區(qū)域。

此時(shí)將數(shù)學(xué)形態(tài)學(xué)濾波后的病斑區(qū)域圖像與原彩色圖像做乘法便得到霜霉病的病斑圖，如圖4所示。

圖4 霜霉病病斑Fig.4 Disease spot of downy mildew

3 病斑特征的提取

3.1 病斑的顏色特征提取

本文選擇了HSV顏色模型進(jìn)行病斑顏色的描述，并采用一定的量化方式將顏色特征以向量的形式進(jìn)行表達(dá)，將分別從H、S、V三個(gè)分量的均值、偏差、三階矩這三方面對(duì)顏色特征進(jìn)行表示。部分樣本的顏色特征如表1所示。

表1 病斑的顏色特征Table 1 Color feature of disease spot

3.2 病斑的紋理特征提取

從灰度-梯度共生矩陣中可以提取出多個(gè)統(tǒng)計(jì)特征參數(shù)，如梯度均方差、灰度熵、慣性等，但在實(shí)驗(yàn)中研究得出能量、相關(guān)性、同次性和差異性是最有效的特征，所以將從這四個(gè)參數(shù)的均值和偏差兩方面進(jìn)行提取，部分樣本的紋理特征如表2所示。

3.3 病斑的形狀特征提取

形狀特征可以看作是比顏色、紋理要高一些的特征，它的表達(dá)比顏色和紋理的表達(dá)從本質(zhì)上要復(fù)雜得多。部分樣本形狀特征參數(shù)如表3所示。

表2 病斑紋理特征數(shù)據(jù)Table 2 Texture feature of disease spot

表3 病斑形狀特征Table 3 Shape feature of disease spot

4 病害圖像的識(shí)別與分類

利用該黃瓜葉部病害識(shí)別的BP神經(jīng)網(wǎng)絡(luò)模型分別對(duì)病害樣本圖像進(jìn)行識(shí)別測(cè)試。為使樣本圖像既全面又有代表性，在專家的建議和幫助下在試驗(yàn)田采集了大量的病害圖像作為樣本，并選擇霜霉病、白粉病、病毒病和無(wú)病害圖像共320幅進(jìn)行測(cè)試，結(jié)果如表4所示。

表4 病害識(shí)別結(jié)果Table 4 Results of disease identification

從表4中可以看出，本文設(shè)計(jì)的黃瓜病害識(shí)別系統(tǒng)的平均準(zhǔn)確率為95.31%，本系統(tǒng)的識(shí)別精度較好，可以用于實(shí)際生產(chǎn)中的病害識(shí)別。

5 結(jié) 論

a.病斑癥狀在YUV顏色模型下較為明顯，同時(shí)還能減輕葉脈對(duì)于后續(xù)圖像分割的干擾。在比較幾種分割算法后發(fā)現(xiàn)分水嶺法分割效果最好，相比于動(dòng)態(tài)閾值法和Otsu法，分水嶺法更適應(yīng)光照不均、突發(fā)噪聲以及病斑邊緣不明顯等情況，因而能夠準(zhǔn)確地分割出病斑。

b.分別提取均值、偏差、三階矩、能量、相關(guān)性、同次性、平均橢長(zhǎng)短軸比、緊實(shí)度均值、平均內(nèi)外徑比、畸形度均值、圓形度均值等22個(gè)特征參數(shù)，從而對(duì)病斑進(jìn)行較全面的描述。

c.建立隱層神經(jīng)元個(gè)數(shù)可變的三層BP神經(jīng)網(wǎng)絡(luò)，通過(guò)誤差對(duì)比確定最佳隱含層神經(jīng)元個(gè)數(shù)。對(duì)480幅黃瓜病害圖像進(jìn)行識(shí)別訓(xùn)練，并對(duì)另320幅樣本進(jìn)行測(cè)試，發(fā)現(xiàn)系統(tǒng)對(duì)于中度病害的識(shí)別準(zhǔn)確率較高，平均識(shí)別率為95.31%，可以滿足識(shí)別需求。

d.本系統(tǒng)能實(shí)現(xiàn)快速、無(wú)損、全自動(dòng)的特征信息檢測(cè)，為農(nóng)業(yè)專家研究黃瓜及其他作物提供先進(jìn)的技術(shù)指導(dǎo)和高精度的數(shù)據(jù)支持。

[1]張鵬,秦智偉,王麗莉,等.黃瓜果實(shí)彎曲性遺傳分析[J].東北農(nóng)業(yè)大學(xué)學(xué)報(bào),2010,41(1):29-33.

[2]趙聰慧,張靜,王雙喜.黃瓜霜霉病圖像預(yù)處理方法研究[J].農(nóng)機(jī)化研究,2010(1):60-63.

[3]曲麗,秦智偉.黃瓜白粉病病原菌及抗病性研究進(jìn)展[J].東北農(nóng)業(yè)大學(xué)學(xué)報(bào),2007,38(6):835-841.

[4]周鳳珍,王永健.黃瓜白粉病抗病鑒定方法的研究[J].蔬菜,1987(1):10-11.

[5]吳金鳳.黃瓜連作栽培常見(jiàn)病蟲(chóng)害防治技術(shù)[J].現(xiàn)代農(nóng)業(yè)科技,2008(10):55-58.

[6]劉晨,侯德文.基于多小波變換與圖像融合的圖像增強(qiáng)方法[J].信息技術(shù)與信息化,2009(5):101-104.

[7]王樹(shù)文,張長(zhǎng)利,房俊龍.應(yīng)用計(jì)算機(jī)視覺(jué)對(duì)番茄損傷分類的研究[J].東北農(nóng)業(yè)大學(xué)學(xué)報(bào),2006,37(2):215-218.

[8]李崢嶸,劉曉平,李自元.圖像分割多閾值法研究[J].CT理論與應(yīng)用研究,2006(4):50-53.

[9]趙丹婷,柴玉華,張長(zhǎng)利.基于圖像處理技術(shù)的大豆灰斑病的檢測(cè)技術(shù)研究[J].東北農(nóng)業(yè)大學(xué)學(xué)報(bào),2010,41(4):119-123.

[10]李明,張長(zhǎng)利,王曉楠.基于圖像處理技術(shù)的小麥形態(tài)檢測(cè)方法研究[J].東北農(nóng)業(yè)大學(xué)學(xué)報(bào),2009,40(3):111-115.