李 旺，唐少先

(湖南農(nóng)業(yè)大學(xué) 信息科學(xué)技術(shù)學(xué)院，湖南 長(zhǎng)沙 410128)

農(nóng)業(yè)是我國(guó)經(jīng)濟(jì)發(fā)展的基石。隨著生活水平的提高，人們對(duì)日常農(nóng)作物的品質(zhì)要求也越來(lái)越高，農(nóng)作物病害是限制農(nóng)民生產(chǎn)的重要因素，由于病害損失巨大，直接影響農(nóng)作物市場(chǎng)銷(xiāo)量。

目前在實(shí)際生產(chǎn)中，農(nóng)民主要依靠自身經(jīng)驗(yàn)，憑感覺(jué)地對(duì)作物病害進(jìn)行診斷。雖然這也取得了一定的效果，但農(nóng)民畢竟不是專(zhuān)家，并且識(shí)別能力有限，往往在作物的病害程度比較重時(shí)肉眼才能識(shí)別，這樣就不能做到“對(duì)癥下藥”和及時(shí)防治。如此依靠人的視覺(jué)系統(tǒng)再憑豐富的經(jīng)驗(yàn)（主觀、局限、模糊），不足以說(shuō)明識(shí)別病害的科學(xué)性。傳統(tǒng)的病害檢測(cè)方法不僅費(fèi)時(shí)費(fèi)力，還嚴(yán)重影響病害預(yù)報(bào)準(zhǔn)確率。

隨著計(jì)算機(jī)圖像處理和識(shí)別技術(shù)的發(fā)展，給作物的病害準(zhǔn)確識(shí)別帶來(lái)了可能。及時(shí)、快速的發(fā)現(xiàn)并識(shí)別農(nóng)作物病害，為及時(shí)正確采取相應(yīng)措施防治病害，減少病害帶來(lái)的損失具有重要意義。為此，論述了圖像處理在農(nóng)作物病害識(shí)別中的國(guó)內(nèi)外研究現(xiàn)狀。

1 基于圖像處理的農(nóng)作物病害識(shí)別概述

農(nóng)作物得病后，其新陳代謝會(huì)發(fā)生一定的改變，這種改變可以引起植物細(xì)胞和植物外部形態(tài)的改變，絕大多數(shù)會(huì)在葉子上表現(xiàn)出來(lái)，使葉子的顏色、形狀、紋理發(fā)生變化。由于其致病的病原物的不同，形成了對(duì)植物的主要危害部位的不相同。因此，這就為我們采用圖像處理和模式識(shí)別技術(shù)，通過(guò)農(nóng)作物的病葉來(lái)判斷農(nóng)作物的染病情況提供了可能。

圖像識(shí)別系統(tǒng)可以分為三個(gè)主要部分，其框圖如圖1所示。第一部分是病害圖像信息的獲取，第二部分是信息的加工與處理，第三部分是判決與分類(lèi)。

圖1 圖像識(shí)別系統(tǒng)框圖

圖像信息的獲取：利用各種輸入設(shè)備將要識(shí)別對(duì)象的信息輸入計(jì)算機(jī)，通過(guò)測(cè)量、采樣和量化，可以用矩陣或者向量來(lái)表示待識(shí)別對(duì)象的信息；預(yù)處理：應(yīng)用圖像平滑、增強(qiáng)、變換和濾波等技術(shù)對(duì)圖像進(jìn)行處理，去除噪聲，加強(qiáng)有用的信息；特征提取與選擇：為了有效地實(shí)現(xiàn)分類(lèi)識(shí)別，得到最能反映分類(lèi)本質(zhì)的特征；判決與分類(lèi)：用一定數(shù)量的樣本確定出一套分類(lèi)判別規(guī)則，按已確定的分類(lèi)判別規(guī)則對(duì)待識(shí)別模式進(jìn)行分類(lèi)判別。

2 研究現(xiàn)狀

20世紀(jì)50年代出現(xiàn)的數(shù)字圖像處理技術(shù)在60年代初期便成為一門(mén)正式的學(xué)科。近20多年來(lái)，隨著數(shù)字圖像處理技術(shù)的專(zhuān)業(yè)化、各種模式識(shí)別技術(shù)的日趨成熟，數(shù)字圖像處理技術(shù)在農(nóng)作物缺素識(shí)別診斷、種子質(zhì)量檢驗(yàn)、農(nóng)產(chǎn)品品質(zhì)檢測(cè)與分級(jí)等方面得到了廣泛研究，并且在農(nóng)業(yè)領(lǐng)域顯示出巨大的應(yīng)用潛力。但是圖像識(shí)別在作物病蟲(chóng)害方面的研究起步相對(duì)較晚，文獻(xiàn)較少。

2.1 國(guó)外研究現(xiàn)狀

國(guó)外對(duì)農(nóng)作物病害的圖像識(shí)別研究起于20世紀(jì)80年代。

安岡善文等（1985）對(duì)作物葉片受有害氣體污染后的紅外圖像進(jìn)行了研究，葉子的紅外圖像清晰顯示了被污染的區(qū)域，并提出可通過(guò)病葉來(lái)診斷植物病害。

穗波信雄等（1989）利用分別對(duì)缺乏鈣、鐵、鎂營(yíng)養(yǎng)元素的茨菇葉片進(jìn)行了一些基礎(chǔ)研究，他們利用直方圖分析了顏色特征，利用RGB顏色直方圖波峰分布位置，來(lái)提取葉片的顏色特征，又用闡值法分割出葉片上病態(tài)部分和正常部分，并計(jì)算出兩者的面積比作為特征。他們提取的特征不明顯，較難區(qū)分開(kāi)缺素病。

Yuataka SASAKI（1999）研究了黃瓜炭疽病的自動(dòng)識(shí)別技術(shù)。根據(jù)不同的分光反射特性和光學(xué)濾波對(duì)病害識(shí)別的影響，采用遺傳算法，從分光反射特性和形狀特性的角度建立了識(shí)別參數(shù)，對(duì)病害進(jìn)行了識(shí)別。由于他們未充分利用病害的顏色及紋理信息，因此識(shí)別精度不高。

LuigiBodria等（2002）對(duì)不同真菌感染的小麥進(jìn)行了多光譜圖像識(shí)別，研究使用200W的疝氣燈作為光源，并配備了一個(gè)低通濾光裝置，使光源的輻射波長(zhǎng)在360nm~430nm之間，相機(jī)分別用690nm的單一波段和4個(gè)多光譜波段(450nm，550nm，690nm，740nm)采集圖像。研究分別在實(shí)驗(yàn)室和田間進(jìn)行，可以在病害的前2-3天通過(guò)肉眼識(shí)別出病害。

Mohammed E1-Helly等（2004）開(kāi)發(fā)了綜合圖像處理系統(tǒng)自動(dòng)檢測(cè)葉片病斑來(lái)識(shí)別病害類(lèi)型，此系統(tǒng)利用人工神經(jīng)網(wǎng)絡(luò)作為分類(lèi)器，能較好的識(shí)別黃瓜白粉病、霜霉病和受潛葉蟲(chóng)危害的葉片。

Mohammad Sammany（2007）等利用遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和參數(shù)來(lái)識(shí)別植物病害圖像；同時(shí)把支持向量機(jī)和神經(jīng)網(wǎng)絡(luò)兩種方法應(yīng)用于識(shí)別植物病害。后來(lái)，他們利用粗糙集來(lái)減少神經(jīng)網(wǎng)絡(luò)分類(lèi)器的輸入特征向量，以此提高分類(lèi)效率。

Tellaeche等 （2008）根據(jù)場(chǎng)景的透視幾何原理，利用Hough變換，gabor濾波方法就可以探測(cè)出農(nóng)作物的排列，加之相應(yīng)的區(qū)域標(biāo)記法、貝葉斯等識(shí)別算法就可以識(shí)別出行之間的雜草，解決了不同透視角度與不同空間頻率下的雜草識(shí)別。

2.2 國(guó)內(nèi)研究現(xiàn)狀

國(guó)內(nèi)在這方面起步較晚，但是有一些高?；蛘呖蒲性核恢痹陂_(kāi)展農(nóng)作物病害圖像識(shí)別技術(shù)的研究。

陳佳娟等（2001）采用計(jì)算機(jī)視覺(jué)技術(shù)，根據(jù)棉花葉片的孔洞及葉片邊緣的殘缺，來(lái)測(cè)定棉花蟲(chóng)害的受害程度。該方法應(yīng)用局部門(mén)限法完成圖像與背景的分割；用高斯拉普拉斯算子，進(jìn)行棉花圖像的邊緣檢測(cè)；利用邊緣跟蹤算法確定棉葉中的孔洞；利用膨脹算法確定葉片邊緣的殘缺。實(shí)驗(yàn)結(jié)果表明，該方法可有效的測(cè)定棉花蟲(chóng)害的受害程度，其測(cè)定誤差小于0.05。

張長(zhǎng)利等(2001)利用遺傳算法訓(xùn)練的多層前饋神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)番茄成熟度的自動(dòng)判別的研究。對(duì)50個(gè)不同成熟度的番茄樣本進(jìn)行檢測(cè)，結(jié)果表明，遺傳算法與人工神經(jīng)網(wǎng)絡(luò)相結(jié)合，在農(nóng)產(chǎn)品品質(zhì)自動(dòng)檢測(cè)中具有巨大的潛力和廣闊的應(yīng)用。

徐貴力，毛罕平等（2003）針對(duì)無(wú)土栽培番茄缺乏營(yíng)養(yǎng)元素智能識(shí)別研究中，如何提取缺素葉片紋理特征問(wèn)題，提出了差分百分率直方圖法。特征有效性不受葉片大小、形狀差異和葉片圖像中葉片周邊白色背景的影響，實(shí)驗(yàn)驗(yàn)證該方法能較好地提取出缺素葉片紋理特征。最后利用K一近鄰模式識(shí)別法進(jìn)行模式識(shí)別，識(shí)別的準(zhǔn)確率在80%以上。

程鵬飛(2005)選取合適的色度學(xué)系統(tǒng)，從顏色和紋理兩方面人為地選擇合適的特征參數(shù)，利用模糊K一近鄰法建立分類(lèi)器對(duì)植株葉片進(jìn)行模式識(shí)別。但人為地選擇特征參數(shù)，影響識(shí)別準(zhǔn)確度度，可以利用一些優(yōu)化算法來(lái)對(duì)特征參數(shù)進(jìn)行優(yōu)化選擇。

田有文，牛妍（2009）探討了采用支持向量機(jī)（SVM）對(duì)黃瓜病害進(jìn)行分類(lèi)的方法；提取了病斑的形狀、顏色、質(zhì)地、發(fā)病時(shí)期等特征作為特征向量，利用支持向量機(jī)分類(lèi)器，選取4種常見(jiàn)核函數(shù)，以Matlab7.0為平臺(tái)對(duì)10類(lèi)常見(jiàn)病害進(jìn)行識(shí)別。結(jié)果表明，SVM方法在處理小樣本問(wèn)題中具有良好的分類(lèi)效果，線性核函數(shù)和徑向基核函數(shù)的SVM分類(lèi)方法在黃瓜病害的識(shí)別方面優(yōu)于其他類(lèi)型核函數(shù)的SVM。

劉鵬（2011）以次郎甜柿為研究對(duì)象，應(yīng)用快速獨(dú)立分量方法對(duì)病害圖像進(jìn)行處理，去除病害圖像中的隨機(jī)噪聲。提取病害甜柿表面圖像的紋理特征參數(shù)和顏色特征參數(shù)后采用支持向量機(jī)（SVM）識(shí)別甜柿表面病害。研究表明快速獨(dú)立分量方(FASTICA)法可以很好地?cái)U(kuò)展病害區(qū)域邊緣。采用圖像紋理特征參數(shù)和顏色特征參數(shù)結(jié)合構(gòu)建支持向量時(shí)，識(shí)別準(zhǔn)確率和速度都高于只用單一特征參數(shù)的情況。在選擇圖像紋理特征參數(shù)和顏色特征參數(shù)結(jié)合作為支持向量的基礎(chǔ)上，對(duì)結(jié)構(gòu)參數(shù)進(jìn)行優(yōu)化選擇。結(jié)果表明：SVM核函數(shù)為Sigmoid對(duì)果體表面病害的識(shí)別效果較好。

可以看出，近些年來(lái)，國(guó)內(nèi)外專(zhuān)家學(xué)者對(duì)農(nóng)作物病害識(shí)別檢測(cè)進(jìn)行了廣泛的研究，通過(guò)對(duì)農(nóng)作物病害圖像的預(yù)處理，提取病害特征參數(shù)，使用不同的分類(lèi)器達(dá)到智能識(shí)別的目的。

3 結(jié)語(yǔ)

（1）有待于提高病害識(shí)別精度。目前圖像識(shí)別的方法大致有5類(lèi)：統(tǒng)計(jì)識(shí)別、結(jié)構(gòu)識(shí)別、模糊識(shí)別、神經(jīng)網(wǎng)絡(luò)識(shí)別和支持向量機(jī)識(shí)別，各種方法有自身的特點(diǎn)，沒(méi)有哪一種方法在各種農(nóng)作物病害識(shí)別中通用，針對(duì)不同作物采取相應(yīng)的識(shí)別算法才能提高識(shí)別率。改進(jìn)圖像識(shí)別率的相關(guān)算法也是今后的研究重點(diǎn)。

（2）有待于多部位提取特征參數(shù)。由于一種農(nóng)作物病害的癥狀不只是病葉顏色、紋理、形狀特征等外部特征，不僅要綜合利用病葉顏色、形狀、紋理等特征參數(shù)進(jìn)行多變量特征參數(shù)提取的同時(shí)，也要考慮農(nóng)作物根、莖、花果等所表現(xiàn)的癥狀信息，忽略了這些信息在一定程度上影響了識(shí)別的精度。因此，建議以后應(yīng)將葉、根、莖、花果病癥特征進(jìn)行信息融合，從不同部位提取特征參數(shù)，進(jìn)一步提高系統(tǒng)的識(shí)別精度。

（3）有待于推廣到實(shí)際生產(chǎn)中。目前國(guó)內(nèi)外利用計(jì)算機(jī)圖像處理技術(shù)進(jìn)行蔬菜病害識(shí)別的研究大多都停留在對(duì)其算法的可行性探究上還停留在實(shí)驗(yàn)室階段，并未推廣到實(shí)際生產(chǎn)過(guò)程中。

（4）有待于實(shí)現(xiàn)動(dòng)態(tài)識(shí)別病害。農(nóng)作物病害的種類(lèi)繁多、癥狀具有多樣性，這些特點(diǎn)給病害的模式識(shí)別造成了較大困難，目前大多數(shù)識(shí)別系統(tǒng)都是離線的、靜態(tài)的條件下分析識(shí)別，如何對(duì)田間農(nóng)作物病害實(shí)時(shí)地、在線地動(dòng)態(tài)識(shí)別，以便及時(shí)采取防治措施，還有待于進(jìn)一步研究。

[1]安岡善文.圖像處理技術(shù)在環(huán)境中的應(yīng)用.電氣學(xué)會(huì)雜志特集.1985:455~458.

[2]穗波信雄.根據(jù)圖像提取植物的生長(zhǎng)信息.農(nóng)業(yè)機(jī)械學(xué)會(huì)關(guān)西支部第6次支部研究資料.1989,10:1~2.

[3]Yutaka SASAKI,Tsuguo Okamoto.Automatic Diagnosis of Plant Disease recognition Between Healthy and Healthy and Diseased Leaf.Journal of JSAM.1999,61(2)119~126.

[4]LuigiBordria.Marco Fiala,Roberto Oberti,Ezio Naldi.Chlorophyll fluorescence sensing for early detection of crop's disease symp toms ASAE Meeting Preseniation(Ppaer No.021114),002.

[5]E1-Helly M.,El-Beltagy S.,and Rafea A..Image analysis based interface for diagnostic expert systems[A].Proceedings of the Win ter international synposium on information and Communication Technologies[C].Trinity College Dublin,2004,1~6.

[6]Sammany,M.,T.Medhat:Dimensionality Reduction Using Rough Set Approach for Two Neural Networks-Based Applications[A].Rough Sets and Intelligent Systems Paradigms[C].Heidelberg:Springer Berlin,2007,639~647.

[7]Tellaeche A,Burgos-Artizzu X P, Pajaresa G,Ribeiro A.A vi sion-based method for weeds identification through the Bayesian decision theory[J].Pattern Recognition 2008(41):521~530.

[8]陳佳娟,趙學(xué)篤.采用計(jì)算機(jī)視覺(jué)進(jìn)行棉花蟲(chóng)害程度的自動(dòng)測(cè)定[J].農(nóng)業(yè)工程學(xué)報(bào).2001,l7(2):157~160.

[9]張長(zhǎng)利,房俊龍.用遺傳算法訓(xùn)練的多層前饋神經(jīng)網(wǎng)絡(luò)對(duì)番茄成熟度進(jìn)行自動(dòng)檢測(cè)的研究[J].農(nóng)業(yè)工程學(xué)報(bào).2001,17(3):153~156.

[10]徐貴力,毛罕平等.差分百分率直方圖法提取缺素葉片紋理特征.農(nóng)業(yè)機(jī)械學(xué)報(bào)[J].2003,34(2):76~79.

[11]程鵬飛.植物病害的圖像處理及特征值提取方法的研究[D].山西:山西農(nóng)業(yè)大學(xué).2005.

[12]田有文,牛妍.支持向量機(jī)在黃瓜病害識(shí)別中的應(yīng)用研究.農(nóng)機(jī)化研究[J]..2009,(3):36~39.