王梅嘉，何東健，任嘉琛

（1.西北農(nóng)林科技大學(xué) 信息工程學(xué)院，陜西 楊凌712100；2.西北農(nóng)林科技大學(xué) 機(jī)械與電子工程學(xué)院，陜西 楊凌712100）

0 引 言

基于數(shù)字圖像分析技術(shù)對農(nóng)作物病蟲草害圖像進(jìn)行已被證明是一種有效、客觀手段［1－7］。張建華等使用包含光照箱、光源、CCD 數(shù)碼相機(jī)等圖像采集系統(tǒng)，采集棉花蟲害葉片進(jìn)行識別，識別率達(dá)到88.1%［8］；柴阿麗等用CanonA640數(shù)碼相機(jī)、固定熒光燈等裝置，用近拍模式拍攝番茄葉部圖像，對病害的識別率達(dá)94.71%［9］；何東健等用多光譜相機(jī)采集玉米田間雜草圖像，提出一種支持向量機(jī)和證據(jù)理論相結(jié)合的多特征融合雜草識別方法，取得了良好效果［10］。前人研究多用數(shù)碼相機(jī)或多光譜相機(jī)等采集圖像，在實驗室進(jìn)行分析，難以滿足實時、便捷診斷病蟲草害的應(yīng)用需求［11］。隨著Android智能手機(jī)以及3G 網(wǎng)絡(luò)在農(nóng)村的普及，利用手機(jī)拍攝圖片上傳給信息中心進(jìn)行遠(yuǎn)程識別成為可能。本文以蘋果葉部病害為研究對象，以危害較為嚴(yán)重的蘋果斑點落葉病、銹病和花葉病遠(yuǎn)程智能分析診斷為目標(biāo)，研究基于Android平臺的遠(yuǎn)程作物病害識別系統(tǒng)框架以及手機(jī)和服務(wù)器間信息傳輸?shù)募夹g(shù)與方法，信息中心服務(wù)器接收手機(jī)拍攝蘋果葉部病害圖像并進(jìn)行分析診斷，診斷結(jié)果推送至手機(jī)端，手機(jī)端顯示相應(yīng)防治措施給用戶，為指導(dǎo)果農(nóng)進(jìn)行科學(xué)防治提供一種便捷方法。

1 系統(tǒng)架構(gòu)分析與設(shè)計

為實現(xiàn)遠(yuǎn)程病害智能識別及識別結(jié)果推送服務(wù)，系統(tǒng)需要有圖像采集終端和PC服務(wù)器端硬件，需要確定圖像傳輸、診斷結(jié)果推送機(jī)制，設(shè)計病害識別方法?？紤]到支持Android 系 統(tǒng) 的 手 機(jī) 市 場 占 有 率 達(dá)78.9%［12］，故 用Android手機(jī)采集病害圖像；考慮到3G 網(wǎng)絡(luò)有高達(dá)256KB／s的傳輸速率，故采用3G 網(wǎng)絡(luò)將手機(jī)拍攝的病害圖像上傳到服務(wù)器端 （PC 機(jī)），服務(wù)器負(fù)責(zé)病害圖像分析與識別，并將識別病害類型推送給客戶端。采用C／S模式的系統(tǒng)架構(gòu)如圖1所示。

圖1 系統(tǒng)結(jié)構(gòu)

2 系統(tǒng)關(guān)鍵功能設(shè)計

系統(tǒng)關(guān)鍵功能設(shè)計包含客戶端、服務(wù)器以及客戶端與服務(wù)器通信設(shè)計。

2.1 客戶端圖像拍攝與存儲

手機(jī)客戶端圖像采集流程如圖2所示?？蛻舳丝烧{(diào)用照相機(jī)拍攝圖像或從圖庫中加載圖像，用戶獲得圖片后，可根據(jù)當(dāng)前網(wǎng)絡(luò)情況選擇立即發(fā)送至服務(wù)器或保存至手機(jī)本地數(shù)據(jù)庫。

2.1.1 病害圖像拍攝

為減少自然光照及復(fù)雜背景對識別準(zhǔn)確性的影響，左手持黑色紙板置于病葉下方，右手持手機(jī)相機(jī)拍攝。為加快后續(xù)識別速度，手機(jī)端程序在預(yù)覽畫面上定義一個670×420像素矩形框，拍攝時使葉片盡量充滿整個矩形框，程序自動裁剪掉矩形框外多余的部分。為避免發(fā)生形變，保持手機(jī)感光器與葉片平行。葉片圖像以JPEG 格式存儲至SD 卡，以采集時間命名，并作為唯一標(biāo)識的ID。

圖2 客戶端采集圖像流程

2.1.2 本地數(shù)據(jù)庫存儲

當(dāng)網(wǎng)絡(luò)條件不佳時，可將采集的圖像先保存至本地待識別數(shù)據(jù)庫，擇時再查看圖像并發(fā)送，已發(fā)送的圖像將自動在數(shù)據(jù)庫中刪除，服務(wù)器已識別圖像同樣會自動保存至手機(jī)本地已識別數(shù)據(jù)庫。Android使用開源的、與操作系統(tǒng)無關(guān)的SQL數(shù)據(jù)庫SQLite，它是一款輕量級數(shù)據(jù)庫，占用資源非常低，只需要幾百K的內(nèi)存。故本文采用SQLite構(gòu)建數(shù)據(jù)庫。數(shù)據(jù)庫中存儲圖片ID、拍攝時間及存儲路徑等信息。

2.2 服務(wù)器端圖像分析與識別設(shè)計

服務(wù)器負(fù)責(zé)對圖像分析處理，主要包括圖像預(yù)處理、病斑分割、特征提取和病斑識別等4個步驟。

2.2.1 圖像預(yù)處理

由于在自然環(huán)境下用手機(jī)拍攝的彩色圖像存在對比度不明顯、邊緣模糊等現(xiàn)象，因此，服務(wù)器收到客戶端發(fā)送的圖像后，需要進(jìn)行預(yù)處理。首先使用分段線性變換拉伸圖像灰度，擴(kuò)展圖像對比度［13］；分離圖像RGB通道，自適應(yīng)中值濾波去除噪聲；再用形態(tài)學(xué)Top－Hat變換去除光照影響，突出病斑。融合R、G、B通道則得到預(yù)處理后的彩色圖像。

2.2.2 病斑分割

為探討蘋果葉片病斑的有效分割因子，在RGB 模型下，分別用2＊G－R－B，G＊G－R＊B，G－B，G－R，2＊R－GB，R＊R－G＊B進(jìn)行病斑分割實驗，結(jié)果表明2＊R－G－B對各種病斑均有較好的分割效果，因此選擇2＊R－G－B作為色彩分割因子，用最大類間方差法分割病斑。3 種病斑的分割效果如圖3所示。對分割后的圖像用半徑為3的圓盤結(jié)構(gòu)先后做開、閉運(yùn)算，以平滑圖像消除噪聲，然后，用8連通區(qū)域標(biāo)記提取病斑部位。

2.2.3 特征提取

圖3 3種病害及分割效果

不同的病斑其顏色、形狀和紋理有明顯不同。為識別病斑類型，本文提取病斑的顏色特征、形狀特征和紋理特征，并進(jìn)行特征的優(yōu)選。

（1）顏色特征提?。撼Ｓ玫念伾Ｐ陀蠷GB、HSV等，由于HSV 模型中3個分量具有相對獨(dú)立性，且亮度分量與圖像的彩色信息無關(guān)，非常適合于借助人類視覺系統(tǒng)來感知顏色特征的圖像處理。因此，將圖像從RGB空間轉(zhuǎn)換至HSV 空間，使用H 分量、S分量、V 分量的1階矩、2階矩和3階矩作為顏色特征。顏色矩定義如下

式中：μi——1階矩；σi——2階矩；si——3階矩；pi，j——圖像中第j個像素的第i個顏色分量。

圖像的顏色矩共9個分量 （3個顏色分量上各3個低階矩），比其它顏色特征更為簡潔。對每種病害各隨機(jī)選擇15個樣本，經(jīng)過比較發(fā)現(xiàn)，3 種病害的H 分量、S分量1 階矩以及H 分量的2階矩有顯著差別。故選擇H、S分量的1階矩以及H 分量的2階矩共3個特征作為顏色特征參數(shù)。

（2）形狀特征提?。簩嶒炛羞x取周長、面積比、伸長度、圓形度、矩形度、形狀復(fù)雜性的離散指數(shù)及Hu提出的7個不變矩等［14］13個病斑的形狀特征。

對比每種病害的形狀參數(shù)發(fā)現(xiàn)，3種病害在病斑面積比、圓形度及形狀復(fù)雜性的離散指數(shù)上有顯著差異，因此，選擇病斑面積比、圓形度及形狀復(fù)雜性的離散指數(shù)3個形狀參數(shù)。

（3）紋理特征提?。翰煌『υ诩y理方面表現(xiàn)不同。本文用灰度梯度共生矩陣描述病害的紋理特征。采用平方求和計算梯度矩陣，選取灰度級為32，歸一化灰度梯度矩陣［15］，計算小梯度優(yōu)勢、大梯度優(yōu)勢、灰度分布的不均勻性、梯度分布的不均勻性、能量、灰度平均值、梯度平均值、灰度均方差等15個特征量。通過對比分析，3種病害的灰度分布的不均勻性和灰度均方差差異較大。因此，選擇灰度分布的不均勻性以及灰度均方差共2個特征作為紋理參數(shù)。

綜上所述，本文選擇如表1所示的8 個特征參數(shù)。表中，x1－x5，y1－y5和z1－z5分別為隨機(jī)選取的5個斑點落葉病樣本、銹病樣本和花葉病樣本。訓(xùn)練和識別前對優(yōu)選的特征參數(shù)進(jìn)行歸一化處理。

2.2.4 病斑識別

BP網(wǎng)絡(luò)是一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)，也是目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型之一。支持向量機(jī)（support vector machine，SVM）在解決小樣本、非線性及高維模式識別中優(yōu)勢明顯，其關(guān)鍵在于選擇合適的核函數(shù)從而獲得高維空間的分類函數(shù)。本文構(gòu)建BP 網(wǎng)絡(luò)與SVM分別對3種病害進(jìn)行識別。BP網(wǎng)絡(luò)采用3層結(jié)構(gòu)，輸入層節(jié)點數(shù)為8，隱節(jié)點數(shù)為13，輸出層節(jié)點數(shù)為3。SVM 核函數(shù)選擇徑向基函數(shù)。共采集病葉圖像300 幅，每種病害100幅，其中前60幅做訓(xùn)練樣本，后40幅做測試樣本。訓(xùn)練后的BP網(wǎng)絡(luò)對測試樣本進(jìn)行測試，測試結(jié)果見表2，花葉病所有測試樣本均被正確識別，由于斑點落葉病病斑與銹病比較相似，9幅斑點落葉病圖像被錯誤識別為銹病，7副銹病圖像被誤識為斑點落葉病，平均識別率為86.67%。用訓(xùn)練好的SVM 對花葉病的測試樣本均可正確識別；1幅斑點落葉病因葉片上有污點被錯誤識別為銹??；1 幅銹病圖像被除草劑污染而被錯誤識別為斑點落葉病。實驗結(jié)果表明，SVM 識別性能較好，對3種病害測試樣本的平均識別率達(dá)到98.33%，因此，選擇SVM 模型識別病害。

表1 部分病害樣本特征參數(shù)值

表2 BP與SVM 識別率比較

2.3 手機(jī)客戶端與服務(wù)器通信設(shè)計

客戶端與服務(wù)器用3G 網(wǎng)絡(luò)進(jìn)行通信，為避免數(shù)據(jù)丟失，選擇可靠的TCP／IP 協(xié)議和socket流實現(xiàn)數(shù)據(jù)傳輸。當(dāng)客戶端發(fā)起連接請求時，一直處于監(jiān)聽狀態(tài)的服務(wù)器同意連接，此時客戶端向服務(wù)器發(fā)送待識別圖像的文件名，服務(wù)器收到文件名以后，返回客戶端接收成功的信號，客服端收到信號后再開始發(fā)送文件，服務(wù)器用接收的文件名保存圖像并立即識別，將識別結(jié)果返回客戶端。服務(wù)器與客戶端通信模型如圖4所示。為避免圖像數(shù)據(jù)大，導(dǎo)致用戶一直等待傳輸圖片，本文采用在service中實現(xiàn)客戶端發(fā)送圖像數(shù)據(jù)的策略［16］。應(yīng)用組件啟動一個service運(yùn)行于后臺，即使用戶切換到另一個應(yīng)用，該service也會繼續(xù)運(yùn)行［17］，故在service中創(chuàng)建線程完成圖像傳輸。

圖4 通信模型

3 測試結(jié)果與分析

用索尼愛立信LT18i手機(jī)在VPN 和3G 環(huán)境下分別進(jìn)行系統(tǒng)測試。系統(tǒng)主界面如圖5所示，用戶可選擇蘋果病害識別或查看本地數(shù)據(jù)庫。點擊 “蘋果病害圖像識別”按鈕，進(jìn)入病害識別主界面如圖6所示，可立刻拍照 （如圖7所示）或加載圖庫。獲取的圖片顯示在界面，可直接向服務(wù)器發(fā)送圖像識別請求，服務(wù)器收到圖像進(jìn)行分析識別 （如圖8所示），并將識別的病害類型推送至客戶端，客戶端顯示相應(yīng)病害的防治建議 （如圖9所示）?？蛻舳艘部蓪⑴臄z的圖像保存至本地待識別數(shù)據(jù)庫。

圖5 通信模型

圖6 病害識別主界面

圖7 拍照界面

圖8 服務(wù)器接收識別圖像

圖9 客戶端推送結(jié)果

測試客戶端發(fā)送每幅病害圖像到接收診斷結(jié)果所需時間如表2所示 （僅列出10幅），由表3可知，用3G 網(wǎng)絡(luò)遠(yuǎn)程病害診斷所需平均時間為15.65s，與VPN 網(wǎng)絡(luò)相比，僅多了0.79s，這是因為獲取圖像經(jīng)手機(jī)客戶端裁剪后數(shù)據(jù)量相對較小，二者傳輸所需時間相差不大。系統(tǒng)可滿足實時性需求。

表3 病害識別所需時間

4 結(jié)束語

（1）選擇2＊R－G－B作為色彩分割因子，可有效分割出病斑；用本文實驗確定的8個特征參數(shù)輸入徑向基函數(shù)支持向量機(jī)，3種病害平均識別率達(dá)到98.33%。

（2）提出用Android手機(jī)客戶端采集發(fā)送圖像，PC 服務(wù)器自動接收識別圖像并返回手機(jī)端識別結(jié)果的病害遠(yuǎn)程識別系統(tǒng)框架。實驗結(jié)果表明，對每幅病害圖像識別平均時間小于16s，能滿足快速、準(zhǔn)確識別病害的需要。

今后尚需進(jìn)一步研究蘋果葉部多種病害的識別方法，并增加用戶標(biāo)記病斑部位等交互操作，以減少計算量，大大縮短識別時間。

［1］Al－Bashish D，Braik M，Bani－Ahmad S.Detection and classification of leaf disease using K－means－based segmentation and neural－networks－based classification ［J］.Information Technology Journal，2011，10 （2）：267－275.

［2］Al－Hiary H，Bani－Ahmad S，Reyalat M，et al.Fast ＆accurate detection ＆classification of plant diseases ［J］.International Journal of Computer Applications，2011，17 （1）：31－38.

［3］Camargo A，Smith JS.An image－processing based algorithm to automatically identify plant disease visual symptoms ［J］.Biosystems Engineering，2009，102 （1）：9－21

［4］Paul Biossard，Vincent Martin，Sabine Moisan.A cognitive vision approach to early pest detection in greenhouse crops［J］.Computers and Electronics in Agriculture，2008，62 （2）：81－93.

［5］Phadikar S，Jaya S.Rice disease identification using pattern recognition techniques［C］／／Proceedings of 11th International Conference on Computer and Information Technology，2008：420－423.

［6］WANG Shouzhi，HE Dongjian，LI Wen，et a1.Plant leaf disease recognition based on kernel K－means clustering algorithm ［J］.Transactions of the Chinese Society for Agricultural Machinery，2009，40 （3）：152－155 （in Chinese）. ［王守志，何東健，李文，等.基于核K－均值聚類算法的植物葉部病害識別 ［J］.農(nóng)業(yè)機(jī)械學(xué)報，2009，40 （3）：152－155.］

［7］DENG Jizhong，LI Min，YUAN Zhibao，et al.Feature extraction and classification of Tillelia disease based on image recognition ［J］.Transactions of the Chinese Society of Agricultural Engineering，2012，28 （3）：172－176 （in Chinese）.［鄧?yán)^忠，李敏，袁之報，等.基于圖像識別的小麥腥黑穗病害特征 提 取 與 分 類 ［J］.農(nóng) 業(yè) 工 程 學(xué) 報，2012，28 （3）：172－176.］

［8］ZHANG Jianhua，JI Ronghua，YUAN Xue，et al.Recognition of pest damage for cotton leaf based on RBF－SVM algorithm［J］.Transactions of the Chinese Society for Agricultural Machinery，2011，42 （8）：178－183 （in Chinese）.［張建華，冀榮華，袁雪，等.基于徑向基支持向量機(jī)的棉花蟲害識別［J］.農(nóng)業(yè)機(jī)械學(xué)報，2011，42 （8）：178－183.］

［9］CHAI Ali，LI Baoju，SHI Yanxia，et al.Recognition of tomato foliage disease based on computer vision technology［J］.Acta Horticulturae Sinica，2010，37 （9）：1423－1430（in Chinese）.［柴阿麗，李寶聚，石延霞，等.基于計算機(jī)視覺技術(shù)的番茄葉部病害識別［J］.園藝學(xué)報，2010，37 （9）：1423－1430.］

［10］HE Dongjian，QIAO Yongliang，LI Pan，et al.Weed recognition based on SVM－DS multi－feature fusion ［J］.Transactions of the Chinese Society for Agricultural Machinery，2013，44 （2）：182－187 （in Chinese）. ［何東健，喬永 亮，李攀，等.基于SVM－DS多特征融合的雜草識別 ［J］.農(nóng)業(yè)機(jī)械學(xué)報，2013，44 （2）：182－187.］

［11］LI Zongru，HE Dongjian.Research on identify technologies of apple’s disease based on mobile photograph image analysis［J］.Computer Engineering and Design，2010，31 （13）：3041－3053 （in Chinese）.［李宗儒，何東健.基于手機(jī)拍攝圖像分析的蘋果病害識別技術(shù)研究 ［J］.計算機(jī)工程與設(shè)計，2010，31 （13）：3051－3053.］

［12］Ed Burnette. Hello，Android ［M］.Raleigh：Pragmatic Bookshelf，2010：140－141.

［13］LI Zongru.Research on identify technologies of apples disease based on image analysis ［D］.Yangling：Northwest A＆F University，2010：9－10 （in Chinese）.［李宗儒.基于圖像分析的蘋果病害識別技術(shù)研究 ［D］.楊凌：西北農(nóng)林科技大學(xué)，2010：9－10.］［14］PENG Zhanwu.Research on cucumber disease indentifying base on image processing and pattern recognition technology［D］.Jilin：Jilin Agricultural University，2007：29－30 （in Chinese）.［彭占武.基于圖像處理和模式識別技術(shù)的黃瓜病害識別研究 ［D］.吉林：吉林農(nóng)業(yè)大學(xué)，2007：29－30.］［15］CONG Rui，GAO Guangfu，F(xiàn)AN Ruixiao，et al.Vibration image recognition method based on gray－gradient co－occurrence matrix and kernel－based fuzzy clustering ［J］.Journal of Vibration and Shock，2012，31 （21）：74－77 （in Chinese）.［叢蕊，高光甫，樊瑞筱，等.基于灰度－梯度共生矩陣和模糊核聚類的振動圖形識別方法 ［J］.振動與沖擊，2012，31（21）：74－77.］

［16］Reto Meier.Professional Android 2application development［M］.Indianapolis：Wiley Publisher，2010：90－94.

［17］Mark Murphy.Beginning Android 2 ［M］.New York：Apress，2010：23－24.