夏永泉，李耀斌，李　晨

(鄭州輕工業(yè)學(xué)院 計算機(jī)與通信工程學(xué)院，河南 鄭州 450001)

?

基于圖像處理技術(shù)與Android手機(jī)的小麥病害診斷系統(tǒng)

夏永泉，李耀斌，李晨

(鄭州輕工業(yè)學(xué)院 計算機(jī)與通信工程學(xué)院，河南 鄭州 450001)

為了智能化農(nóng)業(yè)的發(fā)展，提高農(nóng)作物病害診斷水平，及時采取防治措施，提出一種基于圖像處理技術(shù)與Android手機(jī)的病害智能診斷系統(tǒng)的設(shè)計方法.系統(tǒng)不受時間和地域限制，用戶可以在具備網(wǎng)絡(luò)覆蓋的地方將采集到的病害圖片發(fā)送至服務(wù)器端.服務(wù)器端接收到病害圖片后，在HSI(horizintalsitutationindicator)顏色空間對病害圖像分割，利用顏色矩和灰度共生矩陣來提取病害顏色和紋理特征參數(shù)，并將優(yōu)選的特征參數(shù)輸入支持向量機(jī)識別，識別結(jié)果反饋給客戶端.實驗結(jié)果表明：該系統(tǒng)可以準(zhǔn)確高效地識別出病害種類，有較強(qiáng)的實用性和推廣應(yīng)用前景.

小麥病害；Android系統(tǒng)；病害診斷；支持向量機(jī)

農(nóng)業(yè)是我國經(jīng)濟(jì)發(fā)展的基石，也是我國國民經(jīng)濟(jì)的基礎(chǔ)，在整個國民經(jīng)濟(jì)中占有重要地位.我國以占世界約9%的耕地,生產(chǎn)了占世界約25%的糧食，養(yǎng)活了占全球約22%的人口，取得了令世人矚目的成就.小麥?zhǔn)俏覈饕募Z食作物之一，種植面積位居第二，僅次于水稻.病蟲害問題是影響小麥產(chǎn)量和質(zhì)量的關(guān)鍵問題之一[1-3].農(nóng)戶受生產(chǎn)管理技術(shù)水平、知識范圍的限制，很難做到對病蟲害合理、有效的防治.目前，對植物葉片病害的識別研究中以模型專家系統(tǒng)和數(shù)據(jù)庫專家系統(tǒng)為主，圖像處理類較少[4-5].由于農(nóng)戶不能對癥狀精確描述，導(dǎo)致這些系統(tǒng)很難大范圍推廣.隨著智能手機(jī)的普及和科學(xué)技術(shù)的發(fā)展，通過將智能手機(jī)和圖像處理技術(shù)有效結(jié)合，對農(nóng)作物病害進(jìn)行遠(yuǎn)程診斷研究，可使農(nóng)戶及時準(zhǔn)確地采取相應(yīng)措施防治病害，減少病害帶來的損失，對小麥高產(chǎn)、優(yōu)產(chǎn)具有重要意義.

作者利用圖像處理技術(shù)與開源的Android手機(jī)平臺，提出一種病蟲害智能診斷系統(tǒng)的設(shè)計方法，并以小麥病害智能診斷為例，開發(fā)了小麥病害診斷系統(tǒng)，為同類系統(tǒng)的開發(fā)和移植提供了參考.該系統(tǒng)界面操作簡單、診斷速度快、診斷結(jié)果精確高，對農(nóng)戶合理、有效地防治田間小麥病害具有一定作用.

1　系統(tǒng)設(shè)計

1.1開發(fā)環(huán)境

小麥病害診斷系統(tǒng)的開發(fā)環(huán)境為JDK(JavaDevelopmentKit) +Eclipse+AndroidSDK(SoftwareDevelopmentKit) +ADT(AndroidDevelopmentTools) +Tomcat.其中:JDK提供Java的開發(fā)環(huán)境和運(yùn)行環(huán)境;Eclipse是基于Android開發(fā)的集成開發(fā)環(huán)境;AndroidSDK提供開發(fā)Android應(yīng)用程序所需的API庫和構(gòu)建、測試及調(diào)試Android應(yīng)用程序所需的開發(fā)工具;ADT是支持Android程序開發(fā)的插件，使得創(chuàng)建、運(yùn)行和調(diào)試Android應(yīng)用更加方便快捷;Tomcat是一個小型的輕量級應(yīng)用服務(wù)器[6-7].

1.2系統(tǒng)主要功能

小麥病害診斷系統(tǒng)分為客戶端和服務(wù)器端，采用C/S架構(gòu)[8].客戶端的主要功能包含兩個部分：(1) 病害圖像采集；(2) 病害圖像裁剪.Android手機(jī)端可以調(diào)用拍照功能采集病害圖像或在相冊中選擇病害圖像，并以人機(jī)交互方式對選擇的圖像裁剪，通過裁剪可簡化圖像背景、減少數(shù)據(jù)傳輸量.

服務(wù)器端的主要功能包含3個部分：(1)病害圖像分割；(2)病害特征提取；(3)病害診斷.根據(jù)病害圖像特點(diǎn)，在HSI顏色空間實現(xiàn)小麥病害圖像自動分割；然后，將優(yōu)選出的7個能反映樣本本質(zhì)的特征作為小麥病害識別的有效特征，可有效地提高診斷準(zhǔn)確率、減少診斷時間；最后，將優(yōu)選的特征作為輸入向量并構(gòu)建基于徑向基核函數(shù)的支持向量機(jī)模型對病害診斷.系統(tǒng)具有診斷及時、快速、準(zhǔn)確的特點(diǎn)，可以滿足遠(yuǎn)程診斷的實際需要.小麥病害診斷系統(tǒng)的功能框架如圖1所示.

圖1　系統(tǒng)功能框架Fig.1　Functional framework of the system

2　病害圖像分割

通過人機(jī)交互方式裁剪后的圖像只包含葉片健康區(qū)域和病害區(qū)域，通常葉片的健康區(qū)域為綠色，而病害區(qū)域為非綠色.根據(jù)圖像的特點(diǎn)，去除綠色像素得到病害區(qū)域.但是在基于RGB(red,green，blue)顏色模型的圖像中，紅、綠、藍(lán)3原色之間的相關(guān)性很大，不能用一個單一的參數(shù)對圖像中的綠色像素劃定一個區(qū)間，所以不能靠設(shè)置r、g、b的值去除圖像中的綠色像素.而在HSI(horizintalsitutationindicator)顏色空間中，色調(diào)、飽和度和強(qiáng)度獨(dú)立解耦[9]，能夠?qū)⑾袼攸c(diǎn)顏色信息準(zhǔn)確量化，所以將RGB顏色空間轉(zhuǎn)換為HSI顏色空間，利用色調(diào)H和飽和度S提取植物葉片病斑.通過對圖像上色調(diào)不同的部位進(jìn)行了大量取樣，得出去除葉片健康區(qū)域的公式為

(1)

分別采用最大類間方差法、迭代法和論文分割算法對小麥白粉病、條銹病、葉銹病和稈銹病葉片圖像分割，3種閾值分割算法分割結(jié)果如圖2所示.

圖2　分割結(jié)果Fig.2　Segmentation results

由上述實驗結(jié)果可知，白粉病、條銹病和葉銹病灰度值均小于葉片健康區(qū)域灰度值，而稈銹病灰度值大于葉片健康區(qū)域灰度值，雖然最大類間方差法和迭代法可以將葉片健康區(qū)域和病害區(qū)域分割為兩部分，但計算特征參數(shù)值時，計算機(jī)無法分辨葉片健康區(qū)域和病害區(qū)域，不利于病害自動識別.論文分割算法不僅具有較好的分割結(jié)果，而且以綠色像素和非綠像素為標(biāo)準(zhǔn)區(qū)分葉片健康區(qū)域和病害區(qū)域的方法具有通用性，所以選擇該算法作為病害識別時的病害圖像分割方法.

3　病害有效特征提取

3.1紋理和顏色特征

灰度共生矩陣是由Haralick[10]提出的一種用來分析圖像紋理特征的重要方法，反映的是圖像灰度關(guān)于方向、相鄰間隔、變化幅度的綜合信息.為了更直觀地描述紋理狀況，定義了14個灰度共生矩陣特征參數(shù)進(jìn)行紋理分析.Ulaby等[11]研究發(fā)現(xiàn):14個灰度共生矩陣特征參數(shù),僅有4個特征是不相關(guān)的,這4個特征不僅便于計算，而且分類精度較高.因此，利用能量(Energy)、對比度(Contrast)、熵(Entropy)、相關(guān)性(Correlation)這4個[12]參量提取病害紋理特征，其公式分別為

(2)

(3)

(4)

(5)

其中：μ1，σ1表示行方向上紋理參數(shù)的均值和方差;μ2，σ2表示列方向上紋理參數(shù)的均值和方差.

顏色矩是由Stricker和Orengo[13]提出的一種簡單有效的顏色特征表示方法，其中顏色信息主要分布于低階矩中.因此，利用一階矩(Ei)和二階矩(σi)提取病害顏色特征，其公式分別為

(6)

(7)

其中：pij表示彩色圖像第i個顏色通道第j個像素的顏色值，N表示像素總數(shù).

3.2特征優(yōu)選

病害識別時，各種特征參數(shù)對病害診斷的貢獻(xiàn)度不同，冗余特征變量會使識別模型訓(xùn)練時學(xué)習(xí)過多的樣本特征，而不能反映內(nèi)含的主要規(guī)律，導(dǎo)致預(yù)測能力下降.平均影響值反映了神經(jīng)網(wǎng)絡(luò)中權(quán)重矩陣的變化情況，被認(rèn)為是在神經(jīng)網(wǎng)絡(luò)中評價變量相關(guān)性最好的指標(biāo)之一[14].支持向量機(jī)與傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)相比，結(jié)構(gòu)簡單，泛化能力明顯提高.將平均影響值的思想應(yīng)用于支持向量機(jī)回歸進(jìn)行非線性特征變量優(yōu)選，算法過程如下：

(1) 使用訓(xùn)練樣本S對支持向量機(jī)進(jìn)行訓(xùn)練.

(2) 將訓(xùn)練樣本S中的每一自變量分別在其原值基礎(chǔ)上加10%、減10%，得到兩個新的樣本S1和S2.

(3) 對S1和S2進(jìn)行回歸預(yù)測，得到兩個結(jié)果M1和M2.

(4)M1和M2的差值為變動該自變量后對輸出產(chǎn)生的影響變化值W.

(5) 將W按觀測例數(shù)平均得到該自變量對于因變量的平均影響值MIV.同理可以依次求出每個自變量的MIV值.

(6) 根據(jù)MIV絕對值的大小為各自變量排序，得到位次表，即實現(xiàn)了特征變量優(yōu)選.

在Matlab7.0下仿真試驗，選取小麥白粉病、條銹病、葉銹病和稈銹病病害圖像80張(每種病害20張)作為訓(xùn)練樣本，計算樣本圖像紋理和顏色特征，并對其進(jìn)行特征變量優(yōu)選.根據(jù)每個特征變量對識別結(jié)果的影響程度進(jìn)行排序，排序結(jié)果如表1所示.

表1　MIV位次表

根據(jù)MIV位次表順序，分別使用1～14個特征變量作為輸入向量，以十折交叉驗證的思想評估預(yù)測模型精度.將訓(xùn)練樣本數(shù)據(jù)集分成10份，輪流將其中9份作為訓(xùn)練集，1份作為測試集，10次測試結(jié)果的均值作為對模型精度的估計.14個預(yù)測模型的精度如圖3所示.

由上述實驗結(jié)果可知，選擇G分量一階矩、G分量二階矩、R分量二階矩、B分量二階矩、R分量一階矩、熵均值和B分量一階矩7個特征變量識別時預(yù)測模型精度最高，以這7個特征變量作為輸入向量可有效地提高小麥白粉病、條銹病、葉銹病和稈銹病的診斷準(zhǔn)確率.

圖3　預(yù)測模型精度Fig.3　Accuracy of prediction models

4　病害診斷

目前在實際生產(chǎn)中，農(nóng)戶主要依靠自身經(jīng)驗和感覺判斷病害種類，嚴(yán)重影響病害預(yù)報準(zhǔn)確率.而且農(nóng)戶與專家距離較遠(yuǎn)，這使得咨詢專家費(fèi)時費(fèi)力.支持向量機(jī)是由Vapnik于1995年提出的基于統(tǒng)計學(xué)理論的VC維理論和結(jié)構(gòu)最小風(fēng)險原理基礎(chǔ)上的機(jī)器學(xué)習(xí)方法，根據(jù)有限的樣本信息在模型的復(fù)雜性和學(xué)習(xí)能力之間尋求最佳折衷，以期獲得最好的推廣能力[15].采用支持向量機(jī)對病害診斷，可以及時、快速、準(zhǔn)確地得出診斷結(jié)果.

病害圖像的識別過程為：在系統(tǒng)界面選擇“拍照”或“相冊”功能得到病害圖像，人工對病害圖像裁剪獲得子圖像，采用http協(xié)議將病害子圖像發(fā)送到服務(wù)器端.當(dāng)服務(wù)器端收到客戶端發(fā)送的圖像后，對圖像分割得到病害區(qū)域，計算病害區(qū)域特征參數(shù)值并輸入已訓(xùn)練好的支持向量機(jī)模型進(jìn)行診斷，將診斷結(jié)果返回給客戶端.小麥病害診斷系統(tǒng)部分界面如圖4所示.

圖4　系統(tǒng)界面Fig.4　System interfaces

5　系統(tǒng)測試

軟件測試是軟件開發(fā)的重要組成部分，將程序打包成Android安裝包文件，安裝到系統(tǒng)版本為Android4.1.2的小米1S手機(jī)中測試.選擇小麥白粉病、條銹病、葉銹病和桿銹病圖像80張(每種病害20張)測試，在WIFI環(huán)境下和GPRS環(huán)境下診斷速度根據(jù)圖片大小略有差異，約5～10s，診斷結(jié)果如表2所示.

經(jīng)測試，系統(tǒng)診斷準(zhǔn)確率達(dá)96.25%，可為農(nóng)田小麥病害診斷提供參考.白粉病診斷準(zhǔn)確率為100%，這是因為白粉病顏色特征明顯，所以全部正確識別.小麥銹病在生成過程中就難以區(qū)分，而在測量特征參數(shù)時有部分?jǐn)?shù)據(jù)重疊，出現(xiàn)了少數(shù)誤差.今后應(yīng)增加訓(xùn)練集數(shù)據(jù)量和有效特征變量個數(shù)，以期達(dá)到100%的診斷準(zhǔn)確率，更好地實現(xiàn)農(nóng)田小麥病害自動化診斷.

表2　診斷結(jié)果

6　結(jié)束語

將圖像處理技術(shù)與Android手機(jī)相結(jié)合，實現(xiàn)了農(nóng)田小麥病害的遠(yuǎn)程智能診斷.系統(tǒng)不受時間、地點(diǎn)、距離等因素限制，操作簡單方便，克服了以往病害診斷過程中的誤診現(xiàn)象和農(nóng)戶不能通過及時咨詢專家來進(jìn)行及時防治的情況，可以有效地提高小麥產(chǎn)量和質(zhì)量，具有較好的應(yīng)用前景.

[1]王美麗,牛曉靜,張宏鳴,等.小麥葉部常見病害特征提取及識別技術(shù)研究[J].計算機(jī)工程與應(yīng)用， 2014, 50(7): 154-157.

[2]ARIVAZHAGANS,SHEBIAHRN,ANANTHIS,etal.Detectionofunhealthyregionofplantleavesandclassificationofplantleafdiseasesusingtexturefeatures[J].AgricEngInt(CIGRJournal), 2013, 15(1): 211-217.

[3]PUJARIJD,YAKKUNDIMATHR,BYADGIAS.Classificationoffungaldiseasesymptomsaffectedoncerealsusingcolortexturefeatures[J].InternationalJournalofSignalProcessing， 2013, 6(6): 321-330.

[4]戴建國,賴軍臣.基于圖像規(guī)則與Android手機(jī)的棉花病蟲害診斷系統(tǒng)[J].農(nóng)業(yè)機(jī)械學(xué)報, 2015, 46(1): 35-44.

[5]劉向峰,孟志軍,陳競平,等.作物病蟲害信息采集與遠(yuǎn)程診斷系統(tǒng)設(shè)計與實現(xiàn)[J].計算機(jī)工程與設(shè)計, 2011, 32(7): 2361-2364.

[6]楊林楠,郜魯濤,林爾升,等.基于Android系統(tǒng)手機(jī)的甜玉米病蟲害智能診斷系統(tǒng)[J].農(nóng)業(yè)工程學(xué)報, 2012, 28(18): 163-168.

[7]吳亞峰,索伊娜.Android核心技術(shù)與實例詳解[M].北京:電子工業(yè)出版社, 2010.

[8]張誠潔.基于Android平臺的移動在線測試系統(tǒng)設(shè)計與實現(xiàn)[J].計算機(jī)應(yīng)用與軟件, 2015, 32(4): 323-325.

[9]謝妍梅,樊臻,張森林.基于HSI顏色空間的彩色圖像邊緣檢測[J].計算機(jī)工程, 2013, 39(9): 12-19.

[10]HARALICKRM,SHANMUGAMK,DINSEINI.Texturefeaturesforimageclassification[J].IEEETransactionsonSystems,ManandCybernetics,1973, 3(6): 610-621.

[11]ULABYFT,KOUYATEF,BRISCOB,etal.TexturalinformationinSARimages[J].IEEETransactionsonGeoscienceandRemoteSensing,1986, 24(2): 235-245.

[12]楊帆.數(shù)字圖像處理與分析[M].北京:航空航天大學(xué)出版社, 2007.

[13]STRICKERM,ORENGOM.Similarityofcolorimages[J].SPIEStorageandRetrievalforImageandVideoDatabasesⅢ, 1995, 2(4): 381-392.

[14]徐富強(qiáng),劉相國.基于優(yōu)化的RBF神經(jīng)網(wǎng)絡(luò)的變量篩選方法[J].計算機(jī)系統(tǒng)應(yīng)用, 2012, 21(3): 206-208.

[15]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.

(責(zé)任編輯朱夜明)

DiagnosticsystemofwheatdiseasesbasedonimageprocessingtechnologyandAndroidphone

XIAYongquan,LIYaobin,LIChen

(CollegeofComputerandCommunicationEngineering,ZhengzhouUniversityofLightIndustry,Zhengzhou450001,China)

Todeveloptheintelligentagriculture,improvethediagnosticlevelofcropdiseasesandtaketimelypreventionandcontrolmeasures,adesignmethodofadiseaseintelligentdiagnosticsystembasedonimageprocessingtechnologyandAndroidphonewasproposed.Asthesystemwasnotrestrictedbytimeandregion,userscouldsendthecollecteddiseaseimagestotheserveranywherewheretherewasnetworkcoverage.Aftertheserverreceivedthediseaseimages,theimagesegmentationwascarriedoutinHSIcolorspace,colormomentandgraylevelco-occurrencematrixwereadoptedtoextractthecharacteristicparametersofdiseasecolorandtexture,thepreferredcharacteristicparameterswereinputintothesupportvectormachineforidentification,andtheidentificationresultswerefedbacktotheclient.Testingexperimentshowedthatthesystemcouldaccuratelyandefficientlyidentifydiseasetypes,andenjoystrongpracticalityaswellasgoodpopularizationandapplicationprospects.

wheatdisease；Androidsystem；diseasediagnosis；supportvectormachine

10.3969/j.issn.1000-2162.2016.02.005

2015-05-24

國家自然科學(xué)基金資助項目(61302118)；河南省高校青年骨干教師資助計劃(2010GGJS-114)

夏永泉(1972-)，男，遼寧省綏中縣人，鄭州輕工業(yè)學(xué)院副教授，博士.

TP391

A

1000-2162(2016)02-0026-06