師韻+王旭啟+張善文

摘要：蘋果葉部的3種常見病害（斑點落葉病、花葉病和銹病）嚴(yán)重影響蘋果的產(chǎn)量和質(zhì)量。病害識別是病害防治的基礎(chǔ)，傳統(tǒng)的蘋果病害識別方法不能有效選擇病害的分類特征?；谥鞣至糠治鏊惴?，提出一種葉片顏色、形狀和紋理特征相結(jié)合的蘋果病害識別方法。首先對蘋果病害葉片圖像進行預(yù)處理，降低圖像干擾；然后利用改進的分水嶺方法分割病斑，提取病斑圖像的顏色、形狀和紋理特征，組成特征矩陣；再利用主分量分析（PCA）對該矩陣進行維數(shù)約簡，得到低維分類特征；最后利用BP神經(jīng)網(wǎng)絡(luò)識別蘋果的3種病害類型。結(jié)果表明，該方法能夠有效識別蘋果的3種病害，平均識別率超過94%。

關(guān)鍵詞：蘋果病害識別；特征提??；主分量分析（PCA）；BP神經(jīng)網(wǎng)絡(luò)

中圖分類號： S126； TP391. 41 文獻標(biāo)志碼： A

文章編號：1002-1302（2016）09-0337-04

蘋果含有豐富的碳水化合物、維生素、微量元素和果膠等，是世界水果中產(chǎn)量和消費以及益處最多的水果之一。但是，蘋果病害嚴(yán)重影響了蘋果的產(chǎn)量和質(zhì)量[1-3]。當(dāng)前，西部廣大果農(nóng)病害防治技術(shù)水平不高，防治粗放，農(nóng)藥亂配濫用現(xiàn)象比較普遍，造成果品農(nóng)藥殘留超標(biāo)，果品質(zhì)量下降，且防治成本大。要防治蘋果病害，首先要識別病害類型[4-8]。葉片是很容易觀察、采集和處理的部位，也是一般蘋果病害癥狀首先出現(xiàn)的部位。因此，多年來蘋果葉片癥狀是果農(nóng)和植保人員診斷病害的重要依據(jù)之一。目前蘋果病害診斷大多采用經(jīng)驗定性診斷方法。該方法的主觀性較強，對專家的依賴性較高，容易混淆癥狀相似的病害。為了準(zhǔn)確識別病害，計算機圖像處理是一種很好的方法，但由于蘋果病害種類多，病害葉片形狀及葉片病斑的顏色、紋理和形狀的差異性大，呈現(xiàn)出復(fù)雜、多樣、無規(guī)則的特點，使得目前很多病害識別方法的效果不理想[5，9-11]。

本研究提出一種基于主分量分析（PCA）的蘋果病害葉片的顏色、形狀和紋理特征相結(jié)合的蘋果病害識別方法，該方法綜合提取蘋果病害葉片圖像的多種分類特征，然后利用PCA進行維數(shù)約簡，再利用BP神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，實現(xiàn)對蘋果病害的快速分類識別。

1 材料與方法

為了研究基于蘋果病害葉片圖像處理的蘋果病害識別的方法，選用了3 種易混淆的常見蘋果病害：斑點落葉病、花葉病和銹病為研究對象。蘋果斑點落葉病危害葉片，造成早落，葉片染病初期出現(xiàn)褐色圓點，其后逐漸擴大為紅褐色；蘋果花葉病主要在葉片上形成環(huán)斑型、狼斑型等各種類型的鮮黃色病斑；蘋果銹病葉片初患病正面出現(xiàn)油亮的橘紅色小斑點，逐漸擴大，形成圓形橙黃色的病斑，內(nèi)含大量褐色粉末狀銹孢子。肉眼不容易區(qū)分斑點落葉病和銹病2種病害。本研究所使用的這3種蘋果病害葉片圖像均是在西北農(nóng)林科技大學(xué)蘋果園利用佳能EOS 700D單反數(shù)碼相機在上午10：00—11：00時間段采集得到。為了便于后續(xù)處理，以灰色紙片作為背景色，在自然光照的非強光條件下對自然發(fā)病的蘋果葉片進行活體圖像采集，得到蘋果病害葉片數(shù)字圖像。拍攝時盡量使相機的鏡頭與蘋果葉面所在的平面平行，使光線在蘋果葉片上均勻分布，避免產(chǎn)生明顯的形變。為了使測量準(zhǔn)確，每次采集葉片圖像時，盡量使蘋果葉片充滿整個畫面。由于拍攝環(huán)境的影響，采集到的有些葉片圖像難免存在陰影和大量噪聲。因此，在采集到的數(shù)字葉片圖像中挑選出光照較均勻的圖像各50幅作為試驗的樣本圖像。圖1為試驗中采集到的蘋果常見3種病害葉片圖像實例，圖像格式為BMP，圖像寬度為320像素、高度為240像素。

2 蘋果病害葉片圖像預(yù)處理

蘋果病害葉片圖像的質(zhì)量直接影響后續(xù)的病害識別率。在葉片圖像采集過程中，由于受到采集設(shè)備、環(huán)境等影響，圖像存在分辨率低、背景復(fù)雜、病斑邊緣模糊等特點。所以，需要對病害葉片圖像進行預(yù)處理。常用的病害葉片圖像預(yù)處理操作有圖像格式轉(zhuǎn)化、圖像去噪、圖像增強、削弱圖像中顏色、葉柄、蟲洞等無用或干擾信息，使病斑區(qū)域的特征更明顯。為了有效去除噪聲，較好地保留圖像的細節(jié)并突出病斑特征，在試驗對比的基礎(chǔ)上，首先選用自適應(yīng)直方圖均衡化方法，擴展葉片圖像灰度范圍，對葉片圖像進行對比度增強，然后選用葉片彩色圖像中值濾波方法，即在葉片圖像的R、G、B通道上分別應(yīng)用中值濾波方法濾波后，再進行通道融合，得到濾波后的彩色圖像，較好地抑制葉片圖像的噪聲，保留葉片圖像的分類信息。再利用Top-Hat方法與歸一化彩色空間法相結(jié)合，可使不同光照度下所采集的葉片圖像的R、G、B通道數(shù)據(jù)處理結(jié)果差異很小，以此降低圖像亮度對色彩的影響。圖2為葉片圖像預(yù)處理流程。

3 蘋果葉片圖像病斑分割

病斑圖像分割是病害葉片圖像分析與模式識別中一個重要的環(huán)節(jié)，病斑分割的好壞直接影響后續(xù)特征提取與識別結(jié)果。本研究的對象是自然環(huán)境下拍攝的蘋果病害葉片圖像，背景復(fù)雜、分辨率低，不能直接用于病害分類特征提取[3，10-11]。因此，采用改進的水平集彩色圖像分割方法，即基于區(qū)域和邊緣的變分水平集彩色圖像分割方法[12-13]。該方法充分利用了目標(biāo)圖像的區(qū)域信息和邊緣信息，并用歐氏距離代替了灰度加權(quán)值，使得彩色圖像的顏色空間信息得到充分利用。首先，用N1個水平集函數(shù)將圖像分割成N（N﹥1）個區(qū)域，每個水平集函數(shù)代表1個分割區(qū)域，通過建立獨立多水平集函數(shù)可以消除冗余的輪廓，從而避免分割區(qū)域的重疊和漏分，獲得更加精確的顏色邊緣。為了避免水平集函數(shù)在每次迭代后需重新初始化符號距離函數(shù)，增加的能量懲罰項能使水平集函數(shù)在演化過程中保持為逼近的符號距離函數(shù)。再將分割的病斑歸一化圖像轉(zhuǎn)化為灰度圖。最后，采用形態(tài)學(xué)中的開運算和閉運算處理，得到不受葉片蟲洞和葉柄等影響的二值化圖像。3種蘋果病害葉片原圖與病斑分割結(jié)果如圖3所示。

4 特征提取

由于蘋果病害葉片的病斑圖像復(fù)雜、多樣、無規(guī)律，且隨時間而變換，不能用數(shù)學(xué)模型來表示[14]。很多基于圖像維數(shù)約簡的人臉、掌紋和步態(tài)等識別方法不能用于蘋果病害識別。由于不同類型病害葉片的病斑圖像的顏色、形狀和紋理之間存在差異，可以提取病斑圖像的分類特征，構(gòu)成特征向量，進行病害識別。下面介紹從分割后蘋果病斑圖像中提取病害的顏色、形狀和紋理的分類特征計算方法[9，11，15-16]。

4.1 顏色特征

由RGB顏色模型轉(zhuǎn)換到HIS和YCbCr顏色模型，利用歸一化直方圖的統(tǒng)計特征分別計算顏色R、G、B、H、I、S、Y、Cb和Cr的均值、方差、偏度、能量、熵等5個統(tǒng)計特征參數(shù)，作為病害葉片圖像分類的顏色特征。

4.2 形狀特征

計算病害葉片病斑圖像的面積、周長、周長直徑比、周長長寬比、圓形度、縱橫軸比等6個無量綱的量，作為病斑圖像的形狀分類特征，具體如下：

由以上分析可以得到每幅病斑圖像的45個顏色特征、6個形狀特征和4個紋理特征，由此組成一個維數(shù)為55的特征向量。

5 基于主分量分析（PCA）的蘋果病害識別

盡管可以提取病斑圖像的很多分類特征，但這些特征之間可能存在相關(guān)性，而且各個特征對病害分類的貢獻大小不同，一些特征可能降低病害的識別率。所以，需要對得到的眾多特征進行特征提取或維數(shù)約簡。但當(dāng)特征維數(shù)較大時，不容易快速地提取出對分類結(jié)果貢獻大、獨立、不相關(guān)的特征。

主分量分析（PCA）考慮了各個特征之間的相互關(guān)系，利用維數(shù)約簡的思想，在損失很少信息的前提下將多個特征轉(zhuǎn)換為少數(shù)幾個互不相關(guān)的特征，成為主成分。每個主成分均是原始變量的線性組合，且各個主成分之間互不相關(guān)，這就使得主成分比原始變量具有某些更優(yōu)越的性能，從而進一步使病害類型識別過程變得簡單、快速、準(zhǔn)確[17]。

主成分分析常常通過以下5步解決：

第1步，將提取的特征進行標(biāo)準(zhǔn)化處理，以消除各個特征在數(shù)量級或量綱上對后續(xù)分類結(jié)果的影響。

第2步，將訓(xùn)練集中每個病斑圖像標(biāo)準(zhǔn)化后的特征組成1個特征向量，再將所有的特征向量組成1個特征矩陣，計算相關(guān)系數(shù)矩陣。

第3步，計算特征矩陣的特征值及對應(yīng)的單位特征向量。特征值在某種程度上可以看成表示主成分分類力度大小。如果特征值小于1，說明該主成分的解釋力度還不如直接引入原變量的平均解釋力度大。因此一般可以用特征值大于1作為納入標(biāo)準(zhǔn)。

第4步，計算主成分的方差貢獻率和累積方差貢獻率。一般來說，提取主成分的累積方差貢獻率超過85%就可以，由此確定需要提取多少個主成分。

第5步，計算主成分。由具有最大特征值的特征向量構(gòu)成映射矩陣。大量實際情況表明，如果根據(jù)累積貢獻率來確定主成分個數(shù)往往較多，而用特征值來確定又往往較少，很多時候應(yīng)當(dāng)將兩者結(jié)合起來，以綜合確定合適的個數(shù)。

由以上分析，可以歸納出PCA的蘋果病害識別的過程為：

（1）對蘋果病害葉片圖像進行預(yù)處理；（2）對病害葉片圖像分割，得到病斑圖像；（3）提取病斑圖像的顏色、形狀和紋理特征，進行歸一化處理，得到特征向量矩陣，再構(gòu)造特征矩陣；（4）利用PCA得到主分量，構(gòu)造映射矩陣A；（5）由A對待識別的病斑的特征向量進行維數(shù)約簡；（6）利用BP神經(jīng)網(wǎng)絡(luò)分類識別病害類型。

BP神經(jīng)網(wǎng)絡(luò)分類器包括輸入層、隱層和輸出層。輸入層神經(jīng)元個數(shù)由葉片病斑特征矩陣主分量的個數(shù)決定，輸出層神經(jīng)元個數(shù)為病害類別數(shù)。試驗時需要人工設(shè)定BP神經(jīng)網(wǎng)絡(luò)的隱層個數(shù)、隱層神經(jīng)元數(shù)量和學(xué)習(xí)率等參數(shù)。待識別的病斑圖像進行預(yù)處理、特征提取、基于PCA的維數(shù)約簡等步驟后得到待分類低維向量，再輸入訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)分類器可得到病害識別結(jié)果。

6 驗證試驗

為了驗證所提出的方法的有效性，對常見的3種蘋果病害斑點落葉病、花葉病和銹病的葉片圖像數(shù)據(jù)庫上各50幅葉片圖像進行病害識別試驗。每種病害葉片的前30 幅，共90 幅作為訓(xùn)練樣本，其余的60幅作為測試集，依次編號。對所有葉片圖像進行預(yù)處理和病斑分割，然后提取每幅蘋果圖像的顏色、形狀和紋理等共55個特征值，組成特征向量；由所有訓(xùn)練集中的特征向量組成1個60×55的特征矩陣A；利用統(tǒng)計產(chǎn)品與服務(wù)解決方案軟件（Statistical Product and Service Solutions，SPSS）中的PCA過程：“分析→降維→因子分析”，求A的協(xié)方差矩陣，取前M個特征值所對應(yīng)的特征向量，構(gòu)成一個55×M的矩陣B，這個矩陣為映射矩陣，A乘以B，就得到了1個60×M的新的降維后的低維矩陣C，作為BP分類器的訓(xùn)練集數(shù)據(jù)。由B可以得到任一待識別病害葉片的病斑圖像的低維特征向量，輸入BP分類器，進行類別識別。試驗中采用Matlab軟件進行BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練。在利用訓(xùn)練數(shù)據(jù)集訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)前，先將訓(xùn)練數(shù)據(jù)C進行歸一化處理，以避免數(shù)據(jù)飽和，加快網(wǎng)絡(luò)收斂。網(wǎng)絡(luò)訓(xùn)練的輸出目標(biāo)矩陣大小為1×60，每個元素分別對應(yīng)于60個輸入樣本的類別。訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)，直至總誤差小于給定值，認為網(wǎng)絡(luò)訓(xùn)練完畢。本試驗中，PCA的主分量數(shù)取為10，其累計方差貢獻率在90%以上。BP分類器的誤差取為0.001，試驗重復(fù)進行50次，計算識別結(jié)果的平均值，試驗結(jié)果見表1。為了說明本研究算法的有效性，與文獻[5]和[10]的蘋果葉片病害識別方法進行比較。這2種方法都是提取分類特征和Hu提出的7個不變矩，再分別利用BP神經(jīng)網(wǎng)絡(luò)和支持向量機進行病害識別。表1中給出了3種算法的識別結(jié)果。

試驗結(jié)果表明，在3種蘋果病害識別中，本研究算法的平均識別率達到94.34%，高于其他2種算法，其中蘋果花葉病的識別率超過98%。

7 討論與結(jié)論

文獻[5]應(yīng)用二值圖像標(biāo)記法提取病斑邊緣，計算出病斑個數(shù)、面積、圓形度、與葉片面積比、復(fù)雜度和葉子的面積等6個形狀特征參數(shù)，以及Hu的7個不變矩共13個參數(shù)，再利用BP神經(jīng)網(wǎng)絡(luò)進行識別；文獻[10]提取病害葉片病斑圖像的顏色直方圖、顏色矩、灰度共生矩陣、常規(guī)形狀和Hu的7個不變矩等特征，并對提取特征進行比較，選擇了15類特征參數(shù)，再利用支持向量機進行識別。這2種方法沒有考慮提取的特征對病害分類的貢獻大小。而本研究算法提取55個特征，不是進行特征選擇，而是利用PCA快速得到主分量，再在新的低維特征空間進行識別。所以，該方法適用于提取很多特征情況下，而且考慮了各個特征的重要程度。

3種算法對斑點落葉病的識別率都比較高，是因為該病害的特征與另外2種病害葉片的區(qū)別較大。出現(xiàn)錯分的原因是斑點落葉病與早期的銹病病斑很像，只是顏色有所差異，在紋理特征和形狀特征方面很相近，而文獻[5]中沒有選用顏色特征，所以識別率不高。

本研究利用SPSS進行PCA。由于在SPSS中并沒有完整的主成分分析過程，其主成分分析過程集成在因子分析過程中，但并不完善。而主成分的得分需要對因子得分情況進行進一步計算，所以在SPSS中不需保存因子得分情況。對于提取因子的個數(shù)問題，一般遵循2個標(biāo)準(zhǔn)，一是累計方差貢獻率大于80%；二是其特征值大于1。本試驗中之所以設(shè)置因子數(shù)目為10，是因為通過預(yù)先分析，發(fā)現(xiàn)前10個主成分可以解釋總體信息的99%。

本研究探討了蘋果病害葉片圖像預(yù)處理、病斑分割、病害特征提取和特征降維方法，分析了基于BP神經(jīng)網(wǎng)絡(luò)的病害識別過程。訓(xùn)練后BP神經(jīng)網(wǎng)絡(luò)可實現(xiàn)對蘋果的斑點落葉病、花葉病和銹病3種病害識別，平均準(zhǔn)確率達到94.33%。試驗結(jié)果表明，該算法對蘋果葉部病害識別是可行的。進一步的研究重點是基于農(nóng)業(yè)物聯(lián)網(wǎng)視頻傳感器得到的蘋果病害葉片圖像分割和病害識別方法。

參考文獻：

[1]胡 林，周國民，丘 耘. 蘋果樹圖像分割算法研究綜述[J]. 中國農(nóng)業(yè)科技導(dǎo)報，2015，17（2）：100-108.

[2]郝青梅. 蘋果樹常見病害識別和防治[J]. 河北果樹，2010（6）：12-14.

[3]尹秀珍，何東健，霍迎秋. 自然場景下低分辨率蘋果果實病害智能識別方法[J]. 農(nóng)機化研究，2012（10）：29-32.

[4]薛永發(fā). 農(nóng)業(yè)生態(tài)控制蘋果病蟲害的有效途徑和措施[J]. 果農(nóng)之友，2010（11）：26-28.

[5]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

[6]李宗儒，何東健. 基于手機拍攝圖像分析的蘋果病害識別技術(shù)研究[J]. 計算機工程與設(shè)計，2010，31（13）： 3051-3053.

[7]霍迎秋，唐晶磊，尹秀珍，等. 基于壓縮感知理論的蘋果病害識別方法[J]. 農(nóng)業(yè)機械學(xué)報，2013，44（10）：227-232.

[8]樊景超. 蘋果果實病害近紅外光譜信息獲取與識別模型研究[D]. 北京：中國農(nóng)業(yè)科學(xué)院，2011.

[9]王蕓蕓，王 璽，蔣建兵，等. 山西省蘋果樹主要病蟲害的種類及綜合防治[J]. 現(xiàn)代園藝，2014（15）：117-118.

[10]畢傲睿. 蘋果葉子病害圖像識別系統(tǒng)的設(shè)計與實現(xiàn)[D]. 西安：西安建筑科技大學(xué)，2014.

[11]胡榮明，魏 曼，競 霞，等. 基于成像高光譜的蘋果樹葉片病害區(qū)域提取方法研究[J]. 西北農(nóng)林科技大學(xué)學(xué)報：自然科學(xué)版，2012，40（8）：95-99.

[12]方江雄. 基于變分水平集的圖像分割方法研究[D]. 上海：上海交通大學(xué)，2012.

[13]毛 亮，薛月菊，孔德運，等. 基于稀疏場水平集的荔枝圖[J]. 農(nóng)業(yè)工程學(xué)報，2011，27（4）：345-349.

[14]Valliammal N，Geethalakshmi S N. Crop leaf segmentation using nonlinear K means clustering[J]. International Journal of Computer Science Issues，2012，9（3）：212-218.

[15]Pydipati R，Burks T F，Lee W S. Identification of citrus diseaseusing color texture features and discriminant analysis [J].Computers and Electronics in Agriculture，2006，52：49-59.

[16]賈建楠，吉海彥. 基于病斑形狀和神經(jīng)網(wǎng)絡(luò)的黃瓜病害識別[J]. 農(nóng)業(yè)工程學(xué)報，2013，29（增刊1）：115-121.

[17] Wang H，Li G，Ma Z，et al. Image recognition of plant diseases based on principal component analysis and neural networks[C]. Natural Computation （ICNC），2012 Eighth International Conference on IEEE，2012：246-251.