馬浚誠(chéng) 溫皓杰 李鑫星, 傅澤田 呂雄杰 張領(lǐng)先

(1.中國(guó)農(nóng)業(yè)大學(xué)信息與電氣工程學(xué)院， 北京 100083；2.食品質(zhì)量與安全北京實(shí)驗(yàn)室， 北京 100083； 3.天津市農(nóng)業(yè)科學(xué)院信息研究所， 天津 300192)

基于圖像處理的溫室黃瓜霜霉病診斷系統(tǒng)

馬浚誠(chéng)1溫皓杰2李鑫星1,2傅澤田2呂雄杰3張領(lǐng)先1

(1.中國(guó)農(nóng)業(yè)大學(xué)信息與電氣工程學(xué)院， 北京 100083；2.食品質(zhì)量與安全北京實(shí)驗(yàn)室， 北京 100083； 3.天津市農(nóng)業(yè)科學(xué)院信息研究所， 天津 300192)

為進(jìn)一步提高溫室黃瓜霜霉病診斷的準(zhǔn)確率，構(gòu)建了一個(gè)基于圖像處理的溫室黃瓜霜霉病診斷系統(tǒng)。針對(duì)溫室黃瓜栽培現(xiàn)場(chǎng)采集的病害圖像，采用基于條件隨機(jī)場(chǎng)(Conditional random fields，CRF)的圖像分割方法進(jìn)行病斑圖像分割，并采用決策樹(shù)模型擴(kuò)展一元?jiǎng)莺瘮?shù)，提高病斑圖像分割的準(zhǔn)確性；將分割后的病斑圖像轉(zhuǎn)換到HSV顏色空間并提取其顏色、紋理和形狀等25個(gè)特征，利用粗糙集方法進(jìn)行特征選擇與優(yōu)化；構(gòu)建了基于徑向基核函數(shù)的SVM分類器，準(zhǔn)確地識(shí)別與診斷溫室黃瓜霜霉病。系統(tǒng)試驗(yàn)驗(yàn)證結(jié)果表明，該系統(tǒng)采用的病斑分割方法，能夠克服復(fù)雜背景和光照條件的影響，準(zhǔn)確地提取病斑圖像；采用粗糙集方法能夠有效地選擇分類特征，將25個(gè)初始特征減少到12個(gè)，提高了運(yùn)行效率；黃瓜霜霉病識(shí)別準(zhǔn)確率達(dá)到90%，能夠滿足設(shè)施蔬菜葉部病害診斷的需求。

溫室黃瓜； 霜霉??； 診斷系統(tǒng)； 圖像處理； 條件隨機(jī)場(chǎng)； 決策樹(shù)

引言

溫室黃瓜種植過(guò)程中，因受到環(huán)境脅迫、微生物、病毒、細(xì)菌等影響會(huì)產(chǎn)生各種病害[1-4]，導(dǎo)致蔬菜品質(zhì)下降與經(jīng)濟(jì)損失，霜霉病是黃瓜主要病害之一[5-6]。在田間生產(chǎn)過(guò)程中，盡管有農(nóng)業(yè)專家進(jìn)行現(xiàn)場(chǎng)指導(dǎo)，但是由于時(shí)間與精力限制，農(nóng)民獲得的幫助有限。農(nóng)民更多的是憑借自己的感觀，根據(jù)經(jīng)驗(yàn)來(lái)判斷蔬菜病害種類及其防治方法，主觀性較強(qiáng)，效果較差，并且盲目地噴灑過(guò)量農(nóng)藥來(lái)防治病害，常常造成農(nóng)藥殘留[7-9]。因此，提供一種易用、可靠的設(shè)施蔬菜病害診斷工具，具有重要的現(xiàn)實(shí)意義。

隨著物聯(lián)網(wǎng)技術(shù)的發(fā)展，國(guó)內(nèi)外學(xué)者應(yīng)用計(jì)算機(jī)視覺(jué)和圖像處理技術(shù)，開(kāi)展了大量作物病害的自動(dòng)診斷研究[10-13]，研究表明，采用計(jì)算機(jī)視覺(jué)等先進(jìn)信息技術(shù)進(jìn)行農(nóng)作物病害診斷能夠達(dá)到一定的準(zhǔn)確率，具有可行性，同時(shí)為先進(jìn)信息技術(shù)在病害診斷應(yīng)用進(jìn)行了有益的探索。

本文構(gòu)建一種基于圖像處理的溫室黃瓜霜霉病診斷系統(tǒng)。該系統(tǒng)充分考慮溫室黃瓜栽培現(xiàn)場(chǎng)環(huán)境以及溫室黃瓜霜霉病圖像的特點(diǎn)，采用基于條件隨機(jī)場(chǎng)(Conditional random fields)的圖像分割方法進(jìn)行病斑圖像分割。在條件隨機(jī)場(chǎng)框架下，用決策樹(shù)模型擴(kuò)展一元?jiǎng)莺瘮?shù)，能夠在克服光照的影響下，準(zhǔn)確地從復(fù)雜背景圖像中提取病斑，為準(zhǔn)確地診斷溫室黃瓜霜霉病，提供有效的數(shù)據(jù)源。同時(shí)，結(jié)合溫室黃瓜栽培環(huán)境及霜霉病病斑圖像特征，提出基于圖像處理技術(shù)的溫室黃瓜霜霉病診斷整體解決方案，提高溫室黃瓜霜霉病診斷的適用性及其診斷準(zhǔn)確率。

1 系統(tǒng)設(shè)計(jì)

1.1 設(shè)計(jì)目標(biāo)

基于物聯(lián)網(wǎng)技術(shù)，結(jié)合溫室黃瓜栽培現(xiàn)場(chǎng)環(huán)境以及溫室黃瓜霜霉病圖像的特點(diǎn)，本系統(tǒng)旨在實(shí)現(xiàn)溫室黃瓜霜霉病的準(zhǔn)確識(shí)別診斷，提高先進(jìn)信息技術(shù)在溫室黃瓜霜霉病診斷中的適用性，為植保專家提供可靠的參考，降低植保專家技術(shù)層面內(nèi)的工作量，同時(shí)提供一種易用、可靠的病害診斷工具。

1.2 系統(tǒng)結(jié)構(gòu)功能設(shè)計(jì)

根據(jù)設(shè)計(jì)目標(biāo)，基于模塊化的思想進(jìn)行系統(tǒng)功能設(shè)計(jì)并將系統(tǒng)功能劃分為病斑分割、特征提取、病害識(shí)別診斷和系統(tǒng)管理4個(gè)相互獨(dú)立的模塊(圖1)，各功能模塊的主要功能如下[4]：

(1)病斑分割：該模塊的功能主要是進(jìn)行溫室黃瓜霜霉病病斑的分割提取，從溫室黃瓜栽培現(xiàn)場(chǎng)采集的病害圖像中提取病斑圖像。

(2)特征提取：該模塊功能主要是從分割的病斑圖像中提取病斑的特征信息，主要包括顏色、紋理和形狀特征。同時(shí)，該模塊還具有特征選擇的功能，選擇對(duì)病害識(shí)別貢獻(xiàn)較大的特征，剔除冗余特征。

(3)病害識(shí)別診斷：該模塊主要功能是實(shí)現(xiàn)病害的識(shí)別診斷，利用病斑特征信息訓(xùn)練分類器，實(shí)現(xiàn)病害的診斷。

(4)系統(tǒng)管理：該模塊由系統(tǒng)管理員對(duì)用戶相關(guān)信息及登錄權(quán)限進(jìn)行管理，同時(shí)負(fù)責(zé)系統(tǒng)的日常事務(wù)管理和維護(hù)以及數(shù)據(jù)庫(kù)的管理，以提高系統(tǒng)的安全性和數(shù)據(jù)的完整性。

1.3 病斑分割算法

由于病斑的數(shù)量多且面積小，因此其顏色特征并非整個(gè)圖像的主導(dǎo)顏色特征，難以通過(guò)自動(dòng)確定的方法來(lái)定位病斑的位置。同時(shí)，圖像不但噪聲較多且光照條件對(duì)圖像的影響較大，忽略空間關(guān)系的直接分割有可能會(huì)導(dǎo)致病斑區(qū)域內(nèi)部不均勻，邊緣稀疏不明確等問(wèn)題。因此，病斑分割方法需要在克服光照條件的影響下，充分考慮病斑像素與其鄰域像素之間的空間關(guān)系，確保分割的準(zhǔn)確性。因此，本文采用基于條件隨機(jī)場(chǎng)[14-15]的方法進(jìn)行病斑圖像分割，同時(shí)在條件隨機(jī)場(chǎng)框架中融合決策樹(shù)模型，不但能夠充分考慮到病斑像素與其領(lǐng)域像素的空間關(guān)系，還能夠結(jié)合決策樹(shù)模型快速、易用的優(yōu)點(diǎn)。本文采用人工選擇訓(xùn)練數(shù)據(jù)集的方法，克服光照條件的影響，最大程度保證分割的準(zhǔn)確性。具體流程如圖2所示。

圖2 基于條件隨機(jī)場(chǎng)的設(shè)施蔬菜病斑分割流程Fig.2 Flow chart of disease spots segmentation model

一個(gè)典型的二維條件隨機(jī)場(chǎng)模型為

(1)

式中I——輸入圖像xi——第i個(gè)像素點(diǎn)的特征集合Ni——第i個(gè)像素點(diǎn)的所有鄰域像素yi——第i個(gè)像素點(diǎn)的類別yij——第i個(gè)像素點(diǎn)的第j個(gè)鄰域像素點(diǎn)的類別

K——待估參數(shù)向量Z——?dú)w一化函數(shù)

fij(x)——聯(lián)合特征向量

式中，φ(yi,xi)為一元?jiǎng)莺瘮?shù)，表示該像素在其特征條件下屬于某一類別的概率，exp(yiyijλTfij(x))為二元?jiǎng)莺瘮?shù)，表示該像素在其領(lǐng)域像素作用下屬于某一類別的概率。因此，采用條件隨機(jī)場(chǎng)方法進(jìn)行溫室黃瓜霜霉病病斑圖像分割，不僅能夠考慮到病斑區(qū)域像素本身的特征，還能考慮到病斑區(qū)域像素與其鄰域像素之間的相互關(guān)系。為了進(jìn)一步提高病斑分割的準(zhǔn)確率，本文擬采用決策樹(shù)方法擴(kuò)展條件隨機(jī)場(chǎng)的一元?jiǎng)莺瘮?shù)，進(jìn)一步克服光照條件對(duì)病斑分割的影響。

在構(gòu)建條件隨機(jī)場(chǎng)一元?jiǎng)莺瘮?shù)時(shí)，本文結(jié)合溫室黃瓜霜霉病病斑圖像的特點(diǎn)，采用決策樹(shù)模型擴(kuò)展條件隨機(jī)場(chǎng)一元?jiǎng)莺瘮?shù)，公式為

(2)

式中DT(xi)——圖像第i個(gè)像素點(diǎn)對(duì)應(yīng)的決策樹(shù)分類結(jié)果

τ——待估參數(shù)

決策樹(shù)模型的構(gòu)建，本文擬采用(Classification and regression tree，CART)[16-17]算法。對(duì)于二元?jiǎng)莺瘮?shù)exp(yiyijKTfij(x))，本文采用歐氏距離來(lái)定義

fij(x)=[1 ‖xi-xj‖]T

(3)

式中 ‖·‖——?dú)W氏距離

模型參數(shù)估計(jì)和推理分別采用最大似然估計(jì)和最大后驗(yàn)概率實(shí)現(xiàn)。

1.4 病斑特征提取及選擇

1.4.1 顏色特征

由于RGB顏色空間中R、G、B分量容易受到外界干擾，本研究在提取病斑顏色特征前，將病斑圖像轉(zhuǎn)到HSV顏色空間，具體如下[5,18-19]：

給定RGB顏色空間中的值(r,g,b)，r、g、b∈[0,255]，設(shè)v′=max(r,g,b)，定義

(4)

(5)

則RGB空間到HSV空間的轉(zhuǎn)換為

(6)

在獲取病斑圖像的HSV圖像后，分別提取H、S、V3個(gè)顏色分量的1階矩(mean)、2階矩(variance)、3階矩(skewness)作為病斑圖像的顏色特征。顏色矩的數(shù)學(xué)公式為[19-20]：

一階矩

(7)

二階矩

(8)

三階矩

(9)

式中Pij——第j個(gè)像素點(diǎn)的第i個(gè)顏色分量N——像素?cái)?shù)量

1.4.2 紋理特征

灰度共生矩陣能夠反映病斑圖像灰度關(guān)于方向、相鄰間隔和變化幅度等綜合信息。本文共計(jì)算熵、能量等5個(gè)病斑圖像的紋理特征[22-23]，計(jì)算公式為：

熵

(10)

能量

(11)

同質(zhì)性

(12)

對(duì)比度

(13)

相關(guān)性

(14)

式中Ci,j——灰度共生矩陣中第i行、j列元素μx、μy——均值σx、σy——方差

1.4.3 形狀特征

本研究根據(jù)病斑圖像特點(diǎn)以及特征的分類穩(wěn)定性，選擇面積、周長(zhǎng)、復(fù)雜度、圓形度共4個(gè)特征作為病斑的形狀特征[6,24]。

病斑面積A

(15)

式中F(i,j)——在點(diǎn)(i,j)處的二值圖的像素(取0或1)

W——二值圖寬度像素?cái)?shù)

H——二值圖高度像素?cái)?shù)

病斑周長(zhǎng)L：區(qū)域邊界全部像素點(diǎn)之和。

病斑圓形度

(16)

病斑復(fù)雜度

(17)

式中k——常數(shù)

同時(shí)，本研究也采用了7個(gè)Hu不變矩[25]特征作為黃瓜病斑的圖像識(shí)別特征。

(18)

綜上所述，本研究采用9個(gè)顏色特征，5個(gè)紋理特征，7個(gè)Hu不變矩特征和4個(gè)形狀特征，共25個(gè)特征作為特征選擇的輸入。

1.4.4 基于粗糙集的特征選擇

粗糙集算法[20]能夠在不影響分類精度的前提下，保留關(guān)鍵屬性，剔除冗余信息，在屬性約簡(jiǎn)方面有很好的處理能力。因此，本研究采用基于遺傳算法的粗糙集屬性約簡(jiǎn)實(shí)現(xiàn)病斑特征的選擇。

1.5 病害分類器

圖3 溫室黃瓜病識(shí)別流程Fig.3 Flow chart of identification of greenhouse cucumber

支持向量機(jī)涉及到的參數(shù)較少，魯棒性較好，計(jì)算效率較高，并且具有過(guò)擬合控制策略以及良好的抗干擾和噪聲能力[20]。由于支持向量機(jī)的準(zhǔn)確度對(duì)于核函數(shù)的選擇依賴程度非常高，因此，構(gòu)建SVM分類器的重點(diǎn)就是選擇一個(gè)合適的核函數(shù)；同時(shí)，核函數(shù)參數(shù)g和懲罰因子c也影響SVM的精度。本系統(tǒng)采用K-fold cross validation方法優(yōu)化這2個(gè)參數(shù)，具體的模型構(gòu)建流程如圖3所示。

2 試驗(yàn)

2.1 試驗(yàn)材料

以溫室黃瓜為例，試驗(yàn)圖像為2016年4月天津市農(nóng)科院植保所農(nóng)業(yè)創(chuàng)新基地日光溫室5號(hào)棚的溫室黃瓜霜霉病圖像，共99幅，圖像均采集于晴天，采集的圖像如圖4所示。本文將采集的數(shù)據(jù)分為2組：訓(xùn)練數(shù)據(jù)60幅和測(cè)試數(shù)據(jù)39幅。

圖4 溫室黃瓜霜霉病圖像Fig.4 Downy mildew images of greenhouse cucumber

本文溫室黃瓜霜霉病診斷系統(tǒng)采用Matlab 2014a與Microsoft Visual C++編程實(shí)現(xiàn)。

2.2 病斑分割

在病斑分割模塊，本文基于Mark Schmidt開(kāi)發(fā)無(wú)向圖模型[26]。點(diǎn)擊導(dǎo)入圖像，可以選擇系統(tǒng)中黃瓜病斑圖像導(dǎo)入系統(tǒng)中。導(dǎo)入圖像后，在界面右側(cè)選擇分割采用的特征，本系統(tǒng)采用的初始分割特征包括：RGB顏色空間的R、G、B值；HSV顏色空間的H、S、V值；Lab顏色空間的L、a、b值；HSI顏色空間的H、S、I值；YCbCr顏色空間的Y、Cb、Cr值；像素的梯度幅值M和方向Q。

如圖5所示，導(dǎo)入圖像后，在右側(cè)輸入相應(yīng)參數(shù)后點(diǎn)擊選擇訓(xùn)練數(shù)據(jù)集，可以采用相應(yīng)大小的紅色方框在導(dǎo)入圖像中選擇訓(xùn)練數(shù)據(jù)。完成訓(xùn)練數(shù)據(jù)選擇后，可以選擇相應(yīng)的特征。

圖5 病斑分割模塊Fig.5 Disease spots segmentation

從分割結(jié)果可以看出(圖6)，無(wú)論設(shè)施現(xiàn)場(chǎng)的光照條件較強(qiáng)還是光照條件正常，本文算法都能夠準(zhǔn)確地從設(shè)施栽培現(xiàn)場(chǎng)復(fù)雜環(huán)境中實(shí)現(xiàn)病斑分割，為病害的準(zhǔn)確識(shí)別診斷提供良好的數(shù)據(jù)來(lái)源。

為驗(yàn)證本文分割方法的效果，本文采用K均值聚類和OTSU方法作對(duì)比，開(kāi)展對(duì)比分析，采用的數(shù)據(jù)為39幅測(cè)試圖像，部分分割結(jié)果如圖7所示。

從圖7中可以看出，本文的分割效果明顯優(yōu)于OTSU閾值分割方法和K均值聚類方法。同時(shí)，本文以病斑錯(cuò)分像素率為評(píng)價(jià)指標(biāo)[27]，對(duì)3種分割方法(本文算法、K均值聚類算法、OTSU算法)的分割效果進(jìn)行定量評(píng)價(jià)，錯(cuò)分率為5.46%、34.68%、53.72%，此結(jié)果為39幅圖像錯(cuò)分率的平均值?？梢钥闯觯疚乃惴ǖ腻e(cuò)分率明顯低于另外2種方法，OTSU算法的錯(cuò)分率最高，其次是K均值聚類方法。評(píng)價(jià)結(jié)果進(jìn)一步表明，OTSU和K均值聚類等自動(dòng)分割算法，在設(shè)施栽培的現(xiàn)場(chǎng)通常會(huì)受到光照條件和復(fù)雜背景的干擾而無(wú)法取得理想的分割效果。而本文算法充分考慮了溫室黃瓜栽培現(xiàn)場(chǎng)環(huán)境以及溫室黃瓜霜霉病圖像的特點(diǎn)，可以充分克服設(shè)施栽培現(xiàn)場(chǎng)的光照條件和復(fù)雜背景的影響，能夠準(zhǔn)確的從溫室栽培現(xiàn)場(chǎng)獲取的病害圖像中提取病斑，為病害診斷提供良好的數(shù)據(jù)來(lái)源。

2.3 特征選擇及提取

在獲取病斑圖像后，系統(tǒng)進(jìn)入特征提取功能(圖8)。

圖6 病斑分割結(jié)果Fig.6 Results of disease spots segmentation

圖7 分割方法結(jié)果對(duì)比Fig.7 Segmentation results comparison of different methods

圖8 特征提取模塊Fig.8 Features extraction

點(diǎn)擊讀取圖像按鈕，系統(tǒng)將讀入病斑分割結(jié)果；點(diǎn)擊特征提取按鈕，系統(tǒng)將計(jì)算包括顏色、紋理和形狀在內(nèi)的25個(gè)分類特征，并顯示在右側(cè)。點(diǎn)擊存儲(chǔ)特征按鈕后，系統(tǒng)將特征提取結(jié)果存入數(shù)據(jù)庫(kù)中。在獲取完所有樣本圖像特征后，點(diǎn)擊特征選擇按鈕，系統(tǒng)可根據(jù)目前數(shù)據(jù)庫(kù)中存儲(chǔ)的數(shù)據(jù)進(jìn)行特征選擇，并輸出結(jié)果。當(dāng)輸入的圖像為測(cè)試圖像時(shí)，可直接點(diǎn)擊提取選擇特征，系統(tǒng)將計(jì)算測(cè)試圖像的優(yōu)選特征，并存儲(chǔ)在數(shù)據(jù)庫(kù)中。

2.4 蔬菜病害識(shí)別

病害診斷功能采用LIBSVM實(shí)現(xiàn)[28]，通過(guò)選擇不同的SVM核函數(shù)和懲罰因子c以及核函數(shù)參數(shù)g，可以構(gòu)建不同的SVM分類器。本系統(tǒng)分類器試驗(yàn)訓(xùn)練數(shù)據(jù)為120幅黃瓜葉部病害圖像，其中霜霉病60幅，其他病害60幅；測(cè)試數(shù)據(jù)為39幅黃瓜霜霉病圖像。將病害圖像進(jìn)行分割處理后，提取病斑圖像的優(yōu)選特征作為分類器的輸入，試驗(yàn)選擇的特征包括：H分量一階矩、H分量二階矩、S分量二階矩、H分量三階矩、對(duì)比度、相關(guān)性、熵、一階不變矩、四階不變矩、七階不變矩、圓形度和復(fù)雜度。分類器的輸出為2個(gè)類別：霜霉病和非霜霉病，并且系統(tǒng)還輸出分類器的準(zhǔn)確率。

圖9為黃瓜霜霉病的診斷結(jié)果，在根據(jù)經(jīng)驗(yàn)設(shè)置參數(shù)的情況下，基于徑向基核函數(shù)的SVM分類器準(zhǔn)確率為85%。

圖9 病害診斷模塊Fig.9 Diseases diagnosis

同時(shí)，系統(tǒng)還設(shè)置了參數(shù)尋優(yōu)過(guò)程，通過(guò)交叉驗(yàn)證方法，對(duì)SVM分類器懲罰因子c以及核函數(shù)參數(shù)g進(jìn)行尋優(yōu)，利用優(yōu)化后的2個(gè)參數(shù)構(gòu)建SVM分類器，可以進(jìn)一步提高分類器的準(zhǔn)確率，圖10為參數(shù)尋優(yōu)后，黃瓜霜霉病的診斷結(jié)果。

圖10 優(yōu)化參數(shù)后病害診斷Fig.10 Diseases diagnosis with optimized parameters

經(jīng)過(guò)參數(shù)優(yōu)化計(jì)算后，徑向基SVM分類器的分類準(zhǔn)確率達(dá)到了90%。從總體來(lái)看，準(zhǔn)確率基本滿足要求。

3 結(jié)束語(yǔ)

基于圖像處理及物聯(lián)網(wǎng)技術(shù)，結(jié)合溫室黃瓜栽培現(xiàn)場(chǎng)環(huán)境以及溫室黃瓜霜霉病圖像的特點(diǎn)，提出了基于條件隨機(jī)場(chǎng)的病斑圖像分割方法，構(gòu)建了一套溫室黃瓜霜霉病診斷系統(tǒng)。該方法采用決策樹(shù)模型結(jié)果，擴(kuò)展條件隨機(jī)場(chǎng)一元?jiǎng)莺瘮?shù)，不僅考慮到病斑像素自身特征，還兼顧病斑像素的空間位置關(guān)系；同時(shí)，克服了光照條件的影響，能夠從復(fù)雜背景中準(zhǔn)確提取病斑圖像。在獲取病斑圖像后，本系統(tǒng)提取了包括顏色、紋理和形狀在內(nèi)的25個(gè)特征并進(jìn)行選擇。系統(tǒng)測(cè)試結(jié)果表明，該系統(tǒng)診斷準(zhǔn)確率達(dá)到90%，能夠滿足病害診斷的實(shí)際要求。

1 PUJARI J, YAKKUNDIMATH R, BYADGI A. Image processing based detection of fungal disease in plants [J]. Procedia Computer Science, 2015,46: 1802-1808.

2 PERTOT I, KUFLIK T, GORDON I, et al. Identificator: a web-based tool for visual plant disease identification, a proof of concept with a case study on strawberry [J]. Computers & Electronics in Agriculture, 2012, 84(11):144-154.

3 SANKARAN S, MISHRA A, EHSANI R, et al. A review of advanced techniques for detecting plant diseases [J]. Computers & Electronics in Agriculture, 2010, 72(1):1-13.

4 馬浚誠(chéng), 李鑫星, 張領(lǐng)先,等. 面向葉類蔬菜病害識(shí)別的溫室監(jiān)控視頻采集系統(tǒng)[J/OL]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2015, 46(3):282-287. http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?flag=1&file_no=20150341&journal_id=jcsam. DOI: 10.6041/j.issn.1000-1298.2015.03.041. MA Juncheng, LI Xinxing, ZHANG Lingxian, et al. Monitoring video capture system for identification of greenhouse vegetable diseases[J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2015, 46(3):282-287. (in Chinese)

5 耿長(zhǎng)興, 張俊雄, 曹崢勇,等. 基于色度和紋理的黃瓜霜霉病識(shí)別與特征提取[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2011, 42(3):170-174. GENG Changxing, ZHANG Junxiong, CAO Zhengyong, et al. Recognition and features extraction of cucumber downy mildew based on color and texture [J]. Transactions of the Chinese Society for Agricultural Machinery, 2011, 42(3):170-174. (in Chinese)

6 彭占武, 司秀麗, 王雪,等. 基于計(jì)算機(jī)圖像處理技術(shù)的黃瓜病害特征提取[J]. 農(nóng)機(jī)化研究, 2014(2):179-182. PENG Zhanwu, SI Xiuli, WANG Xue, et al. Feature extraction of cucumber diseases based on computer image processing technology [J]. Journal of Agricultural Mechanization Research, 2014(2):179-182. (in Chinese)

7 KRUSE O M O, PRATS-MONTALBN J M, INDAHL U G, et al. Pixel classification methods for identifying and quantifying leaf surface injury from digital images [J]. Computers & Electronics in Agriculture, 2014, 108:155-165.

8 OMRANI E, KHOSHNEVISAN B, SHAMSHIRBAND S, et al. Potential of radial basis function-based support vector regression for apple disease detection [J]. Measurement, 2014, 55(9):512-519.

9 ZHOU R, KANEKO S, TANAKA F, et al. Disease detection of cercospora leaf spot in sugar beet by robust template matching[J]. Computers & Electronics in Agriculture, 2014, 108:58-70.

10 CAMARGO A, SMITH J S. Image pattern classification for the identification of disease causing agents in plants [J]. Computers & Electronics in Agriculture, 2009, 66(2):121-125.

11 ZHANG M, MENG Q. Automatic citrus canker detection from leaf images captured in field [J]. Pattern Recognition Letters, 2011, 32(15):2036-2046.

12 STEGMAYER G, MILONE D H, GARRAN S, et al. Automatic recognition of quarantine citrus diseases[J]. Expert Systems with Applications, 2013, 40(9):3512-3517.

13 ZHANG W, TENG G, WANG C. Identification of jujube trees diseases using neural network [J]. Optik - International Journal for Light and Electron Optics, 2013, 124(11):1034-1037.

14 錢(qián)生, 陳宗海, 林名強(qiáng),等. 基于條件隨機(jī)場(chǎng)和圖像分割的顯著性檢測(cè)[J]. 自動(dòng)化學(xué)報(bào), 2015, 41(4):711-724. QIAN Sheng,CHEN Zonghai,LIN Mingqiang, et al. Saliency detection based on conditional random field and image segmentation[J]. Acta Automatica Sinica, 2015, 41(4):711-724. (in Chinese)

15 MUSTAFA G U, CHAO C, DIMITRIS M. An efficient conditional random field approach for automatic and interactive neuron segmentation [J]. Medical Image Analysis, 2016, 27: 31-44.

16 GUO W, RAGE U K, NINOMIYA S. Illumination invariant segmentation of vegetation for time series wheat images based on decision tree model[J]. Computers and Electronics in Agriculture, 2013, 96(6): 58-66.

17 CHAO W H, CHEN Y Y, CHO C W, et al. Improving segmentation accuracy for magnetic resonance imaging using a boosted decision tree[J]. Journal of Neuroscience Methods, 2008, 175(2):206-217.

18 MA J, LI X, WEN H, et al. A key frame extraction method for processing greenhouse vegetables production monitoring video [J]. Computers and Electronics in Agriculture, 2015, 111:92-102.

19 傅澤田，蘇 葉，張領(lǐng)先，等. 基于自適應(yīng)雙閾值的蔬菜病害知識(shí)視頻分割方法[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2013，29(9)：148-155. FU Zetian, SU Ye, ZHANG Lingxian, et al. Method of video segmentation for vegetable disease based on self-adaptive dual thresholds [J]. Transactions of the CSAE, 2013, 29(9): 148-155. (in Chinese)

20 張建華, 祁力鈞, 冀榮華,等. 基于粗糙集和BP神經(jīng)網(wǎng)絡(luò)的棉花病害識(shí)別[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2012, 28(7):161-167. ZHANG Jianhua, QI Lijun, JI Ronghua, et al. Cotton diseases identification based on rough sets and BP neural network[J]. Transactions of the CSAE, 2012, 28(7): 161-167. (in Chinese)

21 許良鳳, 徐小兵, 胡敏, 等. 基于多分類器融合的玉米葉部病害識(shí)別[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2015, 31(14): 194-201. XU Liangfeng, XU Xiaobing, HU Min, et al. Corn leaf disease identification based on multiple classifiers fusion[J]. Transactions of the CSAE, 2015, 31(14): 194-201. (in Chinese)

22 袁媛, 陳雷, 吳娜,等. 水稻紋枯病圖像識(shí)別處理方法研究[J]. 農(nóng)機(jī)化研究, 2016(6): 84-87，92. YUAN Yuan, CHEN Lei, WU Na, et al. Research of rice sheath blight based on image processing [J]. Journal of Agricultural Mechanization Research, 2016(6): 84-87,92. (in Chinese)

23 王獻(xiàn)鋒, 張善文, 王震, 等. 基于葉片圖像和環(huán)境信息的黃瓜病害識(shí)別方法[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2014, 30(14): 148-153. WANG Xianfeng, ZHANG Shanwen, WANG Zhen, et al. Recognition of cucumber diseases based on leaf image and environmental information [J]. Transactions of the CSAE, 2014, 30(14): 148-153. (in Chinese)

25 陳亞軍, 趙博, 李樹(shù)君,等. 基于多特征的雜草逆向定位方法與試驗(yàn)[J/OL]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2015, 46(6):257-262. http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?flag=1&file_no=20150637&journal_id=jcsam. DOI: 10.6041/j.issn.1000-1298.2015.06.037. CHEN Yajun, ZHAO Bo, LI Shujun, et al. Weed reverse positioning method and experiment based on multi-feature [J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2015, 46(6):257-262. (in Chinese)

26 SCHMIDT M. UGM: A Matlab toolbox for probabilistic undirected graphical models[EB/OL][2016-05-01]. http:∥www.cs.ubc.ca/～schmidtm/Software/UGM.html, 2007.

27 田杰, 韓冬, 胡秋霞,等. 基于PCA和高斯混合模型的小麥病害彩色圖像分割[J/OL]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2014, 45(7):267-271. http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?flag=1&file_no=20140741&journal_id=jcsam. DOI: 10.6041/j.issn.1000-1298.2014.07.041. TIAN Jie, HAN Dong, HU Qiuxia, et al. Segmentation of wheat rust lesionimage using PCA and gaussian mix model[J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2014, 45(7):267-271. (in Chinese)

28 CHANG C C, LIN C J. LIBSVM: a library for support vector machines [J]. Acm Transactions on Intelligent Systems & Technology, 2011, 2(3):389-396.

Downy Mildew Diagnosis System for Greenhouse Cucumbers Based on Image Processing

MA Juncheng1WEN Haojie2LI Xinxing1,2FU Zetian2Lü Xiongjie3ZHANG Lingxian1

(1.CollegeofInformationandElectricalEngineering,ChinaAgriculturalUniversity,Beijing100083,China2.BeijingLaboratoryofFoodQualityandSafety,Beijing100083,China3.InformationInstitute,TianjinAcademyofAgriculturalSciences,Tianjin300192,China)

Downy mildew is one of the most common diseases suffered by greenhouse cucumbers, which may decrease the quality of greenhouse cucumbers and cause great economical loss to the farmers. In order to increase the accuracy of downy mildew diagnosis for greenhouse cucumbers, a downy mildew diagnosis system for greenhouse cucumbers was designed based on image processing. Focusing on the disease spots images captured in greenhouse field, the conditional random fields (CRF) based on segmentation method was utilized for the system to achieve disease spots images. When building the CRF model, decision tree model was used to extend unary potential function, which could effectively improve the accuracy of segmentation. The post-segmentation images and the disease spots images were transferred to HSV color space, and then 25 features, including color, texture and morphology features, were extracted. A subset of features was generated by rough set method. Finally, the RBF based SVM was used for the system to identify the greenhouse cucumber downy mildew. Taking cucumber downy mildew images obtained in greenhouse from agricultural innovation base of institute of plant protection, Tianjin academy of agricultural sciences as an example, the system was tested. The results showed that the segmentation method used by the system could effectively segment the disease spots images, which managed to overcome the noise caused by the illumination and complex background. A subset of 12 features was obtained by rough set method from the original feature set of 25 features, which improved the efficiency of the system. The identification accuracy of cucumber downy mildew reached 90%, which indicated that the downy mildew diagnosis system could meet the requirement of identification for greenhouse cucumbers.

greenhouse cucumbers; downy mildew; diagnosis system; image processing; conditional random fields; decision tree

10.6041/j.issn.1000-1298.2017.02.026

2016-05-11

2016-08-02

國(guó)家自然科學(xué)基金項(xiàng)目(31271618)、北京市葉類蔬菜產(chǎn)業(yè)創(chuàng)新團(tuán)隊(duì)建設(shè)項(xiàng)目(BAIC07-2016)和天津市科技支撐計(jì)劃項(xiàng)目(15ZCZDNC00120)

馬浚誠(chéng)(1987—)，男，博士生，主要從事農(nóng)業(yè)信息技術(shù)研究，E-mail: majunchengll@126.com

張領(lǐng)先(1970—)，男，教授，博士生導(dǎo)師，主要從事農(nóng)業(yè)信息化技術(shù)研究，E-mail: zhanglx@cau.edu.cn

S436.36; TN941.1

A

1000-1298(2017)02-0195-08