張領先，李鑫星

（中國農(nóng)業(yè)大學，北京 100193）

“菜籃子工程”是我國重大的民生工程。蔬菜在種植過程中會受到其他生物的侵害或不適宜環(huán)境的影響而產(chǎn)生病害，造成蔬菜品質(zhì)下降和產(chǎn)量減損，直接影響效益?？刂婆c解決蔬菜病害問題的關鍵在于如何對蔬菜病害發(fā)生進行早期識別診斷與預警，尤其是對蔬菜病害的誘導環(huán)境因素進行全面監(jiān)測、合理干預和有效調(diào)控。針對目前蔬菜生產(chǎn)過程中存在的病害誘導環(huán)境難于控制、識別診斷不及時、危害嚴重等問題，項目組重點系統(tǒng)地研究了蔬菜病害產(chǎn)生機理、表現(xiàn)特征以及與環(huán)境因素的相關性，開展了基于物聯(lián)網(wǎng)的蔬菜環(huán)境信息監(jiān)測與控制、基于視頻特征的蔬菜病害實時監(jiān)測與預警、基于葉面圖像特征的蔬菜病害遠程診斷等主動信息服務技術(shù)的研究?，F(xiàn)將技術(shù)的研究原理與應用介紹如下。

1 基于物聯(lián)網(wǎng)技術(shù)的蔬菜環(huán)境信息智能采集與監(jiān)測

通過系統(tǒng)分析蔬菜病害與環(huán)境因素的關系，采用蔬菜環(huán)境信息監(jiān)測指標與基于視頻的蔬菜病害監(jiān)測相結(jié)合的方法，對溫室傳感器及攝像頭的設備參數(shù)、布設和采集方案進行設計，建立蔬菜環(huán)境視頻監(jiān)測系統(tǒng)，科學準確地獲取溫室環(huán)境信息，實現(xiàn)了面向病害診斷的蔬菜溫室環(huán)境的全面智能感知。

1.1 蔬菜環(huán)境信息的識別與表達

影響蔬菜自身生長發(fā)育及病害發(fā)生的環(huán)境因素有多種，項目從病害發(fā)生和生長發(fā)育兩個方面系統(tǒng)地、針對性地分析蔬菜生產(chǎn)的影響因素，總結(jié)歸納了6種對蔬菜生產(chǎn)影響較大的環(huán)境信息指標，即空氣溫濕度、土壤溫濕度、二氧化碳濃度、光照強度，并對生產(chǎn)過程進行視頻監(jiān)測[1]。

1.2 蔬菜環(huán)境信息采集方案

針對蔬菜主要的生長特點，提出了蔬菜環(huán)境信息采集方案（包括3個部分：采集方式的選取、采集設備的選取、采集設備的布設方案）[1]。其中，采集方式選取以6種環(huán)境信息監(jiān)測指標為采集對象；采集設備選取的基本原則是要適合于溫室和蔬菜的生長；針對項目所研究的幾種常見蔬菜（包括芹菜、菠菜、生菜、油菜）以及常見溫室的規(guī)格標準設計采集設備（6種傳感器及2種攝像頭）布設方案，如圖1、2所示。

圖1 溫室豎直方向傳感器布設示意圖

圖2 溫室水平方向傳感器布設示意圖

1.3 蔬菜環(huán)境信息的數(shù)據(jù)存儲與實時監(jiān)測

蔬菜生產(chǎn)環(huán)境數(shù)據(jù)的采集為10 min取一次數(shù)據(jù)，對同類型多傳感器則利用基于均值的遞推融合算法進行數(shù)據(jù)融合；構(gòu)建了基于模糊推理與案例檢索的監(jiān)測視頻采集方法，計算傳感器采集的環(huán)境條件指標組合與知識庫中病害產(chǎn)生的環(huán)境條件的相似度（公式1），只要相似度達到0.7以上，即使沒能與案例完全匹配，也可輸出結(jié)果[2]。

式中，A為知識庫中的蔬菜病害案例；A*為傳感器采集的環(huán)境條件組合；S(A,A*)為二者的相似度，其含義為在A*環(huán)境條件下，蔬菜病害案例A的發(fā)病概率；在相似度計算中，wk表示傳感器采集的環(huán)境條件組合中第k個環(huán)境條件的權(quán)重，Wk為第k個環(huán)境條件在知識庫案例中所占的權(quán)重。

2 基于環(huán)境信息的蔬菜病害早期預警

針對蔬菜的病害發(fā)生與不良環(huán)境、病原生物的三角關系，以蔬菜病害產(chǎn)生的環(huán)境機理為理論基礎，通過物聯(lián)網(wǎng)無線監(jiān)測系統(tǒng)來采集環(huán)境數(shù)據(jù)，并以支持向量機為核心算法來構(gòu)建分級預警模型，實現(xiàn)蔬菜的環(huán)境實時監(jiān)測并達到對不同病原分級預警的目的[1]。

2.1 蔬菜病害產(chǎn)生的環(huán)境機理

蔬菜生理病害發(fā)生與不良環(huán)境和病原生物的侵染有關，只有病原生物、寄主植物和一定的環(huán)境條件三者相互配合才能引起病害，即所謂的“病害三角”（Disease Triangle），三者相互依存，其中任何一個因素的變化，均會影響其他兩個因素（圖3）。蔬菜病害多由病毒、細菌、真菌等病原物侵染引起，環(huán)境是連接病原生物與寄主植物的一條紐帶，對植物病害的發(fā)生起著關鍵性的作用。通過建立環(huán)境因素與蔬菜病害的關系模型并實現(xiàn)及時預警，可以顯著地預防并降低蔬菜的發(fā)病率，保障蔬菜的健康生長。

圖3 病害三角關系

2.2 設施蔬菜病害預警模型

蔬菜病害預警采用分級預警的方式，以支持向量機為核心算法來構(gòu)建預警模型，使預警更加及時、可靠、有效，解決以往預警時效性差的問題。該預警方法能夠?qū)崿F(xiàn)對未來環(huán)境數(shù)據(jù)的預測，及時指導農(nóng)戶做好防控工作，預測準確度為91.07%～95.35%。

2.2.1 分級預警

根據(jù)病原入侵蔬菜時間的長短，分別采用即時預警、積時預警和短期預警相結(jié)合的三級預警方法（圖4）。對于病毒這種侵染速度極快的病原物，采用即時預警，當環(huán)境條件處于適宜病原入侵的環(huán)境閾值范圍內(nèi)時，立即進行預警；真菌侵染蔬菜時，真菌孢子需要萌發(fā)并長出芽管才能完成侵染，故對真菌引起的病害采用積時預警，連續(xù)監(jiān)測3 h之內(nèi)的環(huán)境變化，若在持續(xù)的時間內(nèi)，環(huán)境變化范圍均處于適宜病原入侵的環(huán)境閾值范圍內(nèi)，則進行預警；對于沒有具體侵染時間的病害，以其潛育期的時間作為預警的時限，潛育期一般3～15 d不等，對此采用短期預警方法來完成預警。

圖4 分級預警方式

2.2.2 基于支持向量機的預警模型

支持向量機具有較強的逼近能力和泛化能力，有較好的魯棒性。采用以徑向基函數(shù)為核函數(shù)的支持向量機預測模型，有效提高了預測準確率。支持向量機的分類函數(shù)為：

其中，α*i>為支持向量，b*為分類閾值，n為訓練樣本總數(shù)，yi∈{+1,?1}，K（xi·x）為核函數(shù)，選擇徑向基函數(shù)作為核函數(shù)，其公式如下：

x為訓練樣本中的輸入向量，xi為中心點，σ為函數(shù)的寬度參數(shù)。

3 面向病害診斷的蔬菜監(jiān)測視頻關鍵幀提取

采用融合視覺顯著性與在線聚類的算法對監(jiān)控視頻進行分析處理，獲取具有病害病癥的蔬菜監(jiān)測視頻關鍵幀。針對蔬菜監(jiān)測視頻的特點，修改了傳統(tǒng)的IG顯著性計算方法生成幀圖像視覺顯著圖，并利用在線聚類和像素幀平均的方法，實現(xiàn)監(jiān)控視頻的關鍵幀病癥圖像特征提取[3-5]。

3.1 蔬菜監(jiān)測視頻特點分析

通過蔬菜環(huán)境信息采集與監(jiān)測系統(tǒng)采集的視頻數(shù)據(jù)是一段視頻幀序列，研究只需要提取其中最能夠描述視頻內(nèi)容的關鍵幀，并進行后續(xù)處理即可。

因為HSV圖像對光照變化不敏感，可在一定程度上減弱由于光照變化對目標分割產(chǎn)生的影響，因此項目將視頻幀圖像轉(zhuǎn)換為HSV圖像。蔬菜常見病害發(fā)生在葉片部位，因此在提取關鍵幀時，只需計算圖像幀中葉片范圍內(nèi)所包含的信息，利用葉片范圍的圖像信息提取關鍵幀。

3.2 基于蔬菜監(jiān)測視頻特點的IG顯著性檢測算法改進

在像素幀平均算法的基礎上，提出了融合視覺顯著性的改進像素幀平均算法，進行蔬菜監(jiān)測視頻關鍵幀提取：根據(jù)圖像H分量和S分量顏色信息生成視覺顯著圖，提取視頻幀圖像的顯著性區(qū)域，即葉片區(qū)域；獲取的葉片區(qū)域如果含有病斑，則病斑區(qū)域很可能誤作為背景，因此需要對顯著性區(qū)域圖像進行處理，修復丟失的病斑信息；在獲取圖像的葉片區(qū)域后，采用在線聚類的方法對顯著性區(qū)域進行聚類，利用像素幀平均的方法從每一類中提取關鍵幀圖像。在進行視覺顯著圖計算前，首先進行幀間差異度量（圖5），識別攝像頭的運動狀態(tài)，消除具有相同特征的視頻幀圖像的影響，提高算法的效率。

圖5 基于X2直方圖的幀間差異度量

以油菜為例，結(jié)合蔬菜監(jiān)測視頻的特點，針對Achanta.R等提出的IG算法改為HSV顏色空間，利用H和S分量構(gòu)建視覺顯著圖（圖6），其數(shù)學模型如下：

其中，IH和IS分別表示[H]T向量和[S]T向量，IH（x,y），IS（x,y）表示圖像HSV顏色模型的H和S通道經(jīng)過高斯濾波后的對應值。為歐氏距離，a＞0，b≤1為2個待定參數(shù)，決定H和S分量在顯著圖計算中所占的比例。

3.3 基于在線聚類的關鍵幀提取

項目采用在線聚類方法來提取關鍵幀，一旦幀圖像的顯著性區(qū)域計算完成，將直接進入在線聚類的流程，而不需要等所有的幀圖像顯著性區(qū)域計算完成。利用像素幀平均方法從每一個聚類中提取關鍵幀圖像。假設顯著性區(qū)域SRi內(nèi)含有M×N個像素點，其坐標為（Xp,Yq），p=1,2,3…M，q=1,2,3…N，則顯著性區(qū)域像素平均值的計算公式為：

其中，A（Li）為第i幀圖像顯著性區(qū)域SRi像素平均值，f（Xp,Yq）為點（Xp,Yq）處的灰度值。n幀圖像的顯著性區(qū)域像素平均值的平均值，即標準值計算公式為：

計算每一幀圖像顯著性區(qū)域像素平均值A（Li）與標準值之間的差值，其計算公式為：

當Di取最小值時，則第i幀即為該視頻片段的關鍵幀。

圖6 基于視覺顯著性的圖像分割結(jié)果

4 基于葉面圖像特征的蔬菜病害遠程診斷

選擇圖像的顏色與紋理特征作為葉面病害識別的病癥圖像信息特征，顏色特征選取了HSV模型的H分量，其高對比輸出可明顯區(qū)分葉面病斑圖像，紋理特征選擇灰度共生矩陣，計算出對應的特征值，通過核FISHER判別完成病害識別診斷過程。結(jié)合蔬菜病害知識庫，有效提高蔬菜病害診斷的準確率。

4.1 葉面圖像特征提取

首先將病害圖像從RGB模型轉(zhuǎn)換為機器視覺更易識別的HSV模型。轉(zhuǎn)化所獲得顯示目標圖像的H分量圖。所獲得的分量圖可對圖像的病癥信息清楚地描述。隨后通過高斯濾波對圖像進行降噪處理。高斯濾波降噪的過程包括對整幅圖像進行加權(quán)平均，每一個像素點的值都由其本身和鄰域內(nèi)的其他像素值經(jīng)過加權(quán)平均后得到?？梢杂靡粋€模板（或稱卷積、掩模）掃描圖像中的每一個像素，用模板確定的鄰域內(nèi)像素的加權(quán)平均灰度值去替代模板中心像素點的值，從而達到降低圖像噪聲的效果。對降噪后的病害圖像H分量圖采用統(tǒng)計型紋理特征提取模型——灰度共生矩陣進行紋理特征提取[6-8]。

4.2 基于核FISHER判別的病害識別

依據(jù)紋理特征值的相關性，將選擇的圖像紋理特征值輸入判定函數(shù)進行參數(shù)計算。對于基于核函數(shù)的FISHER判別方法，分界閾值點的計算公式為：

其中，為投影后的各類別均值。根據(jù)判別函數(shù)與閾值點進行決策分類，病癥具體特征化值根據(jù)蔬菜葉面病害知識庫中的病害知識獲得，包括每種病害的病斑顏色、形狀、大小、特征以及病害發(fā)生蔓延方式的情況[9]。

5 面向蔬菜病害識別、診斷與預警的農(nóng)業(yè)物聯(lián)網(wǎng)技術(shù)應用與前景

5.1 面向蔬菜病害識別、診斷與預警的農(nóng)業(yè)物聯(lián)網(wǎng)技術(shù)應用案例

與中農(nóng)富通公司展開設施農(nóng)業(yè)智能監(jiān)測與控制研究，在其通州基地（北京國際都市農(nóng)業(yè)科技園）選取3個日光溫室和1個連棟溫室進行設備布設和相關研究實驗，構(gòu)建出設施農(nóng)業(yè)智能監(jiān)測與控制平臺。開發(fā)了設施蔬菜環(huán)境監(jiān)測與自動控制平臺的電腦和手機客戶端（圖7），設計了智能監(jiān)測、短信報警、遠程控制、歷史數(shù)據(jù)和系統(tǒng)管理五大模塊，利用互聯(lián)網(wǎng)可以實現(xiàn)對CO2濃度、光照、溫度、濕度等環(huán)境參數(shù)信息的遠程獲取及卷簾機、通風機等設備的操控，實現(xiàn)設施蔬菜栽培管理自動化。同時，初步實現(xiàn)了設施葉類蔬菜生長環(huán)境及視頻圖像的實時監(jiān)測，實現(xiàn)了基于環(huán)境信息的蔬菜病害早期預警、基于視頻監(jiān)測的蔬菜病害實時診斷與基于彩信的蔬菜病害遠程診斷（圖8）。

圖7 設施葉類蔬菜環(huán)境監(jiān)測與控制平臺界面（手機版）

圖8 基于彩信的蔬菜病害遠程診斷結(jié)果手機報制作界面

5.2 面向蔬菜病害識別、診斷與預警的農(nóng)業(yè)物聯(lián)網(wǎng)技術(shù)前景

設施蔬菜栽培是我國重要的蔬菜生產(chǎn)形式，對設施蔬菜病害進行早期預警尤為重要?，F(xiàn)有設施蔬菜病害預警方法，存在算法單一、模型時效性準確性不高、通用性差等諸多問題，傳統(tǒng)的蔬菜病害預警大多依靠農(nóng)民經(jīng)驗或?qū)＜抑R進行病害預測，由于病原對于設施蔬菜的侵染具有侵染途徑多樣、傳播速度快等特點，傳統(tǒng)預警方法不能滿足準確、及時、快速、有效的預防需求。隨著物聯(lián)網(wǎng)傳感器、電鏡及光譜等技術(shù)的發(fā)展與成熟，為設施蔬菜病害預警提供了更有效的技術(shù)支撐，使得對蔬菜病害進行及時有效且準確率高的預警成為可能，但目前的研究仍存在一些不足。通過傳感器及物聯(lián)網(wǎng)可以精確獲取蔬菜生長環(huán)境數(shù)據(jù)，并通過這些數(shù)據(jù)在一定程度上指導蔬菜種植與生產(chǎn)，但現(xiàn)有研究對于這些環(huán)境數(shù)據(jù)的利用率仍然不高。電鏡、光譜等技術(shù)發(fā)展迅速，在植物病害識別領域應用較為成熟，但在植物病害預警領域應用較為薄弱。蔬菜病害發(fā)生往往是由多種因素共同影響的結(jié)果，而目前的研究相互孤立，沒有進行綜合分析與處理，在實際生產(chǎn)中并未將蔬菜生長環(huán)境、病原與蔬菜病害發(fā)生情況及流行趨勢行之有效地結(jié)合起來，因此很難做到精確預警。因此，現(xiàn)有設施蔬菜病害預警研究難以做到兼顧時效性和準確性。

綜合應用物聯(lián)網(wǎng)、電子顯微、光譜等技術(shù)，并結(jié)合機器學習算法，可有效提高預警時效性和準確性。蔬菜病害預警是一個復雜的過程，快速精準的預警可以為蔬菜的健康生長提供有利的保障。植物病害三角原理闡述了病害發(fā)生與環(huán)境、病原、寄主植物三者間的關系，深入研究“病害三角”，有助于系統(tǒng)掌握蔬菜病害發(fā)生機理，為病害預警研究奠定了理論基礎。如果通過物聯(lián)網(wǎng)傳感器技術(shù)對蔬菜生長環(huán)境信息進行采集，綜合分析環(huán)境與蔬菜病害的關系，可以提高環(huán)境數(shù)據(jù)的利用率；通過病原孢子顯微圖像處理技術(shù)，可以輔助完成病害預警，在病害發(fā)生初期或者病害還未發(fā)生的時期，及時獲取蔬菜生長環(huán)境中病原孢子的顯微圖像樣本，以準確掌握病害類型并發(fā)布預警信息，提高預警的精確性，為病害提供更直接有效的防治方法；通過光譜檢測技術(shù)，研究病原微生物和蔬菜的相互作用機理，可以提高預警的及時性。

綜上所述，如以物聯(lián)網(wǎng)傳感器、電子顯微及光譜檢測等技術(shù)為支撐，綜合分析環(huán)境數(shù)據(jù)、病原孢子圖像及光譜信息，結(jié)合機器學習算法，構(gòu)建設施蔬菜病害預警模型并進行優(yōu)化驗證，可以有效避免單一預警方式預警結(jié)果不精確而造成的數(shù)據(jù)資源浪費現(xiàn)象，提高預警的時效性和精確度，對于提高我國設施蔬菜產(chǎn)量、質(zhì)量具有重要意義，同時，也為先進信息化技術(shù)在設施農(nóng)業(yè)應用中的探索提供了良好的參考。

[1]王翔宇.設施蔬菜病害環(huán)境監(jiān)測與預警方法研究[D].北京:中國農(nóng)業(yè)大學,2015.

[2]馬浚誠,李鑫星,溫皓杰,等.面向葉類蔬菜病害識別的溫室監(jiān)控視頻采集系統(tǒng)[J].農(nóng)業(yè)機械學報,2015,46(3):82- 87.

[3]馬浚誠.面向葉部病害識別的設施蔬菜監(jiān)控視頻關鍵幀提取方法研究[D].北京:中國農(nóng)業(yè)大學,2016.

[4]MA JC, LI XX, WEN HJ, et al. A Key Frame Extraction Method for processing Greenhouse Vegetables Production Monitoring Video[J]. Computers and Electronics in Agriculture, 2015, 111(1): 92-102.

[5]傅澤田,蘇葉,張領先,等.基于自適應雙閾值的蔬菜病害知識視頻分割方法[J].農(nóng)業(yè)工程學報,2013,29(9):48-155.

[6]毛富煥.于圖像處理的黃瓜葉部病害特征提取及其識別研究[D].北京:中國農(nóng)業(yè)大學,2016.

[7]BAI XB, LI XX, FU ZT, et al. A fuzzy clustering segmentation method based on neighborhood grayscale information for defining cucumber leaf spot disease images[J]. Computers and Electronics in Agriculture,2017,136 :157-165.

[8]馬浚誠,溫皓杰,李鑫星,等.圖像處理的溫室黃瓜霜霉病診斷系統(tǒng)[J]. 農(nóng)業(yè)機械學報, 2017,48(2):195-202.

[9]汪家瑋.基于葉面圖像特征的芹菜病害遠程診斷方法研究[D].北京:中國農(nóng)業(yè)大學,2015.