羅匡男， 彭 琳， 齊偉恒

(云南農(nóng)業(yè)大學(xué)云南省高校農(nóng)業(yè)信息化重點(diǎn)實(shí)驗(yàn)室，云南昆明 650201)

三七是我國(guó)的名貴中草藥，屬典型的陰生植物，必須在人為遮陰條件下進(jìn)行栽培[1]，其特殊的生長(zhǎng)環(huán)境，常誘發(fā)各種病害。圓斑病與黑斑病近年來已成為三七地上部分的主要病害，且已成為眾多三七科研工作者的研究熱點(diǎn)[2]。三七病害的診斷也成為刻不容緩的問題，其中楊濤等通過建立人工抗病性鑒定方法來診斷三七的黑斑病[3]；王志敏等通過人工檢疫法來識(shí)別三七的黑斑病和圓斑病[2]。以往的三七病斑識(shí)別都是人為識(shí)別或者生物試劑識(shí)別，這些傳統(tǒng)的識(shí)別方法往往很難實(shí)現(xiàn)且時(shí)效性差，給廣大三七種植戶帶來了較大的經(jīng)濟(jì)影響。人工智能技術(shù)和農(nóng)業(yè)信息化技術(shù)的不斷發(fā)展，使得用圖像處理和模式識(shí)別對(duì)作物病害進(jìn)行識(shí)別成為可能。1989年穗波信雄等利用計(jì)算機(jī)視覺技術(shù)分別對(duì)缺乏鈣、鐵、鎂營(yíng)養(yǎng)元素的茨菇葉片進(jìn)行了基礎(chǔ)研究[4]；2009年Carmargo等采用圖像處理的方法識(shí)別植物病害的視覺特征[5]；2014年劉濤等通過計(jì)算機(jī)視覺技術(shù)對(duì)水稻病斑進(jìn)行特征提取和識(shí)別[6]，這些國(guó)內(nèi)外研究為機(jī)器視覺識(shí)別植物病害提供了理論和實(shí)踐基礎(chǔ)，然而在三七葉片病斑識(shí)別方面卻鮮見通過機(jī)器視覺方法對(duì)病斑進(jìn)行自動(dòng)識(shí)別的研究。在此背景下，本試驗(yàn)主要針對(duì)三七在雨季常發(fā)的2種病害(黑斑病、圓斑病)的自動(dòng)識(shí)別進(jìn)行研究。

1 材料與方法

1.1 材料

本研究的樣本為三七發(fā)病率較高的黑斑病、圓斑病(三七發(fā)病率較高的2種病)的圖片。病斑圖片是在云南農(nóng)業(yè)大學(xué)農(nóng)學(xué)院三七研究實(shí)驗(yàn)室的幫助下進(jìn)行采集的。由于受光照不均或者其他外界環(huán)境的影響，采集的圖片即使經(jīng)過預(yù)處理也很難去除圖像的陰影和噪聲，因此需要將采集后的圖片進(jìn)行人工選取，選擇光照較均勻的圖片作為樣本。選取黑斑病、圓斑病的病斑葉片圖片各60張，共計(jì)120個(gè)樣本。

1.2 PPED特征提取算法

本研究采用東京大學(xué)Shibata教授團(tuán)隊(duì)提出的一組基于方向邊緣對(duì)圖像和視頻中關(guān)鍵特征進(jìn)行提取和表示的方法進(jìn)行樣本圖片特征提取。其中Yagi博士等提出的投影主要邊緣分布(projected prcipal-edge distribution，簡(jiǎn)稱PPED)特征[7]是一種較優(yōu)的全局特征表示方法，能夠?qū)⒎直媛蕿?4×64的圖像(或圖像的局部區(qū)域)通過1個(gè)64維的特征向量進(jìn)行表示。相比于其他全局特征提取算法，Yagi博士等提出的PPED特征提取方法具有提取速度快、獲取的向量維度較低且在硬件電路上的實(shí)現(xiàn)比較容易等優(yōu)點(diǎn)。

算法的具體實(shí)現(xiàn)包括圖片的預(yù)處理、特征向量的計(jì)算、特征向量的濾波等步驟。

1.2.1 三七圖片預(yù)處理 圖像在進(jìn)行特征提取前需進(jìn)行預(yù)處理，這里主要是將其轉(zhuǎn)化為分辨率64×64的灰度圖像。圖1為三七黑斑病葉片的原圖像，圖2為經(jīng)過上述處理后的圖像。

1.2.2 邊緣檢測(cè)

1.2.2.1 給定模板卷積 為檢測(cè)4個(gè)方向的邊緣信息，這里給定了水平、垂直、正負(fù)45°方向的卷積模板(圖3)。依次用卷積模板與目標(biāo)圖像中的每個(gè)5×5區(qū)域進(jìn)行卷積運(yùn)算，對(duì)于圖像邊緣的像素，為了方便卷積運(yùn)算，可以把圖像分辨率擴(kuò)展為68×68，多余的部分都補(bǔ)充為0。4個(gè)方向的模板都卷積完成后，即可得到4個(gè)方向上包含邊緣信息的矩陣。圖4為卷積后的輸出圖像。

1.2.2.2 動(dòng)態(tài)閾值 利用閾值運(yùn)算法(閾值法)提取邊緣檢測(cè)出來的形狀，閾值的選取對(duì)最終結(jié)果有很大的影響。這里采用的是動(dòng)態(tài)閾值法，具體的思路是在目標(biāo)圖像的5×5區(qū)域塊中，分別計(jì)算各相鄰像素水平方向、垂直方向數(shù)值差的絕對(duì)值。計(jì)算完畢后，可以得到40個(gè)值，然后求出這40個(gè)值的中值(t)，該中指即為動(dòng)態(tài)閾值。1個(gè)點(diǎn)與4個(gè)方向的模板卷積后得到4個(gè)值，分別記為b、c、d、e，用max_con表示4個(gè)值中的最大值。當(dāng)max_con大于t時(shí)，則最大值所在方向的對(duì)應(yīng)值設(shè)為1，其他方向?yàn)?；當(dāng)max_con小于t時(shí)，則4個(gè)方向的值都設(shè)為0，最終可以得到4個(gè)對(duì)應(yīng)值都是1或0、分辨率為64×64的矩陣，4個(gè)矩陣分別用Br、Cr、Dr、Er來表示，圖5為動(dòng)態(tài)閾值后的圖像。

1.2.3 特征向量計(jì)算

1.2.3.1 水平方向 把Br的每行元素相加得到64個(gè)數(shù)據(jù)，用cCrPositive 45表示，再把這64個(gè)數(shù)據(jù)中連續(xù)的4個(gè)數(shù)據(jù)相加得到16個(gè)數(shù)據(jù)，存入bBrTemp。

1.2.3.2 垂直方向 把Dr的每行元素相加得到64個(gè)數(shù)據(jù)，再把這64個(gè)數(shù)據(jù)中連續(xù)的4個(gè)數(shù)據(jù)相加得到16個(gè)數(shù)據(jù)，存入dDrTemp。

1.2.3.3 正45°方向 該方向的處理比水平方向和垂直方向復(fù)雜。把正45°方向的所有數(shù)據(jù)相加，得到127個(gè)數(shù)據(jù)，存入positive45中，并采用公式(1)進(jìn)行數(shù)據(jù)處理，公式中positive45代表正45°方向投影向量，k代表向量維數(shù)。最終得到64個(gè)數(shù)據(jù)，用cCrPositive 45表示，再把64個(gè)數(shù)據(jù)中連續(xù)的4個(gè)數(shù)據(jù)相加得到16個(gè)數(shù)據(jù)，存入cCrTemp。

cCrPositive45(k)=positive45(2×k)/2+positive45(2×k+1)+prositive45(2×k+2)/2；

k=0 ∶63；

positive45(0)=positive45(128)=0。

(1)

1.2.3.4 負(fù)45°方向 處理過程和正45°方向類似，最后把處理完的數(shù)據(jù)存入eErTemp中。最終得到的特征向量如圖6所示。

1.2.4 特征向量濾波 由于向量中的高頻成分可影響圖像匹配時(shí)的準(zhǔn)確性，因此要對(duì)不同方向的特征向量進(jìn)行濾波處理。濾波時(shí)有2種選擇，一種是只對(duì)水平和垂直方向的向量進(jìn)行濾波；另一種是完全濾波，即對(duì)4個(gè)方向的特征向量都進(jìn)行濾波處理。經(jīng)過對(duì)比試驗(yàn)，完全濾波的效果更佳。對(duì)特征向量進(jìn)行濾波后的結(jié)果如圖7所示。

以水平方向?yàn)槔瑸V波后的值用bFilter表示，其濾波公式為

bFilter(k)=bBrTemp(k-1)/4+bBrTemp(k)/2+bBrTemp(k+1)/4；

k=1 ∶16；

bBrTemp(0)=bBrTemp(17)=0。

(2)

1.3 基于聚類算法的圖像識(shí)別

通過投影主要邊緣分布方法提取出圖像的特征向量后，利用機(jī)器學(xué)習(xí)中的聚類算法來區(qū)分不同特征的圖像。學(xué)習(xí)分為有監(jiān)督學(xué)習(xí)和無(wú)監(jiān)督學(xué)習(xí)，聚類算法屬于無(wú)監(jiān)督學(xué)習(xí)。聚類算法的實(shí)質(zhì)是對(duì)未知所屬類數(shù)據(jù)進(jìn)行分組，將相似的數(shù)據(jù)分為同一組，不相似的數(shù)據(jù)在不同組。k-means算法是聚類算法的典型代表，該算法計(jì)算聚類的相似度是基于簇中對(duì)象的平均值來進(jìn)行的[8-10]。

1.3.1k-means 本研究使用k-means算法識(shí)別三七病斑的具體步驟為：

(1)從120個(gè)三七病斑特征向量中，任意選取2個(gè)向量作為初始中心點(diǎn)；

(2)分別計(jì)算剩余118個(gè)向量到這2個(gè)中心點(diǎn)的距離d，本研究使用歐幾里得距離，其計(jì)算公式為

(3)

(3)找到每個(gè)向量的最小距離d，將其歸入到與中心點(diǎn)相同的簇中；

(4)遍歷完所有向量后，重新選擇每個(gè)簇的中心點(diǎn)；

(5)重復(fù)步驟(2)、(3)、(4)，這個(gè)過程循環(huán)進(jìn)行，直到最后1次選擇的中心點(diǎn)和倒數(shù)第2次選擇的中心點(diǎn)相同。

1.3.2k-means++ 由于k-means聚類算法的初始中心點(diǎn)是隨機(jī)選取，所以聚類的結(jié)果屬于局部最優(yōu)值。而Arthur等提出的k-means++算法[11-13]，可以很好地解決這個(gè)問題，該方法改進(jìn)了初始中心點(diǎn)的選取方法，使聚類結(jié)果可以獲取全局最優(yōu)值。k-means++算法的基本步驟：

(1)從給定數(shù)據(jù)集X中隨機(jī)選取1個(gè)簇中心點(diǎn)A1；

(3)重復(fù)執(zhí)行步驟(2)，直到k個(gè)聚類都被選完為止；

(4)以選取簇中心點(diǎn)使用k-means算法進(jìn)行聚類。

算法的本質(zhì)是在選擇初始簇中心時(shí)，選擇距離絕對(duì)值最大的向量作為初始簇中心點(diǎn)。本研究在使用k-means++算法的過程中首先從輸入的120個(gè)特征向量中隨機(jī)選擇1個(gè)向量作為第1個(gè)簇中心點(diǎn)，對(duì)于其他119個(gè)特征向量，計(jì)算與第1個(gè)簇中心點(diǎn)的距離D，選擇較大距離D的向量作為第2個(gè)簇中心點(diǎn)，使用這2個(gè)簇中心點(diǎn)運(yùn)行標(biāo)準(zhǔn)的k-means算法。

2 三七病斑圖片識(shí)別

2.1 特征提取試驗(yàn)

圖像中包含大量的信息，對(duì)圖像進(jìn)行處理時(shí)，為方便處理，都需要通過某種方式來提取圖像信息中最能代表該圖像獨(dú)特特征的信息，同時(shí)去除掉大量冗余的信息。這樣在后序的處理過程中就可以節(jié)省大量的資源，從而快速提高數(shù)據(jù)處理的速度。特征提取是圖像處理中的第1步，選取合適的特征進(jìn)行提取和特征表述算法對(duì)于后序的處理有著至關(guān)重要的作用。將使用PPED特征提取方法提取的2種類型的病斑特征向量圖進(jìn)行對(duì)比，由圖8可以看出，此算法可將分辨率 64×64的圖片用64維特征向量表示。

2.2 分類試驗(yàn)

為避免結(jié)果的隨機(jī)性，確保試驗(yàn)的準(zhǔn)確性和可靠性，試驗(yàn)分4組進(jìn)行，其中前3組由每類三七圖片各選20張組成，最后1組把所有的三七圖片進(jìn)行分類識(shí)別，最終的試驗(yàn)結(jié)果見表1。由表1可知，每組的識(shí)別率都在80%以上，其中黑斑病的平均識(shí)別率為85.825%，圓斑病的平均識(shí)別率為 90.425%，說明本算法在三七病斑的分類識(shí)別上有良好的效果。

表1 不同樣本組的識(shí)別結(jié)果

3 結(jié)論

本研究通過對(duì)三七的雨季常見病(黑斑病，圓斑病)圖片進(jìn)行采集，并采用機(jī)器視覺的方法對(duì)這2種病進(jìn)行識(shí)別，解決了傳統(tǒng)人工識(shí)別時(shí)效性差的缺點(diǎn)，為三七黑斑病和圓斑病的快速識(shí)別提供了一種有效的方法和途徑。

使用投影主要邊緣分布(PPED)特征法提取三七病斑的特征向量，與傳統(tǒng)的特征提取方法相比，PPED特征提取和表示方法的運(yùn)算復(fù)雜度低，特征的辨識(shí)能力強(qiáng)，適用于硬件電路上的運(yùn)算。

使用結(jié)合k-means++的k-means算法進(jìn)行病斑識(shí)別，平均識(shí)別率為85.825%，達(dá)到了較好的識(shí)別效果。

[1]林良斌，劉彥中，楊志新. 植物基因工程在應(yīng)用中存在的問題及對(duì)策[J]. 云南農(nóng)業(yè)大學(xué)學(xué)報(bào)，2001，16(2)：144-147.

[2]王志敏，皮自聰，羅萬(wàn)東，等. 三七圓斑病和黑斑病及其防治[J]. 農(nóng)業(yè)與技術(shù)，2016，36(1)：49-51，53.

[3]楊 濤，陳昱君，段承俐，等. 三七黑斑病抗性人工鑒定方法的建立[J]. 云南農(nóng)業(yè)大學(xué)學(xué)報(bào)，2006，21(5)：549-553，559.

[4]賴軍臣，李少昆，明 博，等. 作物病害機(jī)器視覺診斷研究進(jìn)展[J]. 中國(guó)農(nóng)業(yè)科學(xué)，2009，42(4)：1215-1221.

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

[6]劉 濤，仲曉春，孫成明. 基于計(jì)算機(jī)視覺的水稻葉部病害識(shí)別研究[J]. 中國(guó)農(nóng)業(yè)科學(xué)，2014，47(4)：664-674.

[7]Yagi M，Shibata T. An image representation algorithm compatible with neural-associative-processor-based hardware recognition systems[J]. IEEE Trans Neural Networks，2003，14(5)：1144-1161.

[8]Zhu Q，Yeh M C，Cheng K T，et al. Fast human detection using a cascade of histograms of oriented gradients[C]. IEEE Computer Society Conference on Computer Vision and Pattern Recognition，2006：1491-1498.

[9]Shi C，Yang J，Han Y，et al. A 1000 fps vision chip based on a dynamically reconfigurable hybrid architecture comprising a PE array processor and self-organizing map neural network[J]. IEEE Journal of Solid-State Circuits，2014，49(9)：2067-2082.

[10]Kanungo T，Mount D M，Netanyahu N S，et al. An efficientk-means clustering algorithm：analysis and implementation[J]. IEEE Transactions on Pattern Analysis and Machine Inbelligence，2002，24(7)：881-892.

[11]Arthur D，Vassilvitskii S.k-means++：the advantages of careful seeding[C]. Proceedings of the Eighteenth Annual ACM-SIAM Symposium on Discrete Algorithms，2007：1027-1035.

[12]岑梓源，李 彬，田聯(lián)房. 基于k-means++聚類的體繪制高維傳遞函數(shù)設(shè)計(jì)方法[J]. 計(jì)算機(jī)應(yīng)用，2012，32(12)：3404-3407.

[13]鄧?yán)^忠，李 敏，袁之報(bào)，等. 基于圖像識(shí)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(bào)，2012，28(3)：172-176.