萬福健　周　輝　武娟娟　李亦哲　肖茂華

基于MATLAB的水稻葉瘟病病害分級的方法

萬福健周輝武娟娟李亦哲肖茂華

（南京農(nóng)業(yè)大學(xué)工學(xué)院江蘇南京210031）

為了減少水稻葉瘟病對水稻的生長狀況的影響而引起大幅減產(chǎn)，文章提出了一種根據(jù)葉瘟病不同受害等級對應(yīng)不同噴灑農(nóng)藥劑量及種類的方法。對獲取到的圖像進行顏色空間變換、灰度化、二值化、形態(tài)學(xué)處理等操作，提取病斑圖像的面積和檢測葉片面積，進而根據(jù)國家規(guī)定的水稻病害等級劃分來衡量所檢測的水稻葉片的葉瘟病程度。

葉瘟??；分級；圖像處理

1 引言

葉瘟病是水稻重要病害之一，可引起大幅度減產(chǎn)，嚴(yán)重時減產(chǎn)40～50 %，甚至顆粒無收。生產(chǎn)上稻瘟病的防治主要是通過噴灑農(nóng)藥來實現(xiàn)[1]，而農(nóng)藥的噴灑往往沒有一個合適的標(biāo)準(zhǔn)去控制，且病害等級不同噴灑農(nóng)藥劑量跟類型也不盡相同。根據(jù)圖像識別病害等級合理選擇農(nóng)藥噴灑劑量跟類型，極大的減少了人力物力成本，減輕環(huán)節(jié)污染。已有的研究包括農(nóng)作物的玉米病害[2～3]、小麥病害[4]等

2 實驗材料獲取

我們于2019年8月，在南京市稻田中采取患有水稻葉瘟病的完整水稻葉片。將葉片置于平整的A4卡紙之上，智能手機固定在三角架上，手機攝像頭位置正對地面葉片部位。獲取有效圖片50 張。圖像處理軟件采用美國Mathworks公司推出的MATLAB2018 a。處理設(shè)備為PC機，基本配置CPU為i5、8G內(nèi)存、256 G硬盤。

3 圖像預(yù)處理

3.1 顏色空間轉(zhuǎn)換

我們所獲取到的圖片是32 位真彩色圖片，這就造成圖片的存儲傳輸?shù)冗^程的數(shù)據(jù)量較為龐大，處理相對麻煩。而YCbCr是通過三元拉組成。Cb和Cr分別表示顏色的藍色濃度偏移量和紅色濃度偏移量。而Cb和Cr的微小偏差對于人體而言是幾乎感覺不到的，所以我們可以使用YCbCr進行子采樣來達到壓縮圖像數(shù)據(jù)量的目的。

首先將事先處理好的RGB圖像轉(zhuǎn)化到Y(jié)CbCr空間中,算法樣式為:

由（1）式，效果見圖2

圖2　YCBCR顏色空間圖片

3.2 圖像二值化

轉(zhuǎn)化到Y(jié)CBCR顏色空間后，由于葉瘟病發(fā)病特征之一就是內(nèi)部為白灰色圓形或橢圓形斑點，外緣為灰褐色圓環(huán)。在此空間中我們可以較為清楚的辨別外緣灰褐色圓環(huán)區(qū)域。通過手動閾值分割確定Y元、Cb元和Cr元三個通道的閾值，其后進行二值化。效果見圖3。

圖3　二值化圖像

3.3 形態(tài)學(xué)處理

我們可以看到，得到的二值化圖像中心部位并未檢測到，且部分圓環(huán)處有缺損，并不能作為最終所需的病斑面積計算數(shù)據(jù)。因此需要進行開運算(先腐蝕后膨脹)，腐蝕膨脹可以有效消除噪聲，在纖細點處分離物體平滑較大物體邊界的同時并不明顯改變其面積。最后調(diào)用MATLAB中的imfill函數(shù)進行空洞填充。最終病斑二值化圖見圖4。

圖4　形態(tài)學(xué)處理

4 病斑面積提取

二值圖像中目標(biāo)的面積A就是目標(biāo)所占像素點的數(shù)目，即區(qū)域的邊界內(nèi)包含的像素點數(shù)。目標(biāo)物A的面積公式如下：

（m、n分別圖像行數(shù)、列數(shù)；f(x,y)為圖像第x行，第y列像素值）

計算出單個葉片最大病斑面積和所有病斑面積之和。根據(jù)計算出的病斑面積與葉片面積比值確定葉瘟病病害等級。

5 水稻稻瘟病抗性評價標(biāo)準(zhǔn)

表1　水稻葉瘟病病害級別及抗性評價標(biāo)準(zhǔn)

得到病害分級標(biāo)準(zhǔn)后，我們可以根據(jù)預(yù)先設(shè)計的算法和獲取到的葉片數(shù)據(jù)進行實驗。算法流程圖見圖5。

圖5　算法流程圖

為了驗證利用上述計算方法及等級分級標(biāo)準(zhǔn)實驗的準(zhǔn)確性，另外二種方法同時進行：一種是人工目測另外一種是對采集到的圖像利用Photoshop軟件進行人工分割病斑，計算病斑面積，然后根據(jù)標(biāo)準(zhǔn)進行定級[5]。實驗樣本數(shù)為30 個。實驗結(jié)果見表2。

表2　三種方法對不同葉片分級結(jié)果

可以看出，本實驗方法與Photoshop分級結(jié)果準(zhǔn)確率在80 %以上，可以代替人眼目測分級的方法，尤其在病害等級相近時，人工目測分級準(zhǔn)確率會更差。

6 小結(jié)

為了解決在給水稻葉瘟病噴灑農(nóng)藥時的定量定類問題，減輕環(huán)境污染。我們通過獲取稻田病害葉片圖像，在對圖片進行剪裁、壓縮、圖像處理后，根據(jù)葉瘟病病害等級分級標(biāo)準(zhǔn)建立葉瘟病分級標(biāo)準(zhǔn)算法。通過人工目測和Photoshop計算分級方法驗驗證本實驗方法的可靠性較高，平均正確分級率在83.3 %。

[1]殷春淵,劉賀梅,王書玉,等.一種苗期鑒定水稻稻瘟病的技術(shù)和方法[J].安徽農(nóng)業(yè)科學(xué),2019,47(20),138-141+168.

[2]葛婧,邵陸壽,丁克堅,等.玉米小斑病病害程度圖像檢測[J].農(nóng)業(yè)機械學(xué)報,2008,39(1):114-117.

[3]趙玉霞,王克如,白中英,等.基于圖像識別的玉米葉部病害診斷研究[J].中國農(nóng)業(yè)科學(xué),2007,40(4):698-703.

[4]MoshouD,BravoC,WestJ,etal.Automaticdetectionof“yellowrust”inwheatusingreflectancemeasurementsandneuralnetworks[J].Comp & ElectronAgric,2004,44:173188.

[5]管澤鑫,唐健,楊保軍,等.基于圖像的水稻病害識別方法研究[J].中國水稻科學(xué)(ChinJRiceSci),2010,24(5):497-502.

南京農(nóng)業(yè)大學(xué)SRT項目，NO：201910307199P。

S123

C

2095-1205(2019)09-39-02

10.3969/j.issn.2095-1205.2019.09.21