范振軍，李小霞*

(1.特殊環(huán)境機(jī)器人技術(shù)四川省重點(diǎn)實(shí)驗(yàn)室，四川 綿陽 621010；2.西南科技大學(xué)信息工程學(xué)院，四川 綿陽 621010)

【研究意義】在農(nóng)業(yè)災(zāi)害中，農(nóng)作物病蟲害占據(jù)很大一部分。隨著農(nóng)業(yè)信息化的推進(jìn)，基于計(jì)算機(jī)視覺和圖像處理的識(shí)別技術(shù)在農(nóng)作物病害圖像識(shí)別[1-2]、農(nóng)作物品質(zhì)檢測(cè)[3]等領(lǐng)域得到廣泛應(yīng)用。馬鈴薯是世界第三大糧食作物[4]，然而病害是影響馬鈴薯產(chǎn)量及品質(zhì)的重要因素之一。因此，如何快速準(zhǔn)確地識(shí)別出馬鈴薯病害類型，以便采取相應(yīng)的防治措施，對(duì)確保馬鈴薯的豐收具有十分重要的意義?！厩叭搜芯窟M(jìn)展】目前，國內(nèi)外眾多學(xué)者運(yùn)用計(jì)算機(jī)視覺和圖像處理等技術(shù)，對(duì)小麥、黃瓜和玉米等多種農(nóng)作物病害識(shí)別做了很多研究，提出了一些好的解決方法，為農(nóng)作物病害圖像智能識(shí)別和精準(zhǔn)農(nóng)業(yè)提供了科學(xué)的理論依據(jù)和技術(shù)支持。鄧?yán)^忠等[5]針對(duì)小麥的3種病害識(shí)別提取了形狀和紋理特征，并對(duì)最小距離法、反向傳播神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)(Support vector machine, SVM)3種分類器進(jìn)行了對(duì)比實(shí)驗(yàn)，總體識(shí)別率達(dá)到82.9 %。王獻(xiàn)鋒等[6]提出了一種融合顏色、形狀和紋理特征的基于統(tǒng)計(jì)分析系統(tǒng)的判別分析方法，對(duì)黃瓜的霜霉病、褐斑病和炭疽病3種葉部病害的識(shí)別率高達(dá)90 %以上，為田間開放環(huán)境下實(shí)現(xiàn)作物病害圖像的快速自動(dòng)識(shí)別提供了依據(jù)。Nunes D和Werly C等[7]基于源元數(shù)據(jù)和模式識(shí)別技術(shù)實(shí)現(xiàn)了番茄疾病的早期識(shí)別，識(shí)別率達(dá)到94.12 %。許良鳳等[8]對(duì)玉米病害圖像利用GrabCut算法獲得病害區(qū)域后提取顏色和紋理特征，并構(gòu)建基于SVM的多分類器線性加權(quán)融合的識(shí)別方法，對(duì)7種玉米病害的識(shí)別率達(dá)94.17 %。趙建敏等[9]利用Otsu分割算法提取病斑區(qū)域，綜合顏色、紋理和形態(tài)特征，設(shè)計(jì)了基于SVM的分類器，對(duì)馬鈴薯4種主要病害樣本并加入負(fù)樣本(健康葉片)進(jìn)行測(cè)試，總體識(shí)別率達(dá)到92 %。上述農(nóng)作物病害識(shí)別方法都是僅針對(duì)其某一部位病害，且病害種類較少，部分方法沒有分割病害區(qū)域，直接在原病害圖像整體上提取特征，增加了計(jì)算量，且引入了冗余噪聲，最終降低了識(shí)別率，采用GrabCut算法提取病害區(qū)域時(shí)需要人工交互，且速度慢，在1 s及以上。近年來，基于感興趣區(qū)域(Region of interest, ROI)的目標(biāo)識(shí)別或圖像檢索方法得到廣泛應(yīng)用，但有效選取圖像ROI是其成功的關(guān)鍵。肖志濤等[10]提出通過提取角點(diǎn)得到凸包區(qū)域的低層次圖像信息與使用超像素聚類得到顯著圖的中層次圖像信息，并將這兩個(gè)層次的信息相結(jié)合的自底向上的ROI檢測(cè)方法。劉成云等[11]提出通過顏色增強(qiáng)技術(shù)提取自然場(chǎng)景下的交通標(biāo)志ROI，并提取梯度直方圖和多通道局部二值模式(Histogram of Oriented Gradient and Multi-radius Block Local Binary Pattern, HOG-MBLBP)特征來識(shí)別交通標(biāo)志的方法。葉海建等[12]提出一種通過提取RGB顏色分量的顯著圖來識(shí)別黃瓜病害的方法，平均識(shí)別率達(dá)93.12 %，平均運(yùn)行時(shí)間為0.6614 s。薛鋒等[13]提出一種基于SURF(Speed Up Robust Features)特征貢獻(xiàn)度矩陣的圖像ROI選取方法，并用于圖像檢索中，效果較好。上述ROI檢測(cè)方法雖效果較好，但檢測(cè)方法較復(fù)雜，且時(shí)間性能欠佳?！颈狙芯壳腥朦c(diǎn)】在基于視覺注意機(jī)制的ROI檢測(cè)方法中，大多視覺注意點(diǎn)通常是局部特征點(diǎn)。主流的局部特征檢測(cè)算法有：Lowe[14]提出的SIFT(Scale Invariant Feature Transform)、Rubee等[15]提出的ORB(Oriented FAST and Rotated BRIEF)等。SIFT具有尺度不變性、旋轉(zhuǎn)不變性及光照不變性等優(yōu)點(diǎn)，已被證明是有效的特征提取方法，但其存在計(jì)算量大的缺點(diǎn)，難以進(jìn)行實(shí)時(shí)應(yīng)用。ORB算法是一種高效的特征檢測(cè)算法，具有計(jì)算速度快和穩(wěn)定性好的優(yōu)點(diǎn)?！緮M解決的關(guān)鍵問題】為準(zhǔn)確快速分割出馬鈴薯病害區(qū)域，提出了基于ORB和SIFT關(guān)鍵特征點(diǎn)的病害ROI快速檢測(cè)方法；為提高病害識(shí)別的準(zhǔn)確率，構(gòu)建了融合顏色和紋理特征的基于非線性SVM的病害識(shí)別方法。其主要?jiǎng)?chuàng)新點(diǎn)是：在檢測(cè)病害ROI時(shí)，只提取ORB特征點(diǎn)或者SIFT特征點(diǎn)而不用生成特征描述向量，加快了病害ROI檢測(cè)的速度，具有時(shí)間優(yōu)勢(shì)；通過計(jì)算K個(gè)近鄰點(diǎn)的均值來確定病害區(qū)域的坐標(biāo)點(diǎn)，提高了ROI檢測(cè)的精確度，有效降低了特征提取時(shí)的計(jì)算量，并大幅提高了病害識(shí)別的速度。

1 材料與方法

1.1 病害圖像獲取

筆者從中國農(nóng)業(yè)醫(yī)院網(wǎng)、鄭州市病蟲害數(shù)據(jù)庫、世紀(jì)農(nóng)藥網(wǎng)和百度百科等渠道獲得自然環(huán)境下的馬鈴薯病害原始圖像，然后通過從原始圖像中截取子圖像的方式，構(gòu)建了馬鈴薯病害圖像庫(彩色圖像，格式為JPG)。該圖像庫包括：葉部病害(早疫病、晚疫病、病毒病)、果實(shí)部病害(粉痂病、瘡痂病、白絹病、干腐病)和莖部病害(黑脛病、環(huán)腐病、青枯病)共10類主要病害，每類病害54幅，總計(jì)540幅圖片。

1.2 病害ROI檢測(cè)方法

1.2.1 ORB算法思想 ORB算法首先利用FAST算法[16]檢測(cè)角點(diǎn)，然后利用BRIEF算法[17]提取ORB特征描述子，即ORB算法是對(duì)這2種算法的改進(jìn)，兼有良好的魯棒性和實(shí)時(shí)性。

在圖像特征點(diǎn)檢測(cè)時(shí)，ORB算法通過使用灰度矩心的方法將FAST改進(jìn)為有向的Oriented-FAST，其特征點(diǎn)的主方向由角點(diǎn)的灰度矩和灰度矩心之間的偏移量的方向確定。

圖像角點(diǎn)鄰域的灰度矩為：

(1)

其中，I(x,y)為點(diǎn)(x,y)處的灰度值，p和q決定了灰度矩的階數(shù)。

灰度矩心為：

(2)

于是，可構(gòu)造角點(diǎn)中心O到矩心C的向量OC，則該FAST角點(diǎn)鄰域的主方向?yàn)椋?/p>

θ=atan2(m01,m10)

(3)

描述特征點(diǎn)時(shí)，ORB算法把所提取角點(diǎn)的主方向應(yīng)用于BRIEF，將其改進(jìn)為旋轉(zhuǎn)不變的Rotated-BRIEF，更多描述參考文獻(xiàn)[15,17]。本文重點(diǎn)研究基于ORB特征點(diǎn)的病害ROI檢測(cè)，關(guān)于SIFT算法的詳細(xì)描述參考文獻(xiàn)[14]。

1.2.2 基于關(guān)鍵特征點(diǎn)的病害ROI快速檢測(cè)方法 ORB算法是一種高效的局部特征點(diǎn)檢測(cè)算法，具有穩(wěn)定性和實(shí)時(shí)性，而SIFT算法實(shí)時(shí)性較差。通過實(shí)驗(yàn)分析發(fā)現(xiàn)，ORB特征點(diǎn)較SIFT特征點(diǎn)的分布更為集中(圖1)。

當(dāng)ORB特征點(diǎn)數(shù)目比SIFT特征點(diǎn)數(shù)目較少時(shí)，其ROI選取效果較差，圖2給出了晚疫病在該情況下的ROI選取效果對(duì)比圖。

為避免上述情況對(duì)病害區(qū)域ROI選取精度的影響，本文提出融合ORB和SIFT特征點(diǎn)的病害圖像ROI檢測(cè)方法，主要思想為：以O(shè)RB特征點(diǎn)為主、SIFT特征點(diǎn)為輔的原則，首先提取病害圖像的ORB特征點(diǎn)，根據(jù)特征點(diǎn)數(shù)目與給定閾值比較的結(jié)果決定是否提取SIFT特征點(diǎn)；然后對(duì)所提取特征點(diǎn)按水平和垂直方向進(jìn)行排序，通過計(jì)算K個(gè)近鄰點(diǎn)的均值確定病害區(qū)域的坐標(biāo)，從而得到病害圖像ROI(圖3)。

圖1 早疫病特征點(diǎn)分布對(duì)比圖Fig.1 Early blight characteristic points distribution comparison image

圖2 晚疫病害圖像ROI對(duì)比圖Fig.2 Late blight disease image ROI comparison image

(1)提取ORB特征點(diǎn)。從馬鈴薯病害圖像庫輸入病害圖像，生成金字塔影像并提取ORB特征點(diǎn)。考慮到基于FAST算法提取的特征點(diǎn)不具有尺度不變性，參考文獻(xiàn)[18]所述，以比例因子為1.2對(duì)病害圖像降采樣，生成8層金字塔影像，在金字塔影像上提取特征點(diǎn)，使算法具備尺度不變性。

(2)計(jì)算病害區(qū)域坐標(biāo)點(diǎn)。①初始化。假設(shè)提取的病害圖像特征點(diǎn)的數(shù)目為S，保存特征點(diǎn)坐標(biāo)值的矩陣記為FK，大小為S×2，初值為零，即：

(4)

②保存特征點(diǎn)坐標(biāo)值。當(dāng)SORB≥T時(shí)(T為是否提取SIFT特征點(diǎn)而設(shè)定的閾值)，經(jīng)實(shí)驗(yàn)分析，本文中取閾值T=20。將步驟1中提取的ORB特征點(diǎn)的坐標(biāo)值存入矩陣FK中，此時(shí)FK變?yōu)椋?/p>

(5)

否則，提取病害圖像的SIFT特征點(diǎn)，并存入矩陣FK中，則FK變?yōu)椋?/p>

(6)

式(5)中，m為ORB特征點(diǎn)的數(shù)目，式(6)中，n為SIFT特征點(diǎn)的數(shù)目，其中，xi、yi分別表示特征點(diǎn)在垂直方向和水平方向的坐標(biāo)值。③計(jì)算病害區(qū)域的坐標(biāo)值。抽取矩陣FK′中的xi值和yi值，分別組成向量X=[x1,x2,…,xm]和Y=[y1,y2,…,ym]；對(duì)向量X和Y進(jìn)行升序排列，得到有序向量X′=[x1′,x2′,…,xm′]和Y′=[y1′,y2′,…,ym′]；從排序后的向量X′和Y′中分別選擇前k個(gè)值和后k個(gè)值作為候選坐標(biāo)值(k為近鄰點(diǎn)的數(shù)目)，同時(shí)存入向量KPx=[x1′,…,xk′,xm-k+1′,…,xm′]和KPy=[y1′,…,yk′,ym-k+1′,…,ym′]；假設(shè)病害區(qū)域左上角與右下角的絕對(duì)坐標(biāo)分別為O1(x00,y00)和O2(x11,y11)，其值按公式(7)計(jì)算：

圖3 病害ROI檢測(cè)方法流程Fig.3 The disease image of ROI detection method

(7)

公式(7)的含義為：當(dāng)局部特征點(diǎn)的數(shù)目小于給定閾值t時(shí)，選擇k=1并分別以xi和yi的最小值與最大值作為病害區(qū)域的坐標(biāo)點(diǎn)；否則，選擇k>1個(gè)近鄰點(diǎn)并計(jì)算其均值作為病害區(qū)域的坐標(biāo)點(diǎn)。其中，t為選擇k=1或k=torb/k=tsift而設(shè)定的閾值。經(jīng)實(shí)驗(yàn)分析，本文中取torb=400，korb=3；tsift=100，ksift=10。

(3)提取病害圖像ROI。根據(jù)步驟2計(jì)算得到的病害區(qū)域的絕對(duì)坐標(biāo)點(diǎn)O1和O2，可得病害圖像ROI的相對(duì)坐標(biāo)點(diǎn)為O1′(x00,y00)和O2′(x11-x00,y11-y00)，即可根據(jù)O1′和O2′坐標(biāo)點(diǎn)確定的矩形框區(qū)域作為病害圖像的ROI。

為了直觀顯示該算法的效果，圖4(a)～(f)給出了使用上述算法提取的病害圖像ROI，其中，紅色矩形區(qū)域?yàn)榛贠RB特征點(diǎn)提取的ROI，藍(lán)色矩形區(qū)域?yàn)榛赟IFT特征點(diǎn)提取的ROI，圖片中左上角數(shù)字表示所提特征點(diǎn)的數(shù)目。

1.3 病害特征提取方法

1.3.1 顏色特征提取 馬鈴薯病害區(qū)域包含著豐富的顏色信息，其顏色特征能很好的反映病害特性，是區(qū)分各種馬鈴薯病害圖像的重要特征之一。RGB顏色空間并不符合人們對(duì)顏色相似性的主觀判斷，而HSV顏色空間不但最接近于人眼的視覺系統(tǒng)，而且具有降低顏色特征維數(shù)卻不丟失顏色信息的優(yōu)點(diǎn)。此外，為了消除馬鈴薯病害圖像在自然光照下的亮度影響，也需要將RGB顏色空間轉(zhuǎn)化為HSV顏色空間，其轉(zhuǎn)換關(guān)系見參考文獻(xiàn)[19]。

圖4 馬鈴薯病害圖像ROIFig.4 The disease image ROI extracted by this method

本文基于HSV顏色空間，利用顏色直方圖法描述馬鈴薯病害圖像ROI中顏色的全局分布，該方法具有旋轉(zhuǎn)不變性。

(1)顏色空間轉(zhuǎn)換：將ROI的RGB圖像轉(zhuǎn)化到HSV顏色空間。

(2)顏色量化：對(duì)HSV圖像分別按H、S、V3個(gè)通道劃分成若干個(gè)顏色區(qū)間，本文中將H分成30級(jí)，S、V分別分成10級(jí)，共50個(gè)區(qū)間。

(3)計(jì)算小區(qū)間直方圖：

(8)

式(8)中，ni為第i個(gè)小區(qū)間內(nèi)的像素?cái)?shù)量，N分別為H、S、V各分量圖像的像素?cái)?shù)。

(4)生成HSV直方圖特征向量：先將步驟(3)中的小區(qū)間直方圖歸一化，再把3個(gè)顏色通道的直方圖合并成大小為1×50的一維特征行向量C。

1.3.2 紋理特征提取 基于統(tǒng)一模式的局部二值模式(Uniform Pattern Local binary pattern, UPLBP)[20]是一種原理簡(jiǎn)單、計(jì)算高效的非參數(shù)局部紋理特征描述子，在圖像分析和模式識(shí)別等領(lǐng)域得到廣泛的應(yīng)用[21]。因其具有旋轉(zhuǎn)不變性和灰度不變性等顯著的優(yōu)點(diǎn)，LBP方法尤其適合描述病害圖像的局部紋理特征。

本文采用基于UPLBP算子的紋理特征直方圖法來描述馬鈴薯病害圖像的局部紋理特征。

(1)預(yù)處理：先將ROI轉(zhuǎn)換為灰度圖像，然后對(duì)灰度圖像進(jìn)行中值濾波，再進(jìn)行直方圖均衡化操作，增強(qiáng)圖像對(duì)比度。

(2)計(jì)算LBP特征：先采用原始LBP算子，在3×3窗口鄰域內(nèi)，計(jì)算原始LBP值；然后采用UPLBP算子(取R=3,P=8)進(jìn)行等價(jià)LBP編碼，共有59種模式類[20]，由此可得到ROI的紋理特征圖。

(3)計(jì)算ROI紋理特征圖的直方圖：①將UPLBP特征圖按8×8的方式分成64個(gè)子塊；②計(jì)算每個(gè)子塊區(qū)域的直方圖；③將②中計(jì)算的子塊區(qū)域直方圖按分塊的空間順序依次排列成一行，形成UPLBP直方圖特征行向量T。

從圖5可以看出，UPLBP特征圖像整體偏暗。其主要原因是使用UPLBP算子描述紋理特征時(shí)，將59個(gè)模式類的256個(gè)LBP值中的非等價(jià)模式類編碼為零，等價(jià)模式編碼為1～58的灰度值，故UPLBP特征圖像相比原始LBP特征圖像偏暗。

圖5 干腐病紋理特征Fig.5 Texture feature of dry rot

1.4 基于非線性SVM的病害識(shí)別方法

考慮到本文研究對(duì)象(馬鈴薯病害圖像)樣本集比較少，共有10種類別，且樣本類別與特征存在非線性情況，是一個(gè)典型的小樣本多分類的非線性問題。而支持向量機(jī)分類算法是一種基于統(tǒng)計(jì)理論和最小結(jié)構(gòu)化風(fēng)險(xiǎn)的機(jī)器學(xué)習(xí)算法，對(duì)小樣本的分類識(shí)別任務(wù)效果良好，且能解決非線性映射的分類問題。

采用不同的核函數(shù)(如多項(xiàng)式核函數(shù)、徑向基核函數(shù)和Sigmoid等)可以得到不同的非線性支持向量機(jī)。由于徑向基核函數(shù)(radia basic function, RBF)的計(jì)算復(fù)雜度不隨參數(shù)的變化而變化，且能夠?qū)⒎蔷€性樣本映射到高維空間，故本文使用以RBF為核的SVM，其數(shù)學(xué)表達(dá)式為：

(9)

其中，x為輸入特征值，x′為該特征值x對(duì)應(yīng)的預(yù)測(cè)結(jié)果，σ>0為RBF對(duì)應(yīng)的核參數(shù)。

根據(jù)上述病害圖像ROI檢測(cè)及其病害特征提取方法，分別提取訓(xùn)練集中馬鈴薯葉部、果實(shí)和莖部病害圖像ROI的HSV顏色直方圖特征與UPLBP紋理直方圖特征并融合成特征向量，組成病害圖像特征庫，訓(xùn)練得到非線性SVM分類器。對(duì)測(cè)試集病害圖像，使用相同方式獲得病害圖像ROI的特征向量，然后利用訓(xùn)練好的SVM分類器進(jìn)行病害識(shí)別(圖6)。

圖6 馬鈴薯病害圖像識(shí)別流程Fig.6 Flow of image recognition of potato disease

2 結(jié)果與分析

為驗(yàn)證本文算法的性能，對(duì)馬鈴薯病害圖像庫中每類病害圖像按1∶1比例隨機(jī)選取300幅圖片作為訓(xùn)練集樣本，對(duì)剩余的240幅圖片組成測(cè)試集樣本。實(shí)驗(yàn)時(shí)，將原始輸入病害圖像尺寸統(tǒng)一調(diào)整為150×150，并使用3×3窗口進(jìn)行中值濾波，以便較好地保留病害圖像的紋理和邊緣細(xì)節(jié)信息，然后按上文所述方法得到病害ROI，最后融合顏色和紋理特征作為病害識(shí)別階段的輸入向量。

(1)不同訓(xùn)練參數(shù)實(shí)驗(yàn)。由于SVM對(duì)訓(xùn)練參數(shù)比較敏感，尤其是懲罰因子C和高斯核參數(shù)σ2，C的大小決定了分類超平面向離群點(diǎn)位置偏移的程度，σ2反映了特征數(shù)據(jù)波動(dòng)的大小。當(dāng)C取較大的值時(shí)，可能會(huì)導(dǎo)致過擬合。通過反復(fù)實(shí)驗(yàn)，確定SVM病害識(shí)別模型最終的參數(shù)為：以RBF為核函數(shù)，懲罰因子C=100，高斯核=0.09，迭代次數(shù)為1000。

從表1看出，在訓(xùn)練樣本比較少的情況下，基于SVM識(shí)別方法的病害識(shí)別準(zhǔn)確率都比較高。從實(shí)際訓(xùn)練效果看，徑向基核函數(shù)識(shí)別性能最好且比較穩(wěn)定；從識(shí)別運(yùn)行時(shí)間上看，各類核函數(shù)的SVM的識(shí)別速度相差不大。所以，基于徑向基核函數(shù)的SVM適合用于本文對(duì)10類馬鈴薯病害識(shí)別的情形。

表1 不同核函數(shù)的識(shí)別結(jié)果

表2 馬鈴薯病害識(shí)別結(jié)果

表3 各階段平均運(yùn)行時(shí)間

(2)馬鈴薯病害識(shí)別實(shí)驗(yàn)。從表2可以看出：本文方法在自建的馬鈴薯病害圖像庫上各類病害的平均識(shí)別準(zhǔn)確率達(dá)到95.83 %。其中有少許病害被誤識(shí)別，可能原因有：①存在病害區(qū)域ROI選取不完全的現(xiàn)象，使得病害圖像ROI丟失部分特征信息，降低了識(shí)別準(zhǔn)確率；②部分病害區(qū)域ROI的顏色比較相近或紋理差異不大，使得特征直方圖相似度比較高，導(dǎo)致識(shí)別錯(cuò)誤；③訓(xùn)練樣本量較少或不具有代表性，SVM分類模型的訓(xùn)練參數(shù)沒有達(dá)到最優(yōu)，影響了識(shí)別準(zhǔn)確率。從總體上看，病害識(shí)別準(zhǔn)確率最低在91.67 %以上，最高達(dá)100 %；平均運(yùn)行時(shí)間為0.083 s。

(3)時(shí)間性能測(cè)試實(shí)驗(yàn)。根據(jù)表1中的訓(xùn)練參數(shù)，按本文算法對(duì)540幅病害圖像進(jìn)行實(shí)驗(yàn)，其各階段運(yùn)行時(shí)間的統(tǒng)計(jì)結(jié)果如表3所示。

從表3看出，使用本文方法提取病害區(qū)域ROI時(shí)，速度非?？?，平均時(shí)間為13 ms，占算法總運(yùn)行時(shí)間的15.66 %；特征提取時(shí)間稍長(zhǎng)，SVM識(shí)別時(shí)間僅為3 ms。

結(jié)果表明，以O(shè)RB特征點(diǎn)為主，SIFT特征點(diǎn)為輔的提取局部特征點(diǎn)的方式，充分利用了ORB算法的快速性和穩(wěn)定性的優(yōu)勢(shì)，以及SIFT特征點(diǎn)尺度不變性的優(yōu)點(diǎn)，保證了對(duì)病害圖像感興趣區(qū)域提取的速度和精確性。

3 討 論

如今，馬鈴薯已成為世界第三大糧食作物[4]，然而病害仍然是影響馬鈴薯產(chǎn)量及品質(zhì)的重要因素之一，每年都會(huì)造成巨大的經(jīng)濟(jì)損失。隨著信息化技術(shù)的快速發(fā)展，使用計(jì)算機(jī)視覺、模式識(shí)別和圖像處理等技術(shù)實(shí)現(xiàn)對(duì)馬鈴薯病害的智能診斷可大幅度提高其產(chǎn)量，減少經(jīng)濟(jì)損失。

其他學(xué)者[5-7]針對(duì)小麥、黃瓜、玉米等作物的自動(dòng)病害識(shí)別進(jìn)行了研究，文獻(xiàn)[9]基于區(qū)域分割和SVM的方法對(duì)馬鈴薯4種病害的識(shí)別進(jìn)行了研究，為本文研究提供了參考。通常作物的病害位置不固定，病害程度也不一致，造成的危害程度自然不一樣。本文通過對(duì)馬鈴薯葉部、果實(shí)和莖部3個(gè)部位共10種主要病害圖像進(jìn)行研究，發(fā)現(xiàn)病害區(qū)域的準(zhǔn)確提取能進(jìn)一步提高病害的識(shí)別準(zhǔn)確率[12]。實(shí)驗(yàn)研究中對(duì)比了多種病害區(qū)域提取方法，采用基于局部關(guān)鍵特征點(diǎn)的方法可有效確定病害區(qū)域且速度很快。文中采用了ORB特征點(diǎn)與SIFT特征點(diǎn)相結(jié)合的思路來提取病害區(qū)域，主要考慮了這兩種特征點(diǎn)檢測(cè)方法對(duì)在自然環(huán)境下獲得的具有復(fù)雜背景的病害圖像具有較好的魯棒性。文中所提到的十類馬鈴薯病害識(shí)別屬于多分類的問題，而SVM算法可以有效解決多分類、高維非線性問題。經(jīng)過實(shí)驗(yàn)對(duì)比研究，找到了適合本文問題的SVM模型的參數(shù)，獲得了較高的識(shí)別準(zhǔn)確率，可滿足工程應(yīng)用。

總體上看，本文方法對(duì)病害圖像ROI檢測(cè)的精度和速度都達(dá)到預(yù)期要求，且病害識(shí)別準(zhǔn)確率高、速度快、魯棒性好。在實(shí)際應(yīng)用研究中，自然環(huán)境下的作物病害圖像很容易受到光照、遮擋、傾斜、背景噪聲等因素的影響，深入研究上述復(fù)雜場(chǎng)景下的作物病害識(shí)別是下一步研究的重點(diǎn)。

4 結(jié) 論

本文針對(duì)馬鈴薯葉部、果實(shí)和莖部三個(gè)部位共10種主要病害的識(shí)別問題，提出了一種基于ROI快速檢測(cè)與融合特征的病害識(shí)別方法。在本文實(shí)驗(yàn)條件下，通過仿真實(shí)驗(yàn)，得到如下結(jié)論。

(1)基于ORB和SIFT局部特征點(diǎn)的病害圖像ROI快速檢測(cè)方法原理簡(jiǎn)單，易實(shí)現(xiàn)，每幅病害圖像ROI平均檢測(cè)時(shí)間為13 ms；

(2)本文方法能準(zhǔn)確識(shí)別馬鈴薯不同部位的10種主要病害，其平均識(shí)別準(zhǔn)確率達(dá)95.83 %，平均運(yùn)行時(shí)間為0.083 s。

在小樣本情況下，本文方法的病害識(shí)別準(zhǔn)確率高，速度滿足工程上的實(shí)時(shí)性要求，且對(duì)馬鈴薯病害識(shí)別的種類數(shù)增加到10類，為其它農(nóng)作物的病害識(shí)別研究提供了參考價(jià)值。