馬 超，袁 濤，姚鑫鋒，籍延寶，李琳一

（上海市農(nóng)業(yè)科學(xué)院農(nóng)業(yè)科技信息研究所，上海201403）

水稻是我國(guó)重要的糧食作物之一，對(duì)農(nóng)業(yè)經(jīng)濟(jì)有著較大影響。病蟲害是威脅水稻產(chǎn)量和品質(zhì)的主要因素［1］，及時(shí)發(fā)現(xiàn)、準(zhǔn)確判斷病蟲害并采取適當(dāng)?shù)姆乐未胧┦菧p少病蟲為害損失的有效途徑。非植保專業(yè)人員缺乏準(zhǔn)確識(shí)別病蟲害經(jīng)驗(yàn)，常因病蟲害誤診導(dǎo)致防治不當(dāng)造成經(jīng)濟(jì)損失或農(nóng)藥殘留超標(biāo)。隨著信息技術(shù)的發(fā)展，基于機(jī)器視覺的病蟲害診斷為該問題提供了解決方案，即采集作物病蟲害圖片，利用機(jī)器視覺技術(shù)對(duì)作物病蟲害進(jìn)行識(shí)別和診斷，為病蟲害防治提供輔助決策依據(jù)。

1 試驗(yàn)材料及其預(yù)處理

1.1 試驗(yàn)材料

以大田水稻為試驗(yàn)對(duì)象，分兩種方式獲取病斑識(shí)別原始訓(xùn)練素材：第一種方式是用iPhone6s和Sumsung Note3手機(jī)拍攝，圖像以jpg格式儲(chǔ)存，采集時(shí)以能夠清晰拍攝水稻病斑為主要原則，可輔助白色背景板方便后續(xù)處理；第二種方式是使用網(wǎng)絡(luò)爬蟲抓取常見水稻病害圖片。兩種方式累計(jì)獲得條紋葉枯病、紋枯病、稻瘟病、霜霉病與赤枯病的5種病害圖片1 000張，圖像預(yù)處理后，每種病害隨機(jī)抽取50張，合計(jì)250張作為識(shí)別樣本，其余750張作為訓(xùn)練樣本。其中病斑切割為訓(xùn)練正樣本，5種病害樣本圖片共計(jì)3 311張，非病斑部分作為負(fù)樣本，即正常葉片以及背景共計(jì)1 000張。實(shí)際訓(xùn)練過(guò)程中，會(huì)將目標(biāo)病害以外的4種病害圖片也作為負(fù)樣本，以達(dá)到場(chǎng)景全覆蓋的目的。

1.2 圖像預(yù)處理

本研究病害照片皆來(lái)源于開放的拍攝環(huán)境，對(duì)存在亮斑、噪點(diǎn)以及曝光不足等問題的照片，良好的預(yù)處理可以保證輸入照片的規(guī)格統(tǒng)一。適當(dāng)提高原始圖像的質(zhì)量不僅可以降低計(jì)算機(jī)的運(yùn)算負(fù)擔(dān)，還有利于最終的圖像分割以及病害識(shí)別。

1.2.1 亮度均衡

把原始圖像的直方圖變換為均衡分布的形式，可以增加像素的灰度值的動(dòng)態(tài)范圍，從而增強(qiáng)圖像整體的對(duì)比度。使用的方法是灰度級(jí)變換：s＝T（r），0≤r≤1。

T（r）滿足下列兩個(gè)條件：

（1）當(dāng)0≤r≤1時(shí)，T（r）為單值且單調(diào)遞增［保證原圖各灰度級(jí)在變換后仍保持從黑到白（或從白到黑）的排列次序］；

（2）當(dāng)0≤r≤1時(shí)，0≤T（r）≤1（保證變換前后灰度值動(dòng)態(tài)范圍的一致性），則有：

GMZ07膨潤(rùn)土及其摻砂混合物試樣的初始干密度(ρd0)為1.5 g/cm3.將砂與混合物的干土質(zhì)量之比定義為摻砂率(Rs).將膨潤(rùn)土與砂按照Rs為0%,30%,50%的比例混合配制成不同摻砂率試樣.根據(jù)北山地區(qū)地下水溶解固體含量范圍[3],配制NaCl溶液摩爾濃度(以下簡(jiǎn)稱濃度)分別為0,0.5,1.0 mol/L.利用不同濃度NaCl溶液將GMZ07膨潤(rùn)土及其摻砂混合物試樣進(jìn)行飽和.對(duì)每種NaCl濃度的飽和試樣各施加200,400,800 kPa豎向荷載,固結(jié)完成后進(jìn)行慢剪試驗(yàn).

Pr()r是r的概率密度函數(shù)，Ps()s是s的概率密度函數(shù)，Pr()r和 ()Tr已知，且T-1()s滿足上述條件（1），有Ps()s＝，已知一種重要變換函數(shù)，關(guān)于上限的定積分的導(dǎo)數(shù)即為該上限的積分值（萊布尼茨準(zhǔn)則）。，對(duì)于離散值，其中rk是第k個(gè)灰度級(jí)（k＝0，1，2，…，L-1）；nk是圖像中灰度級(jí)為rk的像素個(gè)數(shù)，n是圖像中像素的總數(shù)。已知變換函數(shù)的離散形式為：sk＝Tr()k（k＝0，1，2，…，L-1），sk稱作直方圖均衡化，由輸入圖像中灰度級(jí)rk（橫坐標(biāo)）的像素映射到輸出圖像中灰度級(jí)sk（橫坐標(biāo)）的對(duì)應(yīng)像素得到。

1.2.2 中值濾波

中值濾波法是一種非線性平滑技術(shù)，它將每一像素點(diǎn)的灰度值設(shè)置為該點(diǎn)某鄰域窗口內(nèi)的所有像素點(diǎn)灰度值的中值。本文目標(biāo)判定的主要特征是形狀，而中值濾波有較好保護(hù)邊緣的作用。處理效果如圖1所示。

2 研究方法

2.1 HOG+SVM方法

HOG（Histogram of Oriented Gradient，方向梯度直方圖）特征是一種在計(jì)算機(jī)視覺和圖像處理中用來(lái)進(jìn)行物體檢測(cè)的特征描述子，通過(guò)計(jì)算和統(tǒng)計(jì)圖像局部區(qū)域的梯度方向直方圖來(lái)構(gòu)成特征。SVM（Support Vector Machine，支持向量機(jī)）是一類按監(jiān)督學(xué)習(xí)方式對(duì)數(shù)據(jù)進(jìn)行二元分類的廣義線性分類器。HOG特征結(jié)合SVM分類器已經(jīng)被廣泛用于圖像識(shí)別中［15-17］。

2.2 HOG特征獲取

HOG特征是一種底層的視覺特征，主要描述圖像內(nèi)容的邊界。用于提取HOG特征的訓(xùn)練圖像必須能完整地描述病斑，即每張訓(xùn)練圖內(nèi)需要包含有一個(gè)能夠完整識(shí)別的病斑。原始病斑素材圖像一般采用手動(dòng)裁剪配合批量尺寸修改獲得。

為區(qū)分不同的水稻病斑，準(zhǔn)備訓(xùn)練樣本時(shí)，將目標(biāo)識(shí)別病害圖像作為正樣本，其他非目標(biāo)識(shí)別病害圖像作為負(fù)樣本。如檢測(cè)稻瘟病時(shí)，系統(tǒng)將稻瘟病作為訓(xùn)練正樣本，條紋葉枯病等其他病斑圖片及正常葉片作為訓(xùn)練負(fù)樣本。完整的HOG特征獲取流程如圖2所示。

2.3 SVM訓(xùn)練識(shí)別

SVM使?jié)M足分類要求的最優(yōu)線性分類超平面在保證分類精度的同時(shí)，能夠使超平面兩側(cè)的空白區(qū)域最大化。

SVM的學(xué)習(xí)過(guò)程如下：

1）對(duì)樣本集合測(cè)試集進(jìn)行特征提取；

2）選用合適的核函數(shù)進(jìn)行變換，將輸入的樣本空間轉(zhuǎn)換到一個(gè)高維的RKHS（Reproducing Kernel Hilbert Space，RKHS）；

圖2 HOG特征提取Fig.2 HOG feature extraction

3）在RKHS空間構(gòu)造最優(yōu)分離超平面，即搜索SVM，由得到的SVM構(gòu)造學(xué)習(xí)機(jī)，完成樣本的訓(xùn)練；

4）經(jīng)過(guò)同樣預(yù)處理的未知類別數(shù)據(jù)輸入學(xué)習(xí)機(jī)進(jìn)行分類判別，得到學(xué)習(xí)結(jié)果，學(xué)習(xí)過(guò)程結(jié)束。

本試驗(yàn)采用Emgucv自帶機(jī)器學(xué)習(xí)類中的SVM進(jìn)行處理，且采用交叉驗(yàn)證后得到的準(zhǔn)確度最高的懲罰參數(shù)c和核函數(shù)參數(shù)g，再對(duì)整個(gè)訓(xùn)練集進(jìn)行訓(xùn)練得到SVM模型參數(shù)。試驗(yàn)選擇的核函數(shù)為徑向基核函數(shù)，即，r＞0其中，懲罰參數(shù)c＝13.93，核函數(shù)參數(shù)g＝2.64。

完整的訓(xùn)練及識(shí)別流程如圖3所示。

圖3 病斑檢測(cè)流程Fig.3 Cell detection process

3 結(jié)果與分析

用于病害識(shí)別的圖片所含信息通常比較復(fù)雜，如一張圖片內(nèi)包含多張植物葉片，病葉和健康葉混雜，病斑大小、數(shù)量差異大，病斑顏色有偏差，形狀有畸變等等（圖4），另外不同病害種類之間病斑特征也存在很大的差異，病斑診斷效果難以用單一指標(biāo)做出全面的評(píng)價(jià)。本試驗(yàn)用病害識(shí)別準(zhǔn)確率、病葉檢出率和病斑定位正確率3個(gè)遞進(jìn)指標(biāo)分別對(duì)條紋葉枯病、紋枯病、稻瘟病、霜霉病以及赤枯病5種水稻病害識(shí)別結(jié)果進(jìn)行評(píng)價(jià)。檢測(cè)結(jié)果如表1所示。

圖4 病斑檢測(cè)結(jié)果Fig.4 Cell detection results

表1 基于HOG+SVM的病斑識(shí)別結(jié)果Table 1 Classification result of diseases based on HOG+SVM

（1）病害識(shí)別準(zhǔn)確率

5種病害的識(shí)別率平均達(dá)到98.4%，其中條紋葉枯病、霜霉病以及赤枯病三種病害診斷正確率為100%，條紋葉枯病正確率為98%，病害識(shí)別正確率最低的為稻瘟病，識(shí)別準(zhǔn)確率為94%。由此可見，該方法可以較好地用于水稻病害的田間識(shí)別。

（2）病葉檢出率

病葉檢出率最高的為條紋葉枯病98.7%，最低的為霜霉病94.3%，累計(jì)5種病害的平均病葉檢出率為96.1%，該指標(biāo)可較好地用于病害程度的評(píng)估。

（3）病斑定位正確率評(píng)價(jià)

條紋葉枯病病斑定位正確率為98.2%，表現(xiàn)最好；其次為稻瘟病與霜霉病，病斑定位正確率分別為95.1%與96.0%；誤報(bào)率較高的為紋枯病與水稻赤枯病，病斑定位正確率分別為91.8%與91.7%。

綜上，該方法可較好的用于一些形態(tài)特征較明顯的病斑，對(duì)于特征不明顯病斑識(shí)別誤差略高。

4 結(jié)論

（1）本方法對(duì)病害圖片的拍攝光源、拍攝角度和拍攝質(zhì)量有較好的包容性，照片可以由不同設(shè)備拍攝，也可通過(guò)網(wǎng)絡(luò)和其他渠道獲得，降低了訓(xùn)練和識(shí)別素材的獲取難度，整體需要用戶介入的步驟很少，水稻病害識(shí)別均值仍可達(dá)98.4%，此方法適合田間病害識(shí)別應(yīng)用，能夠滿足實(shí)際生產(chǎn)中病害診斷的需求。

（2）圖像處理過(guò)程簡(jiǎn)便，對(duì)樣本數(shù)量要求不高，無(wú)需先驗(yàn)知識(shí)。在預(yù)處理上，僅需對(duì)圖像進(jìn)行簡(jiǎn)單的亮度均衡以及中值濾波，對(duì)于成像質(zhì)量較好的設(shè)備所拍攝的照片甚至可以跳過(guò)此步驟，過(guò)程簡(jiǎn)便；在訓(xùn)練樣本獲取上具有可操作性，訓(xùn)練樣本需求數(shù)量遠(yuǎn)遠(yuǎn)小于深度學(xué)習(xí)方法。病葉漏報(bào)率平均僅為3.9%，適合水稻葉部常見病害識(shí)別。

（3）不同病害識(shí)別效果因病害特征不同存在差異?；贖OG+SVM的識(shí)別方式更適合斑塊明顯、邊緣清晰的病斑識(shí)別，以水稻條紋葉枯病為例，準(zhǔn)確率98%，漏報(bào)率1.315%，誤報(bào)率1.818%。不適合斑塊顏色較淺或形狀較為不規(guī)則的病斑識(shí)別，如水稻赤枯病的誤報(bào)率達(dá)到了8.333%，主要原因是測(cè)試圖片背景復(fù)雜及圖像中除病葉外的非病葉圖像元素干擾所致。