李警波 李密生 唐博 張正陽

摘 要：為了實現(xiàn)黃瓜斑病的識別，綜合應用計算機數(shù)字處理技術(shù)與圖像識別技術(shù)進行黃瓜病斑識別研究。使用樹莓派3B硬件開發(fā)平臺，融合Python開發(fā)和圖像識別等先進技術(shù)，設(shè)計了黃瓜病斑識別系統(tǒng)，該系統(tǒng)具有功能強大、使用方便、識別精確等優(yōu)勢。文中介紹了系統(tǒng)的整體框架，樹莓派的硬件設(shè)計，圖像識別的關(guān)鍵技術(shù)和流程，同時該系統(tǒng)在傳統(tǒng)測量葉片面積的基礎(chǔ)上，還增加了黃瓜病斑的面積計算，根據(jù)相應病害面積計算出黃瓜病害的等級。該黃瓜病斑識別系統(tǒng)具有一定理論參考價值和實用價值，能夠有效提高黃瓜種植栽培的工作效率與黃瓜產(chǎn)量。

關(guān)鍵詞：樹莓派3B;Python;處理技術(shù);圖像識別;黃瓜病斑;葉面積;栽培

0 引 言

隨著計算機數(shù)字處理技術(shù)、信息技術(shù)的飛速發(fā)展，以及互聯(lián)網(wǎng)+時代的到來，通過樹莓派和Python的融合實現(xiàn)黃瓜病斑的識別系統(tǒng)已成為可能。近年來，國內(nèi)外越來越多的研究人員對各種蔬菜的病斑進行了相關(guān)研究和實驗，并取得了較好效果，同時各種病斑也得到了很好的控制。但對于大棚作物，尤其是黃瓜病害的研究較少。

樹莓派為Python編程提供了一個成本低廉、穩(wěn)定可靠的開發(fā)平臺，其允許樹莓派的開發(fā)者將項目擴展到令人難以置信的規(guī)模[1]。

黃瓜最早在農(nóng)業(yè)大棚里廣泛種植，具有較高的營養(yǎng)價值，且生長成熟周期較短，由于其具有眾多優(yōu)點，成為飯桌上的美味佳肴，也成為美容界的明星作物。針對黃瓜病害的識別很大程度上仍然停留在依靠人眼觀察階段，存在較大主觀性，識別結(jié)果不精確且速度較慢，無法滿足人們的需求。因此，將黃瓜病斑識別技術(shù)應用于農(nóng)業(yè)領(lǐng)域以解決上述問題[2]，開發(fā)出滿足精準農(nóng)業(yè)要求的黃瓜斑病識別系統(tǒng)。

1 硬件組成

基于樹莓派和Python的黃瓜病斑識別系統(tǒng)主要包含供電模塊、存儲模塊、檢測模塊和處理模塊。

病斑識別系統(tǒng)中檢測模塊對被檢測對象的圖像進行采集，并且對采集到的圖片進行分割等預處理。處理模塊對預處理后的葉片圖像進行灰度化、去噪等深度處理，計算葉片的病斑面積，之后將病斑面積根據(jù)病斑的等級標準進行識別和提示。存儲模塊為樹莓派的底層系統(tǒng)、檢測到的圖片初始數(shù)據(jù)和處理識別后的數(shù)據(jù)提供存儲支持。供電模塊采用鋰電池設(shè)備，既能提供穩(wěn)定電源，又為病斑識別系統(tǒng)使用方式的自由度提供了有力支持。鋰電池供電方式的應用使其不僅可以在實驗室使用，又可以直接走向一線場景進行采集和識別。

葉片掃描儀由樹莓派3B電路板、LCD顯示屏幕、攝像頭和電池供電系統(tǒng)組成，其中樹莓派為硬件和軟件的集成核心，負責連接各部分，提供相應的拍照和計算服務。

黃瓜病斑識別系統(tǒng)的核心在于樹莓派。樹莓派3B電路板是一款搭載Debian操作系統(tǒng)的微型主機，它將擴充存儲卡作為存儲器，主板含有一個百兆以太網(wǎng)接口和WiFi模塊以供信息流傳輸，同時還具有一個CSI2接口攝像頭，用于圖像采集及與40個GPIO引腳連接，電源線接入樹莓派BOARD引腳2（5 V接口），GND接入BOARD引腳14，拍照鍵接入BOARD引腳14（GPIO4），關(guān)機重啟按鍵接入BOARD引腳40（GPIO29）。通過USB電源線連接至樹莓派3B的MicroUSB供電接口，觸發(fā)電源開關(guān)為掃描儀供電。CPU處理器用于處理信息，GPU處理器使顯卡減少了對CPU的依賴，可進行部分原本屬于CPU的工作，如圖像處理。該電路板還含有1 GB內(nèi)存用于存儲數(shù)據(jù)和圖片，主板外設(shè)有一個開關(guān)鍵用于對樹莓派的設(shè)備進行關(guān)機和開機操作，通過圖片捕獲鍵對黃瓜葉片進行拍攝，由電池對樹莓派的設(shè)備供電，借助LCD顯示屏顯示拍攝的黃瓜葉片。系統(tǒng)結(jié)構(gòu)如圖1所示。

2 病斑識別

通過掃描儀的攝像頭采集數(shù)據(jù)，將采集的圖片進行預處理，之后進行病斑識別，并對黃瓜病斑識別圖像進行病斑等級分類。

2.1 圖像預處理

由于采集的圖片會受光照等因素影響，所以需采取平滑、濾波等方式對黃瓜病斑識別系統(tǒng)進行預處理操作，以增大病斑圖像和背景反差，去除噪聲，保障后續(xù)能夠準確、完整地分割病斑圖像[3]。

圖像分割即按照圖像中記錄內(nèi)容的特點將圖像分割成不同區(qū)域，以便后期對其進行加工、分析、處理[4]。圖像分割對后期病害等級分類和準確計算至關(guān)重要。常見的圖像分割方法包括最大類間方差法（OTSU算法）、固定閾值法、迭代閾值法等，本文選用最大類間方差法（OTSU算法）對圖像進行分割處理。

作為一種簡單且效果理想，并具有較強適應能力的一種分割方法，OTSU算法在分割圖像的過程中非常有利，目前很多應用領(lǐng)域都已普及了該種算法用于圖像分割[5]。

OTSU算法于1979年首次被日本研究人員提出，其根據(jù)灰度特征將圖像分為兩部分，即目標和背景。目標和背景之間的差異越大，圖像兩個部分之間的差異越大，因此，選取類間方差最大時的閾值將目標和背景分離[6]。

式中：w0為背景比例，其均值為?0;w1為前景比例，其均值為?1;?為圖像均值;g為類間方差;圖像大小為M·N[7]。運用OTSU算法對黃瓜病斑進行分割的結(jié)果如圖2所示。

2.2 深度處理

2.2.1 灰度化

灰度圖像是一種特殊的彩色圖像[8]。經(jīng)過分割后的黃瓜病斑圖像為彩色圖片，經(jīng)過灰度化處理后對主要病害區(qū)域進行噪聲和紋路處理，其灰度值范圍為0～255。RGB模型中R，G，B分別為三維立體坐標的三個坐標軸，從坐標原點到每個坐標軸的區(qū)域為黑色逐漸變?yōu)榘咨姆植记闆r，而灰度圖像只需要灰度等級值R=G=B。RGB轉(zhuǎn)灰度化的方法主要包括加權(quán)平均法、平均法、最大值法等。

2.2.2 去噪

黃瓜圖像在采集和處理過程中會引入一些噪聲，使圖像變得模糊不清，增加實驗誤差，為避免這些影響，需要對圖像進行去噪處理。本文使用中值濾波法對圖像去噪，不僅方便快捷[9]，還能較好地保留圖像的關(guān)鍵細節(jié)。

中值濾波是最常見的濾波手段，首先尋找圖像中的某一點值，然后計算該點周圍域中的各點中值并用其代替，從而消除圖像鄰域內(nèi)的單一噪聲[10]。

目標范圍內(nèi)像素的總個數(shù)為n，（x， y）為掩膜中心的灰度值，當n為奇數(shù)時，將（n+1）/2作為當前像素（x， y）的值;若n為偶數(shù)時，將中間2個像素值和的一半作為當前像素的值[11]。

2.3 面積計算

通過引入標準參考物，對采集的黃瓜葉片進行預處理和深度處理，得到黃瓜葉片與參照物間像素的對應關(guān)系，從而求出待測黃瓜葉片的面積，根據(jù)公式，便可以求出黃瓜葉片的實際面積。

2.4 病斑等級確定

病斑等級主要依據(jù)黃瓜葉片的病害面積與整個黃瓜葉片面積的比值來確定，共分為如下6個等級。

（1）0級：若病斑占整個葉片面積的百分比為0，則說明黃瓜葉片目前處于健康狀態(tài);

（2）1級：若病斑占整個葉片面積百分比在0～5%之間，則說明目前黃瓜葉片處于發(fā)病初級期，應該做好防護工作;

（3）3級：若病斑占整個葉片面積百分比在5%～10%之間，則說明黃瓜葉片目前處于發(fā)病期，應該制定合理的方案，進行抑制;

（4）5級：若病斑占整個葉片面積百分比在10%～25%之間，則說明黃瓜葉片目前處于發(fā)病蔓延期;

（5）7級：若病斑占整個葉片面積百分比在25%～50%之間，則說明黃瓜葉片目前處于發(fā)病嚴重期;

（6）9級：若病斑占整個葉片面積百分比高于50%，則說明黃瓜葉片目前處于發(fā)病肆虐期。

根據(jù)對黃瓜病斑的等級判定結(jié)果，對黃瓜采取合理的防治措施。

3 結(jié) 語

基于樹莓派和Python的黃瓜病斑識別系統(tǒng)具有高擴展性，其在Linux的底層系統(tǒng)對圖像捕獲和圖像數(shù)據(jù)處理語言的支持極為豐富，為研發(fā)者提供了諸多便利。利用樹莓派結(jié)合Python語言完成黃瓜病斑的識別，通過對黃瓜病斑葉片的采集、預處理和病斑的等級判定，對有嚴重葉片的病斑及時做到防御和抑制工作，以保證黃瓜產(chǎn)量。該系統(tǒng)具有較好的經(jīng)濟效益與社會效益。

參考文獻

[1]許禮捷，葛華，陳紅.基于樹莓派和Python的智能家居系統(tǒng)設(shè)計[J].沙洲職業(yè)工學院學報，2019，22（1）：1-5.

[2]楊頌，張少偉，孫培壯，等.基于STM32和OV5640的無人機農(nóng)情監(jiān)測系統(tǒng)[J].物聯(lián)網(wǎng)技術(shù)，2018，8（7）：22-25.

[3]關(guān)瑩.基于圖像處理的水稻葉部病害快速識別方法研究[D].哈爾濱：東北農(nóng)業(yè)大學，2018.

[4]李長有.青椒果實識別系統(tǒng)的設(shè)計與實現(xiàn)[D].哈爾濱：哈爾濱工業(yè)大學，2017.

[5]孫佳佳.基于限制灰度范圍的OTSU算法的皮膚鏡圖像分割[D].南陽：南陽師范學院，2018.

[6]孔聰雅.基于分數(shù)階螢火蟲優(yōu)化的OTSU圖像分割算法研究[D].銀川：寧夏大學，2019.

[7]孫宏佳.基于機器視覺的花生種子自動識別系統(tǒng)設(shè)計[D].哈爾濱：哈爾濱理工大學，2014.

[8]李向志.遙感圖像海上典型人造目標識別系統(tǒng)研究[D].大連：大連理工大學，2019.

[9]趙世達.基于機器視覺的草莓識別技術(shù)研究[D].武漢：武漢輕工大學，2018.

[10]李寧.手眼伺服作業(yè)機器人平臺系統(tǒng)的研究[D].秦皇島：河北科技師范學院，2017.