楊 濤，雷 進(jìn)，朱皓睿，胡欽云，龍 波

（成都農(nóng)業(yè)科技職業(yè)學(xué)院機(jī)電信息學(xué)院，成都611130）

“中國(guó)麥冬之鄉(xiāng)”三臺(tái)縣有500多年麥冬種植栽培歷史，“涪城麥冬”成為全國(guó)麥冬知名品牌，其產(chǎn)量占全國(guó)60%以上，出口量占全國(guó)80%以上，縣內(nèi)產(chǎn)值超15億元［1］。然而，麥冬生產(chǎn)全程機(jī)械化程度不高，主要依靠人力。尤其是在麥冬病害防治方面，過(guò)度依賴農(nóng)民種植經(jīng)驗(yàn)、缺乏理論依據(jù)和科學(xué)指導(dǎo)，時(shí)常因錯(cuò)過(guò)最佳病害防治時(shí)期或防治措施不當(dāng)帶來(lái)巨大經(jīng)濟(jì)損失［2，3］。農(nóng)作物病害防治一直是學(xué)者們研究的熱點(diǎn)問(wèn)題之一，孫云云等［4］運(yùn)用卷積神經(jīng)網(wǎng)絡(luò)方法對(duì)小樣本茶樹(shù)病害圖像識(shí)別展開(kāi)了研究，基本實(shí)現(xiàn)了小樣本情況下有效區(qū)分3種易混病害；蔣豐千等［5］提出一種基于卷積神經(jīng)網(wǎng)絡(luò)的生姜病害識(shí)別系統(tǒng)，并利用Qt開(kāi)發(fā)了人機(jī)交互界面，顯示了生姜所對(duì)應(yīng)的4種病害及其患病概率；郭小清等［6］提出了一種適用于移動(dòng)平臺(tái)的多尺度識(shí)別模型，使得系統(tǒng)內(nèi)存需求降低了95.4%；張善文等［7］提出了一種基于IDCNNs的蘋(píng)果葉部病害識(shí)別方法，能直接從病害圖像中提取分類特征并運(yùn)用Softmax分類器成功分辨3種蘋(píng)果葉部病害；胡維煒等［8］利用中值濾波結(jié)合K-means聚類方法分割出小麥白粉病、條銹病以及葉銹病，再提取了顏色和紋理特征參數(shù)，設(shè)計(jì)了一種基于Variance算法初選與序列浮動(dòng)前向選擇搜索算法（SFFS）相結(jié)合的特征選擇方法，選出優(yōu)良的特征子集，實(shí)現(xiàn)小麥葉部3種病害的識(shí)別；王震等［9］提出了一種小型多旋翼無(wú)人機(jī)水稻白穗病害識(shí)別系統(tǒng)，以無(wú)人機(jī)平臺(tái)作為圖像處理和識(shí)別的基礎(chǔ)，提取Haar-like特征，運(yùn)用Adaboost算法進(jìn)行白穗訓(xùn)練識(shí)別，其識(shí)別率可達(dá)93.62%；蘆兵等［10］基于高光譜與圖像融合特征建立了生菜3種病害的SVR預(yù)測(cè)模型，其識(shí)別率達(dá)92.23%，但其價(jià)格昂貴。研究提出了一種融合顏色、形態(tài)、紋理等特征的提取方法識(shí)別麥冬葉部黑斑病、炭疽病與葉枯病3種病害，以適應(yīng)生產(chǎn)應(yīng)用。

1 病害圖像處理

1.1 圖像預(yù)處理

2019年7月在成都市青白江地區(qū)某麥冬種植基地自然光照條件下采集了3種病害（黑斑病、炭疽病、葉枯?。﹫D像各60張，其中，30張作為訓(xùn)練樣本；另30張為測(cè)試樣本。為減小計(jì)算量、提高系統(tǒng)的運(yùn)算速度將原始圖像統(tǒng)一裁剪為400×300像素大小，同時(shí)刪除無(wú)關(guān)的冗余信息。然后，使用直方圖均衡化技術(shù)對(duì)裁剪后的病害圖像進(jìn)行增強(qiáng)處理，使得圖像的細(xì)節(jié)信息更清晰，提高圖像的質(zhì)量與可辨識(shí)度，便于人和計(jì)算機(jī)對(duì)圖像做進(jìn)一步分析處理。此外，在圖像采集與傳輸過(guò)程中不可避免地存在一些噪聲［11］。因而，繼續(xù)使用中值濾波技術(shù)對(duì)增強(qiáng)后的病害圖像進(jìn)一步去噪，以達(dá)到較好的平滑效果（圖1）。

1.2 病斑分割效果對(duì)比

為進(jìn)一步提取病斑特征信息，分別使用雙峰法、最大類間方差法（Otsu）以及K-means聚類算法，分別對(duì)3種麥冬葉部病害圖像進(jìn)行病斑分割，其效果見(jiàn)表1。由表1可知，K-means聚類分割算法能直接對(duì)彩色病害圖像進(jìn)行處理，去掉大部分背景，再對(duì)其進(jìn)行數(shù)學(xué)形態(tài)學(xué)處理能得到較為完整的病斑圖像。同時(shí)，避免了過(guò)分割和分割不徹底現(xiàn)象。

圖1 麥冬葉部病害圖像

表1 病斑分割效果

2 特征提取與優(yōu)化

病害圖像特征提取是數(shù)字圖像處理的關(guān)鍵步驟之一，關(guān)系到分類器的效率與識(shí)別率［12］。因此，應(yīng)提取病斑區(qū)分明顯、魯棒性較好的特征。常見(jiàn)的病斑特征提取方法以特征屬性的不同分為顏色特征、形態(tài)特征以及紋理特征提取。

2.1 提取顏色特征

顏色是描述病斑最直接的視覺(jué)特征并且對(duì)圖像本身的方向、尺寸、視角的依賴性較小，具有較強(qiáng)的魯棒性［13-15］。顏色矩是以數(shù)學(xué)方法為基礎(chǔ)，通過(guò)計(jì)算矩特征進(jìn)一步來(lái)描述圖像中的顏色分布情況，并且這些顏色特征信息主要集中在低階矩［11］。也就是說(shuō)，只需要計(jì)算病斑圖像一階矩、二階矩、三階矩就可以描述病斑圖像的顏色信息，計(jì)算見(jiàn)公式（1）。

圖2 樣本顏色特征對(duì)比

式中，μi、σi、ζi分別為圖像的一階矩、二階矩、三階矩；Pij為第i個(gè)像素的第j個(gè)顏色分量；N為像素個(gè)數(shù)。

分別計(jì)算了病斑圖像在RGB與HSV顏色空間各顏色分量的一階矩、二階矩、三階矩（圖2）。由圖2可知，在RGB顏色空間的二階矩沒(méi)有明顯的差異，而其他特征參數(shù)均存在一定區(qū)分度，故可作為區(qū)別不同的病害的顏色特征。

2.2 提取形狀特征

病斑形狀特征與尺寸測(cè)量結(jié)合起來(lái)也是區(qū)分不同病斑的重要依據(jù)［12］?；诓“邎D像提取了以下幾何特征：①提取的是病斑大小A，在二值圖像中表現(xiàn)為灰度值為1的像素個(gè)數(shù)，該特征受尺寸、扭曲、縮放、拍攝條件等影響較大。②運(yùn)用Canny算子提取病斑圖像邊緣后再統(tǒng)計(jì)邊界像素?cái)?shù)目，即病斑周長(zhǎng)L。③圓形度也稱似圓度，表示的是圖像中某一目標(biāo)圖像的形狀和圓形的相似程度，定義為區(qū)域面積A的4π倍與其周長(zhǎng)L的平方之比，即④矩形度是描述目標(biāo)在其最小外接矩形區(qū)域內(nèi)的充滿程度，矩形的矩形度為1，圓的矩形度為，正三角形的矩形度為0.5，而其他不規(guī)則形狀的矩形度在0～1。也就是說(shuō)，能利用矩形度的值來(lái)區(qū)分矩形、圓與不規(guī)則形狀。⑤最小外接矩形的長(zhǎng)寬比，該值不受圖像尺寸、方向的影響，是較為理想的幾何形狀特征。基于此，分別計(jì)算病斑圖像的5個(gè)幾何特征（面積A、周長(zhǎng)L、圓形度C、矩形度Ro、長(zhǎng)寬比Ra）并將結(jié)果繪制成圖3，其中，面積A、周長(zhǎng)L2個(gè)特征因受圖像采集環(huán)境影響較大，而似圓度、矩形度以及最小外接矩形長(zhǎng)寬比卻存在一定的差異，可作為區(qū)分不同病斑的形狀特征。

圖3 樣本病斑圖像形狀特征

2.3 提取紋理特征

病斑圖像紋理特征指的是病斑表面具有緩慢變化或周期性變化的表面結(jié)構(gòu)組織排列屬性，反映病斑的粗糙度、顆粒度等信息，不同的病斑往往呈現(xiàn)出不同的紋理［13］。常見(jiàn)的紋理特征描述方法主要有灰度差分統(tǒng)計(jì)法、自相關(guān)函數(shù)法、灰度共生矩陣法以及頻譜分析法［14］?；诨叶裙采仃嚪謩e計(jì)算距離d=2時(shí)，0°、45°、90°、135°4個(gè)方向上的能量、對(duì)比度、相關(guān)性以及熵的值（圖4）。由圖4可知，只有0°方向上對(duì)比度、相關(guān)性與熵病斑差異較明顯，能夠作為區(qū)分不同病斑的紋理特征。

圖4 樣本病斑圖像紋理特征值

2.4 特征選擇與優(yōu)化

在提取病害特征時(shí)，盡量多地提取認(rèn)為可能有助于提高系統(tǒng)識(shí)別率的特征參數(shù)。事實(shí)上，其中存在一些具有相關(guān)性的冗余信息，會(huì)帶來(lái)龐大的計(jì)算量，影響到分類器的性能［15，16］。基于此，結(jié)合方差比較法和主成分分析法（Principal Component Analysis，PCA）來(lái)進(jìn)行特征選擇與優(yōu)化。首先，剔除方差較大的受外界影響較大的面積A、周長(zhǎng)L2個(gè)離群特征參數(shù)；其次，剔除了RGB顏色分量的二階矩等病害表征能力較差的特征參數(shù)，僅僅保留了RGB各顏色分量的一階矩和三階矩、HSV各顏色分量的顏色矩、圓形度C、矩形度Ro、長(zhǎng)寬比Ra以及0°方向上的對(duì)比度、相關(guān)性與熵，共21個(gè)特征參數(shù)融合成病害圖像特征向量。然后，運(yùn)用PCA降維技術(shù)將特征向量降到了10維。

3 病害識(shí)別

支持向量機(jī)（Support Vector Machine，SVM）是求解模式識(shí)別和函數(shù)估計(jì)問(wèn)題的有效工具，尤其是運(yùn)用核函數(shù)在低維空間中計(jì)算，較好地解決了高維空間中計(jì)算繁瑣、難度大的“維數(shù)災(zāi)難”問(wèn)題，特別是在小樣本的分類識(shí)別任務(wù)中表現(xiàn)良好［17，18］?；诖嗽O(shè)計(jì)了3個(gè)SVM分類器，試驗(yàn)時(shí)，把待測(cè)樣本x→分別輸入到這3個(gè)分類器進(jìn)行分類識(shí)別，得到3個(gè)分類結(jié)果分別記作若樣本屬于該類，則返回值為1；否則，返回值為-1。即

表2 識(shí)別結(jié)果

4 小結(jié)

研究融合病斑圖像多個(gè)顏色、形狀、紋理特征信息，運(yùn)用K-means聚類分割算法、PCA、SVM等技術(shù)成功識(shí)別出麥冬葉部3種病害。與卷積神經(jīng)網(wǎng)絡(luò)方法相比，該方法具有成本低、算法簡(jiǎn)單、高效率等優(yōu)點(diǎn)，基本滿足使用要求，能為麥冬病害預(yù)防提供理論依據(jù)，促進(jìn)麥冬產(chǎn)業(yè)向著信息化發(fā)展。