魏宇婷 雷澤宇 嚴(yán)俊蕭

(塔里木大學(xué)信息工程學(xué)院，新疆 阿拉爾 843300)

1 概述

1.1 研究背景

核桃，作為全球范圍內(nèi)廣泛種植的經(jīng)濟(jì)果樹之一，其果實(shí)因富含多種營(yíng)養(yǎng)成分而備受推崇[1]。然而，核桃在生產(chǎn)過程中常受到各類病害的侵襲，其中核桃葉片褐斑病尤為突出。這種病害會(huì)在葉片上形成特有的褐色病斑，不僅影響樹木的光合作用，降低產(chǎn)量，而且還會(huì)進(jìn)一步影響核桃的品質(zhì)和市場(chǎng)價(jià)值[2]。褐斑病的發(fā)生頻率和影響范圍的擴(kuò)大，已經(jīng)成為制約核桃產(chǎn)業(yè)可持續(xù)發(fā)展的重要因素。

在農(nóng)業(yè)生產(chǎn)實(shí)踐中，對(duì)于病害的監(jiān)測(cè)多依賴于農(nóng)業(yè)工作者的經(jīng)驗(yàn)判斷，這種方法不僅效率低下，而且準(zhǔn)確度不高，難以滿足現(xiàn)代農(nóng)業(yè)對(duì)于病害管理的要求[3]。隨著信息技術(shù)的發(fā)展，尤其是計(jì)算機(jī)視覺技術(shù)在農(nóng)業(yè)中的應(yīng)用，為病害監(jiān)測(cè)提供了新的解決思路[4]。通過對(duì)核桃葉片圖像的自動(dòng)分析，可以實(shí)現(xiàn)對(duì)褐斑病的快速識(shí)別和精確量化，這對(duì)于指導(dǎo)農(nóng)業(yè)生產(chǎn)，實(shí)現(xiàn)精準(zhǔn)施藥具有重要意義[5]。

1.2 研究目的

基于此背景，本研究目的在于開發(fā)一種基于計(jì)算機(jī)視覺的核桃葉片褐斑病自動(dòng)檢測(cè)與面積量化方法。研究將采用固定高度的相機(jī)拍攝受病害影響的核桃葉片，通過圖像處理技術(shù)提取病斑特征，并計(jì)算其面積。該方法的核心在于通過算法自動(dòng)識(shí)別褐斑病斑，減少人工干預(yù)，提高檢測(cè)的準(zhǔn)確性和效率。

在技術(shù)實(shí)現(xiàn)上，本研究將對(duì)采集到的核桃葉片圖像進(jìn)行預(yù)處理，包括噪聲去除、亮度調(diào)整等，以提高病斑特征的可識(shí)別性；研究將利用顏色分割技術(shù)，特別是HSV顏色空間中的閾值分割方法，分離病斑與健康葉片組織；通過形態(tài)學(xué)操作進(jìn)一步優(yōu)化病斑輪廓，最終利用輪廓檢測(cè)算法計(jì)算病斑的準(zhǔn)確面積。此外，研究還將探討如何通過調(diào)整參數(shù)適應(yīng)不同光照和背景條件下的圖像處理，以保證算法的魯棒性和廣泛適用性。

本研究預(yù)期不僅能夠?yàn)楹颂胰~片褐斑病的管理提供科技支持，還能夠?yàn)槠渌魑锊『Φ膱D像識(shí)別和量化分析提供方法借鑒。通過這一研究，期望能夠?yàn)檗r(nóng)業(yè)生產(chǎn)實(shí)現(xiàn)智能化管理提供實(shí)用的技術(shù)解決方案，推動(dòng)現(xiàn)代農(nóng)業(yè)的發(fā)展，并為農(nóng)業(yè)生態(tài)環(huán)境的保護(hù)貢獻(xiàn)力量。

2 相關(guān)工作和理論基礎(chǔ)

2.1 國(guó)內(nèi)外研究現(xiàn)狀

劉翠翠等[6]采用K-mean聚類分割技術(shù)分離出病斑，通過對(duì)顏色、形狀和紋理特征構(gòu)成的46維特征向量進(jìn)行主成分分析，開發(fā)出麥冬葉部病害識(shí)別系統(tǒng)，系統(tǒng)對(duì)病害識(shí)別率達(dá)到了94.4%，促進(jìn)了麥冬產(chǎn)業(yè)現(xiàn)代化發(fā)展。金瑛等[7]使用ResNet-50深度卷積網(wǎng)絡(luò)模型，進(jìn)行機(jī)器學(xué)習(xí)，獲得果樹病害識(shí)別模型，并基于此模型開發(fā)了應(yīng)用軟件提供在線診斷服務(wù)對(duì)4種果樹病害的平均識(shí)別率達(dá)到92.9%。Zhang K等[8]利用卷積神經(jīng)網(wǎng)絡(luò)(CNN)識(shí)別被沙門氏菌(Xanthomonas campestris)感染的桃葉病害，其使用遷移學(xué)習(xí)對(duì)AlexNet進(jìn)行微調(diào)，訓(xùn)練后CNN的特征可視化顯示了自學(xué)習(xí)特征的優(yōu)秀能力，其中AUC值為0.9999，p值分別是0.0343(vs.SVM)、0.0181(vs.KNN)和0.0292(vs.BP)。Mathew M P和Mahesh T Y等[9]研究了使用YOLOv5在辣椒植物葉片上檢測(cè)疾病的方法。Yu等[10]研究了在模型neck部分增加了1個(gè)小目標(biāo)檢測(cè)層，提高了對(duì)小雜質(zhì)如碎殼的檢測(cè)能力，同時(shí)引入了Tansformer-Encoder(Trans-E)模塊和卷積塊注意力模塊(CBAM)，使模型對(duì)圖像的全局信息捕獲和通道特征的敏感度都得到了增強(qiáng)。改進(jìn)后的YOLOv5模型的平均精確度(mAP)達(dá)到了88.9%，比原始YOLOv5網(wǎng)絡(luò)提高了6.7%。

隨著相關(guān)技術(shù)的不斷創(chuàng)新和硬件設(shè)備的日新月異，預(yù)期未來的核桃褐斑病識(shí)別將更為高效、準(zhǔn)確，并更好地適應(yīng)各種環(huán)境條件。

從深度學(xué)習(xí)技術(shù)角度看，現(xiàn)有的識(shí)別模型在精度和效率方面仍有提升的空間。卷積神經(jīng)網(wǎng)絡(luò)(CNN)是當(dāng)前最常用的圖像識(shí)別模型，但近年來，隨著一些新的模型結(jié)構(gòu)的提出，如殘差網(wǎng)絡(luò)(ResNet)[11]，可變形卷積神經(jīng)網(wǎng)絡(luò)(Deformable convnets)[12]以及注意力機(jī)制(Attention)[13]等，因此預(yù)期未來的識(shí)別模型將更為強(qiáng)大和智能。

2.2 圖像處理技術(shù)

圖像處理技術(shù)是計(jì)算機(jī)視覺領(lǐng)域的基石，涉及到從圖像采集、預(yù)處理、特征提取到最終的圖像分析和理解的全過程[14]。在本研究中，將重點(diǎn)介紹幾個(gè)核心的圖像處理概念。

2.2.1 HSV顏色空間

HSV顏色空間將顏色表示為色調(diào)(Hue)、飽和度(Saturation)和亮度(Value)，這與人類感知顏色的方式更為接近。與RGB顏色空間相比，HSV在處理光照變化時(shí)更加穩(wěn)定，因此其被廣泛用于圖像的顏色分割，特別是在植物病害檢測(cè)中，HSV空間可以更好地區(qū)分病斑和健康葉片。

2.2.2 形態(tài)學(xué)操作

形態(tài)學(xué)操作是一種基于圖像形狀的處理技術(shù)，常用的操作包括腐蝕、膨脹、開運(yùn)算和閉運(yùn)算等。這些操作可以用來去除噪聲、填充斷裂點(diǎn)和連接相鄰物體等，對(duì)于改善病害區(qū)域的檢測(cè)結(jié)果非常有用。

圖1 HSV色彩空間

2.2.3 輪廓檢測(cè)

輪廓檢測(cè)是圖像分析中的一個(gè)重要環(huán)節(jié)，其旨在識(shí)別出圖像中物體的輪廓線。在植物病害檢測(cè)中，輪廓檢測(cè)可以幫助人們準(zhǔn)確地定位病斑的邊界，從而進(jìn)行面積量化。

2.3 OpenCV庫簡(jiǎn)介

OpenCV(Open Source Computer Vision Library)是一個(gè)開源的計(jì)算機(jī)視覺和機(jī)器學(xué)習(xí)軟件庫，其包含了數(shù)千種算法，涵蓋了從圖像處理到計(jì)算機(jī)視覺和機(jī)器學(xué)習(xí)的廣泛領(lǐng)域。OpenCV以其強(qiáng)大的功能、高效的執(zhí)行和易用性在學(xué)術(shù)和工業(yè)界得到了廣泛應(yīng)用[15]。

在本研究中，OpenCV將作為主要的圖像處理工具。其提供了一系列的函數(shù)來實(shí)現(xiàn)HSV顏色空間轉(zhuǎn)換、形態(tài)學(xué)操作和輪廓檢測(cè)等功能。如，cv2.cvtColor函數(shù)可以將RGB圖像轉(zhuǎn)換為HSV圖像，cv2.findContours函數(shù)可以用來檢測(cè)圖像中的輪廓，而cv2.drawContours函數(shù)則可以將輪廓繪制在圖像上。通過這些函數(shù)的組合使用，可以構(gòu)建一個(gè)完整的病害檢測(cè)和面積量化流程。

總結(jié)來說，通過對(duì)國(guó)內(nèi)外研究現(xiàn)狀的介紹，了解了植物病害圖像分析領(lǐng)域的發(fā)展歷程和現(xiàn)狀。通過介紹圖像處理的基本概念和OpenCV庫的應(yīng)用，為接下來的方法論和實(shí)驗(yàn)部分奠定了理論和技術(shù)基礎(chǔ)。本文將具體展示如何應(yīng)用這些理論和工具來解決核桃葉片褐斑病的檢測(cè)和量化問題。

3 方法論

3.1 系統(tǒng)設(shè)計(jì)

為了實(shí)現(xiàn)對(duì)核桃葉片上褐斑病的有效檢測(cè)，本文精心設(shè)計(jì)了一個(gè)圖像采集系統(tǒng)。系統(tǒng)的核心是一款高分辨率相機(jī)，其選擇基于能夠提供清晰圖像和準(zhǔn)確色彩捕捉的能力。這款相機(jī)不僅具備調(diào)節(jié)焦距的功能，以適應(yīng)不同大小葉片的拍攝要求，還能夠保證在不同環(huán)境光線下都能夠捕捉到葉片的真實(shí)顏色，為后續(xù)的圖像處理打下堅(jiān)實(shí)的基礎(chǔ)。

在拍攝過程中，為了消除由于葉片與相機(jī)距離不同而造成的圖像尺度變化，選擇了固定高度拍攝的方案。通過這種方式，每張圖像中葉片的大小和形狀都保持一致，為后續(xù)圖像分析提供了便利。此外，考慮到自然光線的不穩(wěn)定性，采用人工光源保證拍攝過程中光照的均勻性。同時(shí)，為了減少圖像背景的干擾，選擇了與葉片顏色對(duì)比度高的背景材料，從而簡(jiǎn)化了圖像分割階段的難度。

3.2 圖像處理流程

圖像處理是實(shí)現(xiàn)葉片病斑檢測(cè)的重要環(huán)節(jié)。將原始圖像從RGB顏色空間轉(zhuǎn)換到HSV顏色空間。HSV空間將顏色信息分解為色調(diào)、飽和度和亮度3個(gè)獨(dú)立的分量，這樣的分解有助于更準(zhǔn)確地區(qū)分病斑和健康的葉片組織。

在HSV空間中，設(shè)定了一系列的顏色閾值。這些閾值是基于對(duì)大量健康葉片和受病害影響葉片的顏色分布的統(tǒng)計(jì)分析得出的。通過這些閾值，能夠生成1個(gè)二值掩碼，該掩碼能夠清晰地區(qū)分出病斑區(qū)域和健康的葉片組織。

為了進(jìn)一步提高掩碼的質(zhì)量，對(duì)其進(jìn)行了一系列的形態(tài)學(xué)操作。通過腐蝕操作，去除了掩碼中的孤立噪點(diǎn)；通過膨脹操作，填補(bǔ)了病斑區(qū)域中的小裂縫。這些操作的目的是獲得更加平滑且連貫的病斑區(qū)域表示。

利用輪廓檢測(cè)算法識(shí)別出病斑的精確邊界。這一步是至關(guān)重要的，因?yàn)橹苯雨P(guān)系到后續(xù)面積計(jì)算的準(zhǔn)確性。根據(jù)檢測(cè)到的輪廓，計(jì)算出病斑區(qū)域的面積。由于相機(jī)在固定高度拍攝，能夠通過一個(gè)簡(jiǎn)單的校準(zhǔn)過程，將像素面積轉(zhuǎn)換為實(shí)際的物理面積。

3.3 參數(shù)確定和優(yōu)化

參數(shù)的確定和優(yōu)化是整個(gè)圖像處理流程中一個(gè)連續(xù)的挑戰(zhàn)。顏色閾值的精確設(shè)定，需要對(duì)大量受病害影響和健康的葉片樣本進(jìn)行顏色分析。通過迭代的方式，逐步調(diào)整這些閾值，直到找到能夠最準(zhǔn)確區(qū)分病斑和健康葉片的參數(shù)。

圖2 參數(shù)確定和優(yōu)化工具

形態(tài)學(xué)操作中核的選擇也是基于實(shí)驗(yàn)的。核的大小直接影響到腐蝕和膨脹效果，過大的核可能會(huì)導(dǎo)致病斑區(qū)域的丟失，而過小的核可能無法有效去除噪聲。通過一系列的試驗(yàn)，找到了最適合的核大小，以達(dá)到最佳的圖像處理效果。

此外，還對(duì)拍攝的焦距、光照條件等進(jìn)行了細(xì)致的調(diào)整和優(yōu)化。這些參數(shù)雖然看似次要，但對(duì)于最終圖像質(zhì)量和處理效果有著不可忽視的影響。通過反復(fù)的實(shí)驗(yàn)和調(diào)整，確保了采集到的圖像能夠在不同環(huán)境條件下保持一致的質(zhì)量，從而為后續(xù)的圖像處理流程提供了堅(jiān)實(shí)的基礎(chǔ)。

本研究建立了一個(gè)既準(zhǔn)確又魯棒的核桃葉片褐斑病面積檢測(cè)系統(tǒng)。這一系統(tǒng)不僅能夠提供高質(zhì)量的圖像數(shù)據(jù)，而且通過精心設(shè)計(jì)的圖像處理流程和參數(shù)優(yōu)化策略，能夠有效檢測(cè)和量化葉片上的病斑面積，為病害監(jiān)測(cè)和農(nóng)業(yè)管理提供了有力的工具。

4 實(shí)驗(yàn)結(jié)果與分析

4.1 實(shí)驗(yàn)設(shè)置

為了驗(yàn)證所提出的核桃葉片褐斑病面積檢測(cè)方法的有效性，設(shè)置了一系列的實(shí)驗(yàn)。實(shí)驗(yàn)的首要步驟是圖像的采集，在實(shí)驗(yàn)室內(nèi)搭建了一個(gè)標(biāo)準(zhǔn)化的拍攝環(huán)境，確保了光照和背景的一致性。在此環(huán)境中，使用高分辨率相機(jī)拍攝了數(shù)百張核桃葉片的圖像，這些葉片展現(xiàn)了從健康到不同程度受褐斑病影響的各種狀態(tài)。

圖3 核桃葉片褐斑病例圖

采集到的圖像經(jīng)過預(yù)處理，包括色彩空間的轉(zhuǎn)換、閾值設(shè)定、形態(tài)學(xué)操作以及輪廓檢測(cè)等步驟。這一系列的處理旨在將葉片上的褐斑病區(qū)域從健康的葉片組織中準(zhǔn)確分離出來，并計(jì)算其面積。

4.2 結(jié)果展示

實(shí)驗(yàn)結(jié)果表明，所提出的方法能夠有效處理采集到的圖像，并準(zhǔn)確檢測(cè)出褐斑病區(qū)域。在結(jié)果展示中，提供了一系列的對(duì)比圖像，包括處理前后的圖像以及相應(yīng)的二值掩碼圖像。這些圖像清晰地顯示了褐斑病區(qū)域在經(jīng)過處理后被準(zhǔn)確地標(biāo)記和分割出來。此外，還展示了病斑面積的計(jì)算結(jié)果，這些結(jié)果以圖表的形式呈現(xiàn)，展示了病斑面積與實(shí)際葉片面積的比例關(guān)系。

圖4 轉(zhuǎn)換成HSV顏色空間后的例圖

此外，還對(duì)處理過程中的每一步進(jìn)行了詳細(xì)分析，包括顏色閾值的選擇，形態(tài)學(xué)操作的影響，以及輪廓檢測(cè)的精確度。通過這些分析，能夠展示每一個(gè)步驟對(duì)最終結(jié)果的貢獻(xiàn)，以及這些步驟是如何相互作用以提高病斑檢測(cè)準(zhǔn)確性的。

4.3 結(jié)果分析

在對(duì)實(shí)驗(yàn)結(jié)果進(jìn)行深入分析時(shí)，發(fā)現(xiàn)所提方法在準(zhǔn)確性和可靠性方面表現(xiàn)出色。通過與專家手動(dòng)標(biāo)記的病斑面積進(jìn)行比較，本文的方法在絕大多數(shù)情況下都能夠提供非常接近的結(jié)果。這證明了圖像處理流程和參數(shù)選擇的有效性。

然而，也注意到了一些可能影響結(jié)果準(zhǔn)確性的因素。如，葉片上的污漬或者陰影有時(shí)會(huì)被錯(cuò)誤地識(shí)別為病斑區(qū)域，這主要是因?yàn)槠湓陬伾吓c褐斑病相似。此外，葉片卷曲的邊緣有時(shí)也會(huì)導(dǎo)致輪廓檢測(cè)的誤差。為了解決這些問題，進(jìn)一步調(diào)整了顏色閾值和形態(tài)學(xué)操作參數(shù)，以減少這類誤差。

在實(shí)驗(yàn)過程中，還發(fā)現(xiàn)光照的微小變化也可能影響顏色閾值的設(shè)定。為了提高系統(tǒng)的魯棒性，在不同的光照條件下重復(fù)實(shí)驗(yàn)，以確保本文的方法在不同環(huán)境下都能保持高準(zhǔn)確性。

總體而言，實(shí)驗(yàn)結(jié)果表明，本研究在核桃葉片褐斑病面積檢測(cè)方面是有效和可靠的。通過對(duì)可能影響結(jié)果的因素進(jìn)行分析和優(yōu)化，進(jìn)一步提高了方法的準(zhǔn)確性和適用性。未來的工作將集中在進(jìn)一步提高算法的魯棒性，以及擴(kuò)展方法到更多類型的植物病害檢測(cè)上。

5 結(jié)論與未來工作

在本研究中，成功地開發(fā)并驗(yàn)證了一種用于自動(dòng)檢測(cè)和計(jì)算核桃葉片褐斑病面積的方法。通過精心設(shè)計(jì)的實(shí)驗(yàn)和一系列圖像處理技術(shù)，此方法在實(shí)驗(yàn)室條件下展現(xiàn)了高度的準(zhǔn)確性和可靠性。實(shí)驗(yàn)結(jié)果表明，該方法可以有效地從圖像中分割出褐斑病區(qū)域，并準(zhǔn)確計(jì)算其面積。這一成果對(duì)于減輕人工工作量，提高病害檢測(cè)效率具有重要的實(shí)際意義。

盡管取得了顯著進(jìn)展，但研究的深入也揭示了未來工作的多個(gè)潛在方向。為了進(jìn)一步提升算法的性能，未來的研究可以專注于算法優(yōu)化，特別是在處理復(fù)雜環(huán)境下的圖像時(shí)。此外，系統(tǒng)硬件的改進(jìn)也是提高圖像質(zhì)量和病害檢測(cè)準(zhǔn)確性的關(guān)鍵。此外，該方法的適用性擴(kuò)展也是未來工作的重要部分，旨在將其應(yīng)用到更廣泛的植物病害檢測(cè)中。

未來的工作還包括提高系統(tǒng)的自動(dòng)化水平，減少對(duì)專業(yè)知識(shí)的依賴，使得病害檢測(cè)對(duì)用戶更加友好。機(jī)器學(xué)習(xí)和深度學(xué)習(xí)技術(shù)的應(yīng)用也將是未來研究的重點(diǎn)，這些先進(jìn)技術(shù)的引入有望大幅提升檢測(cè)系統(tǒng)的準(zhǔn)確性和效率。

本研究的意義遠(yuǎn)不止于技術(shù)層面的進(jìn)步，其對(duì)于植物病理學(xué)領(lǐng)域的研究和農(nóng)業(yè)生產(chǎn)實(shí)踐都有著重要的貢獻(xiàn)。自動(dòng)化和智能化的病害檢測(cè)技術(shù)能夠幫助農(nóng)業(yè)生產(chǎn)者更有效地管理作物健康，減少農(nóng)藥的不必要使用，從而降低成本并減少環(huán)境污染。此外，該技術(shù)的發(fā)展還將推動(dòng)智能農(nóng)業(yè)技術(shù)的進(jìn)步，為實(shí)現(xiàn)完全自動(dòng)化的病害監(jiān)測(cè)和管理開辟新的道路?？偠灾?，本研究在推動(dòng)植物病理學(xué)和農(nóng)業(yè)生產(chǎn)向更高效、更環(huán)保方向發(fā)展方面具有潛在的深遠(yuǎn)影響。