论文部分内容阅读
摘要:为了根据作物不同病害程度等级采取不同防治方法,实现作物高产和减少环境污染,提出了一种复杂背景下的作物叶片病害等级分类算法。首先,利用阈值分割法对黄瓜病害叶片图像进行病斑分割;其次,计算病斑区域中像素个数与病叶区域中像素个数的比值;最后用作物病害等级分级标准进行比较来确定病害等级类别。利用该方法在2种作物5种常见病害叶片图像数据库上进行了病害等级分类试验,识别精度高达 92.7%。结果表明,该方法对作物病害叶片等级分类是有效可行的。
关键词:颜色特征;环境信息;作物叶片;病斑分割;等级分类
中图分类号: TP391.41 文献标志码: A 文章编号:1002-1302(2016)07-0428-03
我国是一个农业大国,农业在国民经济中占据着重要的地位,对我国的经济高速发展有着极其重要的意义[1]。但农作物的种植过程经常出现各种各样的病虫害,这些都会对农作物产出巨大影响。为了减少病害影响,喷洒农药是病害防治中最快速、最有效的方法,不过在喷洒农药时经常忽视了农作物病害的差异性,即病害的严重度,都采用相同的药剂,不仅造成农药的浪费、农产品药剂残留量较大,而且对环境有严重的危害。为了达到合理地、有效地喷洒农药来减少不同程度农作物病害,核心技术是如何能及时、快速地获得植物叶片病害程度[2-3]。传统的病害检测是农业生产者和植保专家通过以往经验进行肉眼判断,这种方法无论是在试验大棚还是田间调查,不反劳动强度大,并且由于人为主观因素的影响,有很大的不确定性。
目前,农作物叶片病害等级的自动识别主要是基于计算机图像处理和模式识别技术,以农作物叶片的颜色特征作为检测、分割、识别的主要研究对象[4]。主要实现方法有:光谱特征分析法、纹理特征分析法、形状特征分析法等。近年来,随着相关领域科技水平的不断提高,病害等级的测试技术正由传统的实验室常规测试向田间直接无损测试方向发展,同时测试水平正由定性或半定量的手工测试向精确定量的智能化方向发展[5]。目前,针对作物病害的智能化无损测试技术已成为国内外研究的热点。其中较成熟的技术方法主要有遥感技术和专家系统。
鉴于此,研究一种复杂背景下的农作物叶片病害程度识别系统来对农作物叶片病害等级自动识别分类,利用计算机图像处理技术为农作物叶片病害进行病害等级自动识别提出了一个全新的思路。本研究基于计算机图像处理技术,在养料充足、农作物供水基础之上,实现一种复杂背景下的农作物叶片病害程度等级自动分类系统。
1 材料与方法
1.1 病害叶片图像的获取
本研究所使用的病害样本图像均是在陕西杨凌农业示范区科学园中自然光照的非强光条件下利用佳能A640相机采集得到的作物病害叶片图像,主要采集玉米和黄瓜2种作物的多种病害图像,其中玉米选取最常见的锈病、褐斑病、弯孢菌叶斑病、小斑病和大斑病5类病害,黄瓜主要选取最常见的细菌性角斑病、黄瓜炭疽病、黄瓜霜霉病、白粉病和白粉虱病5类病害。作物病害叶片分片从不同病害等级程度分别采集,对每种病害的叶片采取每天拍摄1次叶片图像,分别记录下采集时间、温度、湿度等环境信息。拍摄病害叶片图像方式一致,保证每张病害叶片图像都是在同一条件下采集的。主要针对于玉米和黄瓜2种作物的5种病害叶片在不同时期分别采集图像各150幅,每种病害30幅,每种病害程度(分为轻微程度、中等程度和严重程度3种等级)各10幅图像。
1.2 病害叶片图像的预处理
图像分割是指把图像分割成各具特性的区域并提取出感兴趣目标的技术和过程[6]。目前,图像分割算法较多,典型算法有阈值法、区域分割法、边缘检测分割法等,但所有的图像分割算法都是利用图像中像素点的相似性和不连续性,如区域分割法是通過计算区域性灰度相似性来实现;边缘检测分割法是计算图像中各区域间的灰度不连续性来实现[7-8]。本研究主要采用阈值法进行图像分割,该方法采用区域分割技术,利用图像中病斑图像和叶片背景在灰度上的差异性来实现,通过选择有效阈值T,然后将图像中的每个像素点的特征值与阈值T进行比较,来判断该像素点是属于目标区域还是背景区域,以此来产生二值图像。
用阈值分割法来进行病斑分离,那么阈值的选取就至关重要[9]。本算法中阈值是根据作物病害叶片的直方图来确定的[10]。根据试验结果统计分析可以看出,叶片图像的灰度级直方图中包含3个峰值和2个谷值,因此,可以取低谷处的灰度值作为阈值就可以分割出病叶及病斑,利用此算法就可以将阈值化后的图像变成二值化图像[11]。
当阈值取T1>T时,可以分离出病叶;当阈值取T2 1.3 复杂背景下的作物病害程度识别算法
本研究中采用计算病斑像素个数与整个叶片像素数的比值,即通过利用病斑区域中的像素个数与病叶区域中像素个数比值K来表示作物病害程度等级[12-13]。A表示整个作物叶片的总面积,A1为病斑像素点的面积,N1为病叶区域中像素个数,N为病斑区域中的像素个数。根据K值结合表1来确定病斑等级。表1是根据试验测试结合人眼观测,对各种病害程度病斑等级进行统计,总结出作物病害程度等级标准。
2 结果与分析
为了验证本研究算法的可行性,分别采集黄瓜和玉米2种作物进行测试,其中玉米选取最常见的锈病、褐斑病、弯孢菌叶斑病、小斑病和大斑病5类病害,黄瓜选取最常见的细菌性角斑病、黄瓜炭疽病、黄瓜霜霉病、白粉病和白粉虱病5类病害。黄瓜和玉米共采集病害叶片300幅,其中150幅用于训练集,150幅用于测试集。图1给出了病害叶片图像的部分样本。试验平台是Windows XP系统中利用Matlab 75.0软件中包含的图像处理工具箱作为试验中的图像处理和算法分析,计算上述特征数据,利用统计分析软件SAS 9.2进行数据分析。试验分为病斑分割和病害等级分类2步。 2.1 病斑分割
采用阈值分割法对作物病斑叶片进行病害分割,从中定位并提取出待识别的病斑部位,为后面确定病害等级做好准备。图2给出了部分作物病害叶片病斑分割的结果。其中,左图为病害叶片原始图像,右边二值图像为对应的分割结果。采用阈值分割法进行分割过程中得到的二值化图像的熵值、自动阈值和分割时间如表2所示。
从图2可以看出,采用阈值分割法可以有效地分割出作物叶片和病斑,效果较好,便于进行后面的病害等级分类。从表2的2种作物选择的3种病害进行分割得到的参数中可以看出,阈值分割法处理时间均小于2 s,基本能满足实时处理要求。
2.2 病害等级分类
根据作业叶片病斑的分割结果,分别计算整个作物叶片的像素数和病斑像素数,根据公式(2)计算出作物病害程度等级系数K,然后根据系数K结合表1来确定作物病害程度等级,再结合作物专家系统来确定病害程度等级分类是否准确。本研究采集2种作物各5种病害的叶片共300幅,其中黄瓜和玉米各150幅,每种病害叶片30幅,其中,每种病害还分为3类等级,即每种作物每种病害每种病害等级采集叶片各10幅,其中5幅用于测试集,另外5幅用于训练集。表3给出了2种作物5种病害等级分类结果。
从表3可以看出,中等病害的识别率较低,仅有86%,结合试验结果分析可知,中等病害识别率较低的原因是某些作物叶片病害程度差距极小,识别错误的7幅图像中有4幅被识别为严重病害,3幅被识别为轻微病害;而轻微病害和严重病害的识别率较高,总识别率为92.7%。由此可见,本研究算法在作物病害叶片等级分类中具有较高的应用价值。
3 结论
本研究采用高分辨率的专业数码相机佳能A640在不同生长周期有效地获取农作物(以黄瓜、玉米为例)不同病害期时病害叶片的颜色及形态信息,客观地对病害等级进行量化,根据采集的农作物叶片划分为4个等级(正常无病害、轻微病害、中等病害、严重病害),从而为有效地指导病害防治并能够精确地控制农药量提供技术支撑,既能有效防治病害,又尽可能地减少农产品药物残留量以及引起的空气污染,对现阶段的农作物病害防治和食品安全等领域具有较大的应用价值。
参考文献:
[1]张 芳,王 璐,付立思,等. 复杂背景下黄瓜病害叶片的分割方法研究[J]. 浙江农业学报,2014,26(5):1346-1355.
[2]谢泽奇,张会敏,张善文,等. 基于颜色特征和属性约简的黄瓜病害识别方法[J]. 江苏农业学报,2015,31(3):526-530.
[3]毛罕平,张艳诚,胡 波.基于模糊C均值聚类的作物病害叶片图像分割方法研究[J]. 农业工程学报,2008,24(9):136-140.
[4]张会敏,张云龙,张善文,等. 基于区分矩阵的属性约简算法的作物病害识别方法[J]. 江苏农业科学,2015,43(1):387-389.
[5]刁智华,赵春江,吴 刚,等. 数学形态学在作物病害图像处理中的应用研究[J]. 中国图象图形学报,2010,15(2):194-199.
[6]Revathi P,Revathi R. Knowledge discovery in diagnose of crop diseases using machine learning techniques[J]. International Journal of Engineering Science and Technology,2011,3(9):7187-7190.
[7]袁 媛,李 淼,陳 晟,等. 复杂背景黄瓜叶部病害图像分割方法[J]. 农业机械学报,2013,44(10):233-237.
[8]刘丽娟,刘仲鹏,张丽梅. 基于图像处理技术的玉米叶部病害识别研究[J]. 吉林农业科学,2014,39(1):61-65.
[9]张善文,张传雷. 基于局部判别映射算法的玉米病害识别方法[J]. 农业工程学报,2014,30(11):167-172.
[10]温长吉,王生生,于合龙,等. 基于改进蜂群算法优化神经网络的玉米病害图像分割[J]. 农业工程学报,2013,29(13):142-149.
[11]王献锋,张善文,王 震,等. 基于叶片图像和环境信息的黄瓜病害识别方法[J]. 农业工程学报,2014,30(14):148-153.
[12]吴 娜,李 淼,陈 晟,等. 基于融合多特征图切割的作物病害图像自动分割[J]. 农业工程学报,2014,30(17):212-219.
[13]刘 君,王振中,李宝聚,等. 基于图像处理的作物病害自动识别系统的研究[J]. 计算机工程与应用,2012,48(13):154-158,180.
关键词:颜色特征;环境信息;作物叶片;病斑分割;等级分类
中图分类号: TP391.41 文献标志码: A 文章编号:1002-1302(2016)07-0428-03
我国是一个农业大国,农业在国民经济中占据着重要的地位,对我国的经济高速发展有着极其重要的意义[1]。但农作物的种植过程经常出现各种各样的病虫害,这些都会对农作物产出巨大影响。为了减少病害影响,喷洒农药是病害防治中最快速、最有效的方法,不过在喷洒农药时经常忽视了农作物病害的差异性,即病害的严重度,都采用相同的药剂,不仅造成农药的浪费、农产品药剂残留量较大,而且对环境有严重的危害。为了达到合理地、有效地喷洒农药来减少不同程度农作物病害,核心技术是如何能及时、快速地获得植物叶片病害程度[2-3]。传统的病害检测是农业生产者和植保专家通过以往经验进行肉眼判断,这种方法无论是在试验大棚还是田间调查,不反劳动强度大,并且由于人为主观因素的影响,有很大的不确定性。
目前,农作物叶片病害等级的自动识别主要是基于计算机图像处理和模式识别技术,以农作物叶片的颜色特征作为检测、分割、识别的主要研究对象[4]。主要实现方法有:光谱特征分析法、纹理特征分析法、形状特征分析法等。近年来,随着相关领域科技水平的不断提高,病害等级的测试技术正由传统的实验室常规测试向田间直接无损测试方向发展,同时测试水平正由定性或半定量的手工测试向精确定量的智能化方向发展[5]。目前,针对作物病害的智能化无损测试技术已成为国内外研究的热点。其中较成熟的技术方法主要有遥感技术和专家系统。
鉴于此,研究一种复杂背景下的农作物叶片病害程度识别系统来对农作物叶片病害等级自动识别分类,利用计算机图像处理技术为农作物叶片病害进行病害等级自动识别提出了一个全新的思路。本研究基于计算机图像处理技术,在养料充足、农作物供水基础之上,实现一种复杂背景下的农作物叶片病害程度等级自动分类系统。
1 材料与方法
1.1 病害叶片图像的获取
本研究所使用的病害样本图像均是在陕西杨凌农业示范区科学园中自然光照的非强光条件下利用佳能A640相机采集得到的作物病害叶片图像,主要采集玉米和黄瓜2种作物的多种病害图像,其中玉米选取最常见的锈病、褐斑病、弯孢菌叶斑病、小斑病和大斑病5类病害,黄瓜主要选取最常见的细菌性角斑病、黄瓜炭疽病、黄瓜霜霉病、白粉病和白粉虱病5类病害。作物病害叶片分片从不同病害等级程度分别采集,对每种病害的叶片采取每天拍摄1次叶片图像,分别记录下采集时间、温度、湿度等环境信息。拍摄病害叶片图像方式一致,保证每张病害叶片图像都是在同一条件下采集的。主要针对于玉米和黄瓜2种作物的5种病害叶片在不同时期分别采集图像各150幅,每种病害30幅,每种病害程度(分为轻微程度、中等程度和严重程度3种等级)各10幅图像。
1.2 病害叶片图像的预处理
图像分割是指把图像分割成各具特性的区域并提取出感兴趣目标的技术和过程[6]。目前,图像分割算法较多,典型算法有阈值法、区域分割法、边缘检测分割法等,但所有的图像分割算法都是利用图像中像素点的相似性和不连续性,如区域分割法是通過计算区域性灰度相似性来实现;边缘检测分割法是计算图像中各区域间的灰度不连续性来实现[7-8]。本研究主要采用阈值法进行图像分割,该方法采用区域分割技术,利用图像中病斑图像和叶片背景在灰度上的差异性来实现,通过选择有效阈值T,然后将图像中的每个像素点的特征值与阈值T进行比较,来判断该像素点是属于目标区域还是背景区域,以此来产生二值图像。
用阈值分割法来进行病斑分离,那么阈值的选取就至关重要[9]。本算法中阈值是根据作物病害叶片的直方图来确定的[10]。根据试验结果统计分析可以看出,叶片图像的灰度级直方图中包含3个峰值和2个谷值,因此,可以取低谷处的灰度值作为阈值就可以分割出病叶及病斑,利用此算法就可以将阈值化后的图像变成二值化图像[11]。
当阈值取T1>T时,可以分离出病叶;当阈值取T2
本研究中采用计算病斑像素个数与整个叶片像素数的比值,即通过利用病斑区域中的像素个数与病叶区域中像素个数比值K来表示作物病害程度等级[12-13]。A表示整个作物叶片的总面积,A1为病斑像素点的面积,N1为病叶区域中像素个数,N为病斑区域中的像素个数。根据K值结合表1来确定病斑等级。表1是根据试验测试结合人眼观测,对各种病害程度病斑等级进行统计,总结出作物病害程度等级标准。
2 结果与分析
为了验证本研究算法的可行性,分别采集黄瓜和玉米2种作物进行测试,其中玉米选取最常见的锈病、褐斑病、弯孢菌叶斑病、小斑病和大斑病5类病害,黄瓜选取最常见的细菌性角斑病、黄瓜炭疽病、黄瓜霜霉病、白粉病和白粉虱病5类病害。黄瓜和玉米共采集病害叶片300幅,其中150幅用于训练集,150幅用于测试集。图1给出了病害叶片图像的部分样本。试验平台是Windows XP系统中利用Matlab 75.0软件中包含的图像处理工具箱作为试验中的图像处理和算法分析,计算上述特征数据,利用统计分析软件SAS 9.2进行数据分析。试验分为病斑分割和病害等级分类2步。 2.1 病斑分割
采用阈值分割法对作物病斑叶片进行病害分割,从中定位并提取出待识别的病斑部位,为后面确定病害等级做好准备。图2给出了部分作物病害叶片病斑分割的结果。其中,左图为病害叶片原始图像,右边二值图像为对应的分割结果。采用阈值分割法进行分割过程中得到的二值化图像的熵值、自动阈值和分割时间如表2所示。
从图2可以看出,采用阈值分割法可以有效地分割出作物叶片和病斑,效果较好,便于进行后面的病害等级分类。从表2的2种作物选择的3种病害进行分割得到的参数中可以看出,阈值分割法处理时间均小于2 s,基本能满足实时处理要求。
2.2 病害等级分类
根据作业叶片病斑的分割结果,分别计算整个作物叶片的像素数和病斑像素数,根据公式(2)计算出作物病害程度等级系数K,然后根据系数K结合表1来确定作物病害程度等级,再结合作物专家系统来确定病害程度等级分类是否准确。本研究采集2种作物各5种病害的叶片共300幅,其中黄瓜和玉米各150幅,每种病害叶片30幅,其中,每种病害还分为3类等级,即每种作物每种病害每种病害等级采集叶片各10幅,其中5幅用于测试集,另外5幅用于训练集。表3给出了2种作物5种病害等级分类结果。
从表3可以看出,中等病害的识别率较低,仅有86%,结合试验结果分析可知,中等病害识别率较低的原因是某些作物叶片病害程度差距极小,识别错误的7幅图像中有4幅被识别为严重病害,3幅被识别为轻微病害;而轻微病害和严重病害的识别率较高,总识别率为92.7%。由此可见,本研究算法在作物病害叶片等级分类中具有较高的应用价值。
3 结论
本研究采用高分辨率的专业数码相机佳能A640在不同生长周期有效地获取农作物(以黄瓜、玉米为例)不同病害期时病害叶片的颜色及形态信息,客观地对病害等级进行量化,根据采集的农作物叶片划分为4个等级(正常无病害、轻微病害、中等病害、严重病害),从而为有效地指导病害防治并能够精确地控制农药量提供技术支撑,既能有效防治病害,又尽可能地减少农产品药物残留量以及引起的空气污染,对现阶段的农作物病害防治和食品安全等领域具有较大的应用价值。
参考文献:
[1]张 芳,王 璐,付立思,等. 复杂背景下黄瓜病害叶片的分割方法研究[J]. 浙江农业学报,2014,26(5):1346-1355.
[2]谢泽奇,张会敏,张善文,等. 基于颜色特征和属性约简的黄瓜病害识别方法[J]. 江苏农业学报,2015,31(3):526-530.
[3]毛罕平,张艳诚,胡 波.基于模糊C均值聚类的作物病害叶片图像分割方法研究[J]. 农业工程学报,2008,24(9):136-140.
[4]张会敏,张云龙,张善文,等. 基于区分矩阵的属性约简算法的作物病害识别方法[J]. 江苏农业科学,2015,43(1):387-389.
[5]刁智华,赵春江,吴 刚,等. 数学形态学在作物病害图像处理中的应用研究[J]. 中国图象图形学报,2010,15(2):194-199.
[6]Revathi P,Revathi R. Knowledge discovery in diagnose of crop diseases using machine learning techniques[J]. International Journal of Engineering Science and Technology,2011,3(9):7187-7190.
[7]袁 媛,李 淼,陳 晟,等. 复杂背景黄瓜叶部病害图像分割方法[J]. 农业机械学报,2013,44(10):233-237.
[8]刘丽娟,刘仲鹏,张丽梅. 基于图像处理技术的玉米叶部病害识别研究[J]. 吉林农业科学,2014,39(1):61-65.
[9]张善文,张传雷. 基于局部判别映射算法的玉米病害识别方法[J]. 农业工程学报,2014,30(11):167-172.
[10]温长吉,王生生,于合龙,等. 基于改进蜂群算法优化神经网络的玉米病害图像分割[J]. 农业工程学报,2013,29(13):142-149.
[11]王献锋,张善文,王 震,等. 基于叶片图像和环境信息的黄瓜病害识别方法[J]. 农业工程学报,2014,30(14):148-153.
[12]吴 娜,李 淼,陈 晟,等. 基于融合多特征图切割的作物病害图像自动分割[J]. 农业工程学报,2014,30(17):212-219.
[13]刘 君,王振中,李宝聚,等. 基于图像处理的作物病害自动识别系统的研究[J]. 计算机工程与应用,2012,48(13):154-158,180.