论文部分内容阅读
摘要:据统计,因病害引起的作物产量损失平均在12%以上,病害发生不仅影响产量,还使产品质量下降。利用计算机视觉技术对作物病害快捷检测、准确诊断,为病害防治提供科学依据是实现农业信息化发展的迫切需求。文章对计算机视觉技术用于作物病害诊断进行了详细分析和研究,以求获得这些新技术在作物病害诊断各环节的现状,指出了计算机视觉技术诊断作物病害存在的不足和研究方向。该研究对农作物病害智能检测技术的发展将起到重要的推动作用。
关键字:计算机视觉;作物病害诊断;进展;模式识别
中图分类号:TP311 文献标识号:A 文章编号:2095-2163(2015)02-
The Research Development of Computer Vision in the Plant Disease Diagnosis
PU Yongxian
(Computer Science Dept .Dehong Teachers’college, Dehong Yunnan 678400, China)
Abstract: according to the statistics, crop yield loss caused by disease in more than 12% on average, disease occurs not only affect the production, also decreased the quality of the product. Research by computer vision technology realizes fast and accurate diagnosis of crop disease, and provides scientific basis for disease prevention and control, which is the urgent demand of agricultural informatization development. Articles on computer vision technology is applied to the crop disease diagnosis has carried on the detailed analysis and research, in order to get these new technologies in the current situation of crop disease diagnosis each link, points out the shortages of computer vision in the diagnosis of crop diseases and research direction. The study on the development of crop disease intelligent detection technology will play an important role.
Key words:Computer Vision; Crop Disease Diagnosis; Progress; Pattern Recognition
0引言
在作物生产中,病害是制约作物质与量的重要因素。病害发生,往往致使作物的使用价值降低,甚至还会导致大面积减产,乃至绝收,造成巨大的经济损失。因此,在作物生长过程中,病害防治是个关键的问题之一。因各种原因植保人员匮乏,而种植户个体素质差异及受一些主观人为因素的影响,对作物病害诊断存在主观性、局限性、模糊性等,不能对作物病害的类型及受害程度做出客观、定量的分析与判断,结果要么是药量不对、要么是药不对症,严重影响了作物的质与量。
计算机视觉也称为机器视觉,是研究如何用计算机来模拟和再现人类视觉功能的科学,也被称为图像理解和图像分析,是人工智能领域的一个重要分支。随着计算机技术、图像处理和人工智能等学科的发展,以及数码相机、手机等摄像工具像素的提高,将机器视觉用于作物病害诊断,实现作物病害的无损检测、快速诊断提供了新的途径和方法[1]。报道最早的是在1989年穗波信雄等人[2]对采集的缺乏钙、铁、镁营养元素的茨菇叶片图像进行研究,在RGB模型中,利用直方图分析了正常和病态的颜色特征。为适应农业信息化的迫切需求,国内外学者对机器视觉用于作物病害诊断进行了研究和实践,而取得进展主要集中在近10年,涉及的作物有水稻、玉米、小麦、葡萄、黄瓜、甘蔗、蔬菜等病害[3-14],这些研究针对不同作物,从不同侧面为作物病害实现自动化诊断提供了理论和实践基础。因机器视觉比人眼能更早发现作物因病虫危害所表现的颜色、纹理、形状等细微变化,所以利用这种技术病害病害与人工方式相比,提高了诊断的效率和精准度,为作物保护智能化、变量喷药等提供了科学依据。
本文综述和归纳了机器视觉诊断作物病害的主要技术:病害图像采集、增强处理、病斑分割、特征提取、特征优化、病害识别等各环节的方法及现状,指出了机器视觉诊断作物病害存在的不足和研究方向。该研究对实现作物病害的机器视觉诊断技术的发展将起到重要的推动作用。
1机器视觉识别作物病害的技术路线与进展
作物病害因其病原物种类不同会产生形状、颜色、纹理等不同的病斑,通常专业植保技术人员就是根据这些特征判断病害的。机器视觉诊断作物病害是通过无损采集病害图像,利用图像处理技术对图像增强处理、分割病斑,提取病斑特征、优化特征,用模式识别技术诊断病害类别及危害程度,从而为病害的防治提供科学依据。图1为机器视觉诊断作物病害的技术路线图。
图1机器视觉识别作物病害技术路线图 Fig 1 Technology roadmap of machine vision recognition crop diseases
1.1病害图像采集与增强处理
(1)病害图像采集方法。图像采集是病害识别的第一步,采集的质量会直接影响识别结果。常用采集设备有数码摄像机、扫描仪、数码相机、手机等。其中,数码相机便于携带,能满足图像清晰度要求,符合野外作业等特点,因此病害图像采集中用得较多。依据采集环境氛围分为室内采集和室外(田间)采集两种。室内采集是将田间采摘到的病害标本经密封保湿后使用CCD摄像机或数码相机在室内摄取病害的标本图像。在田间采集图像中,有学者为了采集到高质量的图像,采取了一系列措施以减少外界因素的影响。如陈佳娟[5]采用便携式扫描仪采集图像,以减少自然光照对图像质量的影响。徐贵力等人[6]设计了活体采光箱,使照射光变成反射光,从而避免了阴影,以减少误差。这种规范图像采集方式虽简化了后期图像处理和识别的难度,但基层生产单位可能缺乏配套的技术设备,且会使病害识别过度依赖图像。为扩展应用范围和通用性,有学者对在田间自然光照射下直接获取的病害图像,用图像处理和模式识别技术诊断病害进行了研究,如李宗儒[7]用手机拍摄了苹果的圆斑病、花叶病等5种病害图像,对病害图像增强处理、分割病斑,提取病斑特征,用BP神经网络识别病害,获得了较好效果。姜武[8]用Canon EOS 50D相机在阳光充足的早晨拍摄山茶叶片图像,进行颜色分形和RGB强度值提取,用支持向量机对山茶分类识别,取得了较好效果。
(2)图像增强方法。在采集图像过程中,因受设备、环境等因素影响,往往使采集到的图像含有噪声,若不对其增强处理会影响到病害的正确识别率。病害图像增强是为病斑分割,特征提取做准备,所以应确保在去除噪声的同时,保证病斑边缘不模糊。图像增强处理根据其处理的空间不同,分为空域法和频域法。空域法是对图像本身直接进行滤波操作,而频域法是对图像进行转化,将其转化到频率域中去噪处理,之后再还原到图像的空间域。图像增强处理常用方法有:直方图均衡化、对比度增强、均值滤波、中值滤波、高斯滤波、锐化等。王静[9]利用数码相机采集了赤星病与野火病两种病害图像80幅,采用灰度图像直方图均衡化及中值滤波两种方法对图像增强处理,实验表明,中值滤波去噪效果最好,在保留图像病斑边缘信息的同时,使病斑轮廓与细节更加清晰,便于后期病斑分割及特征提取。刘芝京[10]采集黄瓜早、中、晚期的角斑病病害图像,分别用均值滤波、中值滤波、高斯滤波等对图像处理,实验表明这些去噪方法中,高斯滤波效果最好。
1.2病斑特征获取
(1)病斑分割
计算机视觉主要是依据病斑的特征信息诊断病害类别及危害程度的。因此,彩色病斑的准确分割,是后期提取病斑特征,病害类别的客观、准确诊断的关键环节之一。当前针对作物病害图像分割算法有阈值分割、空间聚类、区域分割、边缘检测分割、计算智能方法等。由于作物病害图像存在背景复杂、病斑区域排列无序、颜色、纹理分布不均、病斑边界模糊、叶片表面纹理噪声等干扰,因此尚无一种鲁棒性好,且简单适用的通用方法,也还没有一种判断分割是否成功的客观标准。近年来学者们对作物病害图像的分割进行了大量研究,试图寻找一种更具潜力的分割算法,以期获得更完美,通用的分割方法。赵进辉等人[11]分析了甘蔗病害图像的颜色与形状特征,采用面积阈值及链码分割赤腐病和环斑病病斑,收到了较好的效果。管泽鑫等人[12]提取水稻病斑与斑点外轮廓颜色,用最大类间方差法(Otsu[13])分割病斑,取得了较好的效果。邵庆等人[14]以小麦条锈病为例,对获取的小麦病害图像采用迭代阈值分割和微分边缘检测分割病斑。温长吉等人[15].用改进蜂群算法优化神经网络实现玉米病害图像分割。祁广云等[16]采用改进的遗传算法及BP神经网络对大豆叶片病斑分割,能有效提取病斑区域。毛罕平等人[17-18]利用模糊C均值聚类对棉花、玉米病害图像的病斑进行分割。张飞云[19]采用K-means硬聚类算法对玉米叶部病害图像分割,得到彩色病斑。张芳、仁玉刚[20-21]用采分水岭算法分割黄瓜病害图像,正确率均在90%以上。刘立波[22]对水稻叶部病害图像的分割进行研究,结果证明,模糊C均值聚类法的分割效果较好,但速度欠佳,Otsu法分割效果略差,但速度较快。濮永仙[23]利用支持向量机检测烟草病斑边缘,以分割彩色病斑。石凤梅等人[24]利用支持向量机分割水稻稻瘟病彩色图像病斑,其分割效果优于Otsu法。
(2)病斑特征提取
计算机视觉识别作物病害用到的特征主要有颜色、纹理、形状等特征。颜色是区分病害类别的重要特征,有RGB、HSI、Lab、YUV等7种颜色空间模型,可得到颜色特征值和颜色特征差异,而模型的选择会影响到病害识别效果。纹理是指图像中反复出现的局部模式及排列规则。作物病害图像正常与病变部分的纹理在粗细、走向上有较大差异。纹理特征有基于灰度直方图的统计测度,基于灰度共生矩阵的纹理特征和基于游程的纹理描述特征。提取纹理特征的方法有分形维数、小波变换、Gabor小波变换、局域二值模式,以及Gabor分块局域二值模式方法等。形状常与目标联系在一起,形状特征可以看作是比颜色和纹理更高层的特征,它能直观描述目标和背景之间的区别,不同病害的病斑在尺寸大小、似圆性、长短轴等方面有不同特性,对旋转、平移有很强的稳定性。提取病斑形状特征的方法有弗里曼链码法,傅里叶描述子,多尺度曲率空间方法等。王美丽等人[25] 在HSV颜色空间提取小麦白粉病和锈病病害图像的颜色和形状特征,对病害进行识别,识别率达96%以上。蔡清等人[26]对虫食菜叶图像处理后,提取其形状的圆形度、复杂度、球形度等7个特征,用BP神经网络识别病害。王克如[27]提取玉米病害图像中纹理特征的能量、熵及惯性矩作为识别病害的特征,实验得出,以单个特征识别正确识别率达90%,综合应用三个纹理特征,识别率达100%。田有文等人[28]提取葡萄叶部病斑的颜色、纹理、形状特征,用支持向量机识别,实验表明,综合应用三种特征的识别率比只用单一特征的识别高。李旺[29]以黄瓜叶部3种常见病害图像为研究对象,提取病斑颜色、纹理和形态特征总共14个特征,用支持向量机识别,实验表明,分别以颜色、纹理、形状特征识别,识别率分别为72.23%、90.70%、90.24%,综合3种特征识别率为96.00%。 [45]魏清凤,罗长寿,曹承忠,等.基于模糊神经网络的蔬菜病害诊断模型研究[J].河南农业科学,2013,(9):4224-4227.
[46]BURGOS-ARTIST X P, RIBERA A, TELLAECHE A, et al. Improving weed pressure assessment using digital images from an experience-based reasoning approach [J]. Computers and Electronics in Agriculture, 2009, 65(2): 176-185.
[47] BURGES C J C. A tutorial on support vector machines for pattern recognition [J].Data Mining and Knowledge Discovery, 1998, 2(2):121-169.
[48]Steve R Gunn. Support vector machines for classification and regression [R].Southampton: University of Southampton, 1998:1-28.
[49]宋凯,孙晓艳,纪建伟.基于支持向量机的玉米叶部病害识别[J].农业工程学报,2007,23(1):155-157.
[50]刘鹏,屠康,徐洪蕊,等.基于支持向量机的甜柿表面病害识别[J].现代食品科技,2011,27(3):349-353.
[51]田有文,牛妍.支持向量机在黄瓜病害识别中的应用研究[J].农机化研究,2009,(3):36-38.
[52]越鲜梅.基于图像识别的向日葵叶部病害诊断技术研究[D].呼和浩特:内蒙古工业大学,2013.
1 项目基金:云南省科学研究基金子课题(2013Y571)。
作者简介:濮永仙( 1976-),女,云南腾冲人,硕士,副教授,主要研究方向:机器视觉诊断作物病害,智能农业方面的研究。
??
??
??
??
关键字:计算机视觉;作物病害诊断;进展;模式识别
中图分类号:TP311 文献标识号:A 文章编号:2095-2163(2015)02-
The Research Development of Computer Vision in the Plant Disease Diagnosis
PU Yongxian
(Computer Science Dept .Dehong Teachers’college, Dehong Yunnan 678400, China)
Abstract: according to the statistics, crop yield loss caused by disease in more than 12% on average, disease occurs not only affect the production, also decreased the quality of the product. Research by computer vision technology realizes fast and accurate diagnosis of crop disease, and provides scientific basis for disease prevention and control, which is the urgent demand of agricultural informatization development. Articles on computer vision technology is applied to the crop disease diagnosis has carried on the detailed analysis and research, in order to get these new technologies in the current situation of crop disease diagnosis each link, points out the shortages of computer vision in the diagnosis of crop diseases and research direction. The study on the development of crop disease intelligent detection technology will play an important role.
Key words:Computer Vision; Crop Disease Diagnosis; Progress; Pattern Recognition
0引言
在作物生产中,病害是制约作物质与量的重要因素。病害发生,往往致使作物的使用价值降低,甚至还会导致大面积减产,乃至绝收,造成巨大的经济损失。因此,在作物生长过程中,病害防治是个关键的问题之一。因各种原因植保人员匮乏,而种植户个体素质差异及受一些主观人为因素的影响,对作物病害诊断存在主观性、局限性、模糊性等,不能对作物病害的类型及受害程度做出客观、定量的分析与判断,结果要么是药量不对、要么是药不对症,严重影响了作物的质与量。
计算机视觉也称为机器视觉,是研究如何用计算机来模拟和再现人类视觉功能的科学,也被称为图像理解和图像分析,是人工智能领域的一个重要分支。随着计算机技术、图像处理和人工智能等学科的发展,以及数码相机、手机等摄像工具像素的提高,将机器视觉用于作物病害诊断,实现作物病害的无损检测、快速诊断提供了新的途径和方法[1]。报道最早的是在1989年穗波信雄等人[2]对采集的缺乏钙、铁、镁营养元素的茨菇叶片图像进行研究,在RGB模型中,利用直方图分析了正常和病态的颜色特征。为适应农业信息化的迫切需求,国内外学者对机器视觉用于作物病害诊断进行了研究和实践,而取得进展主要集中在近10年,涉及的作物有水稻、玉米、小麦、葡萄、黄瓜、甘蔗、蔬菜等病害[3-14],这些研究针对不同作物,从不同侧面为作物病害实现自动化诊断提供了理论和实践基础。因机器视觉比人眼能更早发现作物因病虫危害所表现的颜色、纹理、形状等细微变化,所以利用这种技术病害病害与人工方式相比,提高了诊断的效率和精准度,为作物保护智能化、变量喷药等提供了科学依据。
本文综述和归纳了机器视觉诊断作物病害的主要技术:病害图像采集、增强处理、病斑分割、特征提取、特征优化、病害识别等各环节的方法及现状,指出了机器视觉诊断作物病害存在的不足和研究方向。该研究对实现作物病害的机器视觉诊断技术的发展将起到重要的推动作用。
1机器视觉识别作物病害的技术路线与进展
作物病害因其病原物种类不同会产生形状、颜色、纹理等不同的病斑,通常专业植保技术人员就是根据这些特征判断病害的。机器视觉诊断作物病害是通过无损采集病害图像,利用图像处理技术对图像增强处理、分割病斑,提取病斑特征、优化特征,用模式识别技术诊断病害类别及危害程度,从而为病害的防治提供科学依据。图1为机器视觉诊断作物病害的技术路线图。
图1机器视觉识别作物病害技术路线图 Fig 1 Technology roadmap of machine vision recognition crop diseases
1.1病害图像采集与增强处理
(1)病害图像采集方法。图像采集是病害识别的第一步,采集的质量会直接影响识别结果。常用采集设备有数码摄像机、扫描仪、数码相机、手机等。其中,数码相机便于携带,能满足图像清晰度要求,符合野外作业等特点,因此病害图像采集中用得较多。依据采集环境氛围分为室内采集和室外(田间)采集两种。室内采集是将田间采摘到的病害标本经密封保湿后使用CCD摄像机或数码相机在室内摄取病害的标本图像。在田间采集图像中,有学者为了采集到高质量的图像,采取了一系列措施以减少外界因素的影响。如陈佳娟[5]采用便携式扫描仪采集图像,以减少自然光照对图像质量的影响。徐贵力等人[6]设计了活体采光箱,使照射光变成反射光,从而避免了阴影,以减少误差。这种规范图像采集方式虽简化了后期图像处理和识别的难度,但基层生产单位可能缺乏配套的技术设备,且会使病害识别过度依赖图像。为扩展应用范围和通用性,有学者对在田间自然光照射下直接获取的病害图像,用图像处理和模式识别技术诊断病害进行了研究,如李宗儒[7]用手机拍摄了苹果的圆斑病、花叶病等5种病害图像,对病害图像增强处理、分割病斑,提取病斑特征,用BP神经网络识别病害,获得了较好效果。姜武[8]用Canon EOS 50D相机在阳光充足的早晨拍摄山茶叶片图像,进行颜色分形和RGB强度值提取,用支持向量机对山茶分类识别,取得了较好效果。
(2)图像增强方法。在采集图像过程中,因受设备、环境等因素影响,往往使采集到的图像含有噪声,若不对其增强处理会影响到病害的正确识别率。病害图像增强是为病斑分割,特征提取做准备,所以应确保在去除噪声的同时,保证病斑边缘不模糊。图像增强处理根据其处理的空间不同,分为空域法和频域法。空域法是对图像本身直接进行滤波操作,而频域法是对图像进行转化,将其转化到频率域中去噪处理,之后再还原到图像的空间域。图像增强处理常用方法有:直方图均衡化、对比度增强、均值滤波、中值滤波、高斯滤波、锐化等。王静[9]利用数码相机采集了赤星病与野火病两种病害图像80幅,采用灰度图像直方图均衡化及中值滤波两种方法对图像增强处理,实验表明,中值滤波去噪效果最好,在保留图像病斑边缘信息的同时,使病斑轮廓与细节更加清晰,便于后期病斑分割及特征提取。刘芝京[10]采集黄瓜早、中、晚期的角斑病病害图像,分别用均值滤波、中值滤波、高斯滤波等对图像处理,实验表明这些去噪方法中,高斯滤波效果最好。
1.2病斑特征获取
(1)病斑分割
计算机视觉主要是依据病斑的特征信息诊断病害类别及危害程度的。因此,彩色病斑的准确分割,是后期提取病斑特征,病害类别的客观、准确诊断的关键环节之一。当前针对作物病害图像分割算法有阈值分割、空间聚类、区域分割、边缘检测分割、计算智能方法等。由于作物病害图像存在背景复杂、病斑区域排列无序、颜色、纹理分布不均、病斑边界模糊、叶片表面纹理噪声等干扰,因此尚无一种鲁棒性好,且简单适用的通用方法,也还没有一种判断分割是否成功的客观标准。近年来学者们对作物病害图像的分割进行了大量研究,试图寻找一种更具潜力的分割算法,以期获得更完美,通用的分割方法。赵进辉等人[11]分析了甘蔗病害图像的颜色与形状特征,采用面积阈值及链码分割赤腐病和环斑病病斑,收到了较好的效果。管泽鑫等人[12]提取水稻病斑与斑点外轮廓颜色,用最大类间方差法(Otsu[13])分割病斑,取得了较好的效果。邵庆等人[14]以小麦条锈病为例,对获取的小麦病害图像采用迭代阈值分割和微分边缘检测分割病斑。温长吉等人[15].用改进蜂群算法优化神经网络实现玉米病害图像分割。祁广云等[16]采用改进的遗传算法及BP神经网络对大豆叶片病斑分割,能有效提取病斑区域。毛罕平等人[17-18]利用模糊C均值聚类对棉花、玉米病害图像的病斑进行分割。张飞云[19]采用K-means硬聚类算法对玉米叶部病害图像分割,得到彩色病斑。张芳、仁玉刚[20-21]用采分水岭算法分割黄瓜病害图像,正确率均在90%以上。刘立波[22]对水稻叶部病害图像的分割进行研究,结果证明,模糊C均值聚类法的分割效果较好,但速度欠佳,Otsu法分割效果略差,但速度较快。濮永仙[23]利用支持向量机检测烟草病斑边缘,以分割彩色病斑。石凤梅等人[24]利用支持向量机分割水稻稻瘟病彩色图像病斑,其分割效果优于Otsu法。
(2)病斑特征提取
计算机视觉识别作物病害用到的特征主要有颜色、纹理、形状等特征。颜色是区分病害类别的重要特征,有RGB、HSI、Lab、YUV等7种颜色空间模型,可得到颜色特征值和颜色特征差异,而模型的选择会影响到病害识别效果。纹理是指图像中反复出现的局部模式及排列规则。作物病害图像正常与病变部分的纹理在粗细、走向上有较大差异。纹理特征有基于灰度直方图的统计测度,基于灰度共生矩阵的纹理特征和基于游程的纹理描述特征。提取纹理特征的方法有分形维数、小波变换、Gabor小波变换、局域二值模式,以及Gabor分块局域二值模式方法等。形状常与目标联系在一起,形状特征可以看作是比颜色和纹理更高层的特征,它能直观描述目标和背景之间的区别,不同病害的病斑在尺寸大小、似圆性、长短轴等方面有不同特性,对旋转、平移有很强的稳定性。提取病斑形状特征的方法有弗里曼链码法,傅里叶描述子,多尺度曲率空间方法等。王美丽等人[25] 在HSV颜色空间提取小麦白粉病和锈病病害图像的颜色和形状特征,对病害进行识别,识别率达96%以上。蔡清等人[26]对虫食菜叶图像处理后,提取其形状的圆形度、复杂度、球形度等7个特征,用BP神经网络识别病害。王克如[27]提取玉米病害图像中纹理特征的能量、熵及惯性矩作为识别病害的特征,实验得出,以单个特征识别正确识别率达90%,综合应用三个纹理特征,识别率达100%。田有文等人[28]提取葡萄叶部病斑的颜色、纹理、形状特征,用支持向量机识别,实验表明,综合应用三种特征的识别率比只用单一特征的识别高。李旺[29]以黄瓜叶部3种常见病害图像为研究对象,提取病斑颜色、纹理和形态特征总共14个特征,用支持向量机识别,实验表明,分别以颜色、纹理、形状特征识别,识别率分别为72.23%、90.70%、90.24%,综合3种特征识别率为96.00%。 [45]魏清凤,罗长寿,曹承忠,等.基于模糊神经网络的蔬菜病害诊断模型研究[J].河南农业科学,2013,(9):4224-4227.
[46]BURGOS-ARTIST X P, RIBERA A, TELLAECHE A, et al. Improving weed pressure assessment using digital images from an experience-based reasoning approach [J]. Computers and Electronics in Agriculture, 2009, 65(2): 176-185.
[47] BURGES C J C. A tutorial on support vector machines for pattern recognition [J].Data Mining and Knowledge Discovery, 1998, 2(2):121-169.
[48]Steve R Gunn. Support vector machines for classification and regression [R].Southampton: University of Southampton, 1998:1-28.
[49]宋凯,孙晓艳,纪建伟.基于支持向量机的玉米叶部病害识别[J].农业工程学报,2007,23(1):155-157.
[50]刘鹏,屠康,徐洪蕊,等.基于支持向量机的甜柿表面病害识别[J].现代食品科技,2011,27(3):349-353.
[51]田有文,牛妍.支持向量机在黄瓜病害识别中的应用研究[J].农机化研究,2009,(3):36-38.
[52]越鲜梅.基于图像识别的向日葵叶部病害诊断技术研究[D].呼和浩特:内蒙古工业大学,2013.
1 项目基金:云南省科学研究基金子课题(2013Y571)。
作者简介:濮永仙( 1976-),女,云南腾冲人,硕士,副教授,主要研究方向:机器视觉诊断作物病害,智能农业方面的研究。
??
??
??
??