《葡萄病害的计算机识别方法》由会员分享，可在线阅读，更多相关《葡萄病害的计算机识别方法（10页珍藏版）》请在金锄头文库上搜索。
1、葡萄病害的计算机识别方法 刘媛 冯全 甘肃农业大学工学院 摘 要： 农作物在生长过程中会受到病害侵袭, 使其产量和品质受到严重的影响, 而病害识别和诊断是作物病害防治的前提。本文针对葡萄病害叶片图像的特点, 应用计算机图像处理和模式识别技术研究葡萄病害识别方法, 可提高葡萄病害识别的准确率和效率。采集田间自然光照下不同生长阶段的多种病害叶片图像, 提取叶片上病斑处的颜色和纹理共 28 种特征。为筛选出对白粉病、褐斑病、霜霉病、灰霉病、黑痘病、炭疽病等 6 种常见葡萄病害具有最佳识别率的分类器, 对决策树、判别分析、支持向量机、最近邻和集成分类等 5 大类 22 种分类器进行了训练和测试, 发现
2、集成分类器中的 Bagged trees 分类器对测试集中的 6 种病害的平均识别率最高, 达到 86.4%, 对上述各种病害识别率分别为93.0%、87.5%、82.7%、87.7%、85.5%、82.1%。试验结果表明, 本方法能够有效识别多种葡萄叶部病害类别, 为实现葡萄病害的快速自动识别提供方法和依据。关键词： 葡萄病害; 特征向量; 自动识别; 作者简介：刘媛, 女, 1990 年生, 江苏徐州人, 硕士研究生;研究方向为图像处理、模式识别。E-mail:作者简介：冯全, 男, 1969 年生, 甘肃兰州人, 博士, 教授, 硕导;研究方向为图像处理、信息安全。E-mail:收稿日期
3、：2017 年 3 月 20 日基金：国家自然科学基金 (61461005) Identification method of grape diseases based on computer technologyLiu Yuan Feng Quan Gansu Agricultural University; Abstract： Diseases restrict the growth and health of grape, and affect the yield and quality of it, which make detection and diagnosis be the p
4、rerequisite of disease control.Aiming at the features of diseased grape leaves images, recognizing method for grape disease is studied in this paper with computer image processing and pattern identification, which can improve the accuracy and efficiency of recognition.Firstly, the diseased leaves im
5、ages in different growth stages with natural illumination were collected, thus, 28 kinds of feature vectors from diseased parts were extracted, including color and texture.Secondly, in order to choose the best classifier for recognizing 6 common grape diseases, 22 classifiers (Decision Tree, Discrim
6、inant Analysis, SVM, NN, Ensamble Classifier, etc.) were trained and tested.Based on that, Bagged Trees is chosen to be the most accurate classifier, the recognition rate is 86.4%, and rate of recognizing powdery mildew, brown spot, downy mildew, gray mold, black pox and anthracnose are 93.0%, 87.5%
7、, 82.7%, 87.7%, 85.5% and 82.1% respectively.Finally, the test results indicate that this method can effectively recognizing several diseases of grape leafs, and provide method and references for rapid and automatic recognition of grade diseases.Keyword： grape diseases; feature vector; automatic ide
8、ntification; Received： 2017 年 3 月 20 日0 引言葡萄在生长过程中易受到不良环境和病虫侵害, 影响葡萄的生长健康, 导致葡萄产量和质量下降, 给葡萄生产者带来巨大的损失, 而病害的症状早期会呈现在叶片部位, 由于其致病病原物种类不同而使其叶部病斑在纹理形状、颜色方面有差异, 因此可以通过研究叶片病害特征来发现和判断病害种类1, 及时预防和治理病害植株, 以免造成更大范围的损失。过去, 传统的葡萄病害诊断是依靠专业人员在实验室进行病源鉴定和侵染性测定或者直接依靠长期积累的经验, 人工观测病斑症状来进行判断病害种类2, 这些方法可行, 但是成本高效率低, 时效性也
9、比较差。近年来, 随着计算机技术的迅猛发展和农业信息化的推进, 国内外专家学者在利用图像处理和模式识别技术对植物病害识别研究方面取得了丰硕的成绩。Mohammed El-Helly 等利用神经网络对黄瓜白粉病和霜霉病进行识别3;Mohammad Sammany 等利用遗传算法优化神经网络的结构和参数来识别植物病害图像4, 同时把支持向量机和神经网络两种方法应用于识别植物病害;田有文等利用纹理和支持向量基的识别方法应用于葡萄、玉米、黄瓜等作物叶片病害识别, 大大提高了识别的准确率和效率5;管泽鑫等提取病斑形态、颜色、纹理特征, 利用贝叶斯判别法对水稻 3 种常见病害进行识别, 准确率达 97.2
10、%6-7;贾建楠等尝试了边缘检测法和最大类间方差法对黄瓜病害叶片图像处理后8,综合运用病斑形状和神经网络对黄瓜细菌性角斑病和霜霉病进行识别, 正确识别率达 100%;郭青, 王骊雯等针对小麦条锈病、白粉病这两种病斑在方向分布一致性的特点9, 提出一种方向一致性描述方法, 利用此种特征对小麦白粉病和条锈病进行识别, 准确识别率达 99%。以上研究均针对个别特定的病害进行分类识别, 在多种病斑识别方面未有涉及。本文利用计算机图像处理技术对采集到的葡萄病害的原始图像进行预处理、病斑分割及有效特征提取, 对葡萄 6 种常见病害 (白粉病、褐斑病、霜霉病、灰霉病、黑痘病、炭疽病) 自动识别方法进行研究,
11、 以改变传统的人工识别的缺陷和不足, 提高作物病害的识别精度和效率, 确保及时准确施药, 为精准农业和葡萄病害的诊断提供理论基础, 促进计算机图像处理技术、模式识别理论在农业工程领域的应用具有重要实际意义。1 材料与方法本文利用计算机图像处理技术对采集到的葡萄病害的原始图像进行预处理、病斑分割及有效特征提取, 对葡萄 6 种常见病害 (白粉病、褐斑病、霜霉病、灰霉病、黑痘病、炭疽病) 自动识别方法进行研究, 试验中算法流程图如图 1 所示。将采集的病害叶片图像样本分成训练集和测试集两部分, 用训练集样本对22 种分类器进行训练, 选择出识别率最高的分类器用于对测试集样本的分类识别, 得出实验结
12、果。图 1 算法流程图 Fig.1 Flow chart of algorithm 下载原图1.1 病害简介为了研究葡萄病害的识别方法, 选用了 6 种常见的葡萄病害10, 其中白粉病和霜霉病易混淆。白粉病的叶片有一层灰白色粉质;霜霉病叶片正面大小不等的不规则形黄色或褪绿色小斑块, 附着一层白色粉状物, 粉斑下叶表面呈褐色花斑;褐斑病分为大褐斑和小褐斑两种, 直径 310mm 的为大褐斑病, 直径 23mm且大小一致的是小褐斑, 中部颜色稍的浅褐色小斑, 潮湿时病斑背面生灰黑色霉层, 初期呈淡褐色、不规则的角状斑点, 逐渐扩展连结成直径 1cm 边缘清晰的大斑;受害的黑痘病叶片起初是针头大褐色
13、小点, 逐渐变成直径 14mm 的黄褐色圆形斑, 中部变成灰色, 最后发病部位脱落成穿孔;灰霉病叶片生成淡褐色或不规则的红褐色病斑, 多发生在靠近叶脉处并带有不太明显的轮;葡萄炭疽病起初是针头大的褐色圆形小斑点, 以后病斑逐渐扩大并在表面产生许多轮纹状排列的小黑点, 产生暗褐色长圆形的凹陷病斑。1.2 病害叶片的获取与病斑分割在田间自然光线较好的条件下, 利用数码相机 Cannon EOS1200D (分辨率像素 1 080720) , 在 2015、2016 年 5 月到 9 月期间, 于甘肃多地葡萄园中采集葡萄病害叶片的数字图像。虽然作物病害绝大多数会引起全身病症, 但很多病害症状都会集中
14、体现在叶片部位。拍摄 6 种葡萄叶片病害 (白粉病、褐斑病、霜霉病、灰霉病、黑痘病、炭疽病) 图像 300 幅, 图像大小 640360。从中提取了2 100 个病斑图像 (每种病斑各 350 个) , 非病斑图像 2 100 幅 (地膜、土地、无病叶片、葡萄枝干等) 。如图 2 所示。图 2 葡萄 6 种常见病害叶片图像 Fig.2 Leaf images of 6common grape diseases 下载原图将获得的病害叶片图像以 JPG 格式导入到计算机, 分类录入叶部病害图像数据库。由于西北地区气候干旱, 降尘情况严重, 户外葡萄叶片表面往往附着一层灰尘, 可能导致采集到的叶片病
15、斑图像颜色失真, 清晰度不高甚至纹理信息模糊等问题11, 影响后期识别和分类结果。因此, 在获得试验样本后, 要对样本图像预处理。利用 Matlab2016b 对采集到的病害叶片图像样本进行平滑、增强、中值滤波等预处理以后12, 得到比较清晰的病斑图像。为了提高对病害叶片上病斑特征提取的精度, 将待识别的叶片区域和发病区域从植物病害彩色图像中分别分割出来13, 同时排除非病斑区域对病斑特征描述的影响。方法是通过 Adobe Photoshop CC 软件将叶片病斑从叶片中分割出来, 局部放大后, 在叶片的病斑区域作出 4030 矩形框, 将该矩形框截取出来, 获得剪切的得到大小统一的病斑图像样
16、本, 保存 JPG 格式分类存储叶片图像, 为后续特征参数的提取奠定基础。1.3 特征提取病害的外部特征是病害识别和分类的依据, 特征参数选取是病斑识别的关键步骤, 会直接影响识别结果的准确性, 因此要选择同时具备可区分性和不变性的特征。针对葡萄叶片 6 种病斑的特点, 分别提取了病斑的颜色和纹理两种特征分别 15 个和 13 个 (共 28 个) 。1.3.1 颜色特征颜色特征是彩色图像中最显著的特征, 其对图像或图像区域的方向和大小等变化不敏感, 不受图像旋转, 平移变化的影响14。属于图像的内部特征, 描述了图像或图像区域所对应的表面性质, 具有相当强的鲁棒性。颜色的不同空间分布极大的影响了人们对图像的相似性判断。本文综合使用了RGB 颜色空间、HSV 颜色空间分析病斑颜色, 分别提取了 R、G、B、H、S 颜色分量的一、二、三阶颜色矩共计 15 个颜色特征向量。颜色矩是以数字方法为基础的, 通过计算矩来
