葉海建 郎 睿

(中國農(nóng)業(yè)大學(xué)信息與電氣工程學(xué)院， 北京 100083)

基于Android的自然背景下黃瓜霜霉病定量診斷系統(tǒng)

葉海建 郎 睿

(中國農(nóng)業(yè)大學(xué)信息與電氣工程學(xué)院， 北京 100083)

為準(zhǔn)確快速定量診斷黃瓜的病害，科學(xué)選擇病害管控措施，基于Android技術(shù)和圖像處理方法設(shè)計(jì)了可用于自然背景的黃瓜葉部病害定量診斷系統(tǒng)，并進(jìn)行了試驗(yàn)。對黃瓜葉部彩色圖像，首先進(jìn)行圖像預(yù)處理和背景剪除，再識別病斑區(qū)域，最終計(jì)算病斑區(qū)域占其所在葉片區(qū)域的百分比及根據(jù)國家相關(guān)標(biāo)準(zhǔn)與其對應(yīng)的病害等級，計(jì)算結(jié)果以數(shù)值形式顯示在診斷結(jié)果界面，同時(shí)用紅色標(biāo)識出病害區(qū)域。系統(tǒng)既適用于白色打印紙等簡單背景，也適用于較為復(fù)雜的自然背景；所識別的病害葉片圖像既可以從攝像頭實(shí)時(shí)獲取，也可以從手機(jī)存儲(chǔ)載入。以50幅黃瓜霜霉病病害葉片為對象對系統(tǒng)進(jìn)行測試，試驗(yàn)結(jié)果表明，系統(tǒng)可以較準(zhǔn)確地對黃瓜霜霉病病斑區(qū)域進(jìn)行識別(病斑區(qū)域識別綜合誤分率為6.56%)，并按照國家標(biāo)準(zhǔn)給出病害等級(綜合錯(cuò)誤分級率為3%)；簡單人工背景下系統(tǒng)識別時(shí)間為1 s，自然背景下系統(tǒng)識別時(shí)間約為11 s。

黃瓜; 霜霉病; Android; 自然背景; 病情診斷

引言

對農(nóng)作物病情的準(zhǔn)確評估是對其進(jìn)行科學(xué)管控的前提。在病情評估中，病害程度的定量診斷是藥劑、藥量選擇等具體病害管控措施實(shí)施的依據(jù)，準(zhǔn)確、快速的病害定量診斷對科學(xué)地選擇病害管控措施尤為重要。

近年來，隨著具有拍照功能的智能手機(jī)日益普及，基于手機(jī)客戶端病害診斷系統(tǒng)的研究和開發(fā)引起了廣泛的關(guān)注。目前相關(guān)研究中，較多的是對作物病害進(jìn)行定性識別[1-5]，而用于病害定量識別的手機(jī)客戶端系統(tǒng)則在近幾年才剛剛起步[6-9]。楊林楠等[5]研究了甜玉米病蟲害智能診斷系統(tǒng)；吳滄海等[6]基于Android智能手機(jī)設(shè)計(jì)開發(fā)了油菜病害識別系統(tǒng)；薛麗娜等[7]研究了基于Android平臺(tái)的馬鈴薯蟲害指認(rèn)診斷系統(tǒng)；康奈爾大學(xué)PETHYBRIDGE等[9]開發(fā)了用于蘋果手機(jī)的病害程度定量診斷系統(tǒng)Leaf Doctor；田有文等[8]基于Android技術(shù)研究了黃瓜葉部病情診斷系統(tǒng)。然而，現(xiàn)有的基于手機(jī)客戶端的病情診斷系統(tǒng)普遍存在無法適應(yīng)自然背景葉部圖像提取的問題，僅能對局部葉片進(jìn)行處理[4]，另外一些則是需要布置簡單的人工背景[2,8-10]。此外，部分系統(tǒng)還需要通過網(wǎng)絡(luò)與服務(wù)器端進(jìn)行連接才能完成病情診斷[3,5,9,11]。這些，都給實(shí)際使用帶來不便，降低了系統(tǒng)的實(shí)用性。

為增強(qiáng)系統(tǒng)的實(shí)用性，本文結(jié)合手機(jī)客戶端的特點(diǎn)，基于Android技術(shù)和圖像處理的相關(guān)方法，以溫室黃瓜霜霉病為試驗(yàn)對象，設(shè)計(jì)可用于自然背景的黃瓜霜霉病定量診斷系統(tǒng)。

1 系統(tǒng)設(shè)計(jì)

系統(tǒng)的功能模塊及關(guān)系結(jié)構(gòu)如圖1所示，主要包括葉部圖像獲取、葉部病害定量診斷、黃瓜常見病害及防治、幫助和關(guān)于4個(gè)互相關(guān)聯(lián)的一級模塊。

圖1 系統(tǒng)模塊結(jié)構(gòu)圖Fig.1 Structure diagram of system modules

1.1 葉部圖像獲取模塊

病害葉部圖像的獲取是病情診斷的前提，在實(shí)際應(yīng)用中，葉部圖像可以來源于攝像頭也可以來源于本地圖像文件。為此，在葉部圖像獲取模塊中設(shè)計(jì)了2個(gè)二級子模塊來實(shí)現(xiàn)2種圖像獲取方式。其中，攝像頭操作子模塊是通過調(diào)用手機(jī)后置攝像頭的拍照功能來實(shí)現(xiàn)葉部圖像的采集功能；而文件系統(tǒng)操作子模塊則是通過調(diào)用系統(tǒng)功能從手機(jī)的本地存儲(chǔ)中獲取圖像文件內(nèi)容。

1.2 葉部病害定量診斷模塊

葉部病害定量診斷模塊是系統(tǒng)的核心，它是對葉部圖像獲取模塊所得到的圖像進(jìn)行處理，從而得出病害定量診斷結(jié)果的模塊。模塊通過圖像預(yù)處理、背景區(qū)域剪除、病害區(qū)域識別和病情診斷結(jié)果生成4個(gè)二級子模塊協(xié)同順序工作，完成對葉部病害程度診斷工作。本模塊的工作流程見圖2。

圖2 葉部病害定量診斷模塊流程圖Fig.2 Flow chart of leaf disease severity quantifying module

1.2.1 圖像預(yù)處理模塊

圖像預(yù)處理模塊的功能是對圖像進(jìn)行必要的平滑和圖像尺寸調(diào)整[12]，這些處理是后續(xù)處理的基礎(chǔ)。預(yù)處理的目的是消除圖像中會(huì)對背景剪除及進(jìn)一步病情診斷帶來影響的毛刺和噪點(diǎn)；而將圖像縮放為統(tǒng)一尺寸，是因?yàn)橄鄬τ?jì)算機(jī)而言，手機(jī)的運(yùn)算能力和內(nèi)存容量有限，直接對原圖進(jìn)行處理，會(huì)非常緩慢甚至耗盡手機(jī)內(nèi)存。圖像尺寸調(diào)整的方法為對圖像作等比例縮放，使得長和寬中的最大值為512像素。

1.2.2 背景區(qū)域剪除模塊

背景區(qū)域剪除模塊的功能是去除圖像中葉部區(qū)域以外的背景區(qū)域。由于后續(xù)的病害程度判斷是根據(jù)病害區(qū)域面積相對于所在葉部區(qū)域面積的比例來進(jìn)行計(jì)算的[13]，因此，能否正確去除圖像中非葉部區(qū)域?qū)⒅苯佑绊懹?jì)算結(jié)果的準(zhǔn)確性。在本系統(tǒng)中，設(shè)計(jì)了分別針對簡單背景和自然背景2種類型應(yīng)用場景的2個(gè)三級子模塊。

(1)簡單背景剪除模塊

對于葉部圖像背景為白色或黑色等簡單純色背景的情形，由于前景和背景的反差比較明顯，干擾區(qū)域一般僅來源于陰影(圖4)，利用基于葉片綠色特征的圖像分割算法即可進(jìn)行剪除。簡單背景的剪除流程見圖3，圖中的超G法[14]是一種可以將葉部區(qū)域從非綠色背景提取出的一種方法，然而，這種方法對于背景中存有其他葉片等綠色成分干擾時(shí)的分割效果不佳，不適用于對復(fù)雜背景的剪除。這里為說明簡單背景剪除方法的適用性，利用本系統(tǒng)方法對具有簡單背景的葉部圖像[8]進(jìn)行背景剪除，效果見圖4。

圖4 具有簡單人工背景圖像的背景剪除Fig.4 Removal of simple artificial background

圖3 簡單人工背景剪除流程圖Fig.3 Flow chart of simple artificial background removal

(2)自然背景剪除模塊

對于葉部圖像背景是較為復(fù)雜的自然背景情形，一方面，自然環(huán)境下的葉片背景中可能會(huì)出現(xiàn)各種難以預(yù)料的泥土、石塊、地膜等雜物，它們的圖像特征非常復(fù)雜和不易確定，使得對其進(jìn)行背景剪除非常困難；另一方面，由于在自然環(huán)境下采集植物的葉部圖像時(shí)，多數(shù)情況下會(huì)出現(xiàn)屬于同一植株或相鄰植株的其他葉片，而這些產(chǎn)生干擾的葉片與目標(biāo)葉片圖像特征非常相似。自然背景的復(fù)雜性使得傳統(tǒng)分割方法[15]很難從自然背景中有效地分割出葉片區(qū)域來。

近年來發(fā)展起來的通過用戶交互方式輔助來進(jìn)行圖像分割的方法為復(fù)雜自然背景移除提供了新的思路。同時(shí)，智能手機(jī)的觸屏功能也為交互式圖像分割帶來了應(yīng)用模式上的可能。因此，設(shè)計(jì)交互式方式來完成本系統(tǒng)中自然背景的移除功能。在各種交互式分割方法中，GrabCut[16]是理論較為成熟的一種。GrabCut是屬于能量函數(shù)最小化分割理論的一種分割方法，對給定一幅含有N個(gè)像素的RGB色彩空間的圖像，通過對RGB彩色圖像的前景和背景分別建立K個(gè)分量的高斯混合模型(一般K取5)，構(gòu)造能量函數(shù)E

E(α,k,θ,z)=U(α,k,θ,z)+V(α,z)

(1)

式中α——前景背景區(qū)分向量，其中的元素αn指定了像素n(1≤n≤N)屬于前景(αn=1)或背景(αn=0)

k——高斯混合模型分量歸屬向量，元素kn(1≤kn≤K)指定了像素n所屬的混合模型分量

θ——待求參數(shù)

z——圖像灰度數(shù)組，z=(z1,…,zn,…,zN)

式(1)右端的第1個(gè)分量U為數(shù)據(jù)項(xiàng)

(2)

式(2)中的D為分解到各個(gè)像素點(diǎn)上的數(shù)據(jù)項(xiàng)

D(αn,kn,θ,zn)=

-lgp(zn|αn,kn,θ)-lgπ(αn,kn)

(3)

式中p(·)——高斯概率分布函數(shù)π(·)——混合權(quán)重系數(shù)

式(1)右端第2個(gè)分量V為平滑項(xiàng) (也稱懲罰項(xiàng))

(4)

其中

β=(2〈(zm-zn)2〉)-1

式中γ——罰項(xiàng)因子，取經(jīng)驗(yàn)值為50β——常量

總之，能量函數(shù)E中的待求參數(shù)為

θ=(π(α,k),μ(α,k),Σ(α,k))

(α=0,1;k=1,2,…,K)

(5)

以最小化為目標(biāo)能量函數(shù)E作參數(shù)尋優(yōu)，即可解出參數(shù)θ，然而由于模型較為復(fù)雜，得到解析解非常困難，所以一般使用EM法迭代求出近似解。得到的結(jié)果中α即為圖像中各像素點(diǎn)屬于前景或背景的判斷依據(jù)，進(jìn)而可以得到圖像分割的結(jié)果。由于GrabCut可以預(yù)先指定一些屬于前景或背景的像素集合來初始化能量函數(shù)模型，因此，用戶可以預(yù)先對圖像進(jìn)行不完全標(biāo)注來對圖像進(jìn)行分割。

結(jié)合GrabCut的優(yōu)點(diǎn)和智能手機(jī)觸摸屏可作為用戶標(biāo)記輸入方式的特點(diǎn)，在本系統(tǒng)中，用戶可以在系統(tǒng)界面上以觸摸的方式粗略指定屬于前景區(qū)域和背景區(qū)域的像素點(diǎn)集，系統(tǒng)再根據(jù)用戶的選擇結(jié)果構(gòu)造用戶選擇矩陣，并通過調(diào)用OpenCV中的GrabCut方法來對圖像的背景作剪除。實(shí)現(xiàn)自然背景剪除界面的操作見圖5，圖中紅色和藍(lán)色線條為用戶通過手機(jī)觸摸屏粗略指定的目標(biāo)葉部區(qū)域和背景區(qū)域，剪除效果見圖5。

圖5 系統(tǒng)部分截圖Fig.5 Parts of screen captures of system

1.2.3 病害區(qū)域識別模塊

通過背景區(qū)域結(jié)合黃瓜霜霉病病害特點(diǎn)，利用生成顯著性圖的方法將病害區(qū)域從剪除了背景的葉部區(qū)域中識別出來[12]。病害區(qū)域識別結(jié)果以二值化圖像的形式暫存于內(nèi)存。

1.2.4 病情診斷結(jié)果生成模塊

病情診斷結(jié)果是利用病害區(qū)域識別模塊得到的病害區(qū)域二值化圖像所標(biāo)識的病害區(qū)域占整個(gè)葉片區(qū)域的百分比，所得計(jì)算結(jié)果再根據(jù)國家標(biāo)準(zhǔn)[13]折算成相應(yīng)的病害等級。病害占比和病害等級分別以數(shù)值形式顯示在界面上；同時(shí)在葉片圖像上根據(jù)病害區(qū)域二值化圖像用紅色標(biāo)出病斑區(qū)域(圖5)。

1.3 黃瓜常見病害及防治模塊

常見的黃瓜病害種類很多，對它們的防治和管控方式也有很多，在實(shí)際生產(chǎn)中如果可以從隨身攜帶的手機(jī)上獲取到各種常見病害的圖像和文字說明信息及相應(yīng)的防治方式將會(huì)非常方便。因此，本系統(tǒng)將各種常見的黃瓜病害及相應(yīng)的防治方式加以匯編，設(shè)計(jì)成電子手冊，集成在系統(tǒng)中。

1.4 幫助和關(guān)于模塊

本模塊是對本系統(tǒng)相關(guān)功能的說明，對剛剛開始熟悉和使用本系統(tǒng)的用戶而言，一些簡要的幫助信息非常重要。

2 系統(tǒng)實(shí)現(xiàn)與部署

2.1 系統(tǒng)實(shí)現(xiàn)

系統(tǒng)在Windows 7(64位) professional操作系統(tǒng)、Android Studio 2.1和JDK 1.7環(huán)境下開發(fā)，并通過共享庫形式調(diào)用OpenCV的相關(guān)圖像處理功能。

2.2 系統(tǒng)部署

為對系統(tǒng)進(jìn)行測試，需要將開發(fā)好的系統(tǒng)以apk安裝包的形式安裝到具體的手機(jī)硬件上。本文測試時(shí)采用的硬件為HUAWEI G750-T20型(華為榮耀3x pro)手機(jī)，其操作系統(tǒng)為Android 4.2.2(JELLY BEAN)，處理器為聯(lián)發(fā)科MT6592，主頻1.7 GHz，運(yùn)行內(nèi)存2.0 GB。系統(tǒng)運(yùn)行時(shí)的部分截圖見圖5。

3 試驗(yàn)與結(jié)果分析

3.1 試驗(yàn)設(shè)計(jì)

試驗(yàn)數(shù)據(jù)于2015年9—10月份采集自北京市北郊某日光溫室。從沒有因枯萎和衰老而變色的葉片圖像樣本中，選取50幅具有典型霜霉病病征圖像Ii，在專家指導(dǎo)下進(jìn)行葉部區(qū)域Li和病斑區(qū)域Di標(biāo)記，i為樣本編號，取值為[1,50]的整數(shù)，用Ii、Li和Di進(jìn)行試驗(yàn)并匯總結(jié)果。

在文獻(xiàn)[15]中，對復(fù)雜背景區(qū)域采用的分割方法是先在RGB色彩空間生成灰度圖W=min(255,max(0,2G-R-B))，再用OTSU法對灰度圖W作自適應(yīng)閾值分割得到分割蒙板，并由分割蒙板分割出葉部區(qū)域。

病害區(qū)域誤分率和錯(cuò)誤分級率分別定義為

Mi=∑(1-|AEi-AMi|/AWi)/N×100%

(6)

Eg=∑|1-(TEi≠TMi)|/N×100%

(7)

式中N——樣本數(shù)量i——樣本編號AEi——專家識別的病害區(qū)域像素?cái)?shù)AMi——系統(tǒng)識別出的病害區(qū)域像素?cái)?shù)AWi——整個(gè)葉片區(qū)域的像素?cái)?shù)TEi——根據(jù)專家識別結(jié)果計(jì)算的病害分級TMi——根據(jù)系統(tǒng)識別結(jié)果計(jì)算出的病害分級

≠——二元操作符，在兩操作數(shù)不相等時(shí)取1，反之取0

3.2 結(jié)果分析

系統(tǒng)對黃瓜霜霉病定量診斷的結(jié)果和運(yùn)行時(shí)間分別見表1和表2。由表1數(shù)據(jù)可見，在葉部圖像為自然背景時(shí)，系統(tǒng)對病害區(qū)域平均誤分率為8.39%，優(yōu)于對比方法(44.16%)；平均錯(cuò)誤分級率為4.00%，優(yōu)于對比方法(62.00%)。而對于簡單背景，病害區(qū)域平均誤分率為4.73%，與對比方法(4.97%)相當(dāng)，平均錯(cuò)誤分級率為2.00%，好于對比方法(4.00%)。綜合而言，系統(tǒng)對病斑區(qū)域誤分率約為6.56%，錯(cuò)誤分級率約為3%。對比表1中第2列和第4列數(shù)據(jù)可見，對于自然背景下的病情診斷，系統(tǒng)的誤分率及平均錯(cuò)誤分級率均略差于簡單背景，這主要是由復(fù)雜自然背景剪除時(shí)的誤差造成的。由表2可知，本文方法的平均運(yùn)行時(shí)間對簡單背景為1 s，對自然背景為11 s(不含人工選擇時(shí)間)。綜合看來，系統(tǒng)對于簡單背景的處理時(shí)間與文獻(xiàn)[15]方法相當(dāng)，對于自然背景，雖然用時(shí)多于文獻(xiàn)[15]方法，但誤分率降低了35.77個(gè)百分點(diǎn)。

表1 黃瓜霜霉病定量診斷的性能對比Tab.1 Performance comparison of different methods on cucumber downy mildew leaf disease diagnosis %

表2 平均運(yùn)行時(shí)間比較Tab.2 Comparison of average running time s

4 結(jié)論

(1)系統(tǒng)能夠在較短的時(shí)間內(nèi)給出較為準(zhǔn)確的黃瓜霜霉病葉部病斑的定量檢測結(jié)果，并將結(jié)果以數(shù)值和病斑區(qū)域圖像標(biāo)記的形式顯示在系統(tǒng)界面上。

(2)系統(tǒng)既可以有效地從非綠色簡單背景中提取出待診斷葉片的葉部區(qū)域，也可以利用智能手機(jī)觸摸屏讓用戶粗略指定葉部區(qū)域，從復(fù)雜的自然背景中提取出葉部區(qū)域；對于簡單背景下的葉片圖像處理用時(shí)較短，而對自然背景下的用時(shí)可以接受。

(3)基于Android技術(shù)和圖像處理的相關(guān)方法，在智能手機(jī)上構(gòu)建可用于自然背景下的黃瓜葉部病情診斷系統(tǒng)是可行的。

1 戴建國, 賴軍臣. 基于圖像規(guī)則與Android手機(jī)的棉花病蟲害診斷系統(tǒng)[J/OL]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2015,46(1):35-44. http:∥www.jcsam.org/jcsam/ch/reader/view_abstract.aspx?flag=1&file_no=20150106&journal_id=jcsam. DOI：10.6041/j.issn.1000-1298.2015.01.006. DAI Jianguo, LAI Junchen. Image-rule-based diagnostic expert system for cotton diseases and pests based on mobile terminal with Android system[J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2015,46(1):35-44.(in Chinese)

2 田有文, 王煒, 王瀧, 等. 基于Android平臺(tái)的黃瓜葉部病害圖像處理[J]. 農(nóng)業(yè)科技與裝備, 2015(2):30-31. TIAN Youwen, WANG Wei, WANG Long, et al. Image processing of cucumber leaf disease based on Android platform[J]. Agricultural Science & Technology and Equipment, 2015(2):30-31.(in Chinese)

3 王梅嘉, 何東健, 任嘉琛. 基于Android平臺(tái)的蘋果葉病害遠(yuǎn)程識別系統(tǒng)[J]. 計(jì)算機(jī)工程與設(shè)計(jì), 2015,36(9):2585-2590. WANG Meijia, HE Dongjian, REN Jiachen. Remote recognition of apple leaf disease based on Android platform[J]. Computer Engineering and Design, 2015,36(9):2585-2590.(in Chinese)

4 夏永泉, 李耀斌, 李晨. 基于圖像處理技術(shù)與Android手機(jī)的小麥病害診斷系統(tǒng)[J]. 安徽大學(xué)學(xué)報(bào)：自然科學(xué)版, 2016,40(2):26-31. XIA Yongquan, LI Yaobin, LI Chen. Diagnostic system of wheat diseases based on image processing technology and Android phone[J]. Journal of Anhui University：Natural Sciences, 2016,40(2):26-31.(in Chinese)

5 楊林楠, 郜魯濤, 林爾升, 等. 基于Android系統(tǒng)手機(jī)的甜玉米病蟲害智能診斷系統(tǒng)[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2012,28(18):163-168. YANG Linnan, GAO Lutao, LIN Ersheng, et al. Intelligent diagnose system of diseases and insect pests in sweet corn based on mobile terminal with Android system[J]. Transactions of the CSAE, 2012,28(18):163-168.(in Chinese)

6 吳滄海, 熊煥亮, 何火嬌. 基于Android智能手機(jī)油菜病害識別系統(tǒng)設(shè)計(jì)[J]. 中國農(nóng)機(jī)化學(xué)報(bào), 2013(4):257-260. WU Canghai, XIONG Huanliang, HE Huojiao. Rape diseases recognition system design based on Android platform[J]. Journal of Chinese Agricultural Mechanization, 2013(4):257-260.(in Chinese)

7 薛麗娜, 吳晟. 基于Android平臺(tái)的馬鈴薯蟲害指認(rèn)診斷系統(tǒng)[J]. 安徽農(nóng)業(yè)科學(xué), 2015(28):346-348. XUE Li’na, WU Sheng. Potato pest identification system based on Android[J]. Journal of Anhui Agricultural Sciences, 2015(28):346-348.(in Chinese)

8 田有文, 鄭鵬輝, 許童羽, 等. 基于安卓的黃瓜葉部病害程度檢測系統(tǒng)的研發(fā)[J]. 計(jì)算機(jī)工程與設(shè)計(jì), 2016,37(5):1411-1416. TIAN Youwen, ZHENG Penghui, XU Tongyu, et al. Developing detecting system for cucumber leaf disease severity based on Android[J]. Computer Engineering and Design, 2016,37(5):1411-1416.(in Chinese)

9 PETHYBRIDGE S J, NELSON S C. Leaf doctor: a new portable application for quantifying plant disease severity[J]. Plant Disease, 2015,99(10):1310-1316.

10 鄭姣, 劉立波. 基于Android的水稻病害圖像識別系統(tǒng)設(shè)計(jì)與應(yīng)用[J]. 計(jì)算機(jī)工程與科學(xué), 2015,37(7):1366-1371. ZHENG Jiao, LIU Libo. Design and application of rice disease image recognition system based on Android[J]. Computer Engineering and Science, 2015,37(7):1366-1371.(in Chinese)

11 屈赟, 陶晡, 王政嘉, 等. 基于Android的蘋果葉部病害識別系統(tǒng)設(shè)計(jì)[J]. 河北農(nóng)業(yè)大學(xué)學(xué)報(bào), 2015, 38(6):102-106. QU Yun, TAO Bu, WANG Zhengjia, et al. Design of apple leaf disease recognition system based on Android[J]. Journal of Agricultural University of Hebei, 2015, 38(6):102-106.(in Chinese)

12 葉海建, 郎睿, 劉成啟, 等. 基于視覺顯著性圖的黃瓜霜霉病識別方法[J/OL]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2016, 47(5):270-274. http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?file_no=20160536&flag=1. DOI：10.6041/j.issn.1000-1298.2016.05.036. YE Haijian, LANG Rui, LIU Chengqi, et al. Recognition of cucumber downy mildew disease based on visual saliency map[J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2016, 47(5):270-274.(in Chinese)

13 GB/T 17980.26—2000 農(nóng)藥田間藥效試驗(yàn)準(zhǔn)則(一)殺菌劑防治黃瓜霜霉病[S]. 2000.

14 龔愛平, 吳武豪, 裘正軍, 等. 基于Android系統(tǒng)手機(jī)的葉面積測量方法[J/OL]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2013,44(9):203-208. http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?file_no=20130936&flag=1. DOI：10.6041/j.issn.1000-1298.2013.09.036. GONG Aiping, WU Wuhao, QIU Zhengjun, et al. Leaf area measurement using Android OS mobile phone[J]. Transactions of the Chinese Society for Agricultural Machinery, 2013,44(9):203-208.(in Chinese)

15 袁媛, 李淼, 陳晟, 等. 復(fù)雜背景黃瓜葉部病害圖像分割方法[J/OL]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2013,44(10):233-237. http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?file_no=20131037&flag=1. DOI：10.6041/j.issn.1000-1298.2013.10.037. YUAN Yuan, LI Miao, CHEN Sheng, et al. Segmentation of cucumber leaf disease images with complex background[J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2013,44(10):233-237.(in Chinese)

16 ROTHER C, KOLMOGOROV V, BLAKE A. GrabCut-Interactive foreground extraction using iterated graph cuts[J]. ACM Transactions on Graphics, 2004,23(3):309-314.

Cucumber Downy Mildew Severity Quantifying Diagnosis System Suitable for Natural Backgrounds Based on Android

YE Haijian LANG Rui

(CollegeofInformationandElectricalEngineering,ChinaAgriculturalUniversity,Beijing100083,China)

Accurate and rapid disease severity quantifying is critical for scientific selection of disease control measures. Smartphone-based systems may facilitate this procedure. Based on Android and digital image processing, a smartphone-based system for cucumber leaf disease severity quantifying was designed and implemented. Leaf images can be obtained by using the smartphone back camera in field, and also can be loaded from local storage of the smartphone. Severity quantifying was done to the image in several steps. Firstly, image pre-processing and non-interested background removal were directly done to the leaf color image. Secondly, the diseased region was discriminated from the leaf region. Finally, disease severity was calculated by the ratio of disease area to leaf area as percentage, and disease grade was also calculated from the disease severity following a national standard. Numerical severity quantifying results were displayed in the interface, and the identified diseased region of the leaf image was marked in red and displayed in the interface as a synthesis image simultaneously. Two background removal algorithm were implemented in the system. One was used for simple background removal, namely super-G, which was used for background removal when the leaf region within a simple artificial background, such as a white A4 sheet. The other one was grabcut, which was a user-interactive background removal method chosen for complex natural background removal. Where the user could roughly point out background and foreground, and then the application would do the rest. For testing performance of the system, totally 50 images of downy mildew infected cucumber leaves were used. Images were acquired from greenhouses in north of Beijing. Results showed that the system could accurately quantify the downy mildew disease severity in acceptable time. Average percentage of false quantifying was 6.56%. Average running time for disease severity quantifying was 1 s for disease images with simple artificial backgrounds and 11 s (user interaction time was varied with each individual, thus not included) for those with complex natural backgrounds.

cucumber; downy mildew; Android; natural background; disease quantifying

10.6041/j.issn.1000-1298.2017.03.003

2016-06-28

2016-07-29

國家自然科學(xué)基金項(xiàng)目(31271619)

葉海建(1962—)，男，教授，主要從事圖像處理和大數(shù)據(jù)研究，E-mail： hjye@cau.edu.cn

TP391.4; S24

A

1000-1298(2017)03-0024-06