王 佳

(鶴壁職業(yè)技術學院,河南 鶴壁 458030)

0 引言

香芋是人們生活中常見的糧食作物,在香芋的生長期內常會染上黑斑病、病毒病等病害,一般發(fā)病率為30%～50%,嚴重時田塊內發(fā)病的株數可以達到100%[1],嚴重影響了香芋的產量和質量。對于香芋來說,病害最直觀的體現是葉片和葉柄等部位出現病斑。傳統防治病害的方法是通過肉眼識別,進行針對性的病害防治。但是,這種方法對于病害的診斷具有局限性和主觀性,不能夠對香芋病害的類型和病害程度做出客觀的判斷,導致后續(xù)的病害防治工作達不到預期的效果。

計算機視覺技術是利用攝像機進行拍攝,將得到的圖像通過軟件進行處理和計算,得到預期結果的一種方法[2-3],結合了計算機技術、圖像處理技術和人工智能技術。圖像處理技術是與計算機結合使用的一種圖像處理方法,在對香芋病害機制識別時,通過在計算機中存儲香芋病害的數據,建立香芋病害數據庫;利用圖像處理技術對拍攝到的香芋圖像進行處理,并與香芋病害數據庫進行對比、分析,確定病害種類;進而采取針對性的防治病害的措施,降低由于香芋病害導致的經濟損失。與人工識別香芋病害相比,計算機視覺識別香芋病害具有識別速度快及對病害種類和病害程度識別準確的優(yōu)勢[3],還可以實現遠程控制、降低人工成本,因此可以將計算機視覺技術應用于香芋病害的檢測研究中。

本文通過計算機視覺技術對香芋進行病害識別,利用建立的香芋病害數據庫,對需要識別的香芋病害進行特征提取、病害分析,實現病害自動識別。

1 設計思路

1.1 總體技術路線

香芋病害檢測系統主要由病害圖像采集裝置、圖像處理系統、形態(tài)特征提取系統和缺陷目標檢測系統組成,如圖1所示。

圖1 香芋病害檢測系統總體設計路線。

1.2 圖形采集裝置

采集的環(huán)境不同,采集方法也不同。所謂環(huán)境,是指室內環(huán)境和室外環(huán)境。若為室內采集,考慮到圖像受環(huán)境的影響較小,因此可以采用攝像機對病害圖像進行采集;若為室外采集,由于其受到外界環(huán)境影響較大,且需要便于攜帶,則采用數碼相機采集圖像,以減少自然光對圖像質量的影響。

1.3 圖像處理系統

圖像處理系統、形態(tài)特征提取系統和缺陷目標檢測系統設置在計算機內部。工作時,圖像處理系統首先對采集到的圖像進行去噪聲處理,減少噪聲對病害識別的影響;然后通過圖像分割的方式對圖片進行處理,包括顏色和紋理形態(tài)的分割,確定香芋葉片中包含的病害種類,為后續(xù)香芋病害特征提取、分析和相關數據庫的建立做準備。

1.4 形態(tài)特征提取系統

病害的識別主要包括顏色、紋理等特征,利用RGB模型提取病斑的顏色特征,利用統計學提取病斑的紋理特征,同時舍棄對識別病害貢獻較低的特征,確保病斑識別的準確率。

在初始病害識別時,首先需要建立病害的標準數據庫,利用支持向量的算法對系統進行訓練,并進行病害識別測試,確定病害種類。

1.5 缺陷目標檢測

將待識別的病害與標準數據庫進行對比分析,計算病害與樣本的接近度。如果病害在隸屬度范圍內,則確認該病害的類別。

2 軟件設計

2.1 病害圖像特征提取

2.1.1 顏色特征提取

顏色可以直觀反映香芋葉部病害的視覺特征。對香芋來說,顏色向量的計算較為簡便,更容易實現,因此首先選取顏色特征作為識別香芋病害的依據。

通常攝像機和數碼相機獲得的圖片模型為RGB模型,考慮到RGB模型的各分量均與光照亮度密切相關,而在室外條件下光照亮度變化較大,為了減少亮度對病害類型識別的影響,將圖像的RGB模型轉換為HSI模型,并將HSI模型的3個向量作為研究對象,對香芋病害進行識別。其轉換關系為

確定HSI各向量值后,采用顏色矩作為顏色特征的描述方式,由于顏色信息主要存在于一階、二階和三階矩中,因此僅對各顏色向量這3階接矩進行計算[4]。各階矩計算公式為

其中,m為各像素總數;H(pj)為p圖像中第j個像素所占灰度值。根據不同的病害類型的HSI各向量的范圍,即可確定病害類別。

2.1.2 紋理特征提取

除了顏色特征,由于香芋葉片病害區(qū)域的紋理和正常區(qū)域紋理在粗細和走向上有很大不同,因此紋理特征也是病害區(qū)域的表面特征之一。紋理主要是針對葉片灰度的描述,因此首先將彩色圖片進行灰度處理。圖片的灰度轉換公式為

Pδ(i,j)=0.2989×R(i,j)+0.5870×G(i,j)+0.1140×B(i,j)

其中,Pδ(i,j)為像素點的灰度級別;(i,j)為像素點位置。為減少計算量并提高計算速度,將灰度級別量化為16個等級,因此i,j≤16。R(i,j)、G(i,j)和B(i,j)分別為像素點在RGB模型中的紅色、綠色和藍色分量。

對灰度矩陣進行歸一化處理[5],即

紋理特征主要包括以下4四個要素,即角二階矩f1、對比度f2、相關性f4和熵f3。其中,角二階矩反映灰度均勻性和紋理的粗細程度,對比度反映圖像的清晰程度,相關性反映灰度矩陣行、列的相似程度,熵反映圖像非均勻性或者復雜程度。各要素的計算公式為

2.2 香芋病害識別

對于香芋病害來說,主要病害的樣本數量有限,屬于小樣本問題,而支持向量機(SVM)方法采用結構風險最小化(SRM)原理,具有誤差小、泛化能力強的優(yōu)點,尤其適用于解決小樣本、非線性問題,因此分類器選擇采用支持向量機方法對香芋病害進行識別。支持向量機方法是利用核函數將非線性問題推廣到高維空間,轉化成線性問題,并通過二次規(guī)劃問題對最優(yōu)分類面進行求解[6]。

首先選取已確定存在病害的香芋葉子樣本,提取其顏色和紋理特征并優(yōu)化,并將其分為訓練樣本和識別樣本兩組;然后,利用支持向量機根據訓練樣本學習病斑特征,完成后由識別樣本對分類器進行測試;分類器的核函數采用徑向基核函數對病害進行識別。該分類方法的運行路線如圖2所示。

圖2 支持向量機分類方法運行路線圖。

一般支持向量機方法僅適用于對兩類樣本的分類,而香芋的病害有多種,為了使算法能夠應用于多類別的病害分類,采用一對一投票策略[7]進行多類別分類。該策略具有運算速度快且不會出現錯誤累積的優(yōu)點,方法是將多個病害類別中每兩個作為一對正負集進行分類識別。也就是說,若有m個病害類別,則需要m(m-1)個分類器。

3 試驗結果與分析

3.1 異常葉片識別測試

通過選取香芋的正常葉片圖片60幅,存在顏色特征異常的葉片圖片30幅,存在紋理異常葉片圖片30幅作為訓練樣本。在訓練完成后,選取50幅正常葉片圖片、20幅顏色有異常葉片圖片和20幅紋理有異常葉片圖片作為測試樣本對系統進行測試,結果如表1所示。

表1 異常葉片識別結果。

3.2 病害葉片識別測試

分別選取存在葉片顏色異常和紋理異常,且已確認是否存在病害的葉片圖片各30幅,作為病害葉片識別的訓練樣本,再選取類似的葉片圖片各20幅作為測試樣本,結果如表2所示。

表2 病害葉片識別結果。

3.3 病害種類識別結果

香芋的常見病害種類為黑斑病、輪斑病和病毒病,因此主要對這3類病害進行識別。分別選取已確定病害類別的葉片圖片作為訓練樣本,每個病害圖片為30幅;訓練完成后,選取30幅葉片圖片作為識別樣本,測試系統識別病害類別的準確率。測試結果如表3所示。

表3 病害葉片種類識別結果。

續(xù)表3。

對香芋病害識別系統進行異常葉片、病害葉片和病害葉片種類識別進行訓練和測試,結果表明:該系統運行穩(wěn)定,識別病害種類正確率達到了使用要求。另一方面,為了進一步提高該系統識別病害的準確率,可以增加訓練樣本數,識別更多的病害種類。

4 結論

1)將計算機視覺技術應用于香芋病害的檢測系統,通過提取香芋葉片的顏色特征和紋理特征,建立香芋病害數據庫,確保香芋病害識別的準確率。

2)采用支持向量機的方法對病害進行識別,誤差小,速度快。

3)試驗結果表明:基于計算機視覺的香芋病害檢測系統能夠快速、準確地識別香芋病害類別,滿足用戶對于香芋病害識別系統的使用要求,可為后續(xù)香芋病害的防治提供準確信息。