黨滿意，孟慶魁，谷 芳，顧 彪，胡耀華,3,4

·農(nóng)業(yè)信息與電氣技術(shù)·

基于機(jī)器視覺的馬鈴薯晚疫病快速識(shí)別

黨滿意1，孟慶魁1，谷 芳1，顧 彪2，胡耀華1,3,4※

（1. 西北農(nóng)林科技大學(xué)機(jī)械與電子工程學(xué)院，楊凌 712100；2. 西北農(nóng)林科技大學(xué)植物保護(hù)學(xué)院，楊凌 712100；3. 陜西省農(nóng)業(yè)信息感知與智能服務(wù)重點(diǎn)實(shí)驗(yàn)室，楊凌 712100；4. 農(nóng)業(yè)農(nóng)村部農(nóng)業(yè)物聯(lián)網(wǎng)重點(diǎn)實(shí)驗(yàn)室，楊凌 712100；）

晚疫病是馬鈴薯的一種嚴(yán)重病害，可造成減產(chǎn)甚至絕收。因此馬鈴薯晚疫病的識(shí)別與控制對(duì)提高其產(chǎn)量有非常重要的意義。該文基于機(jī)器視覺技術(shù)對(duì)馬鈴薯葉部晚疫病進(jìn)行檢測(cè)，根據(jù)馬鈴薯葉片上晚疫病斑的顏色、紋理和形狀特征參數(shù)的不同，提取葉片表面的特征參數(shù)，并建立數(shù)學(xué)模型對(duì)病害程度做出評(píng)價(jià)。在RGB、HSV顏色空間中，根據(jù)馬鈴薯葉片在患病早期葉片顏色發(fā)生變化且與健康葉片不同，利用顏色特征，建立馬鈴薯晚疫病的無病和患病模型，該模型對(duì)馬鈴薯患病早期的識(shí)別率為67.5%。利用灰度共生矩陣，采用紋理統(tǒng)計(jì)參數(shù)進(jìn)行病害等級(jí)評(píng)價(jià)，用熵值和能量值描述晚疫病的嚴(yán)重程度，紋理特征對(duì)患病程度的識(shí)別率比較穩(wěn)定，對(duì)患病中期與后期的識(shí)別率分別為72.5%與80%。利用形狀特征的相對(duì)特征，根據(jù)病斑面積比進(jìn)行晚疫病診斷，該方法對(duì)馬鈴薯葉片晚疫病患病后期的診斷取得較好效果，識(shí)別率為90%，但由于葉片患病早期的病斑面積小且分散，識(shí)別難度大，識(shí)別率僅為50%。針對(duì)顏色、紋理及形狀特征在識(shí)別馬鈴薯葉片晚疫病時(shí)的優(yōu)勢(shì)與局限性，提出顏色紋理形狀特征結(jié)合的識(shí)別方法，對(duì)患病中期與后期的識(shí)別率分別為90%和92.5%。通常馬鈴薯晚疫病的理化值檢測(cè)法耗時(shí)數(shù)天，但利用機(jī)器視覺識(shí)別馬鈴薯晚疫病患病情況非?？焖?，根據(jù)顏色特征進(jìn)行病害識(shí)別的時(shí)間約為4 s，紋理特征識(shí)別的時(shí)間為7 s，形狀特征特征識(shí)別的時(shí)間為3 s，綜合顏色紋理形狀特征的識(shí)別由于計(jì)算量較大，識(shí)別時(shí)間為9 s。該研究可為基于機(jī)器視覺的馬鈴薯晚疫病的快速檢測(cè)提供理論依據(jù)。

機(jī)器視覺；圖像處理：病害；馬鈴薯晚疫??；特征提??；快速識(shí)別

0 引 言

馬鈴薯作為中國(guó)第四大主糧，其產(chǎn)量對(duì)保證中國(guó)糧食安全方面有重大的影響。根據(jù)2015年的世界糧食安全組織報(bào)告，中國(guó)的馬鈴薯種植面積居世界首位，種植面積大但平均單產(chǎn)很低[1-3]。中國(guó)的氣候環(huán)境極易導(dǎo)致馬鈴薯晚疫病的爆發(fā)，而其一旦爆發(fā)必定會(huì)減少馬鈴薯產(chǎn)量，降低馬鈴薯的品質(zhì)，影響國(guó)家糧食安全[4-6]。

農(nóng)作物在生長(zhǎng)過程中會(huì)受到病害侵襲，使其產(chǎn)量和品質(zhì)受到嚴(yán)重的影響，而病害識(shí)別和診斷是作物病害防治的前提，機(jī)器視覺技術(shù)已經(jīng)在植物病害識(shí)別中有了廣泛的應(yīng)用[7-10]。蔣豐千等[11]提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)的生姜病害識(shí)別系統(tǒng)，對(duì)炭疽病、姜瘟病、根結(jié)線蟲病和白星病進(jìn)行研究分析，該系統(tǒng)的識(shí)別率達(dá)到了96%，可以較好地預(yù)測(cè)和識(shí)別生姜的相關(guān)病害；郭小清等[12]采用融合灰度差分統(tǒng)計(jì)與H分量4維特征的病害識(shí)別模型，提高了基于數(shù)字圖像識(shí)別番茄葉部病害的準(zhǔn)確率，適應(yīng)不同分辨率條件下的應(yīng)用需求；劉媛等[13]針對(duì)葡萄病害葉片圖像的特點(diǎn)，應(yīng)用計(jì)算機(jī)圖像處理和模式識(shí)別技術(shù)研究葡萄病害識(shí)別方法，為實(shí)現(xiàn)葡萄病害的快速自動(dòng)識(shí)別提供了方法和依據(jù)。但利用機(jī)器視覺展開馬鈴薯晚疫病的研究目前還比較少，傳統(tǒng)上是依靠專家經(jīng)驗(yàn)判斷馬鈴薯葉片晚疫病的發(fā)病程度，依靠肉眼進(jìn)行晚疫病特征識(shí)別，常常導(dǎo)致誤診。晚疫病分級(jí)不易，很難將葉片染病情況量化，但是在防治方面需要根據(jù)病情進(jìn)行不同處理。因此，結(jié)合機(jī)器視覺研究一種快速、準(zhǔn)確的馬鈴薯晚疫病實(shí)時(shí)識(shí)別方法，及時(shí)發(fā)現(xiàn)并防治病害，具有重要的現(xiàn)實(shí)意義。

本研究應(yīng)用機(jī)器視覺技術(shù)，以晚疫病為逆境脅迫條件，以獲得馬鈴薯葉片的圖片信息判斷染病與否及染病程度，以實(shí)現(xiàn)病斑顯現(xiàn)時(shí)的準(zhǔn)確識(shí)別，以做到早期預(yù)防，從而減少因晚疫病造成的馬鈴薯減產(chǎn)損失。

1 材料與方法

1.1 試驗(yàn)材料

試驗(yàn)采用下寨8號(hào)馬鈴薯，葉片樣品數(shù)量為240片；試驗(yàn)菌種為馬鈴薯晚疫病菌（），來自西北農(nóng)林科技大學(xué)植物保護(hù)學(xué)院實(shí)驗(yàn)室，采用PRX-250B型人工氣候箱（中國(guó)寧波賽福實(shí)驗(yàn)儀器有限公司）。

將試驗(yàn)葉片分為12組，每組20片，其中2組為健康葉片，作為對(duì)照組（不接種），其他10組為染病組。試驗(yàn)分6 d進(jìn)行，接種時(shí)，在葉柄處裹上濕棉球，接種馬鈴薯晚疫病孢子懸浮液，接種部位在葉片背部二級(jí)葉脈之間，24 h后翻轉(zhuǎn)葉片，防止交叉感染。

1.2 病害分級(jí)標(biāo)準(zhǔn)

通過觀察不同患病天數(shù)馬鈴薯葉片的病斑顯現(xiàn)和面積大小來劃分病害分級(jí)。具體分級(jí)依據(jù)參考國(guó)家農(nóng)藥田間藥效試驗(yàn)準(zhǔn)則（一）[14]中植物病害的分級(jí)標(biāo)準(zhǔn)：

0級(jí)：無病斑；1級(jí)：病斑面積占比5%以下；3級(jí)：病斑面積占比6%～10%；5級(jí)：病斑面積占比11%～20%；7級(jí)：病斑面積占比21%～50%；9級(jí)：病斑面積占比50%以上。

依據(jù)上述分級(jí)標(biāo)準(zhǔn)并結(jié)合本研究中馬鈴薯葉片的發(fā)病情況，將馬鈴薯葉片晚疫病分為以下幾個(gè)等級(jí)：

健康（0級(jí)）：無病斑；患病早期（1級(jí)）：病斑面積占比0～10%；患病中期（2級(jí)）：病斑面積占比11%～20%；患病后期（3級(jí)）：病斑面積占比20%以上。

1.3 試驗(yàn)方法

本文技術(shù)路線圖如圖1所示，將采集的馬鈴薯葉片圖像進(jìn)行預(yù)處理后分別提取顏色、紋理及形狀特征，建立病害分級(jí)模型，對(duì)病害進(jìn)行識(shí)別分類。

圖1 技術(shù)路線圖

圖像采集系統(tǒng)由相機(jī)、計(jì)算機(jī)、光源及暗箱等組成，如圖2所示。用CCD工業(yè)相機(jī)，開啟近拍模式、白平衡自動(dòng)曝光、圖像拍攝分辨率（像素）為2560×1920。拍攝時(shí)，選擇白色高對(duì)比度背景板作為拍攝背景，以減少后期圖像處理的難度。選用固定位置拍攝，避免拍攝位置不同對(duì)圖像的影響。在試驗(yàn)的6 d中每天采集60片葉片的圖像信息，共計(jì)連續(xù)采集360片葉片的圖像信息，篩選出具有代表性的健康葉片、患病早期、患病中期及患病后期圖像各80幅。隨機(jī)選擇各類圖像中的40幅用于模型建立，剩余圖像作為驗(yàn)證。

1.CCD工業(yè)相機(jī) 2.光源 3.樣本 4.平臺(tái) 5.計(jì)算機(jī) 6.暗箱

2 圖像預(yù)處理

2.1 圖像的濾波與噪聲消除

圖像采集中難免會(huì)受到外界的一些因素干擾，導(dǎo)致圖像中存在一定的噪音，會(huì)對(duì)葉片的特征提取產(chǎn)生干擾，并且葉片本身的脈絡(luò)也會(huì)對(duì)圖像特征提取產(chǎn)生不利的影響，因此采用中值濾波算法對(duì)圖像進(jìn)行預(yù)處理[15]，在消除噪聲干擾的同時(shí)保留較為完整的葉片顏色信息。通過濾波操作后，原始圖像中可能對(duì)特征提取產(chǎn)生影響的噪聲被消除。如圖3所示，利用中值濾波處理后圖像噪聲明顯減弱，圖像更加平滑，并且圖像邊緣信息得到了有效保護(hù)。

圖3 中值濾波效果

2.2 圖像的二值化與形態(tài)學(xué)處理

數(shù)字圖像在計(jì)算機(jī)中的儲(chǔ)存格式為RGB格式，這種格式將圖像分成紅、綠、藍(lán)3個(gè)通道，每個(gè)通道都包含著圖像的信息，對(duì)3個(gè)通道都進(jìn)行處理，計(jì)算量大，過程繁瑣。實(shí)際上，RGB格式的圖像形狀特征表現(xiàn)不明顯，為了方便對(duì)圖像的形態(tài)特征進(jìn)行處理，同時(shí)簡(jiǎn)化處理流程、降低處理難度，將圖像灰度化，在僅除去圖像顏色信息同時(shí)，保留圖像完整的形態(tài)信息，提高圖像處理效率[16-18]?；叶然Ч鐖D4a所示。根據(jù)大津法求得灰度化圖像的閾值，進(jìn)行圖像二值化分割，實(shí)現(xiàn)病斑的初步提取。圖像二值化分割后，前景與背景圖像的類間方差最大，是圖像分割中閾值選取的最佳算法。為去除圖像中的噪聲，使提取的病斑邊緣更加平滑，對(duì)圖像進(jìn)行先腐蝕后膨脹的開運(yùn)算，選用3×3的橢圓作為形態(tài)學(xué)處理的核心元素，開運(yùn)算效果如圖4b所示。

圖4 病斑初步提取

2.3 圖像分割

現(xiàn)有的圖像分割技術(shù)有很多，本文主要采用基于算法理論的分割方法和基于邊緣檢測(cè)的分割方法。

GrabCut是微軟研究室提出的一種基于算法理論的分割方法，通過用戶提供圖像背景和前景的種子，然后對(duì)前景背景建立概率分布模型，采用迭代的方法一步一步分割逼近圖像，最終獲得需要的圖像區(qū)域。GrabCut算法[19-20]在待處理的圖像上選定好合適的分割范圍，選定范圍內(nèi)的圖像默認(rèn)為前景，選定范圍外的圖像默認(rèn)為背景，還可以加上人工交互方式，對(duì)復(fù)雜圖像進(jìn)行更加細(xì)致的前景分割。GrabCut算法分割后目標(biāo)葉片的前景分割效果如圖5所示。

圖5 GrabCut算法圖像前景分割效果

基于邊緣的分割方法是為了獲得不同形狀的病斑，以便于后期提取病斑特征參數(shù)，本文采用閾值可分離的Otsu法和斑點(diǎn)檢測(cè)[21-24]，通過二值化分割閾值，選定合適的形狀參數(shù)，獲得對(duì)比度明顯的病斑區(qū)域并標(biāo)記。為了便于后期對(duì)病害區(qū)域紋理、顏色特征進(jìn)行定量定性提取，處理過程中不改變圖像尺寸，將圖像以2560×1920像素保存，獲得所需要的只含有病斑的圖像區(qū)域，如圖6所示。

圖6 明顯病害區(qū)域自動(dòng)標(biāo)記效果

如圖7為病斑連續(xù)分割圖，利用OpenCV中的感興趣區(qū)域裁剪圖片，選擇void cvSetImageROI函數(shù)設(shè)置感興趣區(qū)域，以對(duì)比明顯的病斑區(qū)域作為感興趣區(qū)域，獲得整幅圖像的所有局部病斑，用于后續(xù)的圖像紋理、顏色特征識(shí)別。

圖7 病斑連續(xù)分割圖

3 特征的提取與識(shí)別

3.1 顏色特征的提取與識(shí)別

3.1.1 病斑顏色特征識(shí)別

本文將RGB和HSV顏色空間配合使用區(qū)別馬鈴薯葉部晚疫病害病斑的顏色特征。選擇需要進(jìn)行顏色特征提取的患病葉片，考慮到實(shí)際田間檢測(cè)中只對(duì)目標(biāo)葉片的患病部分檢測(cè)是不切實(shí)際的，所選取的最小檢測(cè)范圍應(yīng)該是一簇葉片，因此選取經(jīng)過GrabCut算法處理過的病害葉片在HSV顏色空間內(nèi)進(jìn)行顏色特征值的提取，首先將RGB格式的圖片轉(zhuǎn)換為HSV格式，RGB坐標(biāo)系向HSV的轉(zhuǎn)化公式為

式中為色調(diào)，用角度度量，取值范圍為0°～360°，從紅色開始按逆時(shí)針方向計(jì)算，紅色為0°，綠色為120°，藍(lán)色為240°；為飽和度，表示顏色接近光譜色的程度，取值范圍為0～100%，值越大，顏色越飽和；為明度，表示顏色明亮的程度，通常取值范圍為0（黑）到100%（白）；、、分別代表紅、綠、藍(lán)3種顏色的通道值，取值范圍為0～255。

根據(jù)晚疫病病斑的顏色表現(xiàn)特征，確定HSV中各個(gè)通道的取值范圍，病情較為嚴(yán)重時(shí)葉片表面出現(xiàn)黃色暈圈，中心呈現(xiàn)黑褐色菌斑。由HSV顏色分量范圍可知各個(gè)通道的取值范圍為：黃色[26,43,46]～[34,255,255]，黑色[0,0,0]～[180,43,220]，顏色特征提取后的病斑圖像如圖 8所示。

圖8 病斑顏色特征提取效果

3.1.2 基于顏色特征的病害分級(jí)

根據(jù)顏色特征提取[25-27]后的病斑顏色分量值，結(jié)合本研究的病害分級(jí)標(biāo)準(zhǔn)，分析出其在HSV顏色空間內(nèi)的各個(gè)通道的取值范圍，得到不同病害程度的不同顏色分量取值范圍，結(jié)果如表1所示。病斑顏色的深淺能夠反映葉片的患病程度，顏色越深代表單位葉片面積上菌落的聚集程度越高，晚疫病菌的個(gè)數(shù)越多，對(duì)葉片營(yíng)養(yǎng)的破壞力越強(qiáng)，因此失去營(yíng)養(yǎng)的葉片顏色會(huì)逐漸由表現(xiàn)健康的綠色轉(zhuǎn)化為失去營(yíng)養(yǎng)的黃色和失去水分的黑色。

表1 基于顏色特征的病害分級(jí)結(jié)果

患病葉片的病斑顏色變化隨著患病程度而變化，代表患病后期的黑色特征不可能出現(xiàn)在代表綠色和微黃色的健康期和患病早期，因此該分級(jí)標(biāo)準(zhǔn)是可靠的。但是由于患病中期和患病后期的顏色區(qū)分不明顯，很容易混在一起，僅用顏色特征對(duì)患病程度進(jìn)行評(píng)價(jià)并不完全可靠，因此需要引入紋理特征與形狀特征對(duì)病害程度進(jìn)行更加準(zhǔn)確的評(píng)價(jià)。

3.2 紋理特征的提取與識(shí)別

3.2.1 紋理的性質(zhì)

紋理在圖像中以某種局部排列模式反復(fù)出現(xiàn)，排列規(guī)則不依賴于顏色或者光照，可以反映圖像同質(zhì)現(xiàn)象的特點(diǎn)，因此紋理是一種有效的圖像特征?；疾●R鈴薯葉片病害部位的紋理粗細(xì)、大小以及方向等和健康馬鈴薯葉片相比有顯著不同，不同病害程度的紋理特征也不相同，因此本文進(jìn)一步對(duì)病害區(qū)域的紋理特征進(jìn)行提取。灰度共生矩陣是圖像中像素變化關(guān)于方向與間隔的反映，是分析圖像像素排列規(guī)律與局部特征的基礎(chǔ)。本文采用基于統(tǒng)計(jì)方法的灰度共生矩陣[28-30]提取目標(biāo)紋理參數(shù)。

3.2.2 紋理特征的提取與分析

根據(jù)灰度共生矩陣法，對(duì)灰度化后的圖像進(jìn)行灰度共生矩陣特征提取，分別提取待測(cè)圖像的能量值、反方差值、對(duì)比度值和圖像熵值，尋找和病害特征相匹配的特征參數(shù)作為主要特征量判斷圖像的病害程度。

分別對(duì)健康、患病早期、患病中期、患病后期的馬鈴薯葉片使用灰度共生矩陣算法提取4項(xiàng)基本特征，結(jié)果如表2所示。

表2 紋理特征值

對(duì)灰度共生矩陣法獲得的特征值進(jìn)行統(tǒng)計(jì)發(fā)現(xiàn)，對(duì)比度、熵差異明顯。對(duì)比度值在患病早期為0.63～0.69，患病中期為0.56～0.62，患病后期為0.40～0.55。圖像熵值在患病早期為2.06～2.38，患病中期為2.40～2.58，患病后期為2.67～3.42。能量值為0.06～0.41，健康葉片能量值為0.41～0.38，患病早期、患病中期與患病后期的能量值差異不明顯。對(duì)比度值分布在0.40～0.75之間，變化較小。

能量是灰度共生矩陣元素值的平方和，反映了圖像灰度分布均勻程度和紋理粗細(xì)度，能量值大表明當(dāng)前紋理是一種規(guī)則變化較為穩(wěn)定的紋理。熵值反映圖像灰度分布的復(fù)雜程度，熵值越大，圖像越復(fù)雜。馬鈴薯葉片為健康狀態(tài)時(shí)葉片的灰度集中，紋理特征均勻一致，但是患病葉片受病斑區(qū)域的影響圖像的紋理變化不規(guī)則。因此可以用熵值和能量值來判斷健康葉片與患病葉片。隨著馬鈴薯葉片患病程度的逐漸加深，患病區(qū)域的能量值逐漸降低，最低為0.06；而熵值逐漸增加，最高達(dá)3.42；健康葉片的能量值最小為0.38，熵值最大為1.73。對(duì)比度值直接反映了某個(gè)像素值及其領(lǐng)域像素值的亮度對(duì)比情況?；疾『笃跁r(shí)葉片大面積為病斑區(qū)域，圖像整體亮度與溝紋深度較為一致；而患病早期的情況與之相反，病斑區(qū)域較小，整個(gè)圖像的亮度與溝紋深度隨病斑區(qū)域及病斑顏色的深淺不斷變化。結(jié)合熵值信息可對(duì)葉片患病程度進(jìn)行判斷。相關(guān)性表示圖片紋理的規(guī)則程度，但是由于健康狀態(tài)或者某一患病程度的葉片局部灰度值變化不大，導(dǎo)致相關(guān)性值區(qū)別不大，不能作為病害程度的判斷標(biāo)準(zhǔn)。

根據(jù)所獲得的量化指標(biāo)，設(shè)計(jì)根據(jù)紋理特征的馬鈴薯晚疫病害檢測(cè)流程，如圖9所示。

圖9 紋理特征檢測(cè)流程

3.3 形狀特征的提取與識(shí)別

3.3.1 形狀特征參數(shù)的定義和計(jì)算

形狀是把一個(gè)物體從周圍物體中區(qū)別出來的重要特征，是圖像最顯著的視覺特征之一，利用形狀特征檢索圖像可以提高檢索的準(zhǔn)確性和效率。形狀特征可以分為2類，一類是基于邊界的特征，另一類是基于區(qū)域的特征。相應(yīng)地，基于圖像形狀特征的提取也分為基于邊界的特征提取和基于區(qū)域的特征提取2種情況。結(jié)合國(guó)家植物病害分級(jí)標(biāo)準(zhǔn)中的病斑面積比，選擇基于區(qū)域特征提取方法中的區(qū)域面積作為形狀特征描述參數(shù)：

病斑面積比：病斑面積/葉片面積。該參數(shù)是患病葉片的病斑面積與葉片面積的比值，可以用來區(qū)分患病的嚴(yán)重程度和病斑的相對(duì)大小。

面積：通過計(jì)算病斑圖像中病害部分的所有像素點(diǎn)總和衡量。對(duì)葉片圖像進(jìn)行預(yù)處理后，獲取其病斑二值圖面積1，再獲得整個(gè)葉片二值圖面積2，二者相比即可計(jì)算出病斑面積比，如圖10。其計(jì)算公式為

3.3.2 根據(jù)形狀特征的病害分級(jí)模型

參考國(guó)家農(nóng)藥田間藥效試驗(yàn)準(zhǔn)則（一）中植物病害的分級(jí)標(biāo)準(zhǔn)，結(jié)合不同患病程度葉片的病斑面積比不同，確定健康、患病早期、患病中期及患病后期的形狀參數(shù)范圍，獲得如表3所示的形狀特征病害分級(jí)結(jié)果。

表3 基于形狀特征病害分級(jí)結(jié)果

4 結(jié)果與分析

對(duì)根據(jù)國(guó)家植物患病等級(jí)確定患病程度的120幅馬鈴薯葉片圖像（患病早期、患病中期和患病后期各40幅），利用顏色、紋理、形狀及綜合顏色紋理形狀特征分別進(jìn)行識(shí)別，識(shí)別結(jié)果如表4所示。利用顏色、紋理或形狀單一特征進(jìn)行病害識(shí)別時(shí)，患病早期基于顏色特征識(shí)別方法的識(shí)別率最高達(dá)67.5%；患病中期基于紋理特征識(shí)別方法的識(shí)別率達(dá)72.5%；基于形狀特征的識(shí)別方法對(duì)患病后期的識(shí)別效果較好，可達(dá)90%。綜合顏色、紋理及形狀3個(gè)特征的識(shí)別方法的識(shí)別率相對(duì)單一特征都有所提高。

表4 馬鈴薯葉片晚疫病識(shí)別結(jié)果

對(duì)表4中的識(shí)別結(jié)果進(jìn)行分析，造成識(shí)別效果差異的原因如下：

1）因?yàn)榛疾∪~片病斑的顏色變化是與患病程度有關(guān)，代表著患病后期的黑色特征不可能出現(xiàn)在代表綠色和微黃色的健康期和患病早期，因此可根據(jù)顏色特征將患病早期區(qū)分出來。但是由于患病中期和患病后期的顏色區(qū)分不明顯，很容易混在一起，因此利用顏色特征識(shí)別患病中后期正確識(shí)別率不高。

2）紋理特征識(shí)別患病程度比較穩(wěn)定，對(duì)患病中期與后期的識(shí)別率都大于70%，這是由于紋理特征內(nèi)涵物體表面結(jié)構(gòu)排列的規(guī)律，紋理特征具有一定的尺度不變性和旋轉(zhuǎn)不變性，處于不同患病時(shí)期的葉部病害區(qū)域紋理特征也不相同，這保證了對(duì)圖像紋理特征進(jìn)行提取時(shí)的穩(wěn)定性。但是由于拍攝照片像素影響，識(shí)別率不是特別高。

3）形狀特征識(shí)別方法對(duì)患病后期識(shí)別率高達(dá)90%，這是因?yàn)榛疾『笃诘牟“吆苊黠@，能夠與未患病區(qū)域明顯區(qū)分，利用形狀特征進(jìn)行識(shí)別時(shí)，能夠準(zhǔn)確地將病斑區(qū)域提取出來，但是患病早期與患病中期的病斑顏色較淺，區(qū)域較小，提取準(zhǔn)確率低。對(duì)患病早期與患病中期識(shí)別率不高，尤其是患病早期識(shí)別率只有50%，這是因?yàn)榛疾≡缙诘牟“哳伾靶螤钐卣鞑皇翘貏e明顯，很難準(zhǔn)確提取患病區(qū)域。因此可以利用形狀特征進(jìn)行患病后期的識(shí)別。

4）未能正確識(shí)別的多為患病早期的葉片，這些葉片的病斑不明顯甚至有的沒有，病斑區(qū)域的顏色與正常葉片的顏色差異不大，在可見光范圍內(nèi)很難識(shí)別。

5）顏色紋理形狀特征結(jié)合進(jìn)行病害識(shí)別的識(shí)別率相對(duì)單一特征識(shí)別要高，該方法取3個(gè)特征識(shí)別時(shí)的交集，避免了單一特征識(shí)別時(shí)的局限性，提高了識(shí)別率。

6）傳統(tǒng)上依靠人眼判斷馬鈴薯葉片晚疫病的發(fā)病程度，要求診斷者具有較為豐富的經(jīng)驗(yàn)，且常常出現(xiàn)誤診漏診，難以將葉片染病情況量化。馬鈴薯晚疫病的理化值檢測(cè)耗時(shí)數(shù)天。利用機(jī)器視覺檢測(cè)馬鈴薯晚疫病較為迅速，根據(jù)顏色特征進(jìn)行病害識(shí)別所需的時(shí)間約為4 s，利用紋理特征進(jìn)行識(shí)別耗時(shí)7 s，利用形狀特征識(shí)別所需時(shí)間最少為3 s，綜合顏色紋理形狀特征方法的識(shí)別率最高，但是由于在進(jìn)行病害識(shí)別時(shí)需要進(jìn)行顏色空間轉(zhuǎn)換與紋理特征提取，計(jì)算復(fù)雜度高，計(jì)算量相大，因此耗時(shí)較多，但也僅為9 s。

5 結(jié) 論

1）本研究通過采集發(fā)生晚疫病害的馬鈴薯葉片圖像，對(duì)其進(jìn)行灰度化處理、濾波去噪聲、形態(tài)學(xué)處理后，再采用GrabCut算法和直方圖閾值分割算法進(jìn)行比較和切割，能較好地提取晚疫病馬鈴薯葉片的特征。

2）在RGB、HSV顏色空間中，根據(jù)馬鈴薯葉片患病早期葉片顏色與健康葉片不同，利用顏色特征建立無病和患病檢測(cè)模型，該模型對(duì)患病早期的識(shí)別率為67.5%。

3）研究了相同尺度下的圖像紋理值，并根據(jù)這些紋理特征確定了大概的病患分離點(diǎn)，初步實(shí)現(xiàn)了病害識(shí)別，該方法對(duì)患病程度的識(shí)別率比較穩(wěn)定，對(duì)患病中期與后期的識(shí)別率都大于70%。

4）根據(jù)國(guó)家植物病害分級(jí)標(biāo)準(zhǔn)，建立了馬鈴薯晚疫病分級(jí)標(biāo)準(zhǔn)，為晚疫病病害識(shí)別與分級(jí)打下基礎(chǔ)，利用該診斷方法對(duì)患病后期馬鈴薯葉片的識(shí)別較好，識(shí)別率高達(dá)90%。

5）提出顏色紋理形狀特征結(jié)合的識(shí)別方法，該方法與利用單一特征識(shí)別方法相比較，識(shí)別效果更好，對(duì)患病中期與后期的識(shí)別率都大于90%。

6）通常馬鈴薯晚疫病的理化值檢測(cè)耗時(shí)數(shù)天，但利用機(jī)器視覺檢測(cè)馬鈴薯晚疫病較為迅速。本研究進(jìn)行馬鈴薯晚疫病的識(shí)別耗時(shí)最長(zhǎng)為9 s，最短為3 s。本研究為馬鈴薯晚疫病的實(shí)時(shí)檢測(cè)、實(shí)現(xiàn)病斑顯現(xiàn)時(shí)的準(zhǔn)確識(shí)別和及時(shí)防治提供了新的方法。

[1]羅其友，劉洋，高明杰，等. 中國(guó)馬鈴薯產(chǎn)業(yè)現(xiàn)狀與前景[J]. 農(nóng)業(yè)展望，2015，11(3)：35－40. Luo Qiyou, Liu Yang, Gao Mingjie, et al. Status quo and prospect of China's potato industry[J]. Agricultural Outlook, 2015, 11(3): 35－40. (in Chinese with English abstract)

[2]謝建華. 我國(guó)馬鈴薯生產(chǎn)現(xiàn)狀及發(fā)展對(duì)策[J]. 中國(guó)農(nóng)技推廣，2007(5)：4－7.

[3]李文娟，秦軍紅，谷建苗，等. 從世界馬鈴薯產(chǎn)業(yè)發(fā)展談中國(guó)馬鈴薯的主糧化[J]. 中國(guó)食物與營(yíng)養(yǎng)，2015，21(7)：5－9. Li Wenjuan, Qin Junhong, Gu Jianmiao, et al. Developing potato as a staple food in China based on world potato development[J]. Food and Nutrition in China, 2015, 21(7): 5－9. (in Chinese with English abstract)

[4]魏亞雯. 馬鈴薯晚疫病[J]. 農(nóng)業(yè)科技與信息，2009(1)：28.

[5]曹靜，客紹英. 馬鈴薯晚疫病流行學(xué)及防治方法研究進(jìn)展[J].中國(guó)馬鈴薯，2005(1)：33－36.

[6]黃沖，劉萬才. 近幾年我國(guó)馬鈴薯晚疫病流行特點(diǎn)分析與監(jiān)測(cè)建議[J]. 植物保護(hù)，2016，42(5)：142－147. Huang Chong, Liu Wancai. Occurence characteristics and monitoring advice of potato late blight in China in recent years[J]. Plant Protection, 2016, 42(5): 142－147. (in Chinese with English abstract)

[7]何勇，彭繼宇，劉飛，等. 基于光譜和成像技術(shù)的作物養(yǎng)分生理信息快速檢測(cè)研究進(jìn)展[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2015，31(3)：174－189. He Yong, Peng Jiyu, Liu Fei, et al. Critical review of fast detection of crop nutrient and physiological information with spectral and imaging technology[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(3): 174－189. (in Chinese with English abstract)

[8]賴軍臣，李少昆，明博，等. 作物病害機(jī)器視覺診斷研究進(jìn)展[J]. 中國(guó)農(nóng)業(yè)科學(xué)，2009，42(4)：1215－1221. Lai Junchen, Li Shaokun, Ming Bo, et al. Advances in research on computer-vision diagnosis of crop diseases[J]. Scientia Agricultura Sinica, 2009, 42(4): 1215－1221. (in Chinese with English abstract)

[9]李志剛，傅澤田，李麗勤. 基于機(jī)器視覺的農(nóng)業(yè)植保技術(shù)研究進(jìn)展[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2005，36(8)：143－146. Li Zhigang, Fu Zetian, Li Liqin. Advance in agricultural plant protection technology based on machine vision[J]. Transactions of the Chinese Society for Agricultural Machinery, 2005, 36(8): 143－146. (in Chinese with English abstract)

[10]曹樂平. 基于機(jī)器視覺的植物病蟲害實(shí)時(shí)識(shí)別方法[J]. 中國(guó)農(nóng)學(xué)通報(bào)，2015，31(20)：244－249. Cao Leping. The research progress on machine recognition of plant diseases and insect pests[J]. Chinese Agricultural Science Bulletin, 2015, 31(20): 244－249. (in Chinese with English abstract)

[11]蔣豐千，李旸，余大為，等. 基于Caffe的生姜病害識(shí)別系統(tǒng)研究與設(shè)計(jì)[J]. 中國(guó)農(nóng)機(jī)化學(xué)報(bào)，2019，40(1)：126－131. Jiang Fengqian, Li Yang, Yu Dawei, et al. Design and experiment of tobacco leaf grade recognition system based on Caffe[J]. Journal of Chinese Agricultural Mechanization, 2019, 40(1): 126－131. (in Chinese with English abstract)

[12]郭小清，范濤杰，舒欣. 基于圖像融合特征的番茄葉部病害的識(shí)別[J]. 湖南農(nóng)業(yè)大學(xué)學(xué)報(bào)自然科學(xué)版，2019，45(2)：212－217. Guo Xiaoqing, Fan Taojie, Shu Xin. Recognition of tomato leaf disease based on image fusion feature[J]. Journal of Hunan Agricultural University: Natural Sciences, 2019, 45(2): 212－217. (in Chinese with English abstract)

[13]劉媛，馮全. 葡萄病害的計(jì)算機(jī)識(shí)別方法[J]. 中國(guó)農(nóng)機(jī)化學(xué)報(bào)，2017，38(4)：99－104. Liu Yuan, Feng Quan. Identification method of grape diseases based on computer technology[J]. Journal of Chinese Agricultural Mechanization, 2017, 38(4): 99－104. (in Chinese with English abstract)

[14]GB/T 17980. 34-2000，農(nóng)藥田間藥效試驗(yàn)準(zhǔn)則（一）殺菌劑防治馬鈴薯晚疫病[S]北京：中國(guó)標(biāo)準(zhǔn)出版社，2000.

[15]高浩軍，杜宇人. 中值濾波在圖像處理中的應(yīng)用[J]. 電子工程師，2004(8)：35－36. Gao Haojun, Du Yuren. The application of median filtering on image processing[J]. Electronic Engineer, 2004(8): 35－36. (in Chinese with English abstract)

[16]田凱，張連寬，熊美東，等. 基于葉片病斑特征的茄子褐紋病識(shí)別方法[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2016，32(增刊1)：184－189. Tian Kai, Zhang Liankuan, Xiong Meidong, et al. Recognition of phomopsis vexans in solanum melongena based on leaf disease spot features[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(Supp.1): 184－189. (in Chinese with English abstract)

[17]吳娜，李淼，陳晟，等. 基于融合多特征圖切割的作物病害圖像自動(dòng)分割[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2014，30(17)：212－219. Wu Na, Li Miao, Chen Sheng, et al. Automatic segmentation of plant disease images based on graph cuts fusing multiple features[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2014, 30(17): 212－219. (in Chinese with English abstract)

[18]畢昆，姜盼，李磊，等. 基于形態(tài)學(xué)圖像處理的麥穗形態(tài)特征無損測(cè)量[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2010，26(12)：212－216. Bi Kun, Jiang Pan, Li Lei, et al. Non-destructive measurement of wheat spike characteristics based on morphological image processing[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2010, 26(12): 212－216. (in Chinese with English abstract)

[19]Dina Khattab, Christian Theobalt, Ashraf S. Hussein, et al. Modified GrabCut for human face segmentation[J]. Ain Shams Engineering Journal, 2014, 5(4): 1083-1091.

[20]丁紅，張曉峰，基于快速收斂Grabcut的目標(biāo)提取算法[J]. 計(jì)算機(jī)工程與設(shè)計(jì)，2012，33(4)：1477－1481. Ding Hong, Zhang Xiaofeng. Object abstraction algorithm with fast Grabcut[J]. Computer Engineering and Design, 2012, 33(4): 1477－1481. (in Chinese with English abstract)

[21]李華強(qiáng)，喻擎蒼，方玫. Canny算子中Otsu閾值分割法的運(yùn)用[J]. 計(jì)算機(jī)工程與設(shè)計(jì)，2008(9)：2297－2299. Li Huaqiang, Yu Qingcang, Fang Mei. Application of Otsu thresholding method on Canny operator[J]. Computer Engineering and Design, 2008(9): 2297－2299. (in Chinese with English abstract)

[22]蔡梅艷，吳慶憲，姜長(zhǎng)生. 改進(jìn)Otsu法的目標(biāo)圖像分割[J]. 電光與控制，2007(6)：118－119. Cai Meiyan, Wu Qingxian, Jiang Changsheng. Target image segmentation based on modified Otsu algorithm[J]. Electronics Optics & Control, 2007(6): 118－119. (in Chinese with English abstract)

[23]吳冏，張然然，魏舒罕，等. 改進(jìn)的斑點(diǎn)檢測(cè)算法[J]. 計(jì)算機(jī)工程與設(shè)計(jì)，2010，31(22)：4851－4854. Wu Jiong, Zhang Ranran, Wei Shuhan, et al. Improved blotch detection method[J]. Computer Engineering and Design, 2010, 31(22): 4851－4854. (in Chinese with English abstract)

[24]Jain Rajkumar, Johari Punit Kumar. An improved approach of CBIR using Color based HSV quantization and shape based edge detection algorithm[C]// IEEE International Conference on Recent Trends in Electronics, 2017. Doi:10.1109/RTEICT.2016.7808181.

[25]馬浚誠(chéng)，溫皓杰，李鑫星，等. 基于圖像處理的溫室黃瓜霜霉病診斷系統(tǒng)[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2017，48(2)：195－202. Ma Juncheng, Wen Haojie, Li Xinxing, et al. Downy mildew diagnosis system for greenhouse cucumbers based on image processing[J]. Transactions of the Chinese Society for Agricultural Machinery, 2017, 48(2): 195－202. (in Chinese with English abstract)

[26]Lin Guoyu, Yang Biao, Zhang Weigong. Human tracking in camera network with non-overlapping FOVs[J]. Journal of Southeast University: English Edition, 2012, 28(2): 156－163. 林國(guó)余，楊彪，張為公. 在非重疊視域監(jiān)控網(wǎng)絡(luò)中的人體目標(biāo)跟蹤[J]. 東南大學(xué)學(xué)報(bào)：英文版，2012，28(2)：156－163. (in English with Chinese abstract)

[27]Wang Feng, Man Lichun, Wang Bangping, et al. Fuzzy-based algorithm for color recognition of license plates[J]. Pattern Recognition Letters, 2008, 29(7): 1007－1020.

[28]高程程，惠曉威.基于灰度共生矩陣的紋理特征提取[J]. 計(jì)算機(jī)系統(tǒng)應(yīng)用，2010，19(6)：195－198. Gao Chengcheng, Hui Xiaowei. GLCM-based texture feature extraction[J]. Computer Systems & Applications, 2010, 19(6): 195－198. (in Chinese with English abstract)

[29]Al-Sahaf Harith, Zhang Mengjie, Al-Sahaf Ausama, et al. Keypoints detection and feature extraction: A dynamic genetic programming approach for evolving rotation-invariant texture image descriptors[J]. IEEE Transactions on Evolutionary Computation, 2017, 21(6): 825－844.

[30]Manivannan K, Aggarwal P, Devabhaktuni V, et al. Particulate matter characterization by gray level co-occurrence matrix based support vector machines[J]. Journal of Hazardous Materials, 2012, 223-224(2): 94－103.

Rapid recognition of potato late blight based on machine vision

Dang Manyi1, Meng Qingkui1, Gu Fang1, Gu Biao2, Hu Yaohua1,3,4※

(1.,,,712100,; 2.,,,712100,; 3.,712100,; 4.,,,712100,)

Late blight is a serious disease that occurs of potato, which can reduce the yield and even kill the crop. Therefore, the recognition and control of potato late blight is of important practical significance to improve potato yield. Based on machine vision technology, a rapid recognition method of potato late blight was proposed in this paper. According to the different characteristics of the color, texture and shape of late blight on the potato leaves, the characteristic parameters of the lesion areas on leaves were extracted, and the mathematical model was established to evaluate the disease. The potato leaves of Xiazhai No.8 were selected and inoculated within the artificial climate chamber. The image information of potato leaves was collected by image acquisition system, and the collected images were preprocessed by median filtering algorithm, eliminating noise interference while retaining more complete leaf color information. The Grab Cut algorithm was used to separate the foreground and background of the image and extract the image of the potato leaf. The image was binarized by the OTSU method, and the lesion information was initially extracted. In order to remove the noise in the image and make the edge of the extracted lesion smoother, the open operation was selected. For the recognition based on color features, in the RGB and HSV color spaces, according to the change of leaf color of potato leaves in early stage of disease, the disease-free and disease model of potato blight was established by using color features. The correct recognition rate of the model in early stage of disease was 67.5%. For the recognition based on texture features, using the gray level co-occurrence matrix and the statistical parameters of texture features to evaluate the disease level, using entropy and energy values to describe whether the potato leaves were in the late stage of disease, using contrast ratio and entropy to judge the disease degree, the recognition rate of texture feature to the disease was relatively stable, and the recognition rate of middle and late stage of disease was more than 70%. For recognition based on shape features, using the relative characteristics of the shape features, i.e. the area ratio of the lesions to judge whether the late blight was, and the recognition rate was as high as 90%. Traditionally, the judgment of potato late blight mainly depends on human eyes, which is difficult to quantify the degree of leaf disease, and requires experienced disease diagnosis experts, often misdiagnosed, missed diagnosis, and it takes a long time to detect the pathological value of potato late blight, but using machine vision to detect potato late blight is relatively fast and accurate. The comparative test results show that the recognition time for potato late blight based on color features was about 4 s, the recognition time based on texture feature was 7 s, the recognition time based on shape feature was 3 s, and the recognition time for comprehensive color texture shape features was 9 s due to the large amount of calculation.This study provides a reference for the real-time detection of potato late blight, realizes the accurate identification of the disease when it appears, and achieves the purpose of timely detection and control of late blight

computer vision; image processing; disease; potato late blight; feature extraction; rapid recognition

黨滿意，孟慶魁，谷 芳，顧 彪，胡耀華. 基于機(jī)器視覺的馬鈴薯晚疫病快速識(shí)別[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2020，36(2)：193－200. doi：10.11975/j.issn.1002-6819.2020.02.023 http://www.tcsae.org

Dang Manyi, Meng Qingkui, Gu Fang, Gu Biao, Hu Yaohua. Rapidrecognition of potato late blight based on machine vision[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(2): 193－200. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2020.02.023 http://www.tcsae.org

2019-09-29

2019-10-28

國(guó)家自然科學(xué)基金項(xiàng)目（31971787)；中央高?；究蒲袠I(yè)務(wù)費(fèi)專項(xiàng)資金項(xiàng)目（2452019179）

黨滿意，主要從事農(nóng)情信息快速獲取、無損檢測(cè)方面的研究。Email：dangmanyinwsuaf@163.com

胡耀華，博士，教授，主要從事機(jī)電一體化、農(nóng)情信息快速獲取、農(nóng)產(chǎn)品貯藏加工及無損檢測(cè)等方面的研究。Email：huyaohua@nwsuaf.edu.cn

10.11975/j.issn.1002-6819.2020.02.023

S24

A

1002-6819(2020)-02-0193-08