基于機(jī)器視覺圖像提取的馬鈴薯內(nèi)部病蟲害特征識別

王 奕

(石家莊職業(yè)技術(shù)學(xué)院，河北 石家莊 050081)

馬鈴薯內(nèi)部病蟲害的隱蔽性較強(qiáng)，對馬鈴薯的產(chǎn)量具有很大的影響，常規(guī)的病蟲害檢測防治技術(shù)對馬鈴薯內(nèi)部病蟲害的治理效果不佳。隨著圖像處理技術(shù)和機(jī)器視覺信息處理技術(shù)的發(fā)展，采用機(jī)器視覺分析方法進(jìn)行植物的病蟲害防治成為可能。在計(jì)算機(jī)視覺下進(jìn)行馬鈴薯內(nèi)部病蟲害檢測識別，構(gòu)建馬鈴薯內(nèi)部病蟲害的圖像信息處理模型，采用機(jī)器視覺圖像處理方法進(jìn)行馬鈴薯內(nèi)部病蟲害檢測識別[1]，能提高對馬鈴薯內(nèi)部病蟲害的區(qū)域性防治能力[2]，相關(guān)的馬鈴薯內(nèi)部病蟲害特征識別方法研究對促進(jìn)馬鈴薯內(nèi)部病蟲害的防控和治理方面具有重要意義[3]。

傳統(tǒng)方法中，對馬鈴薯內(nèi)部病蟲害的檢測方法主要有小波檢測方法、區(qū)域分塊檢測方法以及分組融合濾波檢測方法等[4]，構(gòu)建馬鈴薯內(nèi)部病蟲害的分塊區(qū)域視覺特征檢測模型，提高對馬鈴薯內(nèi)部病蟲害的檢測和識別能力，Pipaud等[5]提出了一種基于Splines小波特征分解的馬鈴薯內(nèi)部病蟲害視覺圖像異常特征點(diǎn)提取方法，采用Snake算法對馬鈴薯內(nèi)部病蟲害視覺信息增強(qiáng)，結(jié)合特征分解方法進(jìn)行病蟲害特征識別，但該方法的計(jì)算處理速度較慢，檢測的時(shí)效性差。Litjens等[6]提出了一種基于多重分形的馬鈴薯內(nèi)部病蟲害視覺圖像特征提取技術(shù)，采用分區(qū)域特征匹配方法進(jìn)行二維馬鈴薯內(nèi)部病蟲害視覺圖像的分塊融合性檢測，采用綠葉素紋理分形實(shí)現(xiàn)特征提取，但該方法的抗干擾性差。

針對上述問題，提出基于機(jī)器視覺圖像的馬鈴薯內(nèi)部病蟲害特征識別方法。試驗(yàn)擬通過構(gòu)建二維馬鈴薯內(nèi)部病蟲害視覺圖像采集模型，結(jié)合圖像的分塊融合檢測方法進(jìn)行特征識別和提取，采用顏色提取分解和紋理分割技術(shù)，實(shí)現(xiàn)對馬鈴薯內(nèi)部病蟲害的特征識別，并進(jìn)行仿真試驗(yàn)分析，以期建立一種準(zhǔn)確性高、實(shí)時(shí)性好的馬鈴薯內(nèi)部病蟲害特征識別方法。

1 機(jī)器視覺圖像采集模型和預(yù)處理

1.1 病蟲害視覺圖像采集模型

(1)

式中：

xi——像素強(qiáng)度，d；

xj——邊緣輪廓長度，cm；

dist(xi,xj)——特征點(diǎn)xi和xj之間歐式距離，cm；

σ——馬鈴薯內(nèi)部病蟲害的分布密度，個/cm2。

構(gòu)建二維馬鈴薯內(nèi)部病蟲害視覺圖像采集模型，對采集的馬鈴薯內(nèi)部病蟲害視覺圖像進(jìn)行分塊融合檢測[8]，得到馬鈴薯內(nèi)部病蟲害的紋理特征渲染信息特征分量為：

P(yw3|xw3,θ,β)∝

P(yw3|xw3,θ)(yw3|βi)∝

(2)

在4×4子塊的局部區(qū)域內(nèi)建立馬鈴薯內(nèi)部病蟲害視覺圖像采集模型，結(jié)合病害區(qū)域紋理異常特征檢測方法提取馬鈴薯內(nèi)部病蟲害視覺特征量[9]，如式(3)所示。

(3)

考慮馬鈴薯內(nèi)部病蟲害視覺特征分量在有限論域E上的差異值，得到馬鈴薯內(nèi)部病蟲害圖像二維特征F:E→R3，設(shè)T:E→PDS(2)，對馬鈴薯內(nèi)部病蟲害視覺特征值進(jìn)行信息重構(gòu)，實(shí)現(xiàn)對馬鈴薯內(nèi)部病蟲害的采集和特征重組。

1.2 馬鈴薯內(nèi)部病蟲害視覺圖像分塊融合

在構(gòu)建二維馬鈴薯內(nèi)部病蟲害視覺圖像采集模型的基礎(chǔ)上，對采集的馬鈴薯內(nèi)部病蟲害視覺圖像進(jìn)行分塊融合檢測，根據(jù)馬鈴薯綠葉素紋理分布進(jìn)行病蟲害的特征檢測和紋理匹配，得到馬鈴薯內(nèi)部病蟲害視覺圖像的紋理分割函數(shù)為：

D(x,y,σ)=[G(x,y,kσ)-G(x,y,σ)]·I(x,y)=L(x,y,kσ)-L(x,y,σ)，

(4)

L(x,y,σ)=G(x,y,σ)?I(x,y)，

(5)

式中：

I(x,y)——(x,y)處的分塊系數(shù)；

L(x,y,σ)——多重分形系數(shù)；

G(x,y,σ)——關(guān)聯(lián)像素值，dpi。

關(guān)聯(lián)像素值的計(jì)算式如式(6)所示。

(6)

(7)

式中：

x1,x2,x3,…,xT——每個子塊的模板匹配集；

T——紋理分布的像素集。

采用分塊融合匹配方法，建立馬鈴薯內(nèi)部病蟲害視覺圖像的統(tǒng)計(jì)形狀模型，在分塊融合模板中，得到馬鈴薯內(nèi)部病蟲害內(nèi)部的邊緣像素集為：

(8)

其中：

(9)

v(x)=∑yk(x,y)。

(10)

根據(jù)上述分析，采用綠葉素紋理區(qū)域性檢測方法，實(shí)現(xiàn)馬鈴薯內(nèi)部病蟲害視覺特征分塊融合處理，根據(jù)分塊檢測結(jié)果實(shí)現(xiàn)內(nèi)部病蟲害的特征識別。

2 馬鈴薯內(nèi)部病蟲害特征識別優(yōu)化

2.1 馬鈴薯病蟲害的特征標(biāo)定

在上述構(gòu)建二維馬鈴薯內(nèi)部病蟲害視覺圖像采集模型，并對采集的馬鈴薯內(nèi)部病蟲害視覺圖像進(jìn)行分塊融合檢測的基礎(chǔ)上，進(jìn)行病蟲害的特征識別，提取馬鈴薯內(nèi)部病蟲害視覺分形特征量，采用表面紋理配準(zhǔn)和分塊自適應(yīng)檢測方法進(jìn)行病蟲害的特征點(diǎn)標(biāo)定[10]，馬鈴薯內(nèi)部病蟲害視覺信息分布的能量函數(shù)如式(11)所示。

(11)

式中：

采用動態(tài)特性監(jiān)測方法，分析病蟲害分布的區(qū)域性，采用多重分形方法進(jìn)行馬鈴薯內(nèi)部病蟲害的相似性紋理區(qū)域重建[11]，得到區(qū)域重建模型描述為：

(12)

(13)

式中：

δ——馬鈴薯內(nèi)部病蟲害視覺性采樣的先驗(yàn)特征系數(shù)；

ε——馬鈴薯內(nèi)部病蟲害視覺性采樣的關(guān)聯(lián)系數(shù)。

在局部區(qū)域中通過分區(qū)域特征匹配方法進(jìn)行二維馬鈴薯內(nèi)部病蟲害分塊檢測和融合處理，提取馬鈴薯內(nèi)部病蟲害視覺分形特征量，采用表面紋理配準(zhǔn)和分塊自適應(yīng)檢測方法進(jìn)行病蟲害的特征點(diǎn)標(biāo)定，得到特征點(diǎn)標(biāo)定輸出為：

P(yw3|xw3,θ,β)=

(14)

式中：

根據(jù)上述分析，采用多重分形技術(shù)進(jìn)行馬鈴薯內(nèi)部病蟲害視覺重構(gòu)[12]，重構(gòu)輸出的迭代式見式(15)。

(15)

式中：

η——視覺信息重構(gòu)的分形維數(shù)；

φ——偏移值。

根據(jù)空間區(qū)域重構(gòu)結(jié)果，得到馬鈴薯內(nèi)部病蟲害特征標(biāo)定在每個尺度σ(n)(1,2,…,n)上的信息熵分布如式(16) 所示。

H(x,y,σ)=JJT=

(16)

根據(jù)信息熵強(qiáng)度，對馬鈴薯內(nèi)部病蟲害特征標(biāo)定點(diǎn)進(jìn)行排序，進(jìn)行病蟲害區(qū)域分布視覺重建和識別。

2.2 馬鈴薯內(nèi)部病蟲害特征檢測

結(jié)合小波變換方法進(jìn)行馬鈴薯內(nèi)部病蟲害視覺圖像的特征分解，對馬鈴薯內(nèi)部病蟲害視覺圖像的特征分解的小波函數(shù)為：

R(x,y)=x2+y2+dx+ey+f。

(17)

在最大值搜索區(qū)域內(nèi)，提取馬鈴薯內(nèi)部病蟲害視覺圖像的灰階不變矩滿足式(18)。

(18)

根據(jù)誤差分布情況，構(gòu)建馬鈴薯內(nèi)部病蟲害視覺圖像的分塊區(qū)域重構(gòu)模型[13]，得到馬鈴薯內(nèi)部病蟲害視覺圖像的特征分辨強(qiáng)度為：

(19)

根據(jù)顏色梯度變化的差異性實(shí)現(xiàn)機(jī)器視覺下的馬鈴薯內(nèi)部病蟲害特征識別，馬鈴薯內(nèi)部病蟲害視覺圖像的幾何結(jié)構(gòu)重組模型滿足式(20)。

(20)

在近鄰點(diǎn)中對馬鈴薯內(nèi)部病蟲害視覺特征進(jìn)行圖像重構(gòu)，采用機(jī)器視覺分析方法[14-15]，得到馬鈴薯內(nèi)部病蟲害視覺圖像的邊緣尺度為：

(21)

式中：

σ——尺度空間，cm3；

Δx——Hessian-Laplace角點(diǎn)視覺差，(o)。

考慮角點(diǎn)的顯著性進(jìn)行馬鈴薯內(nèi)部病蟲害視覺圖像的深度學(xué)習(xí)，以t(x)表示馬鈴薯內(nèi)部病蟲害視覺重建的函數(shù)，令t(x)=e-βd(x)，其中0

(22)

L(x,y,σ)=G(x,y,σ)·I(x,y)，

(23)

式中：

G(x,y,σ)——尺度σ的灰度像素差異值。

在灰度像素區(qū)域內(nèi)根據(jù)馬鈴薯內(nèi)部病蟲害視覺圖像的紋理特征，進(jìn)行灰度直方圖提取，實(shí)現(xiàn)馬鈴薯內(nèi)部病蟲害視覺特征識別和重建，根據(jù)重建結(jié)果，實(shí)現(xiàn)馬鈴薯內(nèi)部病蟲害的特征識別。

3 仿真試驗(yàn)結(jié)果與分析

為了測試試驗(yàn)方法在實(shí)現(xiàn)馬鈴薯內(nèi)部病蟲害特征識別中的應(yīng)用性能，進(jìn)行仿真試驗(yàn)。

3.1 試驗(yàn)設(shè)備及試驗(yàn)參數(shù)

試驗(yàn)的仿真軟件平臺為C++，試驗(yàn)中對馬鈴薯內(nèi)部病蟲害視覺圖像采樣采用光學(xué)傳感器LBP Sensors，利用Visual C++6.0 MFC 編寫處理馬鈴薯內(nèi)部病蟲害圖像信息處理程序，在機(jī)器視覺下進(jìn)行馬鈴薯內(nèi)部病蟲害特征識別，對病蟲害區(qū)域的內(nèi)部特征初始采樣像素強(qiáng)度為120 d，像移值為1.24，在病蟲害區(qū)域的能量強(qiáng)度為1.56 kJ，圖像的分辨率為430×210，對病害蟲檢測的初始評價(jià)參數(shù)為3.5，信噪比為-30 dB，其他參數(shù)設(shè)置見表1。

表1 仿真參數(shù)設(shè)置

根據(jù)表1參數(shù)設(shè)定，進(jìn)行馬鈴薯內(nèi)部病蟲害特征識別和提取研究，選擇的樣本馬鈴薯是從某農(nóng)場購買，且選擇的是出土之后就存在病蟲害的馬鈴薯，其質(zhì)量為200 g。通過構(gòu)建二維馬鈴薯內(nèi)部病蟲害視覺圖像采集模型，對采集的馬鈴薯內(nèi)部病蟲害視覺圖像進(jìn)行分塊融合檢測，得到圖像采集結(jié)果如圖1所示。

圖1 馬鈴薯內(nèi)部病蟲害視覺圖像采集結(jié)果

3.2 試驗(yàn)分析

以圖1采集的圖像為樣本，提取馬鈴薯內(nèi)部病蟲害視覺分形特征量，采用表面紋理配準(zhǔn)和分塊自適應(yīng)檢測方法進(jìn)行病蟲害的特征點(diǎn)標(biāo)定，得到圖像融合結(jié)果如圖2所示。

分析圖2得知，試驗(yàn)方法能有效實(shí)現(xiàn)對馬鈴薯內(nèi)部病蟲害視覺的特征重構(gòu)，根據(jù)重構(gòu)結(jié)果進(jìn)而實(shí)現(xiàn)馬鈴薯

圖2 馬鈴薯內(nèi)部病蟲害融合結(jié)果

內(nèi)部病蟲害特征提取和識別，得到特征提取結(jié)果如圖3所示。

圖3中，分別對各個像移參數(shù)下的馬鈴薯病蟲害特征進(jìn)行有效識別，提高了對馬鈴薯內(nèi)部病蟲害的特征檢測和識別能力。為了對比性能，采用試驗(yàn)方法、文獻(xiàn)[5]方法和文獻(xiàn)[6]方法進(jìn)行對比試驗(yàn)，在不同的像移分布下進(jìn)行馬鈴薯內(nèi)部病蟲害特征識別，測試對馬鈴薯內(nèi)部病蟲害的誤檢率(正確數(shù)量與數(shù)據(jù)樣本總數(shù)的比值)，得到對比結(jié)果如圖4所示。

分析圖4得知，試驗(yàn)方法進(jìn)行馬鈴薯內(nèi)部病蟲害特征檢測識別的誤檢率最低可至10%，而其他兩種方法下的誤檢率最低為20%和26%，高于試驗(yàn)方法。說明試驗(yàn)方法的準(zhǔn)確率接近90%。測試不同方法進(jìn)行馬鈴薯內(nèi)部病蟲害特征識別的時(shí)間開銷，得到對比結(jié)果如圖5所示，試驗(yàn)方法進(jìn)行馬鈴薯內(nèi)部病蟲害特征識別的時(shí)間開銷較短。

圖3 馬鈴薯內(nèi)部病蟲害特征識別結(jié)果

圖4 誤檢率對比

圖5 時(shí)間開銷對比

4 結(jié)論

試驗(yàn)提出基于機(jī)器視覺圖像的馬鈴薯內(nèi)部病蟲害特征識別方法，采用灰度直方圖特征分解方法，進(jìn)行馬鈴薯內(nèi)部病蟲害視覺特征重構(gòu)，根據(jù)馬鈴薯綠葉素紋理分布進(jìn)行病蟲害的特征檢測和紋理匹配，建立馬鈴薯內(nèi)部病蟲害視覺圖像的統(tǒng)計(jì)形狀模型，根據(jù)顏色梯度變化的差異性實(shí)現(xiàn)機(jī)器視覺下的馬鈴薯內(nèi)部病蟲害特征識別。研究得知，構(gòu)建馬鈴薯內(nèi)部病蟲害的圖像信息處理模型，采用機(jī)器視覺圖像處理方法進(jìn)行馬鈴薯內(nèi)部病蟲害檢測識別，能提高對馬鈴薯內(nèi)部病蟲害的區(qū)域性防治能力。