基于機(jī)器視覺的網(wǎng)絡(luò)化玉米病害檢測方法研究

王 超，張 勇，王 淼，陳 龍

（長春光華學(xué)院，吉林 長春 130033）

1 國內(nèi)外研究現(xiàn)狀

2015年，Shubham Lavania等［1］采用三維Ostu算法實(shí)現(xiàn)玉米種雜草的識(shí)別與檢測，通過三維向量壓縮方式在一維空間情況下分類雜草和玉米作物。2015年王獻(xiàn)鋒等［2］以傳統(tǒng)的閾值聚類分割為基礎(chǔ)，提出基于向量機(jī)形態(tài)學(xué)的分割算法，利用開閉運(yùn)算及不連續(xù)、小洞區(qū)的填充，證明該類分割算法具有較好的分割效果。2016年，朱景福等［3］以流行學(xué)習(xí)算法實(shí)現(xiàn)玉米葉病蟲害的圖形識(shí)別，利用LLE算法對(duì)圖像進(jìn)行降維處理，運(yùn)用Clustering算法進(jìn)行聚類分析，實(shí)現(xiàn)玉米病蟲害識(shí)別率近90%。

2 主要研究內(nèi)容

為通過玉米葉片較為精確地識(shí)別玉米病害類型，降低病害發(fā)生概率，本文主要以機(jī)器視覺技術(shù)為依托，研究大斑病、小斑病、銹病、灰斑病4種常見玉米病害的識(shí)別方法，主要研究玉米葉片病蟲害圖像的預(yù)處理、分割提取、病斑區(qū)特征提取等內(nèi)容。

2.1 病害玉米葉片圖像采集預(yù)處理

為實(shí)現(xiàn)病害玉米葉片去噪目標(biāo)，采用中值濾波算法以相鄰域內(nèi)多點(diǎn)值的中值替代病害玉米圖像數(shù)字化序列中的某點(diǎn)，使周邊像素值接近真實(shí)值，間接去除噪聲點(diǎn)，如式（1）：

F'(x0,y0)為圖像灰度值的中值，F(xiàn)(x,y)是坐標(biāo)點(diǎn)(x,y)的灰度值，(x,y)屬于像素鄰域集合S，N為像素鄰域集合S中的元素個(gè)數(shù)，sort為給定區(qū)間所有元素的排序函數(shù)，主要實(shí)現(xiàn)鄰域內(nèi)的灰度值在集合S中的排序功能，將原圖像域中像素值替換為圖像灰度值中值以達(dá)到去除噪聲的目的，為后續(xù)圖像分割做好準(zhǔn)備。

2.2 病害玉米葉片圖像分割

通過圖像分割算法實(shí)現(xiàn)葉片非病害部分、邊緣部分、病害部分的分割，降低分割過程中邊緣區(qū)域的數(shù)據(jù)丟失，對(duì)病害區(qū)域進(jìn)行像素分類并對(duì)各像素點(diǎn)做出標(biāo)記。研究中發(fā)現(xiàn)采集圖像多位圓形、橢圓、類圓形等形狀的結(jié)合體，因此采用K均值聚類算法實(shí)現(xiàn)圖像的分割。

首先，須進(jìn)行彩色空間的分割，采用L×a×b彩色空間的K均值聚類分割方法，以X，Y，Z空間為過渡，將RGB（Red，Green，Blue）空間間接轉(zhuǎn)換為L×a×b彩色空間，在仿真過程中利用makecform和applycform庫函數(shù)實(shí)現(xiàn)其轉(zhuǎn)換過程。

其次，以分割后的玉米病害圖像作為數(shù)據(jù)點(diǎn)集合，集合中各點(diǎn)均包含L，a，b特征分量，對(duì)每個(gè)像素點(diǎn)進(jìn)行K聚類算法處理。

2.3 病害玉米葉片圖像特征提取

經(jīng)過K均值聚類算法分割的玉米病害圖像可以得到病斑區(qū)域信息，為了更有效地獲取其信息特征構(gòu)建其特征模型，主要包括：形狀特征類參數(shù)、紋理特征類參數(shù)、顏色特征類參數(shù)。根據(jù)顏色、紋理、形狀的不同可以較為容易地區(qū)分病害的種類，如大斑病和小斑病的形狀具有明顯的形狀區(qū)別，銹病與灰斑病存在明顯的顏色差異。研究中主要顏色模型主要采用色調(diào)-飽和度-明度（Hue-Saturation-Value，HSV），可彌補(bǔ)RGB顏色提取中的特征丟失，符合人眼的視覺特點(diǎn)，在模型坐標(biāo)系中構(gòu)建HSV的倒錐形顏色模型［3］。

2.3.1顏色特征提取

對(duì)病害玉米葉片圖像提起HSV分量，采用非等間隔量化方式，根據(jù)級(jí)別進(jìn)行分類，構(gòu)建HSV顏色矩陣。H分量量化為0～15級(jí)，S分量量化為0～3級(jí)，V分量量化為0～3級(jí)。提取玉米4種病斑HSV分量圖，并進(jìn)一步提取HSV顏色直方圖，根據(jù)直方圖可有效辨別病害的類別。

2.3.2 紋理特征提取

不同玉米病害葉片的紋理一般都具備較鮮明的特點(diǎn)，可以根據(jù)紋理的差異性進(jìn)行病害的識(shí)別。本文主要采用灰度共生矩陣法（Gray Level Co-occurrence Matrix，GLCM）法獲取玉米葉片病害紋理量，選取對(duì)比度、熵、均勻性、相關(guān)性4種特征參數(shù)對(duì)其進(jìn)行分析。

根據(jù)對(duì)比可以明確4種病斑對(duì)比度相似，從相關(guān)性角度分析大斑病相關(guān)性波動(dòng)幅度較低，小斑病及會(huì)斑病波動(dòng)幅度較高，銹病是相關(guān)性值大于大斑病，可根據(jù)相關(guān)性分辨大斑病和銹病。各種不同病害熵值波動(dòng)性不同，大斑病熵值波動(dòng)較小，灰斑病熵值波動(dòng)較大，可根據(jù)熵值的不同分辨灰斑病和大斑病。玉米小斑病的均勻性值低于大斑病的值，灰斑病均勻性值高于小斑病，銹病均勻值并無明顯規(guī)律?？筛鶕?jù)均勻性值分辨小斑病和大斑病及灰斑病，通過紋理特征參數(shù)可簡單分別病害種類，但存在一定誤差，可根據(jù)進(jìn)一步的形狀特性進(jìn)行識(shí)別［4］。

2.3.3 病斑形狀特征提取

根據(jù)前面敘述的顏色特征、紋理特征提取，可以部分識(shí)別病害類型，但依然無法達(dá)到合理的識(shí)別度。很多物品在形狀方面都存在著不同，可以根據(jù)輪廓形狀區(qū)別進(jìn)行，大斑病、小斑病、灰斑病、銹病在形狀特征上存在一定差異，因此可根據(jù)病斑形狀的特征提取識(shí)別病害類型。4種病害形狀特征：（1）小斑病，斑體為原型或橢圓形，一般斑體個(gè)體較小，但密集且數(shù)量較多，可達(dá)10 ms左右。（2）大斑病，斑體為類橢圓形或梭形，長度一般在6～10 ms，病害嚴(yán)重情況下可達(dá)到20 ms以上。（3）灰斑病，一般為類矩形或類方形，長度約在2～6 ms。（4）銹病，主要為類圓形、類橢圓形等，個(gè)體尺寸較小，一般為1～2 ms。

可根據(jù)圖形形狀的區(qū)別采用邊緣檢測方式對(duì)大斑病、小斑病、灰斑病、銹病的輪廓進(jìn)行提取，根據(jù)提取后的面積、矩形、圓形、周長等特點(diǎn)進(jìn)行識(shí)別。如大斑病和灰斑病在面積上大于銹病，大斑病周長大于銹病和灰斑病，小斑病周長最短，灰斑病矩形度最好，身長度最小，大斑病伸長度最高，小斑病及灰斑病類球度最好，大斑病類球度最低。因此，結(jié)合以上因素可較好根據(jù)形狀特征區(qū)別病害的類型。

2.4 信息傳遞與組網(wǎng)

將多個(gè)區(qū)域采集后的圖形信息進(jìn)行編碼組合，并由多個(gè)終端節(jié)點(diǎn)匯聚信息，無線發(fā)送給協(xié)調(diào)器，協(xié)調(diào)器通過有線方式將數(shù)據(jù)傳遞給主控上位機(jī)界面，上位機(jī)可以根據(jù)獲取的各區(qū)域病害信息進(jìn)行分析，提出區(qū)域病害分布及病害等級(jí)評(píng)價(jià)等情況匯報(bào)［5］。

3 結(jié)語

本文主要研究玉米病害葉片的識(shí)別技術(shù)，分別探討大斑病、小斑病、銹病、灰斑病4種常見玉米病害的識(shí)別方法，重點(diǎn)研究玉米葉片病蟲害圖像的預(yù)處理、分割提取、病斑區(qū)特征提取等內(nèi)容。