基于Android平台的苹果叶病害远程识别系统

王梅嘉，何东健，任嘉琛

（1.西北农林科技大学 信息工程学院，陕西 杨凌712100；2.西北农林科技大学 机械与电子工程学院，陕西 杨凌712100）

0 引 言

基于数字图像分析技术对农作物病虫草害图像进行已被证明是一种有效、客观手段［1－7］。张建华等使用包含光照箱、光源、CCD 数码相机等图像采集系统，采集棉花虫害叶片进行识别，识别率达到88.1%［8］；柴阿丽等用CanonA640数码相机、固定荧光灯等装置，用近拍模式拍摄番茄叶部图像，对病害的识别率达94.71%［9］；何东健等用多光谱相机采集玉米田间杂草图像，提出一种支持向量机和证据理论相结合的多特征融合杂草识别方法，取得了良好效果［10］。前人研究多用数码相机或多光谱相机等采集图像，在实验室进行分析，难以满足实时、便捷诊断病虫草害的应用需求［11］。随着Android智能手机以及3G 网络在农村的普及，利用手机拍摄图片上传给信息中心进行远程识别成为可能。本文以苹果叶部病害为研究对象，以危害较为严重的苹果斑点落叶病、锈病和花叶病远程智能分析诊断为目标，研究基于Android平台的远程作物病害识别系统框架以及手机和服务器间信息传输的技术与方法，信息中心服务器接收手机拍摄苹果叶部病害图像并进行分析诊断，诊断结果推送至手机端，手机端显示相应防治措施给用户，为指导果农进行科学防治提供一种便捷方法。

1 系统架构分析与设计

为实现远程病害智能识别及识别结果推送服务，系统需要有图像采集终端和PC服务器端硬件，需要确定图像传输、诊断结果推送机制，设计病害识别方法。考虑到支持Android 系 统 的 手 机 市 场 占 有 率 达78.9%［12］，故 用Android手机采集病害图像；考虑到3G 网络有高达256KB／s的传输速率，故采用3G 网络将手机拍摄的病害图像上传到服务器端 （PC 机），服务器负责病害图像分析与识别，并将识别病害类型推送给客户端。采用C／S模式的系统架构如图1所示。

图1 系统结构

2 系统关键功能设计

系统关键功能设计包含客户端、服务器以及客户端与服务器通信设计。

2.1 客户端图像拍摄与存储

手机客户端图像采集流程如图2所示。客户端可调用照相机拍摄图像或从图库中加载图像，用户获得图片后，可根据当前网络情况选择立即发送至服务器或保存至手机本地数据库。

2.1.1 病害图像拍摄

为减少自然光照及复杂背景对识别准确性的影响，左手持黑色纸板置于病叶下方，右手持手机相机拍摄。为加快后续识别速度，手机端程序在预览画面上定义一个670×420像素矩形框，拍摄时使叶片尽量充满整个矩形框，程序自动裁剪掉矩形框外多余的部分。为避免发生形变，保持手机感光器与叶片平行。叶片图像以JPEG 格式存储至SD 卡，以采集时间命名，并作为唯一标识的ID。

图2 客户端采集图像流程

2.1.2 本地数据库存储

当网络条件不佳时，可将采集的图像先保存至本地待识别数据库，择时再查看图像并发送，已发送的图像将自动在数据库中删除，服务器已识别图像同样会自动保存至手机本地已识别数据库。Android使用开源的、与操作系统无关的SQL数据库SQLite，它是一款轻量级数据库，占用资源非常低，只需要几百K的内存。故本文采用SQLite构建数据库。数据库中存储图片ID、拍摄时间及存储路径等信息。

2.2 服务器端图像分析与识别设计

服务器负责对图像分析处理，主要包括图像预处理、病斑分割、特征提取和病斑识别等4个步骤。

2.2.1 图像预处理

由于在自然环境下用手机拍摄的彩色图像存在对比度不明显、边缘模糊等现象，因此，服务器收到客户端发送的图像后，需要进行预处理。首先使用分段线性变换拉伸图像灰度，扩展图像对比度［13］；分离图像RGB通道，自适应中值滤波去除噪声；再用形态学Top－Hat变换去除光照影响，突出病斑。融合R、G、B通道则得到预处理后的彩色图像。

2.2.2 病斑分割

为探讨苹果叶片病斑的有效分割因子，在RGB 模型下，分别用2＊G－R－B，G＊G－R＊B，G－B，G－R，2＊R－GB，R＊R－G＊B进行病斑分割实验，结果表明2＊R－G－B对各种病斑均有较好的分割效果，因此选择2＊R－G－B作为色彩分割因子，用最大类间方差法分割病斑。3 种病斑的分割效果如图3所示。对分割后的图像用半径为3的圆盘结构先后做开、闭运算，以平滑图像消除噪声，然后，用8连通区域标记提取病斑部位。

2.2.3 特征提取

图3 3种病害及分割效果

不同的病斑其颜色、形状和纹理有明显不同。为识别病斑类型，本文提取病斑的颜色特征、形状特征和纹理特征，并进行特征的优选。

（1）颜色特征提取：常用的颜色模型有RGB、HSV等，由于HSV 模型中3个分量具有相对独立性，且亮度分量与图像的彩色信息无关，非常适合于借助人类视觉系统来感知颜色特征的图像处理。因此，将图像从RGB空间转换至HSV 空间，使用H 分量、S分量、V 分量的1阶矩、2阶矩和3阶矩作为颜色特征。颜色矩定义如下

式中：μi——1阶矩；σi——2阶矩；si——3阶矩；pi，j——图像中第j个像素的第i个颜色分量。

图像的颜色矩共9个分量 （3个颜色分量上各3个低阶矩），比其它颜色特征更为简洁。对每种病害各随机选择15个样本，经过比较发现，3 种病害的H 分量、S分量1 阶矩以及H 分量的2阶矩有显著差别。故选择H、S分量的1阶矩以及H 分量的2阶矩共3个特征作为颜色特征参数。

（2）形状特征提取：实验中选取周长、面积比、伸长度、圆形度、矩形度、形状复杂性的离散指数及Hu提出的7个不变矩等［14］13个病斑的形状特征。

对比每种病害的形状参数发现，3种病害在病斑面积比、圆形度及形状复杂性的离散指数上有显著差异，因此，选择病斑面积比、圆形度及形状复杂性的离散指数3个形状参数。

（3）纹理特征提取：不同病害在纹理方面表现不同。本文用灰度梯度共生矩阵描述病害的纹理特征。采用平方求和计算梯度矩阵，选取灰度级为32，归一化灰度梯度矩阵［15］，计算小梯度优势、大梯度优势、灰度分布的不均匀性、梯度分布的不均匀性、能量、灰度平均值、梯度平均值、灰度均方差等15个特征量。通过对比分析，3种病害的灰度分布的不均匀性和灰度均方差差异较大。因此，选择灰度分布的不均匀性以及灰度均方差共2个特征作为纹理参数。

综上所述，本文选择如表1所示的8 个特征参数。表中，x1－x5，y1－y5和z1－z5分别为随机选取的5个斑点落叶病样本、锈病样本和花叶病样本。训练和识别前对优选的特征参数进行归一化处理。

2.2.4 病斑识别

BP网络是一种按误差逆传播算法训练的多层前馈网络，也是目前应用最广泛的神经网络模型之一。支持向量机（support vector machine，SVM）在解决小样本、非线性及高维模式识别中优势明显，其关键在于选择合适的核函数从而获得高维空间的分类函数。本文构建BP 网络与SVM分别对3种病害进行识别。BP网络采用3层结构，输入层节点数为8，隐节点数为13，输出层节点数为3。SVM 核函数选择径向基函数。共采集病叶图像300 幅，每种病害100幅，其中前60幅做训练样本，后40幅做测试样本。训练后的BP网络对测试样本进行测试，测试结果见表2，花叶病所有测试样本均被正确识别，由于斑点落叶病病斑与锈病比较相似，9幅斑点落叶病图像被错误识别为锈病，7副锈病图像被误识为斑点落叶病，平均识别率为86.67%。用训练好的SVM 对花叶病的测试样本均可正确识别；1幅斑点落叶病因叶片上有污点被错误识别为锈病；1 幅锈病图像被除草剂污染而被错误识别为斑点落叶病。实验结果表明，SVM 识别性能较好，对3种病害测试样本的平均识别率达到98.33%，因此，选择SVM 模型识别病害。

表1 部分病害样本特征参数值

表2 BP与SVM 识别率比较

2.3 手机客户端与服务器通信设计

客户端与服务器用3G 网络进行通信，为避免数据丢失，选择可靠的TCP／IP 协议和socket流实现数据传输。当客户端发起连接请求时，一直处于监听状态的服务器同意连接，此时客户端向服务器发送待识别图像的文件名，服务器收到文件名以后，返回客户端接收成功的信号，客服端收到信号后再开始发送文件，服务器用接收的文件名保存图像并立即识别，将识别结果返回客户端。服务器与客户端通信模型如图4所示。为避免图像数据大，导致用户一直等待传输图片，本文采用在service中实现客户端发送图像数据的策略［16］。应用组件启动一个service运行于后台，即使用户切换到另一个应用，该service也会继续运行［17］，故在service中创建线程完成图像传输。

图4 通信模型

3 测试结果与分析

用索尼爱立信LT18i手机在VPN 和3G 环境下分别进行系统测试。系统主界面如图5所示，用户可选择苹果病害识别或查看本地数据库。点击 “苹果病害图像识别”按钮，进入病害识别主界面如图6所示，可立刻拍照 （如图7所示）或加载图库。获取的图片显示在界面，可直接向服务器发送图像识别请求，服务器收到图像进行分析识别 （如图8所示），并将识别的病害类型推送至客户端，客户端显示相应病害的防治建议 （如图9所示）。客户端也可将拍摄的图像保存至本地待识别数据库。

图5 通信模型

图6 病害识别主界面

图7 拍照界面

图8 服务器接收识别图像

图9 客户端推送结果

测试客户端发送每幅病害图像到接收诊断结果所需时间如表2所示 （仅列出10幅），由表3可知，用3G 网络远程病害诊断所需平均时间为15.65s，与VPN 网络相比，仅多了0.79s，这是因为获取图像经手机客户端裁剪后数据量相对较小，二者传输所需时间相差不大。系统可满足实时性需求。

表3 病害识别所需时间

4 结束语

（1）选择2＊R－G－B作为色彩分割因子，可有效分割出病斑；用本文实验确定的8个特征参数输入径向基函数支持向量机，3种病害平均识别率达到98.33%。

（2）提出用Android手机客户端采集发送图像，PC 服务器自动接收识别图像并返回手机端识别结果的病害远程识别系统框架。实验结果表明，对每幅病害图像识别平均时间小于16s，能满足快速、准确识别病害的需要。

今后尚需进一步研究苹果叶部多种病害的识别方法，并增加用户标记病斑部位等交互操作，以减少计算量，大大缩短识别时间。

［1］Al－Bashish D，Braik M，Bani－Ahmad S.Detection and classification of leaf disease using K－means－based segmentation and neural－networks－based classification ［J］.Information Technology Journal，2011，10 （2）：267－275.

［2］Al－Hiary H，Bani－Ahmad S，Reyalat M，et al.Fast ＆accurate detection ＆classification of plant diseases ［J］.International Journal of Computer Applications，2011，17 （1）：31－38.

［3］Camargo A，Smith JS.An image－processing based algorithm to automatically identify plant disease visual symptoms ［J］.Biosystems Engineering，2009，102 （1）：9－21

［4］Paul Biossard，Vincent Martin，Sabine Moisan.A cognitive vision approach to early pest detection in greenhouse crops［J］.Computers and Electronics in Agriculture，2008，62 （2）：81－93.

［5］Phadikar S，Jaya S.Rice disease identification using pattern recognition techniques［C］／／Proceedings of 11th International Conference on Computer and Information Technology，2008：420－423.

［6］WANG Shouzhi，HE Dongjian，LI Wen，et a1.Plant leaf disease recognition based on kernel K－means clustering algorithm ［J］.Transactions of the Chinese Society for Agricultural Machinery，2009，40 （3）：152－155 （in Chinese）. ［王守志，何东健，李文，等.基于核K－均值聚类算法的植物叶部病害识别 ［J］.农业机械学报，2009，40 （3）：152－155.］

［7］DENG Jizhong，LI Min，YUAN Zhibao，et al.Feature extraction and classification of Tillelia disease based on image recognition ［J］.Transactions of the Chinese Society of Agricultural Engineering，2012，28 （3）：172－176 （in Chinese）.［邓继忠，李敏，袁之报，等.基于图像识别的小麦腥黑穗病害特征 提 取 与 分 类 ［J］.农 业 工 程 学 报，2012，28 （3）：172－176.］

［8］ZHANG Jianhua，JI Ronghua，YUAN Xue，et al.Recognition of pest damage for cotton leaf based on RBF－SVM algorithm［J］.Transactions of the Chinese Society for Agricultural Machinery，2011，42 （8）：178－183 （in Chinese）.［张建华，冀荣华，袁雪，等.基于径向基支持向量机的棉花虫害识别［J］.农业机械学报，2011，42 （8）：178－183.］

［9］CHAI Ali，LI Baoju，SHI Yanxia，et al.Recognition of tomato foliage disease based on computer vision technology［J］.Acta Horticulturae Sinica，2010，37 （9）：1423－1430（in Chinese）.［柴阿丽，李宝聚，石延霞，等.基于计算机视觉技术的番茄叶部病害识别［J］.园艺学报，2010，37 （9）：1423－1430.］

［10］HE Dongjian，QIAO Yongliang，LI Pan，et al.Weed recognition based on SVM－DS multi－feature fusion ［J］.Transactions of the Chinese Society for Agricultural Machinery，2013，44 （2）：182－187 （in Chinese）. ［何东健，乔永 亮，李攀，等.基于SVM－DS多特征融合的杂草识别 ［J］.农业机械学报，2013，44 （2）：182－187.］

［11］LI Zongru，HE Dongjian.Research on identify technologies of apple’s disease based on mobile photograph image analysis［J］.Computer Engineering and Design，2010，31 （13）：3041－3053 （in Chinese）.［李宗儒，何东健.基于手机拍摄图像分析的苹果病害识别技术研究 ［J］.计算机工程与设计，2010，31 （13）：3051－3053.］

［12］Ed Burnette. Hello，Android ［M］.Raleigh：Pragmatic Bookshelf，2010：140－141.

［13］LI Zongru.Research on identify technologies of apples disease based on image analysis ［D］.Yangling：Northwest A＆F University，2010：9－10 （in Chinese）.［李宗儒.基于图像分析的苹果病害识别技术研究 ［D］.杨凌：西北农林科技大学，2010：9－10.］［14］PENG Zhanwu.Research on cucumber disease indentifying base on image processing and pattern recognition technology［D］.Jilin：Jilin Agricultural University，2007：29－30 （in Chinese）.［彭占武.基于图像处理和模式识别技术的黄瓜病害识别研究 ［D］.吉林：吉林农业大学，2007：29－30.］［15］CONG Rui，GAO Guangfu，FAN Ruixiao，et al.Vibration image recognition method based on gray－gradient co－occurrence matrix and kernel－based fuzzy clustering ［J］.Journal of Vibration and Shock，2012，31 （21）：74－77 （in Chinese）.［丛蕊，高光甫，樊瑞筱，等.基于灰度－梯度共生矩阵和模糊核聚类的振动图形识别方法 ［J］.振动与冲击，2012，31（21）：74－77.］

［16］Reto Meier.Professional Android 2application development［M］.Indianapolis：Wiley Publisher，2010：90－94.

［17］Mark Murphy.Beginning Android 2 ［M］.New York：Apress，2010：23－24.