基于图像校正技术的大豆病害自动诊断模型

关海鸥, 刘 梦, 马晓丹

(黑龙江八一农垦大学 电气与信息学院, 黑龙江 大庆 163319)

农作物病害是影响农产品优质高产,进而获取农业高效益的重要因素[1].大豆作为重要的粮油作物,在生产过程中受病害胁迫的影响逐年增高,需要及时发现并准确诊断[2].随着精细农业技术[3]的发展,基于计算机视觉的智能信息处理技术逐渐被应用于农作物病害的自动诊断与防治领域,为大豆病害的无损检测及快速诊断提供了技术支持[4-9].但基于图像校正技术的大豆病害快速诊断模型[10-11]鲜有报道,为解决大豆病害无损采集的非线性失真图像与病种之间映射关系问题,文中通过自制标定模板无损采集大豆病害数字图像,利用双线性投影模型的映射算法,对病害图像的几何失真进行校正,以大豆叶部病斑区域的多维特征参数为有效依据,应用具有强自适应性的神经网络,实现大豆病害种类的智能推理规则,建立大豆叶部病害自动诊断模型.

1 大豆病害图像获取

本研究在进行大豆病害叶片图像的无损采集时,在大田自然光照射下,将大豆病叶平铺在自制的有4个明显标记的载物模板上,利用DSLR-α350数码相机进行拍摄.为确保图像清晰,减少干扰噪声,固定拍摄时间且以晴天为主,相机镜头与大豆冠层距离保持在110 cm.为保证研究的准确性,在拍摄前先将自制的载物模板扫描至计算机中保存,拍摄图像要将4个标记点和大豆病叶的有效部分都呈现在图像中.在整个过程中大豆叶片无需采摘,避免对大豆生长过程造成不利影响.

2 大豆病害图像校正方法

2.1 双线性投影映射模型原理

利用双线性投影映射模型[12],对大豆病害图像进行几何校正,可以扫描自制采集模板图像(图1a),同时在非线性失真的原图像(图1b)中选取4个标记的特征点,

并在模板图像中获得相对应的准

确位置,得到4组匹配的特征点对,将其代入双线性投影映射模型,按照双线性方程求解的方式,求解出投影模型中的8个系数,从而获得大豆病害图像校正的投影变换模型.其具体过程是将投影变换模型转换为方程:

(1)

图1 模板与失真图像对照图

将扫描采集模板图像的特征点和大豆病害失真图像中对应的特征点代人式(1),通过求解2组含有8个未知数的4个双线性方程,可以得到8个双线性变换系数,即可获得大豆病害图像校正模型的数学表达式.该投影变换模型是一种简单易于实现的大豆失真图像几何校正方法.

2.2 大豆病害图像校正方法应用

依据上述双线性投影映射模型原理,在采集模板图像和失真图像中,选取模板图像与失真图像的4对顶点坐标,作为4组图像匹配的特征点.通过求解公式(1)的方程组,计算可得校正系数a-h的具体参数,详见表1.

表1 模板图像与采集图像的对应参数

投影模型的校正系数确定后，利用其对整个图像进行校正，计算得到校正后的目标图像,如图2所示.

图2 校正图像

2.3 校正准确性计算及评价

为评价双线性投影映射模型,对大豆病害图像校正的准确性,研究中选取不同分辨率下的扫描模板,计算模板图像中约束块在校正前后的面积,作为其对于失真图像校正精度的验证标准.在常用分辨率为200DPI,400DPI,600DPI,800DPI情况下,统计大豆病害失真图像的校正精度,结果如表2所示.

从表2中可以看出,文中提出的双线性投影映射的大豆病害图像校正方法,在不同分辨率进行失真图像校正的精确度在99%以上,校正精度满足病害诊断的具体要求.

表2 不同模板分辨率下的校正精度

3 大豆病害图像特征的提取

依据农学植保专家先验知识可以确定,大豆病害的外部形态变化,主要呈现出病斑特征,一定具有形状、颜色及纹理变化,可以应用其彩色图像理解技术进行病害诊断.参照文献[7],提取大豆叶部病斑区域图像;按照文献[13],计算病斑区域形状和纹理特征为圆度、长短轴比、变动系数、光滑度、熵、一致性等特征参数;依据文献[14],计算病害区域图像的颜色特征蓝光标准化值B/(R+G+B)和绿光标准化值G/(R+G+B).大田环境下采集灰斑病、褐斑病、以及灰星病,共计180幅(各60幅)大豆叶部病害图像,利用双线性投影映射模型校正,计算相应病害区域的特征参数,结果如表3所示.

表3 病斑图像特征参数

大豆叶部病害图像校正处理后计算其形状特征、颜色特征及纹理特征,为大豆病害诊断模型提供有效特征的信息源.

4 大豆病害诊断的神经网络设计

4.1 径向基神经网络结构

大豆叶部病害特征指标与病害种类之间为非线性映射关系,难以构建严密和精确的数学模型.由于径向基神经网络是一种较强的学习系统,具有强大的输入和输出映射处理能力[15],以及非线性函数逼近能力,可以更好地解决大豆病害诊断时自动推理问题.依据文献[16]方法,建立一种3层基神经网络结构,如图3所示.

图3 径向基神经网络结构

图3中神经网络各层节点数分别为Ni,Nr,No.设xi为神经元输入量,‖·‖表示欧式范数,cj表示高斯基函数的中心,σj是基函数的宽度,则径向基神经网络的输入输出关系为

(2)

式中:输入层节点i=1,2,…,Ni;径向基层节点j=1,2,…,Nr;输出层节点k=1,2,…,No;wjk为径向基层到输出层的连接加权.

4.2 网络学习算法

大豆病害诊断的径向基神经网络学习参数是高斯基函数中心、基函数的宽度、以及输出层的连接权值,应用梯度下降算法训练结构参数.误差函数定义为

(3)

式中:p为样本数量;d为期望输出值;y为实际输出值.

径向基神经网络参数cj,σj,wjk的学习规则为

(4)

式中:η为学习速度;α为惯性系数;t为调整次数.

建立一种径向基神经网络,利用其具有自适应性、局部逼近特性和稳定快速收敛特性,作为大豆病害自动诊断新方法.

5 大豆病害自动诊断模型应用

文中提出的基于图像校正技术的大豆病害自动诊断方法计算步骤如下: ① 通过双线性投影映射模型,对大豆病害图像进行校正,消除图像失真造成的干扰信息,保证提供更加可靠大豆病害图像;② 以校正好的大豆病害图像为对象,计算病斑区域形状、纹理、以及颜色特征,包括为圆度、长短轴比、变动系数、光滑度、熵、一致性、蓝光标准化值、绿光标准化值等特征指标; ③ 以病斑区域图像的多维特征指标为依据,应用径向基神经网络,训练取得大豆病种推理规则,建立大豆病害自动诊断模型,并通过仿真测试验证其有效性.

5.1 网络结构参数确定及学习训练

斑病、褐斑病及灰星病3类图像样本,分别编码为100,010及001.在180幅病害样本中,每类病种选取40个样本,因此训练集为120个样本,其余60个样本用于测试.将大豆病害病斑区域图像8个数字特征,作为径向基神经网络的输入向量,可以确定子网络结构的输入层节点数为8;输出层为大豆病害种类的编码长度,共3个节点;径向基层神经元节点为15个.所以该网络拓扑结构为8-15-3型.

设定训练目标迭代精度为0.001,学习速度为0.8,惯性系数为0.5,最大学习次数为10 000.应用4.2节网络参数学习算法,网络迭代次数为1 846次,精度误差为0.000 982 65,网络输出达到设定精度要求.

5.2 诊断模型仿真应用

利用训练好的大豆病害自动诊断模型,对60幅大豆病害图像进行诊断的仿真试验,结果如表4所示.

表4 大豆病害诊断结果

从表4大豆病害诊断结果可见,径向基神经网络的实际输出值和期望输出值的误差很小,保证了大豆病害网络输出的稳定性.统计测试样本仅出现了1个错误的诊断结果,准确率达到98.33%;利用传统的多元线性回归模型计算时出现了14处错误结果,准确率为76.67%,因此本方法是一种较为理想的大豆病害自动诊断模型.

6 结 论

1) 通过自制标定模板无损采集大豆病害数字图像,利用双线性投影映射模型,建立适合大豆病害图像几何失真的校正方法,其校正精度达到99%以上.

2) 计算大豆病害病斑区域的形状特征(圆度、球状性、变动系数)、颜色特征(蓝光标准化值、绿光标准化值)、以及纹理特征(光滑度、一致性、熵)共8维度特征参数.以此多维特征的有效信息源为依据,应用径向基神经网络的强自适应性,自动取得大豆病种推理规则,建立大豆病害自动诊断模型,其病害种类诊断准确率为98.33%.

参考文献(References)

[ 1 ] LUKINA E,STONE M,RAUN W. Estimating vegetation coverage in wheat using digital images[J].Plant Nutri, 1999,22(2):341-350.

[ 2 ] 张云龙,来智勇,景旭,等. 基于改进BP神经网络的大豆病害检测[J]. 农机化研究,2015(2):79-82.

ZHANG Y L, LAI Z Y, JING X, et al. Soybean diseases detection based on improved BP neural network[J]. Journal of Agricultural Mechanization Research,2015(2):79-82. (in Chinese)

[ 3 ] 汪懋华,李民赞. 现代精细农业理论与实践[M]. 北京:中国农业大学出版社,2012.

[ 4 ] DARRELL T, GORDON G, HARVILLE M, et al. Integrated person tracking using stereo, color, and pattern detection[J]. International Journal of Computer Vision,2000,37(2):175-185.

[ 5 ] NAIK H S, ZHANG J, LOFQUIST A, et al. A real-time phenotyping framework using machine learning for plant stress severity rating in soybean[J].Plant Me-thods,2017,4:13-23.

[ 6 ] 陈兵旗,郭学梅,李晓华. 基于图像处理的小麦病害诊断算法[J]. 农业机械学报,2009,40(12):190-195.

CHEN B Q, GUO X M, LI X H. Image diagnosis algorithm of diseased wheat[J].Transactions of the Chinese Society for Agricultural Machinery,2009,40(12):190-195. (in Chinese)

[ 7 ] 关海鸥,许少华,谭峰. 基于遗传模糊神经网络的植物病斑区域图像分割模型[J]. 农业机械学报,2010,41(11):163-167.

GUAN H O, XU S H, TAN F. Image segmentation model of plant lesion based on genetic algorithm and fuzzy euralnetwork[J] Transactions of the Chinese So-ciety for Agricultural Machinery,2010,41(11):163-167. (in Chinese)

[ 8 ] 马晓丹,谭峰,许少华. 基于量子神经网络的马铃薯早疫病诊断模型[J]. 农业机械学报,2011,42(6):174-178.

MA X D, TAN F, XU S H. Diagnosis method of potato early blight based on quantum neural network[J]. Transactions of the Chinese Society for Agricultural Machinery, 2011,42(6):174-178. (in Chinese)

[ 9 ] 马晓丹,刘刚,周薇,等. 基于量子遗传模糊神经网络的苹果果实识别[J]. 农业机械学报,2013,44(12):227-232.

MA X D, LIU G, ZHOU W, et al. Apple recognition based on fuzzy neural network and quantum genetic algorithm[J]. Transactions of the Chinese Society for Agricultural Machinery, 2013, 44(12):227-232. (in Chinese)

[10] 关海鸥,杜松怀,马晓丹,等. 基于证据可信度不确定推理的大豆病害诊断方法[J].农业工程学报,2013,29(S1):109-114.

GUAN H O, DU S H, MA X D, et al. Diagnostic me-thod of soybean diseases based on uncertain reasoning of evidence credibility[J]. Transactions of the CSAE, 2013,29(S1):109-114. (in Chinese)

[11] 王立舒. 基于Dempster-Shafer理论的大豆病害信息诊断模型[J]. 农机化研究,2010(8):50-52,78.

WANG L S. Soybean disease information diagnose mo-del based on dempster-shafer theory[J]. Journal of Agricultural Mechanization Research, 2010(8):50-52,78. (in Chinese)

[12] 关海鸥,黄燕. 大豆病斑智能识别无损预处理及其特征提取方法的研究[J]. 河北农业大学学报,2010,33(5):123-127.

GUAN H O, HUANG Y.Study on the method of non-loss pre-processing and feature extraction for intelligent recognition of soybean diseased spots[J] Journal Agricultural University of Hebei,2010,33(5):123-127. (in Chinese)

[13] 马晓丹,关海鸥,祁广云,等.基于改进级联神经网络的大豆叶部病害诊断模型[J].农业机械学报,2017,48(1):163-168.

MA X D, GUAN H O, QI G Y，et al. Diagnosis model of soybean leaf diseases based on improved cascade neural network[J]. Transactions of the Chinese Society for Agricultural Machinery, 2017,48(1):163-168. (in Chinese)

[14] 关海鸥,衣淑娟,焦峰,等. 农作物缺素症状诊断的正则化模糊神经网络模型[J]. 农业机械学报,2012,43(5):162-167.

GUAN H O,YI S J, JIAO F, et al. Diagnosis model of crop nutrient deficiency symptoms based on regularized adaptive fuzzy neural network[J]. Transactions of the

Chinese Society for Agricultural Machinery, 2012, 43(5):162-167. (in Chinese)

[15] 林万洪,薛亮. RBF网络做函数逼近的改进研究[J]. 装备指挥技术学院学报,2006,17(2):84-88.

LIN W H, XUE L. Research on approximation of function by improved RBF networks[J]. Journal of the Academy of Equipment Command and Technology, 2006, 17(2): 84-88. (in Chinese)

[16] 关海鸥,杜松怀,李春兰,等.基于有限脉冲反应和径向基神经网络的触电信号识别[J].农业工程学报,2013,29(8):187-194.

GUAN H O, DU S H, LI C L, et al. Recognition of electric shock signal based on FIR filtering and RBF neural network[J]. Transactions of the CSAE, 2013,29(8): 187-194. (in Chinese)