基于HOG+SVM的田间水稻病害图像识别方法研究

马 超，袁 涛，姚鑫锋，籍延宝，李琳一

（上海市农业科学院农业科技信息研究所，上海201403）

水稻是我国重要的粮食作物之一，对农业经济有着较大影响。病虫害是威胁水稻产量和品质的主要因素［1］，及时发现、准确判断病虫害并采取适当的防治措施是减少病虫为害损失的有效途径。非植保专业人员缺乏准确识别病虫害经验，常因病虫害误诊导致防治不当造成经济损失或农药残留超标。随着信息技术的发展，基于机器视觉的病虫害诊断为该问题提供了解决方案，即采集作物病虫害图片，利用机器视觉技术对作物病虫害进行识别和诊断，为病虫害防治提供辅助决策依据。

1 试验材料及其预处理

1.1 试验材料

以大田水稻为试验对象，分两种方式获取病斑识别原始训练素材：第一种方式是用iPhone6s和Sumsung Note3手机拍摄，图像以jpg格式储存，采集时以能够清晰拍摄水稻病斑为主要原则，可辅助白色背景板方便后续处理；第二种方式是使用网络爬虫抓取常见水稻病害图片。两种方式累计获得条纹叶枯病、纹枯病、稻瘟病、霜霉病与赤枯病的5种病害图片1 000张，图像预处理后，每种病害随机抽取50张，合计250张作为识别样本，其余750张作为训练样本。其中病斑切割为训练正样本，5种病害样本图片共计3 311张，非病斑部分作为负样本，即正常叶片以及背景共计1 000张。实际训练过程中，会将目标病害以外的4种病害图片也作为负样本，以达到场景全覆盖的目的。

1.2 图像预处理

本研究病害照片皆来源于开放的拍摄环境，对存在亮斑、噪点以及曝光不足等问题的照片，良好的预处理可以保证输入照片的规格统一。适当提高原始图像的质量不仅可以降低计算机的运算负担，还有利于最终的图像分割以及病害识别。

1.2.1 亮度均衡

把原始图像的直方图变换为均衡分布的形式，可以增加像素的灰度值的动态范围，从而增强图像整体的对比度。使用的方法是灰度级变换：s＝T（r），0≤r≤1。

T（r）满足下列两个条件：

（1）当0≤r≤1时，T（r）为单值且单调递增［保证原图各灰度级在变换后仍保持从黑到白（或从白到黑）的排列次序］；

（2）当0≤r≤1时，0≤T（r）≤1（保证变换前后灰度值动态范围的一致性），则有：

GMZ07膨润土及其掺砂混合物试样的初始干密度(ρd0)为1.5 g/cm3.将砂与混合物的干土质量之比定义为掺砂率(Rs).将膨润土与砂按照Rs为0%,30%,50%的比例混合配制成不同掺砂率试样.根据北山地区地下水溶解固体含量范围[3],配制NaCl溶液摩尔浓度(以下简称浓度)分别为0,0.5,1.0 mol/L.利用不同浓度NaCl溶液将GMZ07膨润土及其掺砂混合物试样进行饱和.对每种NaCl浓度的饱和试样各施加200,400,800 kPa竖向荷载,固结完成后进行慢剪试验.

Pr()r是r的概率密度函数，Ps()s是s的概率密度函数，Pr()r和 ()Tr已知，且T-1()s满足上述条件（1），有Ps()s＝，已知一种重要变换函数，关于上限的定积分的导数即为该上限的积分值（莱布尼茨准则）。，对于离散值，其中rk是第k个灰度级（k＝0，1，2，…，L-1）；nk是图像中灰度级为rk的像素个数，n是图像中像素的总数。已知变换函数的离散形式为：sk＝Tr()k（k＝0，1，2，…，L-1），sk称作直方图均衡化，由输入图像中灰度级rk（横坐标）的像素映射到输出图像中灰度级sk（横坐标）的对应像素得到。

1.2.2 中值滤波

中值滤波法是一种非线性平滑技术，它将每一像素点的灰度值设置为该点某邻域窗口内的所有像素点灰度值的中值。本文目标判定的主要特征是形状，而中值滤波有较好保护边缘的作用。处理效果如图1所示。

2 研究方法

2.1 HOG+SVM方法

HOG（Histogram of Oriented Gradient，方向梯度直方图）特征是一种在计算机视觉和图像处理中用来进行物体检测的特征描述子，通过计算和统计图像局部区域的梯度方向直方图来构成特征。SVM（Support Vector Machine，支持向量机）是一类按监督学习方式对数据进行二元分类的广义线性分类器。HOG特征结合SVM分类器已经被广泛用于图像识别中［15-17］。

2.2 HOG特征获取

HOG特征是一种底层的视觉特征，主要描述图像内容的边界。用于提取HOG特征的训练图像必须能完整地描述病斑，即每张训练图内需要包含有一个能够完整识别的病斑。原始病斑素材图像一般采用手动裁剪配合批量尺寸修改获得。

为区分不同的水稻病斑，准备训练样本时，将目标识别病害图像作为正样本，其他非目标识别病害图像作为负样本。如检测稻瘟病时，系统将稻瘟病作为训练正样本，条纹叶枯病等其他病斑图片及正常叶片作为训练负样本。完整的HOG特征获取流程如图2所示。

2.3 SVM训练识别

SVM使满足分类要求的最优线性分类超平面在保证分类精度的同时，能够使超平面两侧的空白区域最大化。

SVM的学习过程如下：

1）对样本集合测试集进行特征提取；

2）选用合适的核函数进行变换，将输入的样本空间转换到一个高维的RKHS（Reproducing Kernel Hilbert Space，RKHS）；

图2 HOG特征提取Fig.2 HOG feature extraction

3）在RKHS空间构造最优分离超平面，即搜索SVM，由得到的SVM构造学习机，完成样本的训练；

4）经过同样预处理的未知类别数据输入学习机进行分类判别，得到学习结果，学习过程结束。

本试验采用Emgucv自带机器学习类中的SVM进行处理，且采用交叉验证后得到的准确度最高的惩罚参数c和核函数参数g，再对整个训练集进行训练得到SVM模型参数。试验选择的核函数为径向基核函数，即，r＞0其中，惩罚参数c＝13.93，核函数参数g＝2.64。

完整的训练及识别流程如图3所示。

图3 病斑检测流程Fig.3 Cell detection process

3 结果与分析

用于病害识别的图片所含信息通常比较复杂，如一张图片内包含多张植物叶片，病叶和健康叶混杂，病斑大小、数量差异大，病斑颜色有偏差，形状有畸变等等（图4），另外不同病害种类之间病斑特征也存在很大的差异，病斑诊断效果难以用单一指标做出全面的评价。本试验用病害识别准确率、病叶检出率和病斑定位正确率3个递进指标分别对条纹叶枯病、纹枯病、稻瘟病、霜霉病以及赤枯病5种水稻病害识别结果进行评价。检测结果如表1所示。

图4 病斑检测结果Fig.4 Cell detection results

表1 基于HOG+SVM的病斑识别结果Table 1 Classification result of diseases based on HOG+SVM

（1）病害识别准确率

5种病害的识别率平均达到98.4%，其中条纹叶枯病、霜霉病以及赤枯病三种病害诊断正确率为100%，条纹叶枯病正确率为98%，病害识别正确率最低的为稻瘟病，识别准确率为94%。由此可见，该方法可以较好地用于水稻病害的田间识别。

（2）病叶检出率

病叶检出率最高的为条纹叶枯病98.7%，最低的为霜霉病94.3%，累计5种病害的平均病叶检出率为96.1%，该指标可较好地用于病害程度的评估。

（3）病斑定位正确率评价

条纹叶枯病病斑定位正确率为98.2%，表现最好；其次为稻瘟病与霜霉病，病斑定位正确率分别为95.1%与96.0%；误报率较高的为纹枯病与水稻赤枯病，病斑定位正确率分别为91.8%与91.7%。

综上，该方法可较好的用于一些形态特征较明显的病斑，对于特征不明显病斑识别误差略高。

4 结论

（1）本方法对病害图片的拍摄光源、拍摄角度和拍摄质量有较好的包容性，照片可以由不同设备拍摄，也可通过网络和其他渠道获得，降低了训练和识别素材的获取难度，整体需要用户介入的步骤很少，水稻病害识别均值仍可达98.4%，此方法适合田间病害识别应用，能够满足实际生产中病害诊断的需求。

（2）图像处理过程简便，对样本数量要求不高，无需先验知识。在预处理上，仅需对图像进行简单的亮度均衡以及中值滤波，对于成像质量较好的设备所拍摄的照片甚至可以跳过此步骤，过程简便；在训练样本获取上具有可操作性，训练样本需求数量远远小于深度学习方法。病叶漏报率平均仅为3.9%，适合水稻叶部常见病害识别。

（3）不同病害识别效果因病害特征不同存在差异。基于HOG+SVM的识别方式更适合斑块明显、边缘清晰的病斑识别，以水稻条纹叶枯病为例，准确率98%，漏报率1.315%，误报率1.818%。不适合斑块颜色较浅或形状较为不规则的病斑识别，如水稻赤枯病的误报率达到了8.333%，主要原因是测试图片背景复杂及图像中除病叶外的非病叶图像元素干扰所致。