基于计算机视觉的芋头病害监测与识别

陈林琳,姜大庆,蔡银杰,刘永华

(1.南通科技职业学院,江苏 南通 226007;2.江苏农林职业技术学院,江苏 句容 211121)

0 引言

一般而言,农作物病害的识别与检测主要以病害形状、特征及分布状态为表征信息,如相关专家学者利用数字植物识别技术对小麦、玉米等常见农作物叶片进行图像病害识别与监测,通过光线频谱分析等手段对作物病害进行清晰化三维显示等。为提高对芋头常见病害的动态掌控效果,笔者拟利用计算机图像识别与视觉处理思维,融入较为智能的图像监测方法对其进行深入研究。

1 计算机视觉机理概述

计算机视觉是一种利用机器代替人类对外部信息获取与识别的智能化技术,其核心机理在于如何准确、快速对目标图像做出逻辑性判断,对有用信息进行筛选、无关信息进行噪声化移除处理,达到图像获取、预处理、特征提取及检测与输出的效果。图1为芋头常见灰斑病外形图。由图1可知:利用计算机视觉图像处理达到与之一致度较高的识别目的,需进一步明确芋头病害图像识别与监测的内部关键信息并进行匹配,从而实现的芋头病害识别。

在进行识别与监测过程中,对常见病害图像各特征波段的充分理解,选择适当的图像识别方法尤为重要。表1列出基于计算机视觉的芋头常见病害特征波段及对应识别方法。由表1可知:芋头的常见灰斑病、炭疽病和污斑病虽在外部形状表现不一,但均可通过SVM 系列方法进行病害图像深入识别;芋头的疫病和软腐病则可按照波段选择回归类方法进行分析。

图1 芋头常见灰斑病外形图

表1 基于计算机视觉的芋头常见病害特征波段及识别方法

续表1

将计算机视觉应用于芋头病害图像识别与监测,病害图像识别原理如图2所示。由图2可知:建立计算机视觉技术下的能控函数是关键步骤,通过前期图像分量与滤波及阈值化处理得到病害图像的纹理特征,结合边界区域条件形成,进而进行核心算法求解与图像对比,得出可靠的芋头病害图像识别结果。

图2 计算机视觉应用于病害图像识别原理图

2 芋头病害监测系统设计

2.1 理论模型建立

针对芋头常见病害及病害图像识别原理,以计算机视觉识别为控制条件,建立芋头病害监测与识别理论模型,即

(1)

式中E—芋头病害图像识别系统能控函数;

V—芋头病害图像像素边界项;

D—芋头病害图像像素点区域项;

f—芋头病害图像各像素点类别;

p、q—芋头病害图像像素点;

P—芋头病害图像像素点集合;

N—选定连通区域范围内的像素点集合。

进一步对预识别芋头图像进行滤波处理,以满足准确显示、图像清晰化要求。设f(x,y)为图像像素点灰度值,得到滤波方程为

(2)

式中 med—图像滤波取中值处理;

i、j—图像像素点取值范围。

在芋头病害识别与监测控制原理下(见图3),通过芋头病害识别的病状表现模型和病症表现模型,实现芋头病害图像三维显示清晰化与可视化,为下一步做出芋头病害预防与治理提供预警信息。

图3 芋头病害识别与监测原理简图

2.2 硬件系统配置

进行芋头病害监测识别系统的硬件配置,划分出计算机视觉机理下的芋头病害监测系统模块(见图4),包括病斑图像分割、病害识别与监测及系统运行管理。其中,监测模型构建与数据存储扩充与病害监测识别设置在同一模块内,方便系统信息传递与调控。针对病斑图像分割,则依赖于计算机视觉技术中的图像预处理与特征提取功能,并且设计了人机友好的用户管理界面。

针对该监测系统的硬件电路,给出如图5所示的基本配置。系列控制电路的命令发送与执行等操作在主控制信号电路板上进行,电源模块提供源动力,在TEC控制配合下,完成芋头图像的逻辑识别及合成处理等环节,经D/A转换后显示出图像特征。

图4 计算机视觉机理下的芋头病害监测系统模块简图

图5 芋头病害识别与监测系统硬件电路基本配置

在芋头图像识别成像环节,引入对不同显示波段进行选择显示的远红外成像装置,涵盖颜色与温度、区域与感光等智能处理功能,具体参数及性能如表2所示。其识别精度控制在±1.50%范围内,选择聚焦平面进行图像识别与监测,像素分辨率达1 200ppi。

表2 基于计算机视觉的芋头病害监测系统图像识别硬件参数及性能

2.3 软件监控设计

软件监控设计是实现芋头病害外形特征准确识别与监测的前置关键因素,核心在于通过芋头图像数据库信息与实地采集芋头图像信息进行特征匹配、再获取区别性图像形状特点后通过不同计算通道展开病害图像的分类识别。图6为基于计算机视觉的芋头病害判定监控流程。由图6可知:经芋头监测图像信息病害性判定后,进入局部病害位置的特征增强与信息定位,从而提取出所需芋头病害特征进行指令式分类划分,并形成系列对应防控措施,将芋头病害苗头发展态势控制在损失最小化界限。

进行芋头病害监测系统的后台控制程序输入,以实现病害图像的特征提取为目标。通过颜色、纹理及整体形状参数的设定,获得监测病害图像的轮廓。核心程序片段如下:

……

public Matrix

TraditionFeatureExtraction(Image

imageLesion)

CvInvoke.cvThreshold(grayimg,mask,0,255,

Emgu.CV.CvEnum.THRESH.CV_ THRESH_OTSU);

MemStorage storage = new MemStorage();

Contourcontours = mask.FindContours(

Emgu.CV.CvEnum.CHAIN_APPROX_METHOD.

CV_CHAIN_APPPOX_NONE,

Emgu.CV.CvEnum.RETR_TYPE.CV_

RETR_EXTERNAL,storage);

for(;contours!=null;contours=

contours.HNext){

if((contours.Area>AREA_ THRESHOLD)||

contours.Area== AREA_ THRESHOLD)){

m_LesionColorFeature = LesionColorFeature(

imgeLesion,contours);

m_LesionTextureFeature = lesionTextureFeature(

imgeLesion,contours);

m_LesionShapeFeature = lesionShapeFeature(

contours);

m_LesionFeature =new double[n];

……

图6 基于计算机视觉的芋头病害识别系统软件监控流程简图

3 病害识别监测试验

3.1 试验过程

在芋头生长环境、光照、采集时间一致的基础上,获取所需监测与识别的芋头田间叶片或茎秆图像,进行特征性选取,保证每组芋头图像拍摄照片方式一致、采集条件一致。采用MatlLab软件进行图像分割处理,VC++进行指令实现,得到所需前述5种常见芋头病害症状的识别与监测,整个试验显示纹理清晰、监测稳定,如图7所示。

图7 基于计算机视觉的芋头病害识别监测试验病斑特征显示

3.2 数据分析

对芋头常见的灰斑病、炭疽病、疫病、污斑病及软腐病5种常见病态进行图像监测识别,分别对每种病态监测次数设置一致,均为25次,结果如表3所示。由表3可知:以圆形病斑为特征的灰斑病识别率可达到89.7%;针对病斑呈近圆形,图像边界显现不清晰的污斑病态识别率为88.9%;整体芋头病害监测与识别率可保证在88%以上。

表3 芋头病害监测识别试验数据统计

4 结论

1)将计算机视觉技术与芋头病害识别与监测实现目标相结合,建立了芋头病害监测识别控制理论模型。

2)选取5种芋头常见病害进行预置图像信息数据库输入,建立基于计算机视觉的芋头病害识别与监测系统,分别从硬件电路选型、软件程序编制方向进行参数匹配,以实现核心芋头病害图像的采集、预处理、分割及特征提取等关键操作。

3)进行芋头病害监测识别试验:①得到多组清晰化的芋头病害特征与症状显示图,便于直观化识别与分类管控;②得出该监测系统整体对芋头常见病害的识别率,可保证在88.5%～91.3%范围内试验效果良好,验证了基于计算机视觉进行芋头病害识别监测思路的可行性,可为其他类似农作物病害监测提供一定参考。