计算机视觉在香芋病害检测中的应用研究

王 佳

(鹤壁职业技术学院,河南 鹤壁 458030)

0 引言

香芋是人们生活中常见的粮食作物,在香芋的生长期内常会染上黑斑病、病毒病等病害,一般发病率为30%～50%,严重时田块内发病的株数可以达到100%[1],严重影响了香芋的产量和质量。对于香芋来说,病害最直观的体现是叶片和叶柄等部位出现病斑。传统防治病害的方法是通过肉眼识别,进行针对性的病害防治。但是,这种方法对于病害的诊断具有局限性和主观性,不能够对香芋病害的类型和病害程度做出客观的判断,导致后续的病害防治工作达不到预期的效果。

计算机视觉技术是利用摄像机进行拍摄,将得到的图像通过软件进行处理和计算,得到预期结果的一种方法[2-3],结合了计算机技术、图像处理技术和人工智能技术。图像处理技术是与计算机结合使用的一种图像处理方法,在对香芋病害机制识别时,通过在计算机中存储香芋病害的数据,建立香芋病害数据库;利用图像处理技术对拍摄到的香芋图像进行处理,并与香芋病害数据库进行对比、分析,确定病害种类;进而采取针对性的防治病害的措施,降低由于香芋病害导致的经济损失。与人工识别香芋病害相比,计算机视觉识别香芋病害具有识别速度快及对病害种类和病害程度识别准确的优势[3],还可以实现远程控制、降低人工成本,因此可以将计算机视觉技术应用于香芋病害的检测研究中。

本文通过计算机视觉技术对香芋进行病害识别,利用建立的香芋病害数据库,对需要识别的香芋病害进行特征提取、病害分析,实现病害自动识别。

1 设计思路

1.1 总体技术路线

香芋病害检测系统主要由病害图像采集装置、图像处理系统、形态特征提取系统和缺陷目标检测系统组成,如图1所示。

图1 香芋病害检测系统总体设计路线。

1.2 图形采集装置

采集的环境不同,采集方法也不同。所谓环境,是指室内环境和室外环境。若为室内采集,考虑到图像受环境的影响较小,因此可以采用摄像机对病害图像进行采集;若为室外采集,由于其受到外界环境影响较大,且需要便于携带,则采用数码相机采集图像,以减少自然光对图像质量的影响。

1.3 图像处理系统

图像处理系统、形态特征提取系统和缺陷目标检测系统设置在计算机内部。工作时,图像处理系统首先对采集到的图像进行去噪声处理,减少噪声对病害识别的影响;然后通过图像分割的方式对图片进行处理,包括颜色和纹理形态的分割,确定香芋叶片中包含的病害种类,为后续香芋病害特征提取、分析和相关数据库的建立做准备。

1.4 形态特征提取系统

病害的识别主要包括颜色、纹理等特征,利用RGB模型提取病斑的颜色特征,利用统计学提取病斑的纹理特征,同时舍弃对识别病害贡献较低的特征,确保病斑识别的准确率。

在初始病害识别时,首先需要建立病害的标准数据库,利用支持向量的算法对系统进行训练,并进行病害识别测试,确定病害种类。

1.5 缺陷目标检测

将待识别的病害与标准数据库进行对比分析,计算病害与样本的接近度。如果病害在隶属度范围内,则确认该病害的类别。

2 软件设计

2.1 病害图像特征提取

2.1.1 颜色特征提取

颜色可以直观反映香芋叶部病害的视觉特征。对香芋来说,颜色向量的计算较为简便,更容易实现,因此首先选取颜色特征作为识别香芋病害的依据。

通常摄像机和数码相机获得的图片模型为RGB模型,考虑到RGB模型的各分量均与光照亮度密切相关,而在室外条件下光照亮度变化较大,为了减少亮度对病害类型识别的影响,将图像的RGB模型转换为HSI模型,并将HSI模型的3个向量作为研究对象,对香芋病害进行识别。其转换关系为

确定HSI各向量值后,采用颜色矩作为颜色特征的描述方式,由于颜色信息主要存在于一阶、二阶和三阶矩中,因此仅对各颜色向量这3阶接矩进行计算[4]。各阶矩计算公式为

其中,m为各像素总数;H(pj)为p图像中第j个像素所占灰度值。根据不同的病害类型的HSI各向量的范围,即可确定病害类别。

2.1.2 纹理特征提取

除了颜色特征,由于香芋叶片病害区域的纹理和正常区域纹理在粗细和走向上有很大不同,因此纹理特征也是病害区域的表面特征之一。纹理主要是针对叶片灰度的描述,因此首先将彩色图片进行灰度处理。图片的灰度转换公式为

Pδ(i,j)=0.2989×R(i,j)+0.5870×G(i,j)+0.1140×B(i,j)

其中,Pδ(i,j)为像素点的灰度级别;(i,j)为像素点位置。为减少计算量并提高计算速度,将灰度级别量化为16个等级,因此i,j≤16。R(i,j)、G(i,j)和B(i,j)分别为像素点在RGB模型中的红色、绿色和蓝色分量。

对灰度矩阵进行归一化处理[5],即

纹理特征主要包括以下4四个要素,即角二阶矩f1、对比度f2、相关性f4和熵f3。其中,角二阶矩反映灰度均匀性和纹理的粗细程度,对比度反映图像的清晰程度,相关性反映灰度矩阵行、列的相似程度,熵反映图像非均匀性或者复杂程度。各要素的计算公式为

2.2 香芋病害识别

对于香芋病害来说,主要病害的样本数量有限,属于小样本问题,而支持向量机(SVM)方法采用结构风险最小化(SRM)原理,具有误差小、泛化能力强的优点,尤其适用于解决小样本、非线性问题,因此分类器选择采用支持向量机方法对香芋病害进行识别。支持向量机方法是利用核函数将非线性问题推广到高维空间,转化成线性问题,并通过二次规划问题对最优分类面进行求解[6]。

首先选取已确定存在病害的香芋叶子样本,提取其颜色和纹理特征并优化,并将其分为训练样本和识别样本两组;然后,利用支持向量机根据训练样本学习病斑特征,完成后由识别样本对分类器进行测试;分类器的核函数采用径向基核函数对病害进行识别。该分类方法的运行路线如图2所示。

图2 支持向量机分类方法运行路线图。

一般支持向量机方法仅适用于对两类样本的分类,而香芋的病害有多种,为了使算法能够应用于多类别的病害分类,采用一对一投票策略[7]进行多类别分类。该策略具有运算速度快且不会出现错误累积的优点,方法是将多个病害类别中每两个作为一对正负集进行分类识别。也就是说,若有m个病害类别,则需要m(m-1)个分类器。

3 试验结果与分析

3.1 异常叶片识别测试

通过选取香芋的正常叶片图片60幅,存在颜色特征异常的叶片图片30幅,存在纹理异常叶片图片30幅作为训练样本。在训练完成后,选取50幅正常叶片图片、20幅颜色有异常叶片图片和20幅纹理有异常叶片图片作为测试样本对系统进行测试,结果如表1所示。

表1 异常叶片识别结果。

3.2 病害叶片识别测试

分别选取存在叶片颜色异常和纹理异常,且已确认是否存在病害的叶片图片各30幅,作为病害叶片识别的训练样本,再选取类似的叶片图片各20幅作为测试样本,结果如表2所示。

表2 病害叶片识别结果。

3.3 病害种类识别结果

香芋的常见病害种类为黑斑病、轮斑病和病毒病,因此主要对这3类病害进行识别。分别选取已确定病害类别的叶片图片作为训练样本,每个病害图片为30幅;训练完成后,选取30幅叶片图片作为识别样本,测试系统识别病害类别的准确率。测试结果如表3所示。

表3 病害叶片种类识别结果。

续表3。

对香芋病害识别系统进行异常叶片、病害叶片和病害叶片种类识别进行训练和测试,结果表明:该系统运行稳定,识别病害种类正确率达到了使用要求。另一方面,为了进一步提高该系统识别病害的准确率,可以增加训练样本数,识别更多的病害种类。

4 结论

1)将计算机视觉技术应用于香芋病害的检测系统,通过提取香芋叶片的颜色特征和纹理特征,建立香芋病害数据库,确保香芋病害识别的准确率。

2)采用支持向量机的方法对病害进行识别,误差小,速度快。

3)试验结果表明:基于计算机视觉的香芋病害检测系统能够快速、准确地识别香芋病害类别,满足用户对于香芋病害识别系统的使用要求,可为后续香芋病害的防治提供准确信息。