基于图像识别技术的桉树病虫害识别研究

摘 要 针对当前桉树病虫害肉眼识别难度大的问题，研究基于图像识别技术的桉树病虫害识别策略。采用尺度不变特征转换（Scale-Invariant Feature Transform，SIFT）算法等先进的图像处理技术，深入分析桉树的图像数据，以识别和分类桉树虫瘿、桉树紫斑病及桉树焦枯病等常见病虫害。识别结果显示，SIFT技术处理下桉树紫斑病的识别率最高，达到83%；而桉树虫瘿的识别率则较低，仅为67%，表明图像识别技术在不同病虫害类型上的识别效果存在差异。

关键词 桉树；图像识别；病虫害；二值化

中图分类号：S4 文献标志码：A DOI：10.19415/j.cnki.1673-890x.2025.02.053

桉树是一种经济价值和生态价值均十分显著的树种，在全球范围内广泛种植。然而，受各种病虫害的威胁，桉树会出现产量下降、经济价值降低的问题。传统的病虫害检测方法主要依赖人工观察与经验判断，不仅耗时费力，而且受主观因素的影响较大，难以实现规模化的实时监测与精准判断。随着人工智能和图像识别技术的不断发展，利用先进的图像识别方法对桉树病虫害进行快速、准确的检测成为可能。此次研究旨在探索基于图像识别技术的桉树病虫害识别方法，并验证其在实际生产中的可行性和有效性。基于图像识别技术的桉树病虫害识别，通过利用摄像头或无人机等设备采集树叶、树皮等部位的图像，并应用图像处理、模式识别及机器学习等技术，能够实现对不同病虫害的有效识别和分类[1-2]。这一研究有助于提高病虫害检测的效率与准确性，为桉树种植者和管理者提供快速预警和诊断工具，从而更好地制订应对策略，减少损失，提高生产效益。

1 检测材料

选择晴天，于12：00到广西壮族自治区国有雅长林场平果造林基地采集材料，距离拍摄对象25 cm，拍摄患病虫害的桉树叶片照片。此次检测对桉树虫瘿、紫斑病、焦枯病3种桉树病虫害进行识别，对于每种病虫害类型采集受感染叶片的照片100张，共计300张图片。

2 病虫害图像预处理

2.1 图像降噪处理

2.1.1 图像灰度处理

在处理桉树病虫害图像时，灰度化是一个重要步骤，有助于降低计算复杂度并突出图像中的结构特征。灰度处理通常涉及将彩色图像转换为灰度图像，常见的处理方法有加权法、平均值法、最大值法及最小值法，其中加权法因为更贴近人眼对颜色的感知，是处理自然图像的首选方法[3]。该方法计算公式为

2.1.2 中值滤波处理

在桉树病虫害图像处理过程中，中值滤波是一种非常有效的技术，用于减少或消除图像中的噪声，尤其是盐和胡椒噪声。中值滤波是一种非线性数字滤波技术，通过将图像中每个像素点的值替换为其邻域内像素值的中值来实现[4-5]。这种方法特别适合保留图像的边缘信息，在不模糊边界的同时去除噪声，计算方法为

中值滤波不仅能有效去除噪声，还能保留图像中的重要结构特征，对于识别和分析桉树病虫害的特征尤为有用。图2为经过中值滤波处理后的桉树病虫害照片。

2.2 病虫害数据提取

通过二值化处理，提取桉树病虫害数据。大津算法也被称为最大类间方差法，是一种自适应的阈值确定方法，广泛应用于图像分割领域，特别是在图像二值化处理中非常有效。该方法通过最大化背景和前景（目标）之间的类间方差确定最佳阈值，使二值化后的图像在前景和背景分离上尽可能清晰。该算法流程如下。

大津算法通过计算所有可能的t值并选择使δB2最大的t值来实现，从而完成图像的有效二值化。这种方法在桉树病虫图像处理中特别有用，可以有效地区分受损和健康的叶片区域，从而帮助进行病虫害检测和量化分析。图3为使用大津算法处理后的图片。

3 病虫害特征提取

在桉树病虫害识别中使用尺度不变特征转换（Scale-Invariant Feature Transform，SIFT）算法进行特征提取，步骤如下。

1）尺度空间极值检测：SIFT算法通过构建尺度空间，即在不同尺度下通过逐步增加的高斯模糊处理原始图像得到一系列图像。尺度空间的每一层通过高斯差分函数（Difference of Gaussian，DoG）表示，这个函数由相邻尺度的图像之间的差异定义，表达式为

D（x，y，δ）=[G（x，y，kδ）-G（x，y，δ）]×I（x，y）（10）

式中：G（x，y，kδ）为以δ为标准差的高斯模糊函数；I（x，y）为图像的强度；D（x，y，δ）为在二维空间中各像素点（x，y）和尺度δ下的高斯差分，用于检测图像中的特征，尤其是在不同尺度下的局部极值；G（x，y，δ）为以δ为标准差的高斯滤波函数，应用于图像的平滑处理以减少噪声。在SIFT算法中，高斯滤波是构建尺度空间的基础，用于生成不同尺度的图像。在这个尺度空间中，潜在的关键点是那些在尺度和空间上的局部极值点。

2）关键点定位：对每个潜在关键点进行精确定位和筛选。这通过在候选关键点的位置上拟合一个3D二次函数来实现，从而精确地确定关键点的位置和尺度。这个过程可以用泰勒展开式近似表示，表达式为

3）方向赋值：为每个关键点分配一个或多个基于其局部图像梯度的方向。这一步是通过在关键点周围的邻域内计算图像梯度的方向和大小，并建立方向直方图来完成的。

4）关键点描述符生成：在确定关键点的位置、尺度、方向后，将这些关键点周围的局部图像区域转换为一个描述符。描述符不仅反映了关键点，而且反映了关键点周围的图像特征，有助于在不同图像之间进行特征匹配。

上述步骤确保从桉树病虫害图像中提取的SIFT特征对旋转、尺度及亮度变化具有不变性，因此非常适用于病虫害检测和识别。

4 检测结果

对桉树虫瘿、桉树紫斑病、桉树焦枯病3种病虫害进行图像识别，识别结果见表1。由表1可知，基于图像识别技术的桉树病虫害识别方法对桉树虫瘿的识别率为67%，对桉树紫斑病的识别率为83%，对桉树焦枯病的识别率为78%。从结果可以看出，该方法对桉树紫斑病的识别率最高，表明对于这种病害，当前的图像识别技术相对较为有效；该方法对桉树虫瘿的识别率最低，说明在当前系统中这种类型的病虫害识别较为困难。

5 结语

基于图像识别技术的桉树虫害识别方法利用安装在树冠上的摄像头实时采集图像，并通过无线网络将图像传输到中央处理系统。中央系统应用深度学习模型进行病虫害识别，并在发现病虫害后及时向管理人员发送预警信息，从而有效减少病虫害的危害和经济损失。用户只需使用手机拍摄图像，应用程序即可实时知道识别结果，应用图像识别技术可以快速、准确地识别出不同类型的病虫害，并评估病虫害的严重程度，大大提高病虫害监测效率。

基于图像识别技术的桉树病虫害识别方法在效果评价上也得到了广泛认可。1）准确性好。通过大量数据的训练，深度学习模型可以识别出各种类型的病虫害，并准确评估其严重程度。实际应用中，一些方法的识别准确率在90%以上，显著优于传统人工识别方法。2）效率高。自动化的识别过程可以在短时间内分析大量图像，快速得出病虫害分布和严重程度的相关信息，为林业管理提供及时的数据支持，相较于人工识别方法，效率提升显著。3）效益好。基于图像识别的方法在成本效益上也有显著优势。虽然前期开发和部署基于图像识别的虫害识别方法需要一定的投入，但从长远来看，该方法的自动化和高效性可以降低大量人力和时间成本，减少管理费用。

基于图像识别技术的桉树病虫害识别方法也存在一些问题。例如，方法的识别准确性依赖高质量的图像数据和充分的模型训练，任何图像质量问题或数据不足都可能影响识别效果。此外，环境因素如光照变化、叶片遮挡等可能对图像识别造成干扰。尽管如此，随着技术的不断发展和完善，这些问题一定能够逐渐得到解决。综上所述，基于图像识别技术的桉树病虫害识别方法不仅提高了病虫害识别的准确性和效率，还为病虫害管理提供了强有力的技术支持，符合现代林业管理的需求。随着技术的进一步发展，基于图像识别的病虫害识别方法将在桉树病虫害管理中发挥越来越重要的作用，为桉树种植业的可持续发展保驾护航。

尽管该方法在桉树紫斑病和桉树焦枯病的识别方面准确性较高，但对桉树虫瘿的识别率仍有待提高。为提高总体识别率，可针对识别率较低的桉树虫瘿，增加更多的训练样本或调整图像预处理步骤，优化识别算法，增强模型的泛化能力等。对于已经取得较高识别率的病虫害，如桉树紫斑病，应在保持模型优势的同时继续优化，以达到更高的精确度。可以考虑采用集成学习方法，如随机森林或深度学习技术，提升模型的健壮性和识别能力。还可进行统计测试检验不同病害识别率之间的显著性差异，以及计算各病虫害识别率的标准差，评估模型在不同情况下表现的稳定性。此外，结合机器学习和深度学习方法，特别是卷积神经网络，可进一步提升病虫害识别的精度和效率。

参考文献：

[1] 雷声渊，马本学，王文霞，等.基于微调卷积神经网络迁移学习模式下被害棉叶图像的识别[J].新疆农业科学，2019，56（7）：1288-1295.

[2] 高雄，汤岩，陈铁英，等.基于图像处理的甘蓝虫害识别研究[J].江苏农业科学，2017，45（23）：235-238.

[3] 施文，邹锐标，王访，等.基于多重分形的油菜病虫害叶片图像分割[J].湖南农业大学学报（自然科学版），2014，40（5）：556-560.

[4] 宗精学，杨余旺，赵炜，等.基于图像分析的病虫识别研究[J].科学技术与工程，2014，14（19）：194-200.

[5] 管泽鑫，姚青，杨保军，等.数字图像处理技术在农作物病虫草识别中的应用[J].中国农业科学，2009，42（7）：2349-2358.

（责任编辑：张春雨）