夏永泉++曾莎++李耀斌

摘要：為了促進(jìn)智能化農(nóng)業(yè)的發(fā)展，提出1種基于Android的植物葉片病害區(qū)域提取系統(tǒng)。針對(duì)傳統(tǒng)邊緣檢測分割時(shí)容易丟失邊緣細(xì)節(jié)的缺陷，添加對(duì)2個(gè)斜方向梯度信息的提取，從而得到更完整的病害區(qū)域邊緣。在此基礎(chǔ)上構(gòu)建了基于移動(dòng)終端的植物葉片病害區(qū)域提取系統(tǒng)。測試效果顯示，該系統(tǒng)具有便攜、實(shí)用、界面友好等特點(diǎn)，能有效地提取出病害區(qū)域，為后續(xù)的識(shí)別提供有效、可靠的病害數(shù)據(jù)。

關(guān)鍵詞：Android系統(tǒng)；葉片病害區(qū)域；邊緣檢測；梯度計(jì)算

中圖分類號(hào)： TP391.41文獻(xiàn)標(biāo)志碼： A文章編號(hào)：1002-1302（2016）05-0383-04

農(nóng)作物在發(fā)生病害后，初期癥狀一般比較模糊，廣大農(nóng)業(yè)生產(chǎn)者因?yàn)槿狈χ参锊『Φ脑\斷能力，造成農(nóng)作物病害不能及時(shí)、正確地被診斷出來，采取不當(dāng)?shù)姆乐未胧率罐r(nóng)作物大量減產(chǎn)；而盲目地使用農(nóng)藥，不僅降低了農(nóng)產(chǎn)品的質(zhì)量，也會(huì)危害人類的健康，造成環(huán)境污染。因此，指導(dǎo)農(nóng)業(yè)生產(chǎn)者對(duì)病害的有效識(shí)別是農(nóng)業(yè)生產(chǎn)中的一個(gè)關(guān)鍵問題。作物病害最直接的外在表現(xiàn)是病斑，由于作物種類較多，同一種作物上的病害種類也千差萬別，病害呈現(xiàn)出多樣化、復(fù)雜化和難以預(yù)測的特征，為了農(nóng)業(yè)的發(fā)展，需要對(duì)不同作物的葉片病害區(qū)域進(jìn)行準(zhǔn)確提取。Android操作系統(tǒng)集開源、免費(fèi)、支持語音、視頻、觸屏等于一體，人機(jī)交互性強(qiáng)，且技術(shù)越來越成熟[1]。它不但為軟件設(shè)計(jì)者提供了比較靈活的開發(fā)空間，而且為研究開發(fā)出開源、免費(fèi)以及操作簡單的農(nóng)業(yè)智能化系統(tǒng)提供了很好的開發(fā)平臺(tái)。Android智能手機(jī)在中國也迅速發(fā)展，且價(jià)格低廉，便于農(nóng)民朋友使用。王安煒探討了Android技術(shù)與農(nóng)業(yè)智能化專家系統(tǒng)的融合[2]。楊林楠等提出了基于Android系統(tǒng)手機(jī)的甜玉米病蟲害智能診斷系統(tǒng)，采用正向推理和“產(chǎn)生式”規(guī)則，設(shè)計(jì)了甜玉米病害樹形圖和推理機(jī)[3]。目前基于Android的植物葉片病害處理還較少，且大多停留在手機(jī)客戶端對(duì)病害的采集、上傳及后臺(tái)服務(wù)器保存上，系統(tǒng)智能性有待提高。為使植物葉片病害的研究走向普通農(nóng)戶，本研究提出1種基于Android的植物葉片病害區(qū)域提取系統(tǒng)。利用Android終端，實(shí)現(xiàn)對(duì)植物葉片病害區(qū)域的有效提取，為后續(xù)對(duì)病害的識(shí)別和診斷打好基礎(chǔ)。

1系統(tǒng)設(shè)計(jì)

在基于Android的植物葉片病害區(qū)域提取系統(tǒng)設(shè)計(jì)上，以植物病害葉片為研究對(duì)象，在智能手機(jī)上開發(fā)設(shè)計(jì)“農(nóng)業(yè)小助手”系統(tǒng)[4]。系統(tǒng)的功能模塊包括病害圖像采集、病害圖像的預(yù)處理、圖像分割以及對(duì)病害區(qū)域的提取。具體模塊如圖1所示。

1.1病害圖像采集

植物病害的種類繁多，且形狀各異。當(dāng)前Android手機(jī)的拍照功能都很完善，一般的攝像頭都能達(dá)到800萬像素級(jí)，非常便于對(duì)田間植物病害葉片的采集。而且Android系統(tǒng)具備完善的API支持，可實(shí)現(xiàn)對(duì)獲得圖像的初始操作，將圖像裁剪、放大、縮小到我們需要的狀態(tài)，去除干擾，加快運(yùn)算速度，使后續(xù)的處理效果更加明顯。當(dāng)然，Android手機(jī)是集通話、多媒體、上網(wǎng)等功能于一體的智能終端，本系統(tǒng)也可以對(duì)網(wǎng)絡(luò)上的病害葉片進(jìn)行直接處理。

1.2病害圖像預(yù)處理

由于自然狀態(tài)下生長的植物，病害葉片的形狀、顏色等都比較復(fù)雜。采集到的圖像因?yàn)橹参镏車h(huán)境的光照、拍攝角度、采集照片時(shí)振動(dòng)等因素的影響，給后續(xù)對(duì)病害的分割帶來一定困難。因此，需要對(duì)采集到的病害圖像進(jìn)行預(yù)處理，以減少和消除圖像中的噪聲影響。對(duì)于圖像中的噪聲采用自適應(yīng)中值濾波，去除不需要的信息，改善圖像質(zhì)量。目前病害葉片圖像大多是利用高像素?cái)?shù)碼相機(jī)、單反相機(jī)、智能手機(jī)人工獲得的24位真彩色圖像。為了便于后續(xù)處理，在空間域中對(duì)圖像進(jìn)行灰度化，即將彩色圖像轉(zhuǎn)換為灰度圖像。

1.3病害區(qū)域提取

要實(shí)現(xiàn)病害區(qū)域的提取，需要對(duì)植物病害區(qū)域進(jìn)行有效分割。當(dāng)前自然環(huán)境下獲得的植物病害葉片顏色分布不均，且背景比較復(fù)雜，分割的區(qū)域數(shù)目較多?，F(xiàn)在常用的分割技術(shù)包括閾值分割法、邊緣檢測法、人工神經(jīng)網(wǎng)絡(luò)、基于聚類的分割等[5]。而對(duì)人工神經(jīng)網(wǎng)絡(luò)、聚類分割方法需要人工選取中心點(diǎn)，計(jì)算復(fù)雜、運(yùn)算量大。本系統(tǒng)采用最大類間方差閾值與邊緣檢測相結(jié)合的分割方法，實(shí)現(xiàn)對(duì)病害區(qū)域的有效提取。

2病害區(qū)域獲取

2.1病害圖像二值化

葉片病害分割精度直接影響后續(xù)對(duì)病害區(qū)域提取的可靠性，以及病害識(shí)別的準(zhǔn)確性。由于植物病害圖像具有拓?fù)浣Y(jié)構(gòu)復(fù)雜、邊緣細(xì)節(jié)多等特點(diǎn)，傳統(tǒng)的圖像分割法大多存在邊緣不連續(xù)或者是圖像邊緣過粗等缺點(diǎn)，致使病害區(qū)域提取不準(zhǔn)確。針對(duì)此問題，先對(duì)病害葉片進(jìn)行OTSU閾值分割，得到分割后的二值圖。

OTSU即最大類間方差法，被認(rèn)為是圖像分割中對(duì)閾值自動(dòng)選取的最佳算法，因其計(jì)算簡單，并且不受待處理圖像的亮度、對(duì)比度的影響而得到廣泛使用。對(duì)病害圖像二值化實(shí)現(xiàn)過程為：求出葉片病害圖像的像素總數(shù)為N，灰度級(jí)為L，圖像中灰度值為i的像素總數(shù)為ni，則i的概率為：

Pi=niN。

選擇1個(gè)閾值T將圖像按照其對(duì)應(yīng)的灰度級(jí)范圍[0，T-1]、[T，L-1]，將圖像分成C0、C1 2類，C0、C1對(duì)應(yīng)的灰度均值分別為：

u0=∑T-1i=0ipiw0；

u1=∑L-1i=Tipiw1。

則整個(gè)葉片病害圖像的灰度均值為：

u=w0u0+w1u1。

類間方差為：

σ2=w0（u0-u）2+w1（u1-u）2。

最佳閾值為σ2值最大時(shí)對(duì)應(yīng)的T值，由此獲取植物葉片病害區(qū)域二值圖。

2.2改進(jìn)的病害區(qū)域分割

對(duì)病害葉片二值圖進(jìn)行邊緣檢測分割。Canny算子是在信噪比準(zhǔn)則、定位精度準(zhǔn)則、單邊響應(yīng)準(zhǔn)則下衍生出的最優(yōu)邊緣檢測算子[6]，具體處理過程如圖2所示。

首先對(duì)病害圖像進(jìn)行高斯平滑濾波，設(shè)病害圖像為f（x，y），則二維高斯函數(shù)為：

G（x，y）=12πσ2e-x2+y22σ2；

式中：σ是高斯濾波參數(shù)。g（x，y）是濾波平滑后的病害圖像：

g（x，y）=G（x，y）×f（x，y）。

高斯平滑濾波后由2×2領(lǐng)域的一階偏導(dǎo)有限差分求得病害圖像的梯度幅值和方向，具體的計(jì)算公式分別為：

M（x，y）=Sx（x，y）2+Sy（x，y）2；

θ（x，y）=arctan[Sy（x，y）/Sx（x，y）]。

傳統(tǒng)Canny邊緣檢測只提取了水平、垂直方向的梯度信息，忽略了一些斜邊上的信息，而對(duì)植物病害的研究需要精確的病害葉片信息，方便對(duì)病害的形狀、紋理等特征的提取，因此再增添2個(gè)斜方向上梯度信息的提取，以得到更加豐富、精確的邊緣信息[7]。具體算法流程如圖3所示。

2.2.1斜方向梯度信息提取為了求得斜方向上的梯度，使用圖4所示的2個(gè)對(duì)角模板對(duì)病害圖像像素值進(jìn)行加權(quán)平均，求得斜方向上的梯度。

對(duì)角模板a的梯度計(jì)算公式為：

G1′（x，y）=f（x，y-1）+2f（x+1，y-1）-f（x-1，y）+f（x+1，y）-2f（x-1，y+1）-f（x，y+1）。

對(duì)角模板b的梯度計(jì)算公式為：

G2′（x，y）=-2f（x-1，y-1）-f（x，y-1）-f（x-1，y）+f（x+1，y）+f（x，y+1）+2f（x+1，y+1）。

而斜方向上總梯度大小為：

G′=G1′2+G2′2。

2.2.2梯度計(jì)算比較斜方向的梯度與原圖像的梯度值，當(dāng)原圖像的梯度值大于斜方向上時(shí)，取水平、垂直方向上的梯度值；反之，則取斜方向上的梯度值。即最終的梯度值是取2個(gè)矩陣中對(duì)應(yīng)位置數(shù)據(jù)的最大值。假設(shè)水平、垂直方向提取的梯度圖像為M，進(jìn)行非極大值抑制后的梯度圖像為M1，斜方向上提取的梯度圖像為G，則最終圖像的梯度為：

G=max（M1，G′）。

3結(jié)果與分析

本系統(tǒng)開發(fā)環(huán)境是在Windows操作系統(tǒng)下[8]，由JRE和ADT-bundle共同構(gòu)建。本系統(tǒng)選擇的是Android 4.1系統(tǒng)，具體的硬件支持是三星Galaxy S3，4核處理器，主頻為 1 433 MHz，后置相機(jī)為800萬像素。開發(fā)的“農(nóng)業(yè)小助手”系統(tǒng)界面如圖5所示。

由于環(huán)境、本課題處于研究初期的因素，對(duì)于有復(fù)雜背景的病害圖像處理算法不夠成熟，主要通過研究病害葉片背景相對(duì)比較簡單的植物葉片病害圖像。本研究選擇小麥、番茄、黃瓜病害葉片進(jìn)行測試。具體病害區(qū)域提取圖如圖6所示。經(jīng)過對(duì)比發(fā)現(xiàn)，改進(jìn)的植物葉片病害區(qū)域提取方法能夠更好地實(shí)現(xiàn)對(duì)病害區(qū)域的提取，精確度有所提高，去除了部位偽邊緣和噪聲邊緣。尤其是對(duì)番茄葉片，基本實(shí)現(xiàn)對(duì)病害區(qū)域的100%準(zhǔn)確提取。而在Android手機(jī)上的直接操作，使該系統(tǒng)的方法具有一定的通用性。測試和初步應(yīng)用的效果顯示，該系統(tǒng)具有便攜、實(shí)用、界面友好和不受有線網(wǎng)絡(luò)環(huán)境限制等特點(diǎn)，有較強(qiáng)的實(shí)用性和推廣應(yīng)用前景。很好地實(shí)現(xiàn)了對(duì)葉片病害區(qū)域的提取，而且改進(jìn)的方法較傳統(tǒng)的方法邊緣提取更加準(zhǔn)確。

4結(jié)論

本研究提出了1種基于Android的植物葉片病害區(qū)域邊緣提取系統(tǒng)。通過對(duì)檢測分割方法進(jìn)行改進(jìn)，增加了斜方向上梯度信息的提取，使得到的病害邊緣線條在某些間斷的地方實(shí)現(xiàn)了連接，減少了噪聲，去除偽邊緣，得到更加準(zhǔn)確的病害區(qū)域。該系統(tǒng)基于Android系統(tǒng)，操作簡單，人機(jī)交互性強(qiáng)，具有較強(qiáng)的實(shí)用性和推廣價(jià)值，并為后續(xù)對(duì)植物病害的診斷和識(shí)別打好基礎(chǔ)。

參考文獻(xiàn)：

[1]高彩麗，許黎民，袁海，等. Android應(yīng)用開發(fā)范例精解[M]. 北京：清華大學(xué)出版社，2012.

[2]王安煒. 基于Android的手機(jī)農(nóng)業(yè)專家系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D]. 泰安：山東大學(xué)，2011.

[3]楊林楠，郜魯濤，林爾升，等. 基于 Android 系統(tǒng)手機(jī)的甜玉米病蟲害智能診斷系統(tǒng)[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2012，28（18）：163-168.

[4]Deepak K，Vinoth A N. Leaf detection application for android operating system[C]. IC CPEIC，2014.

[5]Rafiee G，Dlay S S，Woo W L. Region-of-interest extraction in low depth of field images using ensemble clustering and difference of Gaussian approaches[J]. Pattern Recognition，2013，46（10）：2685-2699.

[6]彭輝，文友先，吳蘭蘭，等. 采用自適應(yīng)canny算子的樹上柑橘圖像邊緣檢測[J]. 計(jì)算機(jī)工程與應(yīng)用，2011，47（9）：163-166.

[7]蘇連成，王東衛(wèi). 一種改進(jìn)的Canny邊緣檢測算子[J]. 燕山大學(xué)學(xué)報(bào)，2012，36（5）：413-416.

[8]劉濤，仲春曉，孫成明，等. 基于計(jì)算機(jī)視覺的水稻葉部病害識(shí)別研究[J]. 中國農(nóng)業(yè)科學(xué)，2014，47（4）：664-674.李敏. 基于物聯(lián)網(wǎng)技術(shù)的農(nóng)業(yè)環(huán)境監(jiān)測系統(tǒng)研究與設(shè)計(jì)[J]. 江蘇農(nóng)業(yè)科學(xué)，2016，44（5）：387-391.