摘要：向日葵是我國北方重要的經(jīng)濟作物和油料作物。在國內(nèi)外都有很大的市場開發(fā)潛力。但日益嚴重的向日葵病害大大降低了向日葵的產(chǎn)量。所以，正確識別和防治葵花病害是個亟待解決的課題。過去的對向日葵病的識別技術主要依靠主體性、界限和曖昧感等宏觀特征。在現(xiàn)代農(nóng)業(yè)研究方面，發(fā)展模仿人的機器視覺能力、超越性能的向日葵病識別用的機器視覺技術和圖像識別技術系統(tǒng)已成為當務之急。在論文中，筆者研究了一種繡球花的向日葵斑點病的機器視覺識別技術系統(tǒng)。首先，解說了自然光條件下收集的向日葵葉病圖像，診斷了向日葵葉病圖像?；趍atlab和gui工具箱，開發(fā)了基于圖像識別的向日葵葉診斷系統(tǒng)。經(jīng)過多次實驗，系統(tǒng)可以準確識別三種向日葵病。

關鍵詞：向日葵葉部病害;病斑分割;特征提取;病害識別

1向日葵葉部病害圖像采集及預處理

1.1向日葵葉部病害圖像獲取

早期，新聞圖片大多由單色或彩色的膠卷照相機攝制。這個方法不僅保存了圖片，還存儲一張捕獲的圖像。目前，由于科技的發(fā)展，尤其是多媒體教學科技的發(fā)展，高清晰率數(shù)字攝像機和數(shù)位攝影機也日益流行。和早期的攝像頭一樣，今天的數(shù)位攝影機更容易使用，便于攜帶，能夠進行識別，并且還能夠轉(zhuǎn)化為可以由電腦直接管理的數(shù)字圖像，您還能夠利用設備的內(nèi)置硬件把錄制的圖片存儲在存儲卡中。這縮短了模數(shù)轉(zhuǎn)換步驟，減少了變換過程中產(chǎn)生的噪音。在記錄底片和照相等圖象信號的最初階段，會隨著時間的增長產(chǎn)生褪色和粘貼等劣化現(xiàn)象，無法保證原圖象品質(zhì)。

在本研究中，因為向日葵葉片病害的圖片拍攝是在田里完成的，因而所采用的圖片收集裝置必須符合田里作業(yè)的特殊要求。裝置的簡單方便性和便攜性及收集圖片的準確度是必須考慮的關鍵因素。在該項研究中，人們還研制了一種利用CCD攝像機頭和金屬相機三腳架的植物圖像采集系統(tǒng)。在田間天然光線條件下，可以通過手動曝光模式錄制向日葵生長期葉片病害圖像，并以JPG格式傳送到電腦。向日葵葉片病害植物圖像采集系統(tǒng)，如圖1-1所顯示。

1.2向日葵葉部病害圖像預處理

圖像預處理技術，是指包含了照片切割、特點提煉、鑒別，以及后期圖象加工等的基本操作。其主要目的是為了消除圖象中的干擾信號，從而還原并保留有用信號，增強了有效信號的真實性和可測量性，這也是當前圖像處理技術中存在的主要問題所在。雖然圖像處理算法有很多種，但目前還缺乏完善的疾病圖象分離方法。

影像的增強方式通常分為兩類：頻域處理和空域處理。由于對光學攝影系統(tǒng)和工作背景環(huán)境的影響是該系統(tǒng)圖像質(zhì)量下降的主因，所以在空域處理中采用圖象去噪方法也是很有效的。通過調(diào)節(jié)主圖象的灰度值，可以消除圖象中的介質(zhì)或高頻噪音。提高目標像素對比度，能夠大幅提升目標像素的視覺質(zhì)量。最常用的空間映像強化方式就是鄰域平均方式和中值濾波方式。通過應用這二個影像增強技術，能夠預處理關于向日葵病的彩色畫面。圖一負二示出了關于向日葵病的彩色圖像預處理的基本框圖。

2向日葵葉部病害圖像的特征提取

2.1向日葵葉部病斑紋理特征提取

紋理引用對象表面上的重復本地模式和排列規(guī)則。圖像紋理特征對于理解、分析和識別圖像是重要的。與顏色的特性不同，紋理特征在描述多個像素組的表面特性的同時，作物疾病和不同疾病的病灶的正常和疾病區(qū)域的紋理特征在厚度和方向上完全不同。所以，在作物病害檢測和鑒定研究中，紋理性狀才能夠成為有效辨別不同病害的重要診斷條件。

特征描述主要包括兩種方法。結(jié)構(gòu)分析方法主要包括傅立葉譜分析和數(shù)學形態(tài)學。因為向日葵葉片的紋路是在天然的條件中產(chǎn)生的，所以這種圖像也具有遵循單個圖像的規(guī)律，而不符合描繪特定區(qū)域的規(guī)則性，在這種范圍內(nèi)，屬于準規(guī)則紋理的圖像通常是使用結(jié)構(gòu)化方式描繪。在統(tǒng)計技術中，灰度級共起矩陣使用有條件概率來表示紋理特性。一些特性參數(shù)可以解釋紋理的厚度和形狀。如果病變結(jié)構(gòu)致密，則紋理細膩，如果病變結(jié)構(gòu)稀疏，則紋理較小。為了研究和分析向日葵葉的損傷紋理，采用灰度級共起矩陣通過比較分析提取最佳紋理特征參數(shù)，作為確定向日葵葉不同損傷的基準。

2.2向日葵葉部病斑特征參數(shù)規(guī)定化

考慮到在后續(xù)的支持向量機識別中，疾病對象的識別和診斷是通過對預先采集的疾病樣本數(shù)據(jù)進行訓練和學習，然后建立分類器來實現(xiàn)的，樣本特征數(shù)據(jù)的高維不僅會增加樣本數(shù)據(jù)采集的難度，增加存儲空間的開銷，但也會引入噪聲，這會極大地影響分類器的性能。因此，本文遵循了特征提取的特點，如判別力強、可靠性高、獨立性好、數(shù)量少。同時，根據(jù)對上述色彩特性和紋理特點的觀察與計算，除本文去了無法確定、色彩關聯(lián)性較高的特征，并減少了特征參數(shù)的空間維度，最后選取了H分量的一階矩陣，H分量的二階矩陣、H分量的三階矩陣中的三種色彩特征參數(shù)，和距離為1（d=1）的灰度共生矩陣的九種色彩特性參數(shù)為：0°能力、0°關聯(lián)性、45°能力、45°關聯(lián)性、輸入90°相關性和135°能量作為疾病識別和診斷分類器的特征參數(shù)。

因為不同的顏色特征參數(shù)和紋理特征參數(shù)對應著不同的物理要求，所得到的特征值的取值范圍也和物理含義有所不同，造成了它們間缺乏相似性。因此，為了消除每個參數(shù)的計算單元不同的問題，本研究首先在疾病模式識別之前對所有輸入的特征值進行歸一化。數(shù)據(jù)歸一化公式如下：

g（x，y）=2×（f（x，y）-minf（x，y））/（max f（x，y）-min f（x，y） ）

其中f（x，y）是輸入特征原始數(shù)據(jù)矩陣，min f（x，y）是矩陣每行的最小值，Max f（x，y）是矩陣每行的最大值，G（x，y）是歸一化矩陣。通過公式（4-14）對每個特征值進行歸一化后，特征值的范圍限制為[-1，1]。在疾病識別之前，訓練集和測試集樣本的特征需要以同樣的方式進行歸一化。

2.3結(jié)果分析

為了研究向日葵葉病的圖像識別，選取了330幅向日葵細菌斑病、黑斑病和山毛櫸病的圖像進行樣本訓練，包括70個訓練樣本和3種病害早、中、晚期的40個樣本。下表顯示了1對1 SVM多類分類器的測試結(jié)果。FFB172F6-0DBC-4E40-A3C0-9717C74EB067

從實驗數(shù)據(jù)來看，本文設計的向日葵葉片識別系統(tǒng)在病害階段危機階段具有良好的識別效果，且系統(tǒng)在向日葵葉片病害發(fā)生中期的正確識別率高于初期和后期。造成識別錯誤的原因是危機初期各種病害的葉片特征不明確，后期葉片伴隨著葉枯、變黑和部分葉片脫落現(xiàn)象，這不利于病斑的分離。然而，提取的葉片病害在顏色和紋理特征上幾乎沒有差異，最終導致病害的錯誤識別。為了提高每個階段的疾病識別率，在特征提取中適當增加樣本訓練數(shù)，并引入其他有效特征，提取最佳特征作為疾病識別的輸入條件。

3基于支持向量機的向日葵葉部病害識別

3.1支持向量機

支持向量機（SVM）可以基于最小結(jié)構(gòu)經(jīng)營風險的原則總結(jié)其主要思想。在線形可分的情形下，分析了支持向量機，而在線形不可分的情形下，通常利用支持向量機把線形不可分樣品轉(zhuǎn)化為線形可分樣品。而根據(jù)結(jié)構(gòu)風險的最小理論研究，支撐向量機構(gòu)建立了特征空間的最佳分割超平面，并構(gòu)建了一種全局優(yōu)化學習器。同時，在某個樣本空間內(nèi)，構(gòu)成期望風險達到了規(guī)定的最大。也就是說，支持向量機操作的終極目的便是按照結(jié)構(gòu)風險最小的基本原理，構(gòu)造目標函數(shù)并確定二種可以盡可能容易被識別的模型。支持向量機一般包括以下二類情況：線性可分離和非線性可分離。如果有線性函數(shù)來區(qū)分兩種類型的樣本，則這些樣本稱為線性可分樣本。另一方面，沒有線性函數(shù)來完全分離兩種類型的樣本。

3.2線性可分情況

在線性可分情況下，存在一個超平面將訓練樣本完全區(qū)分開來，這個超平面可描述為：

（wb）=w.x+b=0

式中，w是n維權矢量，b為偏移量，“·”是點積。

將兩類樣本進行準確分類的前提就是要找到最優(yōu)分割超平面，此處可通過解式二次優(yōu)化問題來求得最優(yōu)超平面。

3.3核函數(shù)

支持向量機運算的關鍵在于核函數(shù)，采用不同的核函數(shù)將產(chǎn)生不同的支持向量機算法。通過引入核函數(shù)，很好的避免了高維特征空間中“維數(shù)災難”問題的出現(xiàn)。核函數(shù)通常包括以下幾種：

線性核函數(shù)：K（x，y）=x? y

多項式核函數(shù)：K（x， y）=[（x - y）+1]，d =1，2，......

sigmoid核函數(shù)：K（x， y）= tanh[b（x· y）-c]

徑向基核函數(shù)：K（x， y）=exp（-γ‖x-y‖ ）

本研究將采用不同核函數(shù)的SVM進行向日葵葉部病害分類測試，通過比較分析選出最適合于向日葵病害識別的核函數(shù)。

4結(jié)論

在這項研究中，我們結(jié)合了向日葵葉斑的顏色和結(jié)構(gòu)的生物學特性，利用先進的數(shù)字圖像處理技術和模式識別方法構(gòu)建了向日葵葉的病害診斷系統(tǒng)。以matlab為平臺，利用圖形用戶界面（GUI）實現(xiàn)了預處理，疾病點分割，向日葵圖像的判別特征，疾病識別。最后，基于圖像識別設計和開發(fā)了向日葵葉的病害診斷和識別系統(tǒng)。在調(diào)查中，得出了以下結(jié)論：

（1）向日葵葉病害的預處理。通過對比和分析鄰近過濾器、中值濾波和向量中值濾波這二種標量過濾器方式，向量中值濾波方式可以在計算時考慮圖像顏色分量的內(nèi)在關聯(lián)，并且對圖像縮放具有良好的效果。處理過程中，疾病點的原始有用信息保持良好，圖像也不模糊。在診斷郁金香之前，識別疾病和診斷疾病都不起作用。本文研究了RGB色彩空間中與正常和疾病圖像大不相同的G分量，并將從G分量導出的特征參數(shù)用作支持向量模式識別方法的特征輸入，以評估輸入圖像是正常葉片還是異常葉片。灰度共生矩陣和支持向量機制可以用于準確地評估異常刀片是否包括病害。

（2）瓜分向日葵葉損傷。在獲得預處理后的圖像后，在本作業(yè)中，首先使用自選擇閾值分割法粗略地分割向日葵葉中的病原菌，然后用兩種算法標記融合區(qū)域和生長區(qū)域，將病斑分割。結(jié)果表明，這種粗分割或精密分割方法可以有效地分割病葉中的所有病斑。

（3）向日葵葉子病斑的分離。用色動量和灰度共生矩陣兩種方法提取了病斑點的顏色和紋理特性。在比較測試了幾個特征的記述后，最終選擇了9個特征參數(shù)作為不同疾病識別的依據(jù)。結(jié)果發(fā)現(xiàn)，優(yōu)化后的9個特征參數(shù)可以更好地表示向日葵葉的病害點的特征，在參數(shù)優(yōu)化后，去除對病害識別沒有貢獻的特征參數(shù)，縮短特征提取的作用時間，大大提高檢測效率。

參考文獻：

[1]越鮮梅.基于圖像識別的向日葵葉部病害診斷技術研究[D].內(nèi)蒙古工業(yè)大學.

[2]李艷雪，呂芳.向日葵葉部病害圖像分割方法[J].計算機技術與發(fā)展，2019，29（5）：4.

[3]呂芳.基于圖像識別的向日葵葉部病害識別方法研究[J].中國科技成果，2018（15）：1.

[4]許慧，呂芳，越鮮梅，等.基于圖像識別的向日葵葉部病害診斷方法探究[J].電子測試，2014（S1）：3.

[5]任志海.基于圖像處理技術的向日葵葉片病害識別診斷.

[6]呂芳，狄鵬慧，許慧.基于支持向量機的向日葵葉部病害判斷方法：， CN105760880A[P].2016.

本文系河套學院科學技術研究項目“基于視頻傳感器的向日葵病害監(jiān)測識別研究（以巴彥淖爾市為例）”項目編號：HYZY202014階段成果之一。

作者簡介：

任志海（1973年7月），男，漢族，內(nèi)蒙古巴彥淖爾市，學歷：本科，工作單位：河套學院，職稱：講師，研究方向：電氣自動化、計算機。FFB172F6-0DBC-4E40-A3C0-9717C74EB067