李軼驥

（四川省農(nóng)業(yè)科學(xué)院科技保障中心，四川 成都 610066）

馬鈴薯是全球范圍內(nèi)重要的糧食作物之一，其產(chǎn)量和質(zhì)量直接影響著糧食安全和農(nóng)業(yè)經(jīng)濟的發(fā)展。馬鈴薯早疫病是影響馬鈴薯產(chǎn)量與品質(zhì)的主要病害之一，是由茄鏈格孢引起的一種病害，主要危害馬鈴薯葉片，也可侵染塊莖[1]。傳統(tǒng)的馬鈴薯病害診斷方法依賴于專業(yè)人員的經(jīng)驗判斷，導(dǎo)致診斷效率較低。本研究通過構(gòu)建驗證基于“圖像+光譜”技術(shù)的馬鈴薯早疫病智能診斷方法。通過對馬鈴薯病斑圖像的數(shù)字化處理、顏色校正及圖像裁剪等步驟，結(jié)合光譜數(shù)據(jù)分析，提取關(guān)鍵特征參數(shù)，實現(xiàn)對馬鈴薯早疫病病斑模式的精確識別。本方法能提高馬鈴薯早疫病的診斷準確率，還可為智慧農(nóng)業(yè)中植物病害的智能監(jiān)測與預(yù)警提供新的技術(shù)路徑。

1 試驗材料

1.1 試驗樣本

本研究于2022 年6 月26 日、7 月15 日在四川省成都市某農(nóng)業(yè)科技園區(qū)采集馬鈴薯早疫病典型病害葉片，選擇的馬鈴薯品種為川薯1 號、川薯2 號和川薯5號。當(dāng)?shù)貧夂驐l件下，以上品種表現(xiàn)出不同程度的早疫病敏感性，為研究提供了豐富的數(shù)據(jù)。試驗樣本包括300 片表現(xiàn)早疫病癥狀的馬鈴薯葉片和50 片健康葉片（作為對照組），并使用佳能5DMAREⅡ照相機對采集的葉片進行拍攝，獲取高質(zhì)量圖像數(shù)據(jù)。拍攝確保葉片與相機鏡頭保持平行，避免因角度不當(dāng)引起的圖像變形。相機設(shè)置采用9 焦點模式、5 616×3 744 分辨率進行拍攝，以獲得高清晰度的圖像，便于后續(xù)的圖像處理和分析。

1.2 儀器設(shè)備

本試驗所應(yīng)用儀器設(shè)備如表1所示。

表1 試驗所需儀器設(shè)備Tab.1 Required instruments and equipment for the test

2 試驗方法

本文所提出的基于“圖像+光譜”技術(shù)的馬鈴薯早疫病智能診斷方法共設(shè)計4 個步驟：首先，搜集并分析馬鈴薯早疫病的癥狀圖片；其次，對這些圖片進行預(yù)處理，包括病斑的增強、分割及特征提取；再次，從這些病斑圖像中提取出關(guān)鍵特征；最后，識別病斑特征的模式，以完成對馬鈴薯早疫病的準確診斷。病害圖像的數(shù)字化處理過程如圖1所示。

圖1 病害圖像數(shù)字化處理過程Fig.1 Digital processing process of disease images

2.1 馬鈴薯葉部病斑圖像顏色校正

在本次試驗中，為確保馬鈴薯葉部病斑圖像數(shù)據(jù)的真實性和一致性，采用白平衡調(diào)整與色彩校準兩個環(huán)節(jié)，進行病斑圖像顏色校正。

2.1.1 白平衡調(diào)整

為減少環(huán)境光源對圖像色彩的影響，首先進行白平衡調(diào)整。此步驟通過調(diào)整圖像中的紅、綠、藍三基色分量，使圖像中的白色或其他中性色在不同照明條件下保持一致。使用的公式為：

式中：R、G、B為原始圖像的紅、綠、藍分量；R′、G′、B′為調(diào)整后分量；Wr、Wg、Wb為參考白色的紅、綠、藍分量；Ravg、Gavg、Bavg為圖像紅、綠、藍分量的平均值。

通過此公式計算，可使圖像在不同光照條件下具有相同的色彩表現(xiàn)。

2.1.2 色彩校準

本次色彩校準采用色彩轉(zhuǎn)換矩陣配合多元線性回歸的方法，以提高試驗技術(shù)精度。

（1）建立一個色彩轉(zhuǎn)換矩陣。該矩陣基于標(biāo)準色卡中的顏色與實際捕捉圖像中對應(yīng)顏色之間的關(guān)系[2]。顏色轉(zhuǎn)換矩陣M通過以下公式計算得出：

矩陣M為3×3 矩陣，通過比較標(biāo)準色卡和拍攝圖像中相同顏色的RGB值，使用最小二乘法計算得出。

（2）采用多元線性回歸方法。此方法通過建立每個顏色通道（紅、綠、藍）的線性模型來調(diào)整色彩，模型如下：

式中：R、G、B分別代表原始圖像的紅、綠、藍通道值；R′、G′、B′為校正后的通道值；系數(shù)a、b、c、d通過多元線性回歸分析確定。

2.2 馬鈴薯早疫病病葉數(shù)字圖像裁剪

在本次試驗中，馬鈴薯早疫病病葉的數(shù)字圖像裁剪過程采用了專業(yè)的圖像處理軟件Adobe Photoshop。該軟件具備高級圖像編輯功能，能精準地處理和裁剪圖像，確保裁剪結(jié)果的準確性和可靠性[3]。首先，將采集的馬鈴薯病葉原始圖像導(dǎo)入到Adobe Photoshop。在圖像導(dǎo)入后，使用軟件中的選擇工具，如套索工具或魔術(shù)棒工具，準確地標(biāo)定出含有病斑的葉部區(qū)域。此步驟是基于病斑的顏色、形狀和大小進行的，確保僅選定與研究目的相關(guān)的區(qū)域。其次，執(zhí)行裁剪命令，精確去除圖像中的非目標(biāo)區(qū)域，僅保留包含病斑的葉部。裁剪操作要確保圖像中的病斑區(qū)域得到完整保留，同時去除不相關(guān)的背景或其他非目標(biāo)元素。裁剪后的圖像需要額外調(diào)整，例如圖像的縮放或旋轉(zhuǎn)，以保證所有裁剪后的圖像具有一致的尺寸和方向，為后續(xù)的病斑特征分析和模式識別提供標(biāo)準化的輸入。

2.3 馬鈴薯早疫病病斑數(shù)字圖像灰度化處理

灰度化處理的主要目的是將彩色圖像轉(zhuǎn)換成灰度圖像，以簡化圖像數(shù)據(jù)并突出病斑區(qū)域的紋理特征，便于后續(xù)的圖像分析和特征提取。本次試驗灰度化處理通過將RGB（紅、綠、藍）彩色模式轉(zhuǎn)換為單色灰度模式來實現(xiàn)。該過程涉及到顏色信息的壓縮，其中每個像素的彩色值被轉(zhuǎn)換為一個灰度值[4]。轉(zhuǎn)換公式如下：

式中：R、G、B代表原始圖像像素點中紅、綠、藍的不同分量；Y為轉(zhuǎn)換后的唯一灰度值。

2.4 馬鈴薯早疫病病斑圖像增強

圖像增強旨在提高圖像質(zhì)量，使病斑的特征更加明顯，從而便于后續(xù)的識別與分析。本試驗中采用直方圖均衡化和銳化處理，應(yīng)用直方圖均衡化來改善圖像的整體對比度，隨后使用銳化處理來突出病斑的邊緣和紋理細節(jié)，以改善圖像的視覺效果和分析效率[5]。

2.4.1 直方圖均衡化

直方圖均衡化是一種廣泛應(yīng)用于圖像增強的技術(shù)，主要通過改變圖像的亮度分布來提升圖像對比度。該技術(shù)的操作基于圖像的直方圖，旨在把原始圖像的直方圖調(diào)整成一個大致均勻的分布，以此來增強圖像整體的對比度效果。直方圖均衡化的公式如下：

式中：h(v)為原始圖像的直方圖；cumsum(h(v))表示累積直方圖；total_pixels為圖像中的總像素數(shù)；L為灰度級別的數(shù)量；H(v)為均衡化后的直方圖[6]。

2.4.2 銳化處理

除了直方圖均衡化，本試驗還采用了銳化處理來增強圖像的邊緣和紋理細節(jié)。銳化處理通過增強圖像中的高頻成分來實現(xiàn)，使圖像看起來更加清晰。常用的銳化技術(shù)包括使用拉普拉斯算子或高通濾波器。銳化的基本公式可以表示為：

式中：I為原始圖像，L×I表示經(jīng)過拉普拉斯算子處理后的圖像；k為增強系數(shù)；I′為最終的銳化圖像。

2.5 馬鈴薯早疫病病斑模式識別

在本次試驗中，馬鈴薯早疫病病斑模式識別通過結(jié)合高級圖像處理技術(shù)和機器學(xué)習(xí)算法得以實現(xiàn)。首先，利用圖像處理軟件MATLAB 進行了病斑的特征提取，包括形狀、大小、顏色和紋理等參數(shù)。其中，形態(tài)學(xué)運算用于分析病斑的形狀和大小，色彩空間轉(zhuǎn)換用于提取顏色特征，灰度共生矩陣（GLCM）分析病斑的紋理特性[7]。隨后，提取出的特征被用作支持向量機（SVM）和卷積神經(jīng)網(wǎng)絡(luò)（CNN）兩種機器學(xué)習(xí)模型的輸入數(shù)據(jù)，通過在Python 環(huán)境中進行模型的構(gòu)建和訓(xùn)練，完成對新的圖像樣本進行分類和識別。

3 結(jié)果與分析

3.1 馬鈴薯早疫病樣本獲取

在本次試驗中，建立了一套完備的光照采集系統(tǒng)，如圖2所示。試驗中，數(shù)碼相機拍攝的照片被上傳到計算機系統(tǒng)，創(chuàng)建了一個包含馬鈴薯葉部病害的數(shù)字圖像數(shù)據(jù)庫，為之后的病害診斷提供了重要的數(shù)據(jù)支持。采集的馬鈴薯早疫病病害圖像如圖3所示。

圖2 計算機視覺數(shù)字圖像采集設(shè)備Fig.2 Computer vision digital image acquisition equipment

圖3 馬鈴薯早疫病病狀圖Fig.3 Potato early blight disease symptom map

3.2 馬鈴薯早疫病病斑圖像顏色校正結(jié)果

在本次試驗中，為了確保馬鈴薯早疫病葉片圖像的顏色一致性和標(biāo)準化，采用了白平衡調(diào)整與色彩校準兩種校準方法，校準后的圖像如圖4所示。

圖4 馬鈴薯圖像顏色校正圖像Fig.4 Potato image color correction image

通過比較校正前后的效果，無論是掃描儀還是照相機拍攝的灰卡圖像，在應(yīng)用顏色校正公式后，均能獲得一致的效果。說明本次系統(tǒng)中使用的校正算法對不同的光照條件有很好的適應(yīng)性，能夠有效地使馬鈴薯葉片的圖像在各種光線環(huán)境下保持一致的色彩表現(xiàn)。通過這種算法校正，即使在變化的光照條件下，也可達到較好的圖像色彩效果。

3.3 馬鈴薯早疫病病葉數(shù)字圖像裁剪效果

通過使用Adobe Photoshop 軟件，對圖像進行裁剪，實現(xiàn)了馬鈴薯早疫病目標(biāo)圖像與復(fù)雜背景的剝離，成果如圖5所示。

圖5 馬鈴薯早疫病受影響葉片的數(shù)字圖像裁剪效果Fig.5 Digital image cropping effect of potato early blight affected leaves

3.4 馬鈴薯早疫病病斑數(shù)字圖像灰度化處理效果

對處理后獲得的病斑區(qū)域再次進行灰度化處理，生成了基于RGB 和HIS 顏色模型的6 個不同通道的灰度圖像（如圖6所示）。

圖6 馬鈴薯早疫病病斑圖像灰度化處理Fig.6 Grayscale processing of potato early blight lesion images

經(jīng)過仔細比對和分析這些圖像，觀察到在RGB 模型中，所采用此R 通道灰度化的圖像可清晰展示馬鈴薯早疫病病斑的邊界，并保留了較為完整的細節(jié)特征。此發(fā)現(xiàn)對于后期病斑特征分析與提取較為有利。同時考慮R 通道灰度化圖像在揭示病斑特征方面的明顯優(yōu)勢，試驗決定使用R 通道的圖像進行馬鈴薯病斑的進一步分析和處理。

3.5 馬鈴薯早疫病病斑圖像增強效果

將灰度化處理后的病斑圖像，采用直方圖均衡化和銳化處理進行圖像增強處理，結(jié)果如圖7所示。

圖7 馬鈴薯早疫病病斑增強圖像Fig.7 Enhanced images of potato early blight lesions

3.6 馬鈴薯早疫病病斑模式識別

在本次試驗中，對于馬鈴薯早疫病病斑模式的識別結(jié)果表現(xiàn)出了顯著的準確性和效率。試驗共處理了350 片葉片樣本，其中包含300 片表現(xiàn)早疫病癥狀的葉片和50片健康葉片作為對照組。通過應(yīng)用支持向量機（SVM）和卷積神經(jīng)網(wǎng)絡(luò)（CNN）兩種機器學(xué)習(xí)模型，成功地對病斑葉片進行了有效識別。

在使用SVM 模型識別時，早疫病識別準確率大約在92%，表明了該模型在病斑識別上的可靠性。在應(yīng)用CNN 模型時，識別準確率提升至大約95%，顯示出更高的診斷效能。特別是在提取病斑的形狀和紋理特征方面，CNN 模型展現(xiàn)出了更為精細和深入的分析能力。而在健康葉片的識別方面，準確率達到了接近98%，進一步驗證了模型的有效性和魯棒性。且試驗僅存在少量的錯誤分類，包括SVM 模型中大約24 例誤判，CNN模型中約17例誤判，在總體樣本量中占比較小。

綜合來看，本次試驗中應(yīng)用的“圖像+光譜”技術(shù)在馬鈴薯早疫病病斑的模式識別上展現(xiàn)出了高效和精準的特點。其中CNN模型更是在處理復(fù)雜圖像和特征時表現(xiàn)出了卓越的性能，為馬鈴薯早疫病的早期診斷和智能化處理提供了強有力的技術(shù)支持。此項技術(shù)的成功應(yīng)用，對于提高農(nóng)業(yè)生產(chǎn)中病害診斷的效率和準確性，具有重要的實際意義。

4 結(jié)語

綜上所述，為實現(xiàn)馬鈴薯早疫病的智能化診斷，本文提出了基于“圖像+光譜”的智能化診斷方法。此方法通過高效地收集和處理馬鈴薯早疫病病斑的相關(guān)圖像信息，包括數(shù)字化處理、顏色校正和圖像裁剪等關(guān)鍵步驟，有效地提取了病斑的關(guān)鍵特征。此外，利用先進的機器學(xué)習(xí)技術(shù)，如支持向量機和卷積神經(jīng)網(wǎng)絡(luò)，實現(xiàn)了對馬鈴薯早疫病病斑模式的高精度識別和自動診斷。此方法不僅可提高了馬鈴薯早疫病診斷的準確性和效率，而且還能為智能化植物病害監(jiān)測和預(yù)警提供了全新的技術(shù)途徑。