基于主分量分析苹果叶部3种常见病害识别方法.docVIP

基于主分量分析苹果叶部3种常见病害识别方法 　　摘要：苹果叶部的3种常见病害（斑点落叶病、花叶病和锈病）严重影响苹果的产量和质量。病害识别是病害防治的基础，传统的苹果病害识别方法不能有效选择病害的分类特征。基于主分量分析算法，提出一种叶片颜色、形状和纹理特征相结合的苹果病害识别方法。首先对苹果病害叶片图像进行预处理，降低图像干扰；然后利用改进的分水岭方法分割病斑，提取病斑图像的颜色、形状和纹理特征，组成特征矩阵；再利用主分量分析（PCA）对该矩阵进行维数约简，得到低维分类特征；最后利用BP神经网络识别苹果的3种病害类型。结果表明，该方法能够有效识别苹果的3种病害，平均识别率超过94%。 　　关键词：苹果病害识别；特征提取；主分量分析（PCA）；BP神经网络 　　中图分类号： S126； TP391. 41 文献标志码： A 　　文章编号：1002-1302（2016）09-0337-04 　　苹果含有丰富的碳水化合物、维生素、微量元素和果胶等，是世界水果中产量和消费以及益处最多的水果之一。但是，苹果病害严重影响了苹果的产量和质量[1-3]。当前，西部广大果农病害防治技术水平不高，防治粗放，农药乱配滥用现象比较普遍，造成果品农药残留超标，果品质量下降，且防治成本大。要防治苹果病害，首先要识别病害类型[4-8]。叶片是很容易观察、采集和处理的部位，也是一般苹果病害症状首先出现的部位。因此，多年来苹果叶片症状是果农和植保人员诊断病害的重要依据之一。目前苹果病害诊断大多采用经验定性诊断方法。该方法的主观性较强，对专家的依赖性较高，容易混淆症状相似的病害。为了准确识别病害，计算机图像处理是一种很好的方法，但由于苹果病害种类多，病害叶片形状及叶片病斑的颜色、纹理和形状的差异性大，呈现出复杂、多样、无规则的特点，使得目前很多病害识别方法的效果不理想[5，9-11]。 　　本研究提出一种基于主分量分析（PCA）的苹果病害叶片的颜色、形状和纹理特征相结合的苹果病害识别方法，该方法综合提取苹果病害叶片图像的多种分类特征，然后利用PCA进行维数约简，再利用BP神经网络进行训练，实现对苹果病害的快速分类识别。 　　1 材料与方法 　　为了研究基于苹果病害叶片图像处理的苹果病害识别的方法，选用了3 种易混淆的常见苹果病害：斑点落叶病、花叶病和锈病为研究对象。苹果斑点落叶病危害叶片，造成早落，叶片染病初期出现褐色圆点，其后逐渐扩大为红褐色；苹果花叶病主要在叶片上形成环斑型、狼斑型等各种类型的鲜黄色病斑；苹果锈病叶片初患病正面出现油亮的橘红色小斑点，逐渐扩大，形成圆形橙黄色的病斑，内含大量褐色粉末状锈孢子。肉眼不容易区分斑点落叶病和锈病2种病害。本研究所使用的这3种苹果病害叶片图像均是在西北农林科技大学苹果园利用佳能EOS 700D单反数码相机在上午10：00―11：00时间段采集得到。为了便于后续处理，以灰色纸片作为背景色，在自然光照的非强光条件下对自然发病的苹果叶片进行活体图像采集，得到苹果病害叶片数字图像。拍摄时尽量使相机的镜头与苹果叶面所在的平面平行，使光线在苹果叶片上均匀分布，避免产生明显的形变。为了使测量准确，每次采集叶片图像时，尽量使苹果叶片充满整个画面。由于拍摄环境的影响，采集到的有些叶片图像难免存在阴影和大量噪声。因此，在采集到的数字叶片图像中挑选出光照较均匀的图像各50幅作为试验的样本图像。图1为试验中采集到的苹果常见3种病害叶片图像实例，图像格式为BMP，图像宽度为320像素、高度为240像素。 　　2 苹果病害叶片图像预处理 　　苹果病害叶片图像的质量直接影响后续的病害识别率。在叶片图像采集过程中，由于受到采集设备、环境等影响，图像存在分辨率低、背景复杂、病斑边缘模糊等特点。所以，需要对病害叶片图像进行预处理。常用的病害叶片图像预处理操作有图像格式转化、图像去噪、图像增强、削弱图像中颜色、叶柄、虫洞等无用或干扰信息，使病斑区域的特征更明显。为了有效去除噪声，较好地保留图像的细节并突出病斑特征，在试验对比的基础上，首先选用自适应直方图均衡化方法，扩展叶片图像灰度范围，对叶片图像进行对比度增强，然后选用叶片彩色图像中值滤波方法，即在叶片图像的R、G、B通道上分别应用中值滤波方法滤波后，再进行通道融合，得到滤波后的彩色图像，较好地抑制叶片图像的噪声，保留叶片图像的分类信息。再利用Top-Hat方法与归一化彩色空间法相结合，可使不同光照度下所采集的叶片图像的R、G、B通道数据处理结果差异很小，以此降低图像亮度对色彩的影响。图2为叶片图像预处理流程。 　　3 苹果叶片图像病斑分割 　　病斑图像分割是病害叶片图像分析与模式识别中一个重要的环节，病斑分割的好坏直接影响后续特征提取与识别结果。本研究的对象是自然环境下拍摄的