基于计算机视觉葡萄叶部病害识别研究.docVIP

基于计算机视觉葡萄叶部病害识别研究 　　摘要：利用数字图像处理和支持向量机技术实现对植物叶部常见病害的自动识别，以葡萄叶部常见的白粉病、黑腐病、霜霉病为研究对象，对采集的图像进行预处理后，提取病斑区域形状、颜色和纹理的共15个特征，利用支持向量机分类器对葡萄叶部常见病害进行分类识别。结果表明，与其他核函数相比，径向基核函数对葡萄叶部病害测试样本的识别率最高，正确率达95.00%，说明利用计算机视觉技术实现对葡萄叶部常见病害的自动识别是可行的；通过多次试验可以得出，利用多特征组合进行识别可以有效地提高葡萄叶部常见病害的识别准确率。 　　关键词：葡萄病害；形状特征；颜色矩；灰度共生矩阵；支持向量机 　　中图分类号： TP391.41文献标志码： A文章编号：1002-1302（2017）23-0222-03 　　随着机器视觉技术的不断发展，植物病害的自动识别与诊断作为农业现代化发展的重要一环已经成为国内外专家学者的研究热点，应用前景十分广阔[1]。国内外的专家学者已经利用机器视觉技术在黄瓜、大麦、棉花等作物上进行了相关病虫害识别的研究，Yao等利用描述颜色特征的直方图和描述纹理特征的色调、饱和度、数值（hue saturation value，HSV）、颜色空间的共生矩阵实现对病害特征的提取，然后对多特征进行了筛选[2]；杨倩等采用颜色矩提取病斑颜色特征，应用改进的局部二值化模式（local binary patterns，LBP）提取病斑纹理特征，通过支持向量机（support vector machine，SVM）实现对大麦病害的识别[3]；刘涛等采用改进的均值漂移（mean shift）图像分割对水稻病斑进行准确分割，通过支持向量机对水稻15种病斑进行准确分类[4]；李冠林等利用K-means硬聚类实现病斑分割，采用SVM实现对小麦锈病的识别[5]。 　　本研究旨在利用数字图像处理相关技术对葡萄叶部白粉病、黑腐病、霜霉病图像进行预处理以及特征提取，并采用多特征组合的方式通过SVM对病斑进行分类识别测试。本研究是在OpenCV开发环境下，利用C++语言编程来实现上述数字图像处理及分类识别等算法的开发，为后期将图像移植到嵌入式平台奠定基础。 　　1图像预处理及识别流程 　　1.1图像预处理 　　采集葡萄的白粉病、霜霉病和黑腐病3种病害及正常图像（对照）共200幅，训练样本、测试样本各占用其中120、80幅。经过处理后图像格式为JPEG，分辨率为400×400。 　　在进行图像病斑特征采集之前，须要对图像进行滤波去噪、灰度化、二值化和图像病斑分割等预处理[6]。考虑到图像采集过程中灰尘、水雾等因素可能会对采集到的图像产生噪声，影响对病斑的识别效果，本研究采用3×3中值滤波对图像进行去噪处理。经过多次试验得出，提取原病害图像红（R）、绿（G）、蓝（B）3个通道的B通道图像，最大类间方差（Otsu）阈值分割法[7]对原图像植物病斑的分割效果最好，符合后期处理的要求。葡萄白粉病、霜霉病和黑腐病灰度化图像以及病斑分割后二值化图像的结果如图1所示。 　　1.2识别流程 　　将采集到的图像进行预处理后，可以得到葡萄叶片的灰度图像、RGB 3个通道的分量图像及病斑二值化图像。然后分别对灰度图像求灰度共生矩阵，直接计算RGB 3个通道的颜色矩，通过病斑二值化图像计算葡萄叶部病害的纹理、颜色和形状特征。具体识别流程如图2所示。 　　2叶部病斑特征提取 　　2.1形状特征提取 　　一般对形状特征的提取是指对旋转、位移和尺度变换不敏感的高层次视觉特征的提取，它主要体现被提取对象的几何形状[8]。常见的形状特征包括病斑数量（C），主要是对病害叶片的病斑数量进行计算；面积（A），主要通过计算病斑区域内的像素总和来描述；周长（L），主要通过病斑部位边界线上像素之间的距离之和来描述；长轴（W）短轴（H）比，主要通过病斑区域的最小外接矩的长轴、短轴的比值来描述[9]。 　　由于上述特征不完全具有旋转、平移和尺度不变性，这样就不能较好地表达病斑的形状特征，因此，可以根据上述特征 　　得出5个可以较好地描述形状特征的参数[10]。矩形度R1=A/（H×W），为目标面积与其最小外接矩的面积之比，反映了目标对其最小外接矩的充斥程度；圆形度R2=4πA/L2，可以用来描述目标区域的粗糙程度；形状复杂度R3=L2/A，可以用来描述区域的离散程度；内接圆半径R4=2A/L，为目标区域面积与周长比的2倍；伸长度R5=H/W，可以用?砻枋瞿勘昵?域的紧凑性。这5个形状特征具有旋转、平移和尺度不变性，可以准确地表达病斑的形态、粗糙程度、紧凑度等信息，这样就可以得到5个形状特征的参数。 　　2.2颜色特征提取 　　颜色矩是描述颜色特征的主要方法之