基于植物葉片圖像的植物病害檢測方法

尚怡君　張善文　張云龍

摘要：對植物病害準確、快速的識別是對植物病害采取防治措施的基礎，同時對災害評估也具有積極意義。在判別局部保持映射（DLPP）的基礎上，提出了1種植物病害識別方法。該方法試圖找到1個映射矩陣，使得高維數據映射后，在低維子空間同類樣本之間的距離最小，而異類樣本之間的距離最大，由此提高算法的識別率。采用該算法對3種常見玉米葉部病害的圖像進行分類試驗，并與其他植物病害識別算法進行比較。結果表明，DLPP對玉米病害的識別是有效可行的，識別精度高達85.5%。

關鍵詞：植物病害識別；維數約簡；最近鄰分類器；監督局部保持映射

中圖分類號： TP391.41；S126 文獻標志碼： A 文章編號：1002-1302（2014）04-0340-03

收稿日期：2013-08-19

基金項目：國家自然科學基金（編號：61272333）；河南省科技攻關計劃（編號：122102210429）；西亞斯國際學院引進人才項目（編號：2012YJRC01、2012YJRC02）。

作者簡介：尚怡君（1983—），女，河南鄭州人，博士研究生，從事模式識別及其應用。E-mail：wjdw716@163.com。植物病害的預測、預報是有效防治和控制植物病害發生和發展的重要依據，是植物病害管理的重要組成部分，對農林生產的管理和決策起著重要作用。植物病害預測預報是一門應用性很強的學科，傳統的植物病害分類與識別主要靠有經驗的生產者或植保專家基于一定的標準，在田間肉眼觀察獲得。該方法耗時、費力、預報滯后，且不宜在大范圍內展開，無法進行實時、快速的病害識別。隨著圖像處理和模式識別理論的發展，為基于葉片圖像的植物病害識別研究提供了科學依據，也取得了很多研究成果。（1）以病害葉片顏色特征作為判別依據，可以確定常態部分和病態部分的閾值，區別植物病害種類。岑喆鑫等利用圖像的顏色統計特征對來自不同時期的病害樣本圖像進行分類和識別，采用逐步判別分析，選取顯著性較大的特征參量，建立起黃瓜炭疽病、黃瓜褐斑病和無病區域的分類器模型[1]。（2）病斑的形狀、紋理可以作為植物病害的判別因子[2-3]。田有文等對番茄植物病斑形狀識別試驗的分析結果表明，支持向量機分類方法適合于植物病斑復雜形狀的分類問題，該方法在訓練樣本較少時具有良好的分類能力和泛化能力；不同分類核函數的相互比較分析結果表明，線性核函數最適合于植物病斑的形狀識別[2]。姜淑華等研究了利用分形理論對農作物病變葉片自然紋理圖像進行了處理，利用BP網絡來實現自然紋理圖像的分類問題，提出了一種紋理特征性能的比較方法[3]。但由于提取的都是單變量特征參數，得到的準確率不高，達不到推廣應用的要求。（3）隨著植物病害檢測研究的深入，人們認識到植物病害癥狀的復雜性，開始綜合了植物病害的形狀、紋理、顏色信息，建立了能夠完成植物病害種類判別的多層次模式識別模型，進行多變量特征參數的提取[4-11]。柴阿麗等以計算機視覺技術為手段，結合圖像處理和模式識別技術，研究了番茄早疫病、晚疫病、葉霉病和棒孢葉斑病等4種葉部病害的自動識別方法[4]。程鵬飛以計算機圖像處理技術為重要技術手段，綜合運用圖像處理、色度學、模式識別等方面的知識，進行了利用計算機圖像處理技術進行作物病變診斷的方法研究[5]。趙玉霞等根據玉米葉部病害特點，綜合應用閾值法、區域標記方法與Freeman鏈碼法，對玉米葉部病害圖片進行圖像分割、統計病斑個數、去除冗余斑點、計算病斑形狀特征，最后根據二叉檢索法推斷病害[6]。李波等用主成分分析技術（PCA）對光譜波段進行壓縮，獲得主分量光譜，最后結合概率神經網絡（PNN）對水稻干尖線蟲病和水稻縱卷葉螟進行識別[7]。岑喆鑫等研究了適合于植物病害自動診斷的多變量特征定量提取方法和模式識別算法。上述這些方法為植物病害的智能化、自動化檢測提供了理論依據[8]。但這些方法基本上屬于統計或線性特征提取方法，不能有效處理非線性的葉片圖像。本研究在借鑒前人經驗的基礎上，將監督局部保持映射的維數約簡方法與最近鄰分類器相結合，提出了一種基于葉片圖像的植物病害識別方法。

1監督局部保持映射（DLPP）

3結論

本研究提出了一種基于DLPP算法的植物病害識別方法。利用該方法能夠有效地對葉片病害圖像進行維數約簡，使得在低維子空間同類樣本之間的距離變小，而異類樣本之間的距離增大，由此提高算法的分類能力。在真實玉米病害葉片圖像數據庫上進行了實驗，結果表明該方法是有效可行的。由于葉片病斑圖像的復雜、多樣性，使得病害葉片圖像的分割沒有更好的方法，而且由于病害葉片圖像有其自身的特性，對其描述的意義有時無法與葉片圖像目標物的特征建立聯系，因此還需要進一步研究病害葉片圖像分割和維數約簡方法，并有效地運用于植物病害識別，以提高病害識別精度。

參考文獻：

[1]岑喆鑫，李寶聚，石延霞，等. 基于彩色圖像顏色統計特征的黃瓜炭疽病和褐斑病的識別研究[J]. 園藝學報，2007，34（6）：1425-1430.

[2]田有文，張長水，李成華. 支持向量機在植物病斑形狀識別中的應用研究[J]. 農業工程學報，2004，20（3）：134-136.

[3]姜淑華，田有文，孫海波. 農作物病害危害程度自動測定與分級的研究[J]. 農機化研究，2007（5）：61-63.

[4]柴阿麗，李寶聚，石延霞，等. 基于計算機視覺技術的番茄葉部病害識別[J]. 園藝學報，2010，37（9）：1423-1430.

[5]程鵬飛. 植物病害的圖像處理及特征值提取方法的研究[D]. 太谷：山西農業大學，2005.

[6]趙玉霞，王克如，白中英，等. 基于圖像識別的玉米葉部病害診斷研究[J]. 中國農業科學，2007，40（4）：698-703.

[7]李波，劉占宇，黃敬峰，等. 基于PCA和PNN的水稻病蟲害高光譜識別[J]. 農業工程學報，2009，25（9）：143-147.

[8]岑喆鑫，李寶聚，石延霞，等. 基于彩色圖像顏色統計特征的黃瓜炭疽病和褐斑病的識別研究[J]. 園藝學報，2007，34（6）：1425-1430.

[9]Camargo A，Smith J S. An image-processing based algorithm to automatically identify plant disease visual symptoms[J]. Biosystems Engineering，2009，102（1）：9-21.

[10]Ydipati R P，Burks T F，Lee W S. Statistical and neural network classifiers for citrus disease detection using machine vision[J]. Transactions of the ASAE，2005，48（5）：2007-2014.

[11]施偉民，楊昔陽，李志偉. 基于半監督模糊聚類的黃瓜霜霉病受害程度識別研究[J]. 福建師范大學學報：自然科學版，2012，28（1）：33-37.

[12]譚峰，馬曉丹. 基于葉片的植物病蟲害識別方法[J]. 農機化研究，2009（6）：41-43.

[13]趙玉霞，王克如，白中英，等. 貝葉斯方法在玉米葉部病害圖像識別中的應用[J]. 計算機工程與應用，2007，43（5）：193-195.

[14]鄭小東，王曉潔，趙中堂.基于形狀特征的植物葉柄與葉片分割算法[J]. 計算機工程與設計，2010，31（4）：918.

[15]王祥科，鄭志強. Otsu多閾值快速分割算法及其在彩色圖像中的應用[J]. 計算機應用，2006（增刊1）：14-15.

摘要：對植物病害準確、快速的識別是對植物病害采取防治措施的基礎，同時對災害評估也具有積極意義。在判別局部保持映射（DLPP）的基礎上，提出了1種植物病害識別方法。該方法試圖找到1個映射矩陣，使得高維數據映射后，在低維子空間同類樣本之間的距離最小，而異類樣本之間的距離最大，由此提高算法的識別率。采用該算法對3種常見玉米葉部病害的圖像進行分類試驗，并與其他植物病害識別算法進行比較。結果表明，DLPP對玉米病害的識別是有效可行的，識別精度高達85.5%。

關鍵詞：植物病害識別；維數約簡；最近鄰分類器；監督局部保持映射

中圖分類號： TP391.41；S126 文獻標志碼： A 文章編號：1002-1302（2014）04-0340-03

收稿日期：2013-08-19

基金項目：國家自然科學基金（編號：61272333）；河南省科技攻關計劃（編號：122102210429）；西亞斯國際學院引進人才項目（編號：2012YJRC01、2012YJRC02）。

作者簡介：尚怡君（1983—），女，河南鄭州人，博士研究生，從事模式識別及其應用。E-mail：wjdw716@163.com。植物病害的預測、預報是有效防治和控制植物病害發生和發展的重要依據，是植物病害管理的重要組成部分，對農林生產的管理和決策起著重要作用。植物病害預測預報是一門應用性很強的學科，傳統的植物病害分類與識別主要靠有經驗的生產者或植保專家基于一定的標準，在田間肉眼觀察獲得。該方法耗時、費力、預報滯后，且不宜在大范圍內展開，無法進行實時、快速的病害識別。隨著圖像處理和模式識別理論的發展，為基于葉片圖像的植物病害識別研究提供了科學依據，也取得了很多研究成果。（1）以病害葉片顏色特征作為判別依據，可以確定常態部分和病態部分的閾值，區別植物病害種類。岑喆鑫等利用圖像的顏色統計特征對來自不同時期的病害樣本圖像進行分類和識別，采用逐步判別分析，選取顯著性較大的特征參量，建立起黃瓜炭疽病、黃瓜褐斑病和無病區域的分類器模型[1]。（2）病斑的形狀、紋理可以作為植物病害的判別因子[2-3]。田有文等對番茄植物病斑形狀識別試驗的分析結果表明，支持向量機分類方法適合于植物病斑復雜形狀的分類問題，該方法在訓練樣本較少時具有良好的分類能力和泛化能力；不同分類核函數的相互比較分析結果表明，線性核函數最適合于植物病斑的形狀識別[2]。姜淑華等研究了利用分形理論對農作物病變葉片自然紋理圖像進行了處理，利用BP網絡來實現自然紋理圖像的分類問題，提出了一種紋理特征性能的比較方法[3]。但由于提取的都是單變量特征參數，得到的準確率不高，達不到推廣應用的要求。（3）隨著植物病害檢測研究的深入，人們認識到植物病害癥狀的復雜性，開始綜合了植物病害的形狀、紋理、顏色信息，建立了能夠完成植物病害種類判別的多層次模式識別模型，進行多變量特征參數的提取[4-11]。柴阿麗等以計算機視覺技術為手段，結合圖像處理和模式識別技術，研究了番茄早疫病、晚疫病、葉霉病和棒孢葉斑病等4種葉部病害的自動識別方法[4]。程鵬飛以計算機圖像處理技術為重要技術手段，綜合運用圖像處理、色度學、模式識別等方面的知識，進行了利用計算機圖像處理技術進行作物病變診斷的方法研究[5]。趙玉霞等根據玉米葉部病害特點，綜合應用閾值法、區域標記方法與Freeman鏈碼法，對玉米葉部病害圖片進行圖像分割、統計病斑個數、去除冗余斑點、計算病斑形狀特征，最后根據二叉檢索法推斷病害[6]。李波等用主成分分析技術（PCA）對光譜波段進行壓縮，獲得主分量光譜，最后結合概率神經網絡（PNN）對水稻干尖線蟲病和水稻縱卷葉螟進行識別[7]。岑喆鑫等研究了適合于植物病害自動診斷的多變量特征定量提取方法和模式識別算法。上述這些方法為植物病害的智能化、自動化檢測提供了理論依據[8]。但這些方法基本上屬于統計或線性特征提取方法，不能有效處理非線性的葉片圖像。本研究在借鑒前人經驗的基礎上，將監督局部保持映射的維數約簡方法與最近鄰分類器相結合，提出了一種基于葉片圖像的植物病害識別方法。

1監督局部保持映射（DLPP）

3結論

本研究提出了一種基于DLPP算法的植物病害識別方法。利用該方法能夠有效地對葉片病害圖像進行維數約簡，使得在低維子空間同類樣本之間的距離變小，而異類樣本之間的距離增大，由此提高算法的分類能力。在真實玉米病害葉片圖像數據庫上進行了實驗，結果表明該方法是有效可行的。由于葉片病斑圖像的復雜、多樣性，使得病害葉片圖像的分割沒有更好的方法，而且由于病害葉片圖像有其自身的特性，對其描述的意義有時無法與葉片圖像目標物的特征建立聯系，因此還需要進一步研究病害葉片圖像分割和維數約簡方法，并有效地運用于植物病害識別，以提高病害識別精度。

參考文獻：

[1]岑喆鑫，李寶聚，石延霞，等. 基于彩色圖像顏色統計特征的黃瓜炭疽病和褐斑病的識別研究[J]. 園藝學報，2007，34（6）：1425-1430.

[2]田有文，張長水，李成華. 支持向量機在植物病斑形狀識別中的應用研究[J]. 農業工程學報，2004，20（3）：134-136.

[3]姜淑華，田有文，孫海波. 農作物病害危害程度自動測定與分級的研究[J]. 農機化研究，2007（5）：61-63.

[4]柴阿麗，李寶聚，石延霞，等. 基于計算機視覺技術的番茄葉部病害識別[J]. 園藝學報，2010，37（9）：1423-1430.

[5]程鵬飛. 植物病害的圖像處理及特征值提取方法的研究[D]. 太谷：山西農業大學，2005.

[6]趙玉霞，王克如，白中英，等. 基于圖像識別的玉米葉部病害診斷研究[J]. 中國農業科學，2007，40（4）：698-703.

[7]李波，劉占宇，黃敬峰，等. 基于PCA和PNN的水稻病蟲害高光譜識別[J]. 農業工程學報，2009，25（9）：143-147.

[8]岑喆鑫，李寶聚，石延霞，等. 基于彩色圖像顏色統計特征的黃瓜炭疽病和褐斑病的識別研究[J]. 園藝學報，2007，34（6）：1425-1430.

[9]Camargo A，Smith J S. An image-processing based algorithm to automatically identify plant disease visual symptoms[J]. Biosystems Engineering，2009，102（1）：9-21.

[10]Ydipati R P，Burks T F，Lee W S. Statistical and neural network classifiers for citrus disease detection using machine vision[J]. Transactions of the ASAE，2005，48（5）：2007-2014.

[11]施偉民，楊昔陽，李志偉. 基于半監督模糊聚類的黃瓜霜霉病受害程度識別研究[J]. 福建師范大學學報：自然科學版，2012，28（1）：33-37.

[12]譚峰，馬曉丹. 基于葉片的植物病蟲害識別方法[J]. 農機化研究，2009（6）：41-43.

[13]趙玉霞，王克如，白中英，等. 貝葉斯方法在玉米葉部病害圖像識別中的應用[J]. 計算機工程與應用，2007，43（5）：193-195.

[14]鄭小東，王曉潔，趙中堂.基于形狀特征的植物葉柄與葉片分割算法[J]. 計算機工程與設計，2010，31（4）：918.

[15]王祥科，鄭志強. Otsu多閾值快速分割算法及其在彩色圖像中的應用[J]. 計算機應用，2006（增刊1）：14-15.

摘要：對植物病害準確、快速的識別是對植物病害采取防治措施的基礎，同時對災害評估也具有積極意義。在判別局部保持映射（DLPP）的基礎上，提出了1種植物病害識別方法。該方法試圖找到1個映射矩陣，使得高維數據映射后，在低維子空間同類樣本之間的距離最小，而異類樣本之間的距離最大，由此提高算法的識別率。采用該算法對3種常見玉米葉部病害的圖像進行分類試驗，并與其他植物病害識別算法進行比較。結果表明，DLPP對玉米病害的識別是有效可行的，識別精度高達85.5%。

關鍵詞：植物病害識別；維數約簡；最近鄰分類器；監督局部保持映射

中圖分類號： TP391.41；S126 文獻標志碼： A 文章編號：1002-1302（2014）04-0340-03

收稿日期：2013-08-19

基金項目：國家自然科學基金（編號：61272333）；河南省科技攻關計劃（編號：122102210429）；西亞斯國際學院引進人才項目（編號：2012YJRC01、2012YJRC02）。

作者簡介：尚怡君（1983—），女，河南鄭州人，博士研究生，從事模式識別及其應用。E-mail：wjdw716@163.com。植物病害的預測、預報是有效防治和控制植物病害發生和發展的重要依據，是植物病害管理的重要組成部分，對農林生產的管理和決策起著重要作用。植物病害預測預報是一門應用性很強的學科，傳統的植物病害分類與識別主要靠有經驗的生產者或植保專家基于一定的標準，在田間肉眼觀察獲得。該方法耗時、費力、預報滯后，且不宜在大范圍內展開，無法進行實時、快速的病害識別。隨著圖像處理和模式識別理論的發展，為基于葉片圖像的植物病害識別研究提供了科學依據，也取得了很多研究成果。（1）以病害葉片顏色特征作為判別依據，可以確定常態部分和病態部分的閾值，區別植物病害種類。岑喆鑫等利用圖像的顏色統計特征對來自不同時期的病害樣本圖像進行分類和識別，采用逐步判別分析，選取顯著性較大的特征參量，建立起黃瓜炭疽病、黃瓜褐斑病和無病區域的分類器模型[1]。（2）病斑的形狀、紋理可以作為植物病害的判別因子[2-3]。田有文等對番茄植物病斑形狀識別試驗的分析結果表明，支持向量機分類方法適合于植物病斑復雜形狀的分類問題，該方法在訓練樣本較少時具有良好的分類能力和泛化能力；不同分類核函數的相互比較分析結果表明，線性核函數最適合于植物病斑的形狀識別[2]。姜淑華等研究了利用分形理論對農作物病變葉片自然紋理圖像進行了處理，利用BP網絡來實現自然紋理圖像的分類問題，提出了一種紋理特征性能的比較方法[3]。但由于提取的都是單變量特征參數，得到的準確率不高，達不到推廣應用的要求。（3）隨著植物病害檢測研究的深入，人們認識到植物病害癥狀的復雜性，開始綜合了植物病害的形狀、紋理、顏色信息，建立了能夠完成植物病害種類判別的多層次模式識別模型，進行多變量特征參數的提取[4-11]。柴阿麗等以計算機視覺技術為手段，結合圖像處理和模式識別技術，研究了番茄早疫病、晚疫病、葉霉病和棒孢葉斑病等4種葉部病害的自動識別方法[4]。程鵬飛以計算機圖像處理技術為重要技術手段，綜合運用圖像處理、色度學、模式識別等方面的知識，進行了利用計算機圖像處理技術進行作物病變診斷的方法研究[5]。趙玉霞等根據玉米葉部病害特點，綜合應用閾值法、區域標記方法與Freeman鏈碼法，對玉米葉部病害圖片進行圖像分割、統計病斑個數、去除冗余斑點、計算病斑形狀特征，最后根據二叉檢索法推斷病害[6]。李波等用主成分分析技術（PCA）對光譜波段進行壓縮，獲得主分量光譜，最后結合概率神經網絡（PNN）對水稻干尖線蟲病和水稻縱卷葉螟進行識別[7]。岑喆鑫等研究了適合于植物病害自動診斷的多變量特征定量提取方法和模式識別算法。上述這些方法為植物病害的智能化、自動化檢測提供了理論依據[8]。但這些方法基本上屬于統計或線性特征提取方法，不能有效處理非線性的葉片圖像。本研究在借鑒前人經驗的基礎上，將監督局部保持映射的維數約簡方法與最近鄰分類器相結合，提出了一種基于葉片圖像的植物病害識別方法。

1監督局部保持映射（DLPP）

3結論

本研究提出了一種基于DLPP算法的植物病害識別方法。利用該方法能夠有效地對葉片病害圖像進行維數約簡，使得在低維子空間同類樣本之間的距離變小，而異類樣本之間的距離增大，由此提高算法的分類能力。在真實玉米病害葉片圖像數據庫上進行了實驗，結果表明該方法是有效可行的。由于葉片病斑圖像的復雜、多樣性，使得病害葉片圖像的分割沒有更好的方法，而且由于病害葉片圖像有其自身的特性，對其描述的意義有時無法與葉片圖像目標物的特征建立聯系，因此還需要進一步研究病害葉片圖像分割和維數約簡方法，并有效地運用于植物病害識別，以提高病害識別精度。

參考文獻：

[1]岑喆鑫，李寶聚，石延霞，等. 基于彩色圖像顏色統計特征的黃瓜炭疽病和褐斑病的識別研究[J]. 園藝學報，2007，34（6）：1425-1430.

[2]田有文，張長水，李成華. 支持向量機在植物病斑形狀識別中的應用研究[J]. 農業工程學報，2004，20（3）：134-136.

[3]姜淑華，田有文，孫海波. 農作物病害危害程度自動測定與分級的研究[J]. 農機化研究，2007（5）：61-63.

[4]柴阿麗，李寶聚，石延霞，等. 基于計算機視覺技術的番茄葉部病害識別[J]. 園藝學報，2010，37（9）：1423-1430.

[5]程鵬飛. 植物病害的圖像處理及特征值提取方法的研究[D]. 太谷：山西農業大學，2005.

[6]趙玉霞，王克如，白中英，等. 基于圖像識別的玉米葉部病害診斷研究[J]. 中國農業科學，2007，40（4）：698-703.

[7]李波，劉占宇，黃敬峰，等. 基于PCA和PNN的水稻病蟲害高光譜識別[J]. 農業工程學報，2009，25（9）：143-147.

[8]岑喆鑫，李寶聚，石延霞，等. 基于彩色圖像顏色統計特征的黃瓜炭疽病和褐斑病的識別研究[J]. 園藝學報，2007，34（6）：1425-1430.

[9]Camargo A，Smith J S. An image-processing based algorithm to automatically identify plant disease visual symptoms[J]. Biosystems Engineering，2009，102（1）：9-21.

[10]Ydipati R P，Burks T F，Lee W S. Statistical and neural network classifiers for citrus disease detection using machine vision[J]. Transactions of the ASAE，2005，48（5）：2007-2014.

[11]施偉民，楊昔陽，李志偉. 基于半監督模糊聚類的黃瓜霜霉病受害程度識別研究[J]. 福建師范大學學報：自然科學版，2012，28（1）：33-37.

[12]譚峰，馬曉丹. 基于葉片的植物病蟲害識別方法[J]. 農機化研究，2009（6）：41-43.

[13]趙玉霞，王克如，白中英，等. 貝葉斯方法在玉米葉部病害圖像識別中的應用[J]. 計算機工程與應用，2007，43（5）：193-195.

[14]鄭小東，王曉潔，趙中堂.基于形狀特征的植物葉柄與葉片分割算法[J]. 計算機工程與設計，2010，31（4）：918.

[15]王祥科，鄭志強. Otsu多閾值快速分割算法及其在彩色圖像中的應用[J]. 計算機應用，2006（增刊1）：14-15.