基于Android平臺的蘋果葉病害遠程識別系統

王梅嘉，何東健，任嘉琛

（1.西北農林科技大學 信息工程學院，陜西 楊凌712100；2.西北農林科技大學 機械與電子工程學院，陜西 楊凌712100）

0 引 言

基于數字圖像分析技術對農作物病蟲草害圖像進行已被證明是一種有效、客觀手段［1－7］。張建華等使用包含光照箱、光源、CCD 數碼相機等圖像采集系統，采集棉花蟲害葉片進行識別，識別率達到88.1%［8］；柴阿麗等用CanonA640數碼相機、固定熒光燈等裝置，用近拍模式拍攝番茄葉部圖像，對病害的識別率達94.71%［9］；何東健等用多光譜相機采集玉米田間雜草圖像，提出一種支持向量機和證據理論相結合的多特征融合雜草識別方法，取得了良好效果［10］。前人研究多用數碼相機或多光譜相機等采集圖像，在實驗室進行分析，難以滿足實時、便捷診斷病蟲草害的應用需求［11］。隨著Android智能手機以及3G 網絡在農村的普及，利用手機拍攝圖片上傳給信息中心進行遠程識別成為可能。本文以蘋果葉部病害為研究對象，以危害較為嚴重的蘋果斑點落葉病、銹病和花葉病遠程智能分析診斷為目標，研究基于Android平臺的遠程作物病害識別系統框架以及手機和服務器間信息傳輸的技術與方法，信息中心服務器接收手機拍攝蘋果葉部病害圖像并進行分析診斷，診斷結果推送至手機端，手機端顯示相應防治措施給用戶，為指導果農進行科學防治提供一種便捷方法。

1 系統架構分析與設計

為實現遠程病害智能識別及識別結果推送服務，系統需要有圖像采集終端和PC服務器端硬件，需要確定圖像傳輸、診斷結果推送機制，設計病害識別方法。考慮到支持Android 系 統 的 手 機 市 場 占 有 率 達78.9%［12］，故 用Android手機采集病害圖像；考慮到3G 網絡有高達256KB／s的傳輸速率，故采用3G 網絡將手機拍攝的病害圖像上傳到服務器端 （PC 機），服務器負責病害圖像分析與識別，并將識別病害類型推送給客戶端。采用C／S模式的系統架構如圖1所示。

圖1 系統結構

2 系統關鍵功能設計

系統關鍵功能設計包含客戶端、服務器以及客戶端與服務器通信設計。

2.1 客戶端圖像拍攝與存儲

手機客戶端圖像采集流程如圖2所示。客戶端可調用照相機拍攝圖像或從圖庫中加載圖像，用戶獲得圖片后，可根據當前網絡情況選擇立即發送至服務器或保存至手機本地數據庫。

2.1.1 病害圖像拍攝

為減少自然光照及復雜背景對識別準確性的影響，左手持黑色紙板置于病葉下方，右手持手機相機拍攝。為加快后續識別速度，手機端程序在預覽畫面上定義一個670×420像素矩形框，拍攝時使葉片盡量充滿整個矩形框，程序自動裁剪掉矩形框外多余的部分。為避免發生形變，保持手機感光器與葉片平行。葉片圖像以JPEG 格式存儲至SD 卡，以采集時間命名，并作為唯一標識的ID。

圖2 客戶端采集圖像流程

2.1.2 本地數據庫存儲

當網絡條件不佳時，可將采集的圖像先保存至本地待識別數據庫，擇時再查看圖像并發送，已發送的圖像將自動在數據庫中刪除，服務器已識別圖像同樣會自動保存至手機本地已識別數據庫。Android使用開源的、與操作系統無關的SQL數據庫SQLite，它是一款輕量級數據庫，占用資源非常低，只需要幾百K的內存。故本文采用SQLite構建數據庫。數據庫中存儲圖片ID、拍攝時間及存儲路徑等信息。

2.2 服務器端圖像分析與識別設計

服務器負責對圖像分析處理，主要包括圖像預處理、病斑分割、特征提取和病斑識別等4個步驟。

2.2.1 圖像預處理

由于在自然環境下用手機拍攝的彩色圖像存在對比度不明顯、邊緣模糊等現象，因此，服務器收到客戶端發送的圖像后，需要進行預處理。首先使用分段線性變換拉伸圖像灰度，擴展圖像對比度［13］；分離圖像RGB通道，自適應中值濾波去除噪聲；再用形態學Top－Hat變換去除光照影響，突出病斑。融合R、G、B通道則得到預處理后的彩色圖像。

2.2.2 病斑分割

為探討蘋果葉片病斑的有效分割因子，在RGB 模型下，分別用2＊G－R－B，G＊G－R＊B，G－B，G－R，2＊R－GB，R＊R－G＊B進行病斑分割實驗，結果表明2＊R－G－B對各種病斑均有較好的分割效果，因此選擇2＊R－G－B作為色彩分割因子，用最大類間方差法分割病斑。3 種病斑的分割效果如圖3所示。對分割后的圖像用半徑為3的圓盤結構先后做開、閉運算，以平滑圖像消除噪聲，然后，用8連通區域標記提取病斑部位。

2.2.3 特征提取

圖3 3種病害及分割效果

不同的病斑其顏色、形狀和紋理有明顯不同。為識別病斑類型，本文提取病斑的顏色特征、形狀特征和紋理特征，并進行特征的優選。

（1）顏色特征提取：常用的顏色模型有RGB、HSV等，由于HSV 模型中3個分量具有相對獨立性，且亮度分量與圖像的彩色信息無關，非常適合于借助人類視覺系統來感知顏色特征的圖像處理。因此，將圖像從RGB空間轉換至HSV 空間，使用H 分量、S分量、V 分量的1階矩、2階矩和3階矩作為顏色特征。顏色矩定義如下

式中：μi——1階矩；σi——2階矩；si——3階矩；pi，j——圖像中第j個像素的第i個顏色分量。

圖像的顏色矩共9個分量 （3個顏色分量上各3個低階矩），比其它顏色特征更為簡潔。對每種病害各隨機選擇15個樣本，經過比較發現，3 種病害的H 分量、S分量1 階矩以及H 分量的2階矩有顯著差別。故選擇H、S分量的1階矩以及H 分量的2階矩共3個特征作為顏色特征參數。

（2）形狀特征提取：實驗中選取周長、面積比、伸長度、圓形度、矩形度、形狀復雜性的離散指數及Hu提出的7個不變矩等［14］13個病斑的形狀特征。

對比每種病害的形狀參數發現，3種病害在病斑面積比、圓形度及形狀復雜性的離散指數上有顯著差異，因此，選擇病斑面積比、圓形度及形狀復雜性的離散指數3個形狀參數。

（3）紋理特征提取：不同病害在紋理方面表現不同。本文用灰度梯度共生矩陣描述病害的紋理特征。采用平方求和計算梯度矩陣，選取灰度級為32，歸一化灰度梯度矩陣［15］，計算小梯度優勢、大梯度優勢、灰度分布的不均勻性、梯度分布的不均勻性、能量、灰度平均值、梯度平均值、灰度均方差等15個特征量。通過對比分析，3種病害的灰度分布的不均勻性和灰度均方差差異較大。因此，選擇灰度分布的不均勻性以及灰度均方差共2個特征作為紋理參數。

綜上所述，本文選擇如表1所示的8 個特征參數。表中，x1－x5，y1－y5和z1－z5分別為隨機選取的5個斑點落葉病樣本、銹病樣本和花葉病樣本。訓練和識別前對優選的特征參數進行歸一化處理。

2.2.4 病斑識別

BP網絡是一種按誤差逆傳播算法訓練的多層前饋網絡，也是目前應用最廣泛的神經網絡模型之一。支持向量機（support vector machine，SVM）在解決小樣本、非線性及高維模式識別中優勢明顯，其關鍵在于選擇合適的核函數從而獲得高維空間的分類函數。本文構建BP 網絡與SVM分別對3種病害進行識別。BP網絡采用3層結構，輸入層節點數為8，隱節點數為13，輸出層節點數為3。SVM 核函數選擇徑向基函數。共采集病葉圖像300 幅，每種病害100幅，其中前60幅做訓練樣本，后40幅做測試樣本。訓練后的BP網絡對測試樣本進行測試，測試結果見表2，花葉病所有測試樣本均被正確識別，由于斑點落葉病病斑與銹病比較相似，9幅斑點落葉病圖像被錯誤識別為銹病，7副銹病圖像被誤識為斑點落葉病，平均識別率為86.67%。用訓練好的SVM 對花葉病的測試樣本均可正確識別；1幅斑點落葉病因葉片上有污點被錯誤識別為銹病；1 幅銹病圖像被除草劑污染而被錯誤識別為斑點落葉病。實驗結果表明，SVM 識別性能較好，對3種病害測試樣本的平均識別率達到98.33%，因此，選擇SVM 模型識別病害。

表1 部分病害樣本特征參數值

表2 BP與SVM 識別率比較

2.3 手機客戶端與服務器通信設計

客戶端與服務器用3G 網絡進行通信，為避免數據丟失，選擇可靠的TCP／IP 協議和socket流實現數據傳輸。當客戶端發起連接請求時，一直處于監聽狀態的服務器同意連接，此時客戶端向服務器發送待識別圖像的文件名，服務器收到文件名以后，返回客戶端接收成功的信號，客服端收到信號后再開始發送文件，服務器用接收的文件名保存圖像并立即識別，將識別結果返回客戶端。服務器與客戶端通信模型如圖4所示。為避免圖像數據大，導致用戶一直等待傳輸圖片，本文采用在service中實現客戶端發送圖像數據的策略［16］。應用組件啟動一個service運行于后臺，即使用戶切換到另一個應用，該service也會繼續運行［17］，故在service中創建線程完成圖像傳輸。

圖4 通信模型

3 測試結果與分析

用索尼愛立信LT18i手機在VPN 和3G 環境下分別進行系統測試。系統主界面如圖5所示，用戶可選擇蘋果病害識別或查看本地數據庫。點擊 “蘋果病害圖像識別”按鈕，進入病害識別主界面如圖6所示，可立刻拍照 （如圖7所示）或加載圖庫。獲取的圖片顯示在界面，可直接向服務器發送圖像識別請求，服務器收到圖像進行分析識別 （如圖8所示），并將識別的病害類型推送至客戶端，客戶端顯示相應病害的防治建議 （如圖9所示）。客戶端也可將拍攝的圖像保存至本地待識別數據庫。

圖5 通信模型

圖6 病害識別主界面

圖7 拍照界面

圖8 服務器接收識別圖像

圖9 客戶端推送結果

測試客戶端發送每幅病害圖像到接收診斷結果所需時間如表2所示 （僅列出10幅），由表3可知，用3G 網絡遠程病害診斷所需平均時間為15.65s，與VPN 網絡相比，僅多了0.79s，這是因為獲取圖像經手機客戶端裁剪后數據量相對較小，二者傳輸所需時間相差不大。系統可滿足實時性需求。

表3 病害識別所需時間

4 結束語

（1）選擇2＊R－G－B作為色彩分割因子，可有效分割出病斑；用本文實驗確定的8個特征參數輸入徑向基函數支持向量機，3種病害平均識別率達到98.33%。

（2）提出用Android手機客戶端采集發送圖像，PC 服務器自動接收識別圖像并返回手機端識別結果的病害遠程識別系統框架。實驗結果表明，對每幅病害圖像識別平均時間小于16s，能滿足快速、準確識別病害的需要。

今后尚需進一步研究蘋果葉部多種病害的識別方法，并增加用戶標記病斑部位等交互操作，以減少計算量，大大縮短識別時間。

［1］Al－Bashish D，Braik M，Bani－Ahmad S.Detection and classification of leaf disease using K－means－based segmentation and neural－networks－based classification ［J］.Information Technology Journal，2011，10 （2）：267－275.

［2］Al－Hiary H，Bani－Ahmad S，Reyalat M，et al.Fast ＆accurate detection ＆classification of plant diseases ［J］.International Journal of Computer Applications，2011，17 （1）：31－38.

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

［4］Paul Biossard，Vincent Martin，Sabine Moisan.A cognitive vision approach to early pest detection in greenhouse crops［J］.Computers and Electronics in Agriculture，2008，62 （2）：81－93.

［5］Phadikar S，Jaya S.Rice disease identification using pattern recognition techniques［C］／／Proceedings of 11th International Conference on Computer and Information Technology，2008：420－423.

［6］WANG Shouzhi，HE Dongjian，LI Wen，et a1.Plant leaf disease recognition based on kernel K－means clustering algorithm ［J］.Transactions of the Chinese Society for Agricultural Machinery，2009，40 （3）：152－155 （in Chinese）. ［王守志，何東健，李文，等.基于核K－均值聚類算法的植物葉部病害識別 ［J］.農業機械學報，2009，40 （3）：152－155.］

［7］DENG Jizhong，LI Min，YUAN Zhibao，et al.Feature extraction and classification of Tillelia disease based on image recognition ［J］.Transactions of the Chinese Society of Agricultural Engineering，2012，28 （3）：172－176 （in Chinese）.［鄧繼忠，李敏，袁之報，等.基于圖像識別的小麥腥黑穗病害特征 提 取 與 分 類 ［J］.農 業 工 程 學 報，2012，28 （3）：172－176.］

［8］ZHANG Jianhua，JI Ronghua，YUAN Xue，et al.Recognition of pest damage for cotton leaf based on RBF－SVM algorithm［J］.Transactions of the Chinese Society for Agricultural Machinery，2011，42 （8）：178－183 （in Chinese）.［張建華，冀榮華，袁雪，等.基于徑向基支持向量機的棉花蟲害識別［J］.農業機械學報，2011，42 （8）：178－183.］

［9］CHAI Ali，LI Baoju，SHI Yanxia，et al.Recognition of tomato foliage disease based on computer vision technology［J］.Acta Horticulturae Sinica，2010，37 （9）：1423－1430（in Chinese）.［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.］

［10］HE Dongjian，QIAO Yongliang，LI Pan，et al.Weed recognition based on SVM－DS multi－feature fusion ［J］.Transactions of the Chinese Society for Agricultural Machinery，2013，44 （2）：182－187 （in Chinese）. ［何東健，喬永 亮，李攀，等.基于SVM－DS多特征融合的雜草識別 ［J］.農業機械學報，2013，44 （2）：182－187.］

［11］LI Zongru，HE Dongjian.Research on identify technologies of apple’s disease based on mobile photograph image analysis［J］.Computer Engineering and Design，2010，31 （13）：3041－3053 （in Chinese）.［李宗儒，何東健.基于手機拍攝圖像分析的蘋果病害識別技術研究 ［J］.計算機工程與設計，2010，31 （13）：3051－3053.］

［12］Ed Burnette. Hello，Android ［M］.Raleigh：Pragmatic Bookshelf，2010：140－141.

［13］LI Zongru.Research on identify technologies of apples disease based on image analysis ［D］.Yangling：Northwest A＆F University，2010：9－10 （in Chinese）.［李宗儒.基于圖像分析的蘋果病害識別技術研究 ［D］.楊凌：西北農林科技大學，2010：9－10.］［14］PENG Zhanwu.Research on cucumber disease indentifying base on image processing and pattern recognition technology［D］.Jilin：Jilin Agricultural University，2007：29－30 （in Chinese）.［彭占武.基于圖像處理和模式識別技術的黃瓜病害識別研究 ［D］.吉林：吉林農業大學，2007：29－30.］［15］CONG Rui，GAO Guangfu，FAN Ruixiao，et al.Vibration image recognition method based on gray－gradient co－occurrence matrix and kernel－based fuzzy clustering ［J］.Journal of Vibration and Shock，2012，31 （21）：74－77 （in Chinese）.［叢蕊，高光甫，樊瑞筱，等.基于灰度－梯度共生矩陣和模糊核聚類的振動圖形識別方法 ［J］.振動與沖擊，2012，31（21）：74－77.］

［16］Reto Meier.Professional Android 2application development［M］.Indianapolis：Wiley Publisher，2010：90－94.

［17］Mark Murphy.Beginning Android 2 ［M］.New York：Apress，2010：23－24.