基于Android平臺的植物葉片病害區域

夏永泉++曾莎++李耀斌

摘要：為了促進智能化農業的發展，提出1種基于Android的植物葉片病害區域提取系統。針對傳統邊緣檢測分割時容易丟失邊緣細節的缺陷，添加對2個斜方向梯度信息的提取，從而得到更完整的病害區域邊緣。在此基礎上構建了基于移動終端的植物葉片病害區域提取系統。測試效果顯示，該系統具有便攜、實用、界面友好等特點，能有效地提取出病害區域，為后續的識別提供有效、可靠的病害數據。

關鍵詞：Android系統；葉片病害區域；邊緣檢測；梯度計算

中圖分類號： TP391.41文獻標志碼： A文章編號：1002-1302（2016）05-0383-04

農作物在發生病害后，初期癥狀一般比較模糊，廣大農業生產者因為缺乏植物病害的診斷能力，造成農作物病害不能及時、正確地被診斷出來，采取不當的防治措施，致使農作物大量減產；而盲目地使用農藥，不僅降低了農產品的質量，也會危害人類的健康，造成環境污染。因此，指導農業生產者對病害的有效識別是農業生產中的一個關鍵問題。作物病害最直接的外在表現是病斑，由于作物種類較多，同一種作物上的病害種類也千差萬別，病害呈現出多樣化、復雜化和難以預測的特征，為了農業的發展，需要對不同作物的葉片病害區域進行準確提取。Android操作系統集開源、免費、支持語音、視頻、觸屏等于一體，人機交互性強，且技術越來越成熟[1]。它不但為軟件設計者提供了比較靈活的開發空間，而且為研究開發出開源、免費以及操作簡單的農業智能化系統提供了很好的開發平臺。Android智能手機在中國也迅速發展，且價格低廉，便于農民朋友使用。王安煒探討了Android技術與農業智能化專家系統的融合[2]。楊林楠等提出了基于Android系統手機的甜玉米病蟲害智能診斷系統，采用正向推理和“產生式”規則，設計了甜玉米病害樹形圖和推理機[3]。目前基于Android的植物葉片病害處理還較少，且大多停留在手機客戶端對病害的采集、上傳及后臺服務器保存上，系統智能性有待提高。為使植物葉片病害的研究走向普通農戶，本研究提出1種基于Android的植物葉片病害區域提取系統。利用Android終端，實現對植物葉片病害區域的有效提取，為后續對病害的識別和診斷打好基礎。

1系統設計

在基于Android的植物葉片病害區域提取系統設計上，以植物病害葉片為研究對象，在智能手機上開發設計“農業小助手”系統[4]。系統的功能模塊包括病害圖像采集、病害圖像的預處理、圖像分割以及對病害區域的提取。具體模塊如圖1所示。

1.1病害圖像采集

植物病害的種類繁多，且形狀各異。當前Android手機的拍照功能都很完善，一般的攝像頭都能達到800萬像素級，非常便于對田間植物病害葉片的采集。而且Android系統具備完善的API支持，可實現對獲得圖像的初始操作，將圖像裁剪、放大、縮小到我們需要的狀態，去除干擾，加快運算速度，使后續的處理效果更加明顯。當然，Android手機是集通話、多媒體、上網等功能于一體的智能終端，本系統也可以對網絡上的病害葉片進行直接處理。

1.2病害圖像預處理

由于自然狀態下生長的植物，病害葉片的形狀、顏色等都比較復雜。采集到的圖像因為植物周圍環境的光照、拍攝角度、采集照片時振動等因素的影響，給后續對病害的分割帶來一定困難。因此，需要對采集到的病害圖像進行預處理，以減少和消除圖像中的噪聲影響。對于圖像中的噪聲采用自適應中值濾波，去除不需要的信息，改善圖像質量。目前病害葉片圖像大多是利用高像素數碼相機、單反相機、智能手機人工獲得的24位真彩色圖像。為了便于后續處理，在空間域中對圖像進行灰度化，即將彩色圖像轉換為灰度圖像。

1.3病害區域提取

要實現病害區域的提取，需要對植物病害區域進行有效分割。當前自然環境下獲得的植物病害葉片顏色分布不均，且背景比較復雜，分割的區域數目較多。現在常用的分割技術包括閾值分割法、邊緣檢測法、人工神經網絡、基于聚類的分割等[5]。而對人工神經網絡、聚類分割方法需要人工選取中心點，計算復雜、運算量大。本系統采用最大類間方差閾值與邊緣檢測相結合的分割方法，實現對病害區域的有效提取。

2病害區域獲取

2.1病害圖像二值化

葉片病害分割精度直接影響后續對病害區域提取的可靠性，以及病害識別的準確性。由于植物病害圖像具有拓撲結構復雜、邊緣細節多等特點，傳統的圖像分割法大多存在邊緣不連續或者是圖像邊緣過粗等缺點，致使病害區域提取不準確。針對此問題，先對病害葉片進行OTSU閾值分割，得到分割后的二值圖。

OTSU即最大類間方差法，被認為是圖像分割中對閾值自動選取的最佳算法，因其計算簡單，并且不受待處理圖像的亮度、對比度的影響而得到廣泛使用。對病害圖像二值化實現過程為：求出葉片病害圖像的像素總數為N，灰度級為L，圖像中灰度值為i的像素總數為ni，則i的概率為：

Pi=niN。

選擇1個閾值T將圖像按照其對應的灰度級范圍[0，T-1]、[T，L-1]，將圖像分成C0、C1 2類，C0、C1對應的灰度均值分別為：

u0=∑T-1i=0ipiw0；

u1=∑L-1i=Tipiw1。

則整個葉片病害圖像的灰度均值為：

u=w0u0+w1u1。

類間方差為：

σ2=w0（u0-u）2+w1（u1-u）2。

最佳閾值為σ2值最大時對應的T值，由此獲取植物葉片病害區域二值圖。

2.2改進的病害區域分割

對病害葉片二值圖進行邊緣檢測分割。Canny算子是在信噪比準則、定位精度準則、單邊響應準則下衍生出的最優邊緣檢測算子[6]，具體處理過程如圖2所示。

首先對病害圖像進行高斯平滑濾波，設病害圖像為f（x，y），則二維高斯函數為：

G（x，y）=12πσ2e-x2+y22σ2；

式中：σ是高斯濾波參數。g（x，y）是濾波平滑后的病害圖像：

g（x，y）=G（x，y）×f（x，y）。

高斯平滑濾波后由2×2領域的一階偏導有限差分求得病害圖像的梯度幅值和方向，具體的計算公式分別為：

M（x，y）=Sx（x，y）2+Sy（x，y）2；

θ（x，y）=arctan[Sy（x，y）/Sx（x，y）]。

傳統Canny邊緣檢測只提取了水平、垂直方向的梯度信息，忽略了一些斜邊上的信息，而對植物病害的研究需要精確的病害葉片信息，方便對病害的形狀、紋理等特征的提取，因此再增添2個斜方向上梯度信息的提取，以得到更加豐富、精確的邊緣信息[7]。具體算法流程如圖3所示。

2.2.1斜方向梯度信息提取為了求得斜方向上的梯度，使用圖4所示的2個對角模板對病害圖像像素值進行加權平均，求得斜方向上的梯度。

對角模板a的梯度計算公式為：

G1′（x，y）=f（x，y-1）+2f（x+1，y-1）-f（x-1，y）+f（x+1，y）-2f（x-1，y+1）-f（x，y+1）。

對角模板b的梯度計算公式為：

G2′（x，y）=-2f（x-1，y-1）-f（x，y-1）-f（x-1，y）+f（x+1，y）+f（x，y+1）+2f（x+1，y+1）。

而斜方向上總梯度大小為：

G′=G1′2+G2′2。

2.2.2梯度計算比較斜方向的梯度與原圖像的梯度值，當原圖像的梯度值大于斜方向上時，取水平、垂直方向上的梯度值；反之，則取斜方向上的梯度值。即最終的梯度值是取2個矩陣中對應位置數據的最大值。假設水平、垂直方向提取的梯度圖像為M，進行非極大值抑制后的梯度圖像為M1，斜方向上提取的梯度圖像為G，則最終圖像的梯度為：

G=max（M1，G′）。

3結果與分析

本系統開發環境是在Windows操作系統下[8]，由JRE和ADT-bundle共同構建。本系統選擇的是Android 4.1系統，具體的硬件支持是三星Galaxy S3，4核處理器，主頻為 1 433 MHz，后置相機為800萬像素。開發的“農業小助手”系統界面如圖5所示。

由于環境、本課題處于研究初期的因素，對于有復雜背景的病害圖像處理算法不夠成熟，主要通過研究病害葉片背景相對比較簡單的植物葉片病害圖像。本研究選擇小麥、番茄、黃瓜病害葉片進行測試。具體病害區域提取圖如圖6所示。經過對比發現，改進的植物葉片病害區域提取方法能夠更好地實現對病害區域的提取，精確度有所提高，去除了部位偽邊緣和噪聲邊緣。尤其是對番茄葉片，基本實現對病害區域的100%準確提取。而在Android手機上的直接操作，使該系統的方法具有一定的通用性。測試和初步應用的效果顯示，該系統具有便攜、實用、界面友好和不受有線網絡環境限制等特點，有較強的實用性和推廣應用前景。很好地實現了對葉片病害區域的提取，而且改進的方法較傳統的方法邊緣提取更加準確。

4結論

本研究提出了1種基于Android的植物葉片病害區域邊緣提取系統。通過對檢測分割方法進行改進，增加了斜方向上梯度信息的提取，使得到的病害邊緣線條在某些間斷的地方實現了連接，減少了噪聲，去除偽邊緣，得到更加準確的病害區域。該系統基于Android系統，操作簡單，人機交互性強，具有較強的實用性和推廣價值，并為后續對植物病害的診斷和識別打好基礎。

參考文獻：

[1]高彩麗，許黎民，袁海，等. Android應用開發范例精解[M]. 北京：清華大學出版社，2012.

[2]王安煒. 基于Android的手機農業專家系統的設計與實現[D]. 泰安：山東大學，2011.

[3]楊林楠，郜魯濤，林爾升，等. 基于 Android 系統手機的甜玉米病蟲害智能診斷系統[J]. 農業工程學報，2012，28（18）：163-168.

[4]Deepak K，Vinoth A N. Leaf detection application for android operating system[C]. IC CPEIC，2014.

[5]Rafiee G，Dlay S S，Woo W L. Region-of-interest extraction in low depth of field images using ensemble clustering and difference of Gaussian approaches[J]. Pattern Recognition，2013，46（10）：2685-2699.

[6]彭輝，文友先，吳蘭蘭，等. 采用自適應canny算子的樹上柑橘圖像邊緣檢測[J]. 計算機工程與應用，2011，47（9）：163-166.

[7]蘇連成，王東衛. 一種改進的Canny邊緣檢測算子[J]. 燕山大學學報，2012，36（5）：413-416.

[8]劉濤，仲春曉，孫成明，等. 基于計算機視覺的水稻葉部病害識別研究[J]. 中國農業科學，2014，47（4）：664-674.李敏. 基于物聯網技術的農業環境監測系統研究與設計[J]. 江蘇農業科學，2016，44（5）：387-391.