基于圖像處理的溫室黃瓜霜霉病診斷系統

馬浚誠 溫皓杰 李鑫星, 傅澤田 呂雄杰 張領先

(1.中國農業大學信息與電氣工程學院， 北京 100083；2.食品質量與安全北京實驗室， 北京 100083； 3.天津市農業科學院信息研究所， 天津 300192)

基于圖像處理的溫室黃瓜霜霉病診斷系統

馬浚誠1溫皓杰2李鑫星1,2傅澤田2呂雄杰3張領先1

(1.中國農業大學信息與電氣工程學院， 北京 100083；2.食品質量與安全北京實驗室， 北京 100083； 3.天津市農業科學院信息研究所， 天津 300192)

為進一步提高溫室黃瓜霜霉病診斷的準確率，構建了一個基于圖像處理的溫室黃瓜霜霉病診斷系統。針對溫室黃瓜栽培現場采集的病害圖像，采用基于條件隨機場(Conditional random fields，CRF)的圖像分割方法進行病斑圖像分割，并采用決策樹模型擴展一元勢函數，提高病斑圖像分割的準確性；將分割后的病斑圖像轉換到HSV顏色空間并提取其顏色、紋理和形狀等25個特征，利用粗糙集方法進行特征選擇與優化；構建了基于徑向基核函數的SVM分類器，準確地識別與診斷溫室黃瓜霜霉病。系統試驗驗證結果表明，該系統采用的病斑分割方法，能夠克服復雜背景和光照條件的影響，準確地提取病斑圖像；采用粗糙集方法能夠有效地選擇分類特征，將25個初始特征減少到12個，提高了運行效率；黃瓜霜霉病識別準確率達到90%，能夠滿足設施蔬菜葉部病害診斷的需求。

溫室黃瓜； 霜霉病； 診斷系統； 圖像處理； 條件隨機場； 決策樹

引言

溫室黃瓜種植過程中，因受到環境脅迫、微生物、病毒、細菌等影響會產生各種病害[1-4]，導致蔬菜品質下降與經濟損失，霜霉病是黃瓜主要病害之一[5-6]。在田間生產過程中，盡管有農業專家進行現場指導，但是由于時間與精力限制，農民獲得的幫助有限。農民更多的是憑借自己的感觀，根據經驗來判斷蔬菜病害種類及其防治方法，主觀性較強，效果較差，并且盲目地噴灑過量農藥來防治病害，常常造成農藥殘留[7-9]。因此，提供一種易用、可靠的設施蔬菜病害診斷工具，具有重要的現實意義。

隨著物聯網技術的發展，國內外學者應用計算機視覺和圖像處理技術，開展了大量作物病害的自動診斷研究[10-13]，研究表明，采用計算機視覺等先進信息技術進行農作物病害診斷能夠達到一定的準確率，具有可行性，同時為先進信息技術在病害診斷應用進行了有益的探索。

本文構建一種基于圖像處理的溫室黃瓜霜霉病診斷系統。該系統充分考慮溫室黃瓜栽培現場環境以及溫室黃瓜霜霉病圖像的特點，采用基于條件隨機場(Conditional random fields)的圖像分割方法進行病斑圖像分割。在條件隨機場框架下，用決策樹模型擴展一元勢函數，能夠在克服光照的影響下，準確地從復雜背景圖像中提取病斑，為準確地診斷溫室黃瓜霜霉病，提供有效的數據源。同時，結合溫室黃瓜栽培環境及霜霉病病斑圖像特征，提出基于圖像處理技術的溫室黃瓜霜霉病診斷整體解決方案，提高溫室黃瓜霜霉病診斷的適用性及其診斷準確率。

1 系統設計

1.1 設計目標

基于物聯網技術，結合溫室黃瓜栽培現場環境以及溫室黃瓜霜霉病圖像的特點，本系統旨在實現溫室黃瓜霜霉病的準確識別診斷，提高先進信息技術在溫室黃瓜霜霉病診斷中的適用性，為植保專家提供可靠的參考，降低植保專家技術層面內的工作量，同時提供一種易用、可靠的病害診斷工具。

1.2 系統結構功能設計

根據設計目標，基于模塊化的思想進行系統功能設計并將系統功能劃分為病斑分割、特征提取、病害識別診斷和系統管理4個相互獨立的模塊(圖1)，各功能模塊的主要功能如下[4]：

(1)病斑分割：該模塊的功能主要是進行溫室黃瓜霜霉病病斑的分割提取，從溫室黃瓜栽培現場采集的病害圖像中提取病斑圖像。

(2)特征提取：該模塊功能主要是從分割的病斑圖像中提取病斑的特征信息，主要包括顏色、紋理和形狀特征。同時，該模塊還具有特征選擇的功能，選擇對病害識別貢獻較大的特征，剔除冗余特征。

(3)病害識別診斷：該模塊主要功能是實現病害的識別診斷，利用病斑特征信息訓練分類器，實現病害的診斷。

(4)系統管理：該模塊由系統管理員對用戶相關信息及登錄權限進行管理，同時負責系統的日常事務管理和維護以及數據庫的管理，以提高系統的安全性和數據的完整性。

1.3 病斑分割算法

由于病斑的數量多且面積小，因此其顏色特征并非整個圖像的主導顏色特征，難以通過自動確定的方法來定位病斑的位置。同時，圖像不但噪聲較多且光照條件對圖像的影響較大，忽略空間關系的直接分割有可能會導致病斑區域內部不均勻，邊緣稀疏不明確等問題。因此，病斑分割方法需要在克服光照條件的影響下，充分考慮病斑像素與其鄰域像素之間的空間關系，確保分割的準確性。因此，本文采用基于條件隨機場[14-15]的方法進行病斑圖像分割，同時在條件隨機場框架中融合決策樹模型，不但能夠充分考慮到病斑像素與其領域像素的空間關系，還能夠結合決策樹模型快速、易用的優點。本文采用人工選擇訓練數據集的方法，克服光照條件的影響，最大程度保證分割的準確性。具體流程如圖2所示。

圖2 基于條件隨機場的設施蔬菜病斑分割流程Fig.2 Flow chart of disease spots segmentation model

一個典型的二維條件隨機場模型為

(1)

式中I——輸入圖像xi——第i個像素點的特征集合Ni——第i個像素點的所有鄰域像素yi——第i個像素點的類別yij——第i個像素點的第j個鄰域像素點的類別

K——待估參數向量Z——歸一化函數

fij(x)——聯合特征向量

式中，φ(yi,xi)為一元勢函數，表示該像素在其特征條件下屬于某一類別的概率，exp(yiyijλTfij(x))為二元勢函數，表示該像素在其領域像素作用下屬于某一類別的概率。因此，采用條件隨機場方法進行溫室黃瓜霜霉病病斑圖像分割，不僅能夠考慮到病斑區域像素本身的特征，還能考慮到病斑區域像素與其鄰域像素之間的相互關系。為了進一步提高病斑分割的準確率，本文擬采用決策樹方法擴展條件隨機場的一元勢函數，進一步克服光照條件對病斑分割的影響。

在構建條件隨機場一元勢函數時，本文結合溫室黃瓜霜霉病病斑圖像的特點，采用決策樹模型擴展條件隨機場一元勢函數，公式為

(2)

式中DT(xi)——圖像第i個像素點對應的決策樹分類結果

τ——待估參數

決策樹模型的構建，本文擬采用(Classification and regression tree，CART)[16-17]算法。對于二元勢函數exp(yiyijKTfij(x))，本文采用歐氏距離來定義

fij(x)=[1 ‖xi-xj‖]T

(3)

式中 ‖·‖——歐氏距離

模型參數估計和推理分別采用最大似然估計和最大后驗概率實現。

1.4 病斑特征提取及選擇

1.4.1 顏色特征

由于RGB顏色空間中R、G、B分量容易受到外界干擾，本研究在提取病斑顏色特征前，將病斑圖像轉到HSV顏色空間，具體如下[5,18-19]：

給定RGB顏色空間中的值(r,g,b)，r、g、b∈[0,255]，設v′=max(r,g,b)，定義

(4)

(5)

則RGB空間到HSV空間的轉換為

(6)

在獲取病斑圖像的HSV圖像后，分別提取H、S、V3個顏色分量的1階矩(mean)、2階矩(variance)、3階矩(skewness)作為病斑圖像的顏色特征。顏色矩的數學公式為[19-20]：

一階矩

(7)

二階矩

(8)

三階矩

(9)

式中Pij——第j個像素點的第i個顏色分量N——像素數量

1.4.2 紋理特征

灰度共生矩陣能夠反映病斑圖像灰度關于方向、相鄰間隔和變化幅度等綜合信息。本文共計算熵、能量等5個病斑圖像的紋理特征[22-23]，計算公式為：

熵

(10)

能量

(11)

同質性

(12)

對比度

(13)

相關性

(14)

式中Ci,j——灰度共生矩陣中第i行、j列元素μx、μy——均值σx、σy——方差

1.4.3 形狀特征

本研究根據病斑圖像特點以及特征的分類穩定性，選擇面積、周長、復雜度、圓形度共4個特征作為病斑的形狀特征[6,24]。

病斑面積A

(15)

式中F(i,j)——在點(i,j)處的二值圖的像素(取0或1)

W——二值圖寬度像素數

H——二值圖高度像素數

病斑周長L：區域邊界全部像素點之和。

病斑圓形度

(16)

病斑復雜度

(17)

式中k——常數

同時，本研究也采用了7個Hu不變矩[25]特征作為黃瓜病斑的圖像識別特征。

(18)

綜上所述，本研究采用9個顏色特征，5個紋理特征，7個Hu不變矩特征和4個形狀特征，共25個特征作為特征選擇的輸入。

1.4.4 基于粗糙集的特征選擇

粗糙集算法[20]能夠在不影響分類精度的前提下，保留關鍵屬性，剔除冗余信息，在屬性約簡方面有很好的處理能力。因此，本研究采用基于遺傳算法的粗糙集屬性約簡實現病斑特征的選擇。

1.5 病害分類器

圖3 溫室黃瓜病識別流程Fig.3 Flow chart of identification of greenhouse cucumber

支持向量機涉及到的參數較少，魯棒性較好，計算效率較高，并且具有過擬合控制策略以及良好的抗干擾和噪聲能力[20]。由于支持向量機的準確度對于核函數的選擇依賴程度非常高，因此，構建SVM分類器的重點就是選擇一個合適的核函數；同時，核函數參數g和懲罰因子c也影響SVM的精度。本系統采用K-fold cross validation方法優化這2個參數，具體的模型構建流程如圖3所示。

2 試驗

2.1 試驗材料

以溫室黃瓜為例，試驗圖像為2016年4月天津市農科院植保所農業創新基地日光溫室5號棚的溫室黃瓜霜霉病圖像，共99幅，圖像均采集于晴天，采集的圖像如圖4所示。本文將采集的數據分為2組：訓練數據60幅和測試數據39幅。

圖4 溫室黃瓜霜霉病圖像Fig.4 Downy mildew images of greenhouse cucumber

本文溫室黃瓜霜霉病診斷系統采用Matlab 2014a與Microsoft Visual C++編程實現。

2.2 病斑分割

在病斑分割模塊，本文基于Mark Schmidt開發無向圖模型[26]。點擊導入圖像，可以選擇系統中黃瓜病斑圖像導入系統中。導入圖像后，在界面右側選擇分割采用的特征，本系統采用的初始分割特征包括：RGB顏色空間的R、G、B值；HSV顏色空間的H、S、V值；Lab顏色空間的L、a、b值；HSI顏色空間的H、S、I值；YCbCr顏色空間的Y、Cb、Cr值；像素的梯度幅值M和方向Q。

如圖5所示，導入圖像后，在右側輸入相應參數后點擊選擇訓練數據集，可以采用相應大小的紅色方框在導入圖像中選擇訓練數據。完成訓練數據選擇后，可以選擇相應的特征。

圖5 病斑分割模塊Fig.5 Disease spots segmentation

從分割結果可以看出(圖6)，無論設施現場的光照條件較強還是光照條件正常，本文算法都能夠準確地從設施栽培現場復雜環境中實現病斑分割，為病害的準確識別診斷提供良好的數據來源。

為驗證本文分割方法的效果，本文采用K均值聚類和OTSU方法作對比，開展對比分析，采用的數據為39幅測試圖像，部分分割結果如圖7所示。

從圖7中可以看出，本文的分割效果明顯優于OTSU閾值分割方法和K均值聚類方法。同時，本文以病斑錯分像素率為評價指標[27]，對3種分割方法(本文算法、K均值聚類算法、OTSU算法)的分割效果進行定量評價，錯分率為5.46%、34.68%、53.72%，此結果為39幅圖像錯分率的平均值。可以看出，本文算法的錯分率明顯低于另外2種方法，OTSU算法的錯分率最高，其次是K均值聚類方法。評價結果進一步表明，OTSU和K均值聚類等自動分割算法，在設施栽培的現場通常會受到光照條件和復雜背景的干擾而無法取得理想的分割效果。而本文算法充分考慮了溫室黃瓜栽培現場環境以及溫室黃瓜霜霉病圖像的特點，可以充分克服設施栽培現場的光照條件和復雜背景的影響，能夠準確的從溫室栽培現場獲取的病害圖像中提取病斑，為病害診斷提供良好的數據來源。

2.3 特征選擇及提取

在獲取病斑圖像后，系統進入特征提取功能(圖8)。

圖6 病斑分割結果Fig.6 Results of disease spots segmentation

圖7 分割方法結果對比Fig.7 Segmentation results comparison of different methods

圖8 特征提取模塊Fig.8 Features extraction

點擊讀取圖像按鈕，系統將讀入病斑分割結果；點擊特征提取按鈕，系統將計算包括顏色、紋理和形狀在內的25個分類特征，并顯示在右側。點擊存儲特征按鈕后，系統將特征提取結果存入數據庫中。在獲取完所有樣本圖像特征后，點擊特征選擇按鈕，系統可根據目前數據庫中存儲的數據進行特征選擇，并輸出結果。當輸入的圖像為測試圖像時，可直接點擊提取選擇特征，系統將計算測試圖像的優選特征，并存儲在數據庫中。

2.4 蔬菜病害識別

病害診斷功能采用LIBSVM實現[28]，通過選擇不同的SVM核函數和懲罰因子c以及核函數參數g，可以構建不同的SVM分類器。本系統分類器試驗訓練數據為120幅黃瓜葉部病害圖像，其中霜霉病60幅，其他病害60幅；測試數據為39幅黃瓜霜霉病圖像。將病害圖像進行分割處理后，提取病斑圖像的優選特征作為分類器的輸入，試驗選擇的特征包括：H分量一階矩、H分量二階矩、S分量二階矩、H分量三階矩、對比度、相關性、熵、一階不變矩、四階不變矩、七階不變矩、圓形度和復雜度。分類器的輸出為2個類別：霜霉病和非霜霉病，并且系統還輸出分類器的準確率。

圖9為黃瓜霜霉病的診斷結果，在根據經驗設置參數的情況下，基于徑向基核函數的SVM分類器準確率為85%。

圖9 病害診斷模塊Fig.9 Diseases diagnosis

同時，系統還設置了參數尋優過程，通過交叉驗證方法，對SVM分類器懲罰因子c以及核函數參數g進行尋優，利用優化后的2個參數構建SVM分類器，可以進一步提高分類器的準確率，圖10為參數尋優后，黃瓜霜霉病的診斷結果。

圖10 優化參數后病害診斷Fig.10 Diseases diagnosis with optimized parameters

經過參數優化計算后，徑向基SVM分類器的分類準確率達到了90%。從總體來看，準確率基本滿足要求。

3 結束語

基于圖像處理及物聯網技術，結合溫室黃瓜栽培現場環境以及溫室黃瓜霜霉病圖像的特點，提出了基于條件隨機場的病斑圖像分割方法，構建了一套溫室黃瓜霜霉病診斷系統。該方法采用決策樹模型結果，擴展條件隨機場一元勢函數，不僅考慮到病斑像素自身特征，還兼顧病斑像素的空間位置關系；同時，克服了光照條件的影響，能夠從復雜背景中準確提取病斑圖像。在獲取病斑圖像后，本系統提取了包括顏色、紋理和形狀在內的25個特征并進行選擇。系統測試結果表明，該系統診斷準確率達到90%，能夠滿足病害診斷的實際要求。

1 PUJARI J, YAKKUNDIMATH R, BYADGI A. Image processing based detection of fungal disease in plants [J]. Procedia Computer Science, 2015,46: 1802-1808.

2 PERTOT I, KUFLIK T, GORDON I, et al. Identificator: a web-based tool for visual plant disease identification, a proof of concept with a case study on strawberry [J]. Computers & Electronics in Agriculture, 2012, 84(11):144-154.

3 SANKARAN S, MISHRA A, EHSANI R, et al. A review of advanced techniques for detecting plant diseases [J]. Computers & Electronics in Agriculture, 2010, 72(1):1-13.

4 馬浚誠, 李鑫星, 張領先,等. 面向葉類蔬菜病害識別的溫室監控視頻采集系統[J/OL]. 農業機械學報, 2015, 46(3):282-287. http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?flag=1&file_no=20150341&journal_id=jcsam. DOI: 10.6041/j.issn.1000-1298.2015.03.041. MA Juncheng, LI Xinxing, ZHANG Lingxian, et al. Monitoring video capture system for identification of greenhouse vegetable diseases[J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2015, 46(3):282-287. (in Chinese)

5 耿長興, 張俊雄, 曹崢勇,等. 基于色度和紋理的黃瓜霜霉病識別與特征提取[J]. 農業機械學報, 2011, 42(3):170-174. GENG Changxing, ZHANG Junxiong, CAO Zhengyong, et al. Recognition and features extraction of cucumber downy mildew based on color and texture [J]. Transactions of the Chinese Society for Agricultural Machinery, 2011, 42(3):170-174. (in Chinese)

6 彭占武, 司秀麗, 王雪,等. 基于計算機圖像處理技術的黃瓜病害特征提取[J]. 農機化研究, 2014(2):179-182. PENG Zhanwu, SI Xiuli, WANG Xue, et al. Feature extraction of cucumber diseases based on computer image processing technology [J]. Journal of Agricultural Mechanization Research, 2014(2):179-182. (in Chinese)

7 KRUSE O M O, PRATS-MONTALBN J M, INDAHL U G, et al. Pixel classification methods for identifying and quantifying leaf surface injury from digital images [J]. Computers & Electronics in Agriculture, 2014, 108:155-165.

8 OMRANI E, KHOSHNEVISAN B, SHAMSHIRBAND S, et al. Potential of radial basis function-based support vector regression for apple disease detection [J]. Measurement, 2014, 55(9):512-519.

9 ZHOU R, KANEKO S, TANAKA F, et al. Disease detection of cercospora leaf spot in sugar beet by robust template matching[J]. Computers & Electronics in Agriculture, 2014, 108:58-70.

10 CAMARGO A, SMITH J S. Image pattern classification for the identification of disease causing agents in plants [J]. Computers & Electronics in Agriculture, 2009, 66(2):121-125.

11 ZHANG M, MENG Q. Automatic citrus canker detection from leaf images captured in field [J]. Pattern Recognition Letters, 2011, 32(15):2036-2046.

12 STEGMAYER G, MILONE D H, GARRAN S, et al. Automatic recognition of quarantine citrus diseases[J]. Expert Systems with Applications, 2013, 40(9):3512-3517.

13 ZHANG W, TENG G, WANG C. Identification of jujube trees diseases using neural network [J]. Optik - International Journal for Light and Electron Optics, 2013, 124(11):1034-1037.

14 錢生, 陳宗海, 林名強,等. 基于條件隨機場和圖像分割的顯著性檢測[J]. 自動化學報, 2015, 41(4):711-724. QIAN Sheng,CHEN Zonghai,LIN Mingqiang, et al. Saliency detection based on conditional random field and image segmentation[J]. Acta Automatica Sinica, 2015, 41(4):711-724. (in Chinese)

15 MUSTAFA G U, CHAO C, DIMITRIS M. An efficient conditional random field approach for automatic and interactive neuron segmentation [J]. Medical Image Analysis, 2016, 27: 31-44.

16 GUO W, RAGE U K, NINOMIYA S. Illumination invariant segmentation of vegetation for time series wheat images based on decision tree model[J]. Computers and Electronics in Agriculture, 2013, 96(6): 58-66.

17 CHAO W H, CHEN Y Y, CHO C W, et al. Improving segmentation accuracy for magnetic resonance imaging using a boosted decision tree[J]. Journal of Neuroscience Methods, 2008, 175(2):206-217.

18 MA J, LI X, WEN H, et al. A key frame extraction method for processing greenhouse vegetables production monitoring video [J]. Computers and Electronics in Agriculture, 2015, 111:92-102.

19 傅澤田，蘇 葉，張領先，等. 基于自適應雙閾值的蔬菜病害知識視頻分割方法[J]. 農業工程學報，2013，29(9)：148-155. FU Zetian, SU Ye, ZHANG Lingxian, et al. Method of video segmentation for vegetable disease based on self-adaptive dual thresholds [J]. Transactions of the CSAE, 2013, 29(9): 148-155. (in Chinese)

20 張建華, 祁力鈞, 冀榮華,等. 基于粗糙集和BP神經網絡的棉花病害識別[J]. 農業工程學報, 2012, 28(7):161-167. ZHANG Jianhua, QI Lijun, JI Ronghua, et al. Cotton diseases identification based on rough sets and BP neural network[J]. Transactions of the CSAE, 2012, 28(7): 161-167. (in Chinese)

21 許良鳳, 徐小兵, 胡敏, 等. 基于多分類器融合的玉米葉部病害識別[J]. 農業工程學報，2015, 31(14): 194-201. XU Liangfeng, XU Xiaobing, HU Min, et al. Corn leaf disease identification based on multiple classifiers fusion[J]. Transactions of the CSAE, 2015, 31(14): 194-201. (in Chinese)

22 袁媛, 陳雷, 吳娜,等. 水稻紋枯病圖像識別處理方法研究[J]. 農機化研究, 2016(6): 84-87，92. YUAN Yuan, CHEN Lei, WU Na, et al. Research of rice sheath blight based on image processing [J]. Journal of Agricultural Mechanization Research, 2016(6): 84-87,92. (in Chinese)

23 王獻鋒, 張善文, 王震, 等. 基于葉片圖像和環境信息的黃瓜病害識別方法[J]. 農業工程學報, 2014, 30(14): 148-153. WANG Xianfeng, ZHANG Shanwen, WANG Zhen, et al. Recognition of cucumber diseases based on leaf image and environmental information [J]. Transactions of the CSAE, 2014, 30(14): 148-153. (in Chinese)

25 陳亞軍, 趙博, 李樹君,等. 基于多特征的雜草逆向定位方法與試驗[J/OL]. 農業機械學報, 2015, 46(6):257-262. http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?flag=1&file_no=20150637&journal_id=jcsam. DOI: 10.6041/j.issn.1000-1298.2015.06.037. CHEN Yajun, ZHAO Bo, LI Shujun, et al. Weed reverse positioning method and experiment based on multi-feature [J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2015, 46(6):257-262. (in Chinese)

26 SCHMIDT M. UGM: A Matlab toolbox for probabilistic undirected graphical models[EB/OL][2016-05-01]. http:∥www.cs.ubc.ca/～schmidtm/Software/UGM.html, 2007.

27 田杰, 韓冬, 胡秋霞,等. 基于PCA和高斯混合模型的小麥病害彩色圖像分割[J/OL]. 農業機械學報, 2014, 45(7):267-271. http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?flag=1&file_no=20140741&journal_id=jcsam. DOI: 10.6041/j.issn.1000-1298.2014.07.041. TIAN Jie, HAN Dong, HU Qiuxia, et al. Segmentation of wheat rust lesionimage using PCA and gaussian mix model[J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2014, 45(7):267-271. (in Chinese)

28 CHANG C C, LIN C J. LIBSVM: a library for support vector machines [J]. Acm Transactions on Intelligent Systems & Technology, 2011, 2(3):389-396.

Downy Mildew Diagnosis System for Greenhouse Cucumbers Based on Image Processing

MA Juncheng1WEN Haojie2LI Xinxing1,2FU Zetian2Lü Xiongjie3ZHANG Lingxian1

(1.CollegeofInformationandElectricalEngineering,ChinaAgriculturalUniversity,Beijing100083,China2.BeijingLaboratoryofFoodQualityandSafety,Beijing100083,China3.InformationInstitute,TianjinAcademyofAgriculturalSciences,Tianjin300192,China)

Downy mildew is one of the most common diseases suffered by greenhouse cucumbers, which may decrease the quality of greenhouse cucumbers and cause great economical loss to the farmers. In order to increase the accuracy of downy mildew diagnosis for greenhouse cucumbers, a downy mildew diagnosis system for greenhouse cucumbers was designed based on image processing. Focusing on the disease spots images captured in greenhouse field, the conditional random fields (CRF) based on segmentation method was utilized for the system to achieve disease spots images. When building the CRF model, decision tree model was used to extend unary potential function, which could effectively improve the accuracy of segmentation. The post-segmentation images and the disease spots images were transferred to HSV color space, and then 25 features, including color, texture and morphology features, were extracted. A subset of features was generated by rough set method. Finally, the RBF based SVM was used for the system to identify the greenhouse cucumber downy mildew. Taking cucumber downy mildew images obtained in greenhouse from agricultural innovation base of institute of plant protection, Tianjin academy of agricultural sciences as an example, the system was tested. The results showed that the segmentation method used by the system could effectively segment the disease spots images, which managed to overcome the noise caused by the illumination and complex background. A subset of 12 features was obtained by rough set method from the original feature set of 25 features, which improved the efficiency of the system. The identification accuracy of cucumber downy mildew reached 90%, which indicated that the downy mildew diagnosis system could meet the requirement of identification for greenhouse cucumbers.

greenhouse cucumbers; downy mildew; diagnosis system; image processing; conditional random fields; decision tree

10.6041/j.issn.1000-1298.2017.02.026

2016-05-11

2016-08-02

國家自然科學基金項目(31271618)、北京市葉類蔬菜產業創新團隊建設項目(BAIC07-2016)和天津市科技支撐計劃項目(15ZCZDNC00120)

馬浚誠(1987—)，男，博士生，主要從事農業信息技術研究，E-mail: majunchengll@126.com

張領先(1970—)，男，教授，博士生導師，主要從事農業信息化技術研究，E-mail: zhanglx@cau.edu.cn

S436.36; TN941.1

A

1000-1298(2017)02-0195-08