基于計算機視覺技術的蘋果樹健康診斷系統(tǒng)研究

吳修國

(西安城市建設職業(yè)學院，西安　710114)

0　引言

及時、有效地控治蘋果樹病害，其核心是早期發(fā)現(xiàn)病害及其種類。在傳統(tǒng)果樹種植中，往往依靠人為經(jīng)驗進行病害的診斷，雖然可以解決部分問題，但人眼分辨能力有限，當農戶能夠對其做出正確診斷時，果樹傷害可能已經(jīng)很嚴重。隨著電子信息技術的快速發(fā)展和計算機的大范圍普及，計算機采集和處理圖像在各個領域的應用越來越廣泛。本文根據(jù)蘋果樹發(fā)病時葉片在顏色、紋理方面的差異性，采用計算機視覺技術，運用顏色模型對比方法，設計了一套蘋果樹健康診斷系統(tǒng)，能夠及時、有效地診斷蘋果病害。

1　計算機視覺技術

隨著電子信息技術和計算機的迅猛發(fā)展，機器和計算機視覺在現(xiàn)代化農業(yè)上的應用越來越廣泛。機器視覺和計算機視覺的核心是圖像信息處理，而圖像處理技術的硬件設計相對比較簡單，只需對獲取的圖像進行特征值處理，然后利用處理器對數(shù)據(jù)進行深層次分析，并結合機器學習(Machine Learning)和人工智能(Artificial Intellegence)，設計和開發(fā)出智能監(jiān)測系統(tǒng)，體現(xiàn)出計算機視覺技術的優(yōu)越性。

計算機視覺系統(tǒng)是利用CCD工業(yè)攝像機，結合圖像處理技術和智能控制，實現(xiàn)人類雙眼的視覺功能。其將圖像信息轉變?yōu)閿?shù)字信息，并加入人的情感計算去理解和識別圖像，對檢測對象進行判別。在日常生活中，計算機視覺在提取書本文字、虹膜識別、計算機、水果自動分等級、機器人自動導航及物流信息識別等的成功應用，說明采用計算機視覺技術模擬人類視覺是能夠實現(xiàn)的。計算機視覺技術系統(tǒng)結構如圖1所示。

圖1　計算機視覺技術系統(tǒng)結構

計算機視覺技術主要包括圖像處理、模式識別及圖像理解等3個方面。

1)圖像采集處理：通過雙CCD攝像機，采集農田作物實時視頻圖像信息，然后進行分析處理。例如，將采集到的圖像進行初步處理，轉化成有較高信噪比的圖像。

2)模式識別：對前面處理過的信息進行再次處理，對圖片上其他障礙物去除噪聲干擾，根據(jù)圖像特性或結構信息，將圖像進行分類，然后進行分割識別。

3)圖像理解：CCD獲取的圖像對圖像理解而言，不僅是對作業(yè)圖片自身的描述，還具有深層次的內容信息。例如，人類可以通過觀察作物葉片信息，了解到作物生長狀況。其實，計算機也可以通過數(shù)據(jù)庫信息描述和解釋圖像所代表的景物，然后通過對比圖像內容給出決策。

2　蘋果樹病害圖像特征分析

2.1　顏色特征分析

蘋果黃葉病發(fā)病頻繁，對蘋果種植危害較大，主要表現(xiàn)形式有葉片發(fā)黃和葉肉黃兩種，發(fā)病原因是缺氧和缺鐵。當蘋果樹發(fā)病時，樹葉會出現(xiàn)很多暗黃色的病斑，且整個葉片顏色會發(fā)黃，常常從蘋果樹下部向頂部發(fā)展。發(fā)病初期一般呈現(xiàn)淡綠色病斑，邊緣出現(xiàn)淺黃色斑點，后面葉片有斑點發(fā)黃，如同枯葉一般。由于在蘋果樹病害分析中其葉片圖像顏色特征明顯，因此提取其葉片信息對分析蘋果生理健康具有重要意義。蘋果出現(xiàn)黃葉病時葉片顏色特征如圖2所示。

圖2　蘋果樹黃葉病葉片顏色特征

2.2　紋理特征分析

一般葉片部分區(qū)域常常會出現(xiàn)無規(guī)律現(xiàn)象，但對整個葉片而言卻會有重復性結構，這些葉片信息就是紋理圖像特征，能夠很好地反映細節(jié)和宏觀上的圖像信息。當蘋果樹出現(xiàn)病蟲害時，初發(fā)生在樹冠下部和內膛葉片上，初現(xiàn)褐色小點，然后出現(xiàn)同心輪紋斑，后期葉片變黃，病部周圍及背部仍保持綠褐色，病葉易早期脫落。因此，根據(jù)蘋果樹葉的輪紋紋理便可對圖像對象描述和識別，判斷果樹是否發(fā)病。葉片紋理特征如圖3所示。

圖3　葉片紋理特征

3　圖像信息識別檢測處理流程

3.1　圖像信息的獲取

圖像信息的獲取主要通過CCD工業(yè)攝像機獲取，并經(jīng)圖像處理系統(tǒng)將圖像信息轉換為數(shù)字信息，最后由計算機處理器獲取的數(shù)字信息保存并處理。蘋果樹葉片圖像信息獲取過程如圖4所示。

圖4　蘋果樹葉片圖像信息獲取過程

3.2　圖像信息噪聲的去除

由于果園環(huán)境比較復雜，還受天氣狀況影響，因此在實際應用中果樹葉片信息獲取常常不是在理想情況下進行的，甚至條件比較惡劣。因此，將燈光、環(huán)境等因素所引起的噪聲濾除，才能得到更好的原始圖像。圖像信息噪聲去除前后對比如圖5所示。

圖5　葉片圖像去噪前后對比

3.3　邊緣檢測及閾值分割

邊緣檢測方法主要是利用空域微分算子進行的，將檢測模板與圖像信息卷積完成。由于邊緣的灰度值是斷續(xù)的，圖像的灰度值會不斷變化，顏色也會常常變化。葉片表面病斑就是所要檢測的重點環(huán)節(jié)。為了檢測更加精準，本文采用兩種邊緣檢測因子，利用兩種因子相互結合作用的方法來獲取得邊緣病斑點的集合。邊緣檢測及閾值分割示意如圖6所示。圖6中，U1、U2和U3為葉片圖像像素點。

1)D1算子為

r=min(r12,r13)

(1)

(2)

其中，ui表示第i塊模板區(qū)域的灰度均值。

2)D2算子為

(3)

(4)

ρ=min(ρ12,ρ23)

(5)

(6)

3)兩種算子綜合后，則

(7)

其中，σ(x,y)是將D1模板響應r與D2模板響應ρ相結合的結果。其中，模板的形式可以根據(jù)需要進行調整，本文采用8×8分辨模板，采用適合的分辨窗口，可減少計算機的運行量。因此，可以根據(jù)葉片大小以及背景內部的灰度變化大小來選擇比較合適的塊。

圖6　邊緣檢測及閾值分割示意圖

4　蘋果樹健康診斷系統(tǒng)

4.1　蘋果樹葉病斑識別檢測系統(tǒng)

針對蘋果樹葉病斑圖像信息的診斷檢測系統(tǒng)主要包括獲取圖像、去除噪聲、邊緣檢測與閾值分割、圖像修補、提取感興趣區(qū)域、圖像細化、特征測量和病變診斷等8個板塊。首先是進行圖像的采集和去噪工作，然后通過邊緣檢測和閾值分割對圖像的識別和計算，最后對計算機處理的結果進行修正，從而提取出所需要的數(shù)據(jù)并做出準確的診斷。圖像信息檢測診斷系統(tǒng)流程如圖7所示。

圖7　圖像信息檢測診斷系統(tǒng)流程圖

4.2　蘋果樹葉病斑特征提取

在CIE標準色度學，顏色一般用顏色模型表示。顏色模型指在空間顏色坐標的可見光子集合，是所有顏色域的集合，常見有RGB、HIS、LAB等。作物病害圖像處理常常采用RGB顏色模型，指的是顏色坐標系中1個單位立方體，系統(tǒng)通過計算分析葉片顏色的深度層次，判定其健康情況。計算推導公式為

r=R/(R+G+B)

(8)

g=G/(R+G+B)

(9)

b=B/(R+G+B)

(10)

其中，r、g、b是R、G、B歸一的結果，且滿足且r+g+b=1。一般認為r、g、b是消除復雜環(huán)境光強差異后的顏色分量。根據(jù)三值計算，并結合面積加權直方圖算法，可以分析作物病害圖像紋理分布參數(shù)，作為作物病變的判斷依據(jù)。

葉片病斑形狀特征是判斷病害種類的主要依據(jù)，因此需要提取蘋果樹各種病害的葉片圖像用于蘋果樹病害的分類。由于不同種類病害病斑形狀各不相同，周長、面積、縱軸長、橫軸長作為判斷條件就不太可靠，因此選用形狀復雜度Scom、偏心率和圓形度等識別葉片病斑。計算公式如下：

1)形狀復雜度為

(11)

其中，L為葉片病斑周長；S為葉片病斑面積；Scom反映病斑區(qū)域復雜及離散程度。

2)偏心率為

(12)

其中，ALlong和ALshout分別為病斑區(qū)域的長短軸。

3)圓形度為

(13)

其中，Rincircle和Rexrcircle分別是病斑區(qū)域內切圓和外切圓半徑。

4.3　蘋果樹葉病斑診斷系統(tǒng)軟件設計

蘋果樹健康診斷系統(tǒng)軟件部分包括采集、輸入、處理、提取病變特征和病變診斷結果輸出等5個模塊，結構框架如圖8所示。

圖8　蘋果樹葉病斑診斷系統(tǒng)軟件結構框架圖

5　試驗結果與分析

為了驗證蘋果樹葉病斑診斷系統(tǒng)的可靠性，特進行了蘋果病斑葉片分割識別試驗。試驗所用病斑葉片為當天在某蘋果種植區(qū)采摘，共采集得樣本圖像200個。測試結果如表1所示。

表1　蘋果樹葉病斑診斷系統(tǒng)測試結果

由表1可知：在整個診斷試驗中，黃葉病的正確診斷率為96%，小葉病為100%，花葉病為92%，腐爛病為98%，小葉病正確診斷率最高，花葉病正確診斷率最低。其中，有2個黃葉病誤判為花葉病，4個花葉病誤判為黃葉病，1個腐爛病誤判為花葉病，黃葉病和花葉病易混淆。結果表明：此系統(tǒng)平均正確診斷率為96.5%，識別正確率較高，能夠有效解決實際問題，可靠性強，符合設計要求。另外，針對黃葉病和花葉病易混淆的特性，可以增加二者區(qū)分度較大的紋理特征，減少誤判概率。

6　結論

以蘋果樹為研究對象，根據(jù)蘋果樹發(fā)病時葉片圖像信息特征，采用計算機視覺技術，運用顏色模型對比模式，設計并研究了一套蘋果樹健康診斷系統(tǒng)。該系統(tǒng)可以根據(jù)葉片圖像實現(xiàn)對不用蘋果病害的正確診斷。實際應用試驗結果表明：此系統(tǒng)平均正確診斷率為96.5%，正確診斷率較高，可以實現(xiàn)蘋果病害、蟲災等信息監(jiān)測，對于蘋果種植業(yè)具有重要參考價值。