基于機器視覺的冬棗病害檢測

孫世鵬，李 瑞，謝洪起，馮亞利，傅隆生,2，朱兆龍

(1.西北農林科技大學 機械與電子工程學院，陜西 楊凌 712100；2.農業部 農業物聯網重點實驗室，陜西 楊凌 712100)

0 引言

機器視覺以其無損、快速、低成本的優點在農產品質量分級、檢測、農田病蟲草害控制、農業自動采摘系統，以及農作物成長過程檢測等領域被廣泛研究和應用[1-3]。其中，在果品檢測方面，學者已經采用機器視覺技術對草莓[4]、蘋果[5]、荔枝[6]等水果的品質進行檢測。羅雪寧等[7]對紅棗的缺陷進行研究，先提取缺陷部位輪廓，然后填充求得缺陷檢測面積占比，根據已知紅棗質量規定缺陷面積占紅棗表面積的5%確定為缺陷棗；但只是對少量樣本的理論分析，并未討論大量樣本下的識別結果。李運志等[8]在半干棗的病害和裂紋識別過程中，采用了病害面積占比、顏色特征值的H分量的均值和均方差，采用支持向量機進行分類，識別正確率達到95.79%；在裂紋識別過程中，采用不變距區分裂紋、褶皺和光滑棗，識別正確率達到94.55%，但只使用了H分量作為判別依據，顏色分量單一。

高光譜圖像由一系列光譜圖疊加而成，能檢測果品內、外部品質，擴展了傳統成像技術的使用范圍[9-12]。LI等[13](2010)對柑橘9種潰瘍采用高光譜進行識別，利用主成分分析法和波段比(Q687/630)的組合，以及單獨波段比(Q687/630)的方法，識別正確率分別為84.5%和82.9%。MEHL等[14]對金冠蘋果、紅冠蘋果和嘎啦蘋果利用高光譜成像系統進行缺陷的檢測，采用主成分分析和葉綠素吸收峰得到區分受污染和正常蘋果的3個光譜帶，進而設計多光譜成像系統得到嘎啦蘋果和金冠蘋果的檢測正確率分別為95%和85%，紅冠的識別率僅為76%。高光譜成像技術由于光譜眾多及復雜的降維算法降低了算法優先選擇權。

目前，利用機器視覺對冬棗的多種病害進行研究還未見報道，同時冬棗的病害的分類閾值及有效檢測的顏色分量需要進一步確定。針對上述問題，本文對黑斑類病害獲取了9個顏色分量，并利用單因素方差分析(one-way ANOVA)和費希爾最小顯著差異(Fisher’s LSD)檢驗得到有效顏色分量，并建立Bayes線性分類模型和冬棗病害的分類標準；對縮果病采用紋理特征參數建立SVM分類模型進行檢測，同時探索最優的構造參數。

1 材料與方法

1.1 試驗材料

本實驗選取樣本的地點在陜西省大荔縣一個果園，該果園地處東經109°10＇，北緯34°52＇，海拔高度354m。用于黑斑類病害檢測的冬棗樣本個數統計：輪紋病52個、日灼病42個、炭疽病34個、裂紋30個，共158個，正常冬棗100個。用于縮果病檢測的冬棗樣本個數統計：縮果病48個，正常冬棗109個。

1.2 采集圖像

采集完冬棗樣本后將其帶回實驗室拍攝果實圖像。拍攝過程如下：將佳能EOS Kiss X3型號單反相機固定在四周和下方密閉、上方中間開孔的試驗箱之上，隨后側的小型鏈輪上下移動，當鏡頭從試驗箱中間孔洞穿過，觀察鏡頭里面的成像；當鏡頭距果實底部的垂直距離為22.5 cm時成像清楚且果實在圖片中的大小合適，固定相機。試驗箱內部安放有一個5W的熒光燈以提供足夠的光源，相機參數設置為F8.0光圈，快門速度1/125 s，M檔，像素大小為4 752×3 168，在相機底部墊有坐標紙用來獲取圖像像素與實際大小的比例。各種病害棗和正常棗如圖1所示。

輪紋病 日灼傷 炭疽病

裂紋病 縮果病 正常果

圖像處理在CPU為Intel(R)Core(TM)i3-2330M，雙核，主頻均為2.2GHz，6GB內存的聯想Y470筆記本電腦上利用MatLab2014b實現。

1.3 試驗方法

1.3.1 冬棗黑斑類病害檢測

通過像素提取軟件分別獲取病害果和正常果10個的像素，得到RGB、HSB和Lab顏色空間的9個顏色分量。通過SPSS22.0進行單因素方差分析，得到病害果和正常果具有顯著性差異的顏色分量。為進一步減少顏色分量的個數，對顏色分量進行Fisher’s LSD檢驗，根據F值的大小得到區分病害和正常果最為顯著的顏色分量。建立Bayes線性判別函數得到像素的分類結果。利用圖像處理算法得到果實區域提取圖像，利用已知Bayes線性判別函數進行像素遍歷得到識別圖像，同時獲得病害識別面積所占果實區域的比例和標準差。通過計算上述比例的平均值和平均差，確定正常果和病害果的分類閾值，進而得到識別正確率。

1.3.2 冬棗縮果病檢測

首先利用圖像處理算法得到果實區域的提取圖像，對果實圖像提取基于灰度共生矩陣(GLCM)的紋理特征參數，GLCM是關于圖像亮度的二階統計量[15]。GLCM的主要影響因素有計算窗口N、灰度級L、距離d、方向θ。因為計算窗口由一般由圖像大小決定，方向θ一般取0°、45°、90°和135°的平均值，這里只討論灰度級L、距離d兩個構造參數對果實紋理特征的影響。

定義在方向θ上，相距為d的像素分別具有灰度值i和j的GLCM為P(i,j;d,θ)，得到的紋理特征為：

能量E為

(1)

慣性矩I為

(2)

熵H為

(3)

相關性C為

(4)

逆差距LL為

(5)

2 試驗結果與討論

2.1 冬棗縮果病檢測

冬棗病害和正常部位提取像素的顏色分量數據如表1所示。通過方差顯著性分析，得到9個顏色分量R、G、B、H、S、Br、L*、a*、b*都具有顯著性差異，正常棗的RGB模型的R、G、B、HSB模型的S和Br、L*a*b*模型的L*、a*、b*分量都比病害果的值高，說明了病害區域的亮度比正常表面低。為了進一步縮小變量個數，通過Fisher’s LSD檢驗，發現F值較大的R、S和b*顏色分量，將其作為區分病害和正常果最為顯著的顏色分量。對R、S、b*3個顏色分量進行判別分析，獲得Bayes線性分類函數為

score1 = 0.182 ×R+ 14.132 ×S- 0.531 ×b*- 4.743

(7)

score2 = 0.217 ×R+ 32.284 ×S- 0.424 ×b*- 15.673

(8)

其中，score1表示黑斑類病害判別得分；score2表示正常判別得分。

表1 冬棗病害和正常區域顏色分量數據統計

標有不同字母的在0.05水平下有顯著性差異。數據格式：平均值(標準差)。為了與RGB模型的B分量區別，定義HSB模型的B分量為Br。

基于Bayes線性判別函數，采用交叉驗證方法獲得的像素分類結果如表2所示。3 059個像素的平均識別正確率為94.2%，達到了較佳檢測效果。

表2 病害和正常像素的識別結果

各種黑斑類病害的圖像處理過程如圖2所示。首先采用imresize函數將圖像尺寸縮小為1 000×667以減小計算時間，采用HSB顏色空間的B分量進行背景分割，首先利用5×5模板進行中值濾波去除噪聲，采用Otsu法自動求取閾值獲得二值化圖像，采用bwareaopen函數去掉細小雜質，并通過形態學運算平滑果實邊緣輪廓，填充內部空洞；通過上述方法獲得掩模圖像，之后掩模圖像與原圖像相乘獲得果實區域的提取圖像，對果實區域提取圖像帶入已知Bayes線性判別函數進行遍歷，得到每個像素的判別結果；同時，對判定圖像采用偽彩色處理以提高辨識度，得到最終的識別圖像。因為裂紋總是伴隨日灼傷出現，所以裂紋的識別一般為整體的區域。通過統計各個果實的病害識別的像素以及果實的總像素，得到病害面積所占果實區域的比例。

原圖 果實區域提取 HSB顏色空間 L*a*b*顏色空間 識別結果

分析病害果和正常果病害識別面積所占果實區域的比例，計算病害識別面積占比的均值和標準差如圖3所示。病害果的病害識別面積占比在0.2%～30.0%之間，正常果的病害識別面積占比小于7.0%。設定病害面積所占果實的比例為5.0%，當識別的病害面積比大于5.0%時，判定冬棗為病害果，當小于5.0%時判定冬棗為正常果。

圖3 識別的病害面積所占果實區域的比例的平均值和標準差

通過圖像檢測技術，病害冬棗和正常冬棗的分類正確率接近，總體分類正確率達到89.6%，滿足實際的檢測要求。實驗結果表明：通過單因素方差分析以及Fisher’ LSD檢驗，得到R、S、b*3個具有顯著性影響的顏色變量，對于病害檢測有很好的區分效果，并且能降低分類模型復雜度和減少程序執行的時間開銷。

表3 冬棗病害識別正確率

2.2 冬棗縮果病檢測

當灰度級為16時，觀察紋理特征隨距離d從1到20變化的趨勢，如圖4所示。相關性與慣性矩在正常冬棗和縮果病中隨距離變化差異趨勢相反，前者隨距離d的增大快速縮小，后者隨距離d的增大迅速擴大。其他紋理特征如能量、熵、逆差距的差異隨距離d變化不明顯。構造參數距離d取值為1，可以減少計算的復雜度，帶入SVM分類模型采用十折交叉驗證的方法得到分類正確率為86.5%。

灰度級較小，不容易分辨出冬棗表面紋理特征，灰度級過大又會影響計算速度，增加存儲空間。設定灰度級為16、32、64、128、256，初步計算上述灰度級下紋理特征參數的計算時間，得到128和256灰度級的冬棗灰度共生矩陣的計算時間分別為173.8s和641.4s，計算時間過長。所以，本文只研究灰度級L為16、32、64的冬棗的紋理特征。從圖5中可以看出：距離d為1時，隨著灰度級的擴大，縮果病和正常冬棗紋理特征的差異越來越顯著。

圖4 紋理特征參數隨距離d變化圖

Fig.4 Variation of texture feature parameters with distance d

圖5 紋理特征參數隨灰度級變化圖

不同灰度級下紋理特征的計算時間如表4所示。隨著灰度級的增加處理時間也快速增加，距離d固定為1，構造參數灰度級L分別設置為16、32和64，將5個紋理特征參數帶入到SVM中進行分類，通過十折交叉驗證方法得到相應的分類正確率分別為85.9%、99.4%和100.0%。考慮到計算速度，當灰度級是64時的計算時間是灰度級為32的4倍，構造參數灰度級設置為32合適。

表4 不同灰度級冬棗的紋理特征參數的計算時間

3 結論

1)提出了冬棗的黑斑類病害和縮果病的檢測方法，該方法準確度高，黑斑類病害的識別正確率為89.6%，縮果病的識別正確率為99.4%，為冬棗的病害檢測提供了理論依據。

2)對不同病害的9個顏色分量進行顯著性分析以及Fisher’ LSD檢驗，不僅提高了檢測的可靠性也降低了分類模型的復雜程度和計算量，對實際自動化分級具有重要意義。

3)探索了影響紋理特征參數對縮果病檢測的影響，當距離為1、灰度級為32時識別正確率達到99.4%，不僅識別精度較高而且計算速度也滿足要求。

對冬棗像素提取更多顏色分量，需要進一步驗證其他顏色分量的有效性，采用高光譜實現冬棗的輕微損傷檢測是下一步的研究方向。