病害特征在作物病害識別中的應用研究綜述

刁智華 袁萬賓 刁春迎 毋媛媛

摘要：病害特征指作物在感染上病害時，在生理、形態和結構上發生病變特征，而病害識別則是利用提取出的作物病害特征來對作物進行病害識別，通常在病害形狀、紋理和顏色作為識別特征的3個重要指標。將圖像處理技術應用到病害特征提取識別中的研究與發展，分別從形狀、顏色、紋理的特征提取出發，基于部分學習方法的病害識別，對近些年作物病害特征提取識別的應用研究進行綜述，分析幾種特征在病害識別研究中的優勢與不足，并對病害特征在農業檢測識別應用的前景進行展望。

關鍵詞：圖像處理;病害特征;特征提取;病害識別;優勢;不足

中圖分類號： TP391.4? 文獻標志碼： A? 文章編號：1002-1302（2019）05-0071-04

收稿日期：2017-12-18

基金項目：河南省科技廳科技攻關（編號：162102110118）;河南省高等學校青年骨干教師培養計劃（編號：2016GGJS-088）。

作者簡介：刁智華（1982—），男，河南夏邑人，博士，副教授，主要從事農作物病害識別及精準噴藥技術有關研究。E-mail：diaozhua@163.com。

我國是一個農業大國，擁有悠久的發展歷史，但農業自動化生產程度并不高。不能及時獲取作物生長期間的信息，從而進行有效的生產管理，這一直是困擾我國農業發展水平低的一個重要原因。在傳統的獲取農業信息中，農業專家通過定期去田間觀察，依靠視覺對植物生長進行評估，通過長期積累的經驗來對作物病害程度進行判斷。這種方法雖然可以解決農作物生長中的一些問題，但對未來農業自動化生產并不適用，既需要大量農業專家，又浪費時間，而且還不能對作物生長的實時信息作出正確的判斷。因此，迫切須要一種方法來解決該問題。數字圖像處理技術，簡而言之就是利用計算機對圖像進行處理，來達到所需要的效果。利用計算機將圖像信號轉化為數字信號并加以處理，提高圖像效果是圖像處理的目的。隨著計算機的飛速發展，圖像處理技術發展也得到了很大的提高，在生活各個領域中均有應用，如航空航天、軍事活動、醫學研究、工業生產和農業生產等。圖像處理技術尤其給農業自動化帶來質的提升，其技術在農作物種子分類、農產品的質量檢測、生長階段的缺素識別檢測以及病害程度識別等均有應用。作物病害會影響作物生長，與正常植株產生一定的差異，利用圖像處理技術可以更好地觀察差異，及時有效地獲取作物生長和病害程度信息，避免農害對作物產量的影響。基于圖像處理的病害識別技術一般包括圖像預處理（圖像去噪、增強、平滑、銳化）、圖像分割、特征提取、圖像識別。圖像分割的效果影響著特征提取，而圖像特征提取是圖像處理技術的關鍵，特征提取決定著病害識別的結果，從而影響著對作物病害的控制。目前，圖像特征的提取沒有明確的定義，特征的提取種類各種各樣，提取的難易程度和效果也不相同。常用的病害特征有形狀特征、顏色特征、紋理特征。在處理作物病害圖像時，形狀特征、顏色特征、紋理特征具有不同的特征表現，不同的病害特征在病害識別中起不同的作用，既具有優勢也擁有許多不足，造成病害特征提取困難。選擇一種合適的病害特征或者綜合病害特征，可以有效地對作物病害進行診斷，從而更加高效地識別作物病害。因此，利用病害特征提取技術在農業檢測識別方面的研究具有很大意義。

1 病害特征的分類應用

特征選擇是病害圖像處理的關鍵，病害特征的選擇影響著病害識別。作物感染病害時，病害作物在形狀、顏色、紋理等與正常植株有著明顯的病理特征差異。近年來，大量研究人員利用形狀特征、顏色特征、紋理特征進行相關試驗研究，分析各病害特征的特點，并且取得了一定的研究成果。

1.1 基于形狀特征的應用

形狀表示物體的存在和表現形式，形狀是描述圖像非常重要的一個特征，具有非常明顯的特征表現。相較于顏色和紋理特征，形狀特征的表達必須以對圖像中物體或區域的劃分為基礎。形狀特征提取方法通常以輪廓特征和區域特征來表示，輪廓特征利用了物體的邊界描述特征，而區域特征則描述了整個形狀區域。

在形狀特征方面，國內外學者做了一些有益的探索，并取得了部分研究成果。史智興等將圖像處理技術應用到玉米研究中，提取了玉米籽粒的白色部分與黃色部分的面積，定義了白色部分與黃色部分的面積比，發現該黃白比在進行玉米識別中具有顯著作用[1]。胡維煒等對大豆作物的病害程度進行評估，提出大豆葉面相對病斑面積法，結果表明，計算的大豆葉面相對病斑面積可以很好地對病害程度進行評估[2]。刁智華相較于傳統的形狀參數特征，將不變矩引入到形狀特征中，用7個hu不變矩來作為病害診斷的形狀特征[3]。Zhu等從分割的葉片中提取了面積、周長、矩形、圓形度和形狀復雜度等作為形狀特征參數，對30張玉米病害圖像進行識別，識別率可達80%[4]。王雪等選取定義了位置和方向、偏心率等特征參數，結合一些其他特征參數進行了黃瓜霜霉病自動識別研究，該系統識別效果良好[5]。邵慶等利用圖像處理技術研究了小麥條銹病，計算了病斑的矩形度、圓形度、縱橫比、面積和周長等5個特征量，作為病斑的形狀特征，為病害診斷系統提供了數據信息[6]。李先鋒等利用形狀特征對作物與雜草進行了識別研究，選取了基本幾何特征，無量綱幾何特征、hu矩特征等參數[7]。結果表明，優化后的混合特征可以精確地將作物與雜草識別出來，優化了形狀特征在農田雜草識別技術。杭騰等測定了番茄的莖粗、株高、果實的橫截面積等特征對番茄長勢信息進行實時監測，更加詳細地描述了作物的生長信息[8]。Jia等在黃瓜細菌角葉斑病和霜霉病研究中提取了形態特征，結果表明，基于形狀特征的黃瓜葉斑病識別方法的應用性[9]。Yousefi等將旋轉不變小波描述子引入來描述形狀特征，與橢圓傅里葉描述葉形狀比較，該形態特征具有較好的分類表現[10]。

基于形狀特征在農作物病害識別方面應用廣泛，提取一些形狀特征明顯的病害識別效果良好，但面對一些非常復雜的形狀特征難以提取識別時，須要考慮病害形狀特征的識別效果，如形狀特征處理形變圖像的效果比較一般。另外，圖像分割的效果會直接影響形狀特征參數的提取，尋找合適的病斑分割方法是提取形狀特征的一個關鍵部分。

1.2 基于顏色特征的應用

顏色特征是一種全局特征，顏色特征體現了物體的表面性質，通常觀察葉部的顏色可以判斷一些農作物的長勢信息。相對于形狀特征，顏色特征提取更加高效，面對一些分割困難的圖像，可以用顏色特征來識別特征，而且顏色特征對圖像的方向和大小變化不敏感。因此，利用顏色特征提取識別，可以很好地判斷作物生長情況。

在顏色特征方面，國內外研究者投入了一定的精力，取得了可喜的科研成就。Zou等提取了17個顏色特征建立了基于公式表達樹的組織特征參數，最后實現了蘋果的自動色彩分級[11]。王美麗等選取小麥常見葉部病害圖像，基于HSV[hue（色調）、saturation（飽和度）、value（明度）]顏色空間的H、S分量作為顏色特征，利用小麥白粉病和銹病的顏色差距將這2種病害分離識別[12]。毋媛媛針對RGB和HSI顏色空間，重新定義了RGB到HSI的轉換公式，并從中提取了顏色特征分量，作為小麥葉部病害智能識別系統中顏色特征[13]。謝澤奇提取了關于RGB和HSI分量的均值、方差、偏度、峰值等多個顏色特征，選擇出6個特征結合分類器對病害識別[14]。結果表明，利用RGB和HSI分量的顏色特征識別度很高，為黃瓜病害識別算法提供了方法。王若蘭以霉變玉米為研究對象，根據霉變程度顏色的變換，提取顏色特征來了解霉變的程度[15]。Stricker等提出了1種表示顏色特征的方法，稱為顏色矩，有一、二、三階矩等，顏色信息主要分布在一、二階矩等低階矩中[16]。夏永泉等將顏色矩應用到RGB顏色空間中，分別提取了RGB空間各分量的一二階矩共6個顏色特征作為農田小麥病害診斷的特征[17]。崔艷麗等將圖像特征提取技術應用到黃瓜病害研究，分別提取了色調H、色調直方圖統計特征參數以及百分率直方圖等顏色特征。結果表明，百分率直方圖提取的顏色特征可以解決葉片形狀大小的影響，直方圖統計分析的色調H偏度顏色特征具有較好的效果[18]。胡敏等將模糊量化直方圖、顏色聚合度作為病害的顏色特征，結合利用顏色共生矩陣提取的特征對玉米病害識別研究[19]。

顏色特征對農作物病害識別具有重要的參考價值，作物病害在顏色種類和程度上最為直接明顯，因此廣泛地應用于病害診斷和程度鑒定。目前，一般顏色特征是圖像區域內所有的像素點的統計，不能很好地表示圖像的局部特征，造成識別顏色相近的病害效果較差。而且圖像清晰度影響著基于顏色特征的提取，容易受到環境的干擾。因此，基于顏色特征的提取須要進一步的研究。

1.3 基于紋理特征的應用

紋理是圖像的基本屬性之一，它具有一定規律的排列表達，是物體表面特征體現的重要部分。紋理通過像素和某一空間的灰度分布表達了顏色和灰度的變化，是一種不依賴于顏色或亮度的視覺特征[20]。紋理作為視覺的感知形式的重要組成部分，具有非常明顯的優勢。因此，可以通過提取紋理特征來分析作物病害。

研究人員對紋理特征進行了研究，并取得了一定的研究成果。田有文基于國際照明委員會（Commission Internationale de LEclairage，簡稱CIE）XYZ顏色空間的上提出了表達色度圖和色度值的二維分布的色度矩，在以此為特征向量對葡萄病害進行識別，可以作為葡萄病害識別參考方法[21]。陳兵旗等將每一個像素作為目標像素計算其局部二值模式（local binary pattern，簡稱LBP），并得到紋理矩陣圖像進行圖像分割，分割效果良好[22]。楊倩等利用改進的LBP算子均勻模式進行紋理特征提取，該方法降低了特征向量的維數，提高了識別分類的準確度[23]。王樹文等從灰度梯度共生矩陣中提取了能量、相關性、同次性和差異性4個紋理特征參數，作為黃瓜病害識別系統的特征參數[24]。張靜等利用灰度共生矩陣提取出多個特征參數，并用直方圖篩選出最優特征參數。結果表明，提取出的慣性值紋理特征可以診斷斑疹病和角斑病[25]。毛罕平等在葉片番茄缺素的研究中，分別利用差分算子、傅里葉變換、小波包提取了紋理在時域、頻域、時頻域的特征，結合遺傳算法進行優化選擇，選擇出了優化組合，識別率較高[26]。Bakhshipour等利用小波變換構建了同現矩陣，從而定義了小波紋理特征。結果表明，基于小波紋理特征的雜草識別精度高[27]。王懷宇等提取了綜合灰度共生矩陣和統計矩的紋理特征，對玉米苗期的田間雜草識別，該系統可以滿足雜草識別要求[28]。Rojas利用灰度共生矩陣結合主成分分析法選取了10個紋理特征參數，作為蔬菜和雜草分類系統的特征參數，具有很好的效果[29]。

基于紋理特征的病害研究，在病害、雜草識別等應用中具有廣闊的應用市場。與顏色特征一樣，紋理特征提取會受環境影響，光照、反射和圖像清晰度等因素會造成紋理特征計算誤差。但紋理特征體現了物體表面規律性屬性，當提取圖像紋理信息清晰時，紋理特征提取識別非常的高效有用?；诩y理特征的提取識別需要更多的研究。

1.4 基于混合特征的應用

混合特征是將形狀特征、顏色特征、紋理特征結合到一起，充分利用各個特征的特點，更加完整詳細地描述病害信息?；旌咸卣飨啾扔趩我惶卣鳎瑥浹a了單個特征的描述不足，從而更加高效地對作物病害進行管理。

許多學者對基于形狀、顏色、紋理等綜合特征提取的作物病害圖像處理進行了大量的研究和分析?；谛螤睢㈩伾⒓y理等特征在農作物檢測管理中使用廣泛，但單一的特征參數已經不能滿足一些復雜的農情情況，利用形狀、顏色、紋理等綜合特征結合一些學習算法，可以更好地診斷病害，提高精確度。師韻等通過病斑分割提取了綜合特征，分析并降低了特征維數，識別了蘋果落葉病、花葉病、銹病等3種常見疾病[30]。劉君等從病斑特征中提取了多個混合特征向量，對葉部病害進行診斷。該系統適用于黃瓜、番茄等園藝性作物病害診斷[31]。鄧繼忠等結合形狀和紋理特征對小麥網腥、印度腥、矮腥3種病害進行分類識別研究。試驗表明，結合支持向量機的識別系統具有較高的識別率[32]。秦豐等在病斑圖像中提取了狀形、顏色、紋理等綜合特征參數，識別苜蓿4種病害，為苜蓿葉部病害識別提供了特征參數[33]。田凱等分析了病斑的形狀、顏色、紋理等特征，并通過方差和主成分分析法優選了20個特征參數作為特征向量，結合Fisher判別函數對茄子褐紋病病害進行識別。試驗表明，該識別方法可以對茄子褐紋病進行診斷，減少褐紋病對茄子的影響[34]。Zhang等在黃瓜的病害識別中，從病害圖像中提取了關于形狀和顏色的特征參數，利用稀疏表示的稀疏特性降低了計算量，提高了對黃瓜病害的識別[35]。馬浚誠等同樣提取了混合特征對黃瓜霜霉病進行識別研究，采用粗糙集方法優化特征參數，加快了對病害識別的速率，滿足蔬菜葉部病害診斷的需求[36]。劉濤等在形狀、紋理和顏色特征的基礎上又提出病健交界特征，豐富了混合特征，彌補了相似病斑的區分度不足的缺陷[37]。Dewi等對甘蔗葉片的特征組合進行了分析研究，基于混合特征的識別率遠遠高于單一特征提取的病害識別[38]。凌秀華等從麥冬藥材表面圖像提取了混合特征，又將藥材橫切面特征加入了特征描述中，促進了特征提取的廣泛性，有利于更好的圖像信息提取[39]。

[16]Stricker M，Orengo M. Similarity of color images[C]//Storage and Retrieval for Image and Video Databases Ⅲ. International Society for Optics and Photonics，1995：381-393.

[17]夏永泉，李耀斌，李 晨. 基于圖像處理技術的小麥葉部病害識別研究[J]. 科技通報，2016，32（4）：92-95.

[18]崔艷麗，程鵬飛，董曉志，等. 溫室植物病害的圖像處理及特征值提取方法的研究[J]. 農業工程學報，2005，21（增刊2）：32-35.

[19]胡 敏，陳紅波，許良鳳，等. 基于顏色和紋理特征的黃瓜病害識別算法[J]. 電子測量與儀器學報，2015，29（7）：970-977.

[20]昌騰騰. 基于支持向量機的小麥病害識別研究[D]. 泰安：山東農業大學，2015.

[21]田有文. 基于紋理特征和支持向量機的葡萄病害的識別[J]. 儀器儀表學報，2005，26（S1）：606-608.

[22]陳兵旗，郭學梅，李曉華. 基于圖像處理的小麥病害診斷算法[J]. 農業機械學報，2009，40（12）：190-195.

[23]楊 倩，高曉陽，武季玲，等. 基于顏色和紋理特征的大麥主要病害識別研究[J]. 中國農業大學學報，2013，18（5）：129-135.

[24]王樹文，張長利. 基于圖像處理技術的黃瓜葉片病害識別診斷系統研究[J]. 東北農業大學學報，2012，43（5）：69-73.

[25]張 靜，王雙喜，董曉志，等. 基于溫室植物葉片紋理的病害圖像處理及特征值提取方法的研究[J]. 沈陽農業大學學報，2006，37（3）：282-285.

[26]毛罕平，徐貴力，李萍萍. 番茄缺素葉片的圖像特征提取和優化選擇研究[J]. 農業工程學報，2003，19（2）：133-136.

[27]Bakhshipour A，Jafari A，Nassiri S M. Weed segmentation using texture features extracted from wavelet sub-images[J]. Biosystems Engineering，2017，157：1-12.

[28]王懷宇，李景麗. 基于紋理特征的玉米苗期田間雜草識別[J]. 江蘇農業科學，2014，42（7）：143-145.

[29]Rojas C P，Leonardo S G，Toledo N V. Weed recognition by SVM texture feature classification in outdoor vegetable crops images[J]. Ingeniería E Investigación，2017，37（1）：68-74.

[30]師 韻，王旭啟，張善文. 基于主分量分析的蘋果葉部3種常見病害識別方法[J]. 江蘇農業科學，2016，44（9）：337-340.

[31]劉 君，王振中，李寶聚，等. 基于圖像處理的作物病害自動識別系統的研究[J]. 計算機工程與應用，2012，48（13）：154-158，180.

[32]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.

[33]秦 豐，劉東霞，孫炳達，等. 基于圖像處理技術的四種苜蓿葉部病害的識別[J]. 中國農業大學學報，2016，21（10）：65-75.

[34]田 凱，張連寬，熊美東，等. 基于葉片病斑特征的茄子褐紋病識別方法[J]. 農業工程學報，2016，32（增刊1）：184-189.

[35]Zhang S，Wu X，You Z，et al. Leaf image based cucumber disease recognition using sparse representation classification[J]. Computers & Electronics in Agriculture，2017，134：135-141.

[36]馬浚誠，溫皓杰，李鑫星，等. 基于圖像處理的溫室黃瓜霜霉病診斷系統[J]. 農業機械學報，2017，48（2）：195-202.

[37]劉 濤，仲曉春，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.

[38]Dewi R K，Ginardi R H. Feature extraction for identification of sugarcane rust disease[C]//International Conference on Information，Communication Technology and System （ICTS），2014：99-104.

[39]凌秀華，盧文彪，王 耐，等. 基于圖像處理技術的麥冬藥材特征提取與識別[J]. 遼寧中醫雜志，2017（7）：1460-1462.