基于機器視覺技術的南疆小麥病蟲害監測系統

高桓凱 花元濤 張凌飛 邱霄坤 宋 欣

（塔里木大學信息工程學院，新疆阿拉爾843300）

南疆位于天山以南、昆侖山以北，多旱少雨，自然條件惡劣［1］。在南疆地區，略高的氣溫、偏低的降水量以及其他惡劣的氣象條件，這些不利的氣象條件使得白粉病、蚜蟲等病蟲害常年侵害小麥麥田［2］。為預防病蟲害大面積擴散，該系統基于機器視覺技術，專門針對南疆小麥病蟲害進行監測，以期達到對南疆小麥病蟲害起到一定的防控作用。

1 關鍵技術

系統采用機器視覺技術，機器視覺（Machine Vision），也稱計算機視覺（Computer Vision）［3］，通俗地講，就是給機器加上了視覺裝置，令機器具有視覺功能，提高機器的智能自動化程度［4］。系統通過機器視覺的圖像采集、圖像處理和分析技術對南疆小麥的生長狀況進行數據采集和分析。

1.1 圖像采集技術

在進行南疆小麥病蟲害識別監測時，先要對小麥的圖像信息進行采集。為盡可能突出目標的特征量，減少外界環境對采集圖像的影響，在進行監測時，需要自備光源［4］。對農作物病蟲害葉片圖像的采集需選用一臺合適的攝像機或專業的農作物葉片圖像采集裝置。圖像采集卡是橋梁裝置，它負責將攝像機里面的數字信號傳輸給計算機，實現兩者之間的信號傳輸功能［4］。

1.2 圖像預處理技術

采集到小麥多部位圖像后，因為環境、氣候以及無益信息等要素的影響，使拍攝出的圖片可能無法突出重點、清晰明了，所以需要對圖像進行預處理。本系統通過圖像篩選、圖像增強、圖像分離和提取病灶進行預處理。

首先通過光照和清晰度篩選算法，對攝像機獲取到的小麥圖像提取出清晰度和亮度合適的圖像；然后使用中值濾波算法和高帽、低帽變換，過濾掉圖像的噪音并對圖像進行增強；然后基于RGB 彩色原理，交替使用邊緣平滑、小面積孔洞填充及灰度二值化等算法［5］，將圖像部分分離；最后取出斑點部分，提取病灶。預處理流程圖如圖1所示。

圖1 圖像預處理流程

1.3 圖像特征提取技術

由于南疆獨特的地理位置和氣候特征，本系統通過提取小麥的特征信息，主要對黑穗?。?］、根腐病［7］和白粉?。?］三種病害以及蚜蟲等蟲害進行監測，其主要病蟲害特征統計如表1所示。

對南疆小麥的3種病害和蟲害識別，是依據病蟲害發生后小麥的形狀、顏色和紋理信息，根據這些特征信息對病害進行識別。

1）形狀特征提取

在特征提取中，形狀特征是用于判斷發生蟲害的重要特征之一。據1-1、1-2 和1-3 三個公式［9］，對于經過預處理的圖像進行計算，求得球狀性A、偏心率B 以及不變矩C 的特征參數，對小麥的形狀特征進行分組。

式中，r1表示區域內切圓半徑；r2表示區域外切圓半徑；a、b為繞三維坐標軸的轉動慣量，c為慣性積。

2）顏色特征提取

相對于RGB 模型來說，HSV 顏色模型可更好地適應人眼對顏色的觀察。首先應取出模型中H、S、V三個分量，然后通過整理進行分類，最后求出顏色分量的一、二和三階矩［10］：

式中，α、β、γ 表示一、二和三階矩，即均值、方差及偏移性；N 是像素總的個數；pij表示，當顏色通道為第i個的時候，像素為灰色j的概率是多少。

3）紋理特征提取

小麥的紋理特征，可通過灰度共生矩陣法體現，它是小麥病害類型判斷的重要指標?？赏ㄟ^以下公式，計算出熵A1，對比度A2和相關度A3三個量，通過這三個量的指標表示出病斑的紋理特征［10］：

式中，A1體現出圖像紋理排列的混亂度，A2主要描述清晰度，A3反映周期性的強弱。m為行方向上紋理參數的均值、p 為方差，N 為灰度級，n、q 為列方向上紋理參數的均值和方差。

1.4 特征分析

對病蟲害圖像進行特征分析時，需要通過分類器進行識別。如果是數字圖像識別，常采用統計模式識別，優點是可對信息價值做出合理的判斷，缺點是分析計算復雜；而線性分類器雖然識別方法較為簡單，但只適合線性可分問題，局限性較大［5］。

本系統在對病蟲害進行識別時，對樣本使用支持向量機（SVM）分類器：經非線性映射，將輸入空間提高到高維空間，在這個新的空間中，獲取到分類間隔最優的分類面，判別公式［5］如公式1-10所示。

在公式中，N為樣本的數量，x為輸入特征向量，y為所屬類別，K(x，xi)為核函數，b*是實常數，σi*是最優系數向量。

由于小麥部分病蟲害常分散于葉片，且區域生長算法對于處理害蟲的分類問題有很大幫助［11］，所以本系統可在分割識別基礎上通過運用區域生長算法，經過合并、分裂相結合，將害蟲與葉片分割開來，實現蟲害的自動辨別。

2 系統設計

在對系統進行設計時，需要對硬件裝置的提供方面和軟件技術的支持方面進行設計。其中硬件裝置的設計是通過預先比較篩選，系統選用分辨率高、圖像質量好的MV-2000FC 工業數字相機，分辨率可達2 048×1 536，支持一臺計算機連接多只攝像機，無中繼數據傳輸4. 5 米，加中繼可達72 米。光源選取飛利浦公司的白熾燈，色溫為4 100 cm，接近自然光。由于攝像機選用的是數字相機，數字相機中圖像是以數字信號存儲在相機里的，所以在進行數據傳輸時不需要選擇圖像采集卡來進行數據轉換，攝像機獲得的圖像信息可以直接傳輸給PC 服務器，讓服務器進行處理。軟件設計是通過將攝像機拍攝的圖像傳輸給服務器后，經過存儲、預處理、特征提取和特征分析技術獲得有效特征值；再使用數據庫的相關技術，將提取后特征值與數據庫樣本的特征值比對、匹配，如若匹配成功，就將最終結果輸出顯示到用戶終端，達到病蟲害監測的目的。其系統完整的流程圖如圖2所示。

圖2 系統整體流程圖

2.1硬件設計

用戶需配備一臺控制終端，可以是手機、電腦或者其他監控設備，這些終端通過對監測模塊發送監測命令，接收監控中心服務器發來的最終監測結果，最后獲得小麥是否健康的監測信息。本次設計選用手機為控制設備。硬件設計框架圖如圖3所示。

手機終端在對小麥監測模塊發送控制信號時，可通過無線通信傳輸；為保證圖像采集的普遍性，采集到的樣本數據能夠可靠傳輸，攝像機使用有線通信方式與監控服務器連通。

圖3 硬件設計框架圖

2.2 軟件設計

監控服務器通過使用java 7 Update 60(64-bit)編程軟件，設計出監控服務器(PC機)可對攝像機傳輸過來的圖像信息進行圖像預處理、特征提取以及特征分析的程序，再通過使用版本號為11.00.3000.00的SQL SERVER 2012 Service Pack 1 數據庫，將最后服務器分析出來的樣本特征值發送到數據庫，對樣本特征值進行存儲、對比以及匹配，實現對該區域小麥病蟲害的有效診斷。軟件設計流程圖如圖4所示。

圖4 軟件設計流程

通過使用Android Studio 3. 2. 0 開發者平臺，設計出一款用于實時監測的app，它和服務器通過B/S和C/S 進行架構，每次監測時自選采樣點，得出最后的監測結果是可能發生病蟲害的概率。使用戶手機終端實時獲取病蟲害的監測結果，界面功能如圖5監測界面所示。

圖5 監測界面

3 試驗與總結

為檢測南疆小麥病蟲害監測系統的準確性，試驗時，測試地點選取近年小麥種植面積約170萬畝的阿克蘇地區。在預先選好的小麥試驗田里，通過Android手機進行病蟲害監測，測試最終結果如圖6所示。

圖6 病蟲害監測測試

在相同的硬件設備和環境條件下，選擇阿克蘇地區五種測試麥田進行監測測試，五種麥田分別為：黑穗病麥田、根腐病麥田、白粉病麥田、蚜蟲麥田以及健康麥田。在試驗時要先檢測系統設備可否正常工作，首先，攝像機在各麥田中分別獲取多張病蟲害癥狀小麥和健康小麥的樣本圖像進行處理，部分樣本圖像經處理后的病蟲害原始圖像和特征分割圖像結果如圖7所示。

圖7 處理后的五類病蟲害小麥圖像

在圖7 中，A 為小麥根腐病植株源圖像，a 小麥根腐病植株病斑分割結果；B 為小麥黑穗病植株源圖像，b小麥黑穗病植株病斑分割結果；C為小麥健康植株源圖像；D為小麥白粉病植株源圖像，d小麥白粉病植株病斑分割結果；E為小麥蚜蟲植株源圖像，e小麥蚜蟲植株病斑分割結果。

用攝像機將病斑分割結果圖上傳至服務器終端進行病蟲害判別：由于A植株葉鞘腐爛、卷曲，葉鞘顏色為褐色，服務器通過公式1-1 至1-6 對形狀和顏色特征進行提取與分析，最終判斷為小麥根腐病植株；B 植株由于病粒為灰黑色，服務器通過公式1-7至1-10 對紋理特征進行提取與分析，最終判斷為小麥黑穗病植株；C 植株由于在形狀、顏色及紋理特征上均無異樣，服務器最終判斷為健康小麥植株；D 植株由于病斑為橢圓與圓狀灰白色，服務器通過公式1-4至1-10 對顏色和紋理特征進行提取與分析，最終判斷為小麥白粉??；E 植株由于葉片表面形狀為綠色橢圓形，服務器通過公式1-1 至1-6 對形狀和顏色特征進行提取與分析，最終判斷為小麥蚜蟲植株。

由于最終的判別結果與已知病狀均相同，說明系統設備可以正常工作。所以本次試驗從各麥田科學地選取了50 株試驗小麥作為抽樣樣本，將抽樣樣本分為五組進行試驗，并將最后試驗結果進行了數據的統計與分析，最后得出如表2所示的小麥病蟲害概率統計表。

表2 南疆小麥病蟲害概率統計表

由表2可知本次試驗結果為，在試驗小麥樣本數統一、試驗條件基本相同的條件下，在對黑穗病進行監測時，系統誤判次數6次，正確判斷次數44次，監測準確率為88.0%；在對根腐病進行監測時，系統誤判次數4次，正確判斷次數46次，監測準確率為92.0%；在對白粉病進行監測時，系統誤判次數6次，正確判斷次數44 次，監測準確率為88.0%；在對蚜蟲進行監測時，系統誤判次數7次，正確判斷次數43次，監測準確率為86.0%；在對健康植株進行監測時，系統誤判次數3次，正確判斷次數47次，監測準確率為94.0%。

該試驗數據說明，系統雖然通過較為準確的數據庫信息與錄入信息進行比對，但可能由于光源、硬件、環境以及一些其他因素的影響，攝像機采集的圖像將會受到視覺干擾或圖像失真等因素的影響，這使得系統對病蟲害的監測存在一定偏差。但可以接受的是，各試驗田里病蟲害識別的準確率均達85.0%以上，可以滿足對南疆大面積麥田監測的需求，能夠在實際應用中投入使用。