基于機器視覺的馬鈴薯晚疫病快速識別

黨滿意，孟慶魁，谷 芳，顧 彪，胡耀華,3,4

·農業信息與電氣技術·

基于機器視覺的馬鈴薯晚疫病快速識別

黨滿意1，孟慶魁1，谷 芳1，顧 彪2，胡耀華1,3,4※

（1. 西北農林科技大學機械與電子工程學院，楊凌 712100；2. 西北農林科技大學植物保護學院，楊凌 712100；3. 陜西省農業信息感知與智能服務重點實驗室，楊凌 712100；4. 農業農村部農業物聯網重點實驗室，楊凌 712100；）

晚疫病是馬鈴薯的一種嚴重病害，可造成減產甚至絕收。因此馬鈴薯晚疫病的識別與控制對提高其產量有非常重要的意義。該文基于機器視覺技術對馬鈴薯葉部晚疫病進行檢測，根據馬鈴薯葉片上晚疫病斑的顏色、紋理和形狀特征參數的不同，提取葉片表面的特征參數，并建立數學模型對病害程度做出評價。在RGB、HSV顏色空間中，根據馬鈴薯葉片在患病早期葉片顏色發生變化且與健康葉片不同，利用顏色特征，建立馬鈴薯晚疫病的無病和患病模型，該模型對馬鈴薯患病早期的識別率為67.5%。利用灰度共生矩陣，采用紋理統計參數進行病害等級評價，用熵值和能量值描述晚疫病的嚴重程度，紋理特征對患病程度的識別率比較穩定，對患病中期與后期的識別率分別為72.5%與80%。利用形狀特征的相對特征，根據病斑面積比進行晚疫病診斷，該方法對馬鈴薯葉片晚疫病患病后期的診斷取得較好效果，識別率為90%，但由于葉片患病早期的病斑面積小且分散，識別難度大，識別率僅為50%。針對顏色、紋理及形狀特征在識別馬鈴薯葉片晚疫病時的優勢與局限性，提出顏色紋理形狀特征結合的識別方法，對患病中期與后期的識別率分別為90%和92.5%。通常馬鈴薯晚疫病的理化值檢測法耗時數天，但利用機器視覺識別馬鈴薯晚疫病患病情況非?？焖?，根據顏色特征進行病害識別的時間約為4 s，紋理特征識別的時間為7 s，形狀特征特征識別的時間為3 s，綜合顏色紋理形狀特征的識別由于計算量較大，識別時間為9 s。該研究可為基于機器視覺的馬鈴薯晚疫病的快速檢測提供理論依據。

機器視覺；圖像處理：病害；馬鈴薯晚疫??；特征提?。豢焖僮R別

0 引 言

馬鈴薯作為中國第四大主糧，其產量對保證中國糧食安全方面有重大的影響。根據2015年的世界糧食安全組織報告，中國的馬鈴薯種植面積居世界首位，種植面積大但平均單產很低[1-3]。中國的氣候環境極易導致馬鈴薯晚疫病的爆發，而其一旦爆發必定會減少馬鈴薯產量，降低馬鈴薯的品質，影響國家糧食安全[4-6]。

農作物在生長過程中會受到病害侵襲，使其產量和品質受到嚴重的影響，而病害識別和診斷是作物病害防治的前提，機器視覺技術已經在植物病害識別中有了廣泛的應用[7-10]。蔣豐千等[11]提出了一種基于卷積神經網絡的生姜病害識別系統，對炭疽病、姜瘟病、根結線蟲病和白星病進行研究分析，該系統的識別率達到了96%，可以較好地預測和識別生姜的相關病害；郭小清等[12]采用融合灰度差分統計與H分量4維特征的病害識別模型，提高了基于數字圖像識別番茄葉部病害的準確率，適應不同分辨率條件下的應用需求；劉媛等[13]針對葡萄病害葉片圖像的特點，應用計算機圖像處理和模式識別技術研究葡萄病害識別方法，為實現葡萄病害的快速自動識別提供了方法和依據。但利用機器視覺展開馬鈴薯晚疫病的研究目前還比較少，傳統上是依靠專家經驗判斷馬鈴薯葉片晚疫病的發病程度，依靠肉眼進行晚疫病特征識別，常常導致誤診。晚疫病分級不易，很難將葉片染病情況量化，但是在防治方面需要根據病情進行不同處理。因此，結合機器視覺研究一種快速、準確的馬鈴薯晚疫病實時識別方法，及時發現并防治病害，具有重要的現實意義。

本研究應用機器視覺技術，以晚疫病為逆境脅迫條件，以獲得馬鈴薯葉片的圖片信息判斷染病與否及染病程度，以實現病斑顯現時的準確識別，以做到早期預防，從而減少因晚疫病造成的馬鈴薯減產損失。

1 材料與方法

1.1 試驗材料

試驗采用下寨8號馬鈴薯，葉片樣品數量為240片；試驗菌種為馬鈴薯晚疫病菌（），來自西北農林科技大學植物保護學院實驗室，采用PRX-250B型人工氣候箱（中國寧波賽福實驗儀器有限公司）。

將試驗葉片分為12組，每組20片，其中2組為健康葉片，作為對照組（不接種），其他10組為染病組。試驗分6 d進行，接種時，在葉柄處裹上濕棉球，接種馬鈴薯晚疫病孢子懸浮液，接種部位在葉片背部二級葉脈之間，24 h后翻轉葉片，防止交叉感染。

1.2 病害分級標準

通過觀察不同患病天數馬鈴薯葉片的病斑顯現和面積大小來劃分病害分級。具體分級依據參考國家農藥田間藥效試驗準則（一）[14]中植物病害的分級標準：

0級：無病斑；1級：病斑面積占比5%以下；3級：病斑面積占比6%～10%；5級：病斑面積占比11%～20%；7級：病斑面積占比21%～50%；9級：病斑面積占比50%以上。

依據上述分級標準并結合本研究中馬鈴薯葉片的發病情況，將馬鈴薯葉片晚疫病分為以下幾個等級：

健康（0級）：無病斑；患病早期（1級）：病斑面積占比0～10%；患病中期（2級）：病斑面積占比11%～20%；患病后期（3級）：病斑面積占比20%以上。

1.3 試驗方法

本文技術路線圖如圖1所示，將采集的馬鈴薯葉片圖像進行預處理后分別提取顏色、紋理及形狀特征，建立病害分級模型，對病害進行識別分類。

圖1 技術路線圖

圖像采集系統由相機、計算機、光源及暗箱等組成，如圖2所示。用CCD工業相機，開啟近拍模式、白平衡自動曝光、圖像拍攝分辨率（像素）為2560×1920。拍攝時，選擇白色高對比度背景板作為拍攝背景，以減少后期圖像處理的難度。選用固定位置拍攝，避免拍攝位置不同對圖像的影響。在試驗的6 d中每天采集60片葉片的圖像信息，共計連續采集360片葉片的圖像信息，篩選出具有代表性的健康葉片、患病早期、患病中期及患病后期圖像各80幅。隨機選擇各類圖像中的40幅用于模型建立，剩余圖像作為驗證。

1.CCD工業相機 2.光源 3.樣本 4.平臺 5.計算機 6.暗箱

2 圖像預處理

2.1 圖像的濾波與噪聲消除

圖像采集中難免會受到外界的一些因素干擾，導致圖像中存在一定的噪音，會對葉片的特征提取產生干擾，并且葉片本身的脈絡也會對圖像特征提取產生不利的影響，因此采用中值濾波算法對圖像進行預處理[15]，在消除噪聲干擾的同時保留較為完整的葉片顏色信息。通過濾波操作后，原始圖像中可能對特征提取產生影響的噪聲被消除。如圖3所示，利用中值濾波處理后圖像噪聲明顯減弱，圖像更加平滑，并且圖像邊緣信息得到了有效保護。

圖3 中值濾波效果

2.2 圖像的二值化與形態學處理

數字圖像在計算機中的儲存格式為RGB格式，這種格式將圖像分成紅、綠、藍3個通道，每個通道都包含著圖像的信息，對3個通道都進行處理，計算量大，過程繁瑣。實際上，RGB格式的圖像形狀特征表現不明顯，為了方便對圖像的形態特征進行處理，同時簡化處理流程、降低處理難度，將圖像灰度化，在僅除去圖像顏色信息同時，保留圖像完整的形態信息，提高圖像處理效率[16-18]?；叶然Ч鐖D4a所示。根據大津法求得灰度化圖像的閾值，進行圖像二值化分割，實現病斑的初步提取。圖像二值化分割后，前景與背景圖像的類間方差最大，是圖像分割中閾值選取的最佳算法。為去除圖像中的噪聲，使提取的病斑邊緣更加平滑，對圖像進行先腐蝕后膨脹的開運算，選用3×3的橢圓作為形態學處理的核心元素，開運算效果如圖4b所示。

圖4 病斑初步提取

2.3 圖像分割

現有的圖像分割技術有很多，本文主要采用基于算法理論的分割方法和基于邊緣檢測的分割方法。

GrabCut是微軟研究室提出的一種基于算法理論的分割方法，通過用戶提供圖像背景和前景的種子，然后對前景背景建立概率分布模型，采用迭代的方法一步一步分割逼近圖像，最終獲得需要的圖像區域。GrabCut算法[19-20]在待處理的圖像上選定好合適的分割范圍，選定范圍內的圖像默認為前景，選定范圍外的圖像默認為背景，還可以加上人工交互方式，對復雜圖像進行更加細致的前景分割。GrabCut算法分割后目標葉片的前景分割效果如圖5所示。

圖5 GrabCut算法圖像前景分割效果

基于邊緣的分割方法是為了獲得不同形狀的病斑，以便于后期提取病斑特征參數，本文采用閾值可分離的Otsu法和斑點檢測[21-24]，通過二值化分割閾值，選定合適的形狀參數，獲得對比度明顯的病斑區域并標記。為了便于后期對病害區域紋理、顏色特征進行定量定性提取，處理過程中不改變圖像尺寸，將圖像以2560×1920像素保存，獲得所需要的只含有病斑的圖像區域，如圖6所示。

圖6 明顯病害區域自動標記效果

如圖7為病斑連續分割圖，利用OpenCV中的感興趣區域裁剪圖片，選擇void cvSetImageROI函數設置感興趣區域，以對比明顯的病斑區域作為感興趣區域，獲得整幅圖像的所有局部病斑，用于后續的圖像紋理、顏色特征識別。

圖7 病斑連續分割圖

3 特征的提取與識別

3.1 顏色特征的提取與識別

3.1.1 病斑顏色特征識別

本文將RGB和HSV顏色空間配合使用區別馬鈴薯葉部晚疫病害病斑的顏色特征。選擇需要進行顏色特征提取的患病葉片，考慮到實際田間檢測中只對目標葉片的患病部分檢測是不切實際的，所選取的最小檢測范圍應該是一簇葉片，因此選取經過GrabCut算法處理過的病害葉片在HSV顏色空間內進行顏色特征值的提取，首先將RGB格式的圖片轉換為HSV格式，RGB坐標系向HSV的轉化公式為

式中為色調，用角度度量，取值范圍為0°～360°，從紅色開始按逆時針方向計算，紅色為0°，綠色為120°，藍色為240°；為飽和度，表示顏色接近光譜色的程度，取值范圍為0～100%，值越大，顏色越飽和；為明度，表示顏色明亮的程度，通常取值范圍為0（黑）到100%（白）；、、分別代表紅、綠、藍3種顏色的通道值，取值范圍為0～255。

根據晚疫病病斑的顏色表現特征，確定HSV中各個通道的取值范圍，病情較為嚴重時葉片表面出現黃色暈圈，中心呈現黑褐色菌斑。由HSV顏色分量范圍可知各個通道的取值范圍為：黃色[26,43,46]～[34,255,255]，黑色[0,0,0]～[180,43,220]，顏色特征提取后的病斑圖像如圖 8所示。

圖8 病斑顏色特征提取效果

3.1.2 基于顏色特征的病害分級

根據顏色特征提取[25-27]后的病斑顏色分量值，結合本研究的病害分級標準，分析出其在HSV顏色空間內的各個通道的取值范圍，得到不同病害程度的不同顏色分量取值范圍，結果如表1所示。病斑顏色的深淺能夠反映葉片的患病程度，顏色越深代表單位葉片面積上菌落的聚集程度越高，晚疫病菌的個數越多，對葉片營養的破壞力越強，因此失去營養的葉片顏色會逐漸由表現健康的綠色轉化為失去營養的黃色和失去水分的黑色。

表1 基于顏色特征的病害分級結果

患病葉片的病斑顏色變化隨著患病程度而變化，代表患病后期的黑色特征不可能出現在代表綠色和微黃色的健康期和患病早期，因此該分級標準是可靠的。但是由于患病中期和患病后期的顏色區分不明顯，很容易混在一起，僅用顏色特征對患病程度進行評價并不完全可靠，因此需要引入紋理特征與形狀特征對病害程度進行更加準確的評價。

3.2 紋理特征的提取與識別

3.2.1 紋理的性質

紋理在圖像中以某種局部排列模式反復出現，排列規則不依賴于顏色或者光照，可以反映圖像同質現象的特點，因此紋理是一種有效的圖像特征?；疾●R鈴薯葉片病害部位的紋理粗細、大小以及方向等和健康馬鈴薯葉片相比有顯著不同，不同病害程度的紋理特征也不相同，因此本文進一步對病害區域的紋理特征進行提取?；叶裙采仃囀菆D像中像素變化關于方向與間隔的反映，是分析圖像像素排列規律與局部特征的基礎。本文采用基于統計方法的灰度共生矩陣[28-30]提取目標紋理參數。

3.2.2 紋理特征的提取與分析

根據灰度共生矩陣法，對灰度化后的圖像進行灰度共生矩陣特征提取，分別提取待測圖像的能量值、反方差值、對比度值和圖像熵值，尋找和病害特征相匹配的特征參數作為主要特征量判斷圖像的病害程度。

分別對健康、患病早期、患病中期、患病后期的馬鈴薯葉片使用灰度共生矩陣算法提取4項基本特征，結果如表2所示。

表2 紋理特征值

對灰度共生矩陣法獲得的特征值進行統計發現，對比度、熵差異明顯。對比度值在患病早期為0.63～0.69，患病中期為0.56～0.62，患病后期為0.40～0.55。圖像熵值在患病早期為2.06～2.38，患病中期為2.40～2.58，患病后期為2.67～3.42。能量值為0.06～0.41，健康葉片能量值為0.41～0.38，患病早期、患病中期與患病后期的能量值差異不明顯。對比度值分布在0.40～0.75之間，變化較小。

能量是灰度共生矩陣元素值的平方和，反映了圖像灰度分布均勻程度和紋理粗細度，能量值大表明當前紋理是一種規則變化較為穩定的紋理。熵值反映圖像灰度分布的復雜程度，熵值越大，圖像越復雜。馬鈴薯葉片為健康狀態時葉片的灰度集中，紋理特征均勻一致，但是患病葉片受病斑區域的影響圖像的紋理變化不規則。因此可以用熵值和能量值來判斷健康葉片與患病葉片。隨著馬鈴薯葉片患病程度的逐漸加深，患病區域的能量值逐漸降低，最低為0.06；而熵值逐漸增加，最高達3.42；健康葉片的能量值最小為0.38，熵值最大為1.73。對比度值直接反映了某個像素值及其領域像素值的亮度對比情況?；疾『笃跁r葉片大面積為病斑區域，圖像整體亮度與溝紋深度較為一致；而患病早期的情況與之相反，病斑區域較小，整個圖像的亮度與溝紋深度隨病斑區域及病斑顏色的深淺不斷變化。結合熵值信息可對葉片患病程度進行判斷。相關性表示圖片紋理的規則程度，但是由于健康狀態或者某一患病程度的葉片局部灰度值變化不大，導致相關性值區別不大，不能作為病害程度的判斷標準。

根據所獲得的量化指標，設計根據紋理特征的馬鈴薯晚疫病害檢測流程，如圖9所示。

圖9 紋理特征檢測流程

3.3 形狀特征的提取與識別

3.3.1 形狀特征參數的定義和計算

形狀是把一個物體從周圍物體中區別出來的重要特征，是圖像最顯著的視覺特征之一，利用形狀特征檢索圖像可以提高檢索的準確性和效率。形狀特征可以分為2類，一類是基于邊界的特征，另一類是基于區域的特征。相應地，基于圖像形狀特征的提取也分為基于邊界的特征提取和基于區域的特征提取2種情況。結合國家植物病害分級標準中的病斑面積比，選擇基于區域特征提取方法中的區域面積作為形狀特征描述參數：

病斑面積比：病斑面積/葉片面積。該參數是患病葉片的病斑面積與葉片面積的比值，可以用來區分患病的嚴重程度和病斑的相對大小。

面積：通過計算病斑圖像中病害部分的所有像素點總和衡量。對葉片圖像進行預處理后，獲取其病斑二值圖面積1，再獲得整個葉片二值圖面積2，二者相比即可計算出病斑面積比，如圖10。其計算公式為

3.3.2 根據形狀特征的病害分級模型

參考國家農藥田間藥效試驗準則（一）中植物病害的分級標準，結合不同患病程度葉片的病斑面積比不同，確定健康、患病早期、患病中期及患病后期的形狀參數范圍，獲得如表3所示的形狀特征病害分級結果。

表3 基于形狀特征病害分級結果

4 結果與分析

對根據國家植物患病等級確定患病程度的120幅馬鈴薯葉片圖像（患病早期、患病中期和患病后期各40幅），利用顏色、紋理、形狀及綜合顏色紋理形狀特征分別進行識別，識別結果如表4所示。利用顏色、紋理或形狀單一特征進行病害識別時，患病早期基于顏色特征識別方法的識別率最高達67.5%；患病中期基于紋理特征識別方法的識別率達72.5%；基于形狀特征的識別方法對患病后期的識別效果較好，可達90%。綜合顏色、紋理及形狀3個特征的識別方法的識別率相對單一特征都有所提高。

表4 馬鈴薯葉片晚疫病識別結果

對表4中的識別結果進行分析，造成識別效果差異的原因如下：

1）因為患病葉片病斑的顏色變化是與患病程度有關，代表著患病后期的黑色特征不可能出現在代表綠色和微黃色的健康期和患病早期，因此可根據顏色特征將患病早期區分出來。但是由于患病中期和患病后期的顏色區分不明顯，很容易混在一起，因此利用顏色特征識別患病中后期正確識別率不高。

2）紋理特征識別患病程度比較穩定，對患病中期與后期的識別率都大于70%，這是由于紋理特征內涵物體表面結構排列的規律，紋理特征具有一定的尺度不變性和旋轉不變性，處于不同患病時期的葉部病害區域紋理特征也不相同，這保證了對圖像紋理特征進行提取時的穩定性。但是由于拍攝照片像素影響，識別率不是特別高。

3）形狀特征識別方法對患病后期識別率高達90%，這是因為患病后期的病斑很明顯，能夠與未患病區域明顯區分，利用形狀特征進行識別時，能夠準確地將病斑區域提取出來，但是患病早期與患病中期的病斑顏色較淺，區域較小，提取準確率低。對患病早期與患病中期識別率不高，尤其是患病早期識別率只有50%，這是因為患病早期的病斑顏色及形狀特征不是特別明顯，很難準確提取患病區域。因此可以利用形狀特征進行患病后期的識別。

4）未能正確識別的多為患病早期的葉片，這些葉片的病斑不明顯甚至有的沒有，病斑區域的顏色與正常葉片的顏色差異不大，在可見光范圍內很難識別。

5）顏色紋理形狀特征結合進行病害識別的識別率相對單一特征識別要高，該方法取3個特征識別時的交集，避免了單一特征識別時的局限性，提高了識別率。

6）傳統上依靠人眼判斷馬鈴薯葉片晚疫病的發病程度，要求診斷者具有較為豐富的經驗，且常常出現誤診漏診，難以將葉片染病情況量化。馬鈴薯晚疫病的理化值檢測耗時數天。利用機器視覺檢測馬鈴薯晚疫病較為迅速，根據顏色特征進行病害識別所需的時間約為4 s，利用紋理特征進行識別耗時7 s，利用形狀特征識別所需時間最少為3 s，綜合顏色紋理形狀特征方法的識別率最高，但是由于在進行病害識別時需要進行顏色空間轉換與紋理特征提取，計算復雜度高，計算量相大，因此耗時較多，但也僅為9 s。

5 結 論

1）本研究通過采集發生晚疫病害的馬鈴薯葉片圖像，對其進行灰度化處理、濾波去噪聲、形態學處理后，再采用GrabCut算法和直方圖閾值分割算法進行比較和切割，能較好地提取晚疫病馬鈴薯葉片的特征。

2）在RGB、HSV顏色空間中，根據馬鈴薯葉片患病早期葉片顏色與健康葉片不同，利用顏色特征建立無病和患病檢測模型，該模型對患病早期的識別率為67.5%。

3）研究了相同尺度下的圖像紋理值，并根據這些紋理特征確定了大概的病患分離點，初步實現了病害識別，該方法對患病程度的識別率比較穩定，對患病中期與后期的識別率都大于70%。

4）根據國家植物病害分級標準，建立了馬鈴薯晚疫病分級標準，為晚疫病病害識別與分級打下基礎，利用該診斷方法對患病后期馬鈴薯葉片的識別較好，識別率高達90%。

5）提出顏色紋理形狀特征結合的識別方法，該方法與利用單一特征識別方法相比較，識別效果更好，對患病中期與后期的識別率都大于90%。

6）通常馬鈴薯晚疫病的理化值檢測耗時數天，但利用機器視覺檢測馬鈴薯晚疫病較為迅速。本研究進行馬鈴薯晚疫病的識別耗時最長為9 s，最短為3 s。本研究為馬鈴薯晚疫病的實時檢測、實現病斑顯現時的準確識別和及時防治提供了新的方法。

[1]羅其友，劉洋，高明杰，等. 中國馬鈴薯產業現狀與前景[J]. 農業展望，2015，11(3)：35－40. Luo Qiyou, Liu Yang, Gao Mingjie, et al. Status quo and prospect of China's potato industry[J]. Agricultural Outlook, 2015, 11(3): 35－40. (in Chinese with English abstract)

[2]謝建華. 我國馬鈴薯生產現狀及發展對策[J]. 中國農技推廣，2007(5)：4－7.

[3]李文娟，秦軍紅，谷建苗，等. 從世界馬鈴薯產業發展談中國馬鈴薯的主糧化[J]. 中國食物與營養，2015，21(7)：5－9. Li Wenjuan, Qin Junhong, Gu Jianmiao, et al. Developing potato as a staple food in China based on world potato development[J]. Food and Nutrition in China, 2015, 21(7): 5－9. (in Chinese with English abstract)

[4]魏亞雯. 馬鈴薯晚疫病[J]. 農業科技與信息，2009(1)：28.

[5]曹靜，客紹英. 馬鈴薯晚疫病流行學及防治方法研究進展[J].中國馬鈴薯，2005(1)：33－36.

[6]黃沖，劉萬才. 近幾年我國馬鈴薯晚疫病流行特點分析與監測建議[J]. 植物保護，2016，42(5)：142－147. Huang Chong, Liu Wancai. Occurence characteristics and monitoring advice of potato late blight in China in recent years[J]. Plant Protection, 2016, 42(5): 142－147. (in Chinese with English abstract)

[7]何勇，彭繼宇，劉飛，等. 基于光譜和成像技術的作物養分生理信息快速檢測研究進展[J]. 農業工程學報，2015，31(3)：174－189. He Yong, Peng Jiyu, Liu Fei, et al. Critical review of fast detection of crop nutrient and physiological information with spectral and imaging technology[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(3): 174－189. (in Chinese with English abstract)

[8]賴軍臣，李少昆，明博，等. 作物病害機器視覺診斷研究進展[J]. 中國農業科學，2009，42(4)：1215－1221. Lai Junchen, Li Shaokun, Ming Bo, et al. Advances in research on computer-vision diagnosis of crop diseases[J]. Scientia Agricultura Sinica, 2009, 42(4): 1215－1221. (in Chinese with English abstract)

[9]李志剛，傅澤田，李麗勤. 基于機器視覺的農業植保技術研究進展[J]. 農業機械學報，2005，36(8)：143－146. Li Zhigang, Fu Zetian, Li Liqin. Advance in agricultural plant protection technology based on machine vision[J]. Transactions of the Chinese Society for Agricultural Machinery, 2005, 36(8): 143－146. (in Chinese with English abstract)

[10]曹樂平. 基于機器視覺的植物病蟲害實時識別方法[J]. 中國農學通報，2015，31(20)：244－249. Cao Leping. The research progress on machine recognition of plant diseases and insect pests[J]. Chinese Agricultural Science Bulletin, 2015, 31(20): 244－249. (in Chinese with English abstract)

[11]蔣豐千，李旸，余大為，等. 基于Caffe的生姜病害識別系統研究與設計[J]. 中國農機化學報，2019，40(1)：126－131. Jiang Fengqian, Li Yang, Yu Dawei, et al. Design and experiment of tobacco leaf grade recognition system based on Caffe[J]. Journal of Chinese Agricultural Mechanization, 2019, 40(1): 126－131. (in Chinese with English abstract)

[12]郭小清，范濤杰，舒欣. 基于圖像融合特征的番茄葉部病害的識別[J]. 湖南農業大學學報自然科學版，2019，45(2)：212－217. Guo Xiaoqing, Fan Taojie, Shu Xin. Recognition of tomato leaf disease based on image fusion feature[J]. Journal of Hunan Agricultural University: Natural Sciences, 2019, 45(2): 212－217. (in Chinese with English abstract)

[13]劉媛，馮全. 葡萄病害的計算機識別方法[J]. 中國農機化學報，2017，38(4)：99－104. Liu Yuan, Feng Quan. Identification method of grape diseases based on computer technology[J]. Journal of Chinese Agricultural Mechanization, 2017, 38(4): 99－104. (in Chinese with English abstract)

[14]GB/T 17980. 34-2000，農藥田間藥效試驗準則（一）殺菌劑防治馬鈴薯晚疫病[S]北京：中國標準出版社，2000.

[15]高浩軍，杜宇人. 中值濾波在圖像處理中的應用[J]. 電子工程師，2004(8)：35－36. Gao Haojun, Du Yuren. The application of median filtering on image processing[J]. Electronic Engineer, 2004(8): 35－36. (in Chinese with English abstract)

[16]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. Tian Kai, Zhang Liankuan, Xiong Meidong, et al. Recognition of phomopsis vexans in solanum melongena based on leaf disease spot features[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(Supp.1): 184－189. (in Chinese with English abstract)

[17]吳娜，李淼，陳晟，等. 基于融合多特征圖切割的作物病害圖像自動分割[J]. 農業工程學報，2014，30(17)：212－219. Wu Na, Li Miao, Chen Sheng, et al. Automatic segmentation of plant disease images based on graph cuts fusing multiple features[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2014, 30(17): 212－219. (in Chinese with English abstract)

[18]畢昆，姜盼，李磊，等. 基于形態學圖像處理的麥穗形態特征無損測量[J]. 農業工程學報，2010，26(12)：212－216. Bi Kun, Jiang Pan, Li Lei, et al. Non-destructive measurement of wheat spike characteristics based on morphological image processing[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2010, 26(12): 212－216. (in Chinese with English abstract)

[19]Dina Khattab, Christian Theobalt, Ashraf S. Hussein, et al. Modified GrabCut for human face segmentation[J]. Ain Shams Engineering Journal, 2014, 5(4): 1083-1091.

[20]丁紅，張曉峰，基于快速收斂Grabcut的目標提取算法[J]. 計算機工程與設計，2012，33(4)：1477－1481. Ding Hong, Zhang Xiaofeng. Object abstraction algorithm with fast Grabcut[J]. Computer Engineering and Design, 2012, 33(4): 1477－1481. (in Chinese with English abstract)

[21]李華強，喻擎蒼，方玫. Canny算子中Otsu閾值分割法的運用[J]. 計算機工程與設計，2008(9)：2297－2299. Li Huaqiang, Yu Qingcang, Fang Mei. Application of Otsu thresholding method on Canny operator[J]. Computer Engineering and Design, 2008(9): 2297－2299. (in Chinese with English abstract)

[22]蔡梅艷，吳慶憲，姜長生. 改進Otsu法的目標圖像分割[J]. 電光與控制，2007(6)：118－119. Cai Meiyan, Wu Qingxian, Jiang Changsheng. Target image segmentation based on modified Otsu algorithm[J]. Electronics Optics & Control, 2007(6): 118－119. (in Chinese with English abstract)

[23]吳冏，張然然，魏舒罕，等. 改進的斑點檢測算法[J]. 計算機工程與設計，2010，31(22)：4851－4854. Wu Jiong, Zhang Ranran, Wei Shuhan, et al. Improved blotch detection method[J]. Computer Engineering and Design, 2010, 31(22): 4851－4854. (in Chinese with English abstract)

[24]Jain Rajkumar, Johari Punit Kumar. An improved approach of CBIR using Color based HSV quantization and shape based edge detection algorithm[C]// IEEE International Conference on Recent Trends in Electronics, 2017. Doi:10.1109/RTEICT.2016.7808181.

[25]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. Ma Juncheng, Wen Haojie, Li Xinxing, et al. Downy mildew diagnosis system for greenhouse cucumbers based on image processing[J]. Transactions of the Chinese Society for Agricultural Machinery, 2017, 48(2): 195－202. (in Chinese with English abstract)

[26]Lin Guoyu, Yang Biao, Zhang Weigong. Human tracking in camera network with non-overlapping FOVs[J]. Journal of Southeast University: English Edition, 2012, 28(2): 156－163. 林國余，楊彪，張為公. 在非重疊視域監控網絡中的人體目標跟蹤[J]. 東南大學學報：英文版，2012，28(2)：156－163. (in English with Chinese abstract)

[27]Wang Feng, Man Lichun, Wang Bangping, et al. Fuzzy-based algorithm for color recognition of license plates[J]. Pattern Recognition Letters, 2008, 29(7): 1007－1020.

[28]高程程，惠曉威.基于灰度共生矩陣的紋理特征提取[J]. 計算機系統應用，2010，19(6)：195－198. Gao Chengcheng, Hui Xiaowei. GLCM-based texture feature extraction[J]. Computer Systems & Applications, 2010, 19(6): 195－198. (in Chinese with English abstract)

[29]Al-Sahaf Harith, Zhang Mengjie, Al-Sahaf Ausama, et al. Keypoints detection and feature extraction: A dynamic genetic programming approach for evolving rotation-invariant texture image descriptors[J]. IEEE Transactions on Evolutionary Computation, 2017, 21(6): 825－844.

[30]Manivannan K, Aggarwal P, Devabhaktuni V, et al. Particulate matter characterization by gray level co-occurrence matrix based support vector machines[J]. Journal of Hazardous Materials, 2012, 223-224(2): 94－103.

Rapid recognition of potato late blight based on machine vision

Dang Manyi1, Meng Qingkui1, Gu Fang1, Gu Biao2, Hu Yaohua1,3,4※

(1.,,,712100,; 2.,,,712100,; 3.,712100,; 4.,,,712100,)

Late blight is a serious disease that occurs of potato, which can reduce the yield and even kill the crop. Therefore, the recognition and control of potato late blight is of important practical significance to improve potato yield. Based on machine vision technology, a rapid recognition method of potato late blight was proposed in this paper. According to the different characteristics of the color, texture and shape of late blight on the potato leaves, the characteristic parameters of the lesion areas on leaves were extracted, and the mathematical model was established to evaluate the disease. The potato leaves of Xiazhai No.8 were selected and inoculated within the artificial climate chamber. The image information of potato leaves was collected by image acquisition system, and the collected images were preprocessed by median filtering algorithm, eliminating noise interference while retaining more complete leaf color information. The Grab Cut algorithm was used to separate the foreground and background of the image and extract the image of the potato leaf. The image was binarized by the OTSU method, and the lesion information was initially extracted. In order to remove the noise in the image and make the edge of the extracted lesion smoother, the open operation was selected. For the recognition based on color features, in the RGB and HSV color spaces, according to the change of leaf color of potato leaves in early stage of disease, the disease-free and disease model of potato blight was established by using color features. The correct recognition rate of the model in early stage of disease was 67.5%. For the recognition based on texture features, using the gray level co-occurrence matrix and the statistical parameters of texture features to evaluate the disease level, using entropy and energy values to describe whether the potato leaves were in the late stage of disease, using contrast ratio and entropy to judge the disease degree, the recognition rate of texture feature to the disease was relatively stable, and the recognition rate of middle and late stage of disease was more than 70%. For recognition based on shape features, using the relative characteristics of the shape features, i.e. the area ratio of the lesions to judge whether the late blight was, and the recognition rate was as high as 90%. Traditionally, the judgment of potato late blight mainly depends on human eyes, which is difficult to quantify the degree of leaf disease, and requires experienced disease diagnosis experts, often misdiagnosed, missed diagnosis, and it takes a long time to detect the pathological value of potato late blight, but using machine vision to detect potato late blight is relatively fast and accurate. The comparative test results show that the recognition time for potato late blight based on color features was about 4 s, the recognition time based on texture feature was 7 s, the recognition time based on shape feature was 3 s, and the recognition time for comprehensive color texture shape features was 9 s due to the large amount of calculation.This study provides a reference for the real-time detection of potato late blight, realizes the accurate identification of the disease when it appears, and achieves the purpose of timely detection and control of late blight

computer vision; image processing; disease; potato late blight; feature extraction; rapid recognition

黨滿意，孟慶魁，谷 芳，顧 彪，胡耀華. 基于機器視覺的馬鈴薯晚疫病快速識別[J]. 農業工程學報，2020，36(2)：193－200. doi：10.11975/j.issn.1002-6819.2020.02.023 http://www.tcsae.org

Dang Manyi, Meng Qingkui, Gu Fang, Gu Biao, Hu Yaohua. Rapidrecognition of potato late blight based on machine vision[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(2): 193－200. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2020.02.023 http://www.tcsae.org

2019-09-29

2019-10-28

國家自然科學基金項目（31971787)；中央高校基本科研業務費專項資金項目（2452019179）

黨滿意，主要從事農情信息快速獲取、無損檢測方面的研究。Email：dangmanyinwsuaf@163.com

胡耀華，博士，教授，主要從事機電一體化、農情信息快速獲取、農產品貯藏加工及無損檢測等方面的研究。Email：huyaohua@nwsuaf.edu.cn

10.11975/j.issn.1002-6819.2020.02.023

S24

A

1002-6819(2020)-02-0193-08