基于機器視覺的油菜菌核病分級檢測研究*

王珊，薛新宇，郭祥雨

(1. 農業農村部南京農業機械化研究所，南京市，210014； 2. 安徽農業大學，合肥市，230036)

0 引言

油菜是我國重要的經濟作物，種植面積越來越廣且菜籽油是我國第一大植物油，高產是保證我國油料安全的重要舉措。在油菜生產過程中，包含育苗、移栽、植保等多個環節。其中，植保是保證油菜高產的重要一環，而油菜生產過程中易受到多種病蟲害的侵襲，如霜霉病、白銹病、菌核病等，輕則損害植株，重則植株萎蔫，影響油菜的產量和質量，特別是菌核病，是困擾油菜生產的頑病之一，主要是因為其潛伏期長，從下往上，由內部到外部發病，難以察覺，特別是在潮濕、高溫的環境下容易爆發難以及時防控，一般情況下可導致減產10%～15%，嚴重的可達70%以上[1-2]。

基于機器視覺在油菜病蟲害方面取得很多研究成果，翟瑞芳等[3]嘗試利用基于高斯HI顏色算法對不同天氣狀況下拍攝的完整油菜葉片進行分割識別，并取得較好的效果，為自動識別出油菜后期生長發育提供可靠數據。武靜雯等[4]研究基于MVS技術對苗期健康油菜、病蟲害油菜植株、綠蘿等進行可視化模型的建立，通過該模型，可以反饋油菜的生長參數，例如葉面積，葉長度和植株高度等。卜翔宇[5]通過對感染黑斑病、細菌性黑斑病、霜霉病的油菜葉片提取顏色矩和顏色共生矩陣得到感興趣區域的特征，并結合D-S證據理論將這些特征進行決策融合，大大提高油菜病害的識別準確率。孫光明[6]采用ASD便攜式光譜儀采集油菜葉片樣本的光譜，根據正常和感染菌核病的葉片的特征波長的不同，對油菜葉片進行早期菌核病的診斷。劉飛[7]基于多光譜技術對油菜不同生長階段葉片和冠層營養物質信息進行監控，提出油菜生物脅迫菌核病早期診斷和識別的方法。陳納[8]使用高光譜成像技術研究成功接種菌絲的油菜葉片，并基于光譜成像，根據葉片內部酶活性指標以及農作物植被指數建立了預測模型，可達到快速檢測葉片的生理信息。而油菜菌核病的發病部位不局限于葉片，還有莖稈、角果等部位，上述研究成果難以直接應用。莖稈位于油菜花朵的下部其數據采集比較困難，而且易受其他環境的影響，如土壤、葉片、其他植株的莖稈、雜草等。油菜感染菌核病的發病初期，莖稈病斑面積較小難以捕獲，缺乏相關研究。若能及時監測并識別莖稈染病初期的病斑，則能對其精準防控，提高油菜籽的產量。

針對上述問題，本文提出一種基于混合高斯模型的油菜菌核病自動檢測識別方法，首先制定油菜感染菌核病的葉片與莖稈的分級標準；其次構建可識別復雜環境下的油菜葉片與莖稈的病害區域基于RGB與HSV顏色空間模型的轉換，提出病斑面積占比法計算葉片病情等級及縱向擴展長度法計算莖稈的病情等級；最后根據預測結果設計可遷移的油菜菌核病自動識別軟件，為后續菌核病的遠程監控、病情監測提供技術支持。

1 材料與方法

本文的處理流程如圖1所示，本研究獲取葉片和莖稈的圖片來源分別是人工對油菜健康植株進行菌絲接種拍攝的。基于鄭露等[9-10]對油菜菌核病的浸染研究中可知，用菌絲塊或帶菌絲的花瓣接種葉片和莖稈其發病率均可達到100%，油菜菌核病是一種真菌性病害，主要混雜在土壤中或以菌核的形式附著在其他作物的植株上；整個生長發育期都可能發病，其莖、葉、花、角果都可能受到其害，尤以莖部最為嚴重。感染后的莖部會出現淺褐色的病斑，后會逐漸成為褐色的輪紋狀的長條斑；葉片染病后會出現不規則的斑點，后會成為近圓形或不規則形的黃褐色的病斑。本試驗從江蘇省農業科學院油菜育種試驗田采集具有上述特征的已感染菌核病的油菜植株，首先利用組織分離的方法[11]獲取純凈的核盤菌菌絲，將其放在PDA的培養基中，該培養基主要化學成分分別包括：土豆300 g、葡萄糖20 g、瓊脂20 g、水1 000 mL，為保證油菜健康部位接種成功，要將其放在溫度25 ℃左右、濕度約85%的恒溫培養箱中。

圖1 病害分級流程圖Fig. 1 Disease classification flow chart

葉片接種步驟：第一步，選取5～6葉期的油菜植株，取第3葉或第4葉完整的健康油菜葉片。第二步，在油菜葉片表面選取比較相似的兩個部位，用牙簽將其戳破，并滴少許自來水；并將準備好的菌絲塊放在該部位；將接種完成的葉片放在恒溫培養箱中進行觀察記錄。第三步，對接種成功的油菜葉片分別于24 h、36 h、48 h、60 h拍攝記錄，并測量葉片病斑的長和寬。

莖稈接種方法：第一步，于油菜盛花末期接種，接種部位應距莖基部30～40 cm。第二步，將帶有菌絲的瓊脂塊放在莖稈的封口膜中間，使菌絲面向莖稈，用保鮮膜將其纏繞，確保菌絲塊密封保濕。第三步，對于接種成功的莖稈分別在接種后5天、11天、17天測量出各單株的病斑縱向擴展長度并用相機記錄其病害程度。

2 圖像采集與處理

2.1 圖像采集

本文圖像采集使用的設備為自用的華為nova2s手機相機，后置2 000萬黑白外加1 600萬彩色仿生雙鏡頭，分辨率為2 160像素×1 080像素。為減小光照強度的影響，圖片均是在晴天確保光線充足的情況下進行的，采集時間為10：00至14：00，采集過程應保證是在同一高度、同一角度對圖片進行拍攝的；并將采集到的照片全部傳輸至電腦，統一修改尺寸為260像素×300像素、JPG格式的圖片。本文圖像處理算法是在Window 10環境下采用神舟戰神系列Z7M-CT7NK筆記本電腦，借助編程工具Geany1.36編譯器，搭載的環境為Python3.8.8+OpenCV。

(a) 接種成功的葉片

(b) 接種菌絲的莖稈

(c) 成功感染菌核病的莖稈圖2 接種成功的圖片Fig. 2 Pictures of successful vaccination

2.2 相機標定

為減小設備拍攝和傳輸過程中會產生各種畸變帶來的影響，在圖片采集完成后，我們先利用張正友棋盤標定法對圖像進行矯正[12]。圖3是進行標定的過程，圖3(a)是把打印好的棋盤圖片粘貼在門后用相機進行拍攝，其拍攝角度與高度應和葉片及莖稈采集過程中的高度、角度保持一致，圖3(b)是通過校正畸變的角點檢測過程，圖3(c)是標定完成后的圖片，本文展示的油菜圖片均為已標定的圖像。

(a) 畸變前

(b) 角點檢測

(c) 校正后圖3 相機校正Fig. 3 Camera calibration

2.3 圖像去噪與特征提取

2.3.1 圖像去噪

在進行圖像采集時，因相機本身金屬材料、傳輸介質等原因，圖片會存在些許噪聲，故首先需對圖片進行去噪處理，本文就常用的幾種濾波方法進行比較分析和處理，如表1所示，去噪結果如圖4所示，多次對比試驗發現雙邊濾波能夠在平滑噪聲的同時保留目標區域的完整邊緣信息，以滿足后續處理，因此，圖片采集完成后，首先對圖片采用雙邊濾波進行去噪處理。

表1 常用濾波比較Tab. 1 Comparison of common filters

(a) 原圖

(b) 雙邊濾波

(c) 均值濾波

(d) 方框濾波

(e) 高斯濾波

(f) 中值濾波圖4 常用濾波方法處理Fig. 4 Common filtering methods

2.3.2 圖像分割與特征提取

圖像分割的主要目的是將圖像中的感興趣區域從圖片背景中分離出來，這是進行下一步圖像識別、分析和理解的基礎，其中最常用的是閾值化分割法和顏色空間轉換法[13]，本研究分別采用這兩種方法對圖像進行分割，以尋找最優方法，以油菜葉片為例。

基于閾值分割，分割前需對圖像進行灰度化處理，可把圖片形式從三維轉為二維，減小了計算量。常用的閾值化分割方法有：直方圖和直方圖變換法、最大類間方差法、最小誤差法、最大熵法、局部閾值分割法和動態閾值分割法。根據選取閾值的方式有以下幾種分割方法：雙峰法；迭代法；大津閾值法(OTSU法)。本文通過大津閾值法和灰度直方圖分別對圖像進行處理，根據其得到的分割閾值41/255，作為閾值化分割的輸入從而對其進行分割，結果如圖5所示。

(a) OTSU

(b) 閾值化

(c) 灰度直方圖圖5 閾值化分割Fig. 5 Threshold segmentation

基于顏色空間模型轉換，常用的一般是把RGB圖像轉換成HSV、YUV圖像等。RGB顏色模型是通過對紅(R)、綠(G)、藍(B)三個顏色通道的變化以及它們相互之間的疊加來得到各種各樣的顏色的，是目前運用最廣泛的一種顏色系統[14]。至今，相機、數碼相機等設備采集的圖片均為bgr圖像，應先把其轉換成RGB圖片，再進行下一步操作。其中bgr圖片與基于RGB顏色模型的圖像的轉換關系如式(1)所示。

(1)

油菜受菌核病浸染后，在葉片和莖稈部位會出現不規則的黃褐色的病斑，與健康部位有明顯的顏色差異，該顏色特征能很好地反映病害特性。RGB顏色模型不符合人們對顏色特性的主觀判斷，HSV顏色空間模型最接近人眼的視覺系統和主觀判斷，該模型是1978年由A.R.Smith依據顏色的直觀特性創建的顏色空間模型[15]，可非常直觀的表達顏色的色調、鮮艷程度和明暗程度，方便進行顏色的對比，故本文通過把圖像從RGB模型轉換為HSV顏色模型進行研究。由RGB到HSV的轉換如式(2)所示。

(2)

葉片圖像通過HSV分量遍歷圖片所有像素提取病斑區域結果如圖6所示，與圖5對比發現，基于HSV顏色模型的分割效果更好，多次試驗驗證均與該結果保持一致，故本文均采用此方法進行分割。

(a) 原圖

(b) 基于HSV分割圖6 圖像分割Fig. 6 Image segmentation

莖稈圖片因其背景復雜，去噪結束后需先從圖片獲取目標區域莖稈，再進行病斑提取。在此引用高斯混合模型。該模型[16]一般使用K(通常為3～5)個高斯模型來表征圖像中各個像素點的特征，在新一幀圖像獲得后更新混合高斯模型，用當前圖像中的每個像素點與混合高斯模型匹配，如果成功則判定該點為背景點，否則為前景點。取K為3，利用此模型處理后可得目標區域，再基于HSV顏色空間模型對其進行分割得到感興趣區域，其結果如圖7所示。

3 病害分級

葉片病害程度分級主要是依據病斑面積占比，莖稈的嚴重程度是根據病斑的縱向擴展長度。傳統的面積計算有葉面積儀測定法、方格紙計算法和圖像處理等方法，其中葉面積儀法雖然能夠較為精確的測定葉片的面積，但儀器昂貴且攜帶不方便，方格法操作繁瑣，耗時費力，而圖像處理不僅速度快且使用起來更加便攜[17]。圖像處理法通過繪制病斑和葉片的輪廓，從而求出病斑和葉片的面積，計算出病斑面積的占比，從這個數值可以直觀地看出油菜菌核病在葉片上表現出的病害程度，圖像區域中面積是指圖片中像素的點數，設病斑和葉片在圖像區域的大小分別為m×n，M×N。

(3)

式中：I——病斑面積占比；

S病斑——病斑面積；

S葉片——葉片的面積；

f()——面積積分函數。

在對圖片面積計算時需先繪制葉片和病斑的輪廓，繪制前要得到其清晰的邊緣信息。邊緣常以點、直線或曲線的形式出現，是指位于圖像中灰度間斷或跳變的兩個區域邊界上的單個或一組相連的像素。圖像處理時，首先對圖片進行二值化，然后對邊緣進行提取，本文對圖片分別進行了基于Canny算子、Laplacian算子和Sobel算子的邊緣檢測，結果如圖8和圖9所示。

(a) Original

(b) Canny

(c) Sobel

(d) Laplacian圖8 葉片邊緣檢測Fig. 8 Blade edge detection

(a) Original

(b) Canny

(c) Sobel

(d) Laplacian圖9 病斑輪廓提取Fig. 9 Diseased spot contour extraction

通過處理結果可以得到Canny算子對葉片及病斑的邊緣輪廓檢測的更清晰，為確保葉片面積的精度，接下來的輪廓繪制均是以Canny邊緣檢測后的二值化圖片作為輪廓繪制的基礎。本文主要根據python函數庫里的查找邊緣findContours函數進行葉片和病斑的輪廓繪制，并通過contourArea函數計算該輪廓區域內的面積，從而對葉片病害程度進行分級。針對染病的莖稈圖片，主要是利用病斑的縱向擴展長度進行分級，本研究對該部位采用最小外接矩形對病斑區域進行輪廓繪制，通過把圖片中該矩形的長度像素值通過像素轉換關系映射到真實世界的坐標長度，從而進行分級，結果如圖10所示。

(a) 葉片原圖

(b) 輪廓繪制

(c) ROI區域

(d) ROI繪制

(e) 莖稈病斑

(f) 輪廓繪制圖10 輪廓繪制Fig. 10 Outline drawing

本文通過此方法計算葉片病斑面積占比為10.97%，葉面積儀測量的結果為11.01%，基于HSV顏色空間模型處理后的病斑面積占比與人工測量結果相比具有誤差小、耗時短的優點。

目前，關于油菜葉片菌核病分級還沒有明確的標準，本研究參考小麥白粉病的分級標準[18]，對油菜葉片感染菌核病的嚴重程度進行分級，0級：0～1%；1級：1%～5%；2級：5%～10%；3級：10%～20%；4級：20%～40%；5級：40%～60%；6級：60%～80%；7級：80%～100%。有關莖稈的染病程度，中華人民共和國農業農村部早些年發布的NY-T 2038-2011《油菜菌核病測報技術規范》[19]，其分級標準總結如下：0級：沒有發病或僅有黑色斑點的侵染印記；1級：形成明顯的褐色病斑，且病斑縱向擴展長度小于或等于5 cm；2級：病斑長度小于或等于10 cm，并開始環莖擴展；3級：大于10 cm，并完全環莖。根據小麥白粉病的分級標準，該葉片的處理結果為3級，莖稈的病斑通過最小外接矩形得到的縱向擴展長度與人工用游標卡尺緊貼莖稈病斑測得的結果一致，均為1級。

4 試驗結果與分析

本文的葉片和莖稈的圖片均是從江蘇省農科院油菜育種試驗田采集得到的，本研究針對不同病害程度的葉片和莖稈分別處理50張，其中葉片圖片總計400張，莖稈圖片共200張，感染菌核病的油菜葉片主要依據小麥白粉病的分級標準，其處理結果如表2所示；根據中華人民共和國油菜測報技術規范對感染菌核病的油菜莖稈進行分級，結果見表3。經計算得出，葉片的分級平均準確率達到94.25%；莖稈的平均精確率可達92.5%，該結果具有一定的魯棒性。

表2 油菜葉片菌核病識別率表Tab. 2 Identification rate of sclerotia in rape

表3 油菜莖稈菌核病識別率表Tab. 3 Identification rate of sclerotia in rape

5 結論

1) 本文基于傳統的閾值處理對感染菌核病的油菜葉片進行病斑提取，結果與實際相差較大，在此基礎上提出一種基于HSV顏色空間的病斑面積占比方法實現油菜葉片菌核病的分級。首先進行顏色空間轉換，提取葉片輪廓和感興趣區域，計算感興趣區域面積占比實現分級。

2) 油菜菌核病不只浸染葉片還有莖稈，且莖稈的感染程度直接影響油菜的產量；本文通過高斯混合模型對油菜莖稈圖片進行目標提取，再通過HSV顏色分割可得ROI區域，并對其進行最小外接矩形輪廓繪制，該矩形的長就是病斑的縱向擴展長度，根據中華人民共和國農業農村部NY-T 2038-2011《油菜菌核病測報技術規范》可對莖稈的病害程度進行分級。

3) 本方法參考小麥白粉病的分級標準對油菜葉片的病害程度進行分級，共分為0～7級且葉片平均準確率為94.25%；根據中華人民共和國農業農村部NY-T 2038-2011《油菜菌核病測報技術規范》莖稈病害分級方法并進行算法試驗驗證，莖稈分級準確率可達92.5%，該算法具有很好的穩定性。