基于蔬菜表型特征的病蟲害識別技術研究

龐利民

（寧波大龍農業科技有限公司，浙江 寧波 315000）

蔬菜病蟲害是影響蔬菜生產的重要因素，傳統的病蟲害檢測方法主要依靠人工觀察和經驗判斷，具有效率低下、精度不高等缺點。隨著圖像識別技術的發展，利用基于深度卷積神經網絡的蔬菜病蟲害識別方法[1]，可有效提高識別效率和準確性。結合RGB 和HSV 顏色空間信息，通過訓練神經網絡模型對病蟲害圖像進行自動分類，收集蔬菜病蟲害RGB 格式的原始圖像后，進行降噪、增強、轉換等方式預處理，并計算RGB 圖像的顯著性圖[2]，利用閾值化技術得到二值圖像，實現蔬菜表型病蟲害的識別。

1 數據收集與預處理

基于圖像識別的蔬菜表型特征的病蟲害識別技術主要利用圖像處理和機器學習算法，對蔬菜葉片、果實等部位進行特征提取和分類識別，主要分為圖像收集、圖像預處理、特征提取、分類識別和后處理等步驟。

圖像預處理是病蟲害識別的基礎步驟，主要通過降噪、增強、轉換等方式改善圖像質量，提高后續處理的精度和穩定性。特征提取是從預處理后的圖像中提取出與病蟲害相關的表型特征，如顏色、形狀、紋理等。分類識別是利用機器學習算法對提取的特征進行分類和識別，從而確定病蟲害的種類和嚴重程度。后處理是對分類識別的結果進行進一步的處理和分析，如數據可視化、結果評估等。

圖像預處理的去噪算法主要包括以下5 種。

1)Wiener 濾波算法。Wiener 濾波器是一種基于頻域的濾波器，通過最小化噪聲功率譜來去除噪聲，Wiener 濾波器在去除噪聲的同時盡量保留圖像的細節。

2)高斯濾波算法。高斯濾波器是一種線性平滑濾波器，通過使用高斯函數對圖像進行卷積來去除噪聲，高斯濾波器在去除噪聲的同時能夠保持圖像的平滑。

3)雙邊濾波算法。雙邊濾波器是一種非線性平滑濾波器，在保持圖像邊緣清晰的同時去除噪聲。雙邊濾波器通過將像素點的值設置為鄰域內像素點的加權平均值來去除噪聲，其中權重的計算考慮了像素間的空間距離和灰度差異。

4)自適應濾波算法。自適應濾波器能夠根據圖像的局部特性自適應地調整濾波器的參數，以達到更好的去噪效果。常見的自適應濾波器包括自適應Wiener 濾波器和自適應中值濾波器等。

5)基于深度學習的去噪算法[3]。近年來，基于深度學習的圖像去噪算法取得了很大的進展，這些算法通過訓練深度神經網絡來學習圖像去噪的映射關系，能夠在去除噪聲的同時較好地保留圖像的細節和紋理。

本研究采用Wiener 濾波算法，適合在蔬菜表型特征病蟲害的識別。如式（1）所示。

式中：y(n)表示輸出信號，X(n)表示輸入信號，H(m)表示濾波器的沖擊響應。

為了確定最佳的濾波器系數，Wiener 濾波器利用了最小均方誤差MSE 準則，即最小化輸出信號與期望信號之間的誤差平方和。通過求解最優濾波器的系數，可以使得輸出的均方誤差最小[4]。

2 特征提取與表示

為了更好地表示蔬菜病蟲害的特征信息，本研究采用了多種特征提取方法。利用顏色衰減技術從原始RGB 圖像中提取出具有代表性的顏色特征，這一過程有助于減少冗余信息，突出蔬菜病蟲害特征的顏色差異。此外，將原始RGB 圖像轉換為HSV 顏色空間，進一步提取出與人類視覺感知相近的顏色特征。同時，通過計算各顏色在整張圖像中的比例，提取出更具有代表性的顏色信息。

使用K-means 方法對HSV 圖像進行聚類，將HSV圖像轉換為K-means 算法可以處理的格式，K-means算法是一種無監督的機器學習算法，用于將數據點聚類成K 個不同的組。在此場景中，使用K-means 算法將HSV 圖像中的像素聚類成若干顏色近似區域。計算RGB 圖像的顯著性圖包括以下幾個步驟。

1)計算區域間的距離和面積。在完成聚類后，需要計算區域間的距離和面積。對于區域內的像素點，需要計算像素點之間的空間距離Ds，以及任意其他區域的面積A（ri）。

2)計算RGB 顏色空間距離。RGB 顏色空間距離是衡量2 個像素顏色差異的重要指標。在RGB 顏色空間中，顏色差異可以通過比較像素值的差異來度量。Dr表示2 個區域的RGB 顏色空間距離[5]。

3)計算顯著性值S。每個區域的顯著性值S見式（2）。式（2）是基于顏色和空間信息的加權函數，用于衡量一個區域相對于其他區域的顯著性。

根據K-means 方法將HSV 圖像聚類成若干顏色近似區域，并根據式（2）計算在衰減的RGB 圖像的對應區域內計算各區域的顯著性值S。

式中：rk為當前區域，ri為任意其它區域，Ds為2 個區域中心點的空間距離，A(ri)為任意其他區域的面積，Dr為2 個區域的RGB 顏色空間距離。ε的取值區間為0.3～0.5。

Dr(r1,r2)的計算公式詳見式（3）。

式中：p(cm,n)為第m 個區域中第n 種顏色所占的比例，D(c1,i,c2,j)為2 種顏色在衰減后的RGB 顏色空間中的距離，n1、n2分別為r1、r2區域中顏色的總數。

通過以上步驟，可以計算出RGB 圖像的顯著性圖[6]。顯著性圖是一種反映不同區域顯著性的圖像，有助于突出圖像中的重要信息，提高圖像識別的準確性和效率。在后續的圖像處理和分析中，顯著性圖可以作為重要的特征輸入到深度卷積神經網絡中進行訓練和分類。

3 基于深度卷積神經網絡的分類模型

深度卷積神經網絡（CNN）是一種深度學習的算法模型，廣泛應用于計算機視覺領域。本研究采用CNN 作為主要的分類模型，通過訓練學習從輸入的蔬菜病蟲害圖像中提取出有價值的特征信息。

具體而言，構建一個包含多個卷積層、池化層和全連接層的神經網絡模型。在訓練過程中，將前面提取的特征輸入到神經網絡中進行學習分類。通過反向傳播算法不斷調整網絡參數優化模型的分類性能，同時采用交叉驗證等技術防止過擬合現象的發生，進一步提高模型的泛化能力。

蔬菜圖像數據的準備對卷積神經網絡的深度學習模型訓練有著重要影響，當樣本數據數量不足的時，會嚴重影響模型訓練或者導致訓練的模型泛化程度不夠，識別率與準確率不高。通過基于標準化方法和基于生成對抗網絡的深度學習方法進行蔬菜長勢與病蟲害數據集的增強。蔬菜數據增強標準化方法如圖1所示。

圖1 蔬菜數據增強標準化方法

基于生成對抗網絡的深度學習方法進行蔬菜病害數據增強，對生成的數據進行分類，該網絡有利于對數據的學習，并且實現數據增強，即數據處理和分類器訓練可以在內存中同步處理，不需要另外的數據存儲空間。

在病蟲害識別和程度分析上采用了VGG 模型作為基礎模型，并使用預訓練和參數微調的方式來加速網絡收斂。

VGG 模型是一種卷積神經網絡模型，VGG 模型首先從蔬菜圖像中提取特征，然后通過分類器對這些特征進行分類，以確定是否存在病蟲害以及其種類。

為了提高模型的泛化能力，采用預訓練和參數微調的方法，在大型圖像數據集上訓練模型，然后將其用作其他任務的初始化模型，再使用特定任務的訓練數據對模型進行微小的調整，使其更適合該任務。

4 模型訓練與優化

為了訓練高效的蔬菜病蟲害識別模型，采用合適的優化方法來更新網絡參數并最小化分類誤差，算法包括梯度下降、隨機梯度下降、Adam 等。根據試驗效果選擇合適的優化器以及調整超參數（如學習率等）來提高模型的訓練效果。在訓練過程中，采用批歸一化技術加速訓練進程并提高模型的泛化能力，同時采用早停法防止過擬合現象的發生，提高模型的性能。

二值圖像所指代區域作為初始區域，以GrabCut算法經分4 次迭代分割所述二值圖像所指代的RGB 圖像區域，獲得蔬菜病蟲葉片目標。

基于二值圖像分割病蟲害目標的方法主要包括以下幾個步驟。

1)預處理和閾值化。預處理原始RGB 圖像，包括降噪、歸一化等操作，以提高圖像質量。利用閾值化技術將圖像轉換為二值圖像，以便于后續的區域提取和分割。

2)提取初始區域。在二值圖像中，以通過形態學操作、區域增長算法等技術將連通的病蟲害目標區域作為初始區域。

3)GrabCut 算法迭代分割。使用GrabCut 算法對初始區域進行迭代分割，以獲得更精確的病蟲害目標。GrabCut 算法是一種圖像分割算法，通過迭代優化一個能量函數來獲取最優的分割結果。

4)迭代次數控制。GrabCut 算法經過至多4 次迭代來分割初始區域。在每次迭代中，算法會根據圖像的特征和先驗知識來更新分割邊界，直到達到預定的迭代次數或滿足收斂條件。

5)后處理和提取。對分割得到的病蟲害目標進行后處理，如去除噪聲、平滑邊界等，以提高目標的準確性和完整性。根據處理后的結果提取出害蟲或蔬菜葉片目標，并進行必要的特征提取和分類識別。

通過以上步驟，基于二值圖像分割病蟲害目標的方法能夠有效地從原始RGB 圖像中提取出病蟲害目標，為后續的識別和分類提供準確可靠的特征信息。這種方法能夠降低誤判率，提高識別精度，為農業病蟲害監測和防治提供有力的技術支持。

5 技術應用

基于圖像識別的蔬菜表型特征的病蟲害識別技術為現代農業發展提供了有力支持，具有廣闊的應用前景和發展空間。基于圖像識別的蔬菜表型特征的病蟲害識別技術可以應用于各種類型的蔬菜生產中，如葉菜類、根莖類、果菜類等。通過應用該技術，可以實現對蔬菜生長過程的實時監測和記錄，對不同生長階段的各種病蟲害風險進行預測和預警，提前采取防治措施，減少病蟲害的發生和擴散。同時，該技術還可以為蔬菜生產提供科學依據，優化生產管理，結合大數據和人工智能技術，實現病蟲害防治方案的智能化推薦和決策支持，提高蔬菜的產量和質量。隨著技術的不斷進步和應用領域的拓展，該技術將為農業生產帶來更多創新和價值。

6 優勢與局限性

基于圖像識別的蔬菜表型特征的病蟲害識別技術具有以下幾種優勢。1)自動化程度高，可減少人工成本。2)檢測精度高，可避免傳統檢測方法中的人為誤差和漏檢問題。3)可實現實時監測和預警，有利于提前采取防治措施。4)可優化生產管理，提高蔬菜的產量和質量。

然而，該技術也存在一定的局限性，對于復雜背景或光照不均的圖像處理效果較差。對于不同品種、不同生長環境的蔬菜可能需要進行特定的訓練和學習，對于一些特殊或罕見的病蟲害種類可能會出現誤判或無法識別的情況。隨著人工智能和計算機視覺技術的不斷發展，基于圖像識別的蔬菜表型特征的病蟲害識別技術將進一步優化和完善，提高識別精度和速度，通過改進算法和優化模型，提高病蟲害識別的準確度和處理速度。實現多模態信息融合，將圖像信息與氣象、土壤等其他類型的數據進行融合，進一步提高識別準確度。

7 結束語

基于圖像識別的蔬菜表型特征的病蟲害識別技術是一種高效、準確的蔬菜病蟲害檢測方法。該技術通過自動化地提取和分類蔬菜表型特征，能夠快速、準確地檢測和識別蔬菜病蟲害的種類和發生程度，為及時采取防治措施提供科學依據。該技術的應用有利于提高蔬菜生產效率、質量和安全性，促進農業可持續發展。該技術還有望在智能農業、精準農業等領域得到更廣泛的應用和發展，是現代農業信息技術的重要組成部分。