基于OpenCV的核桃葉片褐斑病自動識別與面積量化方法研究

魏宇婷 雷澤宇 嚴俊蕭

(塔里木大學信息工程學院，新疆 阿拉爾 843300)

1 概述

1.1 研究背景

核桃，作為全球范圍內廣泛種植的經濟果樹之一，其果實因富含多種營養成分而備受推崇[1]。然而，核桃在生產過程中常受到各類病害的侵襲，其中核桃葉片褐斑病尤為突出。這種病害會在葉片上形成特有的褐色病斑，不僅影響樹木的光合作用，降低產量，而且還會進一步影響核桃的品質和市場價值[2]。褐斑病的發生頻率和影響范圍的擴大，已經成為制約核桃產業可持續發展的重要因素。

在農業生產實踐中，對于病害的監測多依賴于農業工作者的經驗判斷，這種方法不僅效率低下，而且準確度不高，難以滿足現代農業對于病害管理的要求[3]。隨著信息技術的發展，尤其是計算機視覺技術在農業中的應用，為病害監測提供了新的解決思路[4]。通過對核桃葉片圖像的自動分析，可以實現對褐斑病的快速識別和精確量化，這對于指導農業生產，實現精準施藥具有重要意義[5]。

1.2 研究目的

基于此背景，本研究目的在于開發一種基于計算機視覺的核桃葉片褐斑病自動檢測與面積量化方法。研究將采用固定高度的相機拍攝受病害影響的核桃葉片，通過圖像處理技術提取病斑特征，并計算其面積。該方法的核心在于通過算法自動識別褐斑病斑，減少人工干預，提高檢測的準確性和效率。

在技術實現上，本研究將對采集到的核桃葉片圖像進行預處理，包括噪聲去除、亮度調整等，以提高病斑特征的可識別性；研究將利用顏色分割技術，特別是HSV顏色空間中的閾值分割方法，分離病斑與健康葉片組織；通過形態學操作進一步優化病斑輪廓，最終利用輪廓檢測算法計算病斑的準確面積。此外，研究還將探討如何通過調整參數適應不同光照和背景條件下的圖像處理，以保證算法的魯棒性和廣泛適用性。

本研究預期不僅能夠為核桃葉片褐斑病的管理提供科技支持，還能夠為其他作物病害的圖像識別和量化分析提供方法借鑒。通過這一研究，期望能夠為農業生產實現智能化管理提供實用的技術解決方案，推動現代農業的發展，并為農業生態環境的保護貢獻力量。

2 相關工作和理論基礎

2.1 國內外研究現狀

劉翠翠等[6]采用K-mean聚類分割技術分離出病斑，通過對顏色、形狀和紋理特征構成的46維特征向量進行主成分分析，開發出麥冬葉部病害識別系統，系統對病害識別率達到了94.4%，促進了麥冬產業現代化發展。金瑛等[7]使用ResNet-50深度卷積網絡模型，進行機器學習，獲得果樹病害識別模型，并基于此模型開發了應用軟件提供在線診斷服務對4種果樹病害的平均識別率達到92.9%。Zhang K等[8]利用卷積神經網絡(CNN)識別被沙門氏菌(Xanthomonas campestris)感染的桃葉病害，其使用遷移學習對AlexNet進行微調，訓練后CNN的特征可視化顯示了自學習特征的優秀能力，其中AUC值為0.9999，p值分別是0.0343(vs.SVM)、0.0181(vs.KNN)和0.0292(vs.BP)。Mathew M P和Mahesh T Y等[9]研究了使用YOLOv5在辣椒植物葉片上檢測疾病的方法。Yu等[10]研究了在模型neck部分增加了1個小目標檢測層，提高了對小雜質如碎殼的檢測能力，同時引入了Tansformer-Encoder(Trans-E)模塊和卷積塊注意力模塊(CBAM)，使模型對圖像的全局信息捕獲和通道特征的敏感度都得到了增強。改進后的YOLOv5模型的平均精確度(mAP)達到了88.9%，比原始YOLOv5網絡提高了6.7%。

隨著相關技術的不斷創新和硬件設備的日新月異，預期未來的核桃褐斑病識別將更為高效、準確，并更好地適應各種環境條件。

從深度學習技術角度看，現有的識別模型在精度和效率方面仍有提升的空間。卷積神經網絡(CNN)是當前最常用的圖像識別模型，但近年來，隨著一些新的模型結構的提出，如殘差網絡(ResNet)[11]，可變形卷積神經網絡(Deformable convnets)[12]以及注意力機制(Attention)[13]等，因此預期未來的識別模型將更為強大和智能。

2.2 圖像處理技術

圖像處理技術是計算機視覺領域的基石，涉及到從圖像采集、預處理、特征提取到最終的圖像分析和理解的全過程[14]。在本研究中，將重點介紹幾個核心的圖像處理概念。

2.2.1 HSV顏色空間

HSV顏色空間將顏色表示為色調(Hue)、飽和度(Saturation)和亮度(Value)，這與人類感知顏色的方式更為接近。與RGB顏色空間相比，HSV在處理光照變化時更加穩定，因此其被廣泛用于圖像的顏色分割，特別是在植物病害檢測中，HSV空間可以更好地區分病斑和健康葉片。

2.2.2 形態學操作

形態學操作是一種基于圖像形狀的處理技術，常用的操作包括腐蝕、膨脹、開運算和閉運算等。這些操作可以用來去除噪聲、填充斷裂點和連接相鄰物體等，對于改善病害區域的檢測結果非常有用。

圖1 HSV色彩空間

2.2.3 輪廓檢測

輪廓檢測是圖像分析中的一個重要環節，其旨在識別出圖像中物體的輪廓線。在植物病害檢測中，輪廓檢測可以幫助人們準確地定位病斑的邊界，從而進行面積量化。

2.3 OpenCV庫簡介

OpenCV(Open Source Computer Vision Library)是一個開源的計算機視覺和機器學習軟件庫，其包含了數千種算法，涵蓋了從圖像處理到計算機視覺和機器學習的廣泛領域。OpenCV以其強大的功能、高效的執行和易用性在學術和工業界得到了廣泛應用[15]。

在本研究中，OpenCV將作為主要的圖像處理工具。其提供了一系列的函數來實現HSV顏色空間轉換、形態學操作和輪廓檢測等功能。如，cv2.cvtColor函數可以將RGB圖像轉換為HSV圖像，cv2.findContours函數可以用來檢測圖像中的輪廓，而cv2.drawContours函數則可以將輪廓繪制在圖像上。通過這些函數的組合使用，可以構建一個完整的病害檢測和面積量化流程。

總結來說，通過對國內外研究現狀的介紹，了解了植物病害圖像分析領域的發展歷程和現狀。通過介紹圖像處理的基本概念和OpenCV庫的應用，為接下來的方法論和實驗部分奠定了理論和技術基礎。本文將具體展示如何應用這些理論和工具來解決核桃葉片褐斑病的檢測和量化問題。

3 方法論

3.1 系統設計

為了實現對核桃葉片上褐斑病的有效檢測，本文精心設計了一個圖像采集系統。系統的核心是一款高分辨率相機，其選擇基于能夠提供清晰圖像和準確色彩捕捉的能力。這款相機不僅具備調節焦距的功能，以適應不同大小葉片的拍攝要求，還能夠保證在不同環境光線下都能夠捕捉到葉片的真實顏色，為后續的圖像處理打下堅實的基礎。

在拍攝過程中，為了消除由于葉片與相機距離不同而造成的圖像尺度變化，選擇了固定高度拍攝的方案。通過這種方式，每張圖像中葉片的大小和形狀都保持一致，為后續圖像分析提供了便利。此外，考慮到自然光線的不穩定性，采用人工光源保證拍攝過程中光照的均勻性。同時，為了減少圖像背景的干擾，選擇了與葉片顏色對比度高的背景材料，從而簡化了圖像分割階段的難度。

3.2 圖像處理流程

圖像處理是實現葉片病斑檢測的重要環節。將原始圖像從RGB顏色空間轉換到HSV顏色空間。HSV空間將顏色信息分解為色調、飽和度和亮度3個獨立的分量，這樣的分解有助于更準確地區分病斑和健康的葉片組織。

在HSV空間中，設定了一系列的顏色閾值。這些閾值是基于對大量健康葉片和受病害影響葉片的顏色分布的統計分析得出的。通過這些閾值，能夠生成1個二值掩碼，該掩碼能夠清晰地區分出病斑區域和健康的葉片組織。

為了進一步提高掩碼的質量，對其進行了一系列的形態學操作。通過腐蝕操作，去除了掩碼中的孤立噪點；通過膨脹操作，填補了病斑區域中的小裂縫。這些操作的目的是獲得更加平滑且連貫的病斑區域表示。

利用輪廓檢測算法識別出病斑的精確邊界。這一步是至關重要的，因為直接關系到后續面積計算的準確性。根據檢測到的輪廓，計算出病斑區域的面積。由于相機在固定高度拍攝，能夠通過一個簡單的校準過程，將像素面積轉換為實際的物理面積。

3.3 參數確定和優化

參數的確定和優化是整個圖像處理流程中一個連續的挑戰。顏色閾值的精確設定，需要對大量受病害影響和健康的葉片樣本進行顏色分析。通過迭代的方式，逐步調整這些閾值，直到找到能夠最準確區分病斑和健康葉片的參數。

圖2 參數確定和優化工具

形態學操作中核的選擇也是基于實驗的。核的大小直接影響到腐蝕和膨脹效果，過大的核可能會導致病斑區域的丟失，而過小的核可能無法有效去除噪聲。通過一系列的試驗，找到了最適合的核大小，以達到最佳的圖像處理效果。

此外，還對拍攝的焦距、光照條件等進行了細致的調整和優化。這些參數雖然看似次要，但對于最終圖像質量和處理效果有著不可忽視的影響。通過反復的實驗和調整，確保了采集到的圖像能夠在不同環境條件下保持一致的質量，從而為后續的圖像處理流程提供了堅實的基礎。

本研究建立了一個既準確又魯棒的核桃葉片褐斑病面積檢測系統。這一系統不僅能夠提供高質量的圖像數據，而且通過精心設計的圖像處理流程和參數優化策略，能夠有效檢測和量化葉片上的病斑面積，為病害監測和農業管理提供了有力的工具。

4 實驗結果與分析

4.1 實驗設置

為了驗證所提出的核桃葉片褐斑病面積檢測方法的有效性，設置了一系列的實驗。實驗的首要步驟是圖像的采集，在實驗室內搭建了一個標準化的拍攝環境，確保了光照和背景的一致性。在此環境中，使用高分辨率相機拍攝了數百張核桃葉片的圖像，這些葉片展現了從健康到不同程度受褐斑病影響的各種狀態。

圖3 核桃葉片褐斑病例圖

采集到的圖像經過預處理，包括色彩空間的轉換、閾值設定、形態學操作以及輪廓檢測等步驟。這一系列的處理旨在將葉片上的褐斑病區域從健康的葉片組織中準確分離出來，并計算其面積。

4.2 結果展示

實驗結果表明，所提出的方法能夠有效處理采集到的圖像，并準確檢測出褐斑病區域。在結果展示中，提供了一系列的對比圖像，包括處理前后的圖像以及相應的二值掩碼圖像。這些圖像清晰地顯示了褐斑病區域在經過處理后被準確地標記和分割出來。此外，還展示了病斑面積的計算結果，這些結果以圖表的形式呈現，展示了病斑面積與實際葉片面積的比例關系。

圖4 轉換成HSV顏色空間后的例圖

此外，還對處理過程中的每一步進行了詳細分析，包括顏色閾值的選擇，形態學操作的影響，以及輪廓檢測的精確度。通過這些分析，能夠展示每一個步驟對最終結果的貢獻，以及這些步驟是如何相互作用以提高病斑檢測準確性的。

4.3 結果分析

在對實驗結果進行深入分析時，發現所提方法在準確性和可靠性方面表現出色。通過與專家手動標記的病斑面積進行比較，本文的方法在絕大多數情況下都能夠提供非常接近的結果。這證明了圖像處理流程和參數選擇的有效性。

然而，也注意到了一些可能影響結果準確性的因素。如，葉片上的污漬或者陰影有時會被錯誤地識別為病斑區域，這主要是因為其在顏色上與褐斑病相似。此外，葉片卷曲的邊緣有時也會導致輪廓檢測的誤差。為了解決這些問題，進一步調整了顏色閾值和形態學操作參數，以減少這類誤差。

在實驗過程中，還發現光照的微小變化也可能影響顏色閾值的設定。為了提高系統的魯棒性，在不同的光照條件下重復實驗，以確保本文的方法在不同環境下都能保持高準確性。

總體而言，實驗結果表明，本研究在核桃葉片褐斑病面積檢測方面是有效和可靠的。通過對可能影響結果的因素進行分析和優化，進一步提高了方法的準確性和適用性。未來的工作將集中在進一步提高算法的魯棒性，以及擴展方法到更多類型的植物病害檢測上。

5 結論與未來工作

在本研究中，成功地開發并驗證了一種用于自動檢測和計算核桃葉片褐斑病面積的方法。通過精心設計的實驗和一系列圖像處理技術，此方法在實驗室條件下展現了高度的準確性和可靠性。實驗結果表明，該方法可以有效地從圖像中分割出褐斑病區域，并準確計算其面積。這一成果對于減輕人工工作量，提高病害檢測效率具有重要的實際意義。

盡管取得了顯著進展，但研究的深入也揭示了未來工作的多個潛在方向。為了進一步提升算法的性能，未來的研究可以專注于算法優化，特別是在處理復雜環境下的圖像時。此外，系統硬件的改進也是提高圖像質量和病害檢測準確性的關鍵。此外，該方法的適用性擴展也是未來工作的重要部分，旨在將其應用到更廣泛的植物病害檢測中。

未來的工作還包括提高系統的自動化水平，減少對專業知識的依賴，使得病害檢測對用戶更加友好。機器學習和深度學習技術的應用也將是未來研究的重點，這些先進技術的引入有望大幅提升檢測系統的準確性和效率。

本研究的意義遠不止于技術層面的進步，其對于植物病理學領域的研究和農業生產實踐都有著重要的貢獻。自動化和智能化的病害檢測技術能夠幫助農業生產者更有效地管理作物健康，減少農藥的不必要使用，從而降低成本并減少環境污染。此外，該技術的發展還將推動智能農業技術的進步，為實現完全自動化的病害監測和管理開辟新的道路。總而言之，本研究在推動植物病理學和農業生產向更高效、更環保方向發展方面具有潛在的深遠影響。