基于圖像識(shí)別技術(shù)的桉樹(shù)病蟲(chóng)害識(shí)別研究

摘 要 針對(duì)當(dāng)前桉樹(shù)病蟲(chóng)害肉眼識(shí)別難度大的問(wèn)題，研究基于圖像識(shí)別技術(shù)的桉樹(shù)病蟲(chóng)害識(shí)別策略。采用尺度不變特征轉(zhuǎn)換（Scale-Invariant Feature Transform，SIFT）算法等先進(jìn)的圖像處理技術(shù)，深入分析桉樹(shù)的圖像數(shù)據(jù)，以識(shí)別和分類桉樹(shù)蟲(chóng)癭、桉樹(shù)紫斑病及桉樹(shù)焦枯病等常見(jiàn)病蟲(chóng)害。識(shí)別結(jié)果顯示，SIFT技術(shù)處理下桉樹(shù)紫斑病的識(shí)別率最高，達(dá)到83%；而桉樹(shù)蟲(chóng)癭的識(shí)別率則較低，僅為67%，表明圖像識(shí)別技術(shù)在不同病蟲(chóng)害類型上的識(shí)別效果存在差異。

關(guān)鍵詞 桉樹(shù)；圖像識(shí)別；病蟲(chóng)害；二值化

中圖分類號(hào)：S4 文獻(xiàn)標(biāo)志碼：A DOI：10.19415/j.cnki.1673-890x.2025.02.053

桉樹(shù)是一種經(jīng)濟(jì)價(jià)值和生態(tài)價(jià)值均十分顯著的樹(shù)種，在全球范圍內(nèi)廣泛種植。然而，受各種病蟲(chóng)害的威脅，桉樹(shù)會(huì)出現(xiàn)產(chǎn)量下降、經(jīng)濟(jì)價(jià)值降低的問(wèn)題。傳統(tǒng)的病蟲(chóng)害檢測(cè)方法主要依賴人工觀察與經(jīng)驗(yàn)判斷，不僅耗時(shí)費(fèi)力，而且受主觀因素的影響較大，難以實(shí)現(xiàn)規(guī)模化的實(shí)時(shí)監(jiān)測(cè)與精準(zhǔn)判斷。隨著人工智能和圖像識(shí)別技術(shù)的不斷發(fā)展，利用先進(jìn)的圖像識(shí)別方法對(duì)桉樹(shù)病蟲(chóng)害進(jìn)行快速、準(zhǔn)確的檢測(cè)成為可能。此次研究旨在探索基于圖像識(shí)別技術(shù)的桉樹(shù)病蟲(chóng)害識(shí)別方法，并驗(yàn)證其在實(shí)際生產(chǎn)中的可行性和有效性。基于圖像識(shí)別技術(shù)的桉樹(shù)病蟲(chóng)害識(shí)別，通過(guò)利用攝像頭或無(wú)人機(jī)等設(shè)備采集樹(shù)葉、樹(shù)皮等部位的圖像，并應(yīng)用圖像處理、模式識(shí)別及機(jī)器學(xué)習(xí)等技術(shù)，能夠?qū)崿F(xiàn)對(duì)不同病蟲(chóng)害的有效識(shí)別和分類[1-2]。這一研究有助于提高病蟲(chóng)害檢測(cè)的效率與準(zhǔn)確性，為桉樹(shù)種植者和管理者提供快速預(yù)警和診斷工具，從而更好地制訂應(yīng)對(duì)策略，減少損失，提高生產(chǎn)效益。

1 檢測(cè)材料

選擇晴天，于12：00到廣西壯族自治區(qū)國(guó)有雅長(zhǎng)林場(chǎng)平果造林基地采集材料，距離拍攝對(duì)象25 cm，拍攝患病蟲(chóng)害的桉樹(shù)葉片照片。此次檢測(cè)對(duì)桉樹(shù)蟲(chóng)癭、紫斑病、焦枯病3種桉樹(shù)病蟲(chóng)害進(jìn)行識(shí)別，對(duì)于每種病蟲(chóng)害類型采集受感染葉片的照片100張，共計(jì)300張圖片。

2 病蟲(chóng)害圖像預(yù)處理

2.1 圖像降噪處理

2.1.1 圖像灰度處理

在處理桉樹(shù)病蟲(chóng)害圖像時(shí)，灰度化是一個(gè)重要步驟，有助于降低計(jì)算復(fù)雜度并突出圖像中的結(jié)構(gòu)特征。灰度處理通常涉及將彩色圖像轉(zhuǎn)換為灰度圖像，常見(jiàn)的處理方法有加權(quán)法、平均值法、最大值法及最小值法，其中加權(quán)法因?yàn)楦N近人眼對(duì)顏色的感知，是處理自然圖像的首選方法[3]。該方法計(jì)算公式為

2.1.2 中值濾波處理

在桉樹(shù)病蟲(chóng)害圖像處理過(guò)程中，中值濾波是一種非常有效的技術(shù)，用于減少或消除圖像中的噪聲，尤其是鹽和胡椒噪聲。中值濾波是一種非線性數(shù)字濾波技術(shù)，通過(guò)將圖像中每個(gè)像素點(diǎn)的值替換為其鄰域內(nèi)像素值的中值來(lái)實(shí)現(xiàn)[4-5]。這種方法特別適合保留圖像的邊緣信息，在不模糊邊界的同時(shí)去除噪聲，計(jì)算方法為

中值濾波不僅能有效去除噪聲，還能保留圖像中的重要結(jié)構(gòu)特征，對(duì)于識(shí)別和分析桉樹(shù)病蟲(chóng)害的特征尤為有用。圖2為經(jīng)過(guò)中值濾波處理后的桉樹(shù)病蟲(chóng)害照片。

2.2 病蟲(chóng)害數(shù)據(jù)提取

通過(guò)二值化處理，提取桉樹(shù)病蟲(chóng)害數(shù)據(jù)。大津算法也被稱為最大類間方差法，是一種自適應(yīng)的閾值確定方法，廣泛應(yīng)用于圖像分割領(lǐng)域，特別是在圖像二值化處理中非常有效。該方法通過(guò)最大化背景和前景（目標(biāo)）之間的類間方差確定最佳閾值，使二值化后的圖像在前景和背景分離上盡可能清晰。該算法流程如下。

大津算法通過(guò)計(jì)算所有可能的t值并選擇使δB2最大的t值來(lái)實(shí)現(xiàn)，從而完成圖像的有效二值化。這種方法在桉樹(shù)病蟲(chóng)圖像處理中特別有用，可以有效地區(qū)分受損和健康的葉片區(qū)域，從而幫助進(jìn)行病蟲(chóng)害檢測(cè)和量化分析。圖3為使用大津算法處理后的圖片。

3 病蟲(chóng)害特征提取

在桉樹(shù)病蟲(chóng)害識(shí)別中使用尺度不變特征轉(zhuǎn)換（Scale-Invariant Feature Transform，SIFT）算法進(jìn)行特征提取，步驟如下。

1）尺度空間極值檢測(cè)：SIFT算法通過(guò)構(gòu)建尺度空間，即在不同尺度下通過(guò)逐步增加的高斯模糊處理原始圖像得到一系列圖像。尺度空間的每一層通過(guò)高斯差分函數(shù)（Difference of Gaussian，DoG）表示，這個(gè)函數(shù)由相鄰尺度的圖像之間的差異定義，表達(dá)式為

D（x，y，δ）=[G（x，y，kδ）-G（x，y，δ）]×I（x，y）（10）

式中：G（x，y，kδ）為以δ為標(biāo)準(zhǔn)差的高斯模糊函數(shù)；I（x，y）為圖像的強(qiáng)度；D（x，y，δ）為在二維空間中各像素點(diǎn)（x，y）和尺度δ下的高斯差分，用于檢測(cè)圖像中的特征，尤其是在不同尺度下的局部極值；G（x，y，δ）為以δ為標(biāo)準(zhǔn)差的高斯濾波函數(shù)，應(yīng)用于圖像的平滑處理以減少噪聲。在SIFT算法中，高斯濾波是構(gòu)建尺度空間的基礎(chǔ)，用于生成不同尺度的圖像。在這個(gè)尺度空間中，潛在的關(guān)鍵點(diǎn)是那些在尺度和空間上的局部極值點(diǎn)。

2）關(guān)鍵點(diǎn)定位：對(duì)每個(gè)潛在關(guān)鍵點(diǎn)進(jìn)行精確定位和篩選。這通過(guò)在候選關(guān)鍵點(diǎn)的位置上擬合一個(gè)3D二次函數(shù)來(lái)實(shí)現(xiàn)，從而精確地確定關(guān)鍵點(diǎn)的位置和尺度。這個(gè)過(guò)程可以用泰勒展開(kāi)式近似表示，表達(dá)式為

3）方向賦值：為每個(gè)關(guān)鍵點(diǎn)分配一個(gè)或多個(gè)基于其局部圖像梯度的方向。這一步是通過(guò)在關(guān)鍵點(diǎn)周?chē)泥徲騼?nèi)計(jì)算圖像梯度的方向和大小，并建立方向直方圖來(lái)完成的。

4）關(guān)鍵點(diǎn)描述符生成：在確定關(guān)鍵點(diǎn)的位置、尺度、方向后，將這些關(guān)鍵點(diǎn)周?chē)木植繄D像區(qū)域轉(zhuǎn)換為一個(gè)描述符。描述符不僅反映了關(guān)鍵點(diǎn)，而且反映了關(guān)鍵點(diǎn)周?chē)膱D像特征，有助于在不同圖像之間進(jìn)行特征匹配。

上述步驟確保從桉樹(shù)病蟲(chóng)害圖像中提取的SIFT特征對(duì)旋轉(zhuǎn)、尺度及亮度變化具有不變性，因此非常適用于病蟲(chóng)害檢測(cè)和識(shí)別。

4 檢測(cè)結(jié)果

對(duì)桉樹(shù)蟲(chóng)癭、桉樹(shù)紫斑病、桉樹(shù)焦枯病3種病蟲(chóng)害進(jìn)行圖像識(shí)別，識(shí)別結(jié)果見(jiàn)表1。由表1可知，基于圖像識(shí)別技術(shù)的桉樹(shù)病蟲(chóng)害識(shí)別方法對(duì)桉樹(shù)蟲(chóng)癭的識(shí)別率為67%，對(duì)桉樹(shù)紫斑病的識(shí)別率為83%，對(duì)桉樹(shù)焦枯病的識(shí)別率為78%。從結(jié)果可以看出，該方法對(duì)桉樹(shù)紫斑病的識(shí)別率最高，表明對(duì)于這種病害，當(dāng)前的圖像識(shí)別技術(shù)相對(duì)較為有效；該方法對(duì)桉樹(shù)蟲(chóng)癭的識(shí)別率最低，說(shuō)明在當(dāng)前系統(tǒng)中這種類型的病蟲(chóng)害識(shí)別較為困難。

5 結(jié)語(yǔ)

基于圖像識(shí)別技術(shù)的桉樹(shù)蟲(chóng)害識(shí)別方法利用安裝在樹(shù)冠上的攝像頭實(shí)時(shí)采集圖像，并通過(guò)無(wú)線網(wǎng)絡(luò)將圖像傳輸?shù)街醒胩幚硐到y(tǒng)。中央系統(tǒng)應(yīng)用深度學(xué)習(xí)模型進(jìn)行病蟲(chóng)害識(shí)別，并在發(fā)現(xiàn)病蟲(chóng)害后及時(shí)向管理人員發(fā)送預(yù)警信息，從而有效減少病蟲(chóng)害的危害和經(jīng)濟(jì)損失。用戶只需使用手機(jī)拍攝圖像，應(yīng)用程序即可實(shí)時(shí)知道識(shí)別結(jié)果，應(yīng)用圖像識(shí)別技術(shù)可以快速、準(zhǔn)確地識(shí)別出不同類型的病蟲(chóng)害，并評(píng)估病蟲(chóng)害的嚴(yán)重程度，大大提高病蟲(chóng)害監(jiān)測(cè)效率。

基于圖像識(shí)別技術(shù)的桉樹(shù)病蟲(chóng)害識(shí)別方法在效果評(píng)價(jià)上也得到了廣泛認(rèn)可。1）準(zhǔn)確性好。通過(guò)大量數(shù)據(jù)的訓(xùn)練，深度學(xué)習(xí)模型可以識(shí)別出各種類型的病蟲(chóng)害，并準(zhǔn)確評(píng)估其嚴(yán)重程度。實(shí)際應(yīng)用中，一些方法的識(shí)別準(zhǔn)確率在90%以上，顯著優(yōu)于傳統(tǒng)人工識(shí)別方法。2）效率高。自動(dòng)化的識(shí)別過(guò)程可以在短時(shí)間內(nèi)分析大量圖像，快速得出病蟲(chóng)害分布和嚴(yán)重程度的相關(guān)信息，為林業(yè)管理提供及時(shí)的數(shù)據(jù)支持，相較于人工識(shí)別方法，效率提升顯著。3）效益好。基于圖像識(shí)別的方法在成本效益上也有顯著優(yōu)勢(shì)。雖然前期開(kāi)發(fā)和部署基于圖像識(shí)別的蟲(chóng)害識(shí)別方法需要一定的投入，但從長(zhǎng)遠(yuǎn)來(lái)看，該方法的自動(dòng)化和高效性可以降低大量人力和時(shí)間成本，減少管理費(fèi)用。

基于圖像識(shí)別技術(shù)的桉樹(shù)病蟲(chóng)害識(shí)別方法也存在一些問(wèn)題。例如，方法的識(shí)別準(zhǔn)確性依賴高質(zhì)量的圖像數(shù)據(jù)和充分的模型訓(xùn)練，任何圖像質(zhì)量問(wèn)題或數(shù)據(jù)不足都可能影響識(shí)別效果。此外，環(huán)境因素如光照變化、葉片遮擋等可能對(duì)圖像識(shí)別造成干擾。盡管如此，隨著技術(shù)的不斷發(fā)展和完善，這些問(wèn)題一定能夠逐漸得到解決。綜上所述，基于圖像識(shí)別技術(shù)的桉樹(shù)病蟲(chóng)害識(shí)別方法不僅提高了病蟲(chóng)害識(shí)別的準(zhǔn)確性和效率，還為病蟲(chóng)害管理提供了強(qiáng)有力的技術(shù)支持，符合現(xiàn)代林業(yè)管理的需求。隨著技術(shù)的進(jìn)一步發(fā)展，基于圖像識(shí)別的病蟲(chóng)害識(shí)別方法將在桉樹(shù)病蟲(chóng)害管理中發(fā)揮越來(lái)越重要的作用，為桉樹(shù)種植業(yè)的可持續(xù)發(fā)展保駕護(hù)航。

盡管該方法在桉樹(shù)紫斑病和桉樹(shù)焦枯病的識(shí)別方面準(zhǔn)確性較高，但對(duì)桉樹(shù)蟲(chóng)癭的識(shí)別率仍有待提高。為提高總體識(shí)別率，可針對(duì)識(shí)別率較低的桉樹(shù)蟲(chóng)癭，增加更多的訓(xùn)練樣本或調(diào)整圖像預(yù)處理步驟，優(yōu)化識(shí)別算法，增強(qiáng)模型的泛化能力等。對(duì)于已經(jīng)取得較高識(shí)別率的病蟲(chóng)害，如桉樹(shù)紫斑病，應(yīng)在保持模型優(yōu)勢(shì)的同時(shí)繼續(xù)優(yōu)化，以達(dá)到更高的精確度。可以考慮采用集成學(xué)習(xí)方法，如隨機(jī)森林或深度學(xué)習(xí)技術(shù)，提升模型的健壯性和識(shí)別能力。還可進(jìn)行統(tǒng)計(jì)測(cè)試檢驗(yàn)不同病害識(shí)別率之間的顯著性差異，以及計(jì)算各病蟲(chóng)害識(shí)別率的標(biāo)準(zhǔn)差，評(píng)估模型在不同情況下表現(xiàn)的穩(wěn)定性。此外，結(jié)合機(jī)器學(xué)習(xí)和深度學(xué)習(xí)方法，特別是卷積神經(jīng)網(wǎng)絡(luò)，可進(jìn)一步提升病蟲(chóng)害識(shí)別的精度和效率。

參考文獻(xiàn)：

[1] 雷聲淵，馬本學(xué)，王文霞，等.基于微調(diào)卷積神經(jīng)網(wǎng)絡(luò)遷移學(xué)習(xí)模式下被害棉葉圖像的識(shí)別[J].新疆農(nóng)業(yè)科學(xué)，2019，56（7）：1288-1295.

[2] 高雄，湯巖，陳鐵英，等.基于圖像處理的甘藍(lán)蟲(chóng)害識(shí)別研究[J].江蘇農(nóng)業(yè)科學(xué)，2017，45（23）：235-238.

[3] 施文，鄒銳標(biāo)，王訪，等.基于多重分形的油菜病蟲(chóng)害葉片圖像分割[J].湖南農(nóng)業(yè)大學(xué)學(xué)報(bào)（自然科學(xué)版），2014，40（5）：556-560.

[4] 宗精學(xué)，楊余旺，趙煒，等.基于圖像分析的病蟲(chóng)識(shí)別研究[J].科學(xué)技術(shù)與工程，2014，14（19）：194-200.

[5] 管澤鑫，姚青，楊保軍，等.數(shù)字圖像處理技術(shù)在農(nóng)作物病蟲(chóng)草識(shí)別中的應(yīng)用[J].中國(guó)農(nóng)業(yè)科學(xué)，2009，42（7）：2349-2358.

（責(zé)任編輯：張春雨）