張善文， 彭進(jìn)業(yè)， 李 超

蘋果是最常見的水果之一，果實(shí)球形、味甜、口感爽脆，且含有豐富的營養(yǎng)，是世界四大水果之冠。蘋果是一種低熱量食物，產(chǎn)熱量2 511.6 J/g。蘋果中營養(yǎng)成分可溶性大，易被人體吸收，故有“活水”之稱，其有利于溶解硫元素，使皮膚潤滑柔嫩。近年來，蘋果病害嚴(yán)重影響了蘋果的產(chǎn)量和質(zhì)量，對蘋果造成危害的病害達(dá)20多種，其中有嚴(yán)重危害的病害10多種。蘋果病害比較嚴(yán)重的有蘋果樹腐爛病、白粉病、褐斑病和花葉病。目前，蘋果早期落葉病大面積發(fā)生，而且相當(dāng)嚴(yán)重，秋季9月份落葉率80%以上，重者高達(dá)95%及以上，該病害對蘋果的產(chǎn)量、品質(zhì)影響較大。由于環(huán)境遭到破壞，使得蘋果病害的發(fā)生種類繁多、癥狀復(fù)雜，具有流行速度快、危害情況嚴(yán)重、危害期長、損失大等顯著特點(diǎn)。人們通常在蘋果表面噴灑農(nóng)藥防治病害，但該方式往往會造成蘋果農(nóng)藥殘留超標(biāo)、對周圍的環(huán)境造成一定的破壞，也容易錯過治理病害的最佳時機(jī)，不能達(dá)到徹底治理病害的目的。由于蘋果遭受病害時，一般在葉片表面出現(xiàn)異常的病斑顏色和病斑紋理，因此可以通過蘋果葉片顏色和紋理的變化來識別病害[1-2]。多年來，我國主要依靠果農(nóng)和植保專家的經(jīng)驗(yàn)進(jìn)行作物病害識別。該方法勞動強(qiáng)度大、效率低，檢測結(jié)果具有很強(qiáng)的主觀性，對蘋果病害的危害程度很難做出定量、正確地分析和判斷，也不適用于大面積蘋果病害檢測。近年來，出現(xiàn)了很多基于圖像處理的作物葉部病害檢測方法[3-6]。馬曉丹等綜合運(yùn)用計(jì)算機(jī)數(shù)字圖像處理技術(shù)與人工神經(jīng)網(wǎng)絡(luò)技術(shù)，建立了一個多層BP(back propagation，BP)神經(jīng)網(wǎng)絡(luò)，實(shí)現(xiàn)了大豆葉片中病斑的自動識別與特征計(jì)算[7]。隨著計(jì)算機(jī)軟硬件和網(wǎng)絡(luò)技術(shù)的發(fā)展以及圖像處理、模式識別等技術(shù)的發(fā)展，開發(fā)快速、有效、可靠、實(shí)時的作物葉部病害遠(yuǎn)程診斷、檢測系統(tǒng)成為可能[8-9]。通過物聯(lián)網(wǎng)技術(shù)設(shè)計(jì)作物病害識別系統(tǒng)，能夠?qū)崿F(xiàn)植物病害的遠(yuǎn)程報(bào)警，解決大田作物病害的防治問題，克服傳統(tǒng)智能識別方法中不能對區(qū)域進(jìn)行計(jì)算機(jī)遠(yuǎn)程智能控制的缺陷。該系統(tǒng)一般包含3個子系統(tǒng)：病害診斷專家系統(tǒng)、病害葉片圖像識別系統(tǒng)、病害專家會診系統(tǒng)[10-11]。目前，很多病害診斷、識別系統(tǒng)能夠利用圖像處理及分析系統(tǒng)對病害葉片圖像進(jìn)行分析、處理，獲取作物病害葉片圖像的數(shù)字化特征值，建立作物病害的主要數(shù)字化特征庫；運(yùn)用網(wǎng)絡(luò)、通信和物聯(lián)網(wǎng)技術(shù)能夠開發(fā)作物病害遠(yuǎn)程自動診斷與識別軟件系統(tǒng)[12-14]?？梢愿鶕?jù)用戶提供的病害田間危害癥狀，利用系統(tǒng)推理機(jī)制進(jìn)行病害智能診斷，提供病害的詳細(xì)特征和防治建議。隨著安卓智能手機(jī)以及3G、4G網(wǎng)絡(luò)在農(nóng)村的普及，利用智能手機(jī)拍攝圖片上傳給信息中心進(jìn)行遠(yuǎn)程識別成為可能。農(nóng)民可以將拍攝到的病害葉片數(shù)碼照片上傳到遠(yuǎn)程識別系統(tǒng)，該系統(tǒng)依據(jù)圖像中記錄的病害葉片特征，對病害進(jìn)行診斷識別[15]?？抵玖恋柔槍ξ：^為嚴(yán)重的蘋果斑點(diǎn)落葉病、銹病和花葉病，設(shè)計(jì)了一種基于安卓平臺的遠(yuǎn)程作物病害識別系統(tǒng)框架以及手機(jī)和服務(wù)器間信息傳輸?shù)牟『ψR別系統(tǒng)[16]，該系統(tǒng)為指導(dǎo)果農(nóng)進(jìn)行科學(xué)防治提供了便捷途徑。

事實(shí)表明，蘋果葉部病害識別方法和系統(tǒng)的關(guān)鍵問題是病害葉片病斑的檢測。但由于病害葉片圖像及其病斑圖像的復(fù)雜多樣性，目前還沒有特別有效的檢測和處理方法。為了能夠檢測到病害葉片病斑，本研究提出一種基于自適應(yīng)學(xué)習(xí)局部二值模式(adaptive learning local binary pattern，簡稱ALLBP)的蘋果病害葉片病斑檢測方法，該算法根據(jù)病斑圖像紋理結(jié)構(gòu)特征，自適應(yīng)地選擇中心對稱模式構(gòu)建模式集，根據(jù)該模式集所提取的特征能夠準(zhǔn)確地描述病斑的紋理特征。本研究中在蘋果病害葉片圖像數(shù)據(jù)庫上的試驗(yàn)結(jié)果也表明了該方法的有效性。

1 相關(guān)研究基礎(chǔ)

局部二值模式(local binary pattern，簡稱LBP)[17-19]將鄰域作為處理單元，以中心像素的灰度值作為閾值，對比鄰域中像素的灰度與中心像素的灰度值，若鄰域像素的灰度值大于中心像素的灰度值，則該鄰域像素值為1，否則為0；再將鄰域像素轉(zhuǎn)換為一串0和1的二進(jìn)制序列；最后將該二進(jìn)制序列轉(zhuǎn)換為十進(jìn)制數(shù)，作為中心像素的LBP灰度值(LBPP,R)，其公式如下：

(1)

為消除旋轉(zhuǎn)對LBP的影響，使用公式(2)得到旋轉(zhuǎn)不變的局部二值模式(rotation invariant local binary pattern，簡稱RILBP)[20-21]：

(2)

式中：Cir(X,i)為二進(jìn)制序列X向右旋轉(zhuǎn)i(i=1，2，…，P-1)次；RILBPP,R為中心像素的RILBP值。

公式(2)表示一個標(biāo)準(zhǔn)LBPP,R算子旋轉(zhuǎn)P-1次后從中選擇最小的十進(jìn)制值作為該點(diǎn)的LBP值。由公式(2)得到的RILBPP,R具有旋轉(zhuǎn)不變性。與LBP相比，RILBP的計(jì)算復(fù)雜程度沒有降低。為了降低LBP得到的特征維數(shù)，提高計(jì)算效率，有學(xué)者提出了均勻局部二值模式(uniform local binary pattern，簡稱ULBP)[22-23]。設(shè)U表示LBP算子中0～1之間的變化次數(shù)，若在1個LBP算子中0～1變化不超過2次，則稱其為均勻LBP，用鄰域中1出現(xiàn)的次數(shù)作為中心像素的ULBP值；否則，統(tǒng)一使用P+1作為中心像素的ULBP值。

針對經(jīng)典LBP刻畫圖像的紋理過于精細(xì)且該紋理描述具有維數(shù)較高和占用空間大等問題，有學(xué)者在LBP算子的基礎(chǔ)上提出了中心對稱局部二值模式(center-symmetric local binary pattern，簡稱CS-LBP)，其公式如下：

(3)

與LBP和RILBP相比，CS-LBP算子編碼得到的二進(jìn)制串長度變?yōu)長BP算子的一半，特征維數(shù)隨之降低，因此有效減少了存儲空間。LBP和CS-LBP的基本結(jié)構(gòu)如圖1所示。

在實(shí)際應(yīng)用中，為了保證均勻模式能夠?qū)D像紋理具有一定的代表性，增加了一個比較嚴(yán)格的條件，即均勻模式的發(fā)生概率必須占所有模式發(fā)生概率的90%以上。但蘋果病害葉片圖像的紋理特征多種多樣，對于包含有復(fù)雜形狀的病害葉片圖像，盡管這些形狀蘊(yùn)含了主要紋理特征信息，但由于不滿足ULBP中的條件，所以都被統(tǒng)一歸入非均勻模式、不被考慮為病斑圖像的特征，因此這些模式所蘊(yùn)含的紋理信息也隨之失去，這影響了病斑圖像的檢測效果。因此，ULBP不適合復(fù)雜病害葉片圖像紋理特征的描述。

亳文化譯介基于譯介學(xué)理論、功能翻譯理論等，突破傳統(tǒng)語碼轉(zhuǎn)換式的翻譯方法[5]，突出地域文化特色，領(lǐng)會把握其精神內(nèi)涵，以異質(zhì)文化的多元視角審視亳州地域文化，用最恰當(dāng)?shù)谋磉_(dá)方式對其進(jìn)行譯介與國際傳播，把亳文化和其它區(qū)域文化相結(jié)合、相比照，大力推進(jìn)亳文化與世界文化的對接，從而提升亳文化的國際影響力，助推中國文化“走出去”戰(zhàn)略和“一帶一路”倡議的實(shí)施。

2 蘋果病害葉片的病斑檢測

原始LBP、ULBP和CS-LBP算法都是對整個圖像進(jìn)行處理，沒有區(qū)別對待圖像中的不同區(qū)域。而實(shí)際病害葉片圖像中病斑分布在葉片中的不同區(qū)域。假設(shè)將病害葉片圖像劃分為若干個小區(qū)域，若有的區(qū)域病斑較為豐富，應(yīng)該增強(qiáng)該區(qū)域，突出病斑圖像；而病斑細(xì)節(jié)較為稀少或沒有病斑的區(qū)域應(yīng)忽略，這樣得到的特征更能反映病害葉片圖像病斑特征的變化情況?；谶@個思想，針對病害葉片圖像的特點(diǎn)，在以上LBP及其改進(jìn)算法的基礎(chǔ)上，提出一種自適應(yīng)學(xué)習(xí)局部二值模式(adaptive learning local binary pattern，簡稱ALLBP)，并應(yīng)用于病斑圖像分割中[21，23]。ALLBP的目的是尋找最優(yōu)的特征模式集，進(jìn)而估計(jì)中心像素值。

2.1 將原始彩色病害葉片圖像灰度化，再劃分為若干個子塊

針對病斑圖像的特點(diǎn)，利用圓形鄰域作為ALLBP的處理單元。如圖2所示，P=8、R=1，中心像素值為58，鄰域像素平均值為66.125。若取公式(3)中的閾值T=1，比較中心對稱像素對以及中心像素與鄰域像素平均值，得到1個二進(jìn)制字符串01010，十進(jìn)制為10，即中心像素值的ALLBP值為10。

2.2 閾值確定

在很多紋理特征提取方法中，公式(3)中閾值T選取為計(jì)算中心像素鄰域內(nèi)所有像素點(diǎn)的平均值，將該平均值的t%設(shè)為閾值T，可以通過一系列試驗(yàn)獲得參數(shù)t的最終值。本研究根據(jù)病害葉片圖像自身特點(diǎn)自適應(yīng)選取公式(3)中的閾值T。設(shè)有M幅同類蘋果病害葉片圖像，將每幅圖像劃分為N個子塊，進(jìn)行CS-LBP特征求和平均，得到該類病害葉片圖像的參考特征向量。

(4)

式中：Bij(k)為第i個訓(xùn)練樣本中第j個子塊的CS-LBP算子；M為同類蘋果病害葉片圖像幅數(shù)；N為每幅圖像劃分的子塊數(shù)；k表示第k個像素。

蘋果病害葉片圖像經(jīng)過計(jì)算得到參考特征A(k)和M×N個子塊的每個子塊特征的Bij(k)后，采用卡方檢驗(yàn)法估計(jì)閾值，將Bij(k)與整幅葉片圖像的CS-LBP算子A(k)進(jìn)行差異度比較：

(5)

式中：G是ALLBP特征所選擇的模式數(shù)。

T=max[K(i)](i=1，2，…，N)。

(6)

2.3 病斑區(qū)域圖像增強(qiáng)

由于選取自適應(yīng)加權(quán)系數(shù)時，一般情況下，1幅病害葉片圖像中不同子塊包含的病斑信息量不同。病斑紋理豐富的區(qū)域包含的信息量較大，反之包含的信息量較小。若不加區(qū)分地對待不同的病害葉片圖像的不同區(qū)域，則會降低病斑圖像的分割效果，影響后續(xù)的病害識別率。信息熵反映圖像中信息量的大小，信息熵越大，表明紋理細(xì)節(jié)越豐富；反之，紋理細(xì)節(jié)越稀少。因此，通過信息熵可以增強(qiáng)區(qū)域病斑圖像。

設(shè)圖像分為N個子塊，則第i個子塊Vi的信息熵表示為

(7)

式中：pij表示第i個子塊圖像中第j個灰度級出現(xiàn)的概率；L表示Vi的灰度像素級。

子塊的信息熵越大，表示賦予它越大的權(quán)重，則第i個子塊的增強(qiáng)權(quán)重系數(shù)αi(i=1,2,…,N)定義為

(8)

第i個子塊的灰度值乘以αi，得到增強(qiáng)圖像。

2.4 病斑檢測

在病害葉片病斑檢測過程中，為提高檢測的準(zhǔn)確率，將待檢測的葉片圖像分割成重疊的、大小相同的子塊。子塊移動的步長越小、重疊區(qū)域越多，葉片病斑檢測的準(zhǔn)確率就越高，但計(jì)算時間也隨之增加?？紤]到檢測精度和實(shí)時性的要求，本研究采用W/4作為移動步長，W為子塊的大小。假設(shè)D是當(dāng)前葉片病斑圖像子塊的加權(quán)ALLBP值，再利用公式(5)計(jì)算D與A的差異度K，然后將K與閾值T進(jìn)行比較：若K>T，則判定該子塊有病斑，將該區(qū)域設(shè)置為白色；否則沒有病斑，將該區(qū)域設(shè)置為黑色。

3 結(jié)果與分析

為了表明本研究提出的ALLBP方法的有效性，在陜西省楊凌市蘋果園區(qū)對蘋果的斑點(diǎn)落葉病、花葉病、銹病3種常見的病害葉片圖像進(jìn)行病斑檢測試驗(yàn)。每種病害各選擇10幅圖像，每幅圖像大小裁剪為768×512像素。處理結(jié)果見圖3和圖4。

為了檢測本研究中葉片病斑檢測算法的有效性，計(jì)算病斑的誤檢率：

(9)

式中：r為葉片病斑檢測錯誤率，r越低，檢測效果越好；Nall為圖像分割后互不重疊的子塊總數(shù)；Ef為將無葉片病斑子塊誤檢為有葉片病斑子塊的數(shù)量；Ed為將有葉片病斑子塊錯誤判斷為無病斑子塊的數(shù)量。

利用ALLBP在斑點(diǎn)落葉病、花葉病和銹病葉片的各10幅圖像上進(jìn)行病斑檢測試驗(yàn)。統(tǒng)計(jì)葉片病斑檢測算法的誤檢率，并與LBP、CS-LBP的檢測結(jié)果進(jìn)行比較。表1為3類蘋果病害葉片檢測錯誤率平均值。從表1可以看出，本研究方法的病斑錯誤檢測率的平均值低于2.5%。

圖3-c、圖4-b和表1的結(jié)果表明，本研究方法的ALLBP取得了較好的檢測修改效果。

表1 3種蘋果葉片病斑檢測錯誤率

4 結(jié)論與討論

本研究提出了一種基于LBP及其改進(jìn)算法的自適應(yīng)學(xué)習(xí)CS-LBP的作物病害葉片的病斑檢測方法。該方法使用發(fā)生概率高的模式作為特征，從而保證了病斑檢查的準(zhǔn)確性。該方法將病害葉片圖像分割為子塊并提取ALLBP后，尋找與參考向量最不相同的檢查差異值作為病斑閾值。試驗(yàn)結(jié)果表明了ALLBP的有效性。該方法能夠應(yīng)用于針對設(shè)施農(nóng)業(yè)或大區(qū)域農(nóng)場的作物病害遠(yuǎn)程自動監(jiān)控系統(tǒng)，為后續(xù)構(gòu)建一個完整的病害監(jiān)控、診斷和防治系統(tǒng)提供了理論基礎(chǔ)。在本研究基礎(chǔ)上，下一步工作的重點(diǎn)是將該方法應(yīng)用于病斑特征提取中，繼續(xù)深入拓展，對病害的特征提取、精準(zhǔn)識別與診斷系統(tǒng)展開研究。

[1]穆亞梅，馬國俊. 基于物聯(lián)網(wǎng)的蘋果樹病蟲防治專家系統(tǒng)的設(shè)計(jì)與應(yīng)用[J]. 自動化與儀器儀表，2012，10(5)：89-90.

[2]王文山，柳平增，臧官勝. 基于物聯(lián)網(wǎng)的果園環(huán)境信息監(jiān)測系統(tǒng)的設(shè)計(jì)[J]. 山東農(nóng)業(yè)大學(xué)學(xué)報(bào)(自然科學(xué)版)，2012，43(2)：239-243.

[3]Kulkarni A H，Patil R K A. Applying image processing technique to detect plant diseases[J]. International Journal of Modern Engineering Research，2012，2(5)：3661-3664.

[4]Bankar S，Dube A，Kadam P，et al. Plant disease detection techniques using canny edge detection & color histogram in image processing[J]. International Journal of Computer Science and Information Technologies，2014，52(2)：1165-1168.

[5]Hiary H A，Ahmad S B，Reyalat M，et al. Fast and accurate detection and classification of plant diseases[J]. International Journal of Computer Applications，2011，17(1)：31-38.

[6]Zhang S W，Shang Y J，Wang L. Plant disease recognition based on plant leaf image[J]. Journal of Animal & Plant Sciences，2015，25(3)：42-45.

[7]馬曉丹，祁廣云. 基于神經(jīng)網(wǎng)絡(luò)的大豆葉片病斑的識別與研究[J]. 黑龍江八一農(nóng)墾大學(xué)學(xué)報(bào)，2006，18(2)：84-87

[8]馬浚誠，李鑫星，溫皓杰，等. 面向葉類蔬菜病害識別的溫室監(jiān)控視頻采集系統(tǒng)[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2015，46(3)：282-287.

[9]李乃祥，郭 鵬，王學(xué)利，等. 溫室病蟲害遠(yuǎn)程智能識別與視頻診斷系統(tǒng)[J]. 中國科技成果，2015(4)：54.

[10]胡祝華，趙瑤池. 農(nóng)業(yè)病蟲害智能視頻監(jiān)控系統(tǒng)的構(gòu)建和應(yīng)用[J]. 中國農(nóng)機(jī)化學(xué)報(bào)，2016，37(3)：186-190.

[11]劉寶靜. 基于物聯(lián)網(wǎng)視覺的自動農(nóng)業(yè)植物病斑遠(yuǎn)程識別[J]. 科技通報(bào)，2013，29(4)：85-87.

[12]張佳銳. 基于物聯(lián)網(wǎng)的農(nóng)業(yè)蟲害智能監(jiān)控系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D]. 長沙：湖南大學(xué)，2015.

[13]王 冬. 基于物聯(lián)網(wǎng)的智能農(nóng)業(yè)監(jiān)測系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D]. 大連：大連理工大學(xué)，2013.

[14]胡 凱. 風(fēng)景園林病蟲害防治物聯(lián)網(wǎng)智能處理系統(tǒng)的研究[D]. 南京：南京林業(yè)大學(xué)，2012.

[15]王梅嘉，何東健，任嘉琛. 基于Android平臺的蘋果葉病害遠(yuǎn)程識別系統(tǒng)[J]. 計(jì)算機(jī)工程與設(shè)計(jì)，2015，36(9)：2585-2590.

[16]康志亮，許麗佳，王中成，等. 基于物聯(lián)網(wǎng)的智能農(nóng)業(yè)監(jiān)測系統(tǒng)：CN204740488U[P]. 2015.

[17]韓延彬，尹鍵芹，李金屏. 基于圖元旋轉(zhuǎn)不變性和相位統(tǒng)計(jì)信息的LBP算法在紋理分類中的研究[J]. 計(jì)算機(jī)學(xué)報(bào)，2011，34(3)：583-592.

[18]Ojala T，Pietikainen M，Maenpaa T. Multi-resolution grayscale and rotation invariant texture classification with local binary patterns[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence，2002，24(7)：971-987.

[19]Guo Z H，Zhang L，Zhang D. Rotation invariant texture classification using LBP variance (LBPV) with global matching[J]. Pattern Recognition，2010，43(3)：706-719.

[20]付 蓉，石美紅，徐步高. 基于自適應(yīng)學(xué)習(xí)局部二值模式的織物疵點(diǎn)檢測算法[J]. 計(jì)算機(jī)集成制造系統(tǒng)，2010，16(9)：2009-2015.

[21]Ojala T，Pietikainen M，Maenpaa T. Multiresolution gray-scale and rotation invariant texture classification with local binary patterns[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence，2002，24(7)：971-987.

[22]李歡利，郭立紅，李小明. 基于統(tǒng)計(jì)特征中心對稱局部二值模式的虹膜識別[J]. 光學(xué)精密工程，2013，21(8)：2129-2136.

[23]張潔玉，趙鴻萍，陳 曙. 自適應(yīng)閾值及加權(quán)局部二值模式的人臉識別[J]. 電子與信息學(xué)報(bào)，2014，36(6)：1327-1333.