高雄+湯巖+陳鐵英+崔紅梅+王洪波

摘要：病蟲害是農(nóng)作物減產(chǎn)的主要原因，目前我國主要通過噴灑農(nóng)藥來處理病蟲害。但是農(nóng)藥的大量施用會(huì)給環(huán)境帶來嚴(yán)重的污染，也會(huì)影響食物的安全性。精準(zhǔn)施藥是解決農(nóng)藥大量施用的有效辦法，但首先需要對(duì)病蟲害的位置與種類作出準(zhǔn)確的判斷然后再控制農(nóng)藥噴灑。首先，對(duì)田間采集回來的蟲害圖片進(jìn)行預(yù)處理，然后對(duì)蟲害的特征進(jìn)行提取，最后通過模糊識(shí)別來識(shí)別蟲害的種類。結(jié)果表明，通過形狀特征對(duì)甘藍(lán)的3種常見害蟲識(shí)別準(zhǔn)確率均高于80%，害蟲的形態(tài)、陽光照射產(chǎn)生的陰影對(duì)識(shí)別準(zhǔn)確度有嚴(yán)重的影響。

關(guān)鍵詞：圖像處理；甘藍(lán)蟲害；特征提??；模糊識(shí)別；甘藍(lán)夜蛾；菜青蟲；二十八星瓢蟲

中圖分類號(hào)： TP391.41文獻(xiàn)標(biāo)志碼： A文章編號(hào)：1002-1302（2017）23-0235-04

精準(zhǔn)施藥的前提是對(duì)蟲害的識(shí)別與定位[2]，通過數(shù)字圖像處理技術(shù)可以完成這一任務(wù)。數(shù)字圖像處理作為一門學(xué)科大約形成于20世紀(jì)60年代初期，是指用計(jì)算機(jī)及其相關(guān)技術(shù)對(duì)圖像施加某種運(yùn)算和處理，從而達(dá)到某種預(yù)想目的的過程[3]。近年來，隨著數(shù)字圖像處理的迅速發(fā)展，計(jì)算機(jī)視覺的應(yīng)用日益廣泛，模式識(shí)別技術(shù)日趨成熟，對(duì)農(nóng)作物病蟲草害圖像進(jìn)行處理，提取特征參數(shù)，可以達(dá)到智能識(shí)別的目的[4]。

本研究通過對(duì)蟲害圖像預(yù)處理，提取蟲害的形狀特征，使用模糊識(shí)別來區(qū)分蟲害種類，以期有效地識(shí)別甘藍(lán)部分種類蟲害，為智能化噴霧與精準(zhǔn)施藥的研究奠定基礎(chǔ)。

1材料與方法

1.1試驗(yàn)材料

使用京豐一號(hào)綠甘藍(lán)種子，在內(nèi)蒙古農(nóng)業(yè)大學(xué)試驗(yàn)田內(nèi)于2015年5月末播種。當(dāng)甘藍(lán)結(jié)球以后，在室外自然環(huán)境下，選擇不同晴天的11：00去田間獲取不同的蟲害照片。在圖像采集時(shí)，相機(jī)（佳能EOS 700D）與目標(biāo)害蟲的垂直距離固定為20 cm，為后續(xù)特征的提取統(tǒng)一標(biāo)準(zhǔn)，如果相機(jī)高度發(fā)生變化，其拍攝的有效區(qū)域也會(huì)發(fā)生變化，相同的像素條件下圖像所得到的害蟲特征值也會(huì)有較大的變化，從而影響識(shí)別的準(zhǔn)確度。當(dāng)害蟲處于甘藍(lán)邊緣或者甘藍(lán)葉縫中時(shí)，通過手動(dòng)來使害蟲處于完好的葉片表面。選取甘藍(lán)夜蛾、菜青蟲、二十八星瓢蟲等3種蟲害的照片各30張，其中20張為樣本特征提取組，其余10張為測(cè)試組。優(yōu)先選取光照產(chǎn)生的陰影較小、背景比較簡(jiǎn)單整潔的圖片待用。

1.2試驗(yàn)方法

1.2.1圖像灰度化由于采集的原始圖像數(shù)據(jù)較大，含有大量的無用信息，為了降低圖像分割的難度，可以首先從原始圖像中截取含有特征信息的部分圖像區(qū)域。首先，對(duì)要進(jìn)行分析的圖片進(jìn)行標(biāo)定，將采集到的圖像統(tǒng)一裁剪為1 500×1 500 像素的圖像，將目標(biāo)保留在圖像的中部待處理。為了提取分類需要的信息，去除不需要部分的干擾，需要對(duì)彩色圖像進(jìn)行灰度化處理，灰度化處理的好處是縮短計(jì)算時(shí)間。本研究使用Matlab r2012a軟件對(duì)3種蟲害的圖像進(jìn)行處理與識(shí)別，圖像灰度化后分別如圖1、圖2、圖3所示。

1.2.2平滑去噪由于圖像采集設(shè)備的特性及外界環(huán)境的干擾會(huì)使圖像產(chǎn)生一定的噪聲，降低圖片的質(zhì)量[5]。合理地消除噪聲可以提高后續(xù)的閾值分割、邊緣提取等步驟的準(zhǔn)確度。去除噪聲的方式有均值濾波、高斯濾波、極值濾波和中值濾波。因?yàn)榻?jīng)過中值濾波后的圖像目標(biāo)邊緣不會(huì)變模糊，而在后續(xù)的特征提取時(shí)需要準(zhǔn)確的目標(biāo)邊緣，所以，采用中值濾波去除噪聲干擾相對(duì)于其他濾波方式較好地保護(hù)了圖像的原始特征。3種蟲害圖像的中值濾波結(jié)果分別如圖4、圖5、圖6所示。

1.2.3病蟲圖像的分割圖像分割可以理解為將圖像中有意義的特征區(qū)域或者需要應(yīng)用的特征區(qū)域提取出來。閾值分割是一種簡(jiǎn)單有效的圖像分割方法，閾值分割又叫做圖像二值化[6-7]，主要的目標(biāo)就是區(qū)別病蟲圖像中的目標(biāo)物體與背景[8]。本研究中將圖像中的病蟲作為目標(biāo)物體，非病蟲部分作為背景?；叶戎荡笥诨虻扔陂撝档南袼攸c(diǎn)，灰度值統(tǒng)一為255，即白色，否則這些像素點(diǎn)將統(tǒng)一為0，即黑色。閾值分割有雙峰法、迭代法、大津法（OTSU法），經(jīng)過測(cè)試發(fā)現(xiàn)大津法選出來的閾值比較理想，在各種情況均表現(xiàn)良好，分割質(zhì)量有一定的保障。3種蟲害的圖像經(jīng)閾值分割后分別如圖7、圖8、圖9所示。

1.2.4形態(tài)學(xué)圖像的處理由閾值分割后的圖像（圖7至圖9）可以看出，經(jīng)過閾值分割后，提取了蟲害圖像的有用信息，去除了無效的背景信息。但是從圖像上可以看出目標(biāo)仍然存在孔洞和觸角，背景上存在噪聲干擾，這些均會(huì)對(duì)特征提取產(chǎn)生較大的影響。二值圖像的基本形態(tài)學(xué)運(yùn)算包括腐蝕、膨脹，以及開運(yùn)算、閉運(yùn)算。腐蝕可以消掉物體邊緣，使圖像向內(nèi)部收縮，進(jìn)而消除小的噪聲點(diǎn)。而膨脹與腐蝕相反，膨脹使物體邊緣向外擴(kuò)張，可以消除目標(biāo)內(nèi)部孔洞。但是膨脹與腐蝕均會(huì)改變目標(biāo)的面積使識(shí)別的準(zhǔn)確性降低。開運(yùn)算是先腐蝕后膨脹的過程，其主要作用與腐蝕相似，與腐蝕操作相比，具有可以基本保持目標(biāo)原有大小不變的優(yōu)點(diǎn)。閉運(yùn)算是先膨脹后腐蝕的過程，用來填充物體內(nèi)細(xì)小孔洞、連接鄰近物體、平滑其邊界的同時(shí)并不明顯改變其面積。本研究通過開運(yùn)算來消除目標(biāo)觸角、害蟲留在葉面的糞便、菜葉上的沙土等，通過閉運(yùn)算來填補(bǔ)蟲害內(nèi)部的孔洞。3種蟲害的圖像經(jīng)過數(shù)學(xué)形態(tài)學(xué)處理后分別如圖10、圖11、圖12所示。

1.2.5害蟲邊界提取邊界檢測(cè)的目的是標(biāo)志數(shù)字圖像中

亮度變化明顯的點(diǎn)，圖像屬性中的顯著變化通常反映屬性的重要事件和變化。輪廓是對(duì)物體形狀的有力描述，對(duì)圖像分析和識(shí)別十分有用。圖像邊緣檢測(cè)大幅度減少了數(shù)據(jù)量，且剔除了不相關(guān)的信息，保存了圖像重要的結(jié)構(gòu)屬性。3種蟲害圖像邊界的提取結(jié)果分別如圖13、圖14、圖15所示。

1.2.6輪廓填充邊界的提取主要是為了提取目標(biāo)周長，而面積等特征則需要在填充之后獲取，在后續(xù)的特征提取中把面積和周長作為基礎(chǔ)。輪廓填充之后圖像將不存在孔洞，圖像特征更加精確。輪廓填充后對(duì)圖像像素進(jìn)行取反操作，結(jié)果如圖16、圖17、圖18所示。endprint

2結(jié)果與分析

2.1蟲害圖像特征的提取

特征是某一類對(duì)象區(qū)別于其他種類對(duì)象相應(yīng)的特點(diǎn)，決定每個(gè)圖像的點(diǎn)是否屬于某一類圖像。本研究通過選取區(qū)域

面積、周長、偏心率、圓形度、矩形度等5個(gè)形狀特征來識(shí)別甘藍(lán)常見的蟲害，所選取特征的標(biāo)量均與圖像的方向無關(guān)，所以在識(shí)別蟲害時(shí)不需要固定蟲害圖像的方向[9]。提取樣本組20組圖像的形狀特征參數(shù)，使用Excel 2013處理得到的數(shù)據(jù)，計(jì)算3種蟲害各自特征的均值與標(biāo)準(zhǔn)差，如表1所示。

2.2蟲害模糊識(shí)別

灰度圖像具有模棱兩可的像素，而模糊分類法對(duì)于不太確定的問題識(shí)別效果較好。在分類決策的過程中，由于特征值的變化是隨機(jī)噪聲等因素引起的，因此，可以把特征值的波動(dòng)視為一種高斯分布。根據(jù)高斯分布的3δ性質(zhì)，當(dāng)識(shí)別一種蟲害時(shí)，若某蟲害屬于A類，其每個(gè)特征值均落在特征庫中的A類特征均值的3倍標(biāo)準(zhǔn)差以內(nèi)，對(duì)于不屬于A類的蟲害，它的有些特征可能落在3倍標(biāo)準(zhǔn)差以外或者更遠(yuǎn)的地方[10]。

首先求出待識(shí)別蟲害特征屬于每個(gè)目標(biāo)種類的隸屬度，然后使用得出的這一組隸屬度中的最小值作為該蟲害對(duì)這類目標(biāo)的隸屬度。在最后作種類識(shí)別時(shí)，通過選取隸屬度最大的那個(gè)目標(biāo)種類作為待識(shí)別蟲害的所屬種類。隸屬度計(jì)算公式如下：

uxj=exp[-（-fxj-pkj）2]2qkj，pkj-3qkj≤fxj≤fxj+3qkj

0，其他。

式中：x為目標(biāo)類；j為特征序號(hào)；k為樣本號(hào)；P為樣本均值；q為樣本標(biāo)準(zhǔn)差；uxj為選取圖像對(duì)于x類目標(biāo)的j類特征的隸屬度。部分隸屬度分類結(jié)果如表2所示，該值即為某蟲害5個(gè)特征隸屬度選取時(shí)最小的值，也是在識(shí)別時(shí)對(duì)該蟲害種類隸屬度最高的值。

去除了圖像中觸角及孔洞的影響。通過面積、周長、偏心率、圓形度、矩形度的特征可以作出對(duì)甘藍(lán)部分種類害蟲的有效識(shí)別。本研究選取的蟲害特征比較鮮明，選取作物甘藍(lán)菜葉面比較光滑平整，色彩變化均勻，識(shí)別效果比較理想，識(shí)別率均高于80%。但是對(duì)于室外環(huán)境下獲取的圖像，由于光照和昆蟲形態(tài)的不確定性對(duì)識(shí)別結(jié)果會(huì)有較大的影響。希望在以后的研究中可以使用光譜分析技術(shù)與圖像識(shí)別技術(shù)相結(jié)合，從而提高圖像識(shí)別的準(zhǔn)確度。

參考文獻(xiàn)：

[1]張波，翟長遠(yuǎn)，李瀚哲，等. 精準(zhǔn)施藥技術(shù)與裝備發(fā)展現(xiàn)狀分析[J]. 農(nóng)機(jī)化研究，2016（4）：1-5，28.

[2]高雄，王海超. 甘藍(lán)菜青蟲害自動(dòng)識(shí)別系統(tǒng)的開發(fā)與試驗(yàn)研究——基于機(jī)器視覺[J]. 農(nóng)機(jī)化研究，2015（1）：205-208.

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

[4]李宗儒. 基于圖像分析的蘋果病害識(shí)別技術(shù)研究[D]. 楊凌：西北農(nóng)林科技大學(xué)，2010.

[5]莫然. 基于圖像分析的病蟲識(shí)別系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D]. 南京：南京理工大學(xué)，2013.

[6]夏永泉，李耀斌，曾莎. 基于HSI顏色空間的植物葉片病斑提取方法[J]. 江蘇農(nóng)業(yè)科學(xué)，2015，43（8）：406-408.

[7]崔世鋼，楊莉莉，吳興利，等. 面向LED植物生長柜的葉脈特征提取[J]. 江蘇農(nóng)業(yè)科學(xué)，2015，43（1）：373-375.

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

[9]于新文，沈佐銳，高靈旺，等. 昆蟲圖像幾何形狀特征的提取技術(shù)研究[J]. 中國農(nóng)業(yè)大學(xué)學(xué)報(bào)，2003，8（3）：47-50.

[10]吳蘭蘭. 基于數(shù)字圖像處理的玉米苗期田間雜草的識(shí)別研究[D]. 武漢：華中農(nóng)業(yè)大學(xué)，2010.江蘇農(nóng)業(yè)科學(xué)2017年第45卷第23期黃成偉，馬本學(xué)，蔣偉，等. 基于無線射頻技術(shù)和EPC物聯(lián)網(wǎng)的棉種供應(yīng)鏈可追溯系統(tǒng)設(shè)計(jì)[J]. 江蘇農(nóng)業(yè)科學(xué)，2017，45（23）：239-243.endprint