王树文，张长利

（东北农业大学工程学院，哈尔滨 150030）

黄瓜是重要的蔬菜作物，黄瓜的病害问题已成为全国乃至世界范围内，困扰着黄瓜生产的关键性问题之一[1-4]。在不同品种、区域、气候条件、耕作方法及栽培技术条件下，发生的病害种类和危害程度不同。然而，由于植物的生长环境等日趋恶化，黄瓜病虫害不断加重，植物病害的病原菌数目众多，引起症状呈现多样性、复杂性，且长期在对症状描述上一直没有采用精确、定量的方法，造成了植物病害诊断标准的模糊，妨碍了农业生产者对植物病害进行正确有效的判断，导致盲目大量施用农药，造成农产品污染、土壤污染、水体污染等严重后果[5]。

本文以图像处理技术为主要手段，采用VC++6.0作为开发工具，建立了黄瓜病害的染病程度的分级和识别诊断系统。该系统能够缩短病害识别的周期、降低由于主观因素产生的误差、提高判别的精度并为防治措施提供依据。

1 样本图像的采集

利用图像采集系统，选择光照强度适中的时间进行拍摄，从发病初期开始直至病情发展到非常严重的时期，平均每隔2d采集1次病叶图像（见图1）。

2 图像预处理方法的研究

2.1 图像增强

本文采用VC++6.0开发了优化的锐化滤波算法实现图像的增强[6-7]，图像锐化是使在图像传输和变换过程中模糊的边缘图像和轮廓图像变得清晰，使其细节变得更加明显，增强后的效果如图2所示，本文以黄瓜霜霉病图片为例。

图1 黄瓜病害样本图像Fig.1 Sample cucumber disease images

图2 增强图像Fig.2 Images after enhance transform

2.2 背景分割

本文比较分析三种最常用的图像分割法：动态阈值分割法、Otsu法和分水岭法。分割效果如图3所示[8-10]。比较结果表明本文选取采用VC++6.0软件开发的分水岭法，它的精度高、噪声干扰小，抗干扰能力强，能够更好的实现分割的目的。

图3 霜霉病分割效果图Fig.3 Segmentation result of downy mildew spot

2.3 图像去噪

本文是通过一个3×3大小的圆形结构元素，先利用闭合运算平滑边界并填充病斑内部的缺口，再将病斑的分离部分连接在一起，然后再进行开启运算以消除病斑周围的噪声，进一步获得病斑区域。

此时将数学形态学滤波后的病斑区域图像与原彩色图像做乘法便得到霜霉病的病斑图，如图4所示。

图4 霜霉病病斑Fig.4 Disease spot of downy mildew

3 病斑特征的提取

3.1 病斑的颜色特征提取

本文选择了HSV颜色模型进行病斑颜色的描述，并采用一定的量化方式将颜色特征以向量的形式进行表达，将分别从H、S、V三个分量的均值、偏差、三阶矩这三方面对颜色特征进行表示。部分样本的颜色特征如表1所示。

表1 病斑的颜色特征Table 1 Color feature of disease spot

3.2 病斑的纹理特征提取

从灰度-梯度共生矩阵中可以提取出多个统计特征参数，如梯度均方差、灰度熵、惯性等，但在实验中研究得出能量、相关性、同次性和差异性是最有效的特征，所以将从这四个参数的均值和偏差两方面进行提取，部分样本的纹理特征如表2所示。

3.3 病斑的形状特征提取

形状特征可以看作是比颜色、纹理要高一些的特征，它的表达比颜色和纹理的表达从本质上要复杂得多。部分样本形状特征参数如表3所示。

表2 病斑纹理特征数据Table 2 Texture feature of disease spot

表3 病斑形状特征Table 3 Shape feature of disease spot

4 病害图像的识别与分类

利用该黄瓜叶部病害识别的BP神经网络模型分别对病害样本图像进行识别测试。为使样本图像既全面又有代表性，在专家的建议和帮助下在试验田采集了大量的病害图像作为样本，并选择霜霉病、白粉病、病毒病和无病害图像共320幅进行测试，结果如表4所示。

表4 病害识别结果Table 4 Results of disease identification

从表4中可以看出，本文设计的黄瓜病害识别系统的平均准确率为95.31%，本系统的识别精度较好，可以用于实际生产中的病害识别。

5 结 论

a.病斑症状在YUV颜色模型下较为明显，同时还能减轻叶脉对于后续图像分割的干扰。在比较几种分割算法后发现分水岭法分割效果最好，相比于动态阈值法和Otsu法，分水岭法更适应光照不均、突发噪声以及病斑边缘不明显等情况，因而能够准确地分割出病斑。

b.分别提取均值、偏差、三阶矩、能量、相关性、同次性、平均椭长短轴比、紧实度均值、平均内外径比、畸形度均值、圆形度均值等22个特征参数，从而对病斑进行较全面的描述。

c.建立隐层神经元个数可变的三层BP神经网络，通过误差对比确定最佳隐含层神经元个数。对480幅黄瓜病害图像进行识别训练，并对另320幅样本进行测试，发现系统对于中度病害的识别准确率较高，平均识别率为95.31%，可以满足识别需求。

d.本系统能实现快速、无损、全自动的特征信息检测，为农业专家研究黄瓜及其他作物提供先进的技术指导和高精度的数据支持。

[1]张鹏,秦智伟,王丽莉,等.黄瓜果实弯曲性遗传分析[J].东北农业大学学报,2010,41(1):29-33.

[2]赵聪慧,张静,王双喜.黄瓜霜霉病图像预处理方法研究[J].农机化研究,2010(1):60-63.

[3]曲丽,秦智伟.黄瓜白粉病病原菌及抗病性研究进展[J].东北农业大学学报,2007,38(6):835-841.

[4]周凤珍,王永健.黄瓜白粉病抗病鉴定方法的研究[J].蔬菜,1987(1):10-11.

[5]吴金凤.黄瓜连作栽培常见病虫害防治技术[J].现代农业科技,2008(10):55-58.

[6]刘晨,侯德文.基于多小波变换与图像融合的图像增强方法[J].信息技术与信息化,2009(5):101-104.

[7]王树文,张长利,房俊龙.应用计算机视觉对番茄损伤分类的研究[J].东北农业大学学报,2006,37(2):215-218.

[8]李峥嵘,刘晓平,李自元.图像分割多阈值法研究[J].CT理论与应用研究,2006(4):50-53.

[9]赵丹婷,柴玉华,张长利.基于图像处理技术的大豆灰斑病的检测技术研究[J].东北农业大学学报,2010,41(4):119-123.

[10]李明,张长利,王晓楠.基于图像处理技术的小麦形态检测方法研究[J].东北农业大学学报,2009,40(3):111-115.