夏永泉++曾莎++李耀斌

摘要：为了促进智能化农业的发展，提出1种基于Android的植物叶片病害区域提取系统。针对传统边缘检测分割时容易丢失边缘细节的缺陷，添加对2个斜方向梯度信息的提取，从而得到更完整的病害区域边缘。在此基础上构建了基于移动终端的植物叶片病害区域提取系统。测试效果显示，该系统具有便携、实用、界面友好等特点，能有效地提取出病害区域，为后续的识别提供有效、可靠的病害数据。

关键词：Android系统；叶片病害区域；边缘检测；梯度计算

中图分类号： TP391.41文献标志码： A文章编号：1002-1302（2016）05-0383-04

农作物在发生病害后，初期症状一般比较模糊，广大农业生产者因为缺乏植物病害的诊断能力，造成农作物病害不能及时、正确地被诊断出来，采取不当的防治措施，致使农作物大量减产；而盲目地使用农药，不仅降低了农产品的质量，也会危害人类的健康，造成环境污染。因此，指导农业生产者对病害的有效识别是农业生产中的一个关键问题。作物病害最直接的外在表现是病斑，由于作物种类较多，同一种作物上的病害种类也千差万别，病害呈现出多样化、复杂化和难以预测的特征，为了农业的发展，需要对不同作物的叶片病害区域进行准确提取。Android操作系统集开源、免费、支持语音、视频、触屏等于一体，人机交互性强，且技术越来越成熟[1]。它不但为软件设计者提供了比较灵活的开发空间，而且为研究开发出开源、免费以及操作简单的农业智能化系统提供了很好的开发平台。Android智能手机在中国也迅速发展，且价格低廉，便于农民朋友使用。王安炜探讨了Android技术与农业智能化专家系统的融合[2]。杨林楠等提出了基于Android系统手机的甜玉米病虫害智能诊断系统，采用正向推理和“产生式”规则，设计了甜玉米病害树形图和推理机[3]。目前基于Android的植物叶片病害处理还较少，且大多停留在手机客户端对病害的采集、上传及后台服务器保存上，系统智能性有待提高。为使植物叶片病害的研究走向普通农户，本研究提出1种基于Android的植物叶片病害区域提取系统。利用Android终端，实现对植物叶片病害区域的有效提取，为后续对病害的识别和诊断打好基础。

1系统设计

在基于Android的植物叶片病害区域提取系统设计上，以植物病害叶片为研究对象，在智能手机上开发设计“农业小助手”系统[4]。系统的功能模块包括病害图像采集、病害图像的预处理、图像分割以及对病害区域的提取。具体模块如图1所示。

1.1病害图像采集

植物病害的种类繁多，且形状各异。当前Android手机的拍照功能都很完善，一般的摄像头都能达到800万像素级，非常便于对田间植物病害叶片的采集。而且Android系统具备完善的API支持，可实现对获得图像的初始操作，将图像裁剪、放大、缩小到我们需要的状态，去除干扰，加快运算速度，使后续的处理效果更加明显。当然，Android手机是集通话、多媒体、上网等功能于一体的智能终端，本系统也可以对网络上的病害叶片进行直接处理。

1.2病害图像预处理

由于自然状态下生长的植物，病害叶片的形状、颜色等都比较复杂。采集到的图像因为植物周围环境的光照、拍摄角度、采集照片时振动等因素的影响，给后续对病害的分割带来一定困难。因此，需要对采集到的病害图像进行预处理，以减少和消除图像中的噪声影响。对于图像中的噪声采用自适应中值滤波，去除不需要的信息，改善图像质量。目前病害叶片图像大多是利用高像素数码相机、单反相机、智能手机人工获得的24位真彩色图像。为了便于后续处理，在空间域中对图像进行灰度化，即将彩色图像转换为灰度图像。

1.3病害区域提取

要实现病害区域的提取，需要对植物病害区域进行有效分割。当前自然环境下获得的植物病害叶片颜色分布不均，且背景比较复杂，分割的区域数目较多。现在常用的分割技术包括阈值分割法、边缘检测法、人工神经网络、基于聚类的分割等[5]。而对人工神经网络、聚类分割方法需要人工选取中心点，计算复杂、运算量大。本系统采用最大类间方差阈值与边缘检测相结合的分割方法，实现对病害区域的有效提取。

2病害区域获取

2.1病害图像二值化

叶片病害分割精度直接影响后续对病害区域提取的可靠性，以及病害识别的准确性。由于植物病害图像具有拓扑结构复杂、边缘细节多等特点，传统的图像分割法大多存在边缘不连续或者是图像边缘过粗等缺点，致使病害区域提取不准确。针对此问题，先对病害叶片进行OTSU阈值分割，得到分割后的二值图。

OTSU即最大类间方差法，被认为是图像分割中对阈值自动选取的最佳算法，因其计算简单，并且不受待处理图像的亮度、对比度的影响而得到广泛使用。对病害图像二值化实现过程为：求出叶片病害图像的像素总数为N，灰度级为L，图像中灰度值为i的像素总数为ni，则i的概率为：

Pi=niN。

选择1个阈值T将图像按照其对应的灰度级范围[0，T-1]、[T，L-1]，将图像分成C0、C1 2类，C0、C1对应的灰度均值分别为：

u0=∑T-1i=0ipiw0；

u1=∑L-1i=Tipiw1。

则整个叶片病害图像的灰度均值为：

u=w0u0+w1u1。

类间方差为：

σ2=w0（u0-u）2+w1（u1-u）2。

最佳阈值为σ2值最大时对应的T值，由此获取植物叶片病害区域二值图。

2.2改进的病害区域分割

对病害叶片二值图进行边缘检测分割。Canny算子是在信噪比准则、定位精度准则、单边响应准则下衍生出的最优边缘检测算子[6]，具体处理过程如图2所示。

首先对病害图像进行高斯平滑滤波，设病害图像为f（x，y），则二维高斯函数为：

G（x，y）=12πσ2e-x2+y22σ2；

式中：σ是高斯滤波参数。g（x，y）是滤波平滑后的病害图像：

g（x，y）=G（x，y）×f（x，y）。

高斯平滑滤波后由2×2领域的一阶偏导有限差分求得病害图像的梯度幅值和方向，具体的计算公式分别为：

M（x，y）=Sx（x，y）2+Sy（x，y）2；

θ（x，y）=arctan[Sy（x，y）/Sx（x，y）]。

传统Canny边缘检测只提取了水平、垂直方向的梯度信息，忽略了一些斜边上的信息，而对植物病害的研究需要精确的病害叶片信息，方便对病害的形状、纹理等特征的提取，因此再增添2个斜方向上梯度信息的提取，以得到更加丰富、精确的边缘信息[7]。具体算法流程如图3所示。

2.2.1斜方向梯度信息提取为了求得斜方向上的梯度，使用图4所示的2个对角模板对病害图像像素值进行加权平均，求得斜方向上的梯度。

对角模板a的梯度计算公式为：

G1′（x，y）=f（x，y-1）+2f（x+1，y-1）-f（x-1，y）+f（x+1，y）-2f（x-1，y+1）-f（x，y+1）。

对角模板b的梯度计算公式为：

G2′（x，y）=-2f（x-1，y-1）-f（x，y-1）-f（x-1，y）+f（x+1，y）+f（x，y+1）+2f（x+1，y+1）。

而斜方向上总梯度大小为：

G′=G1′2+G2′2。

2.2.2梯度计算比较斜方向的梯度与原图像的梯度值，当原图像的梯度值大于斜方向上时，取水平、垂直方向上的梯度值；反之，则取斜方向上的梯度值。即最终的梯度值是取2个矩阵中对应位置数据的最大值。假设水平、垂直方向提取的梯度图像为M，进行非极大值抑制后的梯度图像为M1，斜方向上提取的梯度图像为G，则最终图像的梯度为：

G=max（M1，G′）。

3结果与分析

本系统开发环境是在Windows操作系统下[8]，由JRE和ADT-bundle共同构建。本系统选择的是Android 4.1系统，具体的硬件支持是三星Galaxy S3，4核处理器，主频为 1 433 MHz，后置相机为800万像素。开发的“农业小助手”系统界面如图5所示。

由于环境、本课题处于研究初期的因素，对于有复杂背景的病害图像处理算法不够成熟，主要通过研究病害叶片背景相对比较简单的植物叶片病害图像。本研究选择小麦、番茄、黄瓜病害叶片进行测试。具体病害区域提取图如图6所示。经过对比发现，改进的植物叶片病害区域提取方法能够更好地实现对病害区域的提取，精确度有所提高，去除了部位伪边缘和噪声边缘。尤其是对番茄叶片，基本实现对病害区域的100%准确提取。而在Android手机上的直接操作，使该系统的方法具有一定的通用性。测试和初步应用的效果显示，该系统具有便携、实用、界面友好和不受有线网络环境限制等特点，有较强的实用性和推广应用前景。很好地实现了对叶片病害区域的提取，而且改进的方法较传统的方法边缘提取更加准确。

4结论

本研究提出了1种基于Android的植物叶片病害区域边缘提取系统。通过对检测分割方法进行改进，增加了斜方向上梯度信息的提取，使得到的病害边缘线条在某些间断的地方实现了连接，减少了噪声，去除伪边缘，得到更加准确的病害区域。该系统基于Android系统，操作简单，人机交互性强，具有较强的实用性和推广价值，并为后续对植物病害的诊断和识别打好基础。

参考文献：

[1]高彩丽，许黎民，袁海，等. Android应用开发范例精解[M]. 北京：清华大学出版社，2012.

[2]王安炜. 基于Android的手机农业专家系统的设计与实现[D]. 泰安：山东大学，2011.

[3]杨林楠，郜鲁涛，林尔升，等. 基于 Android 系统手机的甜玉米病虫害智能诊断系统[J]. 农业工程学报，2012，28（18）：163-168.

[4]Deepak K，Vinoth A N. Leaf detection application for android operating system[C]. IC CPEIC，2014.

[5]Rafiee G，Dlay S S，Woo W L. Region-of-interest extraction in low depth of field images using ensemble clustering and difference of Gaussian approaches[J]. Pattern Recognition，2013，46（10）：2685-2699.

[6]彭辉，文友先，吴兰兰，等. 采用自适应canny算子的树上柑橘图像边缘检测[J]. 计算机工程与应用，2011，47（9）：163-166.

[7]苏连成，王东卫. 一种改进的Canny边缘检测算子[J]. 燕山大学学报，2012，36（5）：413-416.

[8]刘涛，仲春晓，孙成明，等. 基于计算机视觉的水稻叶部病害识别研究[J]. 中国农业科学，2014，47（4）：664-674.李敏. 基于物联网技术的农业环境监测系统研究与设计[J]. 江苏农业科学，2016，44（5）：387-391.