杨健　邹阳

摘 要：为提高小麦生产调控管理水平，设计实现了基于智能图像处理的番茄典型病害远程诊断系统。采用浏览器/服务器（Browser/Server）模式，通过远程监控收集番茄病变信息，融合番茄生理生态指标进行分析诊断。将专家识别番茄病害的知识与数字图像处理、神经网络等技术相结合，对番茄生长过程中产生的病害构建相应特征数据库，进行快速诊断，用户可通过计算机与智能终端获取番茄生长资源。研究表明，该系统有助于提高番茄生产效率，减少资源浪费与农业污染。

关键词：智能图像处理；神经网络；番茄病害数据库；远程诊断系统

DOI：10.11907/rjdk.171396

中图分类号：TP317.4 文献标识码：A 文章编号：1672-7800（2017）009-0199-03

Abstract：In order to improve the control and management level of wheat production， this paper designs and implements a remote diagnosis system for typical tomato diseases based on intelligent image processing. The system uses browser / server mode， through remote monitoring tomato disease information collection， integration of Tomato Physiological and ecological indicators for analysis and diagnosis. The expert identification of tomato diseases and knowledge of digital image processing and neural network technology to combine the growth of tomato produced during disease to construct the corresponding characteristic database， rapid diagnosis， users can access the growth of tomato resources through computer and intelligent terminal. Research shows that the system can help to improve the production efficiency， reduce the waste of resources and agricultural pollution.

Key Words：intelligent image processing； neural network； tomato； database； remote diagnosis system

0 引言

番茄是茄科，屬一年生或多年生草本植物，原产于南美洲，因其果实营养丰富，在中国南北方广泛栽培。由于分布广泛，容易遭遇各种虫害与病害影响，如白粉虱、灰霉病、灰叶斑病、茎基腐病等，严重影响其正常生长与产量[1]。目前国内自动化检测水平较低，信息采集时效性较差，如何快速准确提取番茄生长过程中的病害信息，采用智能化监控与诊断，提高番茄产量和品质，是当今农业生产中亟需解决的重要问题。我国农民科技、文化素质普遍偏低，拥有番茄病害诊断知识的专家并没有时间与精力下到田间、大棚进行指导。基于智能图像处理的远程番茄典型病害诊断系统，进一步解决了上述问题。

1 系统总体分析与设计

在对番茄病害及诊断方法进行全面分析研究的基础上，运用计算机网络远程技术、智能图像识别技术对番茄病害进行推理与诊断。基于我国番茄种植业基本现状与现实需求，构建了基于智能图像处理的远程番茄病害诊断系统。总体采用B/S结构，应用JAVAScript与VB等语言构建数据库系统，使用Matlab与VC++语言开发了基于图像识别的诊断系统（见图1）。

此系统框架包含以番茄基本知识为基础的数据库子系统，收集了10种番茄典型病害的数据知识，为系统完成精确诊断提供数据支持，是构建诊断系统的基石。以建立的600多张番茄典型病害图片数据库快速诊断子系统为第二层次。通过对数据库中番茄病害的数据进行提炼以及相关专家对番茄病害进行推理，形成番茄病害诊断模型，为诊断系统的第三层次。采用高清摄像头、数字扫描仪、服务器与手机终端等设备，为此诊断系统提供了硬件保障。

2 系统详细设计与实现

2.1 番茄图像分割

图像分割就是把图像分成若干个特定的、具有独特性质的区域，并提出感兴趣目标的技术和过程。它是由图像处理到图像分析的关键步骤。现有的图像分割方法主要分以下几类：基于阈值的分割方法、基于区域的分割方法、基于边缘的分割方法以及基于特定理论的分割方法等[2] 。本系统采用直方图阈值法进行图像分割，根据采集的番茄病害图像组成结构将图像划分为若干个互不相交的子区域，通过Matlab软件实现。其算法如下：

clc；clear；close；

[filename，pathname]=uigetfile（'*.png'，'请选择波形文件'）；

I=imread（strcat（pathname，filename））；

I1=rgb2gray（I）；

figure；

subplot（2，2，1）；

imshow（I1）；endprint

title（'灰度图像'）

grid on； %显示网格线

axis on； %显示坐标系

[m，n]=size（I1）； %测量图像尺寸参数

GP=zeros（1，256）； %预创建存放灰度出现概率的向量

for k=0：255

GP（k+1）=length（find（I1==k））/（m*n）； %计算每级灰度出现的概率，将其存入GP中相应位置

end

subplot（2，2，2），bar（0：255，GP，'g'） %绘制直方图

title（'灰度直方图'）

xlabel（'灰度值'）

ylabel（'出现概率'）

I2=im2bw（I，150/255）；

subplot（2，2，3），imshow（I2）；

title（'阈值150的分割图像'）

grid on； %显示网格线

axis on； %显示坐标系

I3=im2bw（I，200/255）；

subplot（2，2，4），imshow（I3）；

title（'阈值200的分割图像'）

grid on； %显示网格线

axis on；

选取的阈值应位于两个不同峰之间的谷上，从而将各个峰隔开。以番茄病害白粉虱与炭疽病为例进行了图像分割研究，如图2、图3所示。从图3可以看出，直方图被分成了两大区域，灰度值20-120为一个区域，120-180为一个区域，且各有一个明显的波峰，一个位于100处，一个位于150处。

对番茄病害图像进行研究发现，用图像诊断番茄病害，能较容易区分发生在不同部位的病害，但是叶片部位由于发生部位相同、症状相似，很难区分开来 [3] 。

2.2 数据库建立

数据库中图像识别特征字段包含的番茄病害顏色特征有R、G、B、R/（G+B）、G/（R+B）、B/（R+G）、H、I、S等9个[4] 。纹理特征设置了局部平稳性、惯性矩、相关性、能量值等4个。为了后期能混合编程实现，数据库设计了4张表：番茄病害表、部位表、识别特征信息表、图像识别特征表。已建成番茄典型病害图像识别诊断特征数据，包含白粉虱、灰霉病、灰叶斑、茎基腐、枯萎病、溃疡病、叶霉病等7种番茄典型病害。番茄病害诊断特征数据库是整个系统的核心，通过图像识别诊断番茄病害，其准确率均取决于所构建图像特征数据库的样本量。因此，随着后期数据库的不断扩充与完善，其准确率会越来越高。

2.3 番茄病害论断与知识的神经网络表达

思维学普遍认为，人类大脑的思维分为抽象（逻辑）思维、形象（直观）思维与灵感（顿悟）思维3种基本方式[5] 。人工神经网络就是模拟人思维的第二种方式。这是一个非线性动力学系统，其特色在于信息的分布式存储与并行协同处理。虽然单个神经元的结构极其简单，功能有限，但大量神经元构成网络系统所能实现的行为却是极其丰富多彩的[6] 。在神经网络拓扑中，如何确定输出与输入节点非常重要。1个3层BP网络可以完成任意N维到M维的映射。本系统的神经网络结构就是采用1个隐层，隐层节点数的确定采用经验公示确定：m=log2n。权值与阈值是每训练一次，就调整一次。逐步试验得到隐层节点数，需先设置一个初始值，然后在其基础上逐渐增加，比较每次网络的预测性能，选择性能最好的对应节点数作为隐层神经元节点数。通过net=newff（P，T，S）与feedforwardnet函数指定隐层节点数。还需设定神经网络的系统精度、最大训练次数、输入层数目、输出层数目[7] 。系统精度是根据需要来定义网络训练误差精度，误差公式是对训练出网络输出层节点与实际网络输出结果求平方差的和。最大训练次数可根据需要来进行调整，一旦达到最大设定的训练次数，而精度还未达到要求，程序就会退出。本系统采用BP训练算法，图4、图5是对番茄典型病害白粉虱病的样本进行训练。

3 结语

目前系统还处于不断测试和训练中，结果表明，番茄典型病害诊断比较精准，已经达到预期效果。因为番茄病害种类较多，影响因子较为复杂，在建立番茄病害诊断数据库、图像识别算法等方面还需进一步加强与优化。随着算法优化以及不断训练，可以给种植户提供更方便快捷的服务。

参考文献：

[1] 张春红，裘晓峰，夏海轮，等.物联网技术与应用[M].北京：人民邮电出版社，2011.

[2] 刘海涛，马建，熊永平.物联网技术应用[M].北京：机械工业出版社，2011.

[3] 赵伟，孙忠富，杜克明.基于GPRS和WEB的温室远程自动控制系统设计与实现[J]. 微计算机信息，2010，26（11）：20-22.

[4] 陈世军.基于SOCKET技术的计算机远程控制实现[J].计算机光盘软件与应用，2012（2）：124-126.

[5] 赵杨，苗则彦，李颖，等.番茄灰霉病防治研究进展[J].中国植保导刊，2014（7）：21-29.

[6] 宋建军，王琳珊，田鹏，等.番茄主要病害抗病基因分子标记的研究进展[J].东北农业大学学报，2012（4）：1-10.

[7] 陈娟.安徽省番茄主要病害的发生与防治[J].农业灾害研究，2015 （10）：8-15.

（责任编辑：何 丽）endprint