杨 涛，雷 进，朱皓睿，胡钦云，龙 波

（成都农业科技职业学院机电信息学院，成都611130）

“中国麦冬之乡”三台县有500多年麦冬种植栽培历史，“涪城麦冬”成为全国麦冬知名品牌，其产量占全国60%以上，出口量占全国80%以上，县内产值超15亿元［1］。然而，麦冬生产全程机械化程度不高，主要依靠人力。尤其是在麦冬病害防治方面，过度依赖农民种植经验、缺乏理论依据和科学指导，时常因错过最佳病害防治时期或防治措施不当带来巨大经济损失［2，3］。农作物病害防治一直是学者们研究的热点问题之一，孙云云等［4］运用卷积神经网络方法对小样本茶树病害图像识别展开了研究，基本实现了小样本情况下有效区分3种易混病害；蒋丰千等［5］提出一种基于卷积神经网络的生姜病害识别系统，并利用Qt开发了人机交互界面，显示了生姜所对应的4种病害及其患病概率；郭小清等［6］提出了一种适用于移动平台的多尺度识别模型，使得系统内存需求降低了95.4%；张善文等［7］提出了一种基于IDCNNs的苹果叶部病害识别方法，能直接从病害图像中提取分类特征并运用Softmax分类器成功分辨3种苹果叶部病害；胡维炜等［8］利用中值滤波结合K-means聚类方法分割出小麦白粉病、条锈病以及叶锈病，再提取了颜色和纹理特征参数，设计了一种基于Variance算法初选与序列浮动前向选择搜索算法（SFFS）相结合的特征选择方法，选出优良的特征子集，实现小麦叶部3种病害的识别；王震等［9］提出了一种小型多旋翼无人机水稻白穗病害识别系统，以无人机平台作为图像处理和识别的基础，提取Haar-like特征，运用Adaboost算法进行白穗训练识别，其识别率可达93.62%；芦兵等［10］基于高光谱与图像融合特征建立了生菜3种病害的SVR预测模型，其识别率达92.23%，但其价格昂贵。研究提出了一种融合颜色、形态、纹理等特征的提取方法识别麦冬叶部黑斑病、炭疽病与叶枯病3种病害，以适应生产应用。

1 病害图像处理

1.1 图像预处理

2019年7月在成都市青白江地区某麦冬种植基地自然光照条件下采集了3种病害（黑斑病、炭疽病、叶枯病）图像各60张，其中，30张作为训练样本；另30张为测试样本。为减小计算量、提高系统的运算速度将原始图像统一裁剪为400×300像素大小，同时删除无关的冗余信息。然后，使用直方图均衡化技术对裁剪后的病害图像进行增强处理，使得图像的细节信息更清晰，提高图像的质量与可辨识度，便于人和计算机对图像做进一步分析处理。此外，在图像采集与传输过程中不可避免地存在一些噪声［11］。因而，继续使用中值滤波技术对增强后的病害图像进一步去噪，以达到较好的平滑效果（图1）。

1.2 病斑分割效果对比

为进一步提取病斑特征信息，分别使用双峰法、最大类间方差法（Otsu）以及K-means聚类算法，分别对3种麦冬叶部病害图像进行病斑分割，其效果见表1。由表1可知，K-means聚类分割算法能直接对彩色病害图像进行处理，去掉大部分背景，再对其进行数学形态学处理能得到较为完整的病斑图像。同时，避免了过分割和分割不彻底现象。

图1 麦冬叶部病害图像

表1 病斑分割效果

2 特征提取与优化

病害图像特征提取是数字图像处理的关键步骤之一，关系到分类器的效率与识别率［12］。因此，应提取病斑区分明显、鲁棒性较好的特征。常见的病斑特征提取方法以特征属性的不同分为颜色特征、形态特征以及纹理特征提取。

2.1 提取颜色特征

颜色是描述病斑最直接的视觉特征并且对图像本身的方向、尺寸、视角的依赖性较小，具有较强的鲁棒性［13-15］。颜色矩是以数学方法为基础，通过计算矩特征进一步来描述图像中的颜色分布情况，并且这些颜色特征信息主要集中在低阶矩［11］。也就是说，只需要计算病斑图像一阶矩、二阶矩、三阶矩就可以描述病斑图像的颜色信息，计算见公式（1）。

图2 样本颜色特征对比

式中，μi、σi、ζi分别为图像的一阶矩、二阶矩、三阶矩；Pij为第i个像素的第j个颜色分量；N为像素个数。

分别计算了病斑图像在RGB与HSV颜色空间各颜色分量的一阶矩、二阶矩、三阶矩（图2）。由图2可知，在RGB颜色空间的二阶矩没有明显的差异，而其他特征参数均存在一定区分度，故可作为区别不同的病害的颜色特征。

2.2 提取形状特征

病斑形状特征与尺寸测量结合起来也是区分不同病斑的重要依据［12］。基于病斑图像提取了以下几何特征：①提取的是病斑大小A，在二值图像中表现为灰度值为1的像素个数，该特征受尺寸、扭曲、缩放、拍摄条件等影响较大。②运用Canny算子提取病斑图像边缘后再统计边界像素数目，即病斑周长L。③圆形度也称似圆度，表示的是图像中某一目标图像的形状和圆形的相似程度，定义为区域面积A的4π倍与其周长L的平方之比，即④矩形度是描述目标在其最小外接矩形区域内的充满程度，矩形的矩形度为1，圆的矩形度为，正三角形的矩形度为0.5，而其他不规则形状的矩形度在0～1。也就是说，能利用矩形度的值来区分矩形、圆与不规则形状。⑤最小外接矩形的长宽比，该值不受图像尺寸、方向的影响，是较为理想的几何形状特征。基于此，分别计算病斑图像的5个几何特征（面积A、周长L、圆形度C、矩形度Ro、长宽比Ra）并将结果绘制成图3，其中，面积A、周长L2个特征因受图像采集环境影响较大，而似圆度、矩形度以及最小外接矩形长宽比却存在一定的差异，可作为区分不同病斑的形状特征。

图3 样本病斑图像形状特征

2.3 提取纹理特征

病斑图像纹理特征指的是病斑表面具有缓慢变化或周期性变化的表面结构组织排列属性，反映病斑的粗糙度、颗粒度等信息，不同的病斑往往呈现出不同的纹理［13］。常见的纹理特征描述方法主要有灰度差分统计法、自相关函数法、灰度共生矩阵法以及频谱分析法［14］。基于灰度共生矩阵分别计算距离d=2时，0°、45°、90°、135°4个方向上的能量、对比度、相关性以及熵的值（图4）。由图4可知，只有0°方向上对比度、相关性与熵病斑差异较明显，能够作为区分不同病斑的纹理特征。

图4 样本病斑图像纹理特征值

2.4 特征选择与优化

在提取病害特征时，尽量多地提取认为可能有助于提高系统识别率的特征参数。事实上，其中存在一些具有相关性的冗余信息，会带来庞大的计算量，影响到分类器的性能［15，16］。基于此，结合方差比较法和主成分分析法（Principal Component Analysis，PCA）来进行特征选择与优化。首先，剔除方差较大的受外界影响较大的面积A、周长L2个离群特征参数；其次，剔除了RGB颜色分量的二阶矩等病害表征能力较差的特征参数，仅仅保留了RGB各颜色分量的一阶矩和三阶矩、HSV各颜色分量的颜色矩、圆形度C、矩形度Ro、长宽比Ra以及0°方向上的对比度、相关性与熵，共21个特征参数融合成病害图像特征向量。然后，运用PCA降维技术将特征向量降到了10维。

3 病害识别

支持向量机（Support Vector Machine，SVM）是求解模式识别和函数估计问题的有效工具，尤其是运用核函数在低维空间中计算，较好地解决了高维空间中计算繁琐、难度大的“维数灾难”问题，特别是在小样本的分类识别任务中表现良好［17，18］。基于此设计了3个SVM分类器，试验时，把待测样本x→分别输入到这3个分类器进行分类识别，得到3个分类结果分别记作若样本属于该类，则返回值为1；否则，返回值为-1。即

表2 识别结果

4 小结

研究融合病斑图像多个颜色、形状、纹理特征信息，运用K-means聚类分割算法、PCA、SVM等技术成功识别出麦冬叶部3种病害。与卷积神经网络方法相比，该方法具有成本低、算法简单、高效率等优点，基本满足使用要求，能为麦冬病害预防提供理论依据，促进麦冬产业向着信息化发展。