摘要：向日葵是我国北方重要的经济作物和油料作物。在国内外都有很大的市场开发潜力。但日益严重的向日葵病害大大降低了向日葵的产量。所以，正确识别和防治葵花病害是个亟待解决的课题。过去的对向日葵病的识别技术主要依靠主体性、界限和暧昧感等宏观特征。在现代农业研究方面，发展模仿人的机器视觉能力、超越性能的向日葵病识别用的机器视觉技术和图像识别技术系统已成为当务之急。在论文中，笔者研究了一种绣球花的向日葵斑点病的机器视觉识别技术系统。首先，解说了自然光条件下收集的向日葵叶病图像，诊断了向日葵叶病图像。基于matlab和gui工具箱，开发了基于图像识别的向日葵叶诊断系统。经过多次实验，系统可以准确识别三种向日葵病。

关键词：向日葵叶部病害;病斑分割;特征提取;病害识别

1向日葵叶部病害图像采集及预处理

1.1向日葵叶部病害图像获取

早期，新闻图片大多由单色或彩色的胶卷照相机摄制。这个方法不仅保存了图片，还存储一张捕获的图像。目前，由于科技的发展，尤其是多媒体教学科技的发展，高清晰率数字摄像机和数位摄影机也日益流行。和早期的摄像头一样，今天的数位摄影机更容易使用，便于携带，能够进行识别，并且还能够转化为可以由电脑直接管理的数字图像，您还能够利用设备的内置硬件把录制的图片存储在存储卡中。这缩短了模数转换步骤，减少了变换过程中产生的噪音。在记录底片和照相等图象信号的最初阶段，会随着时间的增长产生褪色和粘贴等劣化现象，无法保证原图象品质。

在本研究中，因为向日葵叶片病害的图片拍摄是在田里完成的，因而所采用的图片收集装置必须符合田里作业的特殊要求。装置的简单方便性和便携性及收集图片的准确度是必须考虑的关键因素。在该项研究中，人们还研制了一种利用CCD摄像机头和金属相机三脚架的植物图像采集系统。在田间天然光线条件下，可以通过手动曝光模式录制向日葵生长期叶片病害图像，并以JPG格式传送到电脑。向日葵叶片病害植物图像采集系统，如图1-1所显示。

1.2向日葵叶部病害图像预处理

图像预处理技术，是指包含了照片切割、特点提炼、鉴别，以及后期图象加工等的基本操作。其主要目的是为了消除图象中的干扰信号，从而还原并保留有用信号，增强了有效信号的真实性和可测量性，这也是当前图像处理技术中存在的主要问题所在。虽然图像处理算法有很多种，但目前还缺乏完善的疾病图象分离方法。

影像的增强方式通常分为两类：频域处理和空域处理。由于对光学摄影系统和工作背景环境的影响是该系统图像质量下降的主因，所以在空域处理中采用图象去噪方法也是很有效的。通过调节主图象的灰度值，可以消除图象中的介质或高频噪音。提高目标像素对比度，能够大幅提升目标像素的视觉质量。最常用的空间映像强化方式就是邻域平均方式和中值滤波方式。通过应用这二个影像增强技术，能够预处理关于向日葵病的彩色画面。图一负二示出了关于向日葵病的彩色图像预处理的基本框图。

2向日葵叶部病害图像的特征提取

2.1向日葵叶部病斑纹理特征提取

纹理引用对象表面上的重复本地模式和排列规则。图像纹理特征对于理解、分析和识别图像是重要的。与颜色的特性不同，纹理特征在描述多个像素组的表面特性的同时，作物疾病和不同疾病的病灶的正常和疾病区域的纹理特征在厚度和方向上完全不同。所以，在作物病害检测和鉴定研究中，纹理性状才能够成为有效辨别不同病害的重要诊断条件。

特征描述主要包括两种方法。结构分析方法主要包括傅立叶谱分析和数学形态学。因为向日葵叶片的纹路是在天然的条件中产生的，所以这种图像也具有遵循单个图像的规律，而不符合描绘特定区域的规则性，在这种范围内，属于准规则纹理的图像通常是使用结构化方式描绘。在统计技术中，灰度级共起矩阵使用有条件概率来表示纹理特性。一些特性参数可以解释纹理的厚度和形状。如果病变结构致密，则纹理细腻，如果病变结构稀疏，则纹理较小。为了研究和分析向日葵叶的损伤纹理，采用灰度级共起矩阵通过比较分析提取最佳纹理特征参数，作为确定向日葵叶不同损伤的基准。

2.2向日葵叶部病斑特征参数规定化

考虑到在后续的支持向量机识别中，疾病对象的识别和诊断是通过对预先采集的疾病样本数据进行训练和学习，然后建立分类器来实现的，样本特征数据的高维不仅会增加样本数据采集的难度，增加存储空间的开销，但也会引入噪声，这会极大地影响分类器的性能。因此，本文遵循了特征提取的特点，如判别力强、可靠性高、独立性好、数量少。同时，根据对上述色彩特性和纹理特点的观察与计算，除本文去了无法确定、色彩关联性较高的特征，并减少了特征参数的空间维度，最后选取了H分量的一阶矩阵，H分量的二阶矩阵、H分量的三阶矩阵中的三种色彩特征参数，和距离为1（d=1）的灰度共生矩阵的九种色彩特性参数为：0°能力、0°关联性、45°能力、45°关联性、输入90°相关性和135°能量作为疾病识别和诊断分类器的特征参数。

因为不同的颜色特征参数和纹理特征参数对应着不同的物理要求，所得到的特征值的取值范围也和物理含义有所不同，造成了它们间缺乏相似性。因此，为了消除每个参数的计算单元不同的问题，本研究首先在疾病模式识别之前对所有输入的特征值进行归一化。数据归一化公式如下：

g（x，y）=2×（f（x，y）-minf（x，y））/（max f（x，y）-min f（x，y） ）

其中f（x，y）是输入特征原始数据矩阵，min f（x，y）是矩阵每行的最小值，Max f（x，y）是矩阵每行的最大值，G（x，y）是归一化矩阵。通过公式（4-14）对每个特征值进行归一化后，特征值的范围限制为[-1，1]。在疾病识别之前，训练集和测试集样本的特征需要以同样的方式进行归一化。

2.3结果分析

为了研究向日葵叶病的图像识别，选取了330幅向日葵细菌斑病、黑斑病和山毛榉病的图像进行样本训练，包括70個训练样本和3种病害早、中、晚期的40个样本。下表显示了1对1 SVM多类分类器的测试结果。FFB172F6-0DBC-4E40-A3C0-9717C74EB067

从实验数据来看，本文设计的向日葵叶片识别系统在病害阶段危机阶段具有良好的识别效果，且系统在向日葵叶片病害发生中期的正确识别率高于初期和后期。造成识别错误的原因是危机初期各种病害的叶片特征不明确，后期叶片伴随着叶枯、变黑和部分叶片脱落现象，这不利于病斑的分离。然而，提取的叶片病害在颜色和纹理特征上几乎没有差异，最终导致病害的错误识别。为了提高每个阶段的疾病识别率，在特征提取中适当增加样本训练数，并引入其他有效特征，提取最佳特征作为疾病识别的输入条件。

3基于支持向量机的向日葵叶部病害识别

3.1支持向量机

支持向量机（SVM）可以基于最小结构经营风险的原则总结其主要思想。在线形可分的情形下，分析了支持向量机，而在线形不可分的情形下，通常利用支持向量机把线形不可分样品转化为线形可分样品。而根据结构风险的最小理论研究，支撑向量机构建立了特征空间的最佳分割超平面，并构建了一种全局优化学习器。同时，在某个样本空间内，构成期望风险达到了规定的最大。也就是说，支持向量机操作的终极目的便是按照结构风险最小的基本原理，构造目标函数并确定二种可以尽可能容易被识别的模型。支持向量机一般包括以下二类情况：线性可分离和非线性可分离。如果有线性函数来区分两种类型的样本，则这些样本称为线性可分样本。另一方面，没有线性函数来完全分离两种类型的样本。

3.2线性可分情况

在线性可分情况下，存在一个超平面将训练样本完全区分开来，这个超平面可描述为：

（wb）=w.x+b=0

式中，w是n维权矢量，b为偏移量，“·”是点积。

将两类样本进行准确分类的前提就是要找到最优分割超平面，此处可通过解式二次优化问题来求得最优超平面。

3.3核函数

支持向量機运算的关键在于核函数，采用不同的核函数将产生不同的支持向量机算法。通过引入核函数，很好的避免了高维特征空间中“维数灾难”问题的出现。核函数通常包括以下几种：

线性核函数：K（x，y）=x? y

多项式核函数：K（x， y）=[（x - y）+1]，d =1，2，......

sigmoid核函数：K（x， y）= tanh[b（x· y）-c]

径向基核函数：K（x， y）=exp（-γ‖x-y‖ ）

本研究将采用不同核函数的SVM进行向日葵叶部病害分类测试，通过比较分析选出最适合于向日葵病害识别的核函数。

4结论

在这项研究中，我们结合了向日葵叶斑的颜色和结构的生物学特性，利用先进的数字图像处理技术和模式识别方法构建了向日葵叶的病害诊断系统。以matlab为平台，利用图形用户界面（GUI）实现了预处理，疾病点分割，向日葵图像的判别特征，疾病识别。最后，基于图像识别设计和开发了向日葵叶的病害诊断和识别系统。在调查中，得出了以下结论：

（1）向日葵叶病害的预处理。通过对比和分析邻近过滤器、中值滤波和向量中值滤波这二种标量过滤器方式，向量中值滤波方式可以在计算时考虑图像颜色分量的内在关联，并且对图像缩放具有良好的效果。处理过程中，疾病点的原始有用信息保持良好，图像也不模糊。在诊断郁金香之前，识别疾病和诊断疾病都不起作用。本文研究了RGB色彩空间中与正常和疾病图像大不相同的G分量，并将从G分量导出的特征参数用作支持向量模式识别方法的特征输入，以评估输入图像是正常叶片还是异常叶片。灰度共生矩阵和支持向量机制可以用于准确地评估异常刀片是否包括病害。

（2）瓜分向日葵叶损伤。在获得预处理后的图像后，在本作业中，首先使用自选择阈值分割法粗略地分割向日葵叶中的病原菌，然后用两种算法标记融合区域和生长区域，将病斑分割。结果表明，这种粗分割或精密分割方法可以有效地分割病叶中的所有病斑。

（3）向日葵叶子病斑的分离。用色动量和灰度共生矩阵两种方法提取了病斑点的颜色和纹理特性。在比较测试了几个特征的记述后，最终选择了9个特征参数作为不同疾病识别的依据。结果发现，优化后的9个特征参数可以更好地表示向日葵叶的病害点的特征，在参数优化后，去除对病害识别没有贡献的特征参数，缩短特征提取的作用时间，大大提高检测效率。

参考文献：

[1]越鲜梅.基于图像识别的向日葵叶部病害诊断技术研究[D].内蒙古工业大学.

[2]李艳雪，吕芳.向日葵叶部病害图像分割方法[J].计算机技术与发展，2019，29（5）：4.

[3]吕芳.基于图像识别的向日葵叶部病害识别方法研究[J].中国科技成果，2018（15）：1.

[4]许慧，吕芳，越鲜梅，等.基于图像识别的向日葵叶部病害诊断方法探究[J].电子测试，2014（S1）：3.

[5]任志海.基于图像处理技术的向日葵叶片病害识别诊断.

[6]吕芳，狄鹏慧，许慧.基于支持向量机的向日葵叶部病害判断方法：， CN105760880A[P].2016.

本文系河套学院科学技术研究项目“基于视频传感器的向日葵病害监测识别研究（以巴彦淖尔市为例）”项目编号：HYZY202014阶段成果之一。

作者简介：

任志海（1973年7月），男，汉族，内蒙古巴彦淖尔市，学历：本科，工作单位：河套学院，职称：讲师，研究方向：电气自动化、计算机。FFB172F6-0DBC-4E40-A3C0-9717C74EB067