基于计算机视觉技术的苹果树健康诊断系统研究

吴修国

(西安城市建设职业学院，西安　710114)

0　引言

及时、有效地控治苹果树病害，其核心是早期发现病害及其种类。在传统果树种植中，往往依靠人为经验进行病害的诊断，虽然可以解决部分问题，但人眼分辨能力有限，当农户能够对其做出正确诊断时，果树伤害可能已经很严重。随着电子信息技术的快速发展和计算机的大范围普及，计算机采集和处理图像在各个领域的应用越来越广泛。本文根据苹果树发病时叶片在颜色、纹理方面的差异性，采用计算机视觉技术，运用颜色模型对比方法，设计了一套苹果树健康诊断系统，能够及时、有效地诊断苹果病害。

1　计算机视觉技术

随着电子信息技术和计算机的迅猛发展，机器和计算机视觉在现代化农业上的应用越来越广泛。机器视觉和计算机视觉的核心是图像信息处理，而图像处理技术的硬件设计相对比较简单，只需对获取的图像进行特征值处理，然后利用处理器对数据进行深层次分析，并结合机器学习(Machine Learning)和人工智能(Artificial Intellegence)，设计和开发出智能监测系统，体现出计算机视觉技术的优越性。

计算机视觉系统是利用CCD工业摄像机，结合图像处理技术和智能控制，实现人类双眼的视觉功能。其将图像信息转变为数字信息，并加入人的情感计算去理解和识别图像，对检测对象进行判别。在日常生活中，计算机视觉在提取书本文字、虹膜识别、计算机、水果自动分等级、机器人自动导航及物流信息识别等的成功应用，说明采用计算机视觉技术模拟人类视觉是能够实现的。计算机视觉技术系统结构如图1所示。

图1　计算机视觉技术系统结构

计算机视觉技术主要包括图像处理、模式识别及图像理解等3个方面。

1)图像采集处理：通过双CCD摄像机，采集农田作物实时视频图像信息，然后进行分析处理。例如，将采集到的图像进行初步处理，转化成有较高信噪比的图像。

2)模式识别：对前面处理过的信息进行再次处理，对图片上其他障碍物去除噪声干扰，根据图像特性或结构信息，将图像进行分类，然后进行分割识别。

3)图像理解：CCD获取的图像对图像理解而言，不仅是对作业图片自身的描述，还具有深层次的内容信息。例如，人类可以通过观察作物叶片信息，了解到作物生长状况。其实，计算机也可以通过数据库信息描述和解释图像所代表的景物，然后通过对比图像内容给出决策。

2　苹果树病害图像特征分析

2.1　颜色特征分析

苹果黄叶病发病频繁，对苹果种植危害较大，主要表现形式有叶片发黄和叶肉黄两种，发病原因是缺氧和缺铁。当苹果树发病时，树叶会出现很多暗黄色的病斑，且整个叶片颜色会发黄，常常从苹果树下部向顶部发展。发病初期一般呈现淡绿色病斑，边缘出现浅黄色斑点，后面叶片有斑点发黄，如同枯叶一般。由于在苹果树病害分析中其叶片图像颜色特征明显，因此提取其叶片信息对分析苹果生理健康具有重要意义。苹果出现黄叶病时叶片颜色特征如图2所示。

图2　苹果树黄叶病叶片颜色特征

2.2　纹理特征分析

一般叶片部分区域常常会出现无规律现象，但对整个叶片而言却会有重复性结构，这些叶片信息就是纹理图像特征，能够很好地反映细节和宏观上的图像信息。当苹果树出现病虫害时，初发生在树冠下部和内膛叶片上，初现褐色小点，然后出现同心轮纹斑，后期叶片变黄，病部周围及背部仍保持绿褐色，病叶易早期脱落。因此，根据苹果树叶的轮纹纹理便可对图像对象描述和识别，判断果树是否发病。叶片纹理特征如图3所示。

图3　叶片纹理特征

3　图像信息识别检测处理流程

3.1　图像信息的获取

图像信息的获取主要通过CCD工业摄像机获取，并经图像处理系统将图像信息转换为数字信息，最后由计算机处理器获取的数字信息保存并处理。苹果树叶片图像信息获取过程如图4所示。

图4　苹果树叶片图像信息获取过程

3.2　图像信息噪声的去除

由于果园环境比较复杂，还受天气状况影响，因此在实际应用中果树叶片信息获取常常不是在理想情况下进行的，甚至条件比较恶劣。因此，将灯光、环境等因素所引起的噪声滤除，才能得到更好的原始图像。图像信息噪声去除前后对比如图5所示。

图5　叶片图像去噪前后对比

3.3　边缘检测及阈值分割

边缘检测方法主要是利用空域微分算子进行的，将检测模板与图像信息卷积完成。由于边缘的灰度值是断续的，图像的灰度值会不断变化，颜色也会常常变化。叶片表面病斑就是所要检测的重点环节。为了检测更加精准，本文采用两种边缘检测因子，利用两种因子相互结合作用的方法来获取得边缘病斑点的集合。边缘检测及阈值分割示意如图6所示。图6中，U1、U2和U3为叶片图像像素点。

1)D1算子为

r=min(r12,r13)

(1)

(2)

其中，ui表示第i块模板区域的灰度均值。

2)D2算子为

(3)

(4)

ρ=min(ρ12,ρ23)

(5)

(6)

3)两种算子综合后，则

(7)

其中，σ(x,y)是将D1模板响应r与D2模板响应ρ相结合的结果。其中，模板的形式可以根据需要进行调整，本文采用8×8分辨模板，采用适合的分辨窗口，可减少计算机的运行量。因此，可以根据叶片大小以及背景内部的灰度变化大小来选择比较合适的块。

图6　边缘检测及阈值分割示意图

4　苹果树健康诊断系统

4.1　苹果树叶病斑识别检测系统

针对苹果树叶病斑图像信息的诊断检测系统主要包括获取图像、去除噪声、边缘检测与阈值分割、图像修补、提取感兴趣区域、图像细化、特征测量和病变诊断等8个板块。首先是进行图像的采集和去噪工作，然后通过边缘检测和阈值分割对图像的识别和计算，最后对计算机处理的结果进行修正，从而提取出所需要的数据并做出准确的诊断。图像信息检测诊断系统流程如图7所示。

图7　图像信息检测诊断系统流程图

4.2　苹果树叶病斑特征提取

在CIE标准色度学，颜色一般用颜色模型表示。颜色模型指在空间颜色坐标的可见光子集合，是所有颜色域的集合，常见有RGB、HIS、LAB等。作物病害图像处理常常采用RGB颜色模型，指的是颜色坐标系中1个单位立方体，系统通过计算分析叶片颜色的深度层次，判定其健康情况。计算推导公式为

r=R/(R+G+B)

(8)

g=G/(R+G+B)

(9)

b=B/(R+G+B)

(10)

其中，r、g、b是R、G、B归一的结果，且满足且r+g+b=1。一般认为r、g、b是消除复杂环境光强差异后的颜色分量。根据三值计算，并结合面积加权直方图算法，可以分析作物病害图像纹理分布参数，作为作物病变的判断依据。

叶片病斑形状特征是判断病害种类的主要依据，因此需要提取苹果树各种病害的叶片图像用于苹果树病害的分类。由于不同种类病害病斑形状各不相同，周长、面积、纵轴长、横轴长作为判断条件就不太可靠，因此选用形状复杂度Scom、偏心率和圆形度等识别叶片病斑。计算公式如下：

1)形状复杂度为

(11)

其中，L为叶片病斑周长；S为叶片病斑面积；Scom反映病斑区域复杂及离散程度。

2)偏心率为

(12)

其中，ALlong和ALshout分别为病斑区域的长短轴。

3)圆形度为

(13)

其中，Rincircle和Rexrcircle分别是病斑区域内切圆和外切圆半径。

4.3　苹果树叶病斑诊断系统软件设计

苹果树健康诊断系统软件部分包括采集、输入、处理、提取病变特征和病变诊断结果输出等5个模块，结构框架如图8所示。

图8　苹果树叶病斑诊断系统软件结构框架图

5　试验结果与分析

为了验证苹果树叶病斑诊断系统的可靠性，特进行了苹果病斑叶片分割识别试验。试验所用病斑叶片为当天在某苹果种植区采摘，共采集得样本图像200个。测试结果如表1所示。

表1　苹果树叶病斑诊断系统测试结果

由表1可知：在整个诊断试验中，黄叶病的正确诊断率为96%，小叶病为100%，花叶病为92%，腐烂病为98%，小叶病正确诊断率最高，花叶病正确诊断率最低。其中，有2个黄叶病误判为花叶病，4个花叶病误判为黄叶病，1个腐烂病误判为花叶病，黄叶病和花叶病易混淆。结果表明：此系统平均正确诊断率为96.5%，识别正确率较高，能够有效解决实际问题，可靠性强，符合设计要求。另外，针对黄叶病和花叶病易混淆的特性，可以增加二者区分度较大的纹理特征，减少误判概率。

6　结论

以苹果树为研究对象，根据苹果树发病时叶片图像信息特征，采用计算机视觉技术，运用颜色模型对比模式，设计并研究了一套苹果树健康诊断系统。该系统可以根据叶片图像实现对不用苹果病害的正确诊断。实际应用试验结果表明：此系统平均正确诊断率为96.5%，正确诊断率较高，可以实现苹果病害、虫灾等信息监测，对于苹果种植业具有重要参考价值。