首页 > 论文范文 > 农业科技论文 > 植物保护论文 > 植物保护机械论文 > 探究在机器视觉的网络化基础上检测玉米病害技术

探究在机器视觉的网络化基础上检测玉米病害技术

2020-06-22 275 上传者：管理员

摘要：文章主要针对玉米病虫害的检测方法开展研究,利用聚类算法和中值滤波方法对玉米叶片图像进行预处理,去除阴影、光线等外界干扰因素,通过色彩空间聚类分割方法分离叶片的病斑区域,并保存病斑周边区域颜色等特性,利用颜色、纹理、形状等信息进行特征提取,以支持向量机对玉米叶片病虫害差异进行诊断,并利用网络化数据传输方式搭建数据库进行远程采集及监测。

关键词：
支持向量机
机器视觉
玉米病虫害
玉米种杂草
聚类算法
识别与检测
加入收藏

1、国内外研究现状

2015年，ShubhamLavania等[1]采用三维Ostu算法实现玉米种杂草的识别与检测，通过三维向量压缩方式在一维空间情况下分类杂草和玉米作物。2015年王献锋等[2]以传统的阈值聚类分割为基础，提出基于向量机形态学的分割算法，利用开闭运算及不连续、小洞区的填充，证明该类分割算法具有较好的分割效果。2016年，朱景福等[3]以流行学习算法实现玉米叶病虫害的图形识别，利用LLE算法对图像进行降维处理，运用Clustering算法进行聚类分析，实现玉米病虫害识别率近90%。

2、主要研究内容

为通过玉米叶片较为精确地识别玉米病害类型，降低病害发生概率，本文主要以机器视觉技术为依托，研究大斑病、小斑病、锈病、灰斑病4种常见玉米病害的识别方法，主要研究玉米叶片病虫害图像的预处理、分割提取、病斑区特征提取等内容。

2.1病害玉米叶片图像采集预处理

为实现病害玉米叶片去噪目标，采用中值滤波算法以相邻域内多点值的中值替代病害玉米图像数字化序列中的某点，使周边像素值接近真实值，间接去除噪声点，如式（1):

F'(x0,y0)为图像灰度值的中值，F(x,y)是坐标点(x,y)的灰度值，(x,y)属于像素邻域集合S,N为像素邻域集合S中的元素个数，sort为给定区间所有元素的排序函数，主要实现邻域内的灰度值在集合S中的排序功能，将原图像域中像素值替换为图像灰度值中值以达到去除噪声的目的，为后续图像分割做好准备。

2.2病害玉米叶片图像分割

通过图像分割算法实现叶片非病害部分、边缘部分、病害部分的分割，降低分割过程中边缘区域的数据丢失，对病害区域进行像素分类并对各像素点做出标记。研究中发现采集图像多位圆形、椭圆、类圆形等形状的结合体，因此采用K均值聚类算法实现图像的分割。

首先，须进行彩色空间的分割，采用L×a×b彩色空间的K均值聚类分割方法，以X,Y,Z空间为过渡，将RGB(Red,Green,Blue）空间间接转换为L×a×b彩色空间，在仿真过程中利用makecform和applycform库函数实现其转换过程。

其次，以分割后的玉米病害图像作为数据点集合，集合中各点均包含L,a,b特征分量，对每个像素点进行K聚类算法处理。

2.3病害玉米叶片图像特征提取

经过K均值聚类算法分割的玉米病害图像可以得到病斑区域信息，为了更有效地获取其信息特征构建其特征模型，主要包括：形状特征类参数、纹理特征类参数、颜色特征类参数。根据颜色、纹理、形状的不同可以较为容易地区分病害的种类，如大斑病和小斑病的形状具有明显的形状区别，锈病与灰斑病存在明显的颜色差异。研究中主要颜色模型主要采用色调-饱和度-明度（Hue-Saturation-Value,HSV），可弥补RGB颜色提取中的特征丢失，符合人眼的视觉特点，在模型坐标系中构建HSV的倒锥形颜色模型[3]。

2.3.1颜色特征提取

对病害玉米叶片图像提起HSV分量，采用非等间隔量化方式，根据级别进行分类，构建HSV颜色矩阵。H分量量化为0～15级，S分量量化为0～3级，V分量量化为0～3级。提取玉米4种病斑HSV分量图，并进一步提取HSV颜色直方图，根据直方图可有效辨别病害的类别。

2.3.2纹理特征提取

不同玉米病害叶片的纹理一般都具备较鲜明的特点，可以根据纹理的差异性进行病害的识别。本文主要采用灰度共生矩阵法（GrayLevelCo-occurrenceMatrix,GLCM）法获取玉米叶片病害纹理量，选取对比度、熵、均匀性、相关性4种特征参数对其进行分析。

根据对比可以明确4种病斑对比度相似，从相关性角度分析大斑病相关性波动幅度较低，小斑病及会斑病波动幅度较高，锈病是相关性值大于大斑病，可根据相关性分辨大斑病和锈病。各种不同病害熵值波动性不同，大斑病熵值波动较小，灰斑病熵值波动较大，可根据熵值的不同分辨灰斑病和大斑病。玉米小斑病的均匀性值低于大斑病的值，灰斑病均匀性值高于小斑病，锈病均匀值并无明显规律。可根据均匀性值分辨小斑病和大斑病及灰斑病，通过纹理特征参数可简单分别病害种类，但存在一定误差，可根据进一步的形状特性进行识别[4]。

2.3.3病斑形状特征提取

根据前面叙述的颜色特征、纹理特征提取，可以部分识别病害类型，但依然无法达到合理的识别度。很多物品在形状方面都存在着不同，可以根据轮廓形状区别进行，大斑病、小斑病、灰斑病、锈病在形状特征上存在一定差异，因此可根据病斑形状的特征提取识别病害类型。4种病害形状特征：（1）小斑病，斑体为原型或椭圆形，一般斑体个体较小，但密集且数量较多，可达10ms左右。（2）大斑病，斑体为类椭圆形或梭形，长度一般在6～10ms，病害严重情况下可达到20ms以上。（3）灰斑病，一般为类矩形或类方形，长度约在2～6ms。（4）锈病，主要为类圆形、类椭圆形等，个体尺寸较小，一般为1～2ms。

可根据图形形状的区别采用边缘检测方式对大斑病、小斑病、灰斑病、锈病的轮廓进行提取，根据提取后的面积、矩形、圆形、周长等特点进行识别。如大斑病和灰斑病在面积上大于锈病，大斑病周长大于锈病和灰斑病，小斑病周长最短，灰斑病矩形度最好，身长度最小，大斑病伸长度最高，小斑病及灰斑病类球度最好，大斑病类球度最低。因此，结合以上因素可较好根据形状特征区别病害的类型。

2.4信息传递与组网

将多个区域采集后的图形信息进行编码组合，并由多个终端节点汇聚信息，无线发送给协调器，协调器通过有线方式将数据传递给主控上位机界面，上位机可以根据获取的各区域病害信息进行分析，提出区域病害分布及病害等级评价等情况汇报[5]。

3、结语

本文主要研究玉米病害叶片的识别技术，分别探讨大斑病、小斑病、锈病、灰斑病4种常见玉米病害的识别方法，重点研究玉米叶片病虫害图像的预处理、分割提取、病斑区特征提取等内容。

参考文献：

[2]王献锋,王震,王旭启,等.基于SVM和形态学的作物病斑图像分割方法[J].吉林农业科学,2015(1):51-60.

[3]朱景福,李雪.玉米叶片病害彩色图像识别的降维和聚类方法[J].江苏农业科学,2016(7):350-354.

[4]王超,杨晓辉.基于无线传感网络的鱼类培育环境监测系统设计[J].无线互联科技,2018(10):116-117.

[5]王超,杨晓辉.智慧实验室监控系统研究[J].科学技术创新,2018(4):76-77.

王超,张勇,王淼,陈龙.基于机器视觉的网络化玉米病害检测方法研究[J].江苏科技信息,2020,37(05):27-28.

基金:吉林省教育厅“十三五”科学技术研究规划项目;项目编号:JJKH20181376KJ;2019年-长春光华学院青年科研基金项目;项目编号:QNJJZD2019003.