标题 | 病害特征在作物病害识别中的应用研究综述 |
范文 | 刁智华 袁万宾 刁春迎 毋媛媛 摘要:病害特征指作物在感染上病害时,在生理、形态和结构上发生病变特征,而病害识别则是利用提取出的作物病害特征来对作物进行病害识别,通常在病害形状、纹理和颜色作为识别特征的3个重要指标。将图像处理技术应用到病害特征提取识别中的研究与发展,分别从形状、颜色、纹理的特征提取出发,基于部分学习方法的病害识别,對近些年作物病害特征提取识别的应用研究进行综述,分析几种特征在病害识别研究中的优势与不足,并对病害特征在农业检测识别应用的前景进行展望。 关键词:图像处理;病害特征;特征提取;病害识别;优势;不足 中图分类号: TP391.4? 文献标志码: A? 文章编号:1002-1302(2019)05-0071-04 收稿日期:2017-12-18 基金项目:河南省科技厅科技攻关(编号:162102110118);河南省高等学校青年骨干教师培养计划(编号:2016GGJS-088)。 作者简介:刁智华(1982—),男,河南夏邑人,博士,副教授,主要从事农作物病害识别及精准喷药技术有关研究。E-mail:diaozhua@163.com。 我国是一个农业大国,拥有悠久的发展历史,但农业自动化生产程度并不高。不能及时获取作物生长期间的信息,从而进行有效的生产管理,这一直是困扰我国农业发展水平低的一个重要原因。在传统的获取农业信息中,农业专家通过定期去田间观察,依靠视觉对植物生长进行评估,通过长期积累的经验来对作物病害程度进行判断。这种方法虽然可以解决农作物生长中的一些问题,但对未来农业自动化生产并不适用,既需要大量农业专家,又浪费时间,而且还不能对作物生长的实时信息作出正确的判断。因此,迫切须要一种方法来解决该问题。数字图像处理技术,简而言之就是利用计算机对图像进行处理,来达到所需要的效果。利用计算机将图像信号转化为数字信号并加以处理,提高图像效果是图像处理的目的。随着计算机的飞速发展,图像处理技术发展也得到了很大的提高,在生活各个领域中均有应用,如航空航天、军事活动、医学研究、工业生产和农业生产等。图像处理技术尤其给农业自动化带来质的提升,其技术在农作物种子分类、农产品的质量检测、生长阶段的缺素识别检测以及病害程度识别等均有应用。作物病害会影响作物生长,与正常植株产生一定的差异,利用图像处理技术可以更好地观察差异,及时有效地获取作物生长和病害程度信息,避免农害对作物产量的影响。基于图像处理的病害识别技术一般包括图像预处理(图像去噪、增强、平滑、锐化)、图像分割、特征提取、图像识别。图像分割的效果影响着特征提取,而图像特征提取是图像处理技术的关键,特征提取决定着病害识别的结果,从而影响着对作物病害的控制。目前,图像特征的提取没有明确的定义,特征的提取种类各种各样,提取的难易程度和效果也不相同。常用的病害特征有形状特征、颜色特征、纹理特征。在处理作物病害图像时,形状特征、颜色特征、纹理特征具有不同的特征表现,不同的病害特征在病害识别中起不同的作用,既具有优势也拥有许多不足,造成病害特征提取困难。选择一种合适的病害特征或者综合病害特征,可以有效地对作物病害进行诊断,从而更加高效地识别作物病害。因此,利用病害特征提取技术在农业检测识别方面的研究具有很大意义。 1 病害特征的分类应用 特征选择是病害图像处理的关键,病害特征的选择影响着病害识别。作物感染病害时,病害作物在形状、颜色、纹理等与正常植株有着明显的病理特征差异。近年来,大量研究人员利用形状特征、颜色特征、纹理特征进行相关试验研究,分析各病害特征的特点,并且取得了一定的研究成果。 1.1 基于形状特征的应用 形状表示物体的存在和表现形式,形状是描述图像非常重要的一个特征,具有非常明显的特征表现。相较于颜色和纹理特征,形状特征的表达必须以对图像中物体或区域的划分为基础。形状特征提取方法通常以轮廓特征和区域特征来表示,轮廓特征利用了物体的边界描述特征,而区域特征则描述了整个形状区域。 在形状特征方面,国内外学者做了一些有益的探索,并取得了部分研究成果。史智兴等将图像处理技术应用到玉米研究中,提取了玉米籽粒的白色部分与黄色部分的面积,定义了白色部分与黄色部分的面积比,发现该黄白比在进行玉米识别中具有显著作用[1]。胡维炜等对大豆作物的病害程度进行评估,提出大豆叶面相对病斑面积法,结果表明,计算的大豆叶面相对病斑面积可以很好地对病害程度进行评估[2]。刁智华相较于传统的形状参数特征,将不变矩引入到形状特征中,用7个hu不变矩来作为病害诊断的形状特征[3]。Zhu等从分割的叶片中提取了面积、周长、矩形、圆形度和形状复杂度等作为形状特征参数,对30张玉米病害图像进行识别,识别率可达80%[4]。王雪等选取定义了位置和方向、偏心率等特征参数,结合一些其他特征参数进行了黄瓜霜霉病自动识别研究,该系统识别效果良好[5]。邵庆等利用图像处理技术研究了小麦条锈病,计算了病斑的矩形度、圆形度、纵横比、面积和周长等5个特征量,作为病斑的形状特征,为病害诊断系统提供了数据信息[6]。李先锋等利用形状特征对作物与杂草进行了识别研究,选取了基本几何特征,无量纲几何特征、hu矩特征等参数[7]。结果表明,优化后的混合特征可以精确地将作物与杂草识别出来,优化了形状特征在农田杂草识别技术。杭腾等测定了番茄的茎粗、株高、果实的横截面积等特征对番茄长势信息进行实时监测,更加详细地描述了作物的生长信息[8]。Jia等在黄瓜细菌角叶斑病和霜霉病研究中提取了形态特征,结果表明,基于形状特征的黄瓜叶斑病识别方法的应用性[9]。Yousefi等将旋转不变小波描述子引入来描述形状特征,与椭圆傅里叶描述叶形状比较,该形态特征具有较好的分类表现[10]。 基于形状特征在农作物病害识别方面应用广泛,提取一些形状特征明显的病害识别效果良好,但面对一些非常复杂的形状特征难以提取识别时,须要考虑病害形状特征的识别效果,如形状特征处理形变图像的效果比较一般。另外,图像分割的效果会直接影响形状特征参数的提取,寻找合适的病斑分割方法是提取形状特征的一个关键部分。 1.2 基于颜色特征的应用 颜色特征是一种全局特征,颜色特征体现了物体的表面性质,通常观察叶部的颜色可以判断一些农作物的长势信息。相对于形状特征,颜色特征提取更加高效,面对一些分割困难的图像,可以用颜色特征来识别特征,而且颜色特征对图像的方向和大小变化不敏感。因此,利用颜色特征提取识别,可以很好地判断作物生长情况。 在颜色特征方面,国内外研究者投入了一定的精力,取得了可喜的科研成就。Zou等提取了17个颜色特征建立了基于公式表达树的组织特征参数,最后实现了苹果的自动色彩分级[11]。王美丽等选取小麦常见叶部病害图像,基于HSV[hue(色调)、saturation(饱和度)、value(明度)]颜色空间的H、S分量作为颜色特征,利用小麦白粉病和锈病的颜色差距将这2种病害分离识别[12]。毋媛媛针对RGB和HSI颜色空间,重新定义了RGB到HSI的转换公式,并从中提取了颜色特征分量,作为小麦叶部病害智能识别系统中颜色特征[13]。谢泽奇提取了关于RGB和HSI分量的均值、方差、偏度、峰值等多个颜色特征,选择出6个特征结合分类器对病害识别[14]。结果表明,利用RGB和HSI分量的颜色特征识别度很高,为黄瓜病害识别算法提供了方法。王若兰以霉变玉米为研究对象,根据霉变程度颜色的变换,提取颜色特征来了解霉变的程度[15]。Stricker等提出了1种表示颜色特征的方法,称为颜色矩,有一、二、三阶矩等,颜色信息主要分布在一、二阶矩等低阶矩中[16]。夏永泉等将颜色矩应用到RGB颜色空间中,分别提取了RGB空间各分量的一二阶矩共6个颜色特征作为农田小麦病害诊断的特征[17]。崔艳丽等将图像特征提取技术应用到黄瓜病害研究,分别提取了色调H、色调直方图统计特征参数以及百分率直方图等颜色特征。结果表明,百分率直方图提取的颜色特征可以解决叶片形状大小的影响,直方图统计分析的色调H偏度颜色特征具有较好的效果[18]。胡敏等将模糊量化直方图、颜色聚合度作为病害的颜色特征,结合利用颜色共生矩阵提取的特征对玉米病害识别研究[19]。 颜色特征对农作物病害识别具有重要的参考价值,作物病害在颜色种类和程度上最为直接明显,因此广泛地应用于病害诊断和程度鉴定。目前,一般颜色特征是图像区域内所有的像素点的统计,不能很好地表示图像的局部特征,造成识别颜色相近的病害效果较差。而且图像清晰度影响着基于颜色特征的提取,容易受到环境的干扰。因此,基于颜色特征的提取须要进一步的研究。 1.3 基于纹理特征的应用 纹理是图像的基本属性之一,它具有一定规律的排列表达,是物体表面特征体现的重要部分。纹理通过像素和某一空间的灰度分布表达了颜色和灰度的变化,是一种不依赖于颜色或亮度的视觉特征[20]。纹理作为视觉的感知形式的重要组成部分,具有非常明显的优势。因此,可以通过提取纹理特征来分析作物病害。 研究人员对纹理特征进行了研究,并取得了一定的研究成果。田有文基于國际照明委员会(Commission Internationale de LEclairage,简称CIE)XYZ颜色空间的上提出了表达色度图和色度值的二维分布的色度矩,在以此为特征向量对葡萄病害进行识别,可以作为葡萄病害识别参考方法[21]。陈兵旗等将每一个像素作为目标像素计算其局部二值模式(local binary pattern,简称LBP),并得到纹理矩阵图像进行图像分割,分割效果良好[22]。杨倩等利用改进的LBP算子均匀模式进行纹理特征提取,该方法降低了特征向量的维数,提高了识别分类的准确度[23]。王树文等从灰度梯度共生矩阵中提取了能量、相关性、同次性和差异性4个纹理特征参数,作为黄瓜病害识别系统的特征参数[24]。张静等利用灰度共生矩阵提取出多个特征参数,并用直方图筛选出最优特征参数。结果表明,提取出的惯性值纹理特征可以诊断斑疹病和角斑病[25]。毛罕平等在叶片番茄缺素的研究中,分别利用差分算子、傅里叶变换、小波包提取了纹理在时域、频域、时频域的特征,结合遗传算法进行优化选择,选择出了优化组合,识别率较高[26]。Bakhshipour等利用小波变换构建了同现矩阵,从而定义了小波纹理特征。结果表明,基于小波纹理特征的杂草识别精度高[27]。王怀宇等提取了综合灰度共生矩阵和统计矩的纹理特征,对玉米苗期的田间杂草识别,该系统可以满足杂草识别要求[28]。Rojas利用灰度共生矩阵结合主成分分析法选取了10个纹理特征参数,作为蔬菜和杂草分类系统的特征参数,具有很好的效果[29]。 基于纹理特征的病害研究,在病害、杂草识别等应用中具有广阔的应用市场。与颜色特征一样,纹理特征提取会受环境影响,光照、反射和图像清晰度等因素会造成纹理特征计算误差。但纹理特征体现了物体表面规律性属性,当提取图像纹理信息清晰时,纹理特征提取识别非常的高效有用。基于纹理特征的提取识别需要更多的研究。 1.4 基于混合特征的应用 混合特征是将形状特征、颜色特征、纹理特征结合到一起,充分利用各个特征的特点,更加完整详细地描述病害信息。混合特征相比于单一特征,弥补了单个特征的描述不足,从而更加高效地对作物病害进行管理。 许多学者对基于形状、颜色、纹理等综合特征提取的作物病害图像处理进行了大量的研究和分析。基于形状、颜色、纹理等特征在农作物检测管理中使用广泛,但单一的特征参数已经不能满足一些复杂的农情情况,利用形状、颜色、纹理等综合特征结合一些学习算法,可以更好地诊断病害,提高精确度。师韵等通过病斑分割提取了综合特征,分析并降低了特征维数,识别了苹果落叶病、花叶病、锈病等3种常见疾病[30]。刘君等从病斑特征中提取了多个混合特征向量,对叶部病害进行诊断。该系统适用于黄瓜、番茄等园艺性作物病害诊断[31]。邓继忠等结合形状和纹理特征对小麦网腥、印度腥、矮腥3种病害进行分类识别研究。试验表明,结合支持向量机的识别系统具有较高的识别率[32]。秦丰等在病斑图像中提取了状形、颜色、纹理等综合特征参数,识别苜蓿4种病害,为苜蓿叶部病害识别提供了特征参数[33]。田凯等分析了病斑的形状、颜色、纹理等特征,并通过方差和主成分分析法优选了20个特征参数作为特征向量,结合Fisher判别函数对茄子褐纹病病害进行识别。试验表明,该识别方法可以对茄子褐纹病进行诊断,减少褐纹病对茄子的影响[34]。Zhang等在黄瓜的病害识别中,从病害图像中提取了关于形状和颜色的特征参数,利用稀疏表示的稀疏特性降低了计算量,提高了对黄瓜病害的识别[35]。马浚诚等同样提取了混合特征对黄瓜霜霉病进行识别研究,采用粗糙集方法优化特征参数,加快了对病害识别的速率,满足蔬菜叶部病害诊断的需求[36]。刘涛等在形状、纹理和颜色特征的基础上又提出病健交界特征,丰富了混合特征,弥补了相似病斑的区分度不足的缺陷[37]。Dewi等对甘蔗叶片的特征组合进行了分析研究,基于混合特征的识别率远远高于单一特征提取的病害识别[38]。凌秀华等从麦冬药材表面图像提取了混合特征,又将药材横切面特征加入了特征描述中,促进了特征提取的广泛性,有利于更好的图像信息提取[39]。 [16]Stricker M,Orengo M. Similarity of color images[C]//Storage and Retrieval for Image and Video Databases Ⅲ. International Society for Optics and Photonics,1995:381-393. [17]夏永泉,李耀斌,李 晨. 基于图像处理技术的小麦叶部病害识别研究[J]. 科技通报,2016,32(4):92-95. [18]崔艳丽,程鹏飞,董晓志,等. 温室植物病害的图像处理及特征值提取方法的研究[J]. 农业工程学报,2005,21(增刊2):32-35. [19]胡 敏,陈红波,许良凤,等. 基于颜色和纹理特征的黄瓜病害识别算法[J]. 电子测量与仪器学报,2015,29(7):970-977. [20]昌腾腾. 基于支持向量机的小麦病害识别研究[D]. 泰安:山东农业大学,2015. [21]田有文. 基于纹理特征和支持向量机的葡萄病害的识别[J]. 仪器仪表学报,2005,26(S1):606-608. [22]陈兵旗,郭学梅,李晓华. 基于图像处理的小麦病害诊断算法[J]. 农业机械学报,2009,40(12):190-195. [23]楊 倩,高晓阳,武季玲,等. 基于颜色和纹理特征的大麦主要病害识别研究[J]. 中国农业大学学报,2013,18(5):129-135. [24]王树文,张长利. 基于图像处理技术的黄瓜叶片病害识别诊断系统研究[J]. 东北农业大学学报,2012,43(5):69-73. [25]张 静,王双喜,董晓志,等. 基于温室植物叶片纹理的病害图像处理及特征值提取方法的研究[J]. 沈阳农业大学学报,2006,37(3):282-285. [26]毛罕平,徐贵力,李萍萍. 番茄缺素叶片的图像特征提取和优化选择研究[J]. 农业工程学报,2003,19(2):133-136. [27]Bakhshipour A,Jafari A,Nassiri S M. Weed segmentation using texture features extracted from wavelet sub-images[J]. Biosystems Engineering,2017,157:1-12. [28]王怀宇,李景丽. 基于纹理特征的玉米苗期田间杂草识别[J]. 江苏农业科学,2014,42(7):143-145. [29]Rojas C P,Leonardo S G,Toledo N V. Weed recognition by SVM texture feature classification in outdoor vegetable crops images[J]. Ingeniería E Investigación,2017,37(1):68-74. [30]师 韵,王旭启,张善文. 基于主分量分析的苹果叶部3种常见病害识别方法[J]. 江苏农业科学,2016,44(9):337-340. [31]刘 君,王振中,李宝聚,等. 基于图像处理的作物病害自动识别系统的研究[J]. 计算机工程与应用,2012,48(13):154-158,180. [32]邓继忠,李 敏,袁之报,等. 基于图像识别的小麦腥黑穗病害特征提取与分类[J]. 农业工程学报,2012,28(3):172-176. [33]秦 丰,刘东霞,孙炳达,等. 基于图像处理技术的四种苜蓿叶部病害的识别[J]. 中国农业大学学报,2016,21(10):65-75. [34]田 凯,张连宽,熊美东,等. 基于叶片病斑特征的茄子褐纹病识别方法[J]. 农业工程学报,2016,32(增刊1):184-189. [35]Zhang S,Wu X,You Z,et al. Leaf image based cucumber disease recognition using sparse representation classification[J]. Computers & Electronics in Agriculture,2017,134:135-141. [36]马浚诚,温皓杰,李鑫星,等. 基于图像处理的温室黄瓜霜霉病诊断系统[J]. 农业机械学报,2017,48(2):195-202. [37]刘 涛,仲晓春,孙成明,等. 基于计算机视觉的水稻叶部病害识别研究[J]. 中国农业科学,2014,47(4):664-674. [38]Dewi R K,Ginardi R H. Feature extraction for identification of sugarcane rust disease[C]//International Conference on Information,Communication Technology and System (ICTS),2014:99-104. [39]凌秀华,卢文彪,王 耐,等. 基于图像处理技术的麦冬药材特征提取与识别[J]. 辽宁中医杂志,2017(7):1460-1462. |
随便看 |
|
科学优质学术资源、百科知识分享平台,免费提供知识科普、生活经验分享、中外学术论文、各类范文、学术文献、教学资料、学术期刊、会议、报纸、杂志、工具书等各类资源检索、在线阅读和软件app下载服务。