基于机器视觉的番茄脐腐病的鉴别

孟祥佳 杨断利 籍颖 李文志



摘 要: 利用计算机视觉技术,通过图像处理和模式识别方法,对番茄脐腐病的自动识别进行研究。首先利用中值滤波法对病症图片进行处理,去除噪声,其次采用Otsu算法对病斑进行分割。通过提取病斑区域的颜色特征和形状特征,同时采用贝叶斯判别方法和支持向量机方法实现特征参数的提取。实验结果表明,贝叶斯判别方法对训练样本和实验样本的判别准确率分别达到100%和92%, 高于支持向量机方法,实现了番茄脐腐病的准确识别。
关键词: 机器视觉; 番茄脐腐病; 特征提取; 模式识别
中图分类号: TN911?34; TP391.4 文献标识码: A 文章编号: 1004?373X(2017)06?0100?03
Abstract: The computer vision technology, image processing and pattern recognition method are used to study the automate identification of the tomato blossom?end rot. The median filtering method is adopted to process the disease image and eliminate the noise. The Otsu algorithm is employed to segment the scab. The Bayesian discriminate method and support vector machine method are used to extract the feature parameters respectively according to the color feature and shape feature extracted in the scab area. The experimental results show that the discriminate accuracy of the former (Bayesian discriminate method) to the training sample and experiment sample can reach up to 100% and 92%, which is higher than that of the latter (support vector machine method), and can recognize the tomato blossom?end rot accurately.
Keywords: machine vision; tomato blossom?end rot; feature extraction; pattern recognition
0 引 言
脐腐病是番茄栽培中最为严重的生理病害,病果症状很难被识别,如不能及时采取防治措施,将严重影响良好果实,损失很大。如果单是依靠人力来鉴别病症信息,耗费人力,时间长速度慢,并且可能会出现一定的偏差。机器视觉和模式识别技术在农业领域非常广泛,尤其是农作物病症的鉴别方面。
目前,国内对于基于机器视觉番茄脐腐病的研究未见报道,本文采用计算机视觉技术对番茄脐腐病图像进行分割、病症特征提取,结合支持向量机和贝叶斯算法,进而对图像病症进行了初步识别,拟补人工识别的不足,提高了识别的效率和准确率。该项目成果为进一步开发具有智能化的番茄病害诊断系统提供了一定的理论基础和先期研究。
1 番茄脐腐病图像处理
图像采集的方式主要以手工为主,结合数字摄像技术以及网上搜集整理的图片。
1.1 图像预处理
采集的图片可能会受到环境因素影响,因此需要对图片进行一定的处理,故本研究采用灰度变换、快速中值滤波方法。在获取的图像中势必会存在一定的噪声,如果有噪声的存在,就会对下一步处理图像有影响,所以首先要去除噪声。中值滤波在图像处理中就体现了很好的应用价值。
中值滤波实现方法如下:
读取滤波板即滑动窗口中对应像素的灰度值,并且对这些灰度值进行排序,这是一种非线性的图像平滑法。对噪声进行抑制,对于窗口中奇数个元素,中值去排序后中间元素灰度值,如果是偶数个元素,取灰度的平均值。因为图像为二维信号,中值滤波的尺寸对滤波器效果影响很大,不同图像内容往往选用不同的尺寸,本研究采用的窗口尺寸为3×3。
如图1所示,应用快速中值滤波的方法对病症图像进行处理,图1(a)是原图,下面是经过去噪和中值滤波处理后的图片,很好地消除了图片的噪声。
1.2 图像分割
番茄病斑部分分割中[1?2],主要采用Otsu自适应阈值分割法。在实际应用时,对算法进行优化调整,以提高病斑形状特征值。同时将采用直方图阈值和区域生长的分割方法进行比较。将Otsu方法用到灰度直方图中,如图2所示,得出最佳阈值分别是0.5和0.6,实现病症的分割。
下面是Otsu阈值分割的过程
(1) 先对灰度图进行直方图计算并归一化处理,像素在灰度图中出现了n个,灰度图总像素为N,像素的出现概率为[nN],如图3所示。
(2) 由阈值将这些灰度图分为两大类,得到这两类在灰度图中的出现概率和灰度值。
(3) 计算得到两灰度图的类间方差,在最佳阈值处,求得类间方差最大,也就是在类间方差最大时刻的阈值即最佳阈值。
下面分别是算法不同的分割结果如图3所示。
由图3可以得出使用最大类间方差算法时分割的效果最好。因此采用此方法进行病症的有效分割。
2 病症特征提取[3?6]
对于病症特征提取、形状的特征提取有很多方法,如边界特征法、傅里叶形状描述符法、几何参数法、形状不变矩阵法等。这里采用几何参数法进行形状特征提取。首先把病症的边缘信息提取出来,然后利用圆度C、偏心率Se、伸长度E,复杂性e,球状性Sn,面积S,周长Z等几何参数检索得到的形状特征。本研究采用提取颜色特征方法,先提取图像的Luv各个分量,结合Luv坐标同时处理,提取Luv的各个分量,即可以达到预期的效果。表1是通过选取50个样本来获得的颜色和形状特征的值。把得到的这些特征值作为训练样本,如表1所示。
3 支持向量机模式识别方法
分类问题最简单的就是在一个平面上的两类不同的点将它用一条直线分开。SVM原理与这个原理相似,但是相对复杂,不仅仅是应用于平面内点的分类问题。SVM的一般做法是:将所有待分类的点映射到“高维空间”,然后在高维空间中找到一个能将这些点分开的“超平面”。在通常的情况下,满足条件的“超平面”的个数不是惟一的。SVM 需要利用这些超平面,找到这两类点之间的“最大间隔”。其中很多分类都是线性不可分的,也就局限了样本空间很难找到一个最优的线性分类函数,以至支持向量机的应用具有很大的局限性。对于非线性问题,可通过核函数把非线性问题转化为高维空间中的线性问题,而后求最优分类面,这就是支持向量机。此时分类函数变为:
[f(x)=sgni=1nTiyiK(xi,x)+b*]
式中,[K(xi,x)]为内积函数。
核函数用来进行非线性映射,将线性不可分的低维空间映射到高维空间。
常用的核函数有:
线性核函数:
[k(x,y)=x*y] (1)
多项式核函数:
[k(x,y)=(xy+1)q, q=1,2,…,l] (2)
径向基核函数:
[k(x,y)=exp-x-ye2e] (3)
对处理过的图像综合颜色特征(病斑象素点的L,U,V值)和形状特征(病斑的圆度C、偏心率Se、伸长度E、复杂性e)进行番茄脐腐病的识别,其结果如表2所示。表2中学习参数为C=1,a=0.001,多项式核函数中的q取3,径向基核函数中的e2取2。
从表2中可以看出,综合比较其他几个函数,当应用线性核函数的支持向量机时对病斑的识别率最好,识别率为81.5%。
本文从实地以及网络上取得100个脐腐病的样本集,其中抽取50样本作为训练集,另外50个作为测试集。根据之前得出的图像处理分割结果和特征提取值,再利用贝叶斯判别方法得出的结果为识别个数46个,正确率92%。
根据以上的结果显示,基于颜色特征和形状特征参数的识别效果不低于90%,可以很好地对番茄脐腐病进行识别。结合支持向量机方法结果来看,采用贝叶斯识别技术的识别率高于基于形状和颜色特征的支持向量机识别。
5 结 论
本研究通过图像处理技术以及贝叶斯识别技术和支持向量机模式识别方法来研究番茄的脐腐病特征,结论如下:利用中值滤波方法对病症进行预处理,可以很好地去除图片的噪声;采用Otsu改进的方法对图片进行分割,准确地把病斑从图片中分割出來;利用贝叶斯识别提取病斑区域的颜色和形状特征,结合这13个特征建立一个特征库,再用测试的样本进行匹配;获得了较高的正确识别率,同时采用支持向量机的方法识别率明显低于贝叶斯方法。
注:本文通讯作者为籍颖。
参考文献
[1] 景晓军,蔡安妮,孙景鳌.一种基于二维最大类间方差的图像分割算法[J].通信学报,2001,22(4):72?76.
[2] 吴成茂,田小平,谭铁牛.二维Otsu阈值法的快速迭代算法[J].模式识别与人工智能,2008,21(6):747?756.
[3] 李寒,王库,曹倩,等.基于机器视觉的番茄多目标提取和匹配[J].农业工程学报,2012,28(5):168?172.
[4] 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.
[5] 吕宏明.基于机器视觉的番茄图像匹配算法研究[D].南京:南京农业大学,2008.
[6] 陈树人,戈志勇,王新忠.基于Matlab的番茄采摘机械手运动学仿真研究[C]//农业机械化与新农村建设—中国农业机械学会2006年学术年会论文集(上册).镇江:中国农业机械学会,2006:460?463.
[7] 周颜军,王双成,王辉.基于贝叶斯网络的分类器研究[J].东北师大学报(自然科学版),2003,35(2):22?27.
[8] 赖军臣,汤秀娟,谢瑞芝.基于G?MRF模型的玉米叶斑病害图像的分割[J].中国农业科学,2010,43(7):1363?1369.
[9] BOISSARDA P, MARTIN V, MOISAN S. A cognitive vision approach to early pest detection in greenhouse crops [J]. Computers and electronics in agriculture, 2008, 62(2): 81?93.
[10] 柴阿丽,李宝聚,石延霞,等.基于计算机视觉技术的番茄叶部病害识别[J].园艺学报,2010,37(9):1423?1430.
[11] 王克如.基于图像识别的作物病虫草害诊断研究[D].北京:中国农业科学院,2005.