一種溫室蔬菜葉部病害圖像自動識別方法
2023-06-01 14:34:11
一種溫室蔬菜葉部病害圖像自動識別方法
【專利摘要】一種溫室蔬菜葉部病害圖像自動識別方法，包括：對蔬菜葉部病害進行圖像採集；自動生成閾值：採用二維最大熵原理，結合圖像的平均灰度級別和鄰域內灰度級別進行估計，並利用差分進化算法對自動生成的閾值進行優化，取30次以上的獨立運行的差分進化算法優化後的結果的平均值作為圖像分割用的閾值；利用閾值對已知蔬菜葉部病害圖像進行分割，獲取病斑區域的圖像；分析病斑的特徵，獲得蔬菜葉部病害圖像病斑的顏色、紋理、形狀特徵參數；對病斑特徵進行融合，並進行病害種類特徵識別。本發明可實現在不對蔬菜病葉做損傷的情況下對溫室大棚內的葉部病害進行快速有效地診斷，很好地應用於溫室蔬菜病害監測。
【專利說明】一種溫室蔬菜葉部病害圖像自動識別方法
【技術領域】
[0001]本發明涉及一種圖像自動識別方法。特別是涉及一種採用計算機圖像處理技術的智能化溫室蔬菜葉部病害圖像自動識別方法。
【背景技術】
[0002]設施蔬菜是指露地不適於蔬菜作物生長的季節或地區，利用溫室等特定設施，人為構造適於蔬菜生長的環境，根據人們的需要，有計劃地生產優質、高產、穩產的蔬菜的一種環境調控農業。「十一五」期間，我國設施蔬菜取得了迅猛的發展。截至2010年底，我國設施蔬菜年種植面積估計約達466.7萬hm2，分別佔我國設施栽培的95%和世界設施園藝80%的面積，現在仍以每年10%左右的速度在增長。目前，我國設施蔬菜產值已達7000億元，分別佔蔬菜和全國種植業總產值的65%和20%以上，全國農民人均增收接近800元，佔農民人均純收入的16%，提供了近4000萬個就業崗位，已成為我國許多區域的農業支柱產業。
[0003]設施蔬菜病蟲害發生種類繁多,且病害多於蟲害。蔬菜生產中病害主要有霜黴病、灰黴病、瓜類枯萎病、白粉病、根結線蟲病等；蟲害主要有溫室白粉蝨、煙粉蝨等,病蟲害造成的損失一般為10%?30%，嚴重的可達50%以上，給菜農帶來較大的經濟損失。
[0004]機器視覺技術通過各種成像系統實現圖像信息的採集，由計算機利用圖像處理技術來提取和解釋採集對象的特徵，結合各種模式識別算法，可以對對象進行定量、定性的描述和分析，在植物病害診斷方面得到了廣泛的應用。植物感病以後引起植物外部形態改變，產生病斑，反映在圖像上則會形成顏色、紋理、形狀特徵的差異。這些差異為利用機器視覺技術和圖像處理技術診斷植物病害提供了依據。
[0005]基於計算機視覺的農業病蟲害圖像識別通過病害的顏色、形態等特徵，利用計算機視覺、圖像處理和分析等技術來進行識別。其識別過程簡單、快捷、準確，操作過程及對設備的要求也相對簡單，不受人員的經驗、情緒等主觀因素影響，但在識別準確率和識別效率有待提高。隨著圖像處理技術和模式識別技術的發展，使計算機視覺技術應用於農作物病害的識別取得了很大的進步。然而，現有的農作物病害檢測的方法中，圖像獲取多是在理想的特定背景條件下採用單一的確定的圖像採集方式，有的甚至是將病葉採摘以後放在特定的背景後進行拍照，不具備廣泛的實用性。
【發明內容】
[0006]本發明所要解決的技術問題是，提供一種針對不同作物的病害，利用計算機視覺技術，採用圖像識別算法，實現對蔬菜葉部病害的智能化自動檢測的溫室蔬菜葉部病害圖像自動識別方法。
[0007]本發明所採用的技術方案是:一種溫室蔬菜葉部病害圖像自動識別方法，包括如下步驟:
[0008]I)對蔬菜葉部病害進行圖像採集；
[0009]2)自動生成閾值:採用二維最大熵原理，結合圖像的平均灰度級別和鄰域內灰度級別進行估計，並利用差分進化算法對自動生成的閾值進行優化，取30次以上的獨立運行的差分進化算法優化後的結果的平均值作為圖像分割用的閾值；
[0010]3)利用閾值對已知蔬菜葉部病害圖像進行分割，獲取病斑區域的圖像；
[0011]4)分析病斑的特徵，獲得蔬菜葉部病害圖像病斑的顏色、紋理、形狀特徵參數；
[0012]5)對步驟4)獲得的病斑特徵進行融合，並進行病害種類特徵識別。
[0013]所述的圖像採集為完全人工現場採集方式或人工現場採集和遠程監控採集相結合的方式。
[0014]步驟2)所述的自動生成閾值，具體包括:
[0015](I)讀入圖像數據，利用圖像讀取函數將採集到的彩色圖像文件讀入到自定義的變量Img中；
[0016](2)將變量Img轉換成灰度圖像格式，並把它存放到自定義的變量graylmg中；
[0017](3)設置表示鄰域大小的k值，k的取值為3或5或7 ;
[0018](4)計算變量graylmg的鄰域內平均灰度級別g(x, y)，其中(x, y)表示圖像中的第X行，第y列位置，所述平均灰度級別g(x，y)的取值為灰度值；
[0019](5)統計graylmg內的灰度級f (x, y) =i的像素的個數，其中i的取值為灰度值，以及統計graylmg的鄰域內平均灰度級g(x, y)=j的像素的個數，其中j的取值為灰度值；
[0020](6)利用二維最大熵法計算graylmg中整個二維直方圖的聯合概率Pij ；
[0021](7)設定差分進化算法交叉率CR，縮放因子F，種群大小NP和差分進化算法終止條件；
[0022](8)利用元組(i，j)生成用於差分進化操作的初始種群，其中i表示像素(X，y)的灰度級，j表示(X，y)鄰域平均灰度級；
[0023]( 9 )進行差分進化變異操作；
[0024]( 10)進行差分進化交叉操作；
[0025](11)計算每一個生成個體的適應度值，並進行差分進化選擇操作；
[0026](12)判斷是否達到設定的差分進化終止條件，是則進入下一步驟，否則返回步驟(9)；
[0027](13)判斷是否運行到設定的獨立次數，是則利用求得30次以上的獨立差分進化求得閾值的平均值，得到平均閾值Thresh作為輸出閾值，否則返回步驟(8)。
[0028]步驟3)所述的對已知蔬菜葉部病害圖像進行分割，具體包括:
[0029](I)將Img進行HSI空間轉換，生成H分量、S分量和I分量，利用閾值Thresh對I分量進行分割得到二值圖像tmp ；
[0030](2)對分割求得的二值圖像tmp進行形態學運算得到處理後的二值圖像BinImg ；
[0031](3)將經形態學運算處理後的二值圖像BinImg與Img圖像數據進行邏輯「與」運算，得到並輸出分割後生成的病斑圖像illlmg。
[0032]步驟4)所述的分析病斑的特徵包括:
[0033]( I)病斑圖像顏色特徵提取
[0034](a)利用圖像分割生成的病斑圖像illlmg,分解成病斑圖像紅色分量、藍色分量和綠色分量；
[0035](b)由紅色分量、藍色分量和綠色分量求出相應的三種顏色分量的一階、二階、三階顏色矩；
[0036](c)對病斑圖像進行HSI空間轉換，求出病斑圖像的H分量、S分量和I分量；
[0037](2)病斑圖像紋理特徵提取
[0038](a)對病斑圖像illlmg進行灰度轉化，求出與它對應的灰度共生矩陣；
[0039](b)利用灰度共生矩陣生成相對於的病斑圖像的相關性、能量、熵、對比度和逆差距五種紋理特徵；
[0040](3)病斑圖像形狀特徵提取
[0041]求解病斑圖像的矩形度、圓形度、形狀複雜性的離散指數、病斑面積、病斑周長特徵。
[0042]步驟5)所述的對圖像特徵進行融合包括:
[0043](I)分別對步驟4)獲得的顏色、形狀、紋理圖像特徵值進行標準化處理；
[0044](2)分別對屬於顏色特徵、紋理特徵和形狀特徵的不同特徵值採用平均加權法進行特徵融合；
[0045](3)貝葉斯識別
[0046](a)利用已知的病害圖像顏色、紋理和形狀特徵值對貝葉斯分類器進行訓練；
[0047]( b )利用貝葉斯分類器對融合後的待識別圖像特徵值進行識別，輸出識別結果。
[0048]所述的利用已知的病害圖像顏色、紋理和形狀特徵值對貝葉斯分類器進行訓練，包括:
[0049](al)求出訓練集中圖像數據的顏色特徵、紋理特徵和形狀特徵的均值和方差；
[0050](a2)設定蔬菜得病的先驗概率為P (Cli) =1/T，T為待識別疾病的種類，其中(Ii表示第i種疾病，P為疾病Cli的先驗概率，i為疾病的編號取大於等於I的整數。
[0051 ] 所述的利用貝葉斯分類器對融合後的待識別圖像特徵值進行識別，包括:
[0052](bl)利用正態分布求出患疾病Cli表現出的顏色特徵的概率值、紋理特徵的概率值和形狀特徵的概率值；
[0053](b2)求出貝葉斯公式中的正態常量；
[0054](b3)利用貝葉斯公式求出在已知顏色特徵值、紋理特徵值和形狀特徵值條件下蔬菜患疾病Cli的概率；
[0055](b4)進行病害分類，將在相同的顏色特徵值、紋理特徵值和形狀特徵的條件下具有最大後驗概率的疾病作為最終判定的疾病種類。
[0056]本發明的一種溫室蔬菜葉部病害圖像自動識別方法，可實現在不對蔬菜病葉做損傷的情況下對溫室大棚內的葉部病害進行快速有效地診斷，很好地應用於溫室蔬菜病害監測。
【專利附圖】
【附圖說明】
[0057]圖1是本發明方法的流程圖；
[0058]圖2是本發明的閾值自動生成流程圖；
[0059]圖3是本發明的圖像分割流程圖；
[0060]圖4是本發明的圖像識別流程圖；
[0061]圖5是二維灰度直方圖；[0062]圖6是八連通方向示意圖；[0063]圖7是鏈碼方向圖。
【具體實施方式】
[0064]下面結合實施例和附圖對本發明的一種溫室蔬菜葉部病害圖像自動識別方法做出詳細說明。
[0065]如圖1所示，本發明的一種溫室蔬菜葉部病害圖像自動識別方法，包括對蔬菜葉部病害進行圖像採集；自動生成閾值；利用閾值對已知蔬菜葉部病害圖像進行分割，獲取病斑區域的圖像，並進行融合；進行病害種類特徵識別。
[0066]本發明的一種溫室蔬菜葉部病害圖像自動識別方法，具體如下:
[0067]I)對蔬菜葉部病害進行圖像採集；
[0068]所述的圖像採集為完全人工現場採集方式或人工現場採集和遠程監控採集相結合的方式。人工現場採集是由工作人員使用攝像機在溫室內實地進行葉部病害圖像採集。採集時，使病斑處於圖像的中間位置，儘量減少非病葉背景在圖像中所佔範圍，拍攝角度採取鏡頭正對病葉的方式進行。遠程監控採集是利用高解析度攝像頭對溫室內的病葉進行監控，發現病葉以後，對病害葉部進行監控視頻截圖，然後在計算機上對所截圖像進行裁剪。裁剪時，要求圖像中病葉完整，儘量減少非病葉背景範圍。圖像採集可以採用完全人工現場採集方式；也可以採用人工採集為主，遠程監控採集為輔的方式進行。
[0069]2)自動生成閾值:採用二維最大熵原理，結合圖像的平均灰度級別和鄰域內灰度級別進行估計，並利用差分進化算法對自動生成的閾值進行優化，取30次以上的獨立運行的差分進化算法優化後的結果的平均值作為圖像分割用的閾值；
[0070]所述的自動生成閾值,如圖2所示,具體包括:
[0071](I)讀入圖像數據，利用圖像讀取函數將採集到的彩色圖像文件讀入到自定義變量Img中；
[0072](2)將自定義變量Img中的數據轉換成灰度圖像，並把它存放到自定義變量graylmg 中；
[0073](3)設置表示鄰域大小的k值，k的取值為3或5或7，實驗中k設為3 ；
[0074]設圖像的灰度級取值範圍是O~L-1，L取值256，f(x, y)是像素點(x，y)的灰度級，g(x，y)是以(x，y)為中心，大小為kXk的鄰域內像素的平均灰度級。鄰域的平均灰度級定義為:
【權利要求】
1.一種溫室蔬菜葉部病害圖像自動識別方法，其特徵在於，包括如下步驟: 1)對蔬菜葉部病害進行圖像採集； 2)自動生成閾值:採用二維最大熵原理，結合圖像的平均灰度級別和鄰域內灰度級別進行估計，並利用差分進化算法對自動生成的閾值進行優化，取30次以上的獨立運行的差分進化算法優化後的結果的平均值作為圖像分割用的閾值； 3)利用閾值對已知蔬菜葉部病害圖像進行分割，獲取病斑區域的圖像； 4)分析病斑的特徵，獲得蔬菜葉部病害圖像病斑的顏色、紋理、形狀特徵參數； 5)對步驟4)獲得的病斑特徵進行融合，並進行病害種類特徵識別。
2.根據權利要求1所述的一種溫室蔬菜葉部病害圖像自動識別方法，其特徵在於，所述的圖像採集為完全人工現場採集方式或人工現場採集和遠程監控採集相結合的方式。
3.根據權利要求1所述的一種溫室蔬菜葉部病害圖像自動識別方法，其特徵在於，步驟2)所述的自動生成閾值，具體包括: (1)讀入圖像數據，利用圖像讀取函數將採集到的彩色圖像文件讀入到自定義的變量1mg 中； (2)將變量Img轉換成灰度圖像格式，並把它存放到自定義的變量graylmg中； (3)設置表示鄰域大小的k值，k的取值為3或5或7; (4)計算變量graylmg的鄰域內平均灰度級別g(x,y),其中(x, y)表示圖像中的第x行，第y列位置，所述平均灰度級別g(x，y)的取值為灰度值； (5)統計graylmg內的灰度級f(x,y)=i的像素的個數，其中i的取值為灰度值，以及統計graylmg的鄰域內平均灰度級g(x, y)=j的像素的個數，其中j的取值為灰度值； (6)利用二維最大熵法計算graylmg中整個二維直方圖的聯合概率Pij； (7)設定差分進化算法交叉率CR，縮放因子F，種群大小NP和差分進化算法終止條件； (8)利用元組(i，j)生成用於差分進化操作的初始種群，其中i表示像素(X，y)的灰度級，j表示(X，y)鄰域平均灰度級； (9)進行差分進化變異操作； (10)進行差分進化交叉操作； (11)計算每一個生成個體的適應度值，並進行差分進化選擇操作； (12)判斷是否達到設定的差分進化終止條件，是則進入下一步驟，否則返回步驟(9)； (13)判斷是否運行到設定的獨立次數，是則利用求得30次以上的獨立差分進化求得閾值的平均值，得到平均閾值Thresh作為輸出閾值，否則返回步驟(8)。
4.根據權利要求1所述的一種溫室蔬菜葉部病害圖像自動識別方法，其特徵在於，步驟3)所述的對已知蔬菜葉部病害圖像進行分割，具體包括: (1)將Img進行HSI空間轉換，生成H分量、S分量和I分量，利用閾值Thresh對I分量進行分割得到二值圖像tmp ； (2)對分割求得的二值圖像tmp進行形態學運算得到處理後的二值圖像BinImg； (3)將經形態學運算處理後的二值圖像BinImg與Img圖像數據進行邏輯「與」運算，得到並輸出分割後生成的病斑圖像illlmg。
5.根據權利要求1所述的一種溫室蔬菜葉部病害圖像自動識別方法，其特徵在於，步驟4)所述的分析病斑的特徵包括:(1)病斑圖像顏色特徵提取 (a)利用圖像分割生成的病斑圖像illlmg,分解成病斑圖像紅色分量、藍色分量和綠色分量; (b)由紅色分量、藍色分量和綠色分量求出相應的三種顏色分量的一階、二階、三階顏色矩； (c)對病斑圖像進行HSI空間轉換，求出病斑圖像的H分量、S分量和I分量； (2)病斑圖像紋理特徵提取 (a)對病斑圖像illlmg進行灰度轉化，求出與它對應的灰度共生矩陣； (b)利用灰度共生矩陣生成相對於的病斑圖像的相關性、能量、熵、對比度和逆差距五種紋理特徵； (3)病斑圖像形狀特徵提取 求解病斑圖像的矩形度、圓形度、形狀複雜性的離散指數、病斑面積、病斑周長特徵。
6.根據權利要求1所述的一種溫室蔬菜葉部病害圖像自動識別方法，其特徵在於，步驟5)所述的對圖像特徵進行融合包括: (O分別對步驟4)獲得的顏色、形狀、紋理圖像特徵值進行標準化處理； (2)分別對屬於顏色特徵、紋理特徵和形狀特徵的不同特徵值採用平均加權法進行特徵融合； (3)貝葉斯識別 Ca)利用已知的病害圖像顏色、紋理和形狀特徵值對貝葉斯分類器進行訓練； (b )利用貝葉斯分類器對融合後的待識別圖像特徵值進行識別，輸出識別結果。
7.根據權利要求6所述的一種溫室蔬菜葉部病害圖像自動識別方法，其特徵在於，所述的利用已知的病害圖像顏色、紋理和形狀特徵值對貝葉斯分類器進行訓練，包括: (al)求出訓練集中圖像數據的顏色特徵、紋理特徵和形狀特徵的均值和方差； (a2)設定蔬菜得病的先驗概率為ρ(φ)=1/Τ，T為待識別疾病的種類，其中Cli表示第i種疾病，P為疾病Cli的先驗概率，i為疾病的編號取大於等於I的整數。
8.根據權利要求6所述的一種溫室蔬菜葉部病害圖像自動識別方法，其特徵在於，所述的利用貝葉斯分類器對融合後的待識別圖像特徵值進行識別，包括: (bl)利用正態分布求出患疾病Cli表現出的顏色特徵的概率值、紋理特徵的概率值和形狀特徵的概率值； (b2)求出貝葉斯公式中的正態常量； (b3)利用貝葉斯公式求出在已知顏色特徵值、紋理特徵值和形狀特徵值條件下蔬菜患疾病Cli的概率； (b4)進行病害分類，將在相同的顏色特徵值、紋理特徵值和形狀特徵的條件下具有最大後驗概率的疾病作為最終判定的疾病種類。
【文檔編號】G06T7/00GK103559511SQ201310591368
【公開日】2014年2月5日 申請日期:2013年11月20日 優先權日:2013年11月20日
【發明者】李乃祥, 郭鵬, 劉同海, 王學利, 餘秋冬 申請人:天津農學院