基于机器视觉的蔬菜叶部病害实时诊断方法与系统

1.一种基于机器视觉的蔬菜叶部病害诊断方法，其特征在于：通过病害图像获取硬件部分采集蔬菜叶部病害图像，利用实时诊断软件进行图像处理、病斑特征提取和病害实时诊断，具体步骤如下：
1)建立实时诊断软件系统
采集不同发病时期、不同生境、不同品种的蔬菜叶部病害样本，由植病专家对每个样本感染的病害进行鉴定；然后采集其病害症状图像；利用图像处理技术，实现病斑的自动分割，提取病斑的各项特征指标，建立对应病害的特征数据库；在此基础上，选择适合的病斑特征参数和有效的模式识别算法，构建基于机器视觉的蔬菜叶部病害实时诊断模型；
2)进行实时诊断
实时诊断时，蔬菜叶部病害样本被实时采集后，由建立的实时诊断软件进行图像处理和特征提取，然后根据构建的病害诊断模型对蔬菜叶部病害进行实时诊断；所述的利用图像处理技术，包括图像数字化、图像灰度化、图像增强、图像分割和数学形态学处理技术；
所述的提取出病斑的各项特征指标，包括RGB和HIS颜色系统下的R均值、G均值、B均值、r均值、g均值、b均值、H均值、I均值和S均值的颜色特征，灰度共生矩阵的对比度、相关性、能量、惯性矩和熵的纹理特征；形状复杂性程度、偏心率、圆形度和形状参数的形状特征；
所述的选择适合的病斑特征参数和有效的模式识别算法，指利用主成分分析、判别分析从建立的病害特征数据库中选择适合于病害识别的特征参数，将其作为病害识别模型的输入参数；然后，从多元统计分析、支持向量机和人工神经网络技术多种模式识别算法中，选择有效的算法建立基于病斑图像信息的蔬菜叶部病害自动诊断模型；
所述的图像获取硬件部分包括光照箱(1)、四根光源支架(2)、四个光源(3)、箱体顶部圆孔(4)、数码相机(5)、相机固定杆(6)、光学镜头(7)、偏振镜(8)、箱体侧门(9)、载物台(10)、计算机(11)；四根光源支架(2)安装在光照箱(1)顶部四侧，四根光源支架(2)能在光照箱(1)顶部调节到同一高度并固定，四个光源(3)分别固定在各自的光源支架(2)上，相机固定杆(6)安装在光照箱(1)外部顶面中央，数码相机(5)固定在相机固定杆(6)上，数码相机(5)能在相机固定杆(6)上移动并使相机取景器置于箱体顶部圆孔(4)处，偏振镜(8)旋在光学镜头(7)上，载物台(10)置于箱体底面正中心位置，箱体侧门(9)可自由开关以取放样本，箱体侧门(9)关闭后整个箱体形成密封室，数码相机(5)与计算机(11)通过USB线连接。
2.根据权利要求1所述的一种基于机器视觉的蔬菜叶部病害诊断方法，其特征在于：所述的蔬菜包括黄瓜、丝瓜、南瓜、西葫芦、冬瓜、苦瓜、瓠瓜、菜瓜、蛇瓜，主要叶部病害包括蔓枯病(Ascochyta citrullina)、霜霉病(Pseudoperonospora cubensis)、黑星病(Cladosporium cucumerinum)、灰霉病(Botrytis cinerea)、炭疽病(Colletortichum orbiculare)、菌核病(Sclerotinia sclerotiorum)、白粉病(Sphaerotheca fuliginea)、黑 斑 病 (Alternaria cucumerina)、褐 斑 病 (Corynespora cassiicola)、红 粉 病(Trichothecium roseum)、斑点病(Phyllosticta cucurbitacearum)、叶斑病(Cercospora citrullina)、细菌性叶枯病(Xanthomonas campestris pv.Cucurbitae)、细菌性角斑病(Pseudomopnas syringae pv.Lachrymans)、细菌性缘枯病(Pseudomopnas marginalis pv.Marginalis)；番茄的早疫病(Alternaria solani)、叶霉病(Fulvia fulva)、灰霉病(Botrytis cinerea)、斑枯病(Septoria lycopersici)、褐斑 病(Corynespora cassiicola)、晚疫病(Phytophthora infestans)、白粉病(Sphaerotheca fulifinea)、菌核病(Sclerotinia sclerotiporum)、煤霉病(Pseudocercospora fuligena)、灰叶斑病(Stemphylium solani)、漆腐病(Myrothecium roridum)、炭疽病(colletotrichum coccodes)、番茄斑点病(Stemphylium lycopersici)、细菌性斑点病(Pseudomonas syringae pv.tomato)；茄 子的 褐 纹 病(Phomopsis vexans)、早疫 病(Alternaria solani)、黑斑病(Alternaria melongenae)、褐斑病(Corynespora cassiicola)、绒菌斑 病(Mycovellosiella nattrassii)、炭疽 病(Colletotrichum capsici)、漆 腐病(Myrothecium roridum)、白粉 病(Sphaerotheca fulifinea)、灰 霉病 (Botrytis cinerea)、赤星病(Septoria melongenae)；辣椒的褐斑病(Corynespora cassiicola)、灰霉病(Botrytis cinerea)、炭疽病(Gloeosporium Piperatum)、白粉病(Podosphaera xanthii)、灰叶斑病(Stemphylium solani)、叶斑病(Cercospora capsici)、炭疽病(Colletotrichum capsici)、早疫病(Alternaria solani)、细菌性斑点病(Pseudomonas syringae pv.aptata)；菜豆、豇豆、刀豆、毛豆的锈病(Uromyces appendiculatus)、红斑病(Cercospora canescens)、炭疽病(Colletotrichum truncata)、斑点病(Phyllosticta phaseolina)、白粉病(Sphaerotheca astragali)、褐斑病(Corynespora mazei)、轮纹病(Ascochyta phaseolorum)、灰霉病(Botrytis cinerea)、角斑病(Phaeoisariopsis griseola)、煤霉病(Pseudocercospora cruenta)、斑枯病(Septoria phaseoli)；白菜、甘蓝、菜薹、花椰菜、青花菜的霜霉病(Peronospora parasitica)、黑斑病(Alternaria brassicicola)、白粉病(Erysiphe cruciferarum)、白锈病(Albugo candida)、炭疽病(Colletotrichum higginsianum)、褐斑病(Cercospora brassicicola)、灰霉病(Botrytis cinerea)；菠菜、番杏的叶斑病(Cercospora beticola)、黑斑病(Alternaria spinaciae)、灰霉病(Botrytis cinerea)、白锈病(Albugo occidentalis)、霜霉病(Peronospora effusa)、炭疽病(Colletotrichum spinaciae)；芹菜的斑枯病(Septoria apiicola)、叶斑病(Cercospora apii)、锈病(Puccinia angelicicola)、叶斑病(Phyllosticta apii)、灰霉病(Botrytis cinerea)、细菌性叶斑病(Pseudomonas cichorii)；莴苣的霜霉病(Bremia lactucae)、褐斑病(Cercospora lactucae-sativae)、黑斑病(Alternaria alternata)、灰霉病(Botrytis cinerea)、白粉病(Sphaerotheca fulifinea)、斑枯病(Septoria lactucae)；茼蒿的霜霉病(Peronospora chrysanthemi-coronarii)、叶斑病(Phyllosticta chrysanthemi)、炭疽病(Colletotrichum gloeosporioides)、褐斑病(Cercospora chrysanthemi)、黑斑病(Alternaria zinniae)；生菜的霜霉病(Bremia lactucae)、叶斑病(Cercospora lactucae-sativae)；苦苣的锈病(Puccinia sonchi)、霜霉病(Bremia lactucae)、轮纹病(Stemphylium chisha)、黑斑病(Alternariasonchi)。
3.一种基于机器视觉的蔬菜叶部病害诊断系统，其特征在于：包括病害图像获取硬件部分和实时诊断软件部分，其中图像获取硬件部分包括光照箱(1)、四根光源支架(2)、四个光源(3)、箱体顶部圆孔(4)、数码相机(5)、相机固定杆(6)、光学镜头(7)、偏振镜(8)、箱体侧门(9)、载物台(10)、计算机(11)；四根光源支架(2)安装在光照箱(1)顶部四侧，四根光源支架(2)能在光照箱(1)顶部调节到同一高度并固定，四个光源(3)分别固定在各自的光源支架(2)上，相机固定杆(6)安装在光照箱(1)外部顶面中央，数码相机(5)固定在相机固定杆(6)上，数码相机(5)能在相机固定杆(6)上移动并使相机取景器置于箱体顶部圆孔(4)处，偏振镜(8)旋在光学镜头(7)上，载物台(10)置于箱体底面正中心位置，箱体侧门(9)可自由开关以取放样本，箱体侧门(9)关闭后整个箱体形成密封室，数码相机(5)与计算机(11)通过USB线连接。

基于机器视觉的蔬菜叶部病害实时诊断方法与系统\n技术领域\n[0001] 本发明涉及一种基于机器视觉的实时诊断方法与系统，特别是一种基于机器视觉的蔬菜叶部病害实时诊断方法与系统。\n背景技术\n[0002] 蔬菜病害一直是制约着蔬菜生产的主要因子。蔬菜病害数目众多，引起的症状呈现多样性、复杂性，病害的发生不仅导致蔬菜产量和质量的下降，而且会引起农药的大量投入和防治费用的上升，增加生产成本，影响蔬菜的无公害绿色化生产，对出口贸易也造成一定障碍，同时存在潜在的环境和健康风险。\n[0003] 蔬菜病害现有的诊断方法可以归纳为以下几种：一种是长期以来生产中主要采用的传统病理学方法，即症状观察，结合显微镜观察以及培养病菌进行识别，这种方法费工、费时，难以快速地对病害进行早期诊断，对植病专家的依赖性较大；第二种方法是20世纪\n70年代兴起的酶联免疫技术(ELISA)，该方法可灵敏地定量检测植物提取液中病毒蛋白的含量，但是在检测植物细菌和真菌病害方面成功的实例较少；第三种方法是基于分子水平的诊断方法，如分子标记技术、核酸序列分析技术、PCR技术等，该方法具有快速准确的优点，但是制备诊断试剂盒及其应用需要较昂贵的仪器设备和专业的技术支持，因而短期内还难以脱离实验室应用于田间。因此，建立一种快速、准确、无损、能推广应用的病害诊断方法是我国蔬菜病害综合防治中亟待解决的问题。\n[0004] 机器视觉技术通过各种成像系统实现图像信息的采集，由计算机利用图像处理技术来提取和解释采集对象的特征，结合各种模式识别算法，可以对对象进行定量、定性的描述和分析，在植物病害诊断方面得到了广泛的应用。植物感病以后，其新陈代谢发生一定的改变，可以引起植物细胞内部的色素含量、水分和细胞的间隙，进而引起植物外部形态改变，产生病斑，反映在图像上则会形成颜色、纹理、形状特征的差异。这些差异又直接放映了植物所受病害的种类和严重程度，为利用机器视觉技术和图像处理技术诊断植物病害提供了依据。\n[0005] 20世纪80年代中期，开始出现将机器视觉技术应用到植物病害诊断上的报道。前期研究多以信息工作者为主体，病害信息采集不够成熟；有的从色度学出发，以颜色特征作为判别依据，以区别病害种类；或单以病害样本症状分光特性、形状或纹理作为判别因子，由于提取的都是单变量特征参数，最后进行模式识别的准确率不高，达不到推广应用的要求。随着研究的深入，人们认识到植物病害症状的复杂性，开始综合了病害的形状、纹理、颜色信息，建立了能够完成病害种类判别的多层次模糊人工神经网络进行多变量特征参数的提取。虽未考虑田间复杂的环境、品种和发病时期等因素的复杂性，但仍是对植物病害数字诊断方面有益的尝试。应用机器视觉技术代替人进行植物病害的诊断，可以排除人为主观因素的干扰，避免了因人而异的检测结果，不仅将人从繁重劳动中解放出来，而且可提高精度，为病害的网络化远程诊断管理奠定基础。\n发明内容\n[0006] 本发明的目的在于提供一种基于机器视觉的蔬菜叶部病害实时诊断方法和系统。\n应用机器视觉技术采集蔬菜叶部病害症状的图像信息，利用图像处理技术进行病斑分割和特征提取，建立病害特征数据库，并在此基础上综合利用多元统计分析、支持向量机和人工神经网络技术，建立基于病斑图像信息的蔬菜叶部病害自动诊断的模型，实现实时、快速、无损的蔬菜叶部病害诊断。\n[0007] 本发明解决其技术问题采用的技术方案是：\n[0008] 一、一种基于机器视觉的蔬菜叶部病害诊断方法\n[0009] 采集蔬菜叶部病害图像，利用实时诊断软件进行图像处理、病斑特征提取和病害实时诊断，具体步骤如下：\n[0010] 1)建立实时诊断软件系统\n[0011] 采集不同发病时期、不同生境、不同品种的蔬菜叶部病害样本，由植病专家对每个样本感染的病害进行鉴定；然后采集其病害症状图像；利用图像处理技术，实现病斑的自动分割，提取病斑的各项特征指标，建立对应病害的特征数据库；在此基础上，选择适合的病斑特征参数和有效的模式识别算法，构建基于机器视觉的蔬菜叶部病害实时诊断模型；\n[0012] 2)进行实时诊断\n[0013] 实时诊断时，蔬菜叶部病害样本被实时采集后，由建立的实时诊断软件进行图像处理和特征提取，然后根据构建的病害诊断模型对蔬菜叶部病害进行实时诊断。\n[0014] 所述的利用图像处理技术，包括图像数字化、图像灰度化、图像增强、图像分割和数学形态学处理技术。\n[0015] 所述的提取出病斑的各项特征指标，包括病斑的颜色特征，如RGB和HIS颜色系统下的R均值、G均值、B均值、r均值、g均值、b均值、H均值、I均值和S均值；病斑的纹理特征，如灰度共生矩阵的对比度、相关性、能量、惯性矩和熵；病斑的形状特征，如形状复杂性程度、偏心率、圆形度和形状参数。\n[0016] 所述的选择适合的病斑特征参数和有效的模式识别算法，指利用主成分分析、判别分析从建立的病害特征数据库中选择适合于病害识别的特征参数，将其作为病害识别模型的输入参数；然后，从多元统计分析、支持向量机和人工神经网络技术多种模式识别算法中，选择有效的算法建立基于病斑图像信息的蔬菜叶部病害自动诊断模型。\n[0017] 二、一种基于机器视觉的蔬菜叶部病害诊断系统\n[0018] 包括病害图像获取硬件部分和实时诊断软件部分。其中图像获取硬件部分包括光照箱、四根光源支架、四个光源、相机固定杆、数码相机、箱体顶部圆孔、光学镜头、偏振镜、箱体侧门、载物台、计算机；四根光源支架安装在光照箱顶部四侧，四根光源支架能在光照箱顶部调节到同一高度并固定，四个光源分别固定在各自的光源支架上，相机固定杆安装在光照箱外部顶面中间，数码相机固定在相机固定杆上，数码相机能在相机固定杆上移动并使相机取景器置于箱体顶部圆孔处，偏振镜旋在光学镜头上，载物台置于箱体底面正中心位置，箱体侧门可自由开关以取放样本，箱体侧门关闭后整个箱体形成密封室，数码相机与计算机通过USB线连接。\n[0019] 与背景技术相比本发明具有的有益效果是：\n[0020] (1)利用机器视觉技术进行病害识别，可实现多种蔬菜叶部病害的快速、稳定、实时诊断。整个病害诊断过程(包括图像采集、图像处理、特征提取和模式识别等过程在内)一般可在2分钟内完成；\n[0021] (2)不使用任何化学试剂，降低检测成本，减轻劳动强度，能够很好的应用于环境监测；\n[0022] (3)整个检测系统只由一个便携式的光照箱、一台计算机组成；\n[0023] (4)当诊断系统的各组件都连接完毕后，最后的图像采集、图像分割、特征提取、病害诊断等一系列工作，都通过带有病害自动识别模型的图像处理软件完成；\n[0024] (5)通过对蔬菜叶部病害的诊断结果进行化学药剂处理，可以减少由于全面喷药而造成的农药滥用，降低生产成本并减少污染。\n附图说明\n[0025] 图1为本发明的装置结构示意图。\n[0026] 图中：1.光照箱；2.四根光源支架；3.四个光源；4.箱体顶部圆孔；5.数码相机；\n6.相机固定杆；7.光学镜头；8.偏振镜；9.箱体侧门；10.载物台；11.计算机。\n[0027] 图2为本发明的软件总结构框架。\n[0028] 图3为本发明的蔬菜叶部病害图像处理过程图。\n[0029] 图中：A.原始病害症状图像；B.病斑区域图像；C.R通道灰度图像；D.G通道灰度图像；E.B通道灰度图像；F.病斑轮廓提取；G.病斑二值图像；H.病斑分割结果。\n[0030] 图4为本发明的软件系统(番茄早疫病诊断系统)构建流程图。\n具体实施方式\n[0031] 下面结合附图和实施方式对本发明作进一步说明。\n[0032] 本发明系统由图像获取硬件部分和病害自动诊断软件部分组成。\n[0033] 如图1所示，本发明硬件部分包括光照箱1、四根光源支架2、四个光源3、箱体顶部圆孔4、数码相机5、相机固定杆6、光学镜头7、偏振镜8、箱体侧门9、载物台10、计算机11；\n四根光源支架2安装在光照箱1顶部四侧，四根光源支架2能在光照箱1顶部调节到同一高度并固定，四个光源3分别固定在各自的光源支架2上，相机固定杆6安装在光照箱1外部顶面中央，数码相机5固定在相机固定杆6上，数码相机5能在相机固定杆6上移动并使相机取景器置于箱体顶部圆孔4处，偏振镜8旋在光学镜头7上，载物台10置于箱体底面正中心位置，箱体侧门9可自由开关以取放样本，箱体侧门9关闭后整个箱体形成密封室，数码相机5与计算机10通过USB线连接。\n[0034] 如图2所示，本发明的病害自动诊断软件部分包括图像采集模块、图像输入控制模块、图像处理模块、图像特征提取模块和病害自动诊断输出模块等五大模块。其中图像采集模块的功能为实时采集蔬菜叶部病害的典型症状数字图像；图像输入控制模块的功能为把相机中采集的图像信息数字化并传入计算机处理器；图像处理模块的功能为对采集的病害症状原始图像进行图像预处理、图像增强和病斑区域分割；图像特征提取模块的功能为提取病斑区域图像的颜色特征、纹理特征和形状特征；病害诊断输出模块的功能为根据建立的病害识别模型给出测试蔬菜叶部病害的诊断结果。\n[0035] 所述的图像处理模块，如图3所示包括以下步骤：\n[0036] (1)从采集的原始病害症状图像中剪辑出病斑区域的彩色图像，如图3(A)原始病害症状图像到图3(B)病斑区域图像的处理；\n[0037] (2)将病斑区域彩色图像转换成RGB三通道的灰度图像，如图3(B)病斑区域彩色图像到图3(C、D、E)灰度图像的处理，图3(C)为R通道灰度图像图，3(D)为G通道灰度图像；图3(E)为B通道灰度图像；\n[0038] (3)选择病斑边缘及细节部分信息保存比较完整的R通道图像，采用中值滤波处理进行图像去噪增强，然后进行病斑轮廓提取，如图3(C)R通道灰度图像到图3(F)病斑轮廓图像的处理；\n[0039] (4)对病斑轮廓图像进行腐蚀和膨胀等一系列数学形态学处理，得到病斑二值图像，如图3(F)病斑轮廓图像到图3(G)病斑二值图像的处理；\n[0040] (5)最后，以二值图像作为模板进行合成运算得到从原始症状图像中分割出来的病斑的彩色图像，如图3(G)病斑二值图像将到图3(H)病斑彩色分割图像的处理。\n[0041] 本实施例中以对番茄早疫病实时诊断软件系统的构建为例子，如图4所示，本实施例的具体实施过程如下：\n[0042] (1)采集不同番茄品种、不同发病时期、不同生境的番茄早疫病样本，由植病专家对每个样本进行鉴定；对鉴定后的番茄早疫病样本采集其症状图像，建立番茄早疫病典型症状的标准化数字图像库；\n[0043] (2)对采集的番茄早疫病症状图像，进行图像预处理、图像增强和病斑分割，将病斑区域与从整个病害症状图像中分割出来；\n[0044] (3)提取番茄早疫病病斑的各项特征指标，包括颜色特征，如RGB和HIS颜色系统下R、G、B、r、g、b、H、I、S的均值及其数学转化式和数学组合参数；纹理特征，如图像灰度共生矩阵的对比度、相关性、能量、惯性矩和熵；形状特征，如形状复杂性程度、偏心率、圆形度和形状参数；建立番茄早疫病图像识别的特征数据库；\n[0045] (4)利用主成分分析方法、逐步判别分析方法从特征数据库中选取放应番茄早疫病病斑特征的主成分、特征参数，将其作为构建番茄早疫病诊断模型的输入参数；\n[0046] (5)综合利用多元统计分析、支持向量机和人工神经网络技术，建立适合于番茄早疫病诊断的模式识别模型，完成基于机器视觉的番茄早疫病实时诊断系统的构建。\n[0047] 利用上面介绍的方法在MATLAB 7.0开发平台上完成蔬菜叶部病害诊断系统软件的编制，可以快速有效地进行蔬菜叶部病害症状图像的实时采集、图像处理、特征提取和模式识别。将本系统用于温室、大棚或田间检测时，可将病害样本直接置于光照箱底面的载物台上，然后利用图像采集和病害诊断软件即可得到蔬菜叶片所感染病害的鉴定结果。