一种作物叶部病害识别方法及系统与流程

本发明涉及图像处理领域，更具体地，涉及一种作物叶部病害识别方法及系统。

背景技术：

作物病害是影响作物产量和质量的一个重要因素，对病害类型的准确识别是病害防治的前提。我国的主要蔬菜作物有黄瓜、西红柿、扁豆等，粮食作物有玉米、大豆等。随着工业的发展，我国的生态系统日渐薄弱，农作物的病害问题日益严重，病害种类繁多，分布广泛。因此，能够准确且快速的实现农作物病害识别，为农业劳作者提供有效的病害防治建议，成为农业科学工作中的重要研究方向。

传统的病害识别方法主要依靠植保专家的个人经验和病理学分析，通过肉眼观察的方式来识别作物叶部病害，存在实时性差、工作效率底、识别结果主观性强等问题，且往往会耽误病害防治，易造成农药的误用、滥用。近年来，随着计算机、数码技术的飞速发展，图像处理技术越来越多的被应用到农业工程领域。

为此，研究一种基于作物图像的叶部病害的识别方法，以实现对作物叶部病害的快速、准确、可靠的识别，为实现作物病害的及时防治、精准施药等提供基础和保证，是目前业界亟待解决的技术问题。

技术实现要素：

为解决现有技术中对农作物病害识别实时性差，效率低下且识别精度不够高的问题，本发明提供一种作物叶部病害识别方法及系统。

根据本发明的一个方面，提供一种作物叶部病害识别方法，包括：

s1，对作物叶部图像进行预处理，获取待识别图像；

s2，在rgb颜色空间上，提取所述待识别图像的颜色特征向量；

s3，使用已训练和排序的单分类器组合，对所述颜色特征向量进行动态选择集成识别。

其中，所述对作物叶部图像进行预处理的步骤具体为：首先对作物叶部图像进行归一化处理，再利用水平集算法提取所述作物叶部图像中的叶片部位图像，最后提取叶片内最大的内接矩形区域，作为待识别图像。

其中，s21，将所述待测图像沿水平方向和垂直方向对其进行切分，获得m×n个大小相等的子图像，将所述待测图像划分成一个由子图像构成的集合；

s22，对每一个子图像，计算所述子图像在r、g、b颜色通道上的颜色值的平均值，构成子图像三元组

s23，将所述待测图像转化为由所述子图像三元组构成的矩阵：

根据矩阵mi将所述待测图像转化为由三元组t构成的特征向量。

其中，所述单分类器采用bp神经网络或其他单分类器，当采用其它单分类器时，通过可信度转换方法，将单分类器的输出值转到[0,1]上的可信度再进行计算。

其中，还包括建立作物病害图片为样本图像库；提取样本库中每一张作物病害图片的颜色特征，对单分类器集合进行有监督的训练。

其中，还包括对单分类器集合排序步骤，所述步骤包括：

将识别率最高的单分类器放在第一位；

选择与前一位分类器差异性最大的分类器放在后续位置，直至所述单分类器组合中所有分类器都进行排序。

其中，所述动态选择集成识别的步骤包括：

将所述颜色特征向量输入到已排序好的单分类器组合的第一个分类器中，若识别结果的可信度大于预设阈值时，则输出识别结果；

若识别结果未达到预设阈值，则将所述颜色特征向量依次输入到后续分类器，并对入选的分类器进行集成，保存集成识别结果直至识别结果的可信度大于预设阈值的时候，输出识别结果。

其中，当经过所有的分类器进行集成识别后，识别结果的可信度小于预设阈值时，则对每一个分类器的识别结果进行投票，将得票最多病害类别作为最终识别结果并输出。

根据本发明的第二方面，提供一种作物叶部病害识别系统，包括：

图像预处理模块，用于对作物叶部图像进行预处理，获取待识别图像；

颜色特征识别提取模块，用于提取所述待识别图像的颜色特征向量；

病害识别模块，用于使用已训练和排序的单分类器组合，对所述颜色特征向量进行动态选择集成识别。

根据本发明提供的第三方面，提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述任一所述的方法的步骤。

本发明提供的一种作物叶部病害识别方法及系统，根据作物叶部图片，提取出颜色特征向量，通过使用单分类器对颜色特征向量进行分类识别，降低了对作物病害识别的难度，增强了识别精度，提升了识别效率。

附图说明

图1为本发明一实施例提供的一种作物叶部病害识别方法流程图；

图2为本发明又一实施例提供的一种作物叶部病害识别方法的流程图；

图3为本发明又一实施例提供的一种作物叶部病害识别系统的结构图；

图4为本发明又一实施例提供的一种作物叶部病害识别设备结构图。

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。

参考图1，图1为本发明一实施例提供的一种作物叶部病害识别方法流程图，如图1所示，所述方法包括：

s1，对作物叶部图像进行预处理，获取待识别图像。

具体的，作物叶部图像一般通过设备的摄像头来采集，比如手机摄像头对作物叶部进行拍照，由于图像制式的不同，因此需要对采集到的作物叶部图像i1进行预处理，将图片转化为所需要的格式i2。

通过此方法，可以方便后续步骤中对图像进行统一的识别与特征提取，简化了识别过程，提高了识别效率。

s2，在rgb颜色空间上，提取所述待识别图像的颜色特征向量。

具体的，通过在r、g、b颜色通道上的颜色值和的平均值作为颜色特征，提取所述待识别图像i2的颜色特征向量v1。

通过此方法，将带检测图像转化为一个特征向量的形式进行后续的检测，降低了检测难度，提升了检测精度。

s3，使用已训练和排序的单分类器组合，对所述颜色特征向量进行动态选择集成识别。

具体的，将s2中获取的颜色特征向量v1输入到已训练和排序的单分类器组合中，其中所述单分类器组合包括至少2个和两个以上的分类器，每个分类器都可以对颜色特征向量进行分类识别，通过对颜色特征向量v1进行识别后，输出识别结果，从而判断作物叶部病害种类。

通过此方法，通过使用单分类器对颜色特征向量进行分类识别，降低了对作物病害识别的难度，增强了识别精度，提升了识别效率。

在上述实施例的基础上，所述对作物叶部图像进行预处理的步骤具体为：首先对作物叶部图像进行归一化处理，再利用水平集算法提取所述作物叶部图像中的叶片部位图像，最后提取叶片内最大的内接矩形区域，作为待识别图像。

具体的，利用双线性插值方法将所述彩色图像i1归一化为l×h大小的图像im，其中l、h分别为放缩后图像的宽度和高度，其单位为像素，其值可根据实际应用情况设定，如原始彩色图像大小为4160×3120放缩后的图像大小为4000×3000。

以预处理后的中心点为初始分割点，并以图像最大宽度的1/3为初始分割半径，利用drlse算法对im的灰度图像进行轮廓检测；计算检测结果中曲线的曲率，当曲率在20次内稳定时，则退出drlse的检测，生成检测结果图像id。

在图像id上，提取图像中最大的轮廓区域所包含的所有像素，形成图像idr，并记录最大轮廓上所有边界点的位置boundary，根据公式：

计算图像id中的像素点所对应的位置与boundary中的边界点的位置的距离；

其中，id(x)、id(y)分别是像素点id(x，y)所对应的坐标值，b(x)、b(y)是边界点boundary(x，y)所对应的位置。

当dis(x,y)＜d时，则将该像素添加到图像idr上，其中d＝30；对idr检测结果中面积小于15的空洞进行修复，提取图像中最大的轮廓区域，即为目标叶片区域。

具体的，所述方法中待识别图像区域具体为叶片图像内最大的内接矩形区域所对应的图像即为待识别的图像。

通过此方法，可以方便后续步骤中对图像进行统一的识别与特征提取，简化了识别过程。

在上述实施例基础上，所述方法中提取所述待识别图像的颜色特征的步骤具体为：

s21，将所述待测图像沿水平方向和垂直方向对其进行切分，获得m×n个大小相等的子图像，将所述待测图像划分成一个由子图像构成的集合；

s22，对每一个子图像，计算所述子图像在r、g、b颜色通道上的颜色值的平均值，构成子图像三元组

s23，将所述待测图像转化为由所述子图像三元组构成的矩阵：

根据矩阵mi将所述待测图像转化为由三元组t构成的特征向量。

具体的，将一副待识别的图像i沿水平方向和垂直方向对其进行划分，分成m×n个大小相等的子图像，例如m＝n＝10。经过子图像划分，一幅图像i被划分成一个新的集合，该集合可以表示为：

i＝{s11,s12,…,smn}

其中，元素sij(i＝1…m,j＝1…n)就是图像i2经划分得到的每一个子图像块。

对于每一个子图像块sij，假设图像块sij高m像素，宽n像素，使用该图像块在r、g、b颜色通道上的颜色值和的平均值作为sij的颜色特征，即求图像块sij的r、g、b颜色通道上的颜色值和的平均值，其计算过程如以下公式所示：

其中，rij，gij，bij是sij的每个像素点分别在r、g、b颜色通道上的颜色值。这样，子图像块sij就可以表示成一个三元组

最后，经过子图像划分和特征提取，一幅图像i可以表示成如下矩阵：

每一个元素tij(i＝1,2,…,m；j＝1,2,…,n)都是一个三元组。

根据特征矩阵mi，图像i可以表示成如下的特征向量：

vi＝(t1,t2,…tm)

其中，元素ti(i＝1,2,…,m)对应矩阵mi的第i行。vi即为所提取的作物叶部病害图片中的颜色特征向量。

通过此方法，将待识别图像转化为一个特征向量，简化了后续识别过程，提升了识别的精确度。

在上述各实施例的基础上，所述单分类器优选采用bp神经网络，当采用其它单分类器(如svm支持向量机)时，通过可信度转换方法，将单分类器的输出值转到[0,1]上的可信度再进行计算。

在上述实施例的基础上，所述方法还包括：建立作物病害图片样本图像库；提取样本库中每一张作物病害图片的颜色特征，对单分类器集合进行有监督的训练。

具体的，构建的单分类器个数可以为100个，所述分类器训练方法包括如下步骤：

建立总数为num(num＞10000)个大小为l×h的作物叶部病害样本图像库，且每个图像样本均已标注其作物病害种类(例如正常叶片、白粉病、霜霉病、炭疽病、灰霉病等)；

利用s2中的方法提取图像库中每个图像样本的颜色特征向量；

利用所述颜色特征向量对构建好的单分类器进行有监督的训练。

在上述各实施例的基础上，所述方法还包括对单分类器集合排序步骤，所述步骤包括：将识别率最高的单分类器放在第一位；选择与前一位分类器差异性最大的分类器放在后续位置，直至所述单分类器组合中所有分类器都进行排序。

具体的，从已训练好的单分类器集合中，挑选识别率最高的单分类器放在第一位；从剩余的候选分类器集合中任意选择一个分类器排在第二位，选择的标注是它与前面的分类器所构成的差异性最大；重复以上步骤，直至所有候选分类器都被排序，各单分类器入选的顺序即为分类器的排序结果。

具体的，所述的差异性度量方法可以优先采用不一致度量，也可以采用其它度量方法，如互补指数等。

通过此方法，可以提升对图像的识别准确率，从而提升了对作物叶部病害的识别率。

在上述实施例的基础上，所述动态选择集成识别的步骤包括：

将所述颜色特征向量输入到已排序好的单分类器组合的第一个分类器中，若识别结果的可信度大于预设阈值时，则输出识别结果；

若识别结果未达到预设阈值，则将所述颜色特征向量依次输入到后续分类器，并对入选的分类器进行集成，保存集成识别结果直至识别结果的可信度大于预设阈值的时候，输出识别结果。

具体的，根据识别精度的需要设定初始可信度阈值θ0，例如设定θ0＝0.9；从已排序的分类器集合中选取第一个分类器对叶部病害图像样本进行识别；当识别结果满足可信度的要求时，则输出识别结果，无需集成其它分类器；否则依次选入k(k≥2)个分类器，并对入选的分类器进行集成，保存集成识别结果rk，当满足输出条件smax≥k×θ0时，输出识别结果r。

在上述实施例基础上，所述方法还包括当经过所有的分类器进行集成识别后，识别结果的可信度小于预设阈值时，则对每一个分类器的识别结果进行投票，将得票最多病害类别作为最终识别结果并输出。

具体的，若所有分类器都已选入仍不满足输出条件，则对每次集成时的识别结果rk进行投票，其得票最多的类别即为该叶部病害图像样本的最终识别结果。

同时，对同一作物的多张图像进行识别的时候，根据多幅叶片的作物病叶病害识别结果来确定作物病害种类时，可以采用投票法，即各叶片识别结果中出现病害种类最多的一类作为该作物的病害种类；也可以根据应用的需要，采用各叶片中病害危害程度最厉害的一类作物该作物的病害种类。

通过此方法，通过多个分类器对图片进行识别，提升了对病害识别的准确率。

在本发明的又一实施例中，参考图2，图2为本发明又一实施例提供的一种作物叶部病害识别方法的流程图。

如图2所示，首选从图像采集设备中获取包含作物叶片的彩色图像i1；所述包含作物叶片的彩色图像可以通过照相机或者手机等图像采集设备获取，或者通过大田的监控系统获取。

对所述彩色图像进行归一化处理形成彩色图像i2；本实施例中，优选利用双线性插值方法将所述彩色图像归一化为l×h大小的图像，其中l、h分别为放缩后图像的宽度和高度，其单位为像素，其值可根据实际应用情况设定，如原始彩色图像大小为4160×3120放缩后的图像大小为4000×3000。

以预处理后的中心点为初始分割点，并以图像最大宽度的1/3为初始分割半径，利用drlse算法对im的灰度图像进行轮廓检测；计算检测结果中曲线的曲率，当曲率在20次内稳定时，则退出drlse的检测，生成检测结果图像id。

在图像id上，提取图像中最大的轮廓区域所包含的所有像素，形成图像idr，并记录最大轮廓上所有边界点的位置boundary，根据公式：

计算图像id中的像素点所对应的位置与boundary中的边界点的位置的距离；

其中，id(x)、id(y)分别是像素点id(x，y)所对应的坐标值，b(x)、b(y)是边界点boundary(x，y)所对应的位置。

当dis(x,y)＜d时，则将该像素添加到图像idr上，其中d＝30；对idr检测结果中面积小于15的空洞进行修复，提取图像中最大的轮廓区域，即为目标叶片区域。

具体的，所述方法中待识别图像区域具体为叶片图像内最大的内接矩形区域所对应的图像即为待识别的图像。

其后，在rgb颜色空间上，利用r、g、b三个颜色分量的统计信息，提取彩色图像i2的颜色特征，将一副待识别的图像i沿水平方向和垂直方向对其进行划分，分成m×n个大小相等的子图像，例如m＝n＝10。经过子图像划分，一幅图像i被划分成一个新的集合，该集合可以表示为：

i＝{s11,s12,…,smn}

其中，元素sij(i＝1…m,j＝1…n)就是图像i2经划分得到的每一个子图像块。

对于每一个子图像块sij，假设图像块sij高m像素，宽n像素，使用该图像块在r、g、b颜色通道上的颜色值和的平均值作为sij的颜色特征，即求图像块sij的r、g、b颜色通道上的颜色值和的平均值，其计算过程如以下公式所示：

其中，rij，gij，bij是sij的每个像素点分别在r、g、b颜色通道上的颜色值。这样，子图像块sij就可以表示成一个三元组

最后，经过子图像划分和特征提取，一幅图像i可以表示成如下矩阵：

每一个元素tij(i＝1,2,…,m；j＝1,2,…,n)都是一个三元组。

根据特征矩阵mi，图像i可以表示成如下的特征向量：

vi＝(t1,t2,…tm)

其中，元素ti(i＝1,2,…,m)对应矩阵mi的第i行。vi即为所提取的作物叶部病害图片中的颜色特征向量。

利用已训练和排序的单分类器组合，对图像提取的特征向量进行动态选择集成识别；

具体地，所述单分类器优选采用bp神经网络，构建的单分类器个数为100个。根据识别精度的需要设定初始可信度阈值θ0，例如设定θ0＝0.9；从已排序的分类器集合中选取第一个分类器对叶部病害图像样本进行识别；当识别结果满足可信度的要求时，则输出识别结果，无需集成其它分类器；否则依次选入k(k≥2)个分类器，并对入选的分类器进行集成，保存集成识别结果rk，当满足输出条件smax≥k×θ0时，输出识别结果r。

若100个分类器都已选入仍不满足输出条件，则对每次集成时的识别结果rk进行投票，其得票最多的病害类别即为该叶部病害图像样本的最终识别结果。

对同一作物的多张图像进行识别的时候，根据多幅叶片的作物病叶病害识别结果来确定作物病害种类时，可以采用投票法，即各叶片识别结果中出现病害种类最多的一类作为该作物的病害种类。

参考图3，图3为本发明又一实施例提供的一种作物叶部病害识别系统的结构图，如图3所示，所述系统包括：图像预处理模块31、颜色特征识别提取模块32和病害识别模块33。

其中，图像预处理模块31用于对作物叶部图像进行预处理，获取待识别图像。

具体的，作物叶部图像一般通过设备的摄像头来采集，比如手机摄像头对作物叶部进行拍照，由于图像制式的不同，因此需要对采集到的作物叶部图像i1进行预处理，将图片转化为所需要的格式i2。

通过此系统，可以方便后续步骤中对图像进行统一的识别与特征提取，简化了识别过程，提高了识别效率。

其中，颜色特征识别提取模块32用于提取所述待识别图像的颜色特征向量。

具体的，通过在r、g、b颜色通道上的颜色值和的平均值作为颜色特征，提取所述待识别图像i2的颜色特征向量v1。

通过此系统，将带检测图像转化为一个特征向量的形式进行后续的检测，降低了检测难度，提升了检测精度。

其中，病害识别模块用于使用已训练和排序的单分类器组合，对所述颜色特征向量进行动态选择集成识别。

具体的，将s2中获取的颜色特征向量v1输入到已训练和排序的单分类器组合中，其中所述单分类器组合包括至少2个和两个以上的分类器，每个分类器都可以对颜色特征向量进行分类识别，通过对颜色特征向量v1进行识别后，输出识别结果，从而判断作物叶部病害种类。

通过此系统，通过使用单分类器对颜色特征向量进行分类识别，降低了对作物病害识别的难度，增强了识别精度，提升了识别效率。

在上述实施例的基础上，所述图像处理模块31具体用于通过对作物叶部图像进行归一化处理，再利用水平集算法提取所述作物叶部图像中的叶片部位图像，最后提取叶片内最大的内接矩形区域，作为待识别图像。

具体的，利用双线性插值方法将所述彩色图像i1归一化为l×h大小的图像，其中l、h分别为放缩后图像的宽度和高度，其单位为像素，其值可根据实际应用情况设定，如原始彩色图像大小为4160×3120放缩后的图像大小为4000×3000，再利用水平集算法提取所述作物叶部图像中的叶片部位图像，最后提取叶片内最大的内接矩形区域，作为待识别图像，实现对叶片图像的精确提取。

通过此系统，可以方便后续步骤中对图像进行统一的识别与特征提取，简化了识别过程。

在上述实施例的基础上，所述颜色特征识别提取模块32具体用于：

将所述待测图像沿水平方向和垂直方向对其进行切分，获得m×n个大小相等的子图像，将所述待测图像划分成一个由子图像构成的集合；

对每一个子图像，计算所述子图像在r、g、b颜色通道上的颜色值的平均值，构成子图像三元组

将所述待测图像转化为由所述子图像三元组构成的矩阵：

根据矩阵mi将所述待测图像转化为由三元组t构成的特征向量。

具体的，将一副待识别的图像i沿水平方向和垂直方向对其进行划分，分成m×n个大小相等的子图像，例如m＝n＝10。经过子图像划分，一幅图像i被划分成一个新的集合，该集合可以表示为：

i＝{s11,s12,…,smn}

其中，元素sij(i＝1…m,j＝1…n)就是图像i2经划分得到的每一个子图像块。

对于每一个子图像块sij，假设图像块sij高m像素，宽n像素，使用该图像块在r、g、b颜色通道上的颜色值和的平均值作为sij的颜色特征，即求图像块sij的r、g、b颜色通道上的颜色值和的平均值，其计算过程如以下公式所示：

其中，rij，gij，bij是sij的每个像素点分别在r、g、b颜色通道上的颜色值。这样，子图像块sij就可以表示成一个三元组

最后，经过子图像划分和特征提取，一幅图像i可以表示成如下矩阵：

每一个元素tij(i＝1,2,…,m；j＝1,2,…,n)都是一个三元组。

根据特征矩阵mi，图像i可以表示成如下的特征向量：

vi＝(t1,t2,…tm)

其中，元素ti(i＝1,2,…,m)对应矩阵mi的第i行。vi即为所提取的作物叶部病害图片中的颜色特征向量。

通过此系统，将待识别图像转化为一个特征向量，简化了后续识别过程，提升了识别的精确度。

在上述实施例的基础上，所述病害识别模块33中单分类器优选采用bp神经网络，当采用其它单分类器(如svm支持向量机)时，通过可信度转换方法，将单分类器的输出值转到[0,1]上的可信度再进行计算。

所述病害识别模块33还包括训练和排序步骤，具体的，建立总数为num(num＞10000)个大小为l×h的作物叶部病害样本图像库，且每个图像样本均已标注其作物病害种类(例如正常叶片、白粉病、霜霉病、炭疽病、灰霉病等)；提取图像库中每个图像样本的颜色特征向量；利用所述颜色特征向量对构建好的单分类器进行有监督的训练。

其后，从已训练好的单分类器集合中，挑选识别率最高的单分类器放在第一位；从剩余的候选分类器集合中任意选择一个分类器排在第二位，选择的标注是它与前面的分类器所构成的差异性最大；重复以上步骤，直至所有候选分类器都被排序，各单分类器入选的顺序即为分类器的排序结果。

通过此系统，可以提升对图像的识别准确率，从而提升了对作物叶部病害的识别率。

在上述实施例的基础上，所述病害识别模块33中动态选择集成识别具体包括：将所述颜色特征向量输入到已排序好的单分类器组合的第一个分类器中，若识别结果的可信度大于预设阈值时，则输出识别结果；

若识别结果未达到预设阈值，则将所述颜色特征向量依次输入到后续分类器，并对入选的分类器进行集成，保存集成识别结果直至识别结果的可信度大于预设阈值的时候，输出识别结果。

具体的，根据识别精度的需要设定初始可信度阈值θ0，例如设定θ0＝0.9；从已排序的分类器集合中选取第一个分类器对叶部病害图像样本进行识别；当识别结果满足可信度的要求时，则输出识别结果，无需集成其它分类器；否则依次选入k(k≥2)个分类器，并对入选的分类器进行集成，保存集成识别结果rk，当满足输出条件smax≥k×θ0时，输出识别结果r。

若所有分类器都已选入仍不满足输出条件，则对每次集成时的识别结果rk进行投票，其得票最多的类别即为该叶部病害图像样本的最终识别结果。

通过此系统，通过多个分类器对图片进行识别，提升了对病害识别的准确率。

参考图4，图4为本发明又一实施例提供的一种作物叶部病害识别设备结构图，如图4所示，所述设备包括：处理器401、存储器402及总线403。

所述处理器401用于调用所述存储器402中的程序指令，以执行上述各方法实施例所提供的方法，例如包括，对作物叶部图像进行预处理，获取待识别图像；在rgb颜色空间上，提取所述待识别图像的颜色特征向量；使用已训练和排序的单分类器组合，对所述颜色特征向量进行动态选择集成识别。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。