一种香蕉叶片叶斑病检测方法与流程

本发明涉及香蕉叶斑病检测技术领域。

背景技术：

香蕉叶斑病是一种分布广泛、危害较大的香蕉植株冰寒，作为主要香蕉病害之一，它致使香蕉产量与品质降低，并产生有毒物质，限制了香蕉植株的栽培并严重影响香蕉行业的经济效益，迫使种植者为防治病害投入人力、资金并大量使用农药，造成环境污染。

由于香蕉叶斑病包含多种子类，发病表征又不完全一样，所以使得香蕉叶斑病早期确诊及后期防治变得较为困难，如何准确、尽早检测和预警香蕉叶斑病的产生，是保证香蕉生产效益的关键。

目前农业生产中，对香蕉叶斑病的早期检测主要有现场检验和实验室检验。现场检验以肉眼或借助手持放大镜、实体显微镜仔细观察香蕉植株叶片的症状。

暗双胞霉叶斑病的症状为初期病斑褐色，后扩大为中央浅褐色、具轮纹、周围深褐色的椭圆形病斑，病斑背面灰褐色、边缘模糊，子实层大多生于叶背。病菌沿叶缘水孔侵入，初期叶边缘出现水债状、暗褐色、新月形或椭圆形、不刁、不等的病斑；黄叶斑病的症状为斑短杆状、暗褐色，后扩展为长椭圆形病斑，大多单独存在，近叶缘表面病斑数量比近中脉的多；小窦氏霉叶斑病的症状为常见中、下部叶片发病。病斑褐色、椭圆形、有明显轮纹，多发生于叶缘，病健部交界明显，潮湿时病斑表面产生许多黑色霉状物；长喙壳叶斑病的症状为中、下层叶片发病较多。初期病斑暗褐色、米粒大，病健部分界明显。

实验室检验是根据叶片症状作出初步诊断，然后接种证实病部细菌的致病性或作进一步检验；当病害被初步确认由细菌引起时，为确定病原细菌的种类，步骤为先分离是选择的新鲜病斑，切取小块组织香蕉病变叶片，用70％酒精或0.5％次氯酸钠液进行表面消毒，并以无菌水洗净，研碎后浸泡片刻。然后在培养基上用划线或稀释分离法，得到纯化的单个菌落。再通过检测细菌的耐盐性、好氧或厌氧性、对碳素化合物的利用和分解能力、对大分析化合物的分解能力，来鉴别病原，从而判别香蕉植株病变症状。其中，暗双胞霉叶斑病的病原为香蕉暗双胞菌，黄叶斑病的病原为香蕉尾孢菌，小窦氏霉叶斑病的病原为小窦氏霉叶斑病，长喙壳叶斑病病原菌为奇异长咏壳。

从以上叙述可知，现有技术中检测香蕉叶斑病的主要方法还是通过人工检测，传统的检测方法存在以下弊端，由于香蕉种植通常为大面积作业，需要确诊叶斑病需要耗费大量时间和人力成本；长时间工作也使种植人员判断准确率明显下降，主观失误造成大量误诊、漏诊现象出现，导致后续处理延误或采用错误的防治措施，将会增加防护成本和错过最佳防护时期，造成植株大面积死亡、减产、经济效益大幅度降低；对植株的防护和管理及时性不足，在香蕉植株发病初期，在叶片上会出现及其细小的变化和病纹，很难人为观察得到，一旦在发病初期没有观察到并作出及时的防护管理，将会导致香蕉植株发病严重，迅速死亡。

技术实现要素：

本发明要解决的技术问题是：提供一种利用基于图像检测的香蕉叶斑病检测方法。

本发明解决其技术问题的解决方案是：

一种香蕉叶片叶斑病检测方法，包括以下步骤：

步骤100，建立并初始化香蕉叶片的叶斑病预测模型；

步骤200，建立数据库，所述数据库存有多个训练病变图像；

步骤300，利用数据库中的训练病变图像完成对叶斑病预测模型的训练操作；

步骤400，采集香蕉叶片的图像，将所采集的香蕉叶片的图像定义为初始图像；

步骤500，对所述初始图像进行背景去除操作，将初始图像中香蕉叶片的轮廓区域提取出来，得到待测图像；

步骤600，利用分水岭算法将待测图像中的香蕉叶片的病变区域提取出来，得到待测病变图像；

步骤700，将所述待测病变图像输入到叶斑病预测模型中，所述叶斑病预测模型输出香蕉叶片的病变结果。

作为上述技术方案的进一步改进，步骤300中以及步骤700中，均是将训练病变图像以及待测病变图像的特征向量输入到叶斑病预测模型中，所述特征向量包括平均灰度、标准偏差、三阶中心矩、平滑度、均匀性、平均信息量、最大概率灰度级以及灰度范围。

作为上述技术方案的进一步改进，所述初始图像设为f(x,y)，其中(x,y)表示图像像素点的坐标值，所述步骤500包括以下步骤：

步骤510，将初始图像转换成为灰度图像，此时的初始图像记为f′(x,y)；

步骤520，设置阈值t，将初始图像转换成为二值化图像，此时的初始图像记为g(x,y)，则

步骤530，新建一个与初始图像大小相同的空白的第一图像，记为h(x,y)，将第一图像上的每个像素点初始化为0；

步骤540，遍历二值化处理后的初始图像g(x,y)中的每一个像素点，若g(x,y)等于1，则令将初始图像对应像素点的值赋值给第一图像对应像素点的值，即所述第一图像即为待测图像。

作为上述技术方案的进一步改进，所述步骤600包括以下步骤：

步骤610，将所述待测图像从rgb彩色空间转换成hsv彩色空间；

步骤620，对所述待测图像进行灰度化处理；

步骤630，对所述待测图像进行二值化操作；

步骤640，对所述待测图像进行闭运算、开运算滤波处理；

步骤650，利用分水岭算法将待测图像中的香蕉叶片的病变区域提取出来，得到待测病变图像。

作为上述技术方案的进一步改进，步骤610中，对所述待测图像的每个像素点执行以下操作：

步骤611，令像素点的彩色参数在rgb单位化立方体中的坐标为(r,g,b)，设彩色参数(r,g,b)中最大值为max，最小值为min；

步骤612，令像素点的彩色参数在hsv彩色空间中的坐标为(h,s,v)；

步骤613，通过公式1计算h值；

步骤614，通过公式2计算s值；

步骤615，通过公式3计算v值。

v＝max公式3

作为上述技术方案的进一步改进，步骤640包括以下步骤：

步骤651，对所述待测图像进行欧氏距离变换；

步骤652，对所述待测图像进行腐蚀操作，完成目标区域的标记；

步骤653，对所述待测图像进行膨胀操作，完成背景区域的标记；

步骤654，利用所标记的目标区域以及背景区域，对待测图像进行标记分水岭运算，得到待测病变图像。

作为上述技术方案的进一步改进，所述叶斑病预测模型是支持向量机分类器。

作为上述技术方案的进一步改进，步骤700之后还包括步骤800，叶斑病预测模型输出香蕉叶片的病变结果，若香蕉叶片存在病变，采集并对外发送香蕉叶片当前的定位信息。

本发明的有益效果是：本发明通过大量现存的训练病变图像完成对叶斑病预测模型的训练操作，之后从需要检测的香蕉叶片中通过图像处理方法得到待测病变图像，最后将待测病变图像输入到完成训练后的叶斑病预测模型中，叶斑病预测模型输出待测病变图像的病变结果，以上整个过程无需人工以及实验室手段干预，判断准确率高，无需浪费大量时间和人力成本，检测结果及时。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单说明。显然，所描述的附图只是本发明的一部分实施例，而不是全部实施例，本领域的技术人员在不付出创造性劳动的前提下，还可以根据这些附图获得其他设计方案和附图。

图1是本发明的检测方法流程图。

具体实施方式

以下将结合实施例和附图对本发明的构思、具体结构及产生的技术效果进行清楚、完整的描述，以充分地理解本发明的目的、特征和效果。显然，所描述的实施例只是本申请的一部分实施例，而不是全部实施例，基于本申请的实施例，本领域的技术人员在不付出创造性劳动的前提下所获得的其他实施例，均属于本申请保护的范围。

参照图1，本技术方案公开了一种香蕉叶片叶斑病检测方法，包括以下步骤：

步骤100，建立并初始化香蕉叶片的叶斑病预测模型；

步骤200，建立数据库，所述数据库存有多个训练病变图像；

步骤300，利用数据库中的训练病变图像完成对叶斑病预测模型的训练操作；

步骤400，采集香蕉叶片的图像，将所采集的香蕉叶片的图像定义为初始图像；

步骤500，对所述初始图像进行背景去除操作，将初始图像中香蕉叶片的轮廓区域提取出来，得到待测图像；

步骤600，利用分水岭算法将待测图像中的香蕉叶片的病变区域提取出来，得到待测病变图像；

步骤700，将所述待测病变图像输入到叶斑病预测模型中，所述叶斑病预测模型输出香蕉叶片的病变结果。

具体地，本技术方案通过大量现存的训练病变图像完成对叶斑病预测模型的训练操作，之后从需要检测的香蕉叶片中通过图像处理方法得到待测病变图像，最后将待测病变图像输入到完成训练后的叶斑病预测模型中，叶斑病预测模型输出待测病变图像的病变结果，以上整个过程无需人工以及实验室手段干预，判断准确率高，无需浪费大量时间和人力成本，检测结果及时。

进一步作为优选的实施方式，本申请具体实施方式中，步骤300中以及步骤700中，均是将训练病变图像以及待测病变图像的特征向量输入到叶斑病预测模型中，所述特征向量包括平均灰度、标准偏差、三阶中心矩、平滑度、均匀性、平均信息量、最大概率灰度级以及灰度范围。

具体地，本技术方案将训练病变图像以及待测病变图像输入到叶斑病预测模型前，需要首先获取其直方图，进而计算概率密度函数为其中b0表示总面积，f(u)表示直方图，z表示灰度级；计算平均灰度，u＝∑zzp(z)；计算标准偏差，计算三阶中心矩，α＝∑z(z-u)³p(z)；计算平滑度计算均匀性，δ＝∑zp(z)³；计算平均信息量，ε＝-∑zp(z)log{p(z)}；计算最大概率灰度级，φ＝max{z|p(z)≠0}；计算灰度范围，γ＝max{z|p(z)≠0}-min{z|p(z)≠0}。

进一步作为优选的实施方式，本申请具体实施方式中，所述初始图像设为f(x,y)，其中(x,y)表示图像像素点的坐标值，所述步骤500包括以下步骤：

步骤510，将初始图像转换成为灰度图像，此时的初始图像记为f′(x,y)；

步骤520，设置阈值t，将初始图像转换成为二值化图像，此时的初始图像记为g(x,y)，则

步骤530，新建一个与初始图像大小相同的空白的第一图像，记为h(x,y)，将第一图像上的每个像素点初始化为0；

步骤540，遍历二值化处理后的初始图像g(x,y)中的每一个像素点，若g(x,y)等于1，则令将初始图像对应像素点的值赋值给第一图像对应像素点的值，即所述第一图像即为待测图像。

进一步作为优选的实施方式，本申请具体实施方式中，所述步骤600包括以下步骤：

步骤610，将所述待测图像从rgb彩色空间转换成hsv彩色空间；

步骤620，对所述待测图像进行灰度化处理；

步骤630，对所述待测图像进行二值化操作；

步骤640，对所述待测图像进行闭运算、开运算滤波处理；

步骤650，利用分水岭算法将待测图像中的香蕉叶片的病变区域提取出来，得到待测病变图像。

具体地，本技术方案中所述步骤630与步骤500中的操作类似，区别在于阈值t是利用最大类间方差法得到的；步骤640中所述待测图像进行闭运算以及开运算目的在于对待测图像继续滤波处理，平滑待测图像，消除噪声干扰，假设待测图像记为f，结构元素记为s，则灰度膨胀公式为(f⊕s)(x,y)＝max{f(x-x′,y-y′)|(x′,y′)∈ds}，灰度腐蚀公式为，(fθs)(x,y)＝min{f(x+x′,y+y′)|(x′,y′)∈ds}，其中x′和y′表示像素增量，ds表示结构元素s的定义域，而结构元素s对图像f的闭运算公式为(f⊕s)θs，开运算公式为(fθs)⊕s。

进一步作为优选的实施方式，本申请具体实施方式中，步骤610中，对所述待测图像的每个像素点执行以下操作：

步骤611，令像素点的彩色参数在rgb单位化立方体中的坐标为(r,g,b)，设彩色参数(r,g,b)中最大值为max，最小值为min；

步骤612，令像素点的彩色参数在hsv彩色空间中的坐标为(h,s,v)；

步骤613，通过公式1计算h值；

步骤614，通过公式2计算s值；

步骤615，通过公式3计算v值。

v＝max公式3

本技术方案将待测图像中的各个像素点从rgb彩色空间转换成hsv彩色空间，更有利于后续进行待测图像中的香蕉叶片的病变区域提取操作。

进一步作为优选的实施方式，本申请具体实施方式中，步骤640包括以下步骤：

步骤651，对所述待测图像进行欧氏距离变换；

步骤652，对所述待测图像进行腐蚀操作，完成目标区域的标记；

步骤653，对所述待测图像进行膨胀操作，完成背景区域的标记；

步骤654，利用所标记的目标区域以及背景区域，对待测图像进行标记分水岭运算，得到待测病变图像。

具体地，步骤651中首先需要对待测图像进行欧氏距离变换，假设待测图像表示为f(s,t)，则对于任意点(s1,t1)以及(s2,t2)，欧氏距离变换公式为通过欧氏距离变换得到的待测图像记为g(i,j)，则g(i,j)＝min{d[(i,j),(s,t)],(s,t)∈a}，其中a定义为a＝{(s,t)|bw(s,t)＝1}；步骤652和步骤653主要用于获取目标区域以及背景区域的标记集；步骤654中再利用目标区域以及背景区域所组成的标记集对待测图像进行标记分水岭运算，得到最终的待测病变图像，其中标记分水岭运算是以形态学梯度的极小值点作为溢流的标记点，假设待测图像表示为f(x,y)，待测图像在坐标点(p,q)的梯度公式为

进一步作为优选的实施方式，本申请具体实施方式中，所述叶斑病预测模型是支持向量机分类器。具体地，所述支持向量机分类器的数学表达式如下所示，其中ai表示约束条件对应的拉格朗日乘子，x*xi为内积操作，决策平面等价于寻找所有非零ai，每个非零ai对应的数据xi，即是最优平面的svm，b是其阈值，yi∈(-1,+1)是样本xi所属类的标记。

进一步作为优选的实施方式，本申请具体实施方式中，步骤700之后还包括步骤800，叶斑病预测模型输出香蕉叶片的病变结果，若香蕉叶片存在病变，采集并对外发送香蕉叶片当前的定位信息。

以上对本申请的较佳实施方式进行了具体说明，但本申请并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可作出种种的等同变型或替换，这些等同的变型或替换均包含在本申请权利要求所限定的范围内。