一种稻瘟病分级系统及其方法与流程

本发明涉及稻叶瘟病鉴定分级领域，具体而言，涉及一种稻瘟病分级系统及其方法。

背景技术：

稻瘟病是水稻最常见的病害之一，稻瘟病可能引起水稻大幅度减产，该病在世界范围各水稻种植区均有发生。水稻是我国第一大粮食作物，研究如何防治稻瘟病具有重要意义。稻瘟病因发病部位不同分为苗瘟、叶瘟、节瘟、穗颈瘟、谷粒瘟，其中叶瘟发病期主要呈现为叶片出现大小不同的病斑。科研人员根据稻瘟病病斑面积占叶片面积的比例将稻瘟病病害程度分为5个等级。目前对稻瘟病病程分级主要两种方法。

一种是最常见的人工判定法，依靠有经验的农户或研究人员通过目测判定稻瘟病等级。该方法主观性强、精确度低，且严重依赖于科研人员的经验水平，无法满足对病斑区域的精确测量和客观判定。

一种是基于高光谱遥感的稻瘟病分级检测技术，该方法可实现基于敏感波段的稻瘟病病程分级判定与叶绿素含量预测模型。但该方法存在三个缺点：(1)便携性差。该方法实现稻瘟病分级判定必须依赖光谱仪、叶绿素测定仪等专业仪器设备，要实现分级目的需携带大量设备。(2)成本高。普通人员想使用该方法必须购买相应的设备，并学习设备使用方法，大大提高了学习和使用的成本。(3)效率低。该方法获取结果需要一系列运算和分析，得出结果花费的时间较长。

技术实现要素：

本发明的目的在于提供一种稻瘟病分级系统及其方法，其能够快速、稳定、准确的进行水稻稻瘟病分级，操作方便，通过移动终端拍照即可实时获得稻瘟病精确的分级结果，降低了识别门槛，提高了识别工作的效率。

本发明的实施例是这样实现的：

一种稻瘟病分级系统，该分级系统包括：

图像预处理单元，用于提取稻叶图片中的目标区域并对目标区域预处理，经过预处理的图像为第一图像；

病斑特征提取单元，用于计算得到全叶的第一像素点面积img_n和去掉病斑的第二像素点面积img_n，像素点面积img_n通过反向阈值切割得到去除病斑部分的第二图像，然后将第二图像进行otsu二值化获取去掉病斑的第二像素点面积img_n；

面积占比计算单元，用于将病斑特征提取单元计算得到的第一像素点img_n和第二像素点img_n代入面积占比公式得到面积占比值；

分级单元，用于获取面积占比值，通过比对稻瘟病分级标准得到分级结果。

在本发明的较佳实施例中，上述反向阈值切割在hsv颜色空间下进行。

在本发明的较佳实施例中，上述图像预处理单元中采用grabcut算法对稻叶图片提取。

在本发明的较佳实施例中，上述图像预处理单元采用5*5卷积核的高斯滤波器进行图像预处理。

在本发明的较佳实施例中，上述图像预处理单元中的目标区域，首先由用户手动框选参考区域，图像预处理单元再使用grabcut算法进行稻叶图片提取。

本发明还提供一种稻瘟病分级方法，该分级方法包括如下步骤：

s1:移动终端拍摄稻叶图片，用户根据拍摄的稻叶图片框选出需要分级的稻叶图像；

s2：分级系统获取稻叶图像进行预处理，提取稻叶图像中的目标区域并对稻叶图片预处理，获得待处理的第一图像；

s3：分级系统对第一图像作病斑特征提取，分别计算得到全叶的第一像素点面积img_n和去掉病斑的第二像素点面积img_n；

第一像素点面积img_n的获取包括如下步骤：

s311：将第一图像全局进行otsu二值化；

s312：遍历循环统计第一图像中的有效像素点得到全叶的第一像素点面积img_n；

第二像素点面积img_n的获取步骤包括：

s321：将第一图像进行hsv颜色空间转换；

s322：根据hsv颜色空间做色彩分析确定阈值范围；

s323：对阈值范围内的第一图像做反向阈值切割获取病斑外区域图像；

s324：对病斑外区域图像做otsu二值化；

s325：遍历循环统计有效像素点得到第二像素点面积img_n；

s4：将计算得到的第一像素点面积img_n和第二像素点img_n代入面积占比公式得到面积占比值；

s5：将面积占比值通过比对稻瘟病分级标准得到分级结果。

在本发明的较佳实施例中，上述s323中的反向阈值切割包括如下步骤：根据s322确定的阈值范围，定义切割范围最小值为lower_green，最大值为upper_green，将反向阈值切割所得部分图像生成掩模，第一图像与掩模部分计算获得去除病斑部分的叶片。

在本发明的较佳实施例中，上述otus二值化包括如下步骤：将第一图像分为前景和背景两个图像，并用ω0、ω1分别表示前景点、背景点所占比例，μ0、μ1分别表示前景、背景灰度均值，则有：

μ＝ω0*μ0+ω1*μ1，

前景与背景的方差为：

g＝ω0(μ0-μ)^2+ω1(μ1-μ)^2，

将μ带入g则有：

g＝ω0ω1(μ0-μ1)^2。

在本发明的较佳实施例中，上述面积占比公式为：

在本发明的较佳实施例中，上述s2中采用grabcut算法对稻瘟病叶片进行提取，其包括如下步骤：将稻叶图像中的每一个像素看成图中的一个节点，然后在稻叶图像中增加两个节点，分别为f和b，f代表foreground前景，而b代表background背景，每两个相邻像素点用一条边相连，每一个像素点和f点用一条边相连，每一个像素点和b点也用一条边相连；最后将图像切割分成两部分，第一部分的像素点和f相连为前景，第二部分的像素点和b相连为背景；整幅稻叶图像的gibbs能量函数可以表示为：

e(α,k,θ,z)＝u(α,k,θ,z)+v(α,z)，

其中，其中u函数部分表示能量函数的区域数据项，v函数表示能量函数的光滑项(边界项)，参数α代表分离后的前景或背景，αn＝0或1(背景或前景)；参数k是一个向量，k＝{k1,k2......kn},每个kn属于{1,2...k}集合，对应着k个高斯分量；θ代表每个高斯分量中参数；参数z是一个向量，z＝{z1....zn},每个zn代表着每个像素的灰度值。图像分割的过程就是使式(1)不断减小的过程，当它不能再减小，即趋于某一个恒定的值时，就表示图像分割完成。

本发明实施例的有益效果是：本发明提供一种稻瘟病分级系统和方法，基于grabcut、高斯滤波、otsu二值化、颜色空间转换、阈值切割等处理的稻瘟病分级判定算法模型，该算法模型利用opencv与python语言实现，以反向阈值切割为核心策略分离叶片与病斑，再以循环遍历模式统计像素点得出病斑面积占比，实现对稻瘟病的快速、精确分级。通过试验结果表明，本发明中的算法模型与专业研究人员人工判定的结果匹配度达95.77％，相对于人工判定，具备更高的稳定性和客观性。同时本分级系统以移动终端为图像采集端口，如手机app，可以不依赖其他仪器和设备，通过手机拍照即可实时获得稻瘟病精确的分级结果，降低了研究门槛，提高了科研工作的效率。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，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相关的附图。

图1为本发明实施例的稻瘟病分级方法的算法流程图；

图2为本发明实施例的手机端操作界面图；

图3为本发明实施例的两组稻瘟病叶片经grabcut算法分离后的效果图；

图4为本发明实施例的1、2、3、5级的稻瘟病叶片绘制出的颜色直方图；

图5为本发明实施例的反向阈值切割的测试结果图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。

因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

第一实施例

本实施例提供一种稻瘟病分级系统，该系统基于grabcut、高斯滤波、otsu二值化、颜色空间转换、阈值切割等处理的稻瘟病分级判定算法模型，该算法模型利用opencv与python语言实现，以反向阈值切割为核心策略分离叶片与病斑，再以循环遍历模式统计像素点得出病斑面积占比，实现对稻瘟病的快速、精确分级。该分级系统包括：

图像预处理单元，用于提取稻叶图片中的目标区域并对目标区域预处理，经过预处理的图像为第一图像；

病斑特征提取单元，用于计算得到全叶的第一像素点面积img_n和去掉病斑的第二像素点面积img_n，像素点面积img_n通过反向阈值切割得到去除病斑部分的第二图像，然后将第二图像进行otsu二值化获取去掉病斑的第二像素点面积img_n；

面积占比计算单元，用于将病斑特征提取单元计算得到的第一像素点img_n和第二像素点img_n代入面积占比公式得到面积占比值；

分级单元，用于获取面积占比值，通过比对稻瘟病分级标准得到分级结果。

在本实施例中的目标是通过机器视觉技术获取稻瘟病图片中病斑占叶片总面积的比例，将结果对应稻瘟病分级标准，最后获得分级结果。首先从试验图片中提取感兴趣的目标区域，将水稻目标叶片从背景中分离出来；然后对目标区域图片预处理，降低目标图片噪音干扰，将降噪后的图片转换为hsv通道，对目标图片在hsv颜色通道下的色彩分布进行分析，确定阈值范围，最后反向阈值切割图片获取病斑区域计算面积占比，得到分级结果。

其中，在本实施例中的图像预处理单元中采用grabcut算法对稻叶图片提取。图像预处理单元采用5*5卷积核的高斯滤波器进行图像预处理。图像预处理单元中的目标区域，首先由用户手动框选参考区域，图像预处理单元再使用grabcut算法进行稻叶图片提取。

本发明还提供一种稻瘟病分级方法，请参见图1，为稻瘟病分级方法的算法流程图，该分级方法包括如下步骤：

s1:移动终端拍摄稻叶图片，用户根据拍摄的稻叶图片框选出需要分级的稻叶图像，初步选取需要识别的图像，增加分级系统的识别速度；

s2：分级系统获取稻叶图像进行预处理，提取稻叶图像中的目标区域并对稻叶图片预处理，获得待处理的第一图像；

s3：分级系统对第一图像作病斑特征提取，分别计算得到全叶的第一像素点面积img_n和去掉病斑的第二像素点面积img_n；

第一像素点面积img_n的获取包括如下步骤：

s311：将第一图像全局进行otsu二值化；

s312：遍历循环统计第一图像中的有效像素点得到全叶的第一像素点面积img_n；

第二像素点面积img_n的获取步骤包括：

s321：将第一图像进行hsv颜色空间转换；

s322：根据hsv颜色空间做色彩分析确定阈值范围；

s323：对阈值范围内的第一图像做反向阈值切割获取病斑外区域图像；

s324：对病斑外区域图像做otsu二值化；

s325：遍历循环统计有效像素点得到第二像素点面积img_n；

s4：将计算得到的第一像素点面积img_n和第二像素点img_n代入面积占比公式得到面积占比值；

s5：将面积占比值通过比对稻瘟病分级标准得到分级结果。

在现有技术中，通过高清相机采集的水稻叶片图像上，即使健康的叶片也并非是完全光滑的绿色，叶片表面会存在一些细微的纹理，这些纹理后期会对图像处理产生一定干扰。图像预处理的目的在于增强我们需要的信息，排除干扰的部分。常用的图像预处理包括高斯滤波、双边滤波、中值滤波等。水稻叶片边缘一般呈自然弯曲的形态，无需保留直线边缘，因此本实施例选择通用性较好的5x5卷积核的高斯滤波器。

在现有技术中，常用的图像目标区域分割方法包括颜色阈值分割、分水岭算法、grabcut算法、轮廓检测等。由于水稻叶片较小，为保证采集图像的质量需在手机微距模式下拍摄，微距模式下水稻叶片作为目标图像会有较高的清晰度，而叶片外远景会呈现相对模糊的状态。本发明采用grabcut算法对稻瘟病叶片进行提取，grabcut算法对于分离前景清晰背景模糊的图像具有良好的效果，其包括如下步骤：将稻叶图像中的每一个像素看成图中的一个节点，然后在稻叶图像中增加两个节点，分别为f和b，f代表foreground前景，而b代表background背景，每两个相邻像素点用一条边相连，每一个像素点和f点用一条边相连，每一个像素点和b点也用一条边相连；最后将图像切割分成两部分，第一部分的像素点和f相连为前景，第二部分的像素点和b相连为背景；整幅稻叶图像的gibbs能量函数可以表示为：

e(α,k,θ,z)＝u(α,k,θ,z)+v(α,z)，

其中，其中u函数部分表示能量函数的区域数据项，v函数表示能量函数的光滑项(边界项)，参数α代表分离后的前景或背景，αn＝0或1(背景或前景)；参数k是一个向量，k＝{k1,k2......kn},每个kn属于{1,2...k}集合，对应着k个高斯分量；θ代表每个高斯分量中参数；参数z是一个向量，z＝{z1....zn},每个zn代表着每个像素的灰度值。图像分割的过程就是使式(1)不断减小的过程，当它不能再减小，即趋于某一个恒定的值时，就表示图像分割完成。

在本实施例中对稻瘟病病斑的提取方式采用hsv颜色空间下的阈值切割实现，阈值切割通常是对hsv颜色空间下一定取值范围内的颜色进行捕捉，但经观察可发现稻瘟病的病斑往往不是单一的黄色。较大的病斑通常边缘呈现黑色，病斑内部枯黄色，较小的病斑呈现淡黄色没有黑色边缘。若直接对黄色范围内的颜色分割会产生较大的误差，因此本实施例提出反向阈值切割法，将叶片健康的绿色部位作为阈值搜索范围，切割去掉病斑部分的叶片图像标记为img_n,将完整全叶图像标记为img_n,两者相减所得差即为病斑部分。具体实现步骤如下：

1)颜色空间转换。颜色阈值切割需在hsv颜色空间下进行。通过手机拍摄的图片通常为rgb通道，可利用opencv中的cv2.cvtcolor函数实现图像由rgb转为hsv通道。

2)反向阈值切割。阈值切割需明确给定阈值范围，定义切割范围最小值为lower_green，最大值为upper_green，将阈值切割所得部分图像生成掩模，原图与掩模部分作图像与运算即可获得去除病斑部分的叶片。

3)otsu二值化。otsu算法又名最大类间方差法，其原理为利用阈值将原图像分成前景，背景两个图象。用ω0、ω1分别表示前景点、背景点所占比例，μ0、μ1分别表示前景、背景灰度均值，则有：

μ＝ω0*μ0+ω1*μ1，

前景与背景的方差为：

g＝ω0(μ0-μ)^2+ω1(μ1-μ)^2，

将μ带入g则有：

g＝ω0ω1(μ0-μ1)^2。

在本实施例中主要利用otsu算法将反向阈值切割中切割所得图像二值化为白色底片，因此将otsu算法中的阈值设定为0，即图中所有有效像素点转化为白色。

在本实施例中，机器视觉技术若没有参考系通常无法直接计算图形的真实面积，但可以通过一种抽象的方式获得图像的面积参数，即图像的像素点个数。经过二值化处理的图像都呈现白色，设i为像素横坐标、j为纵坐标，[i,j]代表某个有效像素点。利用嵌套循环遍历每个像素点，并判断当该像素点为白色时，则像素点个数加1。以此方法分别计算出全叶像素点面积img_n和去掉病斑的像素点面积img_n，病斑面积可表示为(img_n-img_n)，病斑占叶片的面积比result即可表示为：

在本实施例中grabcut算法对背景实施分离。经试验发现，由于图像前景部分除水稻叶片外还存在其他干扰信息，直接对原图全局grabcut切割的效果不理想。为提高背景分离准确度，在图片输入端传入图片时实现用户手动框选一个矩形区域rect(x,y,w,h)作为参考域，其中x,y为矩形起点坐标，w,h为起点相对坐标。手机端操作界面如图2所示，两组稻瘟病叶片经grabcut算法分离后的效果如图3所示。由图3可看出，经过rect区域约束后图像切割较好的保留了叶片边缘的信息。

在本实施例中的阈值范围分析：hsv颜色空间下h、s、v三者的取值范围分别为h：[0，180]；s：[0，255]；v：[0，255]。利用反向阈值切割法提取病斑，需得到hsv颜色空间下绿色的阈值范围，在标准化hsv空间中绿色的取值范围为h:[35,77],s:[43,255]，亮度v对绿色影响较小，可适当扩大搜寻范围[19-21]。经试验发现，使用标准化绿色阈值范围切割所得结果误差较大，绿色部分获取不够完整，导致所得病斑面积大于实际面积。为获得精确的阈值范围，提高模型可靠性，选择4组人工分级分别为1、2、3、5级的稻瘟病叶片绘制颜色直方图，其中纵坐标h代表色调，横坐标s代表饱和度，其结果如图4所示。

其中，图4a中1级稻瘟病叶片病斑非常小，直方图中色彩集中分布在h值40左右的绿色区域，未出现明显的色彩界限。图4d由于病程达到最高的5级，叶片表面几乎全部被病斑覆盖，绿色区域与病斑的黄色区域连成一片，无法分辨明显的色彩界限，参考价值较低。观察图4b和图4c可知，绿色部分集中分布在h色调值为[30,60]，s饱和度为[50,200]区间，30以上存在黑色的阴影区，到h值为20又出现部分较为集中的色彩分布，通过查询hsv颜色空间分布值可知，h值20左右为橙、黄色区域，因此可推断该部分色彩为病斑分布区。

为验证此推断，试验设定反向阈值切割的取值范围为色调h＝[30,60],饱和度s＝[50,200],亮度v＝[0,255]，将设定好的参数模型分别测试不同的稻瘟病叶片，测试结果如图5所示。由图5可知在该取值范围内反向阈值切割法效果良好，黄色病斑、黑色病斑以及较大的病斑均成功从叶片中分离，同时可观察到病斑分布密集时，算法对于病斑的边缘控制与原图存在细微的误差。

在本实施例中的分级结果对比：经反向阈值切割分离病斑后，通过二值化操作分别计算出全叶像素点面积img_n和去掉病斑的像素点面积img_n，再将两者带入面积占比公式运算得到面积占比值，最后将面积占比值对应稻瘟病分级标准得出分级结果。按照稻瘟病测报调查规范gb/t1570-1995国家标准稻瘟病叶瘟可分为5级，如表1所示，分级标准如下：

表1稻瘟病分级标准

将试验采集的189张1-5级稻瘟病图片分别编号测试算法，所得分级结果与人工判定统计结果对比如表2所示：

表2样本分级测试结果

从表2算法测试结果可知稻瘟病分级为1级时，判定结果与人工判定结果一致，准确度较高。分级为2、3级的样本中有2组分级结果与人工分级不同。4、5级的样本中有6组分级结果不同，将分级结果出现偏差的图像样本测试数据单独列出到表3。表3数据显示,1、2号样本面积占比均接近5％,介于2、3级临界值,人工判定存在一定主观性，造成与机器算法约1％的误差。4～8号样本经模型运算面积占比均超过50％,但人工判定为4级，经笔者对比原图发现，4～8号样本除病斑区域外，叶片自身主体部分呈现枯黄色，但未生长病斑，模型将该区域识别为病斑区域因此与人工分级不同,根据gb/t1570-1995国家标准，5级稻瘟病呈现病斑占比大全叶枯死，因此4～8样本判定为5级也符合文件标准。

表3与人工分级结果不同的样本

综上所述，本实施例基于计算机视觉技术提出一种在hsv颜色空间下的反向阈值切割法，可有效实现水稻稻瘟病的病斑分离和病程分级判定。经试验验证该算法模型与专业研究人员人工判定的结果匹配度达95.77％。相对于其他分级判定方法，本技术具有以下3点优势：

(1)分级效率高。该算法模型采用opencv算法库和python语言实现，后台依赖分布式系统和gpu加持实时演算。实现快速分级判定，在网速优良的条件下，整个判定过程时间会在2秒内完成。

(2)方便易用。使用该方法鉴定稻瘟病病程，无需依赖其他专业设备仪器，算法嵌入手机app后，无论是研究人员还是普通用户可以直接通过手机app对病害叶片拍照，即可在快速获取分级判定结果。使用人员无需具备专业知识和长时间工作经验，大大降低了经济成本和学习成本。

(3)分级精确度高。人工判定分级通常具有较强的主观性，同一株叶片可能由于不同研究人员的主观差异，造成分级结果也不同。该方法不同于人工判定的粗略性，以循环遍历像素点的方式将面积计算精确到像素点级，更好的量化分级参数和指标，相对于人工判定具有更好的精确性和客观性。

本说明书描述了本发明的实施例的示例，并不意味着这些实施例说明并描述了本发明的所有可能形式。应理解，说明书中的实施例可以多种替代形式实施。附图无需按比例绘制；可放大或缩小一些特征以显示特定部件的细节。公开的具体结构和功能细节不应当作限定解释，仅仅是教导本领域技术人员以多种形式实施本发明的代表性基础。本领域内的技术人员应理解，参考任一附图说明和描述的多个特征可以与一个或多个其它附图中说明的特征组合以形成未明确说明或描述的实施例。说明的组合特征提供用于典型应用的代表实施例。然而，与本发明的教导一致的特征的多种组合和变型可以根据需要用于特定应用或实施。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。