一种马铃薯病害诊断装置、诊断系统及诊断方法

摘要

本发明涉及马铃薯病害诊断的技术领域，具体涉及一种马铃薯病害诊断装置、诊断系统及诊断方法。本发明马铃薯病害诊断装置包括接收单元，用于接收来自移动终端采集模块采集的马铃薯的病害图像；预处理单元，用于对所述病害图像进行预处理，确定染病部位；以及病斑处理单元，用于对染病部位的图像进行处理，确定病斑种类及对应的防治措施。本发明马铃薯病害诊断装置预处理单元和病斑处理单元对病害图像进行双重处理，可准确确定病斑种类及对应的防治措施，及时准确。

说明书

技术领域

本发明马铃薯病害诊断的技术领域，具体涉及一种马铃薯病害诊断装置、 诊断系统及诊断方法。

背景技术

马铃薯皮薄、肉厚、富含淀粉，是轻工业和食品工业的重要原料，但是在 马铃薯的生长过程中，由于根茎叶的病害会严重影响马铃薯的产量和质量，因 此对马铃薯病害诊断十分重要。

目前的诊断方法有：(1)基于手机平台识别农作物病虫害，但是由于马铃 薯病害特征多、输入参数多，在手机平台上完成特征提取和复杂分类运算速度 慢，无法及时的获得当前马铃薯的病害状况；而且，由于受到手机硬件和速度 的制约，识别效果较差，从而导致病害判断不准确。(2)另一种方法是根据拍 摄的图像照片，并采用基于BP(BackPropagation，反向传播)神经网络的分 类器进行分类运算。但是，由于马铃薯病害分布于根部、颈部和叶部，且病害 特征表现多样，不同病害的不同特征在不同分类器中分类表现不同，从而使得 分类结果差异较大，使用单一分类器对对马铃薯病害进行诊断和识别的准确度 较差。

发明内容

本发明的目的在于提供一种马铃薯病害诊断装置及诊断方法，可提高病害 诊断的准确度。

为了实现上述目的，本发明提供一种马铃薯病害诊断装置，所述诊断装置 包括：接收单元，用于接收来自移动终端采集模块采集的马铃薯的病害图像； 预处理单元，用于对所述病害图像进行预处理，确定染病部位；以及病斑处理 单元，用于对染病部位的图像进行处理，确定病斑种类及对应的防治措施。

本发明马铃薯病害诊断装置通过接收单元接收移动终端的采集模块采集的 马铃薯病害图像，可实现远程诊断；通过预处理单元对病害图像进行预处理初 步确定染病部位，进一步由病斑处理单元精细处理，从而可确定病斑种类及对 应的防治措施，响应迅速，准确度高。

附图说明

图1是本发明马铃薯病害诊断系统的结构示意图；

图2是预处理单元的结构示意图；

图3是病斑处理单元的结构示意图；

图4是投票表决模块的结构示意图；

图5是本发明马铃薯病害诊断方法的流程图。

附图标记说明

接收单元1预处理单元2

区域分离模块21第一特征值提取模块22

染病部位分类模块23病斑处理单元3

病斑区域分割模块31第二特征值提取模块32

染病部位识别模块33K均值分类器331

基于神经网络分类器332支持向量机分类器334

投票表决模块34。

具体实施方式

为了进一步说明本发明，下面结合实施例对本发明提供的双螺塞螺钉进行 详细地描述，但不能将它们理解为对本发明保护范围的限定。

如图1所示，本发明马铃薯病害诊断装置包括接收单元1，用于接收来自移 动终端采集模块采集的马铃薯的病害图像；预处理单元2，用于对所述病害图像 进行预处理，确定染病部位；以及病斑处理单元3，用于对染病部位的图像进行 处理，确定病斑种类及对应的防治措施。

本发明马铃薯病害诊断装置通过接收单元接收移动终端的采集模块采集的 马铃薯病害图像，可实现远程诊断；通过预处理单元对病害图像进行预处理初 步确定染病部位，进一步由病斑处理单元精细处理，从而可确定病斑种类及对 应的防治措施，响应迅速，准确度高。

其中，所述移动终端可为安装有马铃薯病害图像采集应用软件的手机，由 于手机采集区域的限制，可获取马铃薯完整叶片、块茎等部位的图像，以便于 后续染病部位的判别。

如图2所示，所述预处理单元2包括：区域分离模块21，用于对所述病害 图像依次进行灰度化、阈值分割、二值化处理背景分离操作，获取马铃薯的染 病区域图像；第一特征值提取模块22，用于根据所述染病区域图像，分别提取 染病区域特征值，其中，所述染病区域特征值包括彩色特征和形状特征的特征 值；以及染病部位分类模块23，用于分类计算所述染病区域特征值，确定染病 部位。

其中，所述彩色特征的特征值为RGB图像的G分量均值。可根据如下公式 统计病害部位R、G、B分量的平均值：

$R=\underset{i=1}{\overset{N}{\Sigma }}{R}_i/Total$———公式①

$\bar{G}=\underset{i=1}{\overset{N}{\Sigma }}{G}_i/Total$———公式②

$B=\underset{i=1}{\overset{N}{\Sigma }}{B}_i/Total$———公式③

r＝R/G—————公式④

b＝B/G—————公式⑤

其中，Total为病害像素点的总数，N为病害图像的像素点数，r称为红 色分量均值比，b称为蓝色分量均值比。环境光照强度的不同会导致R、G、 B的变化幅度很大，因此以G分量的均值为参照值，用R、B分量均值与G分 量均值之比作为病害特征参数。

形状特征采用圆形度参数C来描述染病部位接近圆形的程度，根据公式： C＝4πA/L²———公式⑥确定；其中，A为病斑面积，L为病斑周长。

C的取值范围为[0，1]：当面积相同时，染病部位光滑并且为圆形，则周长 最短，此时圆形度C取值最大为1；染病部位的外形越偏离圆形，其圆形度C的 值越小。

在本实施例中，所述染病部位分类模块23为K均值分类器。将马铃薯染病 部位的彩色特征红色分量均值比r、蓝色分量均值比b、形状特征圆形度参数C 送入K均值分类器，通过K均值分类器计算判断染病部位是块茎、茎蔓或者是 叶片。

K均值分类器选择标准块茎、茎蔓和叶面样本作通过归一化处理，作为块茎、 茎蔓和叶面的三类簇的中心。计算分类样本到簇中心的距离并进行聚类计算， 之后更新簇中心点坐标，并进行5次迭代，取最后一次迭代结果作为识别结果， 从而确定染病部位。

如图3所示，所述病斑处理单元3包括：病斑区域分割模块31，用于对染 病部位的图像进行灰度化处理、高斯滤波，根据处理后的染病部位的图像计算 图像梯度幅值矩阵，以及根据图像梯度幅值矩阵确定病斑区域；第二特征值提 取模块32，用于根据所述病斑区域，提取病斑特征值，其中，所述病斑特征值 包括病斑区域的彩色特征、形状特征以及纹理特征的特征值；病害识别分类模 块33，用于分别根据所述病斑特征值确定对应的病害分类结果；以及投票表决 模块34，用于根据各所述病害识别分类器的权重因子以及确定的病害分类结果 投票确定病害种类。

其中，病斑区域的彩色特征包括RGB颜色空间特征值和HSV颜色空间特征 值。RGB颜色空间特征值包括红色分量均值比r、蓝色分量均值比b，计算方法 与公式①-⑤相同，在此不再赘述。HSV颜色空间特征值包括H(Hue，色调)、S (Saturation，饱和度)、V(亮度)，可根据彩色空间投影公式求解，在此不再 赘述。

病斑区域的形状特征包括病斑圆形度C和离散指数。圆形度C计算与公式 ⑥相同。离散指数P计算公式：P＝L²/A，其中L为病斑周长，A为病斑面积。

病斑区域的纹理特征为病斑的图像反差、能量、熵、相关性。其中，

图像反差Con，又称为对比度，用于反应图像的清晰度和纹理的沟纹深浅， 可根据如下公式确定图像反差：———公式⑦，其中，i表示 病斑像素的横坐标，j表示病斑像素的纵坐标。

能量Asm，是灰度共生矩阵各元素值的平方和，用于反应图像灰度分布均匀 程度和纹理粗细度，可通过如下公式确定：———公式⑧。

熵Ent，是图像包含信息量的随机性度量。可根据如下公式确定：

—————公式⑨，其中，熵值越大，图像越复杂。

相关性Corr，也称为同质性，用来度量图像的灰度级在行或列方向上的相 似程度，可根据如下公式确定：——公式⑩。

对应不同的染病部位，所述病害识别分类模块33分为叶部病害分类器、茎 蔓分类器、块茎病害分类器，且各所述病害识别分类模块33均包括K均值分类 器331、基于神经网络分类器332及支持向量机分类器333。

在确定染病部位后，将病斑特征值红色分量均值比r、蓝色分量均值比b、 色调H、饱和度S、亮度V、圆形度C、离散指数、反差、能量、熵、相关性输 入值对应染病部位的分类器中分别进行分类计算，确定对应的病害种类结果。

以叶部病害为例，经过预处理模块初步确认为染病部位为叶部。提取病斑 特征值，并输入至K均值分类器、基于神经网络分类器及支持向量机分类器中 进行分类计算，分别确定病斑分类结果。例如：

其中，K均值分类器输入红色分量均值比r、蓝色分量均值比b、色调H、 饱和度S、亮度V、圆形度C、离散指数、能量、熵、反差、相关性等参数归一 化后结果，之后得识别病害特诊送入K均值分类器，通过5次欧氏距离迭代输 出分类结果。

支持向量机分类器采用基于径向基核函数，径向基函数公式为： ———公式其中参数δ²取值一般为2.6，输入病斑特 征值：红色分量均值比r、蓝色分量均值比b、色调H、饱和度S、亮度V、圆形 度C、离散指数、反差、能量、熵、相关性归一化后结果，分类计算确定病斑分 类结果。

神经网络分类器采用3隐含层BP神经网络分类器，输入病斑特征值：红色 分量均值比r、蓝色分量均值比b、色调H、饱和度S、亮度V、圆形度C、离散 指数、反差、能量、熵、相关性归一化后结果，分类器计算分类结果。

本发明马铃薯病害诊断装置通过使用多个分类器，可避免因单一分类器的 局限性，提高辨识的准确率。

各分类器的分类结果送入投票表决模块34(如图4所示)进行投票表决。 在相乘器中，各分类器的分类结果与对应的权重因子相乘，各个分类结果的数 值分别输入至计票器中，在计票器中将相同分类结果的数值累加，在比较器中 比较各个分类结果的最终数值，最大数值对应的分类结果为病害识别结果。例 如，各分类器的分类器分类结果按1票计，票数1与各自的分类器权重因子μ相 乘，其中，权重因子μ的取值范围为0.6～1，之后将结果投入对应的计票器，如 叶片部位支持向量机分类器识别结果为早疫病，则其早疫病票数1，对应权重因 子μ为0.9，则1×0.9＝0.90分送入早疫病计票器，以此类推，叶片、块茎、茎 蔓部位分类分数进入相应计票器做求和运算。

此外，为提高投票表决模块投票的准确度，所述投票表决模块还用于根据 所述病害种类修正各所述病害识别分类器的权重因子。

本发明马铃薯病害诊断装置还包括数据存储单元(图中未示出)，用于存储 各分类器的病害图像、地理位置、时间、染病区域特征值、病害分类结果、病 斑特征值、投票表决的病害种类，以及对应多个病害种类的防止措施等，在确 定当前马铃薯的病害种类后，可直接从数据存储单元中调取对应的防止措施， 及时、准确。

本发明还提供一种马铃薯病害诊断系统，所述诊断系统包括：上述马铃薯 病害诊断装置；以及移动终端，用于接收所述马铃薯病害诊断装置确定病斑种 类及对应的防治措施。

本发明还提供一种马铃薯病害诊断方法，所述诊断方法包括(如图5所示)： 步骤100：接收来自移动终端采集模块采集的马铃薯的病害图像；步骤200：对 所述病害图像进行预处理，确定染病部位；步骤300：对染病部位的图像进行处 理，确定病斑种类及对应的防治措施。

其中，步骤200中所述进行预处理的方法包括：对所述病害图像依次进行 灰度化、阈值分割、二值化处理背景分离操作，获取马铃薯的染病区域图像； 根据所述染病区域图像，分别提取染病区域特征值，其中，所述染病区域特征 值包括彩色特征和形状特征的特征值；以及分类计算所述染病区域特征值，确 定染病部位。

其中，所述彩色特征的特征值为RGB图像的G分量均值。可根据如下公式 统计病害部位R、G、B分量的平均值：

$R=\underset{i=1}{\overset{N}{\Sigma }}{R}_i/Total$———公式①

$\bar{G}=\underset{i=1}{\overset{N}{\Sigma }}{G}_i/Total$———公式②

$B=\underset{i=1}{\overset{N}{\Sigma }}{B}_i/Total$———公式③

r＝R/G—————公式④

b＝B/G—————公式⑤

其中，Total为病害像素点的总数，N为病害图像的像素点数，r称为红 色分量均值比，b称为蓝色分量均值比。环境光照强度的不同会导致R、G、 B的变化幅度很大，因此以G分量的均值为参照值，用R、B分量均值与G分 量均值之比作为病害特征参数。

形状特征采用圆形度参数C来描述染病部位接近圆形的程度，根据公式： C＝4πA/L²———公式⑥确定；其中，A为病斑面积，L为病斑周长。

C的取值范围为[0，1]：当面积相同时，染病部位光滑并且为圆形，则周长 最短，此时圆形度C取值最大为1；染病部位的外形越偏离圆形，其圆形度C的 值越小。

在本实施例中，所述染病部位分类模块23为K均值分类器。将马铃薯染病 部位的彩色特征红色分量均值比r、蓝色分量均值比b、形状特征圆形度参数C 送入K均值分类器，通过K均值分类器计算判断染病部位是块茎、茎蔓或者是 叶片。

K均值分类器选择标准块茎、茎蔓和叶面样本作通过归一化处理，作为块茎、 茎蔓和叶面的三类簇的中心，见表1，值分别为：块茎簇中心：(1，0.25，1)、 茎蔓簇中心：(0，0，0)、叶面簇中心：(0.75，1，0.02)。

表1块茎、茎蔓、叶面特征值表

计算分类样本到簇中心的距离并进行聚类计算，之后更新簇中心点坐标， 并进行5次迭代，取最后一次迭代结果作为识别结果，从而确定染病部位。

步骤300中所述确定病斑种类的方法包括：对染病部位的图像进行灰度化 处理、高斯滤波，根据处理后的染病部位的图像计算图像梯度幅值矩阵，以及 根据图像梯度幅值矩阵确定病斑区域；根据所述病斑区域，提取病斑特征值， 其中，所述病斑特征值包括病斑区域的彩色特征、形状特征以及纹理特征的特 征值；通过病害识别分类模块分别根据所述病斑特征值确定对应的病害分类结 果；以及根据各所述病害识别分类器的权重因子以及确定的病害分类结果投票 确定病害种类。

其中，病斑区域的确定方法的详细步骤如下：

根据公式Gray＝0.299R+0.587G+0.114B，对染病部位的图像进行灰度化处 理，其中，Gray为灰度值、R、G、B分别为图像红、绿、蓝的分量值。对灰度 图像进行高斯滤波，采用二维高斯函数计算二维核向量。计算边缘检测(Canny) 算子，求解图像梯度幅值矩阵。对比找寻图像梯度幅值矩阵中的局部最大值， 得到病斑轮廓，将病斑区域分离。

其中，病斑区域的彩色特征包括RGB颜色空间特征值和HSV颜色空间特征值。 RGB颜色空间特征值包括红色分量均值比r、蓝色分量均值比b，计算方法与公 式①-⑤相同，在此不再赘述。HSV颜色空间特征值包括H、S、V，可根据彩色 空间投影公式求解，在此不再赘述。

病斑区域的形状特征包括病斑圆形度C和离散指数。圆形度C计算与公式⑥ 相同。离散指数P计算公式：P＝L²/A，其中L为病斑周长，A为病斑面积。

病斑区域的纹理特征为病斑的图像反差、能量、熵、相关性。其中，

图像反差Con，又称为对比度，用于反应图像的清晰度和纹理的沟纹深浅， 可根据如下公式确定图像反差：———公式⑦，其中，i表示 病斑像素的横坐标，j表示病斑像素的纵坐标。

能量Asm，是灰度共生矩阵各元素值的平方和，用于反应图像灰度分布均匀 程度和纹理粗细度，可通过如下公式确定：———公式⑧。

熵Ent，是图像包含信息量的随机性度量。可根据如下公式确定：

—————公式⑨，其中，熵值越大，图像越复杂。

相关性Corr，也称为同质性，用来度量图像的灰度级在行或列方向上的相似 程度，可根据如下公式确定：——公式⑩。

对应不同的染病部位，所述病害识别分类模块分为叶部病害分类器、茎蔓 分类器、块茎病害分类器，且各所述病害识别分类模块均包括K均值分类器、 基于神经网络分类器及支持向量机分类器。

在确定染病部位后，将病斑特征值红色分量均值比r、蓝色分量均值比b、 色调H、饱和度S、亮度V、圆形度C、离散指数、反差、能量、熵、相关性输 入值对应染病部位的分类器中分别进行分类计算，确定对应的病害种类结果。

以叶部病害为例，经过预处理模块初步确认为染病部位为叶部。提取病斑 特征值，并输入至K均值分类器、基于神经网络分类器及支持向量机分类器中 进行分类计算，分别确定病斑分类结果。例如：

其中，K均值分类器输入红色分量均值比r、蓝色分量均值比b、色调H、 饱和度S、亮度V、圆形度C、离散指数、能量、熵、反差、相关性等参数归一 化后结果，见表2-4，病害种类簇的中心分别为：

表2病斑彩色特征值

表3病斑形状特征值

表4病斑纹理特征值

K均值分类器病害簇的中心为：

早疫病簇中心(0，1，0.91，0.61，0.38，0.35，0.21，0.33，0.68，0.10， 0.12)，

晚疫病簇中心(0.76，0，0，0，0.13，0.02，0.17，1，0，0，1)，

炭疽病簇中心(1，0.32，0.18，0.14，0，1，0，0.94，0.13，0.13，0.12)，

灰霉病簇中心(0.98，0.12，1，1，1，0，1，0，1，1，0)。

之后得识别病害特诊送入K均值分类器，通过5次欧氏距离迭代输出分类 结果。

支持向量机分类器采用基于径向基核函数，径向基函数公式为： ———公式其中参数δ²取值一般为2.6，输入病斑特 征值：红色分量均值比r、蓝色分量均值比b、色调H、饱和度S、亮度V、圆形 度C、离散指数、反差、能量、熵、相关性归一化后结果，分类计算确定病斑分 类结果。

神经网络分类器采用3隐含层BP神经网络分类器，输入病斑特征值：红色 分量均值比r、蓝色分量均值比b、色调H、饱和度S、亮度V、圆形度C、离散 指数、反差、能量、熵、相关性归一化后结果，分类器计算分类结果。

其中，根据各所述病害识别分类器的权重因子以及确定的病害分类结果投 票确定病害种类的方法包括：各分类器的分类结果与对应的权重因子相乘，将 相同分类结果的数值累加，比较各个分类结果的最终数值，最大数值对应的分 类结果为病害识别结果。其中，权重因子μ的取值范围为0.6～1。例如：如叶片 部位支持向量机分类器识别结果为早疫病，则其早疫病票数1，对应权重因子μ 为0.9，则1*0.9＝0.90为早疫病的数值。

此外，为提高投票表决模块投票的准确度，所述投票表决模块还用于根据 所述病害种类修正各所述病害识别分类器的权重因子。

其中，分类器权重因子μ的计算公式为其中，i表示计算的次数， bi为不同分类器得分。各分类器基础分80分，每正确分类一次加1分，错误分 类一次减1分，满分100分，最低分60分，为避免分类器被恶意淘汰或增强， 如果是最低分不再减分，如果是最高分不再加分，从而逐渐修正各所述病害识 别分类器的权重因子，提高辨识的准确度。

此外，本发明马铃薯病害诊断方法还包括存储各分类器的病害图像、地理 位置、时间、染病区域特征值、病害分类结果、病斑特征值、投票表决的病害 种类，以及对应多个病害种类的防止措施等，在确定当前马铃薯的病害种类后， 可直接从数据存储单元中调取对应的防止措施，及时、准确。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通 技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰， 这些改进和润饰也应视为本发明的保护范围。