CN102759528B

CN102759528B - 一种农作物叶部病害检测方法

Info

Publication number: CN102759528B
Application number: CN201210235693.3A
Authority: CN
Inventors: 党宏社; 张芳; 田丽娜; 张新院; 姚勇; 郭楚佳
Original assignee: Shaanxi University of Science and Technology
Current assignee: Shaanxi University of Science and Technology
Priority date: 2012-07-09
Filing date: 2012-07-09
Publication date: 2014-04-02
Anticipated expiration: 2032-07-09
Also published as: CN102759528A

Abstract

一种农作物叶部病害检测方法，采集待测农作物的叶部图像并上传至同时具备病害图像自动识别功能和专家诊断***功能的在线检测平台，对待测农作物叶部病斑图像实现分割与识别，输出检测结果并给出防治建议，其中的病斑图像分割是将原始图像从RGB模型空间转化到HSI空间，分别提取HSI空间下的H分量和I分量图像，然后对H分量图像使用最大类间方差法进行动态阈值分割，初步得到病斑的区域图像；再将I分量图像与上述H分量的分割结果相叠加，消除背景区域对病斑分割造成的误判，得到仅包含病斑区域的二值图像；利用形态学方法对上述分割结果进行后续处理，最终得到待测农作物叶部病斑的完整图像。

Description

一种农作物叶部病害检测方法

技术领域

本发明属于农业现代化领域，涉及对农作物健康状况进行诊断与识别，具体涉及一种农作物叶部病害检测方法。

背景技术

我国是一个农业大国，受农作物种类多，种植面积大，气候条件复杂多样，生态基础脆弱等因素的综合影响，病害种类繁多，分布广泛，发生频繁。准确、快速地实现病害检测，是农作物病害综合防治的关键技术，只有在正确诊断患病类型的前提下，才能采取适时对路的策略，迅速做出防治措施。

随着计算机技术和图像处理技术的迅速发展，国内外研究人员已开始将计算机视觉理论应用于农业生产及农业现代化方面。然而，现有的农作物病害检测的方法中，图像获取的途径固定，均采用单一的确定的图像采集方式，仅能针对特定类型和质量的农作物图像进行处理，且部分图像采集设备要求较高的成本，不具备广泛的实用性。此外，由于农作物病害图像具有复杂性和多样性，加之受实际***环境和方法本身的限制，检测的速度和准确度也有待提高。

发明内容

为了克服上述现有技术的不足，本发明的目的在于提供一种农作物叶部病害检测方法，针对不同来源的病害图像，利用计算机视觉技术，采用相关图像处理算法，同时增加网络在线检测平台，实现对农作物叶部病害的自动检测，具有成本低、准确性和便捷性高、实时性强的特点。

为了实现上述目的，本发明采用的技术方案是：

一种农作物叶部病害检测方法，包括如下步骤：

首先，用户直接利用图像采集设备在田间现场对待检测的农作物叶片进行拍照及保存，实现对原始图片的获取；

其次，用户通过无线传输或联机在线上传的方式，将待检测的原始图片上传至农作物叶部病害网络在线检测平台中；

最后，上述网络在线检测平台采用可视化编程语言实现一个视窗操作平台***，包括农作物叶部病斑图像自动识别***和专家诊断***，以实现对检测结果的实时获取和存储；

其中，所述农作物叶部病斑图像自动识别***，通过读取接收到的农作物叶片原始图像，对叶部病斑进行分割，获得病斑区域的图像，提取表征其特征参数，针对不同类型农作物病害的病理学特点，采用模式识别方法对上述特征参数进行识别，得到最终的待测农作物叶部病斑检测结果；

所述专家诊断***，是根据病理学资料和植保专家经验建立多种农作物叶部病害数据库，该数据库能够在得到病害检测结果后，实时地输出该病害类型的描述，并给出建议的防治措施，便于用户及早发现病害，做到对症下药；

其中所述农作物叶部病斑图像自动识别***中的病斑图像分割方法步骤如下：

第一步，读取原始彩色图像并将原始图像从RGB模型空间转换至HSI模型空间；

第二步，分别提取HSI模型空间下对应的H分量图像和I分量图像；

第三步，对H分量图像使用最大类间方差法进行动态阈值分割，初步分割得到叶部病斑区域的二值化图像；

第四步，将所得二值化图像与I分量的图像进行叠加运算，消除背景区域对病斑分割造成的误判，得到仅包含病斑区域的二值图像；

第五步，对上一步所得二值图像，采用形态学方法填充病斑区域内部的孔洞，完整病斑形状。

第六步，输出分割完成后的农作物叶部病斑区域的完整图像。

所述图像采集设备包括手机和数码相机。

所述特征参数包括颜色、纹理以及形态。

所述第四步中背景区域包括土地以及光斑。

所述第五步是在病斑区域内部可能出现非连通情况的区域进行的。

所述非连通情况包括孔洞。

所述形态学方法包括腐蚀法以及膨胀法。

与现有技术相比，本发明能够在不影响农作物正常生长的情况下，准确、快速、实时地对叶部病害进行检测；能够处理不同来源的图像信息，用户只需将待检测农作物图像通过网络上传至检测平台，即可在家中实现对病害的在线实时检测，具有便捷性和实用性。若将本发明应用于农业生产领域，能够帮助农民及时掌握农作物健康状况，为合理施用农药提供指导，从而提高农作物产量，增加农民收入，促进经济增长，具有很大的市场潜力。

附图说明

图1为本发明的病害检测过程整体框图。

图2为本发明的病斑分割算法处理流程图。

具体实施方式

下面结合附图对本发明做进一步详细说明。

如图1所示，病害检测过程的整体过程如下：

一、用户直接利用手机、数码相机等设备在田间现场对待检测的农作物叶片进行拍照及保存，实现对原始图片的获取。

二、用户通过手机网络无线传输或联机在线上传的方式，将待检测的原始图片上传至农作物叶部病害网络在线检测平台中。

三、上述网络在线检测平台采用可视化编程语言实现一个视窗操作平台***，满足界面友好、操作简便、便于非专业人士使用等要求，同时具备病斑图像自动识别***功能和专家诊断***功能，实现对检测结果的实时获取和存储。

其中，农作物叶部病斑图像自动识别***，通过读取接收到的农作物叶片原始图像，采用如图2所示的算法对叶部病斑进行分割，获得病斑区域的图像，提取表征其颜色、纹理、形态等特征参数，针对不同类型农作物病害的病理学特点，采用模式识别方法对上述特征参数进行识别，得到最终的待测农作物叶部病斑检测结果。专家诊断***，通过收集病理学资料和植保专家经验，建立了多种农作物叶部病害数据库，该数据库能够在得到病害检测结果后，实时地输出该病害类型的描述，并给出植保专家建议的防治措施，便于用户及早发现病害，做到对症下药。

如图2所示，对上述农作物叶部病害检测算法中的病斑图像分割算法进行具体说明，该算法不受图像来源和图片质量的限制，能够对多种类型农作物的叶部病斑图像实现快速、准确的分割。算法的执行步骤如下：

Step1，读取待测农作物叶片的原始彩色图像；

Step2，将原始图像从RGB模型空间转换至HSI模型空间；

Step3，分别提取HSI模型空间下对应的H分量图像和I分量图像；

Step4，通过分析H分量图像的直方图，其灰度值基本呈双峰型分布，因此，对H分量图像采用最大类间方差法，即Otsu法进行动态阈值分割，通过计算图像中病斑区域和叶片区域的类间方差最大、类内方差最小来进行自动阈值求取。从而初步分割得到叶部病斑区域的二值化图像；

Step5，由于I分量与光的颜色信息无关，将上述分割后的图像与I分量的图像进行逻辑与运算，合并后得到综合分割结果，从而消除土地、光斑等背景区域对病斑分割造成的误判，得到仅包含病斑区域的二值图像；

Step6，对于上述叠加后的图像，在病斑区域内部可能出现孔洞等非连通区域，这些细小孔洞可能影响后续识别过程中对形状特征参数的计算，因此，采用形态学方法中的腐蚀、膨胀方法对上述分割结果进行处理，填充病斑区域内部的孔洞，完整病斑形状。

Step7，输出分割完成后的农作物叶部病斑区域的完整图像。

Claims

1.一种农作物叶部病害检测方法，包括如下步骤：

第五步，对上一步所得二值图像，采用形态学方法填充病斑区域内部的孔洞，完整病斑形状；

2.根据权利要求1所述的病害检测方法，其特征在于，所述图像采集设备包括手机和数码相机。

3.根据权利要求1所述的病害检测方法，其特征在于，所述特征参数包括颜色、纹理以及形态。

4.根据权利要求1所述的病害检测方法，其特征在于，所述第四步中背景区域包括土地以及光斑。

5.根据权利要求1所述的病害检测方法，其特征在于，所述第五步是在病斑区域内部可能出现非连通情况的区域进行的。

6.根据权利要求5所述的病害检测方法，其特征在于，所述非连通情况包括孔洞。

7.根据权利要求1所述的病害检测方法，其特征在于，所述形态学方法包括腐蚀法以及膨胀法。