一种基于机器视觉特征的农作物病变图像感知方法

周杰+潘宏侠+唐明军

摘 要：针对农作物品种多样化、生长缓慢以及空间分布不均等特点，研究并设计了一种农作物病变视频感知方法，以提高农业物联网中视频监控系统的智能化程度。该方法以固定周期采集且消除外部环境及随机干扰的视频图像为基准图像，将计算出的相邻基准图像的颜色特征偏差，灰度特征偏差，随机特征偏差输入模糊控制器，通过模糊规则推理并清晰化推理结果从而感知农作物是否发生病变及病变的程度，以适应不同品种的农作物。实验证明，该方法对不同种类以及不同位置发生病变的农作物感知的准确度都较高。

关键词：农作物；机器视觉；图像感知；病变

中图分类号：TP23 文献标识码：A DOI：10.11974/nyyjs.20170932004

农业生产信息化是现代农业生产发展的必然趋势，是在IT技术、现代生物技术等综合学科的支持下，借助于各种感知设备获取农业生产现场数据并运用精密机电设备等多种现代手段，对农作物实施精准农事操作与管理，以调动农业生产资料的潜力，多快好省地获得经济效益和环境效益[1][2]。

在农业生产信息化服务方面，发达国家机器视觉技术的应用已拓展到农业生产的全过程，我国信息技术在农业生产服务领域中的应用起步较晚，但近年来已经取得长足进步[3]。在现代农业中增加机器视觉感知能力是农业信息化技术进步的表现，是实现农业生产现场与异构分布的客户端完全互连，服务物联网平台的智慧所在。

1 图像感知过程

机器视觉特征是图像直接呈现的事物的自然特征，如颜色、纹理、形状等。对颜色和纹理特征的提取与分析可以作为评价农作物生长状态的重要依据。本文研究了1种通过对机器视觉特征模糊推理，判断农作物是否发生病变的图像感知方法，感知过程如图1所示。

图1 图像感知过程

图像感知过程由图像输入、特征提取、模糊推理输出3个部分组成。图像输入：融合了基准图像获取与图像筛选2部分，通过捕捉视频摄像机的帧画面提取出不受外界环境及扰动影响，能直接反映农作物自然生长状态的图像作为系统的输入。特征提取：在图像输入的基础上提取图像中农作物的颜色特征、灰度特征、随机特征。模糊推理输出：对提取的农作物特征依据模糊规则推理，清晰化模糊推理结果后输出农作物是否发生病变的结果。

2 图像输入

2.1 基准图像的获取

由于农作物的生長过程缓慢，基准图像的获取选择以天为单位，连续3d为1个采集周期，采集周期的选取可以根据实际情况灵活设置。在每1天中选取1段时间t，在t时间内以时间间隔T循环捕捉n帧画面，如图2所示。

图2 基准图像的获取

图2中每一天都要在固定的时间段t内采集n帧图像，由于农作物生长缓慢且对实时性要求不高，仅需2帧能反映农作物自然生长状态的图像作为当天的基准图像，因此需要对每天采集的n帧图像进行筛选。

2.2 图像的筛选

2帧图像可以视为1个m×n的二维矩阵，矩阵中的每1个元素为1个像素，同1种型号的视频摄像机采集的画面是一系列大小相等的二维矩N阵，任意2帧图像Amn和 Bmn的相关系数可表示为：

（1）

式（1）中与分别式图像Amn和 Bmn的灰度均值，的值反映了图像Amn和 Bmn的相似程度，的值越大则Amn和 Bmn的相似程度越高，反之，的值越小说明2幅图像的差异越大。

图2中，从每天获取的n帧图像中筛选出1帧的方法可通过计算n帧图像的相关函数实现，表示为s：

（2）

式（2）中，计算获取图像中任意不相同的2幅图像的相关函数，并选定1个阈值a，当计算的某个相关函数值小于阈值时说明2幅图像的偏差大，图像受到了扰动，应予以剔除，从所有满足相关函数值大于阈值的图像中随机1帧都可作为筛选出的图像。

理论上阈值取值越大且采集周期T越小时，筛选出的图像受外界扰动的影响就越小，然而在某些特殊环境如大风天气下，如果阈值取值过大可能筛选不出满足要求的图像，阈值的取值在0.9左右即可。

3 图像特征提取

3.1 颜色特征

颜色特征描述了图像区域对应景物的表面性质，通过计算颜色矩可以反映出颜色的分布情况，一阶矩反映了每个颜色分量的平均强度，二阶矩反映了图像的不均匀性，二阶矩的定义如下：

（3）

式（3）中，表示第i个颜色分量的方差，是第j个像素的第i个颜色分量，N是像素的数量，。

当植物发生病变时，先反映在颜色上的变化，图像中颜色的不均匀性变化越大，发生病变的可能性就越大。

3.2 灰度特征

对图像灰度值的统计在一定程度上反映了景物的纹理特征，生长状态健康的植物灰度变化不明显，当发生病变时，病变部分与正常部分灰度值相比较变化较大。因此，通过对图像的灰度均值的计算可以间接反映植物表面纹理特征的变化。

实现时，以图像中任意1点g（x，y）为参考，与其相邻的点的可表示为g（x+Δx，y+Δy），则灰度差值可表示为：

（4）

令点g（x，y）在整个画面中移动并按照公式（4）计算出所有灰度级数以及gΔ（x，y）取各个值的次数，便可以得到gΔ（x，y）取值的概率p（k），此时的灰度特征可以由下式表示：

（5）

3.3 随机特征

无论是农作物的病毒性病变还是细菌性病变，病变发生位置及呈现方式多种多样，有很大的随机性。熵是图像所具有的信息的度量，是1个随机性的度量，当图像中的元素有较大的随机性时，熵较大，熵的值反映了图像中纹理的非均匀程度和复杂程度，熵的表示如下：

（6）

4 图像特征模糊推理

为了适应农作种类的多样性，采用模糊算法。模糊推理是以相邻2d筛选出的图片的颜色特征二阶矩偏差Δσ、灰度特征偏差Δmean、以及随机特征偏差ΔE为输入，通过模糊规则运算，推理出农作物生长状态的分析结果。endprint

4.1 特征参数的模糊分布

由于农作物种类繁多，实验采集所有不同种类农作物病变图像数据较为困难。考虑到农作物发生病变是1个缓慢的过程，且短期内病变图像间的差异较小，为了能近似确定农作物图像的各特征偏差可能出现的范围，以特征值变化10%为模糊限定阈值，任意连续3d中相邻2d的基准图像特征值均超出该限定条件时，图像间的相关系数必然大于限定阈值，可以直接判断为发生病变，当基准图像特征值在限定条件以内时需模糊推理出结果。

可以选用7个模糊子集涵盖3种特征偏差Δσ、Δmean、及ΔE的论域，即正大（PL），正中（PM），正小（PS），零（ZO），负小（NS），负中（NM），负大（NL）。无论特征偏差值是正或是负，一旦偏差值出现即说明连续2d采集的基准图像发生了变化，故模糊子集无需考虑偏差的方向，因此特征偏差的论域可简化为大（L），中（M），小（S），零（Z）。隶属度函数选用三角函数，表示如下：

结合公式（7），各特征参数偏差的模糊子集区间如表1所示。

表1中value1、value2、value3分别相邻2d中前1d基准图像的颜色特征二阶矩、灰度特征、随机特征值的1/10，模糊子集的区间长度均匀划分。

4.2 模糊推理规则

通过观察病变的农作物的特征，可以归纳总结出以下规则：

当颜色特征和灰度特征偏差较大时说明短期颜色变化明显且纹理变化大，可直接判定发生病变。当颜色特征和灰度特征偏差较小，随机特征偏差较大时，可认为农作物发生病变且发生病变的位置较分散。当颜色特征和灰度特征偏差存在，随机特征偏差較小时，可认为农作物病变位置集中在某一区域。当所有特征值偏差变化较小且偏差的变化率较小时可认为农作物生长状态良好，否则视为病变。

基于上述的规则，以“0”表示生长状态较差，发生病变；“1”表示生长状态良好；“2”表示生长状态不佳，疑似病变；农作物生长状态的模糊规则如表2所示。

4.3 清晰输出结果

根据图像特征值偏差与农作物生长状态间的模糊关系，可以排列组合成32条模糊规则，每条规则都给出1个蕴含关系Ui，，则模糊推理总输出为：。通过计算基准图像的特征值偏差，并根据式（7）计算相应的隶属度，根据模糊推理计算总输出并重新带入式（7）中，取计算结果的平均值即为最后清晰化的农作物生长状态的结果。

5 实验测试

选用2种不同种类的农作物，分别对农作物1的茎叶生长状态和农作物2的果肉生长状态进行测试。

根据模糊规则，表3的特征值数据表明被测对象已经发生病变，清晰化输出结果数据推理计算出病变的程度约为28.5%。

根据模糊规则，表4的特征值数据表明被测对象已经发生病变，清晰化输出结果数据推理计算出病变的程度约为54.6%。

6 结语

本文介绍了一种农作物生长状态感知方法，通过采集农作物生长视觉图像，并对提取的部分图像特征进行模糊推理判断出农作物是否发生病变以及可能的病变位置。无论是对细菌性病变还是真菌性病变都有较好的监测效果，该方法可以应用至农业物联网中的视频监控系统，以扩充农业信息化系统的功能。

参考文献

[1]BAIN C.The politics of food supply：P U.S.agricultural policy in the world economy[J].Contemporary Sociology，2010，39（2）：

212-213.

[2] BOTOLF P.The German information and communication technology（ICT）industry：spatial growth and innovation patterns[J].Regional Studies，2009，43（4）：605-624.

[3]张晓东，毛罕平，倪军.作物生长多传感信息检测系统设计与应用[J].农业机械学报，2009，40（9）：164-170.endprint