基于多层卷积滤波与HSV颜色提取的茶轮斑病识别研究

材料与方法

1.1 原图像的获取

根据茶轮斑病的主要症状：发生于当年生成的成叶或者老叶。病害常从叶尖开始，逐渐向其他部位扩展。发病初期病斑黄褐色，逐渐变成褐色，最后形成灰白色相间的半圆形、圆形或不规则的病斑[18]。病斑上常呈现有明显的同心轮斑，边缘有一褐色的晕圈，病健分界明显。病斑正面轮生或散生有许多黑色小粒点[3]。本设计采用的是实验室条件下获取的扩展为圆形至椭圆形或不规则褐色大病斑的成叶（图1）。

1.2 卷积滤波

滤波包括1个二维滤波矩阵（又叫卷积核）、被处理的二维图像。简单来说，滤波操作就是将二维图像的每一个像素点与卷积核的乘积之和作为该点的像素值，如：

R5（中心像素）=R1G1+R2G2+R3G3+R4G4+R5G5+R6G6+R7G7+R8G8+R9G9，而卷积滤波的中心像素公式是R5（中心像素）=R9G1+R8G2+R7G3+R6G4+R5G5+R4G6+R3G7+R2G8+R1G9。

1.3 HSV颜色模型

HSV（Hue，Saturation，Value）是根据颜色的直观特性由A.R.Smith在1978年创建的一种颜色空间，也称六角锥体模型（Hexcone Model）[19]。HSV色系对用户来说是一种直观的颜色模型。如果说（R，G，B）分别是一个颜色的红、绿和蓝坐标，它们的值在0～1之间构成立方体。具体RGB转化到HSV公式如下：

H的值通常规范化到0°～360°，而H=0用于max=min的（就是灰色）时候而不是留下H未定义。

如图2所示，HSV六棱锥模型是从RGB立方体演变过来的，其中参数H表示色彩信息，也就是所处光谱颜色的位置，这个参数用角度来表示。红、绿、蓝分别相隔120°，互补的颜色相差180°；纯度S为比例值，范围从0至1，它用来表示所选颜色的纯度与该颜色最大纯度之间的比率；V表示色彩的明亮程度，范围从0至1。HSV是一种比较直观的颜色模型[20]。本研究为了统一计算，将H、S、V等比例放大为0～255的数值。

2 图像处理及茶轮病的识别

2.1 卷积滤波

利用Opencv卷积函数处理图像，构造一种新型的卷积核，通过卷积滤波的方式区分病斑区与非病斑区。本研究采用的卷积内核为：

-4 -4 -4 0-4 -4 0 4-4 0 4 4 0 4 4 4 -4 -4 0-4 0 -4 0 4 4

不选择单位1的原因是为了增加图像边缘化的效果，与模式化的3×3卷积核，是因为增加图像的考虑因素。与3×3卷积核相比，4×4的卷积核加大了滤波器边缘化，效果更加明显，卷积效果见图3。

2.2 闭运算滤波与二值化

先膨胀后腐蚀的过程称为闭运算。它具有填充物体内细小空洞，连接邻近物体和平滑边界的作用。本研究采用边长为10的圆形滤波器进行膨胀滤波，滤波结果见图4。

图像二值化是图像分析与处理中最常见最重要的处理手段，二值处理方法也非常多。越精准的方法，计算量也越大。二值化的原本定义，就是将图像上像素点的灰度值设置为0或255，也就是将整个图像呈现出明显的只有黑和白的视觉效果。本研究就是想增加非病斑区的灰度以达到滤波的目的。因为茶叶背景复杂多样，在卷积滤波以后还是有很多图像噪声，为了下一步通过HSV颜色模型提取病斑区做准备，为了再次减少图像噪声，通过扫描图像的每个像素值，值小于180的将像素值设为0（黑色），值大于等于180的像素值设为255（白色）。采用该方法的好处是计算量少、速度快，能够满足实时处理的要求。

2.3 HSV滤波器及病斑区识别与定位

由图5可知，图像依然有很多噪声，通过HSV颜色模型分别设置颜色值[H，S，V]的上下限区域[0，0，221]，[180，30，255]，得到滤波器。为了再一次消除噪声，通过4×4、8×8、16×16的卷积核，进行3次卷积滤波，得到病斑区识别结果如图6所示。

3 结果与分析

该系统采用卷积滤波+HSV等提取方法，显著地消除了图像噪声，并完成了茶轮斑病的识别与定位。但是该设计有4处需要改进地方：卷积核核、SHV选择区域、膨胀滤波、病斑区的提取。为了检测，边缘卷积核矩阵中所有数值的和为0。常见的滤波器如下：

由于3×3的卷积核效果不太理想，滤波器越大，运行时间会相应增加。通过调试与试验，本设计选择了4×4的单位为4的卷积核。

但实际过程中，由于受试验场景、光线、田地中其他物质等的影响，图像采集的环境对识别结果有一定影响，为了更好地区分病斑区与非病斑区，本设计引入了HSV颜色模型，选取的[H，S，V]的范围是[0，0，221]，[180，30，255]。因为摄像头、上位机的分辨率以及采集图像的角度、太阳的入射角不同，将会影响识别结果，另一方法是在滤波过程中，采用边长为10的圆形滤波器进行膨胀滤波。这虽然有效地將图像噪声剔除了，但其中也将图像中病斑区小于滤波器的病斑区当做噪处理掉了，存在缺陷。由图7可知，标记1和2是本研究结果没有识别出的地方，对于不太规则的茶轮斑病也识别成了2个（标记3）。标记1由于处于茶轮斑的初期，被当做噪声漏掉了，这对计算结果产生了一定的影响，如图6所示，提取出的病斑区与实际病斑区形状有一定的差异，对后期的精准喷雾产生影响。

最终获得茶轮斑病的位置并标记，在Anaconda python27软件上的运行结果如图8所示。总体上说，本研究结果满足精准喷雾系统的要求。

4 小结

通过利用多层卷积滤波与HSV滤波器等图像处理手段，完成了茶轮斑病的识别与定位，与实际情况的结果相比较，虽存在一定的误差，但为下一步的茶叶喷雾系统打下了基础，本研究程序用C语言编写，并且Python嵌入性也比较强。在VS平台下添加Python的一些文件，就能将此程序嵌入到引用的系统中，进一步完善了引用系统[20]，为下一步精准喷雾打下了基础。

参考文献：

[1] 史庆才，李向阳，陈志伟，等.茶园假眼小绿叶蝉的防控.技术研究进展[J].农学学报，2015，5（1）：20-24.

[2] 杨国国，鲍一丹，刘子毅.基于图像显著性分析与卷积神经网络的茶园害虫定位与识别[J].农业工程学报，2017，33（6）：156-162.

[3] 谭济才.茶树病虫防治学[M].北京：中国农业出版社，2011.

[4] 林金科，李秀峰.低农药残留量的乌龙茶种质资源筛选研究[J].植物遗传资源学报，2006，7（1）：70-73.

[5] 徐志武.茶树病虫害绿色防控现状及对策[J].现代农业科技，2014（6）：157-158.

[6] 陈宗懋，陈雪芬.无公害茶园农药安全使用技术[M].北京：金盾出版社，2002.

[7] 肖 强.茶树病虫害诊断及防治原色图谱[M].北京：金盾出版社，2013.

[8] 蔡陈杰.茶园中有机氯农药残留检测技术及应用研究[D].南京：南京农业大学，2011.

[9] 郑龙章.茶农使用农药行为影响因素研究[D].福州：福建农林大学，2009.

[10] 许振健.基于农药残留控制的茶叶质量安全管理研究[D].成都：四川大学，2009.

[11] CORTES C，VAPNIK V.Support-vector networks[J].Machine Learning，1995，20（3）：273-297.

[12] 胡玉霞，张红涛.基于模拟退火算法-支持向量机的储粮害虫识别分类[J].农业机械学报，2008，39（9）：108-111.

[13] 范艳峰，甄 彤.谷物害虫检测与分类识别技术的研究及应用[J].计算机工程，2005，31（12）：187-189.

[14] SOLISS？魣NCHEZ L O，GARC？魱AESCALANTE J J，CASTA？譙EDAMIRANDA R，et al.Machine vision algorithm for whiteflies （Bemisia tabaci Genn.）scouting under greenhouse environment[J].Journal of Applied Entomology，2009，133（7）：546-552.

[15] 邹修国，丁为民，刘德营，等.基于4种不变矩和BP神经网络的稻飞虱分类[J].农业工程学报，2013，29（18）：171-178.

[16] 谢成军，李 瑞，董 伟，等.基于稀疏编码金字塔模型的農田害虫图像识别[J].农业工程学报，2016，32（17）：144-151.

[17] 张红涛，毛罕平，邱道尹.储粮害虫图像识别中的特征提取[J].农业工程学报，2009，25（2）：126-130.

[18] 杜 雷.烟草赤星病菌致病力分化及生物防治研究[D].合肥：安徽农业大学，2008.

[19] 景 林，林耀海，温永仙，等.结合色彩特征和空域特征的成捆原木轮廓识别[J].计算机系统应用，2013（7）：196-199.

[20] 陈 钊，赵玉清，杨陆强，等.基于OpenCV的精量喷雾图像处理技术[J].农机化研究，2018（6）：194-199.

推荐访问： 卷积 滤波 多层 提取 识别