王 奕
(石家莊職業技術學院,河北 石家莊 050081)
馬鈴薯內部病蟲害的隱蔽性較強,對馬鈴薯的產量具有很大的影響,常規的病蟲害檢測防治技術對馬鈴薯內部病蟲害的治理效果不佳。隨著圖像處理技術和機器視覺信息處理技術的發展,采用機器視覺分析方法進行植物的病蟲害防治成為可能。在計算機視覺下進行馬鈴薯內部病蟲害檢測識別,構建馬鈴薯內部病蟲害的圖像信息處理模型,采用機器視覺圖像處理方法進行馬鈴薯內部病蟲害檢測識別[1],能提高對馬鈴薯內部病蟲害的區域性防治能力[2],相關的馬鈴薯內部病蟲害特征識別方法研究對促進馬鈴薯內部病蟲害的防控和治理方面具有重要意義[3]。
傳統方法中,對馬鈴薯內部病蟲害的檢測方法主要有小波檢測方法、區域分塊檢測方法以及分組融合濾波檢測方法等[4],構建馬鈴薯內部病蟲害的分塊區域視覺特征檢測模型,提高對馬鈴薯內部病蟲害的檢測和識別能力,Pipaud等[5]提出了一種基于Splines小波特征分解的馬鈴薯內部病蟲害視覺圖像異常特征點提取方法,采用Snake算法對馬鈴薯內部病蟲害視覺信息增強,結合特征分解方法進行病蟲害特征識別,但該方法的計算處理速度較慢,檢測的時效性差。Litjens等[6]提出了一種基于多重分形的馬鈴薯內部病蟲害視覺圖像特征提取技術,采用分區域特征匹配方法進行二維馬鈴薯內部病蟲害視覺圖像的分塊融合性檢測,采用綠葉素紋理分形實現特征提取,但該方法的抗干擾性差。
針對上述問題,提出基于機器視覺圖像的馬鈴薯內部病蟲害特征識別方法。試驗擬通過構建二維馬鈴薯內部病蟲害視覺圖像采集模型,結合圖像的分塊融合檢測方法進行特征識別和提取,采用顏色提取分解和紋理分割技術,實現對馬鈴薯內部病蟲害的特征識別,并進行仿真試驗分析,以期建立一種準確性高、實時性好的馬鈴薯內部病蟲害特征識別方法。
(1)
式中:
xi——像素強度,d;
xj——邊緣輪廓長度,cm;
dist(xi,xj)——特征點xi和xj之間歐式距離,cm;
σ——馬鈴薯內部病蟲害的分布密度,個/cm2。
構建二維馬鈴薯內部病蟲害視覺圖像采集模型,對采集的馬鈴薯內部病蟲害視覺圖像進行分塊融合檢測[8],得到馬鈴薯內部病蟲害的紋理特征渲染信息特征分量為:
P(yw3|xw3,θ,β)∝
P(yw3|xw3,θ)(yw3|βi)∝
(2)
在4×4子塊的局部區域內建立馬鈴薯內部病蟲害視覺圖像采集模型,結合病害區域紋理異常特征檢測方法提取馬鈴薯內部病蟲害視覺特征量[9],如式(3)所示。
(3)
考慮馬鈴薯內部病蟲害視覺特征分量在有限論域E上的差異值,得到馬鈴薯內部病蟲害圖像二維特征F:E→R3,設T:E→PDS(2),對馬鈴薯內部病蟲害視覺特征值進行信息重構,實現對馬鈴薯內部病蟲害的采集和特征重組。
在構建二維馬鈴薯內部病蟲害視覺圖像采集模型的基礎上,對采集的馬鈴薯內部病蟲害視覺圖像進行分塊融合檢測,根據馬鈴薯綠葉素紋理分布進行病蟲害的特征檢測和紋理匹配,得到馬鈴薯內部病蟲害視覺圖像的紋理分割函數為:
D(x,y,σ)=[G(x,y,kσ)-G(x,y,σ)]·I(x,y)=L(x,y,kσ)-L(x,y,σ),
(4)
L(x,y,σ)=G(x,y,σ)?I(x,y),
(5)
式中:
I(x,y)——(x,y)處的分塊系數;
L(x,y,σ)——多重分形系數;
G(x,y,σ)——關聯像素值,dpi。
關聯像素值的計算式如式(6)所示。
(6)
(7)
式中:
x1,x2,x3,…,xT——每個子塊的模板匹配集;
T——紋理分布的像素集。
采用分塊融合匹配方法,建立馬鈴薯內部病蟲害視覺圖像的統計形狀模型,在分塊融合模板中,得到馬鈴薯內部病蟲害內部的邊緣像素集為:
(8)
其中:
(9)
v(x)=∑yk(x,y)。
(10)
根據上述分析,采用綠葉素紋理區域性檢測方法,實現馬鈴薯內部病蟲害視覺特征分塊融合處理,根據分塊檢測結果實現內部病蟲害的特征識別。
在上述構建二維馬鈴薯內部病蟲害視覺圖像采集模型,并對采集的馬鈴薯內部病蟲害視覺圖像進行分塊融合檢測的基礎上,進行病蟲害的特征識別,提取馬鈴薯內部病蟲害視覺分形特征量,采用表面紋理配準和分塊自適應檢測方法進行病蟲害的特征點標定[10],馬鈴薯內部病蟲害視覺信息分布的能量函數如式(11)所示。
(11)
式中:
采用動態特性監測方法,分析病蟲害分布的區域性,采用多重分形方法進行馬鈴薯內部病蟲害的相似性紋理區域重建[11],得到區域重建模型描述為:
(12)
(13)
式中:
δ——馬鈴薯內部病蟲害視覺性采樣的先驗特征系數;
ε——馬鈴薯內部病蟲害視覺性采樣的關聯系數。
在局部區域中通過分區域特征匹配方法進行二維馬鈴薯內部病蟲害分塊檢測和融合處理,提取馬鈴薯內部病蟲害視覺分形特征量,采用表面紋理配準和分塊自適應檢測方法進行病蟲害的特征點標定,得到特征點標定輸出為:
P(yw3|xw3,θ,β)=
(14)
式中:
根據上述分析,采用多重分形技術進行馬鈴薯內部病蟲害視覺重構[12],重構輸出的迭代式見式(15)。
(15)
式中:
η——視覺信息重構的分形維數;
φ——偏移值。
根據空間區域重構結果,得到馬鈴薯內部病蟲害特征標定在每個尺度σ(n)(1,2,…,n)上的信息熵分布如式(16) 所示。
H(x,y,σ)=JJT=
(16)
根據信息熵強度,對馬鈴薯內部病蟲害特征標定點進行排序,進行病蟲害區域分布視覺重建和識別。
結合小波變換方法進行馬鈴薯內部病蟲害視覺圖像的特征分解,對馬鈴薯內部病蟲害視覺圖像的特征分解的小波函數為:
R(x,y)=x2+y2+dx+ey+f。
(17)
在最大值搜索區域內,提取馬鈴薯內部病蟲害視覺圖像的灰階不變矩滿足式(18)。
(18)
根據誤差分布情況,構建馬鈴薯內部病蟲害視覺圖像的分塊區域重構模型[13],得到馬鈴薯內部病蟲害視覺圖像的特征分辨強度為:
(19)
根據顏色梯度變化的差異性實現機器視覺下的馬鈴薯內部病蟲害特征識別,馬鈴薯內部病蟲害視覺圖像的幾何結構重組模型滿足式(20)。
(20)
在近鄰點中對馬鈴薯內部病蟲害視覺特征進行圖像重構,采用機器視覺分析方法[14-15],得到馬鈴薯內部病蟲害視覺圖像的邊緣尺度為:
(21)
式中:
σ——尺度空間,cm3;
Δx——Hessian-Laplace角點視覺差,(o)。
考慮角點的顯著性進行馬鈴薯內部病蟲害視覺圖像的深度學習,以t(x)表示馬鈴薯內部病蟲害視覺重建的函數,令t(x)=e-βd(x),其中0 (22) L(x,y,σ)=G(x,y,σ)·I(x,y), (23) 式中: G(x,y,σ)——尺度σ的灰度像素差異值。 在灰度像素區域內根據馬鈴薯內部病蟲害視覺圖像的紋理特征,進行灰度直方圖提取,實現馬鈴薯內部病蟲害視覺特征識別和重建,根據重建結果,實現馬鈴薯內部病蟲害的特征識別。 為了測試試驗方法在實現馬鈴薯內部病蟲害特征識別中的應用性能,進行仿真試驗。 試驗的仿真軟件平臺為C++,試驗中對馬鈴薯內部病蟲害視覺圖像采樣采用光學傳感器LBP Sensors,利用Visual C++6.0 MFC 編寫處理馬鈴薯內部病蟲害圖像信息處理程序,在機器視覺下進行馬鈴薯內部病蟲害特征識別,對病蟲害區域的內部特征初始采樣像素強度為120 d,像移值為1.24,在病蟲害區域的能量強度為1.56 kJ,圖像的分辨率為430×210,對病害蟲檢測的初始評價參數為3.5,信噪比為-30 dB,其他參數設置見表1。 表1 仿真參數設置 根據表1參數設定,進行馬鈴薯內部病蟲害特征識別和提取研究,選擇的樣本馬鈴薯是從某農場購買,且選擇的是出土之后就存在病蟲害的馬鈴薯,其質量為200 g。通過構建二維馬鈴薯內部病蟲害視覺圖像采集模型,對采集的馬鈴薯內部病蟲害視覺圖像進行分塊融合檢測,得到圖像采集結果如圖1所示。 圖1 馬鈴薯內部病蟲害視覺圖像采集結果 以圖1采集的圖像為樣本,提取馬鈴薯內部病蟲害視覺分形特征量,采用表面紋理配準和分塊自適應檢測方法進行病蟲害的特征點標定,得到圖像融合結果如圖2所示。 分析圖2得知,試驗方法能有效實現對馬鈴薯內部病蟲害視覺的特征重構,根據重構結果進而實現馬鈴薯 圖2 馬鈴薯內部病蟲害融合結果 內部病蟲害特征提取和識別,得到特征提取結果如圖3所示。 圖3中,分別對各個像移參數下的馬鈴薯病蟲害特征進行有效識別,提高了對馬鈴薯內部病蟲害的特征檢測和識別能力。為了對比性能,采用試驗方法、文獻[5]方法和文獻[6]方法進行對比試驗,在不同的像移分布下進行馬鈴薯內部病蟲害特征識別,測試對馬鈴薯內部病蟲害的誤檢率(正確數量與數據樣本總數的比值),得到對比結果如圖4所示。 分析圖4得知,試驗方法進行馬鈴薯內部病蟲害特征檢測識別的誤檢率最低可至10%,而其他兩種方法下的誤檢率最低為20%和26%,高于試驗方法。說明試驗方法的準確率接近90%。測試不同方法進行馬鈴薯內部病蟲害特征識別的時間開銷,得到對比結果如圖5所示,試驗方法進行馬鈴薯內部病蟲害特征識別的時間開銷較短。 圖3 馬鈴薯內部病蟲害特征識別結果 圖4 誤檢率對比 圖5 時間開銷對比 試驗提出基于機器視覺圖像的馬鈴薯內部病蟲害特征識別方法,采用灰度直方圖特征分解方法,進行馬鈴薯內部病蟲害視覺特征重構,根據馬鈴薯綠葉素紋理分布進行病蟲害的特征檢測和紋理匹配,建立馬鈴薯內部病蟲害視覺圖像的統計形狀模型,根據顏色梯度變化的差異性實現機器視覺下的馬鈴薯內部病蟲害特征識別。研究得知,構建馬鈴薯內部病蟲害的圖像信息處理模型,采用機器視覺圖像處理方法進行馬鈴薯內部病蟲害檢測識別,能提高對馬鈴薯內部病蟲害的區域性防治能力。3 仿真試驗結果與分析
3.1 試驗設備及試驗參數
3.2 試驗分析
4 結論