基于“圖像+光譜”技術的馬鈴薯早疫病智能診斷方法研究

李軼驥

（四川省農業科學院科技保障中心，四川 成都 610066）

馬鈴薯是全球范圍內重要的糧食作物之一，其產量和質量直接影響著糧食安全和農業經濟的發展。馬鈴薯早疫病是影響馬鈴薯產量與品質的主要病害之一，是由茄鏈格孢引起的一種病害，主要危害馬鈴薯葉片，也可侵染塊莖[1]。傳統的馬鈴薯病害診斷方法依賴于專業人員的經驗判斷，導致診斷效率較低。本研究通過構建驗證基于“圖像+光譜”技術的馬鈴薯早疫病智能診斷方法。通過對馬鈴薯病斑圖像的數字化處理、顏色校正及圖像裁剪等步驟，結合光譜數據分析，提取關鍵特征參數，實現對馬鈴薯早疫病病斑模式的精確識別。本方法能提高馬鈴薯早疫病的診斷準確率，還可為智慧農業中植物病害的智能監測與預警提供新的技術路徑。

1 試驗材料

1.1 試驗樣本

本研究于2022 年6 月26 日、7 月15 日在四川省成都市某農業科技園區采集馬鈴薯早疫病典型病害葉片，選擇的馬鈴薯品種為川薯1 號、川薯2 號和川薯5號。當地氣候條件下，以上品種表現出不同程度的早疫病敏感性，為研究提供了豐富的數據。試驗樣本包括300 片表現早疫病癥狀的馬鈴薯葉片和50 片健康葉片（作為對照組），并使用佳能5DMAREⅡ照相機對采集的葉片進行拍攝，獲取高質量圖像數據。拍攝確保葉片與相機鏡頭保持平行，避免因角度不當引起的圖像變形。相機設置采用9 焦點模式、5 616×3 744 分辨率進行拍攝，以獲得高清晰度的圖像，便于后續的圖像處理和分析。

1.2 儀器設備

本試驗所應用儀器設備如表1所示。

表1 試驗所需儀器設備Tab.1 Required instruments and equipment for the test

2 試驗方法

本文所提出的基于“圖像+光譜”技術的馬鈴薯早疫病智能診斷方法共設計4 個步驟：首先，搜集并分析馬鈴薯早疫病的癥狀圖片；其次，對這些圖片進行預處理，包括病斑的增強、分割及特征提??；再次，從這些病斑圖像中提取出關鍵特征；最后，識別病斑特征的模式，以完成對馬鈴薯早疫病的準確診斷。病害圖像的數字化處理過程如圖1所示。

圖1 病害圖像數字化處理過程Fig.1 Digital processing process of disease images

2.1 馬鈴薯葉部病斑圖像顏色校正

在本次試驗中，為確保馬鈴薯葉部病斑圖像數據的真實性和一致性，采用白平衡調整與色彩校準兩個環節，進行病斑圖像顏色校正。

2.1.1 白平衡調整

為減少環境光源對圖像色彩的影響，首先進行白平衡調整。此步驟通過調整圖像中的紅、綠、藍三基色分量，使圖像中的白色或其他中性色在不同照明條件下保持一致。使用的公式為：

式中：R、G、B為原始圖像的紅、綠、藍分量；R′、G′、B′為調整后分量；Wr、Wg、Wb為參考白色的紅、綠、藍分量；Ravg、Gavg、Bavg為圖像紅、綠、藍分量的平均值。

通過此公式計算，可使圖像在不同光照條件下具有相同的色彩表現。

2.1.2 色彩校準

本次色彩校準采用色彩轉換矩陣配合多元線性回歸的方法，以提高試驗技術精度。

（1）建立一個色彩轉換矩陣。該矩陣基于標準色卡中的顏色與實際捕捉圖像中對應顏色之間的關系[2]。顏色轉換矩陣M通過以下公式計算得出：

矩陣M為3×3 矩陣，通過比較標準色卡和拍攝圖像中相同顏色的RGB值，使用最小二乘法計算得出。

（2）采用多元線性回歸方法。此方法通過建立每個顏色通道（紅、綠、藍）的線性模型來調整色彩，模型如下：

式中：R、G、B分別代表原始圖像的紅、綠、藍通道值；R′、G′、B′為校正后的通道值；系數a、b、c、d通過多元線性回歸分析確定。

2.2 馬鈴薯早疫病病葉數字圖像裁剪

在本次試驗中，馬鈴薯早疫病病葉的數字圖像裁剪過程采用了專業的圖像處理軟件Adobe Photoshop。該軟件具備高級圖像編輯功能，能精準地處理和裁剪圖像，確保裁剪結果的準確性和可靠性[3]。首先，將采集的馬鈴薯病葉原始圖像導入到Adobe Photoshop。在圖像導入后，使用軟件中的選擇工具，如套索工具或魔術棒工具，準確地標定出含有病斑的葉部區域。此步驟是基于病斑的顏色、形狀和大小進行的，確保僅選定與研究目的相關的區域。其次，執行裁剪命令，精確去除圖像中的非目標區域，僅保留包含病斑的葉部。裁剪操作要確保圖像中的病斑區域得到完整保留，同時去除不相關的背景或其他非目標元素。裁剪后的圖像需要額外調整，例如圖像的縮放或旋轉，以保證所有裁剪后的圖像具有一致的尺寸和方向，為后續的病斑特征分析和模式識別提供標準化的輸入。

2.3 馬鈴薯早疫病病斑數字圖像灰度化處理

灰度化處理的主要目的是將彩色圖像轉換成灰度圖像，以簡化圖像數據并突出病斑區域的紋理特征，便于后續的圖像分析和特征提取。本次試驗灰度化處理通過將RGB（紅、綠、藍）彩色模式轉換為單色灰度模式來實現。該過程涉及到顏色信息的壓縮，其中每個像素的彩色值被轉換為一個灰度值[4]。轉換公式如下：

式中：R、G、B代表原始圖像像素點中紅、綠、藍的不同分量；Y為轉換后的唯一灰度值。

2.4 馬鈴薯早疫病病斑圖像增強

圖像增強旨在提高圖像質量，使病斑的特征更加明顯，從而便于后續的識別與分析。本試驗中采用直方圖均衡化和銳化處理，應用直方圖均衡化來改善圖像的整體對比度，隨后使用銳化處理來突出病斑的邊緣和紋理細節，以改善圖像的視覺效果和分析效率[5]。

2.4.1 直方圖均衡化

直方圖均衡化是一種廣泛應用于圖像增強的技術，主要通過改變圖像的亮度分布來提升圖像對比度。該技術的操作基于圖像的直方圖，旨在把原始圖像的直方圖調整成一個大致均勻的分布，以此來增強圖像整體的對比度效果。直方圖均衡化的公式如下：

式中：h(v)為原始圖像的直方圖；cumsum(h(v))表示累積直方圖；total_pixels為圖像中的總像素數；L為灰度級別的數量；H(v)為均衡化后的直方圖[6]。

2.4.2 銳化處理

除了直方圖均衡化，本試驗還采用了銳化處理來增強圖像的邊緣和紋理細節。銳化處理通過增強圖像中的高頻成分來實現，使圖像看起來更加清晰。常用的銳化技術包括使用拉普拉斯算子或高通濾波器。銳化的基本公式可以表示為：

式中：I為原始圖像，L×I表示經過拉普拉斯算子處理后的圖像；k為增強系數；I′為最終的銳化圖像。

2.5 馬鈴薯早疫病病斑模式識別

在本次試驗中，馬鈴薯早疫病病斑模式識別通過結合高級圖像處理技術和機器學習算法得以實現。首先，利用圖像處理軟件MATLAB 進行了病斑的特征提取，包括形狀、大小、顏色和紋理等參數。其中，形態學運算用于分析病斑的形狀和大小，色彩空間轉換用于提取顏色特征，灰度共生矩陣（GLCM）分析病斑的紋理特性[7]。隨后，提取出的特征被用作支持向量機（SVM）和卷積神經網絡（CNN）兩種機器學習模型的輸入數據，通過在Python 環境中進行模型的構建和訓練，完成對新的圖像樣本進行分類和識別。

3 結果與分析

3.1 馬鈴薯早疫病樣本獲取

在本次試驗中，建立了一套完備的光照采集系統，如圖2所示。試驗中，數碼相機拍攝的照片被上傳到計算機系統，創建了一個包含馬鈴薯葉部病害的數字圖像數據庫，為之后的病害診斷提供了重要的數據支持。采集的馬鈴薯早疫病病害圖像如圖3所示。

圖2 計算機視覺數字圖像采集設備Fig.2 Computer vision digital image acquisition equipment

圖3 馬鈴薯早疫病病狀圖Fig.3 Potato early blight disease symptom map

3.2 馬鈴薯早疫病病斑圖像顏色校正結果

在本次試驗中，為了確保馬鈴薯早疫病葉片圖像的顏色一致性和標準化，采用了白平衡調整與色彩校準兩種校準方法，校準后的圖像如圖4所示。

圖4 馬鈴薯圖像顏色校正圖像Fig.4 Potato image color correction image

通過比較校正前后的效果，無論是掃描儀還是照相機拍攝的灰卡圖像，在應用顏色校正公式后，均能獲得一致的效果。說明本次系統中使用的校正算法對不同的光照條件有很好的適應性，能夠有效地使馬鈴薯葉片的圖像在各種光線環境下保持一致的色彩表現。通過這種算法校正，即使在變化的光照條件下，也可達到較好的圖像色彩效果。

3.3 馬鈴薯早疫病病葉數字圖像裁剪效果

通過使用Adobe Photoshop 軟件，對圖像進行裁剪，實現了馬鈴薯早疫病目標圖像與復雜背景的剝離，成果如圖5所示。

圖5 馬鈴薯早疫病受影響葉片的數字圖像裁剪效果Fig.5 Digital image cropping effect of potato early blight affected leaves

3.4 馬鈴薯早疫病病斑數字圖像灰度化處理效果

對處理后獲得的病斑區域再次進行灰度化處理，生成了基于RGB 和HIS 顏色模型的6 個不同通道的灰度圖像（如圖6所示）。

圖6 馬鈴薯早疫病病斑圖像灰度化處理Fig.6 Grayscale processing of potato early blight lesion images

經過仔細比對和分析這些圖像，觀察到在RGB 模型中，所采用此R 通道灰度化的圖像可清晰展示馬鈴薯早疫病病斑的邊界，并保留了較為完整的細節特征。此發現對于后期病斑特征分析與提取較為有利。同時考慮R 通道灰度化圖像在揭示病斑特征方面的明顯優勢，試驗決定使用R 通道的圖像進行馬鈴薯病斑的進一步分析和處理。

3.5 馬鈴薯早疫病病斑圖像增強效果

將灰度化處理后的病斑圖像，采用直方圖均衡化和銳化處理進行圖像增強處理，結果如圖7所示。

圖7 馬鈴薯早疫病病斑增強圖像Fig.7 Enhanced images of potato early blight lesions

3.6 馬鈴薯早疫病病斑模式識別

在本次試驗中，對于馬鈴薯早疫病病斑模式的識別結果表現出了顯著的準確性和效率。試驗共處理了350 片葉片樣本，其中包含300 片表現早疫病癥狀的葉片和50片健康葉片作為對照組。通過應用支持向量機（SVM）和卷積神經網絡（CNN）兩種機器學習模型，成功地對病斑葉片進行了有效識別。

在使用SVM 模型識別時，早疫病識別準確率大約在92%，表明了該模型在病斑識別上的可靠性。在應用CNN 模型時，識別準確率提升至大約95%，顯示出更高的診斷效能。特別是在提取病斑的形狀和紋理特征方面，CNN 模型展現出了更為精細和深入的分析能力。而在健康葉片的識別方面，準確率達到了接近98%，進一步驗證了模型的有效性和魯棒性。且試驗僅存在少量的錯誤分類，包括SVM 模型中大約24 例誤判，CNN模型中約17例誤判，在總體樣本量中占比較小。

綜合來看，本次試驗中應用的“圖像+光譜”技術在馬鈴薯早疫病病斑的模式識別上展現出了高效和精準的特點。其中CNN模型更是在處理復雜圖像和特征時表現出了卓越的性能，為馬鈴薯早疫病的早期診斷和智能化處理提供了強有力的技術支持。此項技術的成功應用，對于提高農業生產中病害診斷的效率和準確性，具有重要的實際意義。

4 結語

綜上所述，為實現馬鈴薯早疫病的智能化診斷，本文提出了基于“圖像+光譜”的智能化診斷方法。此方法通過高效地收集和處理馬鈴薯早疫病病斑的相關圖像信息，包括數字化處理、顏色校正和圖像裁剪等關鍵步驟，有效地提取了病斑的關鍵特征。此外，利用先進的機器學習技術，如支持向量機和卷積神經網絡，實現了對馬鈴薯早疫病病斑模式的高精度識別和自動診斷。此方法不僅可提高了馬鈴薯早疫病診斷的準確性和效率，而且還能為智能化植物病害監測和預警提供了全新的技術途徑。