机器视觉在HSV颜色空间下稻瘟病病程分级判定研究

doi:10.11923/j.issn.2095-4050.cjas20190700108

农学学报 ›› 2020, Vol. 10 ›› Issue (10): 83-90.doi: 10.11923/j.issn.2095-4050.cjas20190700108

所属专题：水稻

机器视觉在HSV颜色空间下稻瘟病病程分级判定研究

刘永波¹(), 雷波¹(), 胡亮¹, 唐江云¹, 曹艳¹, 尹亚琳²

¹四川省农业科学院农业信息与农村经济研究所,成都 610011
²四川农业大学,成都 611130

收稿日期:2019-07-08 修回日期:2019-09-29 出版日期:2020-10-20 发布日期:2020-11-18
通讯作者: 雷波 E-mail:dylyb618@163.com;689300@sina.com
作者简介:刘永波,男,1988年出生,四川甘洛人,助理研究员,硕士,主要从事计算机视觉技术与农业信息化研究。通信地址：610011 四川省成都市锦江区净居寺路20号附101号信息所,Tel：028-84504208,E-mail： dylyb618@163.com。
基金资助:
四川省科技厅“十三五”农作物及畜禽育种战略研究与云服务平台建设(2016NYZ0054);四川省科技计划项目“基于深度卷积神经网络的玉米病害智能识别与分级鉴定研究”(2018JY0631)

The Grading Determination of Rice Blast: HSV Color Space Method Based on Machine Vision

Liu Yongbo¹(), Lei Bo¹(), Hu Liang¹, Tang Jiangyun¹, Cao Yan¹, Yin Yalin²

¹Institute of Agricultural Information and Rural Economy, Sichuan Academy of Agricultural Sciences, Chengdu 610011, Sichuan, China
²Sichuan Agricultural University, Chengdu 611130, Sichuan, China

Received:2019-07-08 Revised:2019-09-29 Online:2020-10-20 Published:2020-11-18
Contact: Lei Bo E-mail:dylyb618@163.com;689300@sina.com

摘要/Abstract

摘要：

该研究旨在开发基于机器视觉技术的稻瘟病病程分级系统,实现对稻瘟病病程分级准确、客观的判定。提出基于GrabCut、高斯滤波、OTSU二值化、颜色空间转换、阈值切割等处理的稻瘟病分级判定算法模型,该算法模型利用OpenCV与python语言实现,以反向阈值切割为核心策略分离叶片与病斑,再以循环遍历模式统计像素点得出病斑面积占比,实现对稻瘟病的快速、精确分级。试验结果表明,该算法模型与专业研究人员人工判定的结果匹配度达95.77%,相对于人工判定,具备更高的稳定性和客观性。目前对稻瘟病病程分级主要依赖研究人员通过经验判定,客观、准确的判定病程对防治稻瘟病具有重要意义。该系统以手机APP为图像采集端口,不依赖其他仪器和设备,通过手机拍照即可实时获得稻瘟病精确的分级结果,降低了研究门槛,提高了科研工作的效率。

关键词: 水稻病害, 稻瘟病, 图像处理, 机器视觉, GrabCut, 病程分级

Abstract:

The purpose is to develop a grading system for the disease course of rice blast based on machine vision technology, so as to realize accurate and objective classification of the disease course of rice blast. Based on GrabCut, gaussian filter, OTSU binarization, color space conversion, threshold cutting, etc., an algorithm model of rice blast classification judgment was proposed. The algorithm model is implemented by OpenCV and python, and the reverse threshold cutting is taken as the core strategy to separate the leaves from the diseased spots, and then the percentage of diseased spots is calculated by the cyclic traversal model to realize the rapid and accurate classification of rice blast. The result of the algorithm model matches the manual judgment by professional researchers up to 95.77%. Compared with the manual judgment, the algorithm model has higher stability and objectivity. At present, the classification of disease course of rice blast mainly depends on the experience judgment of researchers. Objective and accurate determination of disease course is of great significance for the prevention and treatment of rice blast. Mobile phone APP is used as image acquisition port, which does not rely on other instruments and equipment and could obtain accurate grading results of rice blast in real time, reduce the threshold of research and improve the efficiency of scientific research.

Key words: Rice Diseases, Rice Blast, Image Processing, Machine Vision, GrabCut, Disease Course Grading

中图分类号:

刘永波, 雷波, 胡亮, 唐江云, 曹艳, 尹亚琳. 机器视觉在HSV颜色空间下稻瘟病病程分级判定研究[J]. 农学学报, 2020, 10(10): 83-90.

Liu Yongbo, Lei Bo, Hu Liang, Tang Jiangyun, Cao Yan, Yin Yalin. The Grading Determination of Rice Blast: HSV Color Space Method Based on Machine Vision[J]. Journal of Agriculture, 2020, 10(10): 83-90.

图/表 10

参考文献 25

[1]	曾慧芳. 水稻新品种对稻瘟病和稻曲病的综合抗性评价[J]. 福建农业学报, 2018,33(08):842-848.
[2]	刘小红. 基于Android平台的水稻病害智能诊断关键技术研究[J]. 安徽农业科学, 2018,46(10):183-184,193.
[3]	莫洪武, 万荣泽. 计算机视觉在水稻大面积制种中的应用研究[J]. 农机化研究, 2019(3).
[4]	钟平川, 王娜, 肖一荻, 等. 基于计算机视觉的原木高出材率的研究[J]. 计算机科学, 2018,45(S2):176-179,202.
[5]	汪成龙, 陈广财, 陈国壮. 基于OpenCV的畸形马铃薯识别方法[J]. 湖南农业科学, 2018(04):85-87.
[6]	张楠, 路阳, 李欣, 等. 基于softmax的水稻稻瘟病识别方法研究[J]. 信息记录材料, 2018,19(1):209-211.
[7]	路艳, 肖志勇, 杨红云, 等. 基于Android的水稻叶片特征参数测量系统[J]. 南方农业学报, 2019,50(3):669-676.
[8]	李文采, 李家鹏, 田寒友, 等. 基于RGB颜色空间的冷冻猪肉储藏时间机器视觉判定[J]. 农业工程学报, 2019,35(3):294-300.
[9]	胡玉平, 肖行, 罗东俊. 基于GrabCut改进算法的服装图像检索方法[J]. 计算机科学, 2016,43(S2):242-246.
[10]	Gonzalez R C, Woods R E. Digital Image Processing[M]. 北京: 电子工业出版社, 2007.
[11]	Taheri S, Vedienbaum A, Nicolau A, et al. OpenCV.js: computer vision processing for the open web platform[C]// the 9th ACM Multimedia Systems Conference. ACM, 2018.
[12]	Zelinsky A. Learning OpenCV---Computer Vision with the OpenCV Library (Bradski G R, et al.; 2008)[On the Shelf][J]. IEEE Robotics & Automation Magazine, 2009,16(3):100-100.
[13]	Bradski G, Kaehler A. Learning OpenCV, 1st Edition[M]// Learning opencv, 1st edition. O'Reilly Media, Inc. 2008.
[14]	Solem J E. Programming Computer Vision With Python: Techniques and Libraries for Imaging and Retrieving Information[J]. 2012.
[15]	张发军, 明晓杭, 宋钰青, 等. 基于OpenCV的木材表面缺陷检测系统设计与实验验证[J]. 机械工程师, 2019(1):21-23,30.
[16]	N.K Ambika, P Supriya. Detection of Vanilla Species by Employing Image Processing Approach[J]. Procedia Computer Science, 2018,143.
[17]	Itoh M, Chua L O. Imitation of visual illusions via opencv and cnN[J]. International Journal of Bifurcation and Chaos, 2008,18(12):3551-3609. doi: 10.1142/S0218127408022573 URL
[18]	刘永波, 雷波, 曹艳, 等. 基于深度卷积神经网络的玉米病害识别[J]. 中国农学通报, 2018,34(36):159-164.
[19]	Cucchiara R. Improving shadow suppression in moving object detection with HSV color information[C]// 2001 IEEE Intelligent Transportation Systems Conference Proceedings. IEEE, 2001.
[20]	Sural S, Qian G, Pramanik S. Segmentation and histogram generation using the HSV color space for image retrieval[C]// Proceedings. International Conference on Image Processing. IEEE, 2002.
[21]	Pajaziti A, Bajrami X, Paliqi A. Path Control of Quadruped Robot through Convolutional Neural Networks[J]. IFAC PapersOnLine, 2018,51(30).
[22]	宋彦, 谢汉垒, 宁井铭, 等. 基于机器视觉形状特征参数的祁门红茶等级识别[J]. 农业工程学报, 2018,34(23):279-286.
[23]	Lin Y C, Wang C Y, Zeng J Y. A case study on mathematical expression recognition to GPU[J]. The Journal of Supercomputing, 2017,73(8).
[24]	谢凯. 基于高光谱遥感的水稻稻瘟病分级检测技术[D]. 长沙:湖南农业大学, 2017.
[25]	王风云, 封文杰, 郑纪业, 等. 基于机器视觉的双孢蘑菇在线自动分级系统设计与试验[J]. 农业工程学报, 2018,34(7):256-263.

分级	特征	病斑占叶片面积
0	无病	0%
1	病斑少而小	1%以下
2	病斑小而多,或大而少	1%~5%
3	病斑大而较多	5%~10%
4	病斑大而多	10%~50%
5	病斑占比大,全叶枯死	50%以上

分级	特征	病斑占叶片面积
0	无病	0%
1	病斑少而小	1%以下
2	病斑小而多,或大而少	1%~5%
3	病斑大而较多	5%~10%
4	病斑大而多	10%~50%
5	病斑占比大,全叶枯死	50%以上

分级	人工分级数量	算法分级数量	差值	误差率/%
1	52	52	0	0
2	47	45	+2	2.33
3	39	41	-2	2.33
4	22	16	+6	11.76
5	29	35	-6	11.76
总计	189	189	8	4.23

分级	人工分级数量	算法分级数量	差值	误差率/%
1	52	52	0	0
2	47	45	+2	2.33
3	39	41	-2	2.33
4	22	16	+6	11.76
5	29	35	-6	11.76
总计	189	189	8	4.23

编号	全叶像素点面积	去病斑像素点面积	病斑面积	面积占比/%	算法分级	人工分级
1	41791	39252	2539	6.08	3	2
2	28054	26506	1548	5.52	3	2
3	34532	10358	24174	70.01	5	4
4	30525	9684	20841	68.28	5	4
5	37719	18639	19080	50.58	5	4
6	34811	16576	18235	52.38	5	4
7	40572	18268	22304	54.97	5	4
8	39818	9803	30015	75.38	5	4

机器视觉在HSV颜色空间下稻瘟病病程分级判定研究

The Grading Determination of Rice Blast: HSV Color Space Method Based on Machine Vision

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 10

参考文献 25

相关文章 3

编辑推荐

Metrics

本文评价

关于本刊

作者中心

审者中心

在线期刊

联系我们

[1]	严羽, 王维建, 姚宇阗, 陈宸, 仇俊, 张晓伟, 陈夕军. 几种生物制剂对有机水稻稻瘟病的防效及产量和品质的影响[J]. 农学学报, 2022, 12(7): 5-11.
[2]	宋英博. 数字图像处理技术在叶面积测量中的应用[J]. 农学学报, 2022, 12(2): 73-75.
[3]	宋英博,郭伟,张洪权,孟凡祥,王囡囡,李于. 图像处理技术在玉米叶面积测量中的实际应用[J]. 农学学报, 2015, 5(8): 111-114.