专利名称：一种基于机器视觉的水稻穗颈瘟染病程度分级方法
技术领域：
本发明涉及一种水稻穗颈瘟染病程度分级方法。
背景技术：
稻瘟病是由真菌Pyricularia grisea Sacc.引起的最具毁灭性的水稻病害之一， 广泛分布于世界各稻作区，在水稻的整个生育期都可发病，造成大面积的危害，其中以穗颈 瘟对产量的影响最大。一旦水稻感染了穗颈瘟，轻者严重减产，重者基本绝收。目前，穗颈 瘟常用的染病程度鉴定方法主要是培养稻穗离体接种，然后通过植保专家进行目测调查， 参照国家稻瘟病穗瘟发病率分级标准，对病情进行分级。人工对穗颈瘟染病程度进行分析 评判需要花费大量的时间和精力，效率不高。

发明内容
为了克服已有水稻穗颈瘟染病程度分级方法的人工分级、费时费力、可靠性差、效 率较低的不足，本发明提供一种省时省力、可靠性高、效率很高的基于机器视觉的水稻穗颈 瘟染病程度分级方法。本发明解决其技术问题所采用的技术方案是一种基于机器视觉的水稻穗颈瘟染病程度分级方法，所述分级方法包括以下步 骤(1)建立水稻穗颈瘟染病程度分级模型，其过程为(1. 1)、盆栽水稻样本，并对水稻穗颈进行离体接种，并由水稻病虫害方面的植保 专家对水稻穗颈瘟染病程度进行评判分级；(1. 2)、采用多光谱成像仪拍摄水稻穗颈样本的图像；(1. 3)、将获得的多光谱图像去除图像背景，提取图像信息；(1. 4)、将多光谱图像在RGB颜色空间和HIS颜色空间中的六个分量分别计算均值 和方差，获得图像的12个颜色特征；(1. 5)、通过对获取的12个颜色特征进行变量标准化预处理，然后进行用以对数 据降维的主成分分析，根据各主成分的贡献率，选择第一主成分和第二主成分作为后续分 析的变量；(1.6)、建立最小二乘-支持向量机分级模型，其中，核函数选用RBF核函数，最小 二乘-支持向量机分级模型的输入为步骤(1. 中的第一主成分和第二主成分，最小二 乘-支持向量机分级模型的输出为水稻样本的穗颈瘟染病级别，根据水稻样本的变量输入 和准确率的预设阈值，设定惩罚系数和核函数密度；(2)对农田现场的水稻染病程序进行测试，其过程为(2. 1)、采用多光谱成像仪拍摄农田现场的水稻的图像；(2. 2)、将获得的多光谱图像去除图像背景，提取图像信息；(2. 3)、将多光谱图像在RGB颜色空间和HIS颜色空间中的六个分量分别计算均值和方差，获得图像的12个颜色特征；(2. 4)、通过对获取的12个颜色特征进行变量标准化预处理，然后进行用以对数 据降维的主成分分析，根据各主成分的贡献率，得到第一主成分和第二主成分；(2. 5)、将第一主成分和第二主成分作为测试模型的输入，运行所述测试模型得到 农田现场的水稻的穗颈瘟染病级别。进一步，所述多光谱成像仪具有三个电荷耦合器件图像传感器，采集的图像包括 三个波段的图像分量，所述三个波段分别是红光波段、绿光波段和近红外波段，其中，红光 波段的波长范围650nm士40nm，绿光波段的波长范围550nm士40nm，近红外波段的波长范 围为800nm士40nm。再进一步，所述步骤(1. 1)中，穗颈瘟染病程度由水稻病虫害方面的植保专家根 据国家标准评判，通过平均病情指数来表示染病程度，平均病情指数是0 9之间的一个数 值；如果平均病情指数在0 3之间，认为染病程度为轻；平均病情指数在3 7之间，认为 染病程度为中；平均病情指数在7 9之间，认为染病程度为重。更进一步，所述步骤(1. 1)中，水稻样本采用不同抗性类型的原丰早等籼稻和粳 稻品种。所述步骤(1. 2)中，室内无日光时采用人工光源。当然，多光谱成像仪所用光源通 常为自然光。所述步骤(1. 6)中，设定惩罚系数和核函数密度的过程为(1. 6. 1)依照经验值给定初始惩罚系数和核函数密度，将水稻样本的变量输入最 小二乘-支持向量机分级模型，输出为水稻样本的穗颈瘟染病级别；(1. 6. 2)、对建立的最小二乘-支持向量机分级模型以设定数量的样本进行测试， 判定准确率是否达到预设阈值时，如果准确率已经达到预设阈值，则当前的最小二乘-支 持向量机分级模型为测试模型；如果准确率未达到预设阈值，则返回步骤(1.6)，重新设定 惩罚系数和核函数密度。当然，最小二乘-支持向量机分级模型的惩罚系数和核函数密度也可以通过其他 优化算法获得，例如采用二步网格搜索法和留一法交叉验证相结合对两个模型参数进行全 局寻优，以训练集交叉验证误差均方根为指标计算得到惩罚系数和核函数密度。所述步骤(1.6.2)中，惩罚系数Y = 10，核函数密度σ2 = 1。当然，根据实际需 要，上述参数可以另行确定。本发明的技术构思为机器视觉技术，从获取的测定对象图像中得到大量的参数 和信息，数据具有较好的适应性和鲁棒性。它在农业生产上的应用主要是杂草识别、植物营 养预测、植物病害检测、水势测量、农产品分级等。数字图像中的多光谱图像由红、绿、近红 外3个光谱分量组成的假彩色RGB图像。当植物受到病菌胁迫后，植物叶片的光合色素含 量和细胞结构会发生改变，不同波段的光谱反射率随之会产生变化，可以用于全面检测和 分析受害植物叶片和冠层的特征信息。利用MS3100多光谱成像仪获取大量水稻穗颈瘟样本多光谱图像，使用Matlab R2007b对图像进行处理，提取图像特征，然后对图像特征进行变量标准化(standard normal variate, SNV)禾口主成分分析(principal component analysis, PCA)，获取贡献 率最高的两个主成分，最后根据最小二乘-支持向量机(least square-support vectormachine,LS-SVM)原理建立水稻穗颈瘟染病程度分级模型。当需要判断水稻穗颈的染病程 度时，只需要使用MS3100拍摄水稻穗颈的多光谱图像，然后利用已经编写的mablab程序进 行图像处理和特征获取，并输入到建立的LS-SVM分级模型中，即可得到判断结果，模型的 判断准确率高达80%。 选用的多光谱成像仪美国Redlake公司的MS3100 Duncan Camera，具有三个电 荷耦合器件(Charge Coupled Device, (XD)图像传感器，采集的图像包括三个波段的图像 分量，这三个波段分别是红光波段(650nm士40歷)、绿光波段(6550nm士40歷)，近红外波 段(SOOnm士40nm)。利用MS3100多光谱成像仪获取水稻穗颈的多光谱图像，使用Matlab R2007b去除图像背景，提高图像信噪比，并分别在RGB颜色空间和HIS颜色空间中计算各 图像分量的灰度平均值和方差，共获得12个图像特征。然后对获得的图像特征进行变量标 准化(SNV)和主成分分析(PCA)，选取两个贡献最大的主成分。根据最小二乘-支持向量 机(LS-SVM)的原理，建立水稻穗颈瘟染病程度的最小二乘-支持向量机(LS-SVM)分级模 型，其中水稻的具体染病程度的参考标准为植保专家根据国家标准作出的判断，分为轻度、 中度、重度三个级别。LS-SVM分级模型判断水稻穗颈瘟染病程度的准确度可达80%。
本发明的有益效果主要表现在(1)操作方便，不需要植保专家到现场进行判断，只需要获取水稻图像，通过图像 处理获得图像特征，然后利用建立的LS-SVM分级模型即可进行染病程度分级，其中的图像 处理和特征获取的过程都已经编写成matlab程序，可直接调用，LS-SVM分级模型也被编写 成matlab程序，只要将处理后获得的数据输入模型，得到的输出就是水稻穗颈瘟的染病程度。(2)准确度高，建立的LS-SVM分级模型对100个预测样本进行染病程度判断，准确 度高达80%，这在机器诊断植物病害的方法中准确度是比较高的。(3)工具简单，检测工具包括一台MS3100多光谱成像仪、一台装有Unscrambler V9. 7和Matlab R 2007b的微型计算机即可。(4)根据诊断结果，农户可以根据水稻穗颈瘟染病程度的不同使用农药，避免大面 积大量使用农药，有利于节约农药，并能有效降低环境污染，实现农业的信息化、精细化经
营和管理。


图1为本发明方法的模型建立过程。图2为本发明方法中图像处理与特征提取的过程。图3为使用本发明方法判断水稻穗颈瘟染病程度的过程。
具体实施例方式下面结合附图对本发明作进一步描述。参照图1 图3，一种基于机器视觉的水稻穗颈瘟染病程度分级方法，所述分级方 法包括以下步骤(1)建立水稻穗颈瘟染病程度分级模型，其过程为(1. 1)、盆栽水稻样本，并对水稻穗颈进行离体接种，并由水稻病虫害方面的植保专家对水稻穗颈瘟染病程度进行评判分级；(1. 2)、采用多光谱成像仪拍摄水稻穗颈样本的图像；(1. 3)、将获得的多光谱图像去除图像背景，提取图像信息；(1. 4)、将多光谱图像在RGB颜色空间和HIS颜色空间中的六个分量分别计算均值 和方差，获得图像的12个颜色特征；(1. 5)、通过对获取的12个颜色特征进行变量标准化预处理，然后进行用以对数 据降维的主成分分析，根据各主成分的贡献率，选择第一主成分和第二主成分作为后续分 析的变量，所述第一主成分的贡献率最高，所述第二主成分的贡献率次最高；(1. 6)、建立最小二乘-支持向量机分级模型，其中，核函数选用RBF核函数；最 小二乘-支持向量机分级模型的输入为步骤(1. 中的第一主成分和第二主成分，最小二 乘-支持向量机分级模型的输出为水稻样本的穗颈瘟染病级别；根据变量输入和准确率的 预设阈值，设定惩罚系数和核函数密度；(2)对农田现场的水稻染病程序进行测试，其过程为(2. 1)、采用多光谱成像仪拍摄农田现场的水稻的图像；(2. 2)、将获得的多光谱图像去除图像背景，提取图像信息；(2. 3)、将多光谱图像在RGB颜色空间和HIS颜色空间中的六个分量分别计算均值 和方差，获得图像的12个颜色特征；(2. 4)、通过对获取的12个颜色特征进行变量标准化预处理，然后进行用以对数 据降维的主成分分析，根据各主成分的贡献率，得到第一主成分和第二主成分；(2. 5)、将第一主成分和第二主成分作为测试模型的输入，运行所述测试模型得到 农田现场的水稻的穗颈瘟染病级别。所述多光谱成像仪具有三个电荷耦合器件图像传感器，采集的图像包括三个波段 的图像分量，所述三个波段分别是红光波段、绿光波段和近红外波段，其中，红光波段的 波长范围650nm士40nm，绿光波段的波长范围550nm士40nm，近红外波段的波长范围为 800nm士40nm。所述步骤(1. 1)中，穗颈瘟染病程度由水稻病虫害方面的植保专家根据国家标准 评判，通过平均病情指数来表示染病程度，平均病情指数是0 9之间的一个数值；如果平 均病情指数在0 3之间，认为染病程度为轻；平均病情指数在3 7之间，认为染病程度 为中；平均病情指数在7 9之间，认为染病程度为重。所述步骤(1. 1)中，水稻样本采用不同抗性类型的原丰早等籼稻和粳稻品种。所述步骤(1. 2)中，室内无日光时采用人工光源。当然，多光谱成像仪所用光源通 常为自然光。所述步骤(1. 6)中，设定惩罚系数和核函数密度的过程为(1. 6. 1)依照经验值给定初始惩罚系数和核函数密度，将水稻样本的变量输入最 小二乘-支持向量机分级模型，输出为水稻样本的穗颈瘟染病级别；(1. 6. 2)、对建立的最小二乘-支持向量机分级模型以设定数量的样本进行测试， 判定准确率是否达到预设阈值时，如果准确率已经达到预设阈值，则当前的最小二乘-支 持向量机分级模型为测试模型；如果准确率未达到预设阈值，则返回步骤(1.6)，重新设定 惩罚系数和核函数密度。
当然，最小二乘-支持向量机分级模型的惩罚系数和核函数密度也可以通过其他 优化算法获得，例如采用二步网格搜索法和留一法交叉验证相结合对两个模型参数进行全 局寻优，以训练集交叉验证误差均方根为指标计算得到惩罚系数和核函数密度。所述步骤(1.6.2)中，惩罚系数Y = 10，核函数密度σ2 = 1。当然，根据实际需 要，上述参数可以另行确定。本实施例利用MS3100多光谱成像仪获取大量水稻穗颈瘟样本多光谱图像，使 用Matlab R2007b对图像进行处理，提取图像特征，然后对图像特征进行变量标准化 (standard normal variate, SNV)禾口 (principal component analysis, PCA)， 获取贡献率最高的两个主成分，最后根据最小二乘-支持向量机(least square-support vector machine,LS-SVM)原理建立水稻穗颈瘟染病程度分级模型。当需要判断水稻穗颈的 染病程度时，只需要使用MS3100拍摄水稻穗颈的多光谱图像，然后利用已经编写的mablab 程序进行图像处理和特征获取，并输入到建立的LS-SVM分级模型中，即可得到判断结果， 模型的判断准确率高达80%。变量标准化(standard normal variate，SNV)可以用来校正样本间因散射引起的 反射率误差，它将原始数据减去数据集的平均值μ，然后除以该数据集的标准差ο，实质 上是使原始数据标准正态化，即
权利要求
1.一种基于机器视觉的水稻穗颈瘟染病程度分级方法，其特征在于所述分级方法包 括以下步骤(1)建立水稻穗颈瘟染病程度分级模型，其过程为(1.1)、盆栽水稻样本，并对水稻穗颈进行离体接种，并由水稻病虫害方面的植保专家 对水稻穗颈瘟染病程度进行评判分级；(1. 2)、采用多光谱成像仪拍摄水稻穗颈样本的图像；(1. 3)、将获得的多光谱图像去除图像背景，提取图像信息；(1. 4)、将多光谱图像在RGB颜色空间和HIS颜色空间中的六个分量分别计算均值和方 差，获得图像的12个颜色特征；(1.5)、通过对获取的12个颜色特征进行变量标准化预处理，然后进行用以对数据降 维的主成分分析，根据各主成分的贡献率，选择第一主成分和第二主成分作为后续分析的变量；(1.6)、建立最小二乘-支持向量机分级模型，其中，核函数选用RBF核函数，最小二 乘-支持向量机分级模型的输入为步骤(1.5)中的第一主成分和第二主成分，最小二乘-支 持向量机分级模型的输出为水稻样本的穗颈瘟染病级别；根据变量输入和准确率的预设阈 值，设定惩罚系数和核函数密度；(2)对农田现场的水稻染病程序进行测试，其过程为(2. 1)、采用多光谱成像仪拍摄农田现场的水稻的图像；(2. 2)、将获得的多光谱图像去除图像背景，提取图像信息；(2. 3)、将多光谱图像在RGB颜色空间和HIS颜色空间中的六个分量分别计算均值和方 差，获得图像的12个颜色特征；(2. 4)、通过对获取的12个颜色特征进行变量标准化预处理，然后进行用以对数据降 维的主成分分析，根据各主成分的贡献率，得到第一主成分和第二主成分；(2. 5)、将第一主成分和第二主成分作为测试模型的输入，运行所述测试模型得到农田 现场的水稻的穗颈瘟染病级别。
2.如权利要求1所述的一种基于机器视觉的水稻穗颈瘟染病程度分级方法，其特征在 于所述多光谱成像仪具有三个电荷耦合器件图像传感器，采集的图像包括三个波段的图 像分量，所述三个波段分别是红光波段、绿光波段和近红外波段，其中，红光波段的波长范 围650 nm士40 nm，绿光波段的波长范围550 nm士40 nm，近红外波段的波长范围为800 nm士40 nm。
3.如权利要求1或2所述的一种基于机器视觉的水稻穗颈瘟染病程度分级方法，其特 征在于所述步骤(1.1)中，穗颈瘟染病程度由水稻病虫害方面的植保专家根据国家标准 评判，通过平均病情指数来表示染病程度，平均病情指数是0 9之间的一个数值；如果平 均病情指数在0 3之间，认为染病程度为轻；平均病情指数在3 7之间，认为染病程度 为中；平均病情指数在7 9之间，认为染病程度为重。
4.如权利要求3所述的一种基于机器视觉的水稻穗颈瘟染病程度分级方法，其特征在 于所述步骤(1. 1)中，水稻样本采用不同抗性类型的原丰早等籼稻和粳稻品种。
5.如权利要求1或2所述的一种基于机器视觉的水稻穗颈瘟染病程度分级方法，其特 征在于所述步骤(1.2)中，室内无日光时采用人工光源。
6.如权利要求1或2所述的一种基于机器视觉的水稻穗颈瘟染病程度分级方法，其特 征在于所述步骤(1.6)中，设定惩罚系数和核函数密度的过程为(1. 6. 1)依照经验值给定初始惩罚系数和核函数密度，将水稻样本的变量输入最小二 乘-支持向量机分级模型，输出为水稻样本的穗颈瘟染病级别；(1. 6. 2)、对建立的最小二乘-支持向量机分级模型以设定数量的样本进行测试，判定 准确率是否达到预设阈值时，如果准确率已经达到预设阈值，则当前的最小二乘-支持向 量机分级模型为测试模型；如果准确率未达到预设阈值，则返回步骤(1. 6)，重新设定惩罚 系数和核函数密度。
7.如权利要求6所述的一种基于机器视觉的水稻穗颈瘟染 病程度分级方法，其特征在于所述步骤(1.6. 2)中，惩罚系数 r=io，核函数密度沪=1。
全文摘要
一种基于机器视觉的水稻穗颈瘟染病程度分级方法，包括以下步骤(1)建立水稻穗颈瘟染病程度分级模型；(2)对农田现场的水稻染病程序进行测试，其过程为(2.1)、采用多光谱成像仪拍摄农田现场的水稻的图像；(2.2)、将获得的多光谱图像去除图像背景，提取图像信息；(2.3)、获得图像的12个颜色特征；(2.4)、通过对获取的12个颜色特征进行变量标准化预处理，然后进行用以对数据降维的主成分分析，根据各主成分的贡献率，得到第一主成分和第二主成分；(2.5)、将第一主成分和第二主成分作为测试模型的输入，运行所述测试模型得到农田现场的水稻的穗颈瘟染病级别。本发明省时省力、可靠性高、效率很高。
文档编号G01N21/25GK102072885SQ20101057428
公开日2011年5月25日 申请日期2010年12月6日 优先权日2010年12月6日
发明者何勇, 冯雷, 杨凯盛 申请人:浙江大学