复杂自然环境下的棉花病叶分割与病害识别的鲁棒性方法研究

Fast and accurate identification of diseases is a key link of disease prevention and precondition of success. While in the actual field environment, dramatic lighting changes within one day, Reflection under different background, different weather conditions and other factors, these make the cotton disease image acquisition with complex background noise, uneven color and complex characteristics. Therefore, leaves, lesion segmentation and disease recognition methods require more robust. This project takes 6 kinds of diseases of verticillium wilt, anthracnose, black spot, brown spot, angular leaf spot, blind stinkbug as the research object. We analyze diseased leaves and background in texture, color under different light and weather conditions, and research high robust segmentation model for cotton diseased leaves with a variety of image segmentation method. Exploring rotation, scale invariant feature extraction method for disease spots, analyzing the feasibility of lesion edge halos and Holes in the central area as Local lesion characteristics, is to extract high divisibility and invariance characteristics. After analyze the relationship between automatic learning dictionary size and sparsity, explore disease identification under the light of uneven or partial occlusion based on sparse representation theory, for Improve the robustness and accuracy of disease identified. Project research results will provide technical support for cotton disease prediction and warning under natural conditions.

快速准确的病害识别是病害成功防治的关键环节与前提条件。在实际大田环境条件下，一日之内照明变化剧烈、不同背景下的反光、不同气象条件等因素，使获取的棉花病害图像具有背景复杂、颜色不均匀、噪声繁杂的特点，因此，叶片、病斑的分割与病害识别需要特别鲁棒的方法。本项目以对棉花生长危害较为严重的黄萎病、炭疽病、黑斑病、褐斑病、角斑病、盲椿象等6种病害为研究对象，从分析病叶与背景在不同光照、气象条件下的纹理、颜色特点入手，结合多种图像分割方法，研究高鲁棒性棉花病叶分割模型；探索病斑的旋转、缩放不变性特征提取方法，并研究病斑边缘的晕圈与中心区的洞孔信息作为病斑局部特征的可行性，以提取病害高可分性与不变性的特征；在稀疏表示理论基础上，分析自动学习字典大小与稀疏度的关系，探究在光照不均或部分遮挡情况下的病害识别方法，提高病害识别的鲁棒性与准确率。项目研究成果将为自然环境下的棉花病害预测预警提供技术支持。

研究了复杂自然环境下的棉花病叶分割与病害识别的鲁棒性方法，完成项目目标。其主要成果包括：为病害处理与识别训练对大样本量的需要，采集了自然条件下棉花植株与病叶图像，建立了囊括6种病害的棉花病害图像库。探索了多种棉花病叶图像预处理方法，确定了多颜色分量的高斯滤波能较好滤除噪声。针对多株棉花分割，提出了基于马尔可夫随机场最优化模型与非监督共同显著性检测算法的联合多株棉花背景图像分割方法，实现了晴天、阴天与雨后气象条件下棉花叶片的自动、普适和精确分割。针对棉花病叶分割，提出了一种融合全局梯度与局部信息主动轮廓的棉花病叶自动分割方法，设计了分段单调递减的边缘复合函数，将Canny边缘检测算子梯度作为全局信息引入模型中，该方法克服了LBF算法曲线演化易受噪声和局部信息影响的缺点。针对粘连病斑分割，为降低分水岭分割会造成严重的过分割问题，在H-minima分水岭分割方法基础上，结合最小二乘圆法误差理论，实现了棉花粘连病斑的自适应分割。设计了棉花病斑特征提取方案，能同时提取棉花病害的颜色和纹理特征，并运用粗糙集理论进行了特征向量优化。将稀疏表示方法引入至病害识别中，开展了稀疏表示算法研究，建立了基于稀疏表示的棉花病害识别模型，提高了棉花病害识别模型的容错性与准确性。该项目成果可为自然条件下的棉花病害实时识别与远程诊断打下基础，也可为其他作物的病害识别提供新思路与理论参考。