全 文 ：基于图像处理技术的黄瓜叶部病害识别诊断系统
张 芳，付立思
(沈阳农业大学，沈阳 110866)
摘 要:主要研究了基于图像处理技术的黄瓜叶部病害识别诊断系统。该系统主要包括图像预处理模块、图像
分割模块、图像特征提取模块及图像模式识别模块等。同时，对关键模块中的复杂背景下的图像分割及支持向
量机的模式识别方式作了比较详细的介绍。实践表明，该系统能方便、快速地识别黄瓜各类病害，具有较好地推
广性和应用价值。
关键词:图像处理技术;黄瓜;病害;诊断系统
中图分类号:TP391． 41 文献标识码:A 文章编号:1003 －188X(2014)09 －0213 －03
0 引言
我国地域辽阔，设施园艺作物的种类及其品种很
多。由于生态环境复杂多样，导致作物生成的病害种
类十分繁多。在园艺作物中，黄瓜在栽培面积、品种、
数量上都很多，病害一直是制约着黄瓜生产的主要因
素。以往诊断病害通常采用传统的经验定性诊断方
法，时间较长，往往错过防治时期，每年都造成很大的
经济损失。另外，过量或不合理施用农药导致农产品
质量下降，危害人类的食物安全和健康。因此，能够
及时正确地识别黄瓜病害具有重要的社会、经济意
义。
本文以图像处理技术为主要手段，采用 Mat-
Lab2008 作为开发工具，建立了黄瓜叶部病害的识别
诊断系统。该系统能够缩短黄瓜病害的识别周期，降
低由于人为主观因素所产生的误差，提高判别精度，
为科学、有效地防治病害提供重要的理论依据。
1 研制方法
1． 1 素材采集
在辽宁省农科院、沈阳农业大学蔬菜基地及沈阳
市新光农场共采集常见黄瓜病害 10 余种，包括黄瓜
霜霉病、黄瓜白粉病、黄瓜细菌性角斑病等。采集的
素材不仅病害种类全，而且还有发病程度不同的黄瓜
收稿日期:2013 － 09 － 13
基金项目:辽宁省科学事业公益研究基金项目(2012005015) ;辽宁省
博士后集聚工程项目(2011921012)
作者简介:张 芳(1976 － ) ，女，辽宁锦州人，副教授，硕士，(E －
mail)lsjzflbh@ 163． com。
通讯作者:付立思(1964 －) ，男，沈阳人，教授，博士，(E － mail)fulisi
@ syau． edu． cn。
叶部病害图片，这些都为系统的实现奠定了良好的基
础。
1． 2 系统设计环境
1． 2． 1 计算机硬件系统
在进行黄瓜病害图像处理与识别时，需要占用较
大的存储空间［3］。本系统的计算机硬件配置为:Intel
(Ｒ)Core(TM)i3 － 2130 CPU @ 3． 4GHz，4． 00GB 的
内存，Intel(Ｒ)HD Graphics Family 显卡。
1． 2． 2 计算机软件环境
要在短时间内处理完大量的植物病害图像数据，
必须选择一种功能强大、高效的图像处理软件开发平
台。MathWorks公司开发的 MatLab 是一款适合专业
人士解决专业问题的开发软件，其强大的功能越来越
被人们所接受，而且应用领域也在不断扩大，它的开
放性和专业性恰恰可以满足这种需要。因此，选择
MatLab作为系统开发工具，并且利用它的 GUI 工具进
行界面开发，最后形成自己的图像处理软件。
2 系统总体结构
本文研究的图像获取分为两种方式，一种是大田
简单背景下采集的黄瓜叶部病害图片，另一种是大田
复杂背景下采集的黄瓜叶部病害图片。根据采集的
图像方式不同，开始对图像进行处理。主要分为 4 大
部分:①病害图像预处理;②病害图像分割;③病害图
像的特征提取;④病害图像的模式识别和诊断。
黄瓜病害诊断系统的结构如图 1 所示。
3 系统功能
根据图像处理和识别过程中功能的不同，将本系
统划分为以下几大功能模块。
·312·
2014 年 9 月 农 机 化 研 究 第 9 期
DOI:10.13427/j.cnki.njyi.2014.09.048
图 1 黄瓜病害诊断系统结构图
Fig． 1 System structure diagram of cucumber disease diagnosis
3． 1 图像预处理模块
该模块是进行黄瓜病害识别的基础。因为所采集
的大部分图片都是复杂背景下的黄瓜叶部病害图片，
并且在采集时受到采集时间、采集环境及摄影摄像器
材等各方面因素的影响，所采集到的图片会含有一些
噪声［3］。因此，要对图片进行预处理，以便能快速、准
确地提取黄瓜病斑。
该模块主要是针对大田复杂背景下采集的图像，
采用 superpixel算法和数学形态学等方法将黄瓜病斑
叶片从复杂背景中分离出来，利用中值滤波方法来对
图像噪声进行削弱，再通过非线性变换方法进行图像
增强［4］，使黄瓜叶片的病斑区域变得十分清晰。
3． 2 图像分割模块
本模块主要用来实现叶片病斑的分割提取，所用
到的分割算法包括阈值分割算法及分水岭算法等，较
好地实现了黄瓜病斑与叶片的有效分离，为后续进行
颜色、形状及纹理特征提取奠定良好的基础。
3． 3 图像特征提取模块
该模块提取了黄瓜病斑图像的颜色、纹理和形状
特征，并对提取的多个特征进行优化组合，最后将优
化后的特征存在文本文件中。该文本文件用于后期
进行黄瓜病害的分类和识别。
3． 4 病害模式识别模块
该模块采用 BP神经网络和支持向量机分类器等
算法，对前面已经获得的黄瓜病斑特征值进行模型训
练，并利用这些模型对待识别的样本进行识别与分
类［3］。
3． 5 数据维护模块
系统中设置的数据维护模块，可以方便用户对已
有的黄瓜病害数据库进行增加、修改和删除。
4 关键模块设计
4． 1 复杂背景下的图像分割
图像分割是进行病害图像分析、病害识别和诊断
的关键部分，图像分割质量的好坏将会影响到病害图
像分析与识别的结果。目前，还没有一种通用的图像
分割方法，也不存在一种客观标准来判断分割是否成
功。因此，应根据图像的本身特点，来选择比较恰当
的图像分割方法［1］。
本文重点研究的是复杂背景下的图像分割方法。
首先要将黄瓜叶片与背景分割，先将土壤或杂质等非
绿色物体去除，使病害图像只剩下叶片部分;将相邻
重叠叶片与目标叶片组成的图像用 superpixel 算法进
行过分割，这样图像就被分割成近百个区域，而且各
个区域中的色素值十分相似;把目标叶片的各个区域
进行合并，然后再进行适当的形态学操作得到掩膜图
像;利用掩膜图像得到所需的目标叶片图像。其次，
为了提取黄瓜叶片病斑区域的颜色特征、形状特征和
纹理特征，需要再将黄瓜叶片的病斑区域从正常叶片
中分割出来。这里，笔者选用的是阈值分割法，阈值
分割方法的性能取决于阈值的选取。因此，可以根据
图像的直方图来选取阈值，再分别对每个像素做出判
断。
假如要把黄瓜病害图像划分成 M 类子区域，这时
就取 M － 1 个阈值 kq，q = 1，2，…，M － 1，并用式(1)给
各个像素点标上类号。当 K(q － 1)＜ A(i，j)≤kq时，有
f(i，j)= q － 1 (1)
其中，A(i，j)是(i，j)点像素上的某种作为设置阈
值的特征［3］。
如果图像的直方图为双峰或多峰的情况，通常选
取直方图的谷点作为阈值，以便把图像的目标和背景
分开。
以黄瓜霜霉病为例，去掉复杂背景的叶片及分割
出的病斑如图 2 和图 3 所示。
4． 2 支持向量机的模式识别方法
当前，模式识别技术越来越多地应用到农业研究
领域中。常用的模式识别方法有统计识别法、模糊集
识别法、结构识别法和人工神经网络识别法等。在实
际诊断中，对于某一类病害，通常没有大量的样本，但
·412·
2014 年 9 月 农 机 化 研 究 第 9 期
大部分模式识别方法是基于大量样本基础上的，没有
足够的样本，势必会影响到诊断的正确性。支持向量
机(support vector machine，SVM)主要是用来解决小样
本的新的通用模式识别方法，它采用结构风险最小化
原理，同时也考虑训练误差和泛化能力，因此在解决
小样本、非线性、高维数等模式识别和分类问题上表
现出极大的优势［2］。
图 2 去掉复杂背景的叶片
Fig． 2 Blade of removing complex backgrounds
图 3 阈值分割后得到的病斑区域
Fig． 3 Disease spots after threshold segmentation
本研究采用支持向量机技术对黄瓜各种病害进行
识别和分类，取得了较好的识别效果。支持向量机主
要是根据结构风险最小化原理，通过构造的目标函数
将两类模式分开，主要分为线性可分和线性不可分两
类情况。
对线性可分样本集(xi，yi) ，存在一个超平面使训
练样本完全分开，最优超平面是使分类间隔最大的这
样的平面。应用二次规划方法可求得最终的分类函
数为
f(x)= sgn{∑
n
i = 1
ai* yi (xi·x)+ b
* } (2)
其中，αi
* 为 Lagrange 乘子;b* 为分类阈值。
对于线性不可分情况，考虑增加一个非负的松弛变量
ξi 和对错分样本的惩罚常数 C，所求得的最优分类函
数与式(2)相同。对于这种非线性问题，可将输入样
本从低维空间向高维空间转化成线性问题，然后在高
维空间中求最优分类面，使其变得线性可分，这就是
支持向量机。
常用的核函数如下［7］:
线性核函数为
K(x，y)= x·y (3)
多项式核函数
K(x，y)=(x·y + 1)q，q = 1，2… (4)
径向基核函数为
K(x，y)= exp － ‖x － y‖
2
2σ( )2 (5)
Sigmoid 核函数为
K(x，y)= tanh［v(x·y)+ c］ (6)
5 结语
研究了基于图像处理技术的黄瓜叶部病害识别诊
断系统，主要包括图像预处理、图像分割、图像特征提
取及黄瓜病害识别等几大模块，系统界面简单易学，
操作方便。实验分析结果表明，该系统能及时、较好
地识别黄瓜各类叶部病害，弥补了人工识别所存在的
各种缺陷和不足，提高了识别的精度和效率，具有十
分广阔的应用前景。
参考文献:
［1］ 王晓峰．植物叶片图像自动识别系统的研究与实现［D］．
合肥:中科院合肥智能机械研究所，2005．
［2］ 田有文，李天来，李成华，等． 基于支持向量机的葡萄病
害图像识别方法［J］．农业工程学报，2007，23(6) :134 －
136．
［3］ 耿英．基于图像识别的作物病害诊断研究［D］． 合肥:中
国科学技术大学，2009．
［4］ 刘立波．基于图像的水稻叶部病害诊断技术研究［D］．北
京:中国农业科学院，2010:98 － 100．
［5］ 边肇祺，张学工．模式识别［M］．北京:清华大学出版社，
2002:284 － 304．
［6］ 岑喆鑫，李宝聚，石延霞，等． 基于彩色图像颜色统计特
征的黄瓜炭疽病和褐斑病的识别研究［J］． 园艺学报，
2007，34(6) :1425 － 1430．
［7］ 田有文，张长水，李成华．基于支持向量机和色度矩的植
物病害识别研究［J］． 农业机械学报，2004，35(3) :95 －
98． (下转第 225 页)
·512·
2014 年 9 月 农 机 化 研 究 第 9 期
Because the lack of oxygen，no oxidation and combustion reaction of materials led to high product quality and improved
operational safety although the high temperature of materials by atmospheric or high pressure superheated steam drying．
Especially，drying of foodstuffs with low － pressure superheated can avoid the disadvantages of products qualities dried
use atmospheric pressure or higher． Meanwhile，combined superheated steam drying technology，which combine the bene-
fits of the different techniques，overcome some disadvantages that are intrinsic to the respective drying methods，it will be
widely developed in the future．
Key words:superheated steam (SS) ;low － pressure superheated steam (LPSS) ;combined drying
(上接第 215 页)
Abstract ID:1003 － 188X(2014)09 － 0213 － EA
Ｒesearch on the Identification and Diagnosis System of Cucumber Leaf
Disease Based on Image Processing Technology
Zhang Fang，Fu Lisi
(Shenyang Agriculture University，Shenyang 110866，China)
Abstract:This paper mainly studied the identification and diagnostic system of cucumber leaf disease based on the image
processing technology，including the image preprocessing module，image segmentation module，image feature extraction
module and image pattern recognition module，etc． Then it gave a detailed description about image segmentation under
the complex background of key modules as well as the SVM pattern recognition method． The practice shows that the sys-
tem could easily and quickly identify cucumbers various diseases，which ensures its better promotion and application val-
ue．
Key words:image processing technology;cucumber;disease;diagnostic system
(上接第 219 页)
Abstract ID:1003 － 188X(2014)09 － 0216 － EA
Ｒesearch on the Tractor Engine Abnormal Sound Detection
Based on the Viscaul C + + 2008
Xu Yongchun1，Xu Fengying2
(1． Department of Computer Science，Guangdong Polytechnic Institute，Guangzhou 510091，China;2． College of Engi-
neering，South China Agricultural University，Guangzhou 510642，China)
Abstract:The noise detection system that is developed with Visual C + + 2008 tool compares some the sample of audio
files，it steply analysis of audio spectrum characteristic of qualified and unqualified products，and it gets the difference be-
tween qualified products with substandard product． Finally，it proposes a noise rate value that is a judgment to qualified
and unqualified product，which has a certain reference value for the noise detection．
Key words:the tractor engine;noise detection;Fft;C + + ． NET;spectrum
·522·
2014 年 9 月 农 机 化 研 究 第 9 期