«上一篇/Previous Article|本期目录/Table of Contents|下一篇/Next Article»

《江苏农业科学》[ISSN:1002-1302/CN:32-1214/S]

卷:

第49卷

期数:

2021年第23期

页码:

109-115

栏目:

植物保护

出版日期:

2021-12-05

文章信息/Info

Title:

Classification method of wheat stripe rust disease degree based on digital image

作者:

蒋小敏¹; 2;  冯海宽²;  常红²;  杨贵军²;  杨小冬²

1.安徽理工大学空间信息与测绘工程学院，安徽淮南 232001；2.农业农村部农业遥感机理与定量遥感重点实验室/国家农业信息化工程技术研究中心，北京 100097

Author(s):

Jiang Xiaomin; et al

关键词:

数码图像; 小麦条锈病; 病害程度; 分级; K-means; 最大类间方差法

Keywords:

-

分类号:

S435.121.4⁺2；TP391.41

DOI:

-

文献标志码:

A

摘要:

小麦条锈病发病广、发病率高，严重影响农业生产，造成小麦产量重大损失。病叶严重度是获取小麦条锈病病害信息的主要参数。为更好、更便捷地获取小麦条锈病病害信息实现对小麦条锈病单叶病害严重度分级，讨论一种利用数码图像对小麦条锈病进行分级的方法。首先从拍摄的数码图像中选取发病严重度为1%、5%、10%、20%、40%、60%、80%、100%的小麦叶片(以植保专家目测为标准)，对应设置为1、2、3、4、5、6、7、8级，每个级别各30张叶片，共计240张，从每个类别中选取10张做数据分析，20张作验证。利用K-means聚类法、形态学变换等操作将小麦叶片与背景分割开，然后对采集的RGB图像通道分离获取R、G、B分量图进行G、R分量加运算，在小麦叶片染病前期，小麦条锈病严重度为1~4级，G+R图像就能较好地区分出病斑区域与健康区域，随着病害程度加深黄化严重，G+R 图像不能很好地区分出病斑区域，通过改变R分量图的权重，对5、6、7、8级40个样本进行数据分析，发现G+1.7R时表现出的拟合性和精度最好，采用最大类间方差法(Otsu)对G+R、G+1.7R图像进行分割，将病斑从小麦叶片中提取出来；最后根据染病面积占叶片总面积的百分比对小麦条锈病病害程度进行分级。160个不同病害等级的小麦叶片验证样本中，24个样本被错误分级，136个样本被正确分级，发病程度较轻的1~4级分级正确率为92.5%，发病程度较重的5~8级分级正确率为77.5%，总体分级正确率为85.0%。基于数码图像对小麦条锈病病害程度分级识别方法操作灵活、方便，相对于传统田间目测分级提高了分级正确率，为识别小麦条锈病叶片病害程度提供了一种操作快速简单、成本低且方便普及的新方法。

Abstract:

-

参考文献/References:

［1］Wan A M，Chen X M，He Z H. Wheat stripe rust in China［J］. Australian Journal of Agricultural Research，2007，58(6)：605.
［2］李振岐，曾士迈. 中国小麦锈病［M］. 北京：中国农业出版社，2002.
［3］Rapilly F. Yellow rust epidemiology［J］. Annual Review of Phytopathology，1979，17(1)：59-73.
［4］Chen X M. Pathogens which threaten food security：Puccinia striiformis，the wheat stripe rust pathogen［J］. Food Security，2020，12(2)：239-251.
［5］马占鸿. 中国小麦条锈病研究与防控［J］. 植物保护学报，2018，45(1)：1-6.
［6］张帅堂，王紫烟，邹修国，等. 基于高光谱图像和遗传优化神经网络的茶叶病斑识别［J］. 农业工程学报，2017，33(22)：200-207.
［7］郑志雄，齐龙，马旭，等. 基于高光谱成像技术的水稻叶瘟病病害程度分级方法［J］. 农业工程学报，2013，29(19)：138-144.
［8］Moshou D，Bravo C，West J，et al. Automatic detection of ‘yellow rust’in wheat using reflectance measurements and neural networks［J］. Computers and Electronics in Agriculture，2004，44(3)：173-188.
［9］雷雨，韩德俊，曾庆东，等. 基于高光谱成像技术的小麦条锈病病害程度分级方法［J］. 农业机械学报，2018，49(5)：226-232.
［10］李小龙，秦丰，赵龙莲，等. 近红外光谱技术的小麦条锈病严重度分级识别［J］. 光谱学与光谱分析，2015，35(2)：367-371.
［11］陈兵，李少昆，王克如，等. 棉花黄萎病病叶光谱特征与病情严重度的估测［J］. 中国农业科学，2007，40(12)：2709-2715.
［12］Bai X B，Li X X，Fu Z T，et al. A fuzzy clustering segmentation method based on neighborhood grayscale information for defining cucumber leaf spot disease images［J］. Computers and Electronics in Agriculture，2017，136：157-165.
［13］张冲，李淼，张健，等. 基于改进中值滤波的梨树病害彩色图像分割［J］. 计算机应用，2016，36(增刊2)：197-199，217.
［14］张会敏，谢泽奇，张善文，等. 基于WT-Otsu算法的植物病害叶片图像分割方法［J］. 江苏农业科学，2017，45(18)：194-196.
［15］葛婧，邵陆寿，丁克坚，等. 玉米小斑病病害程度图像检测［J］. 农业机械学报，2008，39(1)：114-117.
［16］任守纲，陆海飞，袁培森，等. 基于显著性检测的黄瓜叶部病害图像分割算法［J］. 农业机械学报，2016，47(9)：11-16.
［17］曹英丽，林明童，郭忠辉，等. 基于Lab颜色空间的非监督GMM水稻无人机图像分割［J］. 农业机械学报，2021，52(1)：162-169.
［18］明浩，苏喜友. 利用特征分割和病斑增强的杨树叶部病害识别［J］. 浙江农林大学学报，2020，37(6)：1159-1166.
［19］袁媛，李淼，陈晟，等. 复杂背景黄瓜叶部病害图像分割方法［J］. 农业机械学报，2013，44(10)：233-237.
［20］任玉刚，张建，李淼，等. 基于分水岭算法的作物病害叶片图像分割方法［J］. 计算机应用，2012，32(3)：752-755.
［21］Wang L D，Yang T，Tian Y W.Crop disease leaf image segmentation method based on color features［C］//Li D L. Computer and Computing Technologies in Agriculture，Volume Ⅰ. Wuyishan:International Federation for Information Processing，2008.
［22］Shen W Z，Wu Y C，Chen Z L，et al. Grading method of leaf spot disease based on image processing［C］//2008 International Conference on Computer Science and Software Engineering.Wuhan，China.IEEE，2008：491-494.
［23］Revathi P，Hemalatha M.Classification of cotton leaf spot diseases using image processing edge detection techniques［C］//2012 International Conference on Emerging Trends in Science，Engineering and Technology (INCOSET).Tiruchirappalli，India.IEEE，2012：169-173.
［24］施文，邹锐标，王访，等. 基于多重分形的油菜病虫害叶片图像分割［J］. 湖南农业大学学报(自然科学版)，2014，40(5)：556-560.
［25］齐龙，马旭，张小超. 基于BP网络的植物病害彩色图像的分割技术［J］. 吉林大学学报(工学版)，2006，36(增刊2)：126-129.
［26］张善文，张云龙，尚怡君. 1种基于Otsu算法的植物病害叶片图像分割方法［J］. 江苏农业科学，2014，42(4)：337-339.
［27］谭峰，马晓丹. 基于叶片的植物病虫害识别方法［J］. 农机化研究，2009，31(6)：41-43.
［28］乔雪，潘新，王欣宇，等. 基于G-R分量与K-means的马铃薯病虫害图像分割［J］. 内蒙古农业大学学报(自然科学版)，2021，42(3)：84-87.
［29］张水发，王开义，祖琴，等. 基于块标记的田间叶片损伤区域分割方法［J］. 农业工程学报，2014，30(21)：218-225.
［30］Jaware T H，Badgujar R D，Patil P G. Crop disease detection using image segmentation［J］. World Journal of Science and Technology，2012，2(4)：190-194.
［31］Otsu N.A threshold selection method from gray-level histograms［J］. IEEE Transactions on Systems，Man，and Cybernetics，1979，9(1)：62-66.
［32］刁智华，王欢，宋寅卯，等. 基于颜色和形状特征的棉花害螨图像分割方法［J］. 农机化研究，2013，35(3)：50-55.
［33］Yue J B，Feng H K，Jin X L，et al. A comparison of crop parameters estimation using images from UAV-mounted snapshot hyperspectral sensor and high-definition digital camera［J］. Remote Sensing，2018，10(7)：1138.

相似文献/References:

[1]黄芳,熊仕俊,颜学佳,等.贵州小麦品种(抗源)苗期抗条锈性鉴定[J].江苏农业科学,2017,45(01):103.
　Huang Fang,et al.Study on seedling resistance identification to wheat stripe rust of Guizhou wheat cultivars (lines)[J].Jiangsu Agricultural Sciences,2017,45(23):103.

备注/Memo

备注/Memo:

收稿日期：2021-07-20
项目基金：国家自然科学基金(编号：41771469)；广东省重点领域研发计划(编号：2019B020216001)。
作者简介：蒋小敏(1993—)，女，安徽长丰人，硕士研究生，从事作物病虫害遥感监测研究。E-mail：18856927671@163.com。
通信作者：杨小冬，博士，副研究员，从事作物病虫害遥感监测研究。E-mail：yangxd7@163.com。

常用功能

更新日期/Last Update: 2021-12-05