【图像识别】基于支持向量机SVM的农作物叶子虫害识别与分类附Matlab代码

✅作者简介：热爱科研的Matlab仿真开发者，擅长数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。

🍎 往期回顾关注个人主页：Matlab科研工作室

👇 关注我领取海量matlab电子书和数学建模资料

🍊个人信条：格物致知,完整Matlab代码获取及仿真咨询内容私信。

🔥 内容介绍

植物病害是造成蔬菜品质降低的主要因素之一，既给农民经济收入带来损失，也大幅度影响国家粮食产量，因此植物病害的鉴别是防止农业产量损失的关键。植物病害的鉴别可通过人眼观察叶片的情况来监测植物的健康，但是随着大规模的种植技术的普及，人力的观测效率存在效率低下、主观性强等缺陷。本文以植物叶片病害图像为研究对象，采用计算机视觉技术结合支持向量机的方法实现植物病害类别的自动检测，有助于提高农产品的品质和保鲜，对论证农业生态环境的绿色可持续发展具有重要意义。

针对现有植物病害图像检测方法检测效果单一问题，本文提出了基于灰度共生矩阵特征和支持向量机的多类识别方法实现叶片四种病害的检测。根据植物叶片病害图像多变的特点，首先通过对病叶图像进行预处理，增强病害部分与健康部分的对比度，使病害部分更加明显。然后，在Lab颜色空间模型的a和b分量上，对叶子进行分割并提取特征，并采用K-means聚类方法增强分割和聚类效果。最后采用基于支持向量机多分类方法对四种疾病进行检测、识别和分类。为了提高检测精度，使用500次迭代来评估最大精度。考虑到交叉验证系数的影响，40%的样本作为验证数据，60%的样本作为训练数据，使用径向基核函数进行训练。该方法将传统的两种叶片病害鉴定扩大到四种。实验结果证实，四种疾病的鉴别率均可达90%以上，证明了该方法的有效性。

1 绪论

1.1课题研究背景与意义

纵观中国上下五千多年历史，一个农业大国的身份就没有变动过，其养活着全球近五分之一的人口。生产粮食，民以食为天，一直是中国历史上任何一个兴盛的朝代头等大事；再小的农业也是天大的事，人类的生存是离不开粮食的；朝代的兴起，也必然会带来繁荣的农业生产，相辅相成，息息相关。由第三次全国农业普查数据显示可知，2016年，全国有31422万人依然从事农业生产经营，农业经济任然是我国国民经济的命脉，社会是否稳定发展与农业的生产水平有着相当大的关系。然而，改革开放40多年以来，随着我国经济飞跃式地发展，城镇化水平不断提高，耕地面积也在逐渐减少。致使我国的农业生产受到很大的制约，其中环境污染、气候变化、水土流失、沙漠化等是主要的制约因素。在有限的耕地面积的背景下，如何提高农作物的产量，解决如何养活14亿人口的问题，是当今社会急需解决的难题。生物都有自己的生态链，而农作物作为生态链的底层，在其生长发育的过程中，往往会被各种害虫等的侵扰，致使农作物产生出各类疾病，如果农场主未能够及时发现疾病，立即采取相应的措施进行治理，农作物产量将会造成巨大损失，同时农作物收成后，其质量也随之变得很差。所以，怎么样能够实时、准确地识别农作物的叶片病斑种类，是治理农作物病害以及提高其产量、质量地重大保证，有着极其重要的意义。

近年来，由于农业生产方式的改革，导致农作物出现病害的频率急剧增加，恶劣的气候环境变化，也给农作物的生产带来许多不利，农作物受到病害威胁的情况也愈加严重。病虫害的出现不仅会对农作物本身的生长产生诸多不利因素，还会直接或间接地降低农作物的质量及产量，病害严重时甚至会导致农田作物大面积的绝产绝收，这些无不对我国农业的健康发展造成巨大的隐患。为此，农作物的病害防治已经受到国内农业组织和相关技术部门的重点关注，许多科学家和研究者不懈努力，为农作物病害的防治手段探索提供新型解决方案。农作物病害是我国乃至世界范围内农业生产中的重要生物灾害问题，且其种类多、爆发概率高、影响范围大。因此，如何对农作物的病害进行精准的识别与检测，为下一步防治提供可靠信息便显得尤为关键。传统的病害检测识别方法完全依赖个人的经验和肉眼观察，速度慢、主观性强、准确率低、实时性差，存在着一定程度的局限性。信息技术为农作物病害的识别提供了一个全新的解决方案，如深度学习图像处理技术。农作物病害图像识别技术可以看作是图像处理技术在农作物病害识别上的一种应用方法，运用农作物病害图像识别技术能够在病害大范围爆发前及时、准确地识别出病虫害的种类，从而可以及时采取措施防治病害的传播。

农作物叶片病斑的传统识别，目前还是主要依赖于农民们在农业生产过程中积累的经验以及长辈们传授的经验以此作为判断依据，此举对农业生产者的专业知识有着极高的要求。然而，许多农业生产人员并没有掌握全面的农作物病害防治知识，其往往都是通过人眼去观察农作物叶片的病斑，以此判别农作物的病害，难免会产生错误的判断，从而造成农作物病害不能够及时治疗根除。农耕时代，往往农业生产者都是日出而作日入而息，农作物在生长过程中，农业生产者需要经常去庄稼里除草、观察，费时又费。现如今，随着消费水平的提升，单纯的农作物收成收入，往往无法满足其消费需求，为了能够增加家庭收入，一般在外面都有兼职，不能像以往太过精细打理，往往会导致出现农作物得了病害却被忽视的情况。因此，农业生产者如何在低效且复杂的农作物病害识别过程中解脱，是当今的农业生产迫在眉睫的事情。

随着计算机硬件水平的不断迭代更新，人工智能、虚拟现实(Virtual Reali- ty,VR)技术的问世，图像识别处理和计算机视觉技术也越来越成熟，开始慢慢地进入了我们的视野，走进了我们的生活中，给人们的日常带来很大的便利。近年来，科技强国一直是我国追求的目标，党中央号召推进农业信息化，建立现代化的农业生产系统，利用现代技术来智能化的识别农作物病害，从而解决传统的农业生产弊端，提高农作物产量，带动经济发展。以下，是农业现代化利用到计算机视觉技术的主要案例:

(1)检测种子的质量

优质种子的选择，是获取高质量农作物的前提。美国的农业生产者200多万，然而，却是这区区的两百多万就能够养活了美国3亿多人；所以，美国能够被称为农业强国；然而，其根本原因在于美国强大的农业科技。美国在其各州都有设立了专业的现代化种子检验室，他们可以通过计算机视觉技术，从而提取了农作物种子的各项生理特征参数，以此来严格把控农作物种子的品质。以销售高科技农作物种子的袁隆平农业高科技股份有限公司，也是通过计算机视觉技术等现代化手段挑选优质种子，以此进行新品种选育创新。

(2)智能农业自动监控系统

“新能源智能温室农业自动监控/决策支持系统”是中国科学院主导的一个项目，其能够实现对水果、蔬菜等温室大棚作物进行智能检测，并通过分析农作物不同生长期间的数据来判断农作物的生长状况，从而为农民的施肥施药提供指导；上海交大机电控制与物流装备研究所开发的“基于嵌入式控制器和CCD(Charge-cou- pled Device)彩色相机的葡萄新梢生长图像数据采集记录系统”，实现了对葡萄新梢生长态势的在线监测，并通过计算机视觉技术分析采集到的监测数据，来确保葡萄可以健康生长[1]。

(3)智能农业机器人

为了能够通过科学技术的方式，判断草莓的成熟度如何，日本科学家通过影像准确确定草莓的位置，并采用计算机视觉技术识别草莓红色的程度，以此来确保采摘的草莓是足够成熟的；与此相似的，各发达国家、个别发达中国家也陆陆续续开发了智能除草机器人、施肥无人机、无人机探测等。

本文主要以常见的植物叶片为研究对象，运用计算机图像处理技术与智能模式识别知识对小样本数据进行了实验测试，为植物叶片病害的自动识别提供了有实用价值的参考。

1.2国内外的研究现状

早在20世纪80年代末，穗波信雄等人就已经利用计算机图像处理技术研究了

缺乏钙、铁、镁营养元素的茨菇叶片图像。进入21世纪以后，随着模式识别和人工智能技术的蓬勃发展，国内外学者开始将相关技术运用在植物、小麦、水稻、玉米、水果等众多农作物的病害识别上[2]。众所周知，计算机视觉技术对于植物病斑的识别或叶片表层的细微变化比农产者肉眼有着更及时更准确的判断，从而有效地提高了病害诊断的效率以及精确度。所以，对于计算机视觉技术领域的深入研究，对现在乃至未来的农作物产量的提高、农业信息化的发展，都有着至关重要的推动作用，可所谓“神助攻”。

1.2.1植物叶片病斑分割算法的国外研究现状

一般来说，国外学者对于研究植物叶片病害分割和识别如下：

（1）植物叶片病斑的图像分割。图像分割就是通过对图像进行灰度等方面的图像处理后，提取图像中除了背景外的信息，从而使得核心区域得到研究者的集中关注。目前，国内外提出了一系列针对病斑分割方面的理论和技术。Cui等使用OTSU算法和BP(Back Propagation）神经网络，对大豆叶片病斑进行图像分割处理，从而判断其是否患病[3]。

（2）植物叶片病斑图像特征的提取。一般，科研人员通过了提取植物叶片病斑的颜色特征、纹理特征与形状特征这三种特征，以便于能够更好地了解植物叶片的病害类型。灰度共生矩阵来有着能够描述灰度空间的相关性、能量、熵、对比度、反映纹理结构变换等特点，Camargo A等通过灰度共生矩阵方法提取植物叶片病害的纹理信息，同时结合其他特征以此来更加详细的描述植物叶片病害的细节[4]。为了解决小麦黑穗病孢子病害的问题，Chesmore等通过了获取孢子的个体大小、突起大小和突起数量等多种特征参数，以此来研究黑穗病孢子病害[5]。Burks和Pydipati等通过灰度共生矩阵方法提取植物叶片病害的颜色特征和纹理特征信息，并结合HS -I空间技术，能够很好的识别植物病害[6]。

1.2.2植物叶片病斑分割算法的国内研究现状

一般来说，国内学者对于研究植物叶片病害分割和识别如下：

（1）植物叶片病斑的图像分割。葛婧等人通过提取数字图像中的RGB三个分量，采用阙值分割法和R-G图像将病斑分割出[7]。谷凌雁等人通过采用HSI分量中的H分量作为图像分割的阙值条件，有效地分割出植物叶片的病斑[8]。田杰等人通过采用高斯混合模型和数字图像像素区域的信息，从而构建了C-V模型，有效地分割出辣椒和植物叶部的病斑，分割效果良好[9]。

（2）植物叶片病斑图像特征的提取。王娜等利用计算机视觉技术提取玉米叶片病害区域的图像中的28个特征向量，并运用智能优化算法中的遗传算法与Fi- sher判别分析法来提高玉米叶部病害的识别率[10]。李峥嵘等通过了提取植物叶片的病害区域颜色布局、分块颜色矩和Zernike矩这三大特征，并结合了数字图像的相似度与农产者的信息反馈，从而开发了植物病虫害图像检索系统[11]。

(3)植物叶片病斑的分类识别。

目前，比较常用的图像分类方法有最近邻分类，朴素贝叶斯(Naive Bayesian，NB) 分类器，支持向量机算法(Support Vector Machine，SVM) 分类器与神经网络分类器。Camargo等为了能够更好的识别棉花病害的种类，其采用对棉花病害的叶片图像进行了图像增强、图像分割与特征提取，同时结合了支持向量机算法。王克如等通过结合了NB(Naive Bayesian)分类器与神经网络分类器对玉米病斑图像进行分类，识别率得到了很大的提升。

1.2.3深度学习在病害识别中的应用

上述章节均是在小样本情况下进行的病害识别研究，实验的样本可能只有几百幅甚至几十幅图片，且消除了背景环境的影响，病害种类一般也较少。这只能满足一般的科研需求，然而实际的农业生产中面向的是大样本，农作物的种类和病害种类多，且获得的图像可能存在光照不均匀、有遮挡、背景不同的问题，将小样本、简单环境下的理论技术应用在实际场景显然并不现实，可能存在耗时长、效率低、准确率低等问题。2006年Hinton等人提出了深度学习的概念，引发了科学界和工业界对这一问题的极大关注，人们发现，在大数据情况下，深度学习比传统的机器学习模型更加有效。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。由于其模仿了人类大脑的机制来解释数据、处理数据，避免了复杂的预处理过程和提取特征过程，且学习能力不“饱和”，而是能够继续变得更“聪明”。随着计算机硬件水平的提升，采用深度学习处理大数据问题的条件已经越来越成熟，微软、谷歌、百度等一大批顶级互联网公司都纷纷成立了人工智能研究院，深度学习开始进入人们生活的方方面面，在图像识别、语音识别、智能机器人领域均取得了巨大成就，从微软公司发布著名的伴侣虚拟聊天机器人“微软小冰”，到谷歌公司轰动世界的人机围棋大战，再到华为在新发布的手机操作系统中加入深度学习来增强系统的流畅性，深度学习不断给我们带来新的惊喜。

在农业生产领域，深度学习也有着不俗的表现。美国孟山都公司通过收集气象、天气、降雨、地质土壤等数据，运用深度学习技术预测作物产量，从而提供意外天气保险服务。以色列的Prospera公司采用实时监控和温度传感器，通过A I专家系统对农作物生长状况进行数据分析：即从每一片叶子到每一亩土地，害虫、作物疾病、灌溉、施肥等环节，都有明晰的数据分析。而农民透过这些数据，就能够得到相对应的解决办法，并及时有效地预防和解决农作物在生长和收获过程中可能遇到的问题。我国的佳格大数据公司也借助卫星+深度学习切入农业大数据，为农业公司提供资产管理、种植指导等服务。从农业现代化的发展趋势来看，深度学习由于其高效和高准确性，未来必将在农作物病害识别以及农业其他领域发挥重要作用。