自然条件下酿酒葡萄病害检测方法的研究

Diseases seriously affect the production and quality of wine grape. When most grape diseases occur, the corresponding symptoms are found on the leaves. Computer vision can be employed to detect and identify disease spots of the leaves, which is of great significance to rapid and accurate detection of diseases in early periods. In the Northwest China, it is a great challenge to detect diseases on a grape leaf under natural conditions - the dust adhering to a leaf, varying sunlight, mutual occlution of leaves, etc., which all prevent an accurate detection. The effects of dust on the disease detection are researched and the corresponding model of restoration is built. The methods of color restoration are also studied to deal with different illuminations. The robust methods of detecting and segmenting a leaf and some representive diseases of wine grapes are researched with respect to the prior knowledge of shape, texture and color. Since the deseases show different forms in pracitce,the smart classifiers for the diseases capable of learning online and updating are studied. The methods of leaf location and track in sequental images are studied, as well as the ways of denoising by utilizing the differences of spatio-temporal information between disease spots and typical noises. Near-Infrared (NIR) images are employed to detect the leaves and diseases, and NIR and color information are integrated to segment leaves better.

病害的发生是制约酿酒葡萄产量和品质的重要原因。大部分病害发生时会在葡萄叶片上产生相应症状。利用视觉检测技术对葡萄叶片上病斑进行检测和识别，实现病害检测的自动化，对病害的早期、快速、准确检测和诊断有重要意义。 在西北，对自然状态下的酿酒葡萄叶面病害的检测是一项极富挑战性的任务，叶面尘土沾附、光照变化、叶片相互遮挡等因素对病害准确检测带来困难。本项目研究了尘土引起的图像退化对病害检测的影响和恢复模型的建立，研究颜色恢复方法以应对不同光照；根据形状、纹理、颜色等先验知识为叶片和多种典型葡萄病害建立鲁棒的检测模型和分割方法；为了适应实际中病害表现的多样性，研究灵活的分类器的在线学习和模型更新方法；研究序列图像中叶片的跟踪定位问题，利用常见噪声与病斑在时间空间相关的信息方面之差异去除噪声；还研究近红外主动成像条件下叶片以及病害检测，以及利用近红外与彩色图像的联合信息对彩色图像中叶片分割方法。

病害的发生是制约酿酒葡萄产量和品质的重要原因。大部分病害发生时会在葡萄叶片上产生相应症状。利用视觉检测技术对葡萄叶片上病斑进行检测和识别，实现病害检测的自动化，对病害的早期、快速、准确检测和诊断有重要意义。通过本项目实施，得到主要成果如下：.●开发了多种抑制环境噪声的图像恢复方法.自然条件下拍摄的酿酒葡萄图像中包含一些典型的环境噪声，包括结构性噪声（阴影），普遍的系统性噪声（变化的光照）以及区域特色明显的系统尘土噪声。本项目系统地研究了上述三种噪声的检测与图像恢复方法，针对不同问题，提出来相应的解决方法和描述模型，抑制了环境噪声，恢复图像与噪声图像相比，像质得到了很大改善，更接近真实图像。.●解决了自然条件下监控图像/视频中叶片与病害检测问题.提出来基于HOG特征、改进DPM和基于深度神经网络的葡萄叶片检测方法，这些方法均能较好地在重叠叶片中检测出健康与带病叶片。在叶片上采用卷积神经网络的病害检测器精确地检测出各个病斑，截取包含病斑的图像区域，作为后续进行病害识别的依据，大幅度提高识别精度。.利用视频目标跟踪，可以在监控视频中叶片姿态端正的时，截取叶片图像存入数据库。利用图像匹配技术，可以识别出视场中的每张叶片，以实现对单张叶片的长期观察，监测其生长状态的变化，还可以利用这种叶片序列图像排除虚假病害，这种方法可以排除84%的虚警。.●提出来鲁棒的叶片/病害分割方法.提出来多种基于能量最小化和深度学习分割算法。这些算法能对相应的条件的叶片/新梢/病害/整株植物进行较精确分割。实验表明，当需要完整精细地分割叶片时，能量最小化的方法是更好的选择。.●高精度的病害识别.提出了基于传统机器学习和基于深度学习的病害识别方法。在基于机器学习的方法中，筛选出28种颜色、纹理特征，测试了22种分类器，发现Bagged Trees分类器的分类精度最高。在多种深度网络结构中，发现Vgg-16的病害分类效果最高，准确率可达94.48%。开发了基于手机的病害识别APP。