本發(fā)明涉及機器視覺技術(shù)與農(nóng)業(yè)病蟲害診斷，尤其涉及一種基于機器視覺技術(shù)的水稻病蟲害識別方法及系統(tǒng)。

背景技術(shù)：

1、在水稻種植管理過程中，病蟲害的早期識別對于防控措施的及時部署與作物產(chǎn)量的保障具有重要意義；傳統(tǒng)的人工巡田方式識別效率低、依賴專家經(jīng)驗，難以實現(xiàn)大范圍、高頻次的監(jiān)測。

2、現(xiàn)有基于普通可見光圖像的圖像識別方法受限于光照條件和葉片顏色相似性，難以準(zhǔn)確分辨不同病害形態(tài)；同時，部分方法未能充分結(jié)合葉片的生理變化特征，如反射率異常、葉脈結(jié)構(gòu)斷裂及近紅外吸收能力下降等內(nèi)部表征，導(dǎo)致識別結(jié)果準(zhǔn)確率不高，泛化能力不足，難以滿足復(fù)雜田間環(huán)境下的病蟲害識別需求。因此，亟需構(gòu)建一種基于機器視覺技術(shù)的水稻病蟲害識別方法及系統(tǒng)，來解決上述問題。

技術(shù)實現(xiàn)思路

1、基于上述目的，本發(fā)明提供了一種基于機器視覺技術(shù)的水稻病蟲害識別方法及系統(tǒng)。

2、一種基于機器視覺技術(shù)的水稻病蟲害識別方法，包括以下步驟：

3、s1：通過旋轉(zhuǎn)偏振片陣列獲取葉片表面反射光的偏振方向分布，生成偏振光補償圖像；

4、s2：將偏振光補償圖像與近紅外波段圖像進行特征層融合，生成包含表面反射特性與內(nèi)部組織特征的多光譜融合圖像；

5、s3：基于多光譜融合圖像中各像素點的偏振相位差異值，采用區(qū)域生長算法分割出獨立葉片區(qū)域；

6、s4：對分割后的葉片區(qū)域進行多維度特征提取，包括偏振反射率差異特征、葉脈紋路斷裂特征和近紅外吸收異常特征；

7、s5：將提取的多維度特征與病蟲害特征數(shù)據(jù)庫進行歐氏距離計算，確定最鄰近匹配結(jié)果；

8、s6：根據(jù)匹配結(jié)果中的特征相似度閾值判定病蟲害種類，輸出包含病斑定位信息的診斷報告。

9、可選的，所述s1具體包括：

10、s11：將旋轉(zhuǎn)偏振片陣列設(shè)置于圖像采集裝置前端，控制其依次在偏振角序列α={0°，45°，90°，135°}下進行成像操作，在每一偏振角α下采集一幀葉片反射圖像，形成四幅偏振角圖像序列；

11、s12：針對同一像素位置，獲取偏振角α分別為0°、45°、90°、135°下的像素亮度值，分別記為a、b、c、d，并利用下式計算像素點的偏振方向角：

12、，其中，e表示當(dāng)前像素點的偏振方向角；

13、s13：將偏振方向角圖與原始圖像強度圖進行配準(zhǔn)，并采用方向角一致性篩選方法剔除偏振異常區(qū)域，生成偏振光補償圖像。

14、可選的，所述s2具體包括：

15、s21：對s1生成的偏振光補償圖像與同時采集的近紅外波段圖像進行空間配準(zhǔn)處理，建立對應(yīng)像素的空間位置一一映射關(guān)系，生成配準(zhǔn)后的偏振-紅外圖像對；

16、s22：分別提取配準(zhǔn)后的偏振光補償圖像與近紅外波段圖像中每個像素位置的特征值，其中偏振光補償圖像提取表征表面反射特征的偏振方向特征與偏振亮度特征，近紅外波段圖像提取表征葉片內(nèi)部組織狀態(tài)的近紅外吸收特征；

17、s23：針對每一對對應(yīng)像素，將提取到的偏振方向特征、偏振亮度特征及近紅外吸收特征串聯(lián)組合，形成高維特征向量，并根據(jù)特征向量對圖像進行重構(gòu)，生成多光譜融合圖像。

18、可選的，所述s3具體包括：

19、s31：以s2生成的多光譜融合圖像為基礎(chǔ)，計算圖像中每個像素的偏振相位差異值，并構(gòu)建完整的偏振相位差異值圖；

20、s32：在偏振相位差異值圖中，選取偏振相位差異值處于預(yù)設(shè)區(qū)間內(nèi)且空間位置位于葉片中心區(qū)域的像素點作為初始生長種子點，并將種子點標(biāo)記為葉片區(qū)域；

21、s33：以種子點為起始點，分析種子點的8鄰域像素，計算種子點與其鄰域像素之間偏振相位差異值的絕對差值；若絕對差值小于預(yù)設(shè)的相位相似性閾值，則將該鄰域像素標(biāo)記為葉片區(qū)域，并將其加入待處理種子點集合；

22、s34：循環(huán)執(zhí)行s33，持續(xù)擴展種子點集合并更新葉片區(qū)域標(biāo)記，直至種子點集合不再增加，輸出葉片區(qū)域的空間掩膜圖。

23、可選的，所述s4具體包括：

24、s41：基于s3輸出的葉片區(qū)域空間掩膜圖，在偏振光補償圖像中對每個葉片區(qū)域內(nèi)部計算區(qū)域內(nèi)偏振反射率最大值與最小值之差，以該差值作為偏振反射率差異特征；

25、s42：對s3分割出的葉片區(qū)域進行邊緣檢測，構(gòu)建葉脈骨架圖并識別骨架中的斷裂位置，提取骨架斷裂點的空間坐標(biāo)位置與斷裂點數(shù)量作為葉脈紋路斷裂特征；

26、s43：基于s2生成的多光譜融合圖像，提取葉片區(qū)域內(nèi)近紅外吸收強度，將葉片區(qū)域內(nèi)各像素近紅外吸收強度值與設(shè)定的正常葉片區(qū)域近紅外吸收強度閾值進行差值計算，提取差值超出正常閾值范圍的像素數(shù)量占區(qū)域總像素數(shù)的比例作為近紅外吸收異常特征。

27、可選的，所述s42具體包括：

28、s421：基于s3輸出的葉片區(qū)域掩膜圖，在可見光波段圖像上采用結(jié)構(gòu)化sobel算子對葉片區(qū)域進行邊緣增強處理，提取葉片表面的脈絡(luò)紋理邊界，輸出初步邊緣圖像；

29、s422：對初步邊緣圖像執(zhí)行骨架化操作，生成具有一像素寬度的葉脈骨架圖，保留葉脈主干與分支結(jié)構(gòu)，并移除孤立邊緣像素；

30、s423：在骨架圖中，識別連接中斷的葉脈路徑，通過檢測脊線中斷點并計算路徑的連接連續(xù)性，提取每處斷裂的像素坐標(biāo)位置及斷裂總數(shù)，構(gòu)成葉脈紋路斷裂特征。

31、可選的，所述s43具體包括：

32、s431：提取s2生成的多光譜融合圖像中葉片區(qū)域的近紅外通道圖像，將葉片區(qū)域掩膜作用于該通道圖像，獲得當(dāng)前葉片區(qū)域內(nèi)所有像素的近紅外吸收值集合；

33、s432：設(shè)定正常生理狀態(tài)下葉片的近紅外吸收強度閾值區(qū)間，并對s431的近紅外吸收值集合中的每個吸收值進行逐一比對，若滿足，則將對應(yīng)像素標(biāo)記為異常像素；

34、s433：統(tǒng)計所有被標(biāo)記為異常的像素點數(shù)量記為，總像素數(shù)量為，計算近紅外吸收異常特征值，公式為：，其中；表示近紅外吸收異常像素占比，作為葉片近紅外異常特征值。

35、可選的，所述s5具體包括：

36、s51：將步驟s4提取的偏振反射率差異特征、葉脈紋路斷裂特征和近紅外吸收異常特征進行數(shù)值歸一化處理，并組合形成當(dāng)前葉片區(qū)域特征向量；

37、s52：構(gòu)建病蟲害特征數(shù)據(jù)庫，數(shù)據(jù)庫中每個病蟲害類別預(yù)先存儲有同維度的特征向量集合，每個病蟲害類別的特征向量定義為向量集合；

38、s53：逐一計算當(dāng)前葉片區(qū)域特征向量與病蟲害特征數(shù)據(jù)庫中每一病蟲害類別向量集合的中心向量之間的歐氏距離；

39、s54：對所有計算得到的距離值進行排序，并選擇最小歐氏距離對應(yīng)的病蟲害類別作為當(dāng)前葉片區(qū)域的最鄰近匹配結(jié)果，完成病蟲害類別初步判定。

40、可選的，所述s6具體包括：

41、s61：獲取s5輸出的最鄰近匹配結(jié)果中最小歐氏距離值及其對應(yīng)病蟲害類別編號ct，并對與預(yù)設(shè)的特征相似度判定閾值進行比對，若滿足，則判定對應(yīng)的葉片區(qū)域為病蟲害類別編號ct所屬類型；

42、s62：回溯s3中葉片區(qū)域的空間掩膜圖，將當(dāng)前葉片區(qū)域的邊界輪廓提取為病斑定位邊界，并計算病斑區(qū)域的中心位置坐標(biāo)，記錄為病斑核心定位點；

43、s63：整合當(dāng)前判定的病蟲害種類信息、病斑定位邊界及病斑核心定位點，按照結(jié)構(gòu)化標(biāo)準(zhǔn)模板生成診斷報告，報告中包含病害名稱、病斑面積占比及圖像定位信息，并以json格式輸出。

44、一種基于機器視覺技術(shù)的水稻病蟲害識別系統(tǒng)，用于實現(xiàn)上述的一種基于機器視覺技術(shù)的水稻病蟲害識別方法，包括以下模塊：

45、圖像采集模塊：用于在自然光條件下同步獲取水稻葉片的偏振光圖像和近紅外波段圖像，并通過旋轉(zhuǎn)偏振片陣列采集多個角度的偏振圖像幀，形成原始圖像數(shù)據(jù)集；

46、特征融合模塊：與圖像采集模塊連接，用于接收偏振圖像和近紅外圖像，對偏振圖像進行偏振方向重建與反射補償，并將補償圖與近紅外圖進行特征層級融合，生成多光譜融合圖像；

47、區(qū)域分割模塊：與特征融合模塊連接，基于多光譜融合圖像中像素偏振相位差異值，通過區(qū)域生長算法提取獨立的葉片區(qū)域并輸出對應(yīng)空間掩膜；

48、特征提取模塊：與區(qū)域分割模塊連接，用于在分割出的葉片區(qū)域中分別提取偏振反射率差異特征、葉脈紋路斷裂特征及近紅外吸收異常特征；

49、病蟲害匹配模塊：與特征提取模塊連接，用于將提取的特征向量與預(yù)設(shè)病蟲害特征數(shù)據(jù)庫中的標(biāo)準(zhǔn)特征向量進行歐氏距離匹配，并確定最鄰近的病蟲害類別；

50、診斷輸出模塊：與病蟲害匹配模塊連接，基于匹配結(jié)果與設(shè)定的特征相似度閾值判斷病蟲害種類，并結(jié)合空間掩膜生成包含病斑邊界和核心位置的結(jié)構(gòu)化診斷報告。

51、本發(fā)明的有益效果：

52、本發(fā)明，通過融合偏振光與近紅外圖像信息，構(gòu)建多光譜融合圖像，實現(xiàn)對水稻葉片表面反射特性與內(nèi)部組織結(jié)構(gòu)的聯(lián)合感知，顯著提高了病斑區(qū)域的對比度與識別敏感性；同時，結(jié)合區(qū)域生長分割算法與骨架化處理技術(shù)，精準(zhǔn)提取葉片區(qū)域及葉脈斷裂等結(jié)構(gòu)特征，有效彌補了傳統(tǒng)圖像識別方法在結(jié)構(gòu)完整性分析方面的不足。

53、本發(fā)明，通過引入病蟲害特征數(shù)據(jù)庫與歐氏距離匹配機制，實現(xiàn)了病害類型的高置信度判定，并通過空間掩膜提取病斑邊界與核心定位點，最終輸出結(jié)構(gòu)化診斷報告，顯著提升了病蟲害識別的準(zhǔn)確性。