4、叶片图像采集：采集设备选择、拍摄角度、光照条件、背景控制
叶片图像的质量直接决定了后续轻量CNN模型的上限。在作物病害识别项目中，模型推理阶段的算力与存储资源往往受限，无法通过大规模数据增强来弥补输入图像的先天缺陷。因此，在采集端就获得清晰、稳定、光照均匀且背景干扰少的叶片图像，是保障识别精度的第一道关口。本章围绕采集设备选型、拍摄角度规范、光照条件控制与背景处理四个核心维度展开，并结合边缘部署的实际约束，给出可落地的操作流程与参数建议。
4.1 采集设备选择：从手机到工业相机的分级方案
设备选型需要根据部署场景、成本预算与精度要求综合权衡。在农业现场巡检场景中，手机是最便捷的采集工具；而在固定式监测站或实验室环境中，USB工业相机或树莓派Camera模块则更适合自动化采集。核心原则是：图像分辨率至少达到1280×720像素，且传感器尺寸不宜过小，否则在叶片边缘或细小病斑处容易出现摩尔纹或伪影。
| 设备类型 | 分辨率/传感器 | 适用场景 | 优势 | 局限 |
|---|---|---|---|---|
| 智能手机（主摄） | 1200万像素，1/2.3" CMOS | 田间巡检、农户自查 | 便携、自动对焦快、自带补光 | 白平衡漂移、景深过浅 |
| USB工业相机 | 500万像素，1/2.5" CCD | 固定监测站、实验室 | 色彩还原准确、可手动调参 | 需要供电与主机连接 |
| 树莓派Camera V2 | 800万像素，Sony IMX219 | 边缘节点嵌入式采集 | 与边缘计算板卡直连 | 弱光性能一般 |
在边缘部署场景中，推荐使用树莓派Camera V2或同等规格的CSI接口摄像头，因为它可以直接接入Jetson Nano、树莓派4B等边缘设备，减少图像传输延迟。若使用手机采集，需注意关闭HDR和AI美颜功能，避免算法对图像进行过度处理导致颜色失真。
4.2 拍摄角度规范：俯拍90°与叶片展开标准
拍摄角度直接影响叶片形态的还原度。标准做法是将叶片平铺于采集台，镜头光轴与叶面垂直，即俯拍90°。这样能最大程度减少透视变形，保证病斑的形状、大小和纹理特征在图像中保持真实比例。若采用斜拍，叶片边缘会出现梯形失真，轻量CNN在卷积时可能提取到错误的边缘特征。
- 将叶片完全展开，用压片或透明胶带固定叶柄，确保叶面平整无褶皱。
- 调整相机高度，使叶片占画面面积的60%-80%，病斑区域尽量居中。
- 开启网格线辅助，确认叶片主脉与画面水平线平行。
- 拍摄前轻触屏幕对焦于病斑区域，避免对焦在背景上。
- 连拍3张，选择最清晰的一张保存。
对于卷曲或厚质叶片（如水稻叶、玉米叶），可考虑使用双面胶将叶片边缘轻压于白色亚克力板上，但需注意不要遮挡病斑区域。若叶片过大无法完全展开，可分段拍摄，但每段需保证有重叠的叶脉特征，便于后期拼接或分别标注。
4.3 光照条件控制：散射光与色温管理
光照是影响图像色彩还原度的关键变量。直射阳光会在叶片表面形成高光反射区，导致病斑颜色被“洗白”；而阴影区域则会让健康组织偏暗，干扰CNN对颜色特征的提取。最佳方案是使用散射光源，如阴天自然光或LED环形灯加柔光罩。
- 色温控制：4500K-5500K的日光色温最接近自然光，能准确还原叶片绿色与病斑黄褐色。避免使用暖黄光（<4000K）或冷蓝光（>6500K）。
- 光照均匀性：使用双光源从叶片左右45°方向照射，消除单侧阴影。光源距离叶片约30-40cm，避免过热损伤叶片。
- 曝光补偿：若叶片深绿且背景为白色，相机自动曝光可能偏暗，建议手动设置曝光补偿+0.3至+0.7EV。
4.4 背景控制：纯色板与干扰物排除
背景复杂度直接影响CNN的注意力分配。如果背景中存在其他叶片、土壤颗粒或杂草，模型可能将背景纹理误判为病斑特征，尤其在轻量模型参数量有限的情况下，这种干扰会被放大。因此，背景控制的目标是让叶片成为画面中唯一的高对比度主体。
| 背景类型 | 适用场景 | 注意事项 |
|---|---|---|
| 白色亚克力板 | 病斑颜色偏深（褐斑、黑斑） | 避免反光，可喷砂处理 |
| 灰色卡纸（中性灰） | 通用场景，兼顾深浅病斑 | 推荐18%中性灰，便于后期白平衡校正 |
| 黑色绒布 | 叶片颜色浅或病斑为白色粉状 | 注意绒布纹理，选择细密材质 |
在实际操作中，建议使用A4大小的哑光背景板，将叶片置于中央。若使用手机拍摄，可开启人像模式虚化背景，但需注意虚化算法可能误伤叶片边缘，导致病斑轮廓模糊。对于边缘部署场景，更推荐物理隔离背景而非依赖算法虚化。
4.5 实战案例：水稻稻瘟病叶片采集流程优化
某农业科技团队需要在田间部署一套基于轻量CNN的稻瘟病识别系统，边缘设备为Jetson Nano，输入图像尺寸固定为224×224像素。初期采集的图像识别准确率仅为78%，经分析发现主要问题集中在采集环节。
初始现象：田间自然光下拍摄的水稻叶片，部分图像出现过曝区域，部分叶片卷曲导致病斑变形，背景中泥土和杂草干扰明显。
关键参数分析：对500张初采图像进行统计，发现约32%的图像存在高光过曝，28%的图像背景复杂度过高，15%的图像叶片未完全展开。
优化措施：
- 改用便携式折叠柔光箱（40cm×40cm），内置LED灯条，色温5000K，亮度可调。
- 使用灰色卡纸作为背景板，尺寸为A5，便于携带。
- 拍摄前用压片将水稻叶完全展开，固定叶鞘部分。
- 统一使用俯拍90°角度，手机固定于三脚架，距离叶片25cm。
- 关闭手机HDR和AI场景识别，手动锁定对焦与曝光。
结果对比：优化后重新采集500张图像，过曝比例降至3%，背景合格率提升至95%，叶片展开率100%。重新训练轻量CNN后，识别准确率提升至91.5%，推理速度保持28ms/帧不变。
复盘经验：采集环节的标准化比算法调优更能带来显著的精度提升。建议在项目启动初期就制定《叶片图像采集SOP》，包含设备参数、拍摄距离、光照强度范围、背景色号等量化指标，并制作标准样张供采集人员对照。
4.6 常见误区与总结
- 误区一：认为分辨率越高越好。实际上，超过500万像素对轻量CNN并无增益，反而增加存储与传输负担。
- 误区二：忽略白平衡设置。自动白平衡在复杂光源下会产生色偏，建议使用灰卡手动校正。
- 误区三：背景板反复使用不清洁。叶片汁液残留会污染后续采集样本，需每次使用后擦拭。
- 误区四：只拍病斑特写，忽略叶片整体形态。CNN需要全局上下文信息，建议每片叶至少拍摄一张全叶图像和一张病斑特写。
总结而言，叶片图像采集的核心目标是获得标准化、可复现、高保真的图像数据。设备选择应匹配边缘部署的算力约束，拍摄角度以俯拍90°为基准，光照采用散射光并控制色温在5000K左右，背景使用纯色哑光板。通过建立严格的采集SOP和质检流程，可以显著提升下游轻量CNN模型的鲁棒性与泛化能力，为边缘端实时病害识别奠定坚实的数据基础。