自動(dòng)監(jiān)測(cè)裝置用溫室粉虱和薊馬成蟲(chóng)圖像分割識(shí)別算法.pdf
<p>第 34卷 第 1期 農(nóng) 業(yè) 工 程 學(xué) 報(bào) V ol.34 N o.1 164 2018年 1月 Transactions of the Chinese Society of Agricultural Engineering Jan. 2018 自動(dòng)監(jiān)測(cè)裝置用溫室粉虱和薊馬成蟲(chóng)圖像分割識(shí)別算法楊信廷 1,2 ，劉蒙蒙 1,2 ，許建平 3 ，趙 麗 2 ，魏書(shū)軍 4 ，李文勇 2 ， 陳梅香 2 ，陳 明 1 ，李 明 2（1. 上海海洋大學(xué)信息學(xué)院，上海 201306；2. 北京農(nóng)業(yè)信息技術(shù)研究中心/國(guó)家農(nóng)業(yè)信息化工程技術(shù)研究中心/農(nóng)產(chǎn)品 質(zhì)量安全追溯技術(shù)及應(yīng)用國(guó)家工程實(shí)驗(yàn)室/農(nóng)業(yè)部農(nóng)業(yè)信息技術(shù)重點(diǎn)實(shí)驗(yàn)室，北京 100097；3. 北京市豐臺(tái)區(qū) 植保植檢站，北京 100097；4. 北京市農(nóng)林科學(xué)院植物保護(hù)環(huán)境保護(hù)研究所，北京 100097） 摘 要：為了監(jiān)測(cè)溫室黃瓜作物蟲(chóng)害種類、數(shù)量變化情況以預(yù)測(cè)蟲(chóng)害發(fā)展趨勢(shì)，該文以粉虱和薊馬為例，提出了一種基 于 Prewitt、Canny 邊緣檢測(cè)算子分割和 SVM（support vector machine）的溫室粉虱和薊馬誘蟲(chóng)板的圖像識(shí)別算法。該方 法利用 HSI（Hue-Saturation-Intensity）顏色空間的 I 分量與 L*a*b*顏色空間的 b 分量二值圖像中害蟲(chóng)目標(biāo)與背景的高對(duì) 比性，再分別相應(yīng)地利用 Prewitt算子和 Canny 算子進(jìn)行單頭害蟲(chóng)邊緣分割，再經(jīng)過(guò)形態(tài)學(xué)處理，最后融合這兩幅二值圖 像完成單頭害蟲(chóng)區(qū)域的提取。然后提取害蟲(chóng)的 5 個(gè)形態(tài)特征（面積、相對(duì)面積、周長(zhǎng)、復(fù)雜度、占空比）及 9 個(gè)顏色特 征（Hue-Saturation-Value 顏色空間、HSI 顏色空間、L*a*b*顏色空間各分量的一階矩） ，并對(duì)這 14 個(gè)特征參數(shù)進(jìn)行歸一 化處理， 將特征值作為 SVM的輸入向量， 進(jìn)行溫室粉虱和薊馬的誘蟲(chóng)板圖像識(shí)別。 通過(guò)分析比較不同向量組合的 BP （back propagation）與 SVM 的害蟲(chóng)識(shí)別率、4 種不同 SVM 核函數(shù)的害蟲(chóng)識(shí)別率，發(fā)現(xiàn)顏色特征向量是粉虱和薊馬識(shí)別的主成 分，且 SVM 的識(shí)別效果優(yōu)于 BP 神經(jīng)網(wǎng)絡(luò)、線性核函數(shù)的 SVM 分類性能最好且穩(wěn)定。結(jié)果表明：平均識(shí)別準(zhǔn)確率達(dá)到 了 93.5%，粉虱和薊馬成蟲(chóng)的識(shí)別率分別是 96.0%和 91.0%，能夠?qū)崿F(xiàn)溫室害蟲(chóng)的誘蟲(chóng)板圖像識(shí)別。該研究可以為蟲(chóng)害的 監(jiān)測(cè)與預(yù)警提供支持，為及時(shí)采取正確的防治措施提供重要的理論依據(jù)。 關(guān)鍵詞：圖像處理、圖像分割；算法；邊緣檢測(cè)；支持向量機(jī)；顏色空間；蟲(chóng)害監(jiān)測(cè) doi：10.11975/j.issn.1002-6819.2018.01.022 中圖分類號(hào)：TP391.4;S126 文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：1002-6819(2018)-01-0164-07 楊信廷，劉蒙蒙，許建平，趙 麗，魏書(shū)軍，李文勇，陳梅香，陳 明，李 明. 自動(dòng)監(jiān)測(cè)裝置用溫室粉虱和薊馬成蟲(chóng)圖 像分割識(shí)別算法J. 農(nóng)業(yè)工程學(xué)報(bào)，2018，34(1)：164170. doi： 10.11975/j.issn.1002-6819.2018.01.022 http:/www.tcsae.org Yang Xinting, Liu Mengmeng, Xu Jianping, Zhao Li, Wei Shujun, Li Wenyong, Chen Meixiang, Chen Ming, Li Ming. Image segmentation and recognition algorithm of greenhouse whitefly and thrip adults for automatic monitoring device J. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(1): 164170. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2018.01.022 http:/www.tcsae.org 0 引 言溫室內(nèi)適溫、高濕的小氣候和周年生產(chǎn)為害蟲(chóng)越冬 和繁殖提供了適宜的場(chǎng)所，導(dǎo)致粉虱和薊馬等害蟲(chóng)發(fā)生 多、蔓延快、危害重，嚴(yán)重影響黃瓜作物的產(chǎn)量和質(zhì)量 安全。通常采用田間調(diào)查和蟲(chóng)情預(yù)測(cè)相結(jié)合的方法進(jìn)行 施藥決策和害蟲(chóng)綜合治理（integrated pest management, IPM） 1 。由于溫室內(nèi)害蟲(chóng)具有蟲(chóng)體小、遷移性、掩蔽性 （比如枝葉遮擋、習(xí)慣依附于葉片背面）等特點(diǎn)，目前 常用的人工感官在現(xiàn)場(chǎng)檢查害蟲(chóng)，借助放大鏡、顯微鏡收稿日期：2017-08-23 修訂日期：2017-11-06 基金項(xiàng)目：北京市自然科學(xué)基金青年項(xiàng)目（6164034）；國(guó)家自然科學(xué)基金 青年科學(xué)基金項(xiàng)目 （31401683） ； 歐盟 FP7 項(xiàng)目 （PIRSES-GA-2013 -612659） ； 農(nóng)業(yè)物聯(lián)網(wǎng)區(qū)域試驗(yàn)工程天津試驗(yàn)區(qū)項(xiàng)目 “設(shè)施蔬菜病蟲(chóng)害智能化監(jiān)測(cè)預(yù)警 系統(tǒng)建設(shè)”；山東省重點(diǎn)研發(fā)計(jì)劃項(xiàng)目（2017CXGC0216） 作者簡(jiǎn)介：楊信廷，博士，研究員，主要從事農(nóng)產(chǎn)品質(zhì)量安全關(guān)鍵技術(shù)研究。 中國(guó)農(nóng)業(yè)工程學(xué)會(huì)會(huì)員（E041200352S） 通信作者：李明，博士，副研究員，主要從事植保信息化研究。 Email：limnercita.org.cn 等工具或直接用肉眼判別害蟲(chóng)的種類，并統(tǒng)計(jì)數(shù)量的監(jiān) 測(cè)方法，工作量大，效率低且準(zhǔn)確性受主觀影響大。因 此，害蟲(chóng)自動(dòng)識(shí)別計(jì)數(shù)對(duì)于提升害蟲(chóng)的監(jiān)測(cè)效率至關(guān) 重要 2-6 。 近年來(lái)，由于計(jì)算機(jī)硬件和成像設(shè)備的提升，基于 圖像處理技術(shù)的害蟲(chóng)自動(dòng)識(shí)別被廣泛研究。農(nóng)業(yè)害蟲(chóng)也 受到特別關(guān)注，特別是溫室害蟲(chóng)，例如粉虱、薊馬、蚜 蟲(chóng)的圖像識(shí)別已有相關(guān)報(bào)道。 Martin and Thonnat 7 為了從 葉片背景上分割粉虱，提出一種基于自適應(yīng)學(xué)習(xí)技術(shù)的 調(diào)整最優(yōu)參數(shù)的圖像認(rèn)知視覺(jué)方法。Solissánchez 等 8 利 用目標(biāo)的幾何形態(tài)特征（偏心率、面積等）從誘蟲(chóng)板上 分割識(shí)別粉虱。Xia等 9 建立了一種檢測(cè)復(fù)雜背景下的粉 虱多重分形維數(shù)，對(duì)于田間葉片的光照變化和光反射是 穩(wěn)健的。邱白晶等 10 采用 G（green）分量閾值將蚜蟲(chóng)區(qū) 域和非蚜蟲(chóng)區(qū)域分離開(kāi)，對(duì)圖像進(jìn)行距離變換和分水嶺 分割解決蚜蟲(chóng)的粘連重疊問(wèn)題，實(shí)現(xiàn)了黃瓜蚜蟲(chóng)的識(shí)別 與計(jì)數(shù)。Ebrahimi 等 11 利用目標(biāo)大直徑與小直徑的比值 作為區(qū)域特征參數(shù)，以色相、飽和度和亮度作為顏色特 征參數(shù)，設(shè)計(jì)了識(shí)別草莓薊馬的支持向量機(jī)（support 第 1期 楊信廷等：自動(dòng)監(jiān)測(cè)裝置用溫室粉虱和薊馬成蟲(chóng)圖像分割識(shí)別算法 165 vector machine， SVM） 結(jié)構(gòu)， 平均識(shí)別錯(cuò)誤率少于 2.25%。 王志彬等 12 利用 K-means 聚類對(duì)粉虱圖像進(jìn)行分割，使 粉虱從背景圖像中分離，然后利用基于最小二乘法的橢 圓擬合方法對(duì)粉虱實(shí)現(xiàn)計(jì)數(shù)。 Sun等 13 提出了一個(gè)新穎的 粉虱和薊馬計(jì)數(shù)算法，將誘捕的害蟲(chóng)作為噪聲而二維傅 里葉變換作為噪聲收集器實(shí)現(xiàn)計(jì)數(shù)。 上述方法中，首先對(duì)害蟲(chóng)目標(biāo)從背景圖像中分割出 來(lái)，然后再進(jìn)行害蟲(chóng)的計(jì)數(shù)與識(shí)別 14-16 。但是還存在以 下問(wèn)題亟待解決：1）田間實(shí)際拍照如何提取小目標(biāo)害蟲(chóng) 區(qū)域，目前圖像分割時(shí)較早多采用確定閾值，近年來(lái)的 研究在圖像簡(jiǎn)單預(yù)處理的基礎(chǔ)上與其他方法（比如 K-means）相結(jié)合進(jìn)行分割，這使得害蟲(chóng)圖像分割算法對(duì) 拍照環(huán)境要求較敏感或者對(duì)算法的初始參數(shù)設(shè)置有一定 的要求；2）大多數(shù)算法主要是針對(duì)一種害蟲(chóng)，生產(chǎn)上誘 蟲(chóng)板通常會(huì)誘集 2 種以上的害蟲(chóng)，例如在本試驗(yàn)中主要 就有薊馬和粉虱 2 種害蟲(chóng)，分類識(shí)別和計(jì)數(shù)是精準(zhǔn)防治 的必然要求。因此，如何提高識(shí)別的魯棒性和準(zhǔn)確性， 是基于機(jī)器視覺(jué)的圖像識(shí)別的一個(gè)重要研究方向。 本文面向溫室害蟲(chóng)自動(dòng)監(jiān)測(cè)裝置研發(fā)需求，針對(duì)粉 虱與薊馬害蟲(chóng)特點(diǎn)，基于邊緣分割對(duì)目標(biāo)圖像分割，在 提取這兩者形態(tài)特征的基礎(chǔ)上，繼續(xù)提取目標(biāo)的顏色特 征空間參數(shù)作為 SVM 的輸入向量，設(shè)計(jì)基于邊緣分割和 SVM 的溫室黃瓜害蟲(chóng)粉虱和薊馬的圖像識(shí)別算法，并采 用實(shí)際田間調(diào)查數(shù)據(jù)進(jìn)行驗(yàn)證。 1 材料與方法 1.1 溫室粉虱和薊馬 溫室粉虱和薊馬成蟲(chóng)主要識(shí)別特征 17-18 如表 1 所 示，整體上溫室中粉虱和薊馬蟲(chóng)體較小、體長(zhǎng)差異不顯 著，主要在顏色上存在差異，對(duì)黃色有趨性。 表1 溫室粉虱和薊馬成蟲(chóng)主要識(shí)別特征 Table 1 Main feature of adult whitefly and thrip in greenhouse 主要特征 Main Feature 粉虱 Whitefly 薊馬 Thrip 顏色 體淡黃色，翅面有白色 蠟粉，外觀呈白色 體黃色，復(fù)眼稍突出，外觀褐色 形態(tài) 停息時(shí)雙翅合成屋脊?fàn)?，長(zhǎng) 0.850.91 mm，翅端半圓形 頭近方形，長(zhǎng) 1.01.1 mm， 腹扁長(zhǎng)，體狹長(zhǎng) 1.2 自動(dòng)監(jiān)測(cè)裝置與圖像采集 在溫室環(huán)境下，采集了北京市小湯山國(guó)家精準(zhǔn)農(nóng)業(yè) 研究示范基地中日光溫室中誘蟲(chóng)板圖像，上面主要為薊 馬和粉虱，也存在較少的其它害蟲(chóng)（如體型較大的蒼蠅， 可通過(guò)圖像閾值處理去除干擾） 。本文采用本課題組自 主設(shè)計(jì)的田間害蟲(chóng)自動(dòng)監(jiān)測(cè)設(shè)備來(lái)獲取害蟲(chóng)圖像，設(shè)備 自上而下分別是太陽(yáng)能板、誘蟲(chóng)板與安卓手機(jī)拍照盒、 20 000 mAh 的蓄電池箱，并開(kāi)發(fā)了基于手機(jī)的害蟲(chóng)監(jiān)測(cè) 軟件實(shí)現(xiàn)定時(shí)（單位為分鐘）拍照、通過(guò)移動(dòng)網(wǎng)絡(luò)上傳 照片到后臺(tái)服務(wù)器的功能，本試驗(yàn)設(shè)定 2 h 拍照一次，設(shè) 備及獲取的高效信息素誘蟲(chóng)板（局部）圖像如圖 1所示。 1. 太陽(yáng)能板 2. 誘蟲(chóng)板 3. 拍照盒 4. 蓄電池箱 1. Solar panel 2. Trap board 3. Camera box 4. Battery box 圖1 自動(dòng)監(jiān)測(cè)設(shè)備及誘蟲(chóng)板（局部）圖像 Fig.1 Auto monitoring device and trap board (local) image 田間自動(dòng)拍照設(shè)備置于 2 壟黃瓜作物中間，與黃瓜 莖稈距離為 30 cm。設(shè)備利用高效信息素誘蟲(chóng)板（30 cm× 15 cm）誘捕害蟲(chóng)，用安卓手機(jī)拍照（分辨率為 3 008× 2 000） ，攝像頭與誘蟲(chóng)板間距為 27 cm，攝像頭與誘蟲(chóng)板 垂直。拍攝圖像時(shí)，相機(jī)設(shè)置為自動(dòng)調(diào)節(jié)焦距和光圈， 自動(dòng)白平衡。溫室為不加熱型溫室，覆蓋材料為聚乙烯 塑料薄膜，溫室為南北走向，北部是磚墻，東西部各有 一個(gè)小窗，溫室面積為 50 m×7 m。黃瓜生長(zhǎng)的前期每隔 7 d 更換一次誘蟲(chóng)板，中后期由于蟲(chóng)子數(shù)量的快速增加， 每隔 3 d 更換一次誘蟲(chóng)板。 圖2 害蟲(chóng)特征提取與識(shí)別流程圖 Fig.2 Schematic flow of insect feature extraction and species identification 選取中午 12 點(diǎn)的不同天數(shù)的 30 張誘蟲(chóng)板圖像，從 農(nóng)業(yè)工程學(xué)報(bào)（http:/www.tcsae.org） 2018年 166 中隨機(jī)選取 20 張作為訓(xùn)練樣本，剩下的 10 張作為測(cè)試 樣本。本文方法基于 Matlab 2012 b（The Mathworks, Inc., US）編程實(shí)現(xiàn)，PC處理器為 Intel Core i5-4 210 H（主頻 2.9 GHz） ，運(yùn)行內(nèi)存為 4 GB，算法流程如圖 2 所示。 1.3 研究方法 1.3.1 基于邊緣的圖像分割方法 圖像的邊緣存在于目標(biāo)與背景、目標(biāo)與目標(biāo)、區(qū)域 與區(qū)域、基元與基元之間 19 。誘蟲(chóng)板原始圖像為 RGB （red-green-blue）圖像，由害蟲(chóng)區(qū)域和背景區(qū)域組成，需 要首先將害蟲(chóng)區(qū)域從圖像中分割出來(lái)，以便進(jìn)行有效特 征參數(shù)的提取。為了增強(qiáng)邊緣檢測(cè)的效果，需要加強(qiáng)目 標(biāo)與背景的對(duì)比性。通過(guò)對(duì)比分析發(fā)現(xiàn)，由于 HSI （Hue-Saturation-Intensity）顏色空間的亮度（I）分量與 顏色無(wú)關(guān)和 L*a*b*顏色空間的 b 分量在黃色到藍(lán)色范圍 內(nèi)變動(dòng)的特性，會(huì)與誘蟲(chóng)板圖像的黃色背景形成較強(qiáng)的 對(duì)比性，這有助于進(jìn)行害蟲(chóng)邊緣檢測(cè)。從 RGB 空間到 HSI 空間的轉(zhuǎn)換公式為（1）（4） 。 360 , B G H= ,B>G （1） 3 =1 min( , , ) (+) SR G B RGB （2） 1 =( ) 3 I RGB （3） 1 21 / 2 0.5( ) ( ) = cos ( ) ( )( ) RG RB RG RGGB （4） 式中 是用于表示色調(diào)；H所處光譜顏色位置的角度量。 RGB 顏色空間到 L*a*b*顏色空間不能直接轉(zhuǎn)換，需 要先轉(zhuǎn)換到 XYZ 顏色空間，再由 XYZ 顏色空間轉(zhuǎn)換至 L*a*b*顏色空間，轉(zhuǎn)換公式 20 如下 2.7689 1.7518 1.1302 = 1.0000 4.5907 0.0601 0.0000 0.565 5.5943 X R YG Z B （5） 1/3 1/3 00 * 00 116 ( / ) 16, / 0.008 856 903.3 ( / ) , / 0.008 856 fYY YY L fYY YY （6） * 00 500 ( / ) ( / ) af X Xf Y Y （7） * 00 =200 ( / ) ( / ) bf Y Yf Z Z （8） 1/3 , >0.008 856 () 7.787 16/116, 0.008 856 tt ft tt （9） 其中 X 0 、Y 0 、Z 0 分別表示 X、Y、Z 對(duì)應(yīng)的參考白點(diǎn)，t 表示 X、Y、Z 和各自對(duì)應(yīng)的參考白點(diǎn)的比值。 本文對(duì)害蟲(chóng)目標(biāo)二值圖像通過(guò) Prewitt 在 HSI 的 I 分 量以及 Canny 在 L*a*b*的 b 分量二值圖像進(jìn)行基于邊緣 的圖像分割。 1.3.2 支持向量機(jī) 支持向量機(jī)（SVM）是由 Vanpik 21 提出的一種具有 極大應(yīng)用性的分類技術(shù)，在解決小樣本、非線性和高維 模式識(shí)別問(wèn)題中表現(xiàn)出許多特有的優(yōu)勢(shì) 22-26 。常見(jiàn)的 SVM核函數(shù)有線性核函數(shù)、 多項(xiàng)式核函數(shù)、 徑向基 （radial basis function, RBF）核函數(shù)、Sigmoid 核函數(shù)。 根據(jù)粉虱和薊馬的特點(diǎn)，從形態(tài)到顏色、紋理等特 征提取出發(fā) 27-28 ，本文選取害蟲(chóng) 9 個(gè)顏色特征、 5個(gè)形態(tài) 特征共 14 項(xiàng)特征作為表征黃瓜蟲(chóng)害的特征參數(shù)，作為 SVM 的輸入向量。其中 5 個(gè)形態(tài)特征分別為：面積、相 對(duì)面積、周長(zhǎng)、復(fù)雜度、占空比。另外的顏色特征為基 于 HSV 顏色空間、HSI 顏色空間、L*a*b*顏色空間各分 量的一階矩（共 9 個(gè)參數(shù)）作為顏色特征參數(shù)，其計(jì)算 公式如下： 1 1 () p ii i f f p （10） 式中 p 表示害蟲(chóng)區(qū)域總像素， f i 表示害蟲(chóng)區(qū)域內(nèi)的任意坐 標(biāo)， i f 表示 f i 點(diǎn)的顏色值。 本文將通過(guò)不同向量組合、核函數(shù)的 SVM 對(duì)害蟲(chóng)分 類識(shí)別測(cè)試，以確定適合黃瓜粉虱、薊馬誘蟲(chóng)板圖像識(shí) 別的 SVM向量組合與核函數(shù)。 1.3.3 粉虱和薊馬圖像識(shí)別方法 本文將邊緣分割與 SVM 進(jìn)行結(jié)合，提出了一種黃瓜 粉虱和薊馬識(shí)別方法。該方法首先利用邊緣檢測(cè)算子對(duì) 單頭害蟲(chóng)進(jìn)行邊緣分割，提取害蟲(chóng)區(qū)域，然后利用 SVM 對(duì)黃瓜粉虱和薊馬進(jìn)行分類。該算法具體如下：1）將圖 像由 RGB 顏色空間轉(zhuǎn)換到 HSI、L*a*b*顏色空間，利用 HSI 顏色空間的 I 分量與 L*a*b*顏色空間的 b 分量二值 圖像中目標(biāo)與背景的高對(duì)比性進(jìn)行邊緣檢測(cè)；2）形態(tài)學(xué) 處理（膨脹與腐蝕） 、差分法去除干擾，融合 2 種顏色空 間下的害蟲(chóng)區(qū)域提取，得到最終的單頭害蟲(chóng)區(qū)域；3）提 取害蟲(chóng)的形態(tài)、紋理、顏色特征，將特征值歸一化；4） 利用 SVM進(jìn)行訓(xùn)練、識(shí)別粉虱與薊馬。 2 結(jié)果與分析 2.1 圖像處理 2.1.1 利用邊緣分割的害蟲(chóng)區(qū)域提取 根據(jù)設(shè)計(jì)的算法，對(duì)誘蟲(chóng)板圖像由 RGB 顏色空間轉(zhuǎn) 換到 HSI、L*a*b*顏色空間，增強(qiáng)目標(biāo)與背景的對(duì)比度， 如圖 3b 和圖 3c 所示。 實(shí)際中的圖像由于物體和背景組合 在一起且存在噪聲的干擾、難以準(zhǔn)確識(shí)別，所以對(duì)邊緣 的檢測(cè)是數(shù)字圖像處理技術(shù)中一個(gè)非常關(guān)鍵又難以處理 的步驟 29 。 本文通過(guò) 4種經(jīng)典邊緣檢測(cè)算子 Prewitt、 Sobel、 Roberts、 Canny 對(duì)害蟲(chóng)目標(biāo)的 I 分量和 b分類二值圖像進(jìn) 行邊緣檢測(cè)，發(fā)現(xiàn)： 1）由于 Prewitt 算子檢測(cè)出的邊緣具 有平滑作用，能濾除噪聲，去掉部分偽邊緣，害蟲(chóng)目標(biāo) 圖像利用 Prewitt 算子在 HSI 的 I 分量二值圖像進(jìn)行單頭 害蟲(chóng)邊緣檢測(cè)具有較好的效果，如圖 3d 所示；2）Canny 算子提取的邊緣最為完整，而且邊緣的連續(xù)性很好，主 要是因?yàn)樗M(jìn)行了“非極大值抑制”和形態(tài)學(xué)連接操作 的結(jié)果 30 ，發(fā)現(xiàn)利用 Canny算子在 L*a*b*的 b分量二值 圖像進(jìn)行單頭害蟲(chóng)邊緣檢測(cè)效果較好，如圖 3e所示。 綜上所述， 本文害蟲(chóng)目標(biāo)圖像利用 Prewitt算子在 HSI 的 I 分量二值圖像進(jìn)行單頭害蟲(chóng)邊緣檢測(cè)、 Canny 算子在 L*a*b*的 b 分量二值圖像進(jìn)行單頭害蟲(chóng)邊緣檢測(cè)。邊緣 檢測(cè)之后圖像存在一些干擾，先進(jìn)行圖像膨脹處理，利 第 1期 楊信廷等：自動(dòng)監(jiān)測(cè)裝置用溫室粉虱和薊馬成蟲(chóng)圖像分割識(shí)別算法 167 用差分法去除由于為了方便人工計(jì)數(shù)而設(shè)計(jì)的網(wǎng)格線、 文字等，然后對(duì)圖像進(jìn)行空洞填充，最后對(duì)圖像腐蝕處 理得到單頭害蟲(chóng)目標(biāo)區(qū)域圖像。 將 L*a*b*的 b分量與 HSI 的 I 分量的單頭害蟲(chóng)目標(biāo)區(qū)域的二值圖像進(jìn)行融合 （為了 最小化因圖像處理而造成的害蟲(chóng)漏取）得到最終單頭害 蟲(chóng)區(qū)域提取二值圖像，如圖 3f。 a. 原局部圖像 a. Original local image b. HSI顏色空間的 I分量圖像 b. I component image of HSI color spacec. L*a*b*顏色空間的 b 分量圖像 c. b component image of L*a*b* color space d. I分量二值圖像的 Prewitt檢測(cè) d. Prewitt detection of I component binary image e. b 分量二值圖像的 Canny檢測(cè) e. Canny detection of b component binary image f. 害蟲(chóng)提取的最終二值圖像 f. Final binary image of pest extraction 圖3 害蟲(chóng)目標(biāo)區(qū)域提取 Fig.3 Target region extraction of pests 2.1.2 分割算法分析 為了說(shuō)明本文算法的有效性，采用灰度圖像的自動(dòng) 閾值分割（OTSU）算法、基于 K均值的圖像算法與本文 基于 Prewitt、Canny 算子的邊緣分割的效果進(jìn)行對(duì)比。 其中， K均值算法利用圖像的顏色特征信息、紋理等特征 信息，較好的體現(xiàn)了圖像局部與整體的信息，是目前研 究較多的方法之一 31-34 。 從圖 4 分割提取結(jié)果看（所有分割方法均經(jīng)過(guò)一致 的處理） ， 基于 OTSU 分割和 K均值聚類分割都只能分割 出有背景板有明顯顏色差異的薊馬黑色區(qū)域，而對(duì)于粉 虱的白色區(qū)域則提取效果極差。 OTSU分割算法需要待分 割圖像具有良好的峰谷性質(zhì)而誘蟲(chóng)板害蟲(chóng)圖像不具備這 一條件，K均值聚類算法可以將圖像聚集到 3 類（粉虱、 薊馬、背景區(qū)域） ，但是由于粉虱的顏色與背景顏色相近 致使分割效果不佳。本文方法利用害蟲(chóng)圖像邊緣強(qiáng)度變 化（如紋理結(jié)構(gòu)突變、顏色突變、灰度突變等）的特性， 更易提取害蟲(chóng)區(qū)域。 在試驗(yàn)中，提取害蟲(chóng)目標(biāo)區(qū)域會(huì)出現(xiàn)錯(cuò)取、漏取， 采用錯(cuò)誤提取率（error extraction rate, EER） 、漏取率 （missing rate, MR）和提取準(zhǔn)確率（extraction accuracy, EA）等 3 個(gè)指標(biāo)對(duì)試驗(yàn)結(jié)果進(jìn)行評(píng)價(jià)。指標(biāo)計(jì)算式如 （11）（13）所示： EER=N error /N 1（11） EA=N correct /N 2（12） MR=N missing /N 2（13） 式中 N error 表示錯(cuò)誤提取的害蟲(chóng)數(shù)量，N missing 表示漏取的 害蟲(chóng)數(shù)量，N correct 表示正確提取的害蟲(chóng)數(shù)量，N 1 =N error + N correct 表示算法提取的害蟲(chóng)總數(shù)，N 2 =N missing +N correct 表示 圖像中實(shí)際害蟲(chóng)數(shù)量。 a. 原圖 a. Original image b. 自動(dòng)閾值分割 b. Automatic threshold segmentation c. K均值聚類分割 c. K-mean clustering segmentation d. 本文方法 d. Method of article 圖4 不同方法對(duì)誘蟲(chóng)板害蟲(chóng)圖像的分割效果 Fig.4 Segmentation effect of insect trap board image with different methods 通過(guò)對(duì)這 30 副圖像統(tǒng)計(jì)得出，平均錯(cuò)誤提取率為 5.7%，平均漏取率為 6.7%，提取準(zhǔn)確率為 93.3%。提取 害蟲(chóng)區(qū)域出現(xiàn)錯(cuò)誤主要有 2 種情況，反光造成的亮點(diǎn)和 干擾物（如灰塵顆粒）造成的類似害蟲(chóng)情況。害蟲(chóng)提取 遺漏，主要出現(xiàn)在當(dāng)蟲(chóng)子粘著在網(wǎng)格線、文字處時(shí)，會(huì) 被當(dāng)做網(wǎng)格線一起被處理掉，說(shuō)明害蟲(chóng)區(qū)域提取算法在 處理網(wǎng)格線、文字處還待優(yōu)化。 2.2 BP 與SVM 的害蟲(chóng)識(shí)別結(jié)果對(duì)比分析 基于誤差反向傳播（back propagation, BP）算法的多 層前饋網(wǎng)絡(luò)是目前應(yīng)用較多的網(wǎng)絡(luò)之一，主要通過(guò)學(xué)習(xí) 來(lái)實(shí)現(xiàn)輸入目標(biāo)與輸出目標(biāo)之間的非線性映射 35 。根據(jù) SVM 對(duì)小樣本的分類問(wèn)題具有很好的學(xué)習(xí)能力和分類能 力、樣本太多時(shí)易產(chǎn)生“過(guò)擬合”的情況使識(shí)別率下降 的特點(diǎn)，從訓(xùn)練圖片中隨機(jī)選取 1200 頭害蟲(chóng)作為訓(xùn)練樣 本（各 600頭） ，從測(cè)試圖片中隨機(jī)選取 400 頭害蟲(chóng)作為 測(cè)試樣本（各 200 頭） 。 本文在構(gòu)建害蟲(chóng)識(shí)別模型時(shí)，選取害蟲(chóng)的 9 個(gè)顏色 特征、5個(gè)形態(tài)特征共 14 項(xiàng)特征作為表征黃瓜蟲(chóng)害的特 征參數(shù)，根據(jù)顏色特征與形態(tài)特征建立 3 種向量組合方 式：F1=形態(tài)特征向量，F(xiàn)2=顏色特征向量，F(xiàn)3=形 態(tài)特征向量、 顏色特征向量=F1+F2。不同特征向量組合 方式的 BP、SVM 識(shí)別結(jié)果如表 2 所示，BP、SVM的向 量F1 組合平均識(shí)別率分別為 16.5%、18.5%，BP、SVM 的向量F2組合的平均識(shí)別率分別為 79.5%、 83.0%， BP、 SVM的向量F3組合的平均識(shí)別率分別為 89.5%、 93.5%， 可以看出： SVM 識(shí)別效果稍微優(yōu)于 BP，顏色特征向量是 農(nóng)業(yè)工程學(xué)報(bào)（http:/www.tcsae.org） 2018年 168 害蟲(chóng)識(shí)別的主成分，這也符合人類的視覺(jué)感受，即這 2 種害蟲(chóng)存在較明顯的顏色差異。 利用 4種不同核函數(shù)的 SVM對(duì)建立的訓(xùn)練樣本與測(cè) 試樣本的分類性能進(jìn)行了比較，結(jié)果如表 3 所示。從表 3 可以看出，線性核函數(shù)分類性能最好且穩(wěn)定，對(duì)粉虱和 薊馬成蟲(chóng)的識(shí)別率分別是 96.0%和 91.0%，平均識(shí)別準(zhǔn)確 率達(dá)到了 93.5%。對(duì)于支持向量數(shù)，線性核函數(shù)的 SVM 的支持向量數(shù)比其他核函數(shù)的支持向量數(shù)要少，故線性 核函數(shù)的 SVM 比其他的核函數(shù)推廣性要好。所以，線性 核函數(shù)的 SVM分類方法最適合黃瓜蟲(chóng)害的圖像識(shí)別。 表2 不同特征向量的 SVM和 BP識(shí)別結(jié)果 Table 2 Recognition results of SVM and BP with different feature vectors 輸入組 Input group 模型 Model 薊馬識(shí)別率 Thrips recogni- tion rate/% 粉虱識(shí)別率 Whitefly recogni- tion rate/% 整體識(shí)別率 Overall recogni- tion rate/% SVM 11.0 26.0 18.5 形態(tài)特征 向量F1 BP 10.0 23.0 16.5 SVM 80.0 86.0 83.0 顏色特征 向量F2 BP 76.0 83.0 79.5 SVM 91.0 96.0 93.5 特征向量 組合F3 BP 87.0 92.0 89.5 表3 不同核函數(shù)的 SVM性能比較 Table 3 Performance comparison of support vector machines with different kernel functions 核函數(shù) Kernel function 支持向量數(shù) Support vector number 薊馬識(shí)別率 Thrips recogni- tion rate/% 粉虱識(shí)別率 Whitefly recogni- tion rate/% 整體識(shí)別率 Overall recogni- tion rate/% 線性 147 91.0 96.0 93.5 多項(xiàng)式 384 59.5 96.7 78.3 徑向基 264 91.7 90.0 90.8 Sigmoid 314 86.9 83.3 85.1 3 結(jié) 論 本文提出了面向自動(dòng)監(jiān)測(cè)裝置的溫室粉虱和薊馬成 蟲(chóng)圖像分割識(shí)別算法，在溫室黃瓜作物上進(jìn)行了試驗(yàn)， 試驗(yàn)結(jié)果表明： 1）設(shè)計(jì)的基于邊緣檢測(cè)的害蟲(chóng)區(qū)域提取算法，通過(guò) 對(duì) 30 副圖像統(tǒng)計(jì)得出，平均錯(cuò)誤提取率為 5.7%，平 均 漏 取率為 6.7%，提取準(zhǔn)確率為 93.3%。錯(cuò)誤提取害蟲(chóng)區(qū)域 主要出現(xiàn)在反光造成的亮點(diǎn)和干擾物（如灰塵顆粒）造 成的類似害蟲(chóng)情況，漏取害蟲(chóng)區(qū)域出現(xiàn)在蟲(chóng)子黏著在網(wǎng) 格線、文字處上，這是設(shè)備改進(jìn)以及圖像處理算法優(yōu)化 的方向。 2） 對(duì)比不同特征向量組合的 BP神經(jīng)網(wǎng)絡(luò)與 SVM 進(jìn) 行害蟲(chóng)識(shí)別，發(fā)現(xiàn)顏色特征向量是害蟲(chóng)識(shí)別的主成分， SVM分類效果優(yōu)于 BP算法。 分析 4種不同核函數(shù)的 SVM 識(shí)別結(jié)果， 發(fā)現(xiàn)線性核函數(shù)的 SVM分類性能最好且穩(wěn)定， 平均識(shí)別準(zhǔn)確率達(dá)到了 93.5%， 對(duì)粉虱和薊馬成蟲(chóng)的識(shí)別 率分別是 96.0%和 91.0%。 本文圖像分割識(shí)別算法能夠自動(dòng)、有效地對(duì)害蟲(chóng)進(jìn) 行計(jì)數(shù)與識(shí)別，可以為綜合害蟲(chóng)管理系統(tǒng)提供數(shù)據(jù)支持。 參 考 文 獻(xiàn) 1 周志艷，羅錫文，張揚(yáng)，等. 農(nóng)作物蟲(chóng)害的機(jī)器檢測(cè)與監(jiān) 測(cè)技術(shù)研究進(jìn)展J. 昆蟲(chóng)學(xué)報(bào)，2010，53(1)：98109. Zhou Zhiyan, Luo Xiwen, Zhang Yang, et al. Machine-based technologies for detecting and monitoring insect pests of crops a reviewJ. Acta Entomologica Sinica, 2010, 53(1): 98109. (in Chinese with English abstract) 2 Wen C, Guyer D. Image-based orchard insect automated identification and classification methodJ. Computers & Electronics in Agriculture, 2012, 89(3): 110115. 3 Shen W Z, Zhang C L, Chen Z L. Research on Automatic counting soybean leaf aphids system based on computer vision technologyC/ 2007 International conference on machine learning and cybernetics. 2007: 16351638. 4 Chandrab S, Digvirs J, Jitendra P, et al. Identification of insect-damaged wheat kernels using short-wave near-infrared hyper spectral and digital color imagingJ. Computers & Electronics in Agriculture, 2010, 73(2): 118125. 5 Zou X, Ding W. Design of processing system for agricultural pests with digital signal processor J. Journal of Information & Computational Science, 2012, 9(15): 45754582. 6 Solissánchez L O, Garcíaescalante J J, Castañedamiranda R, et al. Machine vision algorithm for whiteflies (Bemisia tabaci Genn.) scouting under greenhouse environmentJ. Journal of Applied Entomology, 2009, 133(7): 546552. 7 Martin V, Thonnat M. A Cognitive Vision Approach to Image SegmentationM. InTech, 2008. 8 Solissánchez L O, García-Escalante J J, Castañeda -Miranda R, et al. Machine vision algorithm for whiteflies (Bemisia tabaci Genn) scouting under greenhouse environmentJ. Journal of Applied Entomology, 2009, 133(7): 546552. 9 Xia C, Lee J M, Li Y, et al. In situ detection of small-size insect pests sampled on traps using multifractal analysis J. Optical Engineering, 2012, 52(2): 27001. 10 邱白晶，王天波，李娟娟，等. 黃瓜蚜蟲(chóng)的圖像識(shí)別與計(jì) 數(shù)方法J. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2010，41(8)：151155. Qiu Baijing, Wang Tianbo, Li Juanjuan, et al. Image recognition and counting for glasshouse aphis gossypiiJ. Transactions of the Chinese Society for Agricultural Mach- inery, 2010, 41(8): 151155. (in Chinese with English abstract) 11 Ebrahimi M A, Khoshtaghaza M H, Minaei S, et al. Vision-based pest detection based on SVM classification methodJ. Computers and Electronics in Agriculture, 2017, 137: 5258. 12 王志彬，王開(kāi)義，張水發(fā)，等. 基于 K-means聚類和橢圓 擬合方法的粉虱計(jì)數(shù)算法J. 農(nóng)業(yè)工程學(xué)報(bào)， 2014， 30(1)： 105112. 第 1期 楊信廷等：自動(dòng)監(jiān)測(cè)裝置用溫室粉虱和薊馬成蟲(chóng)圖像分割識(shí)別算法 169 Wang Zhibin, Wang Kaiyi, Zhang Shuifa, et al. Whiteflies counting with K -means clustering and ellipse fittingJ. Transactions of the Chinese Society of Agricultural Engine- ering (Transactions of the CSAE), 2014, 30 (1): 105112. (in Chinese with English abstract) 13 Sun Y, Cheng H, Cheng Q, et al. A smart-vision algorithm for counting whiteflies and thrips on sticky traps using two- dimensional Fourier transform spectrumJ. Biosystems Engineering, 2017, 153(2): 8288. 14 劉艷，趙英良. Otsu多閾值快速求解算法J. 計(jì)算機(jī)應(yīng)用， 2011，31(12)：33633365. Liu Yan, Zhao Yingliang. Quick approach of multi-threshold Otsu method for image segmentationJ. Journal of Computer Applications, 2011, 31(12): 33633365. (in Chinese with English abstract) 15 Ning J, Zhang L, Zhang D, et al. Interactive image segmentation by maximal similarity base</p>
京公網(wǎng)安備 11010502048994號(hào)
個(gè)人主頁(yè)