基于機(jī)器視覺的害蟲識別方法研究.pdf

1、準(zhǔn)確識別害蟲是蟲情監(jiān)測防治的重要前提。目前我國農(nóng)作物的害蟲診斷主要依靠有限的植保人員及昆蟲專家進(jìn)行人工識別，費(fèi)時費(fèi)力且覆蓋面有限?；跈C(jī)器視覺的害蟲識別方法，能夠解決人工識別中存在的人力不足、識別率低等問題，可以實(shí)現(xiàn)及時有效的防治，具有很高的研究價值和意義。由于害蟲個體小、種類繁多等原因，害蟲的識別問題相比其他機(jī)器視覺應(yīng)用具有更大的實(shí)現(xiàn)難度。本文以典型農(nóng)業(yè)害蟲作為試驗(yàn)對象，研究了基于圖像特征提取、卷積神經(jīng)網(wǎng)絡(luò)(CNN)和高光譜成像技術(shù)的

2、害蟲識別方法，并設(shè)計了基于圖像的害蟲識別系統(tǒng)，主要內(nèi)容有:
　　(1)提出了基于圖像特征提取的害蟲識別方法。主要采用“圖像分割——特征提取——分類器設(shè)計”的技術(shù)路線，在圖像分割階段，利用角點(diǎn)檢測算法對原始圖像進(jìn)行裁剪以減少背景區(qū)域，改善了在不均勻自然光、目標(biāo)較小的情況下Otsu法難以計算最佳閾值的缺陷。針對圖像分割后的害蟲目標(biāo)，提取了形態(tài)、顏色和紋理等全局特征，同時利用SURF算法提取害蟲的局部特征。分別基于全局特征和局部特征建立

3、SVM分類模型。對9類害蟲進(jìn)行識別，全局特征分類模型的總體識別率為85.9％，局部特征分類模型的總體識別率為77.4％。
　　(2)提出了基于CNN的自然背景下害蟲識別方法。根據(jù)害蟲圖像集的特點(diǎn)，構(gòu)建一個12層的CNN模型，在CNN基本結(jié)構(gòu)的基礎(chǔ)上添加了歸一化層，使用不飽和函數(shù)ReLu作為激勵函數(shù)，并根據(jù)開發(fā)平臺的特性對其他功能層進(jìn)行優(yōu)化調(diào)整。該模型以128×128的彩色圖像作為輸入，經(jīng)過隱藏層的映射變換，輸出對應(yīng)的類別值。對10

4、類害蟲圖像進(jìn)行測試，當(dāng)訓(xùn)練次數(shù)達(dá)到45次時，模型的測試集識別率為76.7％。進(jìn)一步研究了圖像預(yù)分割對CNN模型的影響，通過GrabCut預(yù)分割來降低圖像集的識別難度，從而提高CNN模型的識別效果。
　　(3)研究了基于高光譜成像技術(shù)的害蟲檢測和識別方法。采集菜青蟲和包菜葉片的近紅外高光譜數(shù)據(jù)（l000nm-1600nm），基于特征波長建立PLS-DA和BPNN模型，在預(yù)測集上均達(dá)到了96％以上的準(zhǔn)確率。選擇SPA-PLS-DA模型

5、，結(jié)合圖像處理算法，對菜青蟲混合樣本的高光譜圖像進(jìn)行可視化分析，以二值圖像的形式顯示包菜葉片上菜青蟲的空間位置和蟲體形狀，實(shí)現(xiàn)了菜青蟲的可視化檢測。采集稻縱卷葉螟、二化螟、黃楊絹野螟、玉米螟4種螟蛾科害蟲的近紅外高光譜數(shù)據(jù)，對比了原始光譜數(shù)據(jù)(Raw)和3種光譜預(yù)處理方法(SG、MSC、SNV)，發(fā)現(xiàn)原始光譜數(shù)據(jù)為最優(yōu)?；赟PA算法選取9個特征波長，分別建立PLS-DA、BPNN、ELM和SVM識別模型，結(jié)果表明ELM模型取得最好的識

6、別效果，建模集和預(yù)測集的準(zhǔn)確率均為100％。
　　(4)設(shè)計了基于圖像的害蟲識別系統(tǒng)。在圖像采集方面，使用工業(yè)攝像頭和可調(diào)節(jié)支架搭建本地采集平臺，通過網(wǎng)絡(luò)攝像頭建立了害蟲圖像的遠(yuǎn)程采集和傳輸系統(tǒng)。開發(fā)了基于圖像特征提取的害蟲識別軟件，包括圖像分割、特征提取、模型訓(xùn)練等功能模塊，能夠?qū)Ρ镜赜脖P圖像和攝像頭采集的實(shí)時圖像進(jìn)行識別。開發(fā)了基于CNN的害蟲識別軟件，實(shí)現(xiàn)CNN模型的訓(xùn)練與識別功能，具有重新訓(xùn)練和繼續(xù)訓(xùn)練兩種訓(xùn)練方式，利用保