基于機(jī)器視覺(jué)的害蟲(chóng)識(shí)別方法研究.pdf

1、準(zhǔn)確識(shí)別害蟲(chóng)是蟲(chóng)情監(jiān)測(cè)防治的重要前提。目前我國(guó)農(nóng)作物的害蟲(chóng)診斷主要依靠有限的植保人員及昆蟲(chóng)專(zhuān)家進(jìn)行人工識(shí)別，費(fèi)時(shí)費(fèi)力且覆蓋面有限?；跈C(jī)器視覺(jué)的害蟲(chóng)識(shí)別方法，能夠解決人工識(shí)別中存在的人力不足、識(shí)別率低等問(wèn)題，可以實(shí)現(xiàn)及時(shí)有效的防治，具有很高的研究?jī)r(jià)值和意義。由于害蟲(chóng)個(gè)體小、種類(lèi)繁多等原因，害蟲(chóng)的識(shí)別問(wèn)題相比其他機(jī)器視覺(jué)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(chóng)作為試驗(yàn)對(duì)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(chóng)識(shí)別方法，并設(shè)計(jì)了基于圖像的害蟲(chóng)識(shí)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(chóng)識(shí)別方法。主要采用“圖像分割——特征提取——分類(lèi)器設(shè)計(jì)”的技術(shù)路線，在圖像分割階段，利用角點(diǎn)檢測(cè)算法對(duì)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(jì)算最佳閾值的缺陷。針對(duì)圖像分割后的害蟲(chóng)目標(biāo)，提取了形態(tài)、顏色和紋理等全局特征，同時(shí)利用SURF算法提取害蟲(chóng)的局部特征。分別基于全局特征和局部特征建立

3、SVM分類(lèi)模型。對(duì)9類(lèi)害蟲(chóng)進(jìn)行識(shí)別，全局特征分類(lèi)模型的總體識(shí)別率為85.9％，局部特征分類(lèi)模型的總體識(shí)別率為77.4％。
　　(2)提出了基于CNN的自然背景下害蟲(chóng)識(shí)別方法。根據(jù)害蟲(chóng)圖像集的特點(diǎn)，構(gòu)建一個(gè)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(lì)函數(shù)，并根據(jù)開(kāi)發(fā)平臺(tái)的特性對(duì)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(guò)隱藏層的映射變換，輸出對(duì)應(yīng)的類(lèi)別值。對(duì)10

4、類(lèi)害蟲(chóng)圖像進(jìn)行測(cè)試，當(dāng)訓(xùn)練次數(shù)達(dá)到45次時(shí)，模型的測(cè)試集識(shí)別率為76.7％。進(jìn)一步研究了圖像預(yù)分割對(duì)CNN模型的影響，通過(guò)GrabCut預(yù)分割來(lái)降低圖像集的識(shí)別難度，從而提高CNN模型的識(shí)別效果。
　　(3)研究了基于高光譜成像技術(shù)的害蟲(chóng)檢測(cè)和識(shí)別方法。采集菜青蟲(chóng)和包菜葉片的近紅外高光譜數(shù)據(jù)（l000nm-1600nm），基于特征波長(zhǎng)建立PLS-DA和BPNN模型，在預(yù)測(cè)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(duì)菜青蟲(chóng)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(chóng)的空間位置和蟲(chóng)體形狀，實(shí)現(xiàn)了菜青蟲(chóng)的可視化檢測(cè)。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(chóng)的近紅外高光譜數(shù)據(jù)，對(duì)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(gè)特征波長(zhǎng)，分別建立PLS-DA、BPNN、ELM和SVM識(shí)別模型，結(jié)果表明ELM模型取得最好的識(shí)

6、別效果，建模集和預(yù)測(cè)集的準(zhǔn)確率均為100％。
　　(4)設(shè)計(jì)了基于圖像的害蟲(chóng)識(shí)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(tái)，通過(guò)網(wǎng)絡(luò)攝像頭建立了害蟲(chóng)圖像的遠(yuǎn)程采集和傳輸系統(tǒng)。開(kāi)發(fā)了基于圖像特征提取的害蟲(chóng)識(shí)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(pán)圖像和攝像頭采集的實(shí)時(shí)圖像進(jìn)行識(shí)別。開(kāi)發(fā)了基于CNN的害蟲(chóng)識(shí)別軟件，實(shí)現(xiàn)CNN模型的訓(xùn)練與識(shí)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