基于機器視覺的農田害蟲快速檢測與識別研究.pdf

1、害蟲快速檢測與識別是農作物病蟲害防治的基礎。傳統(tǒng)的害蟲分類和識別主要是專家通過肉眼觀察害蟲的外部特征并與模式標本對照來完成的，這種識別方法費時費力。隨著計算機技術的發(fā)展，人們逐漸將圖像處理技術與模式識別技術應用到害蟲的研究和識別中，并建立害蟲的識別系統(tǒng)，豐富了識別手段，提高了識別效率。
　　本文以農田典型害蟲作為研究對象，采用數字圖像處理技術和模式識別技術研究了害蟲圖像的分割、特征提取、分類器分類等方面技術問題，并在此基礎上結合3

2、G無線網絡技術建立了基于物聯網的昆蟲遠程自動識別系統(tǒng)。本論文的主要研究工作如下:
　　(1)設計了害蟲圖像采集系統(tǒng)。本論文研究的害蟲尺寸差異較大，同一害蟲姿態(tài)各異，而且害蟲的活動能力較強。為此，本論文研究了滿足兩種需求的害蟲采集系統(tǒng)。一種系統(tǒng)采集誘捕到的害蟲的圖像。該系統(tǒng)對象的特點是目標靜止、目標到鏡頭的距離固定、視野范圍固定，因此，該系統(tǒng)使用CMOS相機和定焦鏡頭。另一種系統(tǒng)實時采集田間害蟲的圖像。該系統(tǒng)對象的特點是目標運動、目

3、標到鏡頭的距離可變、視野范圍可變，因此，該系統(tǒng)使用CCD相機和變焦鏡頭。
　　(2)提出了基于HSV顏色模型的害蟲圖像分割技術。本論文針對害蟲圖像背景和目標顏色的特點，將基于HSV顏色模型的Otsu閾值分割方法應用到背景和目標的分割中。在進行圖像分割前，將圖像的RGB模型轉換成HSV模型，并且將轉換得到的H分量旋轉180度后利用Otsu算法自適應找到閾值，從而實現了背景和目標的分離。最后，對分割后的圖像進行了一些后續(xù)處理，得到完整

4、的害蟲目標。該分割技術克服了采用害蟲RGB原圖進行分割時，有較多背景錯分為目標的不足。
　　(3)研究了害蟲圖像多特征提取技術和特征選擇技術。根據害蟲的形態(tài)特點，提取了目標對象的幾何形狀特征和矩特征兩類形態(tài)特征參數;根據害蟲之間顏色的差別，提取了害蟲的顏色矩作為顏色特征;根據害蟲紋理特點，提取了基于灰度共生矩陣的害蟲的紋理特征。這些特征共同組成了35個低層視覺特征。研究了基于蟻群算法的特征選擇技術，將原始的35維特征降低到29維，

5、識別準確率從87.4％提高到89.5％。本文將近年來圖像處理領域的研究熱點——SIFT局部特征的提取方法應用于害蟲圖像的特征提取中。害蟲的局部特征具有旋轉、平移和尺度不變的特性、對光照變化不敏感且不依賴于背景分割，適合提取在自然光和復雜背景下獲得的害蟲圖像的特征值。將局部特征應用到昆蟲的分類識別中，既拓寬了局部特征提取技術的應用領域，又給昆蟲的特征值獲取提供了新思路和新方法。
　　(4)研究了害蟲圖像識別技術。本文采用SVM模式識

6、別方法建立害蟲的識別模型。介紹了常見模式識別方法，詳細分析了支持向量機(SVM)的理論研究基礎和基本方法。本文通過不同特征組合的識別試驗驗證采用的特征提取技術和模式分類技術的有效性。采用由形態(tài)特征、顏色特征和紋理特征組成的低層視覺特征的正確識別率為85％以上;采用經過蟻群優(yōu)化的低層視覺特征子集的正確識別率為89.5％;采用原圖的SIFT特征的正確識別率為79.2％。試驗結果表明蟻群優(yōu)化算法能夠消除特征間的相關性、剔除冗余特征、提高識別率

7、。同時，試驗結果也表明局部特征提取方法可以嘗試應用于不進行背景分割而直接提取害蟲特征值的研究中。
　　(5)研究構建了基于物聯網的害蟲遠程智能識別系統(tǒng)。研究了包括稻縱卷葉螟、斜紋夜蛾、玉米螟、大螟、稻螟蛉、二化螟、金龜子、小地老虎、黃楊絹野螟、螻蛄、桃蛀螟和白背飛虱等12種典型農田害蟲的圖像分割、特征值提取技術，并利用SVM分類器完成了分類識別;在上述研究基礎上設計了基于物聯網的害蟲遠程自動識別系統(tǒng)。系統(tǒng)通過3G無線網絡組成一個主

8、控端和多個遠端的分布式識別網絡，系統(tǒng)既能夠在遠端自動識別害蟲，也能夠在遠端將害蟲圖像壓縮后，通過3G無線網絡將圖片傳輸到主控端，在主控端進行自動識別。系統(tǒng)通過讀入本地磁盤保存的圖片實現了動態(tài)擴充樣本庫的功能。同時，系統(tǒng)設計了專家識別的接口，使專家能夠對本系統(tǒng)識別后的害蟲圖片進行觀測分析，并和系統(tǒng)識別的結果進行比較。該系統(tǒng)采用在自然光、姿態(tài)隨機的狀態(tài)下獲得的害蟲圖像建模，識別模型具有較強的泛化能力，克服了現有大多研究中因采用標準樣本圖像建