基于機(jī)器視覺(jué)的農(nóng)田害蟲(chóng)快速檢測(cè)與識(shí)別研究.pdf

1、害蟲(chóng)快速檢測(cè)與識(shí)別是農(nóng)作物病蟲(chóng)害防治的基礎(chǔ)。傳統(tǒng)的害蟲(chóng)分類和識(shí)別主要是專家通過(guò)肉眼觀察害蟲(chóng)的外部特征并與模式標(biāo)本對(duì)照來(lái)完成的，這種識(shí)別方法費(fèi)時(shí)費(fèi)力。隨著計(jì)算機(jī)技術(shù)的發(fā)展，人們逐漸將圖像處理技術(shù)與模式識(shí)別技術(shù)應(yīng)用到害蟲(chóng)的研究和識(shí)別中，并建立害蟲(chóng)的識(shí)別系統(tǒng)，豐富了識(shí)別手段，提高了識(shí)別效率。
　　本文以農(nóng)田典型害蟲(chóng)作為研究對(duì)象，采用數(shù)字圖像處理技術(shù)和模式識(shí)別技術(shù)研究了害蟲(chóng)圖像的分割、特征提取、分類器分類等方面技術(shù)問(wèn)題，并在此基礎(chǔ)上結(jié)合3

2、G無(wú)線網(wǎng)絡(luò)技術(shù)建立了基于物聯(lián)網(wǎng)的昆蟲(chóng)遠(yuǎn)程自動(dòng)識(shí)別系統(tǒng)。本論文的主要研究工作如下:
　　(1)設(shè)計(jì)了害蟲(chóng)圖像采集系統(tǒng)。本論文研究的害蟲(chóng)尺寸差異較大，同一害蟲(chóng)姿態(tài)各異，而且害蟲(chóng)的活動(dòng)能力較強(qiáng)。為此，本論文研究了滿足兩種需求的害蟲(chóng)采集系統(tǒng)。一種系統(tǒng)采集誘捕到的害蟲(chóng)的圖像。該系統(tǒng)對(duì)象的特點(diǎn)是目標(biāo)靜止、目標(biāo)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(jī)和定焦鏡頭。另一種系統(tǒng)實(shí)時(shí)采集田間害蟲(chóng)的圖像。該系統(tǒng)對(duì)象的特點(diǎn)是目標(biāo)運(yùn)動(dòng)、目

3、標(biāo)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(jī)和變焦鏡頭。
　　(2)提出了基于HSV顏色模型的害蟲(chóng)圖像分割技術(shù)。本論文針對(duì)害蟲(chóng)圖像背景和目標(biāo)顏色的特點(diǎn)，將基于HSV顏色模型的Otsu閾值分割方法應(yīng)用到背景和目標(biāo)的分割中。在進(jìn)行圖像分割前，將圖像的RGB模型轉(zhuǎn)換成HSV模型，并且將轉(zhuǎn)換得到的H分量旋轉(zhuǎn)180度后利用Otsu算法自適應(yīng)找到閾值，從而實(shí)現(xiàn)了背景和目標(biāo)的分離。最后，對(duì)分割后的圖像進(jìn)行了一些后續(xù)處理，得到完整

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

5、識(shí)別準(zhǔn)確率從87.4％提高到89.5％。本文將近年來(lái)圖像處理領(lǐng)域的研究熱點(diǎn)——SIFT局部特征的提取方法應(yīng)用于害蟲(chóng)圖像的特征提取中。害蟲(chóng)的局部特征具有旋轉(zhuǎn)、平移和尺度不變的特性、對(duì)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(fù)雜背景下獲得的害蟲(chóng)圖像的特征值。將局部特征應(yīng)用到昆蟲(chóng)的分類識(shí)別中，既拓寬了局部特征提取技術(shù)的應(yīng)用領(lǐng)域，又給昆蟲(chóng)的特征值獲取提供了新思路和新方法。
　　(4)研究了害蟲(chóng)圖像識(shí)別技術(shù)。本文采用SVM模式識(shí)

6、別方法建立害蟲(chóng)的識(shí)別模型。介紹了常見(jiàn)模式識(shí)別方法，詳細(xì)分析了支持向量機(jī)(SVM)的理論研究基礎(chǔ)和基本方法。本文通過(guò)不同特征組合的識(shí)別試驗(yàn)驗(yàn)證采用的特征提取技術(shù)和模式分類技術(shù)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(jué)特征的正確識(shí)別率為85％以上;采用經(jīng)過(guò)蟻群優(yōu)化的低層視覺(jué)特征子集的正確識(shí)別率為89.5％;采用原圖的SIFT特征的正確識(shí)別率為79.2％。試驗(yàn)結(jié)果表明蟻群優(yōu)化算法能夠消除特征間的相關(guān)性、剔除冗余特征、提高識(shí)別率

7、。同時(shí)，試驗(yàn)結(jié)果也表明局部特征提取方法可以嘗試應(yīng)用于不進(jìn)行背景分割而直接提取害蟲(chóng)特征值的研究中。
　　(5)研究構(gòu)建了基于物聯(lián)網(wǎng)的害蟲(chóng)遠(yuǎn)程智能識(shí)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(nóng)田害蟲(chóng)的圖像分割、特征值提取技術(shù)，并利用SVM分類器完成了分類識(shí)別;在上述研究基礎(chǔ)上設(shè)計(jì)了基于物聯(lián)網(wǎng)的害蟲(chóng)遠(yuǎn)程自動(dòng)識(shí)別系統(tǒng)。系統(tǒng)通過(guò)3G無(wú)線網(wǎng)絡(luò)組成一個(gè)主

8、控端和多個(gè)遠(yuǎn)端的分布式識(shí)別網(wǎng)絡(luò)，系統(tǒng)既能夠在遠(yuǎn)端自動(dòng)識(shí)別害蟲(chóng)，也能夠在遠(yuǎn)端將害蟲(chóng)圖像壓縮后，通過(guò)3G無(wú)線網(wǎng)絡(luò)將圖片傳輸?shù)街骺囟耍谥骺囟诉M(jìn)行自動(dòng)識(shí)別。系統(tǒng)通過(guò)讀入本地磁盤保存的圖片實(shí)現(xiàn)了動(dòng)態(tài)擴(kuò)充樣本庫(kù)的功能。同時(shí)，系統(tǒng)設(shè)計(jì)了專家識(shí)別的接口，使專家能夠?qū)Ρ鞠到y(tǒng)識(shí)別后的害蟲(chóng)圖片進(jìn)行觀測(cè)分析，并和系統(tǒng)識(shí)別的結(jié)果進(jìn)行比較。該系統(tǒng)采用在自然光、姿態(tài)隨機(jī)的狀態(tài)下獲得的害蟲(chóng)圖像建模，識(shí)別模型具有較強(qiáng)的泛化能力，克服了現(xiàn)有大多研究中因采用標(biāo)準(zhǔn)樣本圖像建