基于機(jī)器視覺的稻飛虱現(xiàn)場識別技術(shù)研究.pdf

1、針對稻田合理噴藥需要知道害蟲密度的問題，研究了稻飛虱現(xiàn)場實(shí)時(shí)識別技術(shù)，包括稻田現(xiàn)場拍攝稻飛虱圖像的方法，對拍攝的圖像用不變矩提取形狀特征值，用灰度共生矩陣提取紋理特征值，以及用仿生算法改進(jìn)BP神經(jīng)網(wǎng)絡(luò)對稻飛虱進(jìn)行識別并計(jì)數(shù)。具體研究是采用自行設(shè)計(jì)的拍攝裝置采集稻飛虱圖像，灰度化后用大津法二值化，再用數(shù)學(xué)形態(tài)學(xué)濾波;對二值圖像采用Hu矩、改進(jìn)Hu矩、Zernike矩和Krawtchouk矩四種不變矩分別提取特征值，再用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練

2、和測試，以此檢測四種矩的提取效果，具體操作是用Matlab2008運(yùn)行算法，對白背飛虱、灰飛虱和褐飛虱共300個(gè)樣本進(jìn)行了訓(xùn)練和測試，結(jié)果表明Krawtchouk矩提取稻飛虱圖像形狀的6個(gè)特征值的識別率最高，其中對褐飛虱的識別率達(dá)到了100％，但是對白背飛虱和灰飛虱的誤識別率較大。針對這一情況，進(jìn)一步采用改進(jìn)灰度共生矩陣提取背部紋理的4個(gè)特征值來識別三種稻飛虱，訓(xùn)練結(jié)果是白背飛虱和灰飛虱的識別率要高于Krawtchouk矩提取的特征值，

3、而褐飛虱的識別率低于Krawtchouk矩提取的特征值，于是將這兩種提取特征值的方法結(jié)合起來，這樣最終確定了10個(gè)特征值。在此基礎(chǔ)之上，采用遺傳算法和參數(shù)選擇改進(jìn)粒子群算法優(yōu)化神經(jīng)網(wǎng)絡(luò)分別訓(xùn)練和識別三種稻飛虱，通過對比和分析，遺傳算法和粒子群算法各有優(yōu)缺點(diǎn)，于是采用遺傳算法改進(jìn)粒子群算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)，實(shí)驗(yàn)結(jié)果得到白背飛虱的正確識別率為90％，灰飛虱為95％，褐飛虱為100％，通過分析適應(yīng)度曲線扣訓(xùn)練誤差曲線表明這一算法搜索效率高，求

4、解速度快，訓(xùn)練時(shí)間比遺傳算法的提高了52.7％，比粒子群算法的提高了24.1％，更加滿足本文提出的實(shí)時(shí)性要求。按前面選擇的算法編完軟件后，現(xiàn)場實(shí)驗(yàn)的結(jié)果表明可以識別稻飛虱并計(jì)數(shù)，為適時(shí)適量的稻田噴藥提供了依據(jù)。
　　論文的主要研究內(nèi)容及成果如下:
　　(1)研究稻飛虱現(xiàn)場實(shí)時(shí)識別技術(shù)。使用移動小車，分別拍攝白背飛虱、100個(gè)樣本，灰飛虱100個(gè)樣本，褐飛虱100個(gè)樣本，拍攝其背部圖像，無線傳回遠(yuǎn)程PC機(jī)，由設(shè)計(jì)的軟件實(shí)時(shí)識別

5、。
　　(2)設(shè)計(jì)現(xiàn)場稻飛虱活體圖像采集裝置。采集裝置核心采用三星嵌入式處理器S3C2440，配備臺灣顯泰的USB接口工業(yè)相機(jī)，相機(jī)鏡頭變倍比15∶1，采集圖像大小定為640×480像素，通過嵌入式系統(tǒng)由USB無線網(wǎng)卡傳回遠(yuǎn)程計(jì)算機(jī)。
　　(3)預(yù)處理稻飛虱圖像。對稻飛虱圖像進(jìn)行灰度化、二值化、數(shù)學(xué)形態(tài)學(xué)濾波、高斯濾波、平滑濾波等處理，得到質(zhì)量比較好的去掉背景的二值圖像;再通過二值圖像的坐標(biāo)計(jì)算得到去掉背景的灰度圖像;最后采

6、用改進(jìn)的分水嶺算法分割稻飛虱，將一幅圖像中的多頭稻飛虱分離到160×160像素的各子圖像中，以便進(jìn)一步處理。采用的算法計(jì)算簡單，穩(wěn)定有效，耗時(shí)最少，滿足實(shí)時(shí)性的要求。
　　(4)用四種不變矩提取稻飛虱形狀特征值。用Hu矩、改進(jìn)Hu矩、Zernike矩和Krawtchouk矩四種不變矩分別提取特征值，再用BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練和測試，經(jīng)過Matlab2008實(shí)驗(yàn)對比，Krawtchouk矩提取的6個(gè)特征值不僅反映出全局特征，而且展現(xiàn)了更好

7、的局部性，對于稻飛虱的識別分類明顯好于其它不變矩，其中對褐飛虱的識別率達(dá)到100％，但是對白背飛虱和灰飛虱誤識別率較高。
　　(5)采用改進(jìn)灰度共生矩陣提取稻飛虱背部紋理特征值。找到稻飛虱的重心，以重心為中心，選取多重環(huán)形路線構(gòu)建灰度共生矩陣，解決稻飛虱圖像的方向性問題，再計(jì)算灰度共生矩陣的能量、熵、慣性矩和相關(guān)等4個(gè)特征，用神經(jīng)網(wǎng)絡(luò)訓(xùn)練和測試，白背飛虱的識別率達(dá)到80％，灰飛虱的識別率達(dá)到90％，這兩種稻飛虱的識別率要高于Kra

8、wtchouk矩提取的特征值，而褐飛虱的識別率為95％，低于Krawtchouk矩提取的特征值，于是將這兩種提取特征值的方法結(jié)合起來，最終確定了10個(gè)特征值。
　　(6)優(yōu)化神經(jīng)網(wǎng)絡(luò)識別稻飛虱。將上面確定的10個(gè)特征值結(jié)合起來作為BP神經(jīng)網(wǎng)絡(luò)的輸入，再將遺傳算法和粒子群算法相結(jié)合，把粒子群算法中的極值跟蹤法改為遺傳算法的交叉和變異操作，采用粒子分別與個(gè)體極值和群體極值進(jìn)行交叉運(yùn)算，粒子自己變異運(yùn)算搜索最優(yōu)解，以此保持個(gè)體之間信息交

9、流和種群的多樣性，提高搜索效率，加快求解速度，訓(xùn)練時(shí)間是0.4071秒，比遺傳算法的0.86085秒提高了52.7％，比粒子群算法的0.53599秒提高了24.1％，更加滿足本文提出的實(shí)時(shí)性要求。
　　(7)設(shè)計(jì)稻飛虱識別軟件。軟件的流程是打開由無線采集小車實(shí)時(shí)傳回的稻飛虱圖像，經(jīng)過一系列處理，提取不變矩特征值，最后通過GAIPSO神經(jīng)網(wǎng)絡(luò)識別稻飛虱并計(jì)數(shù)。
　　(8)現(xiàn)場實(shí)驗(yàn)。在南京農(nóng)業(yè)大學(xué)衛(wèi)崗水稻試驗(yàn)站對系統(tǒng)進(jìn)行現(xiàn)場測試