稻飛虱自動識別關(guān)鍵技術(shù)的研究.pdf

1、水稻是中國最主要的糧食作物，稻米是全國60％以上人口的主食，水稻生產(chǎn)在全國的農(nóng)業(yè)生產(chǎn)和糧食安全中起著舉足輕重的作用。稻飛虱類害蟲屬同翅目飛虱科，由于幾種飛虱往往混合發(fā)生為害，因此稻飛虱只是一個統(tǒng)稱。稻飛虱是水稻的主要害蟲，主要包括白背飛虱、褐飛虱和灰飛虱，嚴(yán)重威脅著水稻生產(chǎn)。害蟲的實(shí)時檢測是進(jìn)行病蟲害綜合防治的一種手段，只有準(zhǔn)確的檢測，才能做到有目的的防治，把害蟲種群控制在經(jīng)濟(jì)損害水平以下，既不會因害蟲造成損失，也不會因盲目防治造成浪費(fèi)

2、，加重對水稻和環(huán)境的污染。因此，只有研究有效的害蟲自動檢測技術(shù)，及時提供準(zhǔn)確的害蟲種類信息，才能為害蟲的綜合防治提供科學(xué)的決策依據(jù)。
　　 目前農(nóng)田害蟲實(shí)時測報的現(xiàn)狀是利用200W白熾燈誘蟲，使用敵敵畏熏殺昆蟲，植保人員晚上開燈，早上取回昆蟲，進(jìn)行人工分檢、計(jì)數(shù)。毒死后的昆蟲形態(tài)各異，足和觸角的位置是隨機(jī)的，也可能被折斷而殘缺，翅膀發(fā)生變形或缺損，另一方面，由于稻飛虱體形微小，色彩也不很艷麗，加之種類間對經(jīng)濟(jì)作物的為害程度差異很

3、大，植保站工作人員有時用肉眼無法判斷，只能借助放大鏡、解剖鏡甚至顯微鏡來觀察，再借助檢索表查出其種類。該方法識別效率低，對專家依賴性大，并且農(nóng)藥浸泡過的昆蟲，散發(fā)毒氣，危害測報人員身體健康。
　　 當(dāng)前國內(nèi)外對昆蟲自動識別技術(shù)的研究尚處在初期發(fā)展階段，所進(jìn)行的研究幾乎都是在特定條件下進(jìn)行的，研究的對象均為靜態(tài)，許多昆蟲分類樣本來自于標(biāo)準(zhǔn)標(biāo)本，或在實(shí)驗(yàn)室人工培養(yǎng)，與自然界昆蟲在顏色、紋理、形狀等方面存在著一定的差距，而在現(xiàn)實(shí)中，需

4、要實(shí)時、動態(tài)地獲取某個區(qū)域昆蟲種群數(shù)量，去指導(dǎo)生產(chǎn)和實(shí)踐，因此本文對如何采集主要針對稻飛虱的田間昆蟲數(shù)字圖像、稻飛虱的識別特征描述和昆蟲分類模型等關(guān)鍵技術(shù)進(jìn)行了研究。
　　 組建了基于機(jī)器視覺的主要針對稻飛虱野外昆蟲圖像自動采集裝置，獲得了處于自然狀態(tài)下昆蟲數(shù)字圖像。采集裝置包括底座、采集工作臺、拍攝系統(tǒng)和控制系統(tǒng)，采集工作臺和拍攝系統(tǒng)安裝在底座上。采集工作臺由幕布驅(qū)動裝置、采集工作臺幕布及機(jī)架組成，采集工作臺可以進(jìn)行X向運(yùn)動，

5、采集工作臺幕布可以實(shí)現(xiàn)Z向運(yùn)動，采集工作臺幕布為的確良白布，用160W自鎮(zhèn)流熒光高壓汞燈誘集稻飛虱爬附到采集工作臺幕布上。拍攝系統(tǒng)由攝像機(jī)、拍攝光源、安裝于攝像機(jī)上的顯微變焦距鏡頭、攝像機(jī)支架、光源支架、攝像機(jī)工作臺、光源工作臺組成，拍攝光源配置于白色采集工作臺幕布與攝像機(jī)之間，攝像機(jī)安裝在攝像機(jī)支架上，上下及與采集工作臺幕布之間的距離均可調(diào)，拍攝光源的上下及與攝像機(jī)之間的距離亦可單獨(dú)調(diào)整，攝像機(jī)為彩色數(shù)字?jǐn)z像機(jī)，拍攝光源采用環(huán)形冷光源

6、?？刂葡到y(tǒng)由計(jì)算機(jī)、微控制器、驅(qū)動器、圖像采集卡組成，微控制器通過驅(qū)動器控制采集工作臺X向運(yùn)動和白色采集工作臺幕布Z向運(yùn)動，PC機(jī)利用攝像機(jī)和圖像采集卡定時拍攝爬附著昆蟲的采集工作臺幕布，獲取數(shù)字圖像，PC機(jī)與微控制器相連，實(shí)現(xiàn)圖像采集裝置運(yùn)動和圖像自動拍攝協(xié)調(diào)進(jìn)行。
　　 區(qū)分稻飛虱的一個較穩(wěn)定的特征是其背部的顏色和紋理，處理昆蟲數(shù)字圖像，提取疑似稻飛虱的單個昆蟲蟲體背部圖像。取稻飛虱的藍(lán)色分量B=140作為顏色閾值，進(jìn)行圖像

7、二值化處理，設(shè)計(jì)形態(tài)學(xué)濾波器，去除足、觸角和噪聲等非目標(biāo)區(qū)域，標(biāo)記連通區(qū)域，計(jì)算各分割區(qū)域的面積，保留面積為(1398-3847)±50%像素的疑似稻飛虱區(qū)域，剔除形狀大小與稻飛虱不相稱的大部分昆蟲，降低分類的工作量，再把圖像分解成單個目標(biāo)區(qū)域的二值化圖像，與原始圖像相與，得到信息完整的單個昆蟲蟲體背部圖像，圖像大小統(tǒng)一截為128×128像素。
　　 利用傅里葉變換把昆蟲背部區(qū)域圖像從空間域變換到頻域，用傅里葉頻譜描述昆蟲蟲體背

8、部顏色和紋理，提取描述昆蟲蟲體背部特征的1×1(l<9)的二維傅里葉頻譜窗口數(shù)據(jù)，窗口左上角始終為二維傅里葉頻譜中心，構(gòu)成p維識別昆蟲的特征向量。根據(jù)四類昆蟲蟲體背部圖像傅里葉頻譜數(shù)據(jù)，計(jì)算每個特征在各類樣本中的均值，81個特征的特征均值在4類樣本中具有一定的差異，說明81個頻譜特征在區(qū)分4類樣本時是有效的；分析每個特征在各類樣本中的方差，總體上81個頻譜特征的波動程度不大，表明這些特征在表示各個類別時較為穩(wěn)定；采用單因素方差分析法對8

9、1個頻譜特征在各類樣本中的顯著性水平進(jìn)行檢驗(yàn)，只有7個不具有顯著性差異的頻譜特征，說明這些頻譜特征在區(qū)分各類樣本時是可行的，可以描述昆蟲背部的顏色和紋理特征。
　　 構(gòu)建了基于支持向量機(jī)的昆蟲分類模型。選取169張昆蟲圖像，其中白背飛虱、褐飛虱、灰飛虱三種稻飛虱圖像分別為34張，共102張，其它昆蟲圖像有螞蟻2張、露尾甲10張、水蠅2張、潛蠅19張、長蝽2張、盲蝽1張，共36張，三種葉蟬合計(jì)31張，用二維傅里葉頻譜窗口數(shù)據(jù)構(gòu)成p

10、維描述昆蟲蟲體特征的特征向量，樣本分成訓(xùn)練集和測試集兩部分，采用標(biāo)準(zhǔn)的C一支持向量機(jī)，選用成對分類方法和徑向基核函數(shù)，運(yùn)用網(wǎng)格搜索的交叉驗(yàn)證方法選取最佳懲罰系數(shù)C和核函數(shù)參數(shù)a，用訓(xùn)練集對分類模型進(jìn)行訓(xùn)練，根據(jù)算法中使用的訓(xùn)練集，用被評價的分類算法求出決策函數(shù)，然后用測試集測試所得決策函數(shù)的準(zhǔn)確率，得到不同傅里葉頻譜窗口對訓(xùn)練集和測試集樣本的測試結(jié)果，得到預(yù)測準(zhǔn)確率基本上與四類昆蟲蟲體背部圖像傅里葉頻譜數(shù)據(jù)分析結(jié)論相符，表明設(shè)計(jì)的稻飛虱