基于视觉感知的蔬菜害虫诱捕计数算法

分类：论文范文 发表时间：2020-02-12 10:21

　　摘要:针对当前大田环境条件下对害虫进行识别研究的不足，以南方蔬菜重大害虫为研究对象，探索了一种在大田环境下使用黄色诱捕板对蔬菜害虫进行监测计数的方法。在经典图像处理算法基础上，根据害虫监测目标的需要，提出了一种基于结构化随机森林的害虫图像分割算法和利用不规则结构的特征提取算法，进一步结合背景去除、干扰目标去除和检测模型计数子算法，集成设计了基于视觉感知的蔬菜害虫计数算法(Vegetablepestcountingalgorithmbasedonvisualperception，VPCAVP)。使用了现场环境下拍摄的图像进行实验与分析，共识别出蓟马9351只，烟粉虱202只，实蝇23只。经过与人工计数比对得出，本文基于视觉感知的蔬菜害虫计数算法的平均识别正确率为94.89%。其中，蔬菜害虫蓟马的识别正确率为93.19%，烟粉虱的识别正确率为91%，实蝇的识别正确率达到100%。算法达到了较好的测试性能，可以满足害虫快速计数需求，在农田害虫监测中有一定的应用前景。

　　关键词:视觉感知;蔬菜害虫;识别;随机森林;相似性描述子;不规则特征提取

　　0引言

　　无线图像传感器网络以其对视频、图像等大信息媒体的感知与处理优势，催生了视觉感知技术在工业界和学术界的空前发展，导致视觉感知的图像识别技术成为各界应用的热点［1－2］。近年来，视觉感知技术在害虫识别［3－14］、作物长势分析［15］、作物病理诊断［16］等农业领域得到了广泛重视。农业害虫图像识别也成为近年来的研究热点。在害虫图像识别领域，目前主要是通过对诱捕板害虫进行计数和对绿色植物叶面的害虫进行计数。张水发等［3］、胡雅辉等［4］和MUＲAKAMI等［10］研究了绿叶表面的蔬菜害虫图像，对蓟马或烟粉虱的识别率相对较高，但是识别的害虫类型相对单一，而且需要人工翻转每个叶面，不利于自动化识别应用。ESPINOZA等［6］和SUN等［12］关于诱捕板害虫的识别均有较好的识别精度。

　　1VPCAVP算法的体系结构

　　VPCAVP算法主要包括害虫图像预分割、背景去除、干扰害虫去除、不规则特征提取和检测计数5大模块，算法流程图如图1所示。预分割模块中，针对大田现场图像的复杂环境，本文使用结构化随机森林子算法对害虫图像进行预分割，获得图像中所有对象的轮廓;然后采用背景去除子算法去掉黄板以外的干扰背景，获得只有黄板区域内的图像;再应用干扰害虫去除子算法去除大型害虫部分肢体的干扰;最后运用不规则特征提取子算法形成3维特征向量，并使用阈值判定子算法对害虫进行分类计数。

　　2VPCAVP算法设计与实现

　　2.1预分割处理

　　本文提出了一种基于结构化随机森林的分割算法，该算法采用监督学习方式对害虫图像进行分割。美国伯克利大学的BSDS500图像数据库［17］为图像分割和边缘检测提供了一个共享的图形库，该图像数据库包括12000个人工分割图像和1000个Corel数据库图像，涵盖了物体、动物和害虫等多个领域的图像信息，国内外很多学者使用BSDS500数据库做各个领域的分割，例如徐良玉等［18］用其进行海天线检测，ZITNICK等［19］用其对动物进行跟踪。本文以BSDS500图像数据库为训练集，使用CIELUV的3个色彩空间、2种梯度大小(原始分辨率和原始分辨率的一半)［20］和8个方向(每个梯度有4个方向)［21］，结合样本空间的自相似性描述子，将样本图像转换成7228维的特征向量，进一步利用向量转换和降维技术得到256维的输出向量［22］。特征向量和输出向量用于训练单棵决策树，最终完成随机森林的训练。

　　2.2背景去除

　　直接提取出来的黄板区域是不包括黄板边缘的像素，实际实验中发现很多害虫集中在黄板边缘上，所以需要对黄板区域进行微量膨胀来补充损失的黄板边缘信息。由于原图在农场大田环境下采集，包含的背景比较多，因此，本文算法先需要除去黄板以外的植物和建筑物等其他背景，以获取只有黄板的二值图像。具体算法如下:输入:预分割图像输出:背景去除后的图像

　　3实验与分析

　　3.1算法应用测试

　　本文实验环境是在自然光照环境下对田间诱捕害虫的黄色诱捕板进行采样识别，采用佳能EOST2i单反相机进行微距拍摄，拍摄时相机与黄板的平视距离为50cm，像素为3500万，拍摄地点在广州市天河区柯木塱南路28～30号(113.412671°E，23.190265°N)，实验拍摄情况如图7所示，拍摄时间是14:30—17:00。本文采用辣椒地作为实验环境，在辣椒苗期开始使用黄板诱捕，根据作物的长势及时调整悬挂高度，保持色板高于作物15～30cm，每公顷悬挂450～750张黄板，黄板尺寸为24.5cm×19.5cm，太阳光照强烈和温和条件下都有采集图像，同时黄色粘板本身又有一些粘液的干扰，图像环境相对复杂，提高了计算机算法识别的难度。本算法在Matlab和C++环境下进行分析测试，其中C++使用OpenCV3.0的图像处理库。本实验使用53幅图像对蓟马和实蝇进行计数，在黄板胶体和强光影响下，实验对烟粉虱计数的效果不佳，对30幅光照强度相对较弱的图像进行烟粉虱计数研究，总共83幅图像，算法效果较好，应用测试结果如图8所示。

　　3.2算法的常规度量分析

　　对VPCAVP算法的计量精度进行分析。本文选取了蓟马、烟粉虱和实蝇为识别对象，对这3种害虫的计数结果与人工计数进行对比，其性能分析结果用混淆矩阵表示，结果如图9所示。由图9可知，蓟马识别正确率为93.19%，烟粉虱识别正确率为91%，实蝇识别正确率为100%。烟粉虱的识别性能相对较低，识别正确率只有91%，经过分析发现，主要的影响因素是黄色诱捕板上面的胶体发生了一些光照的反射，因为本文的检测模型是通过颜色特征、边界特征和区域特征来确定的，光照的反射使得胶体呈现出类似烟粉虱的图像，进而产生了误差。

　　4结束语

　　对随机森林分割算法加以改进，结合不规则结构的特征提取算法，实现了一个基于视觉的害虫图像计数算法，该算法实现了对烟粉虱、蓟马和实蝇的计数，算法的平均识别正确率为94.89%，VPCAVP算法能够在纯大田环境下对害虫进行快速计数，可为农业害虫快速识别计算提供技术支持。

　　考文献

　　1李道亮，杨昊．农业物联网技术研究进展与发展趋势分析［J/OL］．农业机械学报，2018，49(1):1－22．http:∥www．j-csam．org/jcsam/ch/reader/view_abstract．aspx?file_no=20180101＆flag=1．DOI:10．6041/j．issn．1000-1298．2018．01．001．LIDaoliang，YANGHao．Astate-of-the-artreviewforInternetofthingsinagriculture［J/OL］．TransactionsoftheChineseSocietyforAgriculturalMachinery，2018，49(1):1－2

　　2．(inChinese)2殷建军，潘春华，肖克辉，等．基于无线图像传感器网络的农田远程监测系统［J/OL］．农业机械学报，2017，48(7):286－293．http:∥www．j-csam．org/jcsam/ch/reader/view_abstract．aspx?flag=1＆file_no=20170736＆journal_id=jcsam．DOI:10．6041/j．issn．1000-1298．2017．07．036．YINJianjun，PANChunhua，XIAOKehui，etal．Ｒemotemonitoringsystemforfarmlandbasedonwirelessimagesensornetwork［J/OL］．TransactionsoftheChineseSocietyforAgriculturalMachinery，2017，48(7):286－293．(inChinese)

　　3张水发，王开义，刘忠强，等．基于离散余弦变换和区域生长的白粉虱图像分割算法［J］．农业工程学报，2013，29(17):121－128．ZHANGSF，WANGKY，LIUZQ，etal．AlgorithmforsegmentationofwhiteflyimagesbasedonDCTandregiongrowing［J］．TransactionsoftheCSAE，2013，29(17):121－128．(inChinese)

上一篇：基于物联网技术的云南果蔬农产品冷链物流发展 下一篇：全域旅游背景下武汉市旅游类人才供需问题研究