圖像處理下的茶葉害蟲智能識(shí)別方法范文

本站小編為你精心準(zhǔn)備了圖像處理下的茶葉害蟲智能識(shí)別方法參考范文，愿這些范文能點(diǎn)燃您思維的火花，激發(fā)您的寫作靈感。歡迎深入閱讀并收藏。

摘要：針對(duì)人工方法識(shí)別田間茶葉害蟲需人工深入田間，不僅勞動(dòng)強(qiáng)度大，而且無法自動(dòng)定位與識(shí)別，不利于茶葉植保時(shí)施藥的機(jī)械化、高效化及智能化的問題。本研究對(duì)基于圖像處理技術(shù)的茶葉害蟲智能識(shí)別技術(shù)及實(shí)現(xiàn)方法進(jìn)行了研究。首先，建立覆蓋茶園中各種情況的害蟲樣本圖像庫；其次，對(duì)樣本圖像和待識(shí)別圖像進(jìn)行圖像預(yù)處理；接著，對(duì)待識(shí)別圖像進(jìn)行害蟲自動(dòng)定位；然后，對(duì)其進(jìn)行特征提取獲得特征數(shù)據(jù)；最后，采用模式識(shí)別算法設(shè)計(jì)分類器并訓(xùn)練獲得分類器模型，再采用該模型進(jìn)行害蟲智能識(shí)別。本研究對(duì)各步驟進(jìn)行了闡述，為茶葉害蟲智能識(shí)別的實(shí)現(xiàn)提供了方法指導(dǎo)，以促進(jìn)茶葉植保實(shí)現(xiàn)施藥的機(jī)械化、高效化及智能化。

關(guān)鍵詞：圖像處理；茶葉害蟲；智能識(shí)別；施藥機(jī)械化

引言

茶葉在中國有著深厚的文化內(nèi)涵，深受全國人民的喜愛。茶葉種植在我國已有幾千年的歷史，福建、云南、四川等省份都有大量的茶葉種植地，但田間茶葉種植常年面臨著多種害蟲的侵蝕，這嚴(yán)重危害著茶葉的產(chǎn)量和品質(zhì)。因此，茶葉識(shí)別害蟲效率的高低直接決定著害蟲治理的效果，影響著茶葉的產(chǎn)量和品質(zhì)。對(duì)茶葉害蟲的識(shí)別，傳統(tǒng)的方法是依靠茶農(nóng)自身經(jīng)驗(yàn)或者他人傳授經(jīng)驗(yàn)等人工識(shí)別，這種方法需人工深入田間辨識(shí)，勞動(dòng)強(qiáng)度大，無法實(shí)現(xiàn)害蟲的自動(dòng)定位與識(shí)別，不利于茶葉植保時(shí)施藥的機(jī)械化、高效化及智能化。圖像處理技術(shù)始于20世紀(jì)20年代，是用計(jì)算機(jī)及相關(guān)技術(shù)對(duì)圖像信息進(jìn)行增強(qiáng)、復(fù)原、分割和識(shí)別等處理[1]，從而實(shí)現(xiàn)圖像分析、圖像識(shí)別等目的。該技術(shù)具有處理信息量豐富、處理精度高等優(yōu)點(diǎn)。目前，圖像處理的應(yīng)用已深入航空航天、生物醫(yī)學(xué)、軍事等諸多領(lǐng)域[2]。在現(xiàn)代農(nóng)業(yè)方面，圖像處理技術(shù)已應(yīng)用于農(nóng)作物長勢(shì)監(jiān)測(cè)、作物缺素識(shí)別診斷、農(nóng)產(chǎn)品品質(zhì)分級(jí)等。隨著計(jì)算機(jī)技術(shù)、機(jī)器視覺技術(shù)等現(xiàn)代科技水平的不斷提高，許多研究者已將圖像處理技術(shù)應(yīng)用于害蟲識(shí)別中，但專門針對(duì)田間茶葉害蟲智能識(shí)別的研究還較少，有待進(jìn)一步深入研究并應(yīng)用于實(shí)踐。

1茶葉害蟲智能識(shí)別流程

基于圖像處理的茶葉害蟲智能識(shí)別系統(tǒng)的實(shí)現(xiàn)可分為兩大階段，一是生成分類器模型的訓(xùn)練階段，二是利用分類器模型的預(yù)測(cè)階段。其主要由以下識(shí)別流程組成（見圖1）：建立害蟲樣本圖像庫、圖像預(yù)處理、害蟲定位、特征提取、分類器設(shè)計(jì)訓(xùn)練與害蟲識(shí)別。首先，采用圖像采集設(shè)備獲取茶葉害蟲樣本圖像、待識(shí)別圖像等目標(biāo)物的圖像，建立覆蓋茶園中可能出現(xiàn)的各種情況的害蟲樣本圖像庫；其次，對(duì)樣本圖像和待識(shí)別圖像進(jìn)行圖像裁剪、對(duì)比度調(diào)整等圖像預(yù)處理；接著，對(duì)預(yù)處理后的待識(shí)別圖像進(jìn)行顏色分割、邊緣檢測(cè)等操作，過濾出害蟲區(qū)域，實(shí)現(xiàn)害蟲自動(dòng)定位；然后，對(duì)預(yù)處理后的害蟲樣本及定位出的害蟲局部圖像進(jìn)行特征提取獲得特征數(shù)據(jù)；最后，利用提取出的害蟲樣本特征數(shù)據(jù)、模式識(shí)別算法設(shè)計(jì)分類器并訓(xùn)練獲得分類器模型，再采用該模型進(jìn)行害蟲預(yù)測(cè)，實(shí)現(xiàn)害蟲智能分類，得到識(shí)別結(jié)果。

2茶葉害蟲智能識(shí)別方法

2.1建立茶葉害蟲樣本圖像庫

在茶葉害蟲智能識(shí)別系統(tǒng)中，害蟲樣本圖像庫的建立是第一步，也是系統(tǒng)的核心之一。圖像庫包括正樣本圖像集和負(fù)樣本圖像集。正樣本是指待智能識(shí)別的茶葉害蟲多形態(tài)、多角度圖像，如黑刺粉虱、茶蚜等常見茶葉害蟲的蛹、幼蟲和成蟲等不同形態(tài)、多角度、多場(chǎng)景圖像。每一種害蟲標(biāo)記為同一類型，不同害蟲標(biāo)記為不同類型，以實(shí)現(xiàn)多種害蟲多分類識(shí)別。負(fù)樣本是指茶園環(huán)境中除正樣本外的其他所有相關(guān)圖像，即除系統(tǒng)擬識(shí)別的害蟲以外的所有可能存在的干擾圖像，如茶樹葉、枯枝、雜草、土壤等圖像。大量的正樣本和負(fù)樣本共同形成害蟲樣本圖像庫，樣本圖像庫應(yīng)該覆蓋茶園中可能存在的各種害蟲情況。樣本選取的數(shù)量和樣本選取的典型性決定了識(shí)別效果的好壞程度，豐富、多樣的樣本能夠提高茶葉害蟲種類判別模型的魯棒性。

2.2圖像預(yù)處理

圖像預(yù)處理的主要目的是消除圖像中無關(guān)的信息，恢復(fù)有用的真實(shí)信息，增強(qiáng)茶葉害蟲等有關(guān)信息的可檢測(cè)性[3]，從而改進(jìn)害蟲定位、特征提取和模式識(shí)別的可靠性。圖像預(yù)處理主要包括圖像裁剪、直方圖均衡化、濾波去噪、輪廓提取、圖像增強(qiáng)等操作。對(duì)于正樣本圖像，通過圖像裁剪剔除茶樹葉片等復(fù)雜背景、保留害蟲圖像必不可少。對(duì)于害蟲待識(shí)別圖像，由于其獲取茶葉環(huán)境圖像的角度、天氣、光照等差異較大，對(duì)其進(jìn)行光照、對(duì)比度調(diào)整是重要的預(yù)處理操作。預(yù)處理屬于圖像分析的低層處理，其處理結(jié)果對(duì)害蟲定位的準(zhǔn)確性和識(shí)別的精度有顯著影響。

2.3害蟲自動(dòng)定位

害蟲定位主要是從包含茶樹葉片、雜草、土壤等復(fù)雜背景的待識(shí)別圖像中定位出害蟲位置，得到僅包含害蟲的局部圖像。害蟲定位采用的主要技術(shù)是圖像分割。圖像分割是把圖像分成若干個(gè)特定的、具有獨(dú)特性質(zhì)的區(qū)域，進(jìn)而提取出感興趣目標(biāo)的技術(shù)和過程[4]。對(duì)于茶葉害蟲識(shí)別來說，就是提取出害蟲及疑似害蟲區(qū)域。圖像分割方法分為基于閾值的分割、基于邊緣的分割、基于區(qū)域的分割和基于特定理論的分割等。陳晶等首先采用SLIC超像素算法進(jìn)行初分割，再使用DBSCAN聚類算法進(jìn)行二次聚類分割，實(shí)現(xiàn)了從復(fù)雜背景中定位茶小綠葉蟬圖像[5]；楊國國等應(yīng)用一種基于全局對(duì)比度的顯著性區(qū)域檢測(cè)方法對(duì)復(fù)雜背景下的害蟲目標(biāo)進(jìn)行定位[6]。另外，顏色空間、形態(tài)學(xué)處理、形狀檢測(cè)等操作也常用于害蟲定位中，韓瑞珍基于HSV顏色空間模型，采用Otsu閾值分割方法實(shí)現(xiàn)圖像背景和害蟲目標(biāo)的分割[7]。準(zhǔn)確定位害蟲是害蟲分類識(shí)別的前提，其定位的精度直接影響識(shí)別結(jié)果的正確率。

2.4害蟲特征提取

特征提取是指從圖像中提取有用的數(shù)據(jù)或信息，得到圖像的數(shù)值、向量和符號(hào)等的表示或描述過程。具體而言，對(duì)于茶葉害蟲智能識(shí)別系統(tǒng)的特征提取，就是將訓(xùn)練階段的正負(fù)樣本圖像及預(yù)測(cè)階段的害蟲定位局部圖像的典型特征屬性采用數(shù)據(jù)方式進(jìn)行表達(dá)、描述的過程。該過程獲得的數(shù)值、向量和符號(hào)等的表示或描述就是圖像的特征數(shù)據(jù)。常用的圖像特征主要有顏色特征、紋理特征、形狀特征和空間關(guān)系特征等[8]。對(duì)于自然環(huán)境中茶葉害蟲的智能識(shí)別，選取的特征應(yīng)對(duì)光照、旋轉(zhuǎn)、尺度等具有不變性，即特征數(shù)據(jù)不受圖像的光照明暗程度、旋轉(zhuǎn)角度、遠(yuǎn)近大小等的影響。常用的茶葉害蟲特征描述算子有SIFT特征、SURF特征、ORB特征、HOG特征等。吳翔針對(duì)圖像分割后的害蟲目標(biāo)，提取了形態(tài)、顏色和紋理等全局特征，同時(shí)利用SURF算法提取了害蟲的局部特征用于建立分類模型[9]；張永玲等將HSV顏色特征和HOG特征進(jìn)行融合，采用稀疏表示識(shí)別模型實(shí)現(xiàn)了較高的農(nóng)業(yè)害蟲識(shí)別率和較低的誤檢率[10]。特征提取的數(shù)據(jù)是實(shí)現(xiàn)分類器訓(xùn)練生成分類預(yù)測(cè)模型的數(shù)據(jù)基礎(chǔ)，圖像特征選擇的典型性和不變性可直接影響甚至決定預(yù)測(cè)結(jié)果的準(zhǔn)確率。

2.5分類器設(shè)計(jì)、訓(xùn)練與識(shí)別

分類器的設(shè)計(jì)與訓(xùn)練是利用特征描述數(shù)據(jù)，通過模式識(shí)別算法教會(huì)計(jì)算機(jī)識(shí)別圖像，得到分類器模型以用于預(yù)測(cè)階段的害蟲智能分類的過程，其實(shí)質(zhì)是機(jī)器學(xué)習(xí)（通過利用數(shù)據(jù)，訓(xùn)練出模型，然后使用模型預(yù)測(cè)）的過程。該過程的核心是分類算法的選擇和設(shè)計(jì)，常用的茶葉害蟲分類算法有人工神經(jīng)網(wǎng)絡(luò)、Adaboost算法、隨機(jī)森林、SVM、貝葉斯分類及其改進(jìn)算法和多種算法的融合應(yīng)用等。許振偉將BP神經(jīng)網(wǎng)絡(luò)分類器應(yīng)用于儲(chǔ)糧害蟲圖像檢測(cè)和識(shí)別中，實(shí)現(xiàn)了害蟲的快速、高效檢測(cè)和分類[11]；潘春華等將SVM算法和區(qū)域生長結(jié)合，實(shí)現(xiàn)了煙粉虱等四類害蟲的分類識(shí)別[12]。分類器的選取、設(shè)計(jì)和優(yōu)化直接影響識(shí)別結(jié)果的正確率及計(jì)算機(jī)的處理速度，也直接影響茶葉害蟲智能識(shí)別模型的穩(wěn)定性和可靠性。對(duì)待識(shí)別圖像的害蟲識(shí)別則是利用訓(xùn)練生成的分類器模型進(jìn)行預(yù)測(cè)分類的過程。另外，害蟲定位雖然可以去除大部分背景，定位到害蟲，但仍然存在少量類似害蟲的非害蟲、誤定位局部圖像。這些誤定位圖像的特征與害蟲的特征不同，通過訓(xùn)練好的分類器模型進(jìn)行預(yù)測(cè)后可正確識(shí)別。

3結(jié)束語

本研究對(duì)基于圖像處理的茶葉害蟲智能識(shí)別方法進(jìn)行了研究和闡述。首先，對(duì)圖像處理技術(shù)應(yīng)用于茶葉害蟲智能識(shí)別方面的必要性和研究現(xiàn)狀進(jìn)行了分析。接著，闡述了智能識(shí)別的具體實(shí)現(xiàn)流程和步驟。然后，對(duì)實(shí)現(xiàn)的主要步驟：建立茶葉害蟲樣本圖像庫、圖像預(yù)處理、害蟲自動(dòng)定位、害蟲特征提取、分類器的設(shè)計(jì)與訓(xùn)練、害蟲智能識(shí)別等方面進(jìn)行了方法研究和概述。本研究中的技術(shù)可為茶葉害蟲智能識(shí)別的實(shí)現(xiàn)提供方法指導(dǎo)，與植保無人機(jī)等施藥機(jī)械結(jié)合，可促進(jìn)田間茶葉植保實(shí)現(xiàn)施藥的機(jī)械化、高效化和智能化。這將明顯減少人工操作的勞動(dòng)強(qiáng)度、節(jié)約大量的人工成本，同時(shí)，大幅度提高茶葉的植保效率。

參考文獻(xiàn)：

[1]江健生.基于四元數(shù)聚類的彩色圖像分割算法研究[D].西安科技大學(xué).

[2]元海燕.數(shù)字圖像處理的關(guān)鍵技術(shù)及應(yīng)用[J].信息系統(tǒng)工程,2017(1):89-89.

[3]周珂.基于圖像識(shí)別的煙草青枯病害診斷研究[D].西南大學(xué),2010.

[4]陳婭.基于圖像結(jié)構(gòu)-紋理分解算法的研究及其在圖像分割中的應(yīng)用[D].山東大學(xué),2013.

[5]陳晶,朱啟兵,黃敏,等.基于機(jī)器視覺的茶小綠葉蟬識(shí)別方法研究[J].激光與光電子學(xué)進(jìn)展,2018,55(1).

[6]楊國國,鮑一丹,劉子毅.基于圖像顯著性分析與卷積神經(jīng)網(wǎng)絡(luò)的茶葉害蟲定位與識(shí)別[J].農(nóng)業(yè)工程學(xué)報(bào),2017,33(6):156-162.

[7]韓瑞珍.基于機(jī)器視覺的農(nóng)田害蟲快速檢測(cè)與識(shí)別研究[D].浙江大學(xué),2014.

[8]劉媛媛.基于Adaboost算法的多特征融合圖像分類的研究與應(yīng)用[D].山東大學(xué),2015.

[9]吳翔.基于機(jī)器視覺的害蟲識(shí)別方法研究[D].浙江大學(xué),2016.

[10]張永玲,姜夢(mèng)洲,俞佩仕,等.基于多特征融合和稀疏表示的農(nóng)業(yè)害蟲圖像識(shí)別方法[J].中國農(nóng)業(yè)科學(xué),2018(11).

[11]許振偉.BP神經(jīng)網(wǎng)絡(luò)分類器在儲(chǔ)糧害蟲圖像檢索中的應(yīng)用研究[J].中國糧油學(xué)報(bào),2010,25(1):103-106

作者：潘梅 李光輝 周小波 李玉玲 曾文明 單位：四川省農(nóng)業(yè)機(jī)械研究設(shè)計(jì)院