稻飛虱自動識別關鍵技術的研究.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，水稻生產在全國的農業(yè)生產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，嚴重威脅著水稻生產。害蟲的實時檢測是進行病蟲害綜合防治的一種手段，只有準確的檢測，才能做到有目的的防治，把害蟲種群控制在經濟損害水平以下，既不會因害蟲造成損失，也不會因盲目防治造成浪費

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，及時提供準確的害蟲種類信息，才能為害蟲的綜合防治提供科學的決策依據。
　　 目前農田害蟲實時測報的現狀是利用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，進行人工分檢、計數。毒死后的昆蟲形態(tài)各異，足和觸角的位置是隨機的，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，加之種類間對經濟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，并且農藥浸泡過的昆蟲，散發(fā)毒氣，危害測報人員身體健康。
　　 當前國內外對昆蟲自動識別技術的研究尚處在初期發(fā)展階段，所進行的研究幾乎都是在特定條件下進行的，研究的對象均為靜態(tài)，許多昆蟲分類樣本來自于標準標本，或在實驗室人工培養(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，而在現實中，需

4、要實時、動態(tài)地獲取某個區(qū)域昆蟲種群數量，去指導生產和實踐，因此本文對如何采集主要針對稻飛虱的田間昆蟲數字圖像、稻飛虱的識別特征描述和昆蟲分類模型等關鍵技術進行了研究。
　　 組建了基于機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動裝置、采集工作臺幕布及機架組成，采集工作臺可以進行X向運動，

5、采集工作臺幕布可以實現Z向運動，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、拍攝光源、安裝于攝像機上的顯微變焦距鏡頭、攝像機支架、光源支架、攝像機工作臺、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之間，攝像機安裝在攝像機支架上，上下及與采集工作臺幕布之間的距離均可調，拍攝光源的上下及與攝像機之間的距離亦可單獨調整，攝像機為彩色數字攝像機，拍攝光源采用環(huán)形冷光源

6、。控制系統(tǒng)由計算機、微控制器、驅動器、圖像采集卡組成，微控制器通過驅動器控制采集工作臺X向運動和白色采集工作臺幕布Z向運動，PC機利用攝像機和圖像采集卡定時拍攝爬附著昆蟲的采集工作臺幕布，獲取數字圖像，PC機與微控制器相連，實現圖像采集裝置運動和圖像自動拍攝協(xié)調進行。
　　 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。取稻飛虱的藍色分量B=140作為顏色閾值，進行圖像

7、二值化處理，設計形態(tài)學濾波器，去除足、觸角和噪聲等非目標區(qū)域，標記連通區(qū)域，計算各分割區(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據，窗口左上角始終為二維傅里葉頻譜中心，構成p維識別昆蟲的特征向量。根據四類昆蟲蟲體背部圖像傅里葉頻譜數據，計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行檢驗，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。
　　 構建了基于支持向量機的昆蟲分類模型。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31張，用二維傅里葉頻譜窗口數據構成p

10、維描述昆蟲蟲體特征的特征向量，樣本分成訓練集和測試集兩部分，采用標準的C一支持向量機，選用成對分類方法和徑向基核函數，運用網格搜索的交叉驗證方法選取最佳懲罰系數C和核函數參數a，用訓練集對分類模型進行訓練，根據算法中使用的訓練集，用被評價的分類算法求出決策函數，然后用測試集測試所得決策函數的準確率，得到不同傅里葉頻譜窗口對訓練集和測試集樣本的測試結果，得到預測準確率基本上與四類昆蟲蟲體背部圖像傅里葉頻譜數據分析結論相符，表明設計的稻飛虱