基于机器视觉的小麦蚜虫自动检测技术研究

摘要

本文对基于机器视觉的小麦蚜虫自动检测技术进行了研究。主要内容及结果如下： 1．设定本文算法的应用对象为非特定环境下的小麦蚜虫若虫，其特点是体积小、颜色与背景(叶片)对比度不强烈，大多有保护色，与背景颜色接近；图像背景为叶片，与实际的处理环境一致；收集了大量的自然光条件下小麦蚜虫的图像，为后续的试验和研究打下了基础。 2．阐述了机器视觉及模式识别、图像分类、图像分割的理论基础，分析了多种图像特征，最后确定以纹理特征作为图像的分类基础；在深入研究理论基础上开发出适合本研究的算法，并重点介绍了支持向量机、区域生长、κ-均值聚类等分类、分割算法的理论基础，为算法的开发奠定了基础； 3．分别对图像的采集、分类、分割以及识别等环节的处理算法进行了研究，开发了在非特定环境(未设定特殊光源、未设定特定的背景)下，适用于害虫自动检测的算法。实现了动态图像的采集和处理，快速的预处理、图像分割和后处理，为进一步的害虫大田实时识别研究做了准备； 4．针对样本蚜虫的特点，研究了基于区域生长的害虫图像分割方法、基于支持向量机的分割方法，创造性的将区域生长与支持向量机的方法结合进行害虫图像的分割，通过试验比较，确定了最后的分割方法，针对样本运用算法进行了试验，对试验的结果进行了定性分析，得到了理想的分割结果； 5．比较了所提出的分类及分割算法的优缺点，确定了害虫自自动检测模型中所采用的分类、分割的方法，算法不仅应能有效的分割图像，且在速度上能够满足客观环境实时l生的要求； 6．研究了害虫图像的标记及个数自动统计方法。在识别过程中对害虫数量的统计结果，可以为精准施药提供数据支持，是下一步机械操作的重要参考指标； 7．建立了基于视觉的检测系统的模型，在试验室的模拟环境下，完成了图像的采集、预处理、分类、分割以及识别试验，试验结果验证了模型的有效性和可靠性。

目录

文摘

英文文摘

声明

1引言

1.1课题的提出

1.2机器视觉技术研究综述

1.2.1视觉理论框架

1.2.2机器视觉结构及机器视觉技术

1.3机器视觉的应用现状

1.3.1机器视觉在工业上的应用

1.3.2机器视觉在农业上的应用

1.3.3机器视觉在其它领域的应用研究

1.4课题的研究目标、内容及结构

1.4.1课题研究的目标

1.4.2课题的研究内容及结构安排

2害虫检测的理论分析和试验设计

2.1模式分类基本技术综述

2.1.1模式分类系统

2.1.2模式分类的设计与实现

2.1.3模式分类的基本方法

2.1.4模式分类小结

2.2试验研究的理论基础

2.2.1颜色分析

2.2.2纹理分析

2.2.3图像分类的基础理论

2.2.4图像分割的基础理论

2.3试验设计及系统框架

2.3.1样本采集

2.3.2害虫检测系统框架

2.4害虫图像的预处理研究

2.4.1标量邻域平均滤波法

2.4.2中值滤波

2.5害虫图像预处理结果与分析

2.6本章小结

3图像分类算法的研究

3.1图像特征提取及归一化

3.1.1害虫图像的纹理特征提取方法研究

3.1.2基于窗口的像素灰度特征的提取

3.1.3图像特征归一化

3.2 SVM分类器

3.2.1 LIBSVM软件介简介

3.2.2VC维

3.2.3结构风险最小原则

3.2.4 SVM分类算法

3.2.5支持向量机的训练

3.2.6样本图像的SVM分类器设计

3.2.7试验结果与分析

3.3基于k-均值聚类的分类算法

3.4几种分类算法结果的比较

3.5本章小结

4害虫图像分割算法的研究

4.1害虫图像的区域分割方法

4.1.1区域生长法

4.2害虫图像的SVM分割方法

4.2.1分割样本图

4.2.2输入空间

4.2.3图像分割试验分析

4.3区域与SVM相结合的分割方法

4.4本章小结

5害虫自动计数方法研究

5.1图像分割后的形态学处理

5.1.1数学形态学算法

5.1.2形态学滤波

5.2害虫自动计数方法的研究

5.2.1害虫的标记

5.3本章小结

6害虫自动检测系统的设计

6.1单元模块的选择

6.1.1硬件部分

6.1.2软件部分

6.2系统模型的设计

6.2.1害虫检测模型的建立

6.2.2模型的测试

6.3本章小结

7结论与展望

7.1结论

7.2展望

致谢

参考文献

攻读博士学位期间发表的论文及参与的研究