基于机器视觉的害虫识别方法研究

摘要

准确识别害虫是虫情监测防治的重要前提。目前我国农作物的害虫诊断主要依靠有限的植保人员及昆虫专家进行人工识别，费时费力且覆盖面有限。基于机器视觉的害虫识别方法，能够解决人工识别中存在的人力不足、识别率低等问题，可以实现及时有效的防治，具有很高的研究价值和意义。由于害虫个体小、种类繁多等原因，害虫的识别问题相比其他机器视觉应用具有更大的实现难度。本文以典型农业害虫作为试验对象，研究了基于图像特征提取、卷积神经网络(CNN)和高光谱成像技术的害虫识别方法，并设计了基于图像的害虫识别系统，主要内容有:
　　(1)提出了基于图像特征提取的害虫识别方法。主要采用“图像分割——特征提取——分类器设计”的技术路线，在图像分割阶段，利用角点检测算法对原始图像进行裁剪以减少背景区域，改善了在不均匀自然光、目标较小的情况下Otsu法难以计算最佳阈值的缺陷。针对图像分割后的害虫目标，提取了形态、颜色和纹理等全局特征，同时利用SURF算法提取害虫的局部特征。分别基于全局特征和局部特征建立SVM分类模型。对9类害虫进行识别，全局特征分类模型的总体识别率为85.9％，局部特征分类模型的总体识别率为77.4％。
　　(2)提出了基于CNN的自然背景下害虫识别方法。根据害虫图像集的特点，构建一个12层的CNN模型，在CNN基本结构的基础上添加了归一化层，使用不饱和函数ReLu作为激励函数，并根据开发平台的特性对其他功能层进行优化调整。该模型以128×128的彩色图像作为输入，经过隐藏层的映射变换，输出对应的类别值。对10类害虫图像进行测试，当训练次数达到45次时，模型的测试集识别率为76.7％。进一步研究了图像预分割对CNN模型的影响，通过GrabCut预分割来降低图像集的识别难度，从而提高CNN模型的识别效果。
　　(3)研究了基于高光谱成像技术的害虫检测和识别方法。采集菜青虫和包菜叶片的近红外高光谱数据（l000nm-1600nm），基于特征波长建立PLS-DA和BPNN模型，在预测集上均达到了96％以上的准确率。选择SPA-PLS-DA模型，结合图像处理算法，对菜青虫混合样本的高光谱图像进行可视化分析，以二值图像的形式显示包菜叶片上菜青虫的空间位置和虫体形状，实现了菜青虫的可视化检测。采集稻纵卷叶螟、二化螟、黄杨绢野螟、玉米螟4种螟蛾科害虫的近红外高光谱数据，对比了原始光谱数据(Raw)和3种光谱预处理方法(SG、MSC、SNV)，发现原始光谱数据为最优。基于SPA算法选取9个特征波长，分别建立PLS-DA、BPNN、ELM和SVM识别模型，结果表明ELM模型取得最好的识别效果，建模集和预测集的准确率均为100％。
　　(4)设计了基于图像的害虫识别系统。在图像采集方面，使用工业摄像头和可调节支架搭建本地采集平台，通过网络摄像头建立了害虫图像的远程采集和传输系统。开发了基于图像特征提取的害虫识别软件，包括图像分割、特征提取、模型训练等功能模块，能够对本地硬盘图像和摄像头采集的实时图像进行识别。开发了基于CNN的害虫识别软件，实现CNN模型的训练与识别功能，具有重新训练和继续训练两种训练方式，利用保存的模型对害虫图像进行识别。

目录

声明

论文说明

致谢

摘要

图目录

表目录

第一章 绪论

1．1 研究背景及意义

1．2 机器视觉概述

1．3 机器视觉在昆虫识别中的应用

1．3．1 国外研究现状

1．3．2 国内研究现状

1．4 存在的问题

1．5 主要研究内容

1．6 本章小结

第二章 图像处理技术与方法

2．1 图像获取技术

2．1．1 可见光成像技术

2．1．2 多光谱成像技术

2．1．3 高光谱成像技术

2．2 数字图像处理算法

2．2．1 图像平滑滤波

2．2．2 图像边缘检测

2．2．3 图像分割算法

2．3 高光谱图像处理方法

2．3．1 光谱数据预处理方法

2．3．2 特征波长选取方法

2．3．3 化学计量学建模方法

2．3．4 模型评价标准

2．4 本章小结

第三章 基于图像特征提取的害虫识别方法

3．1 害虫图像的采集

3．1．1 实验材料

3．1．2 实验仪器及图像获取

3．2 害虫图像分割

3．2．1 角点检测

3．2．2 Otsu分割

3．3．3 去噪声和孔洞填充

3．3 害虫的特征提取

3．3．1 颜色特征

3．3．2 形态特征

3．3．3 纹理特征

3．3．4 SURF局部特征

3．4 害虫的分类识别

3．4．1 LIBSVM工具箱

3．4．2 SVM的多分类与参数优化

3．4．3 识别结果

3．5 本章小结

第四章 基于卷积神经网络的害虫识别

4．1 CNN基础理论

4．1．1 CNN基本结构

4．1．2 CNN的训练过程

4．1．3 CNN的识别应用

4．2 基于CNN的害虫识别

4．2．1 害虫图像集

4．2．2 MatConvNet工具箱

4．2．3 构建CNN模型

4．2．4 识别结果与分析

4．3 图像预分割对CNN的影响

4．3．1 GrabCut分割

4．3．2 实验结果与分析

4．4 本章小结

第五章 基于高光谱成像技术的害虫检测与识别

5．1 害虫的光谱检测

5．2 基于高光谱信息的菜青虫检测方法

5．2．1 试验材料与方法

5．2．2 结果与分析

5．3 基于高光谱信息的害虫识别研究

5．3．1 试验材料与方法

5．3．2 结果与分析

5．4 本章小结

第六章 基于图像的害虫识别系统设计

6．1 图像采集设备

6．1．1 本地图像采集

6．1．2 远程图像采集

6．2 基于图像特征提取的害虫识别软件

6．2．1 总体结构

6．2．2 软件设计

6．2．3 软件实现

6．3 基于CHN的害虫识别软件

6．3．1 总体结构

6．3．2 软件设计

6．3．3 软件实现

6．3．4 比较分析

6．4 本章小结

第七章 结论与展望

7．1 结论

7．2 主要创新点

7．3 展望

参考文献

作者简介