一种基于图像的水稻田间飞虱自动检测与计数方法

摘要

本发明公开了一种基于图像的水稻田间飞虱自动检测与计数方法，主要包括以下步骤：根据图像传感器获得的水稻中下部飞虱彩色图像，建立含飞虱正样本和不含飞虱的副样本，提取正副样本的哈尔特征，训练提升分类器；用自适应提升分类器对飞虱图像进行检测，对检测到的子图像提取方向梯度直方图特征，训练支持向量机分类器；对通过支持向量机分类器检测为飞虱的样本进行双阈值去背景，提取全局特征，并根据阈值进行飞虱检测并计数。本发明的优点是直接以飞虱作为检测目标从复杂水稻背景中检测出来，实现水稻田间飞虱的计数。

说明书

技术领域

本发明涉及一种水稻田间飞虱的检测与计数方法。

背景技术

目前，我国水稻害虫防治一直坚持“害虫综合治理(IPM)”的植保方针，以监测预报为基础，综合应用农业、生物、物理防治和化学防治等技术措施，有效控制害虫为害。准确及时监测到水稻田间害虫信息（发生种类、发生时间和发生数量）是水稻害虫实施IPM的前提，是害虫准确预测预报的关键，是实施精准农业的必要条件。

水稻飞虱是我国水稻上重要的一类迁飞害虫，每年所引起的损失相当惊人，直接威胁水稻产量。近些年来，水稻虫害发生呈逐年加重的趋势。稻飞虱田间调查最能反映害虫田间种群数量变化情况。田间虫量调查的准确度对稻飞虱田间发生量预报、为害测定和防治指标的确定有着较大的影响。

目前，我国稻飞虱田间调查的现行方法采取盘拍法：一人下田，左手持盘沿水面紧贴稻株成45度夹角，右手在稻株另一侧的中下部接连拍打3次，使飞虱震落于盘内，然后对盘中飞虱进行目测计数，另外一人进行记录数据。该人工计数方法费时费力误差大，主要原因是：飞虱在计数之前常有部分个体逃逸影响计数结果；当虫口密度较大时，拍击稻株有很多飞虱个体并不能落入盘中，导致计数结果并不准确；盘中飞虱个体较多时，调查人员为了防治飞虱逃逸常给出的是一个估计；目前基层植保人员缺乏，田间调查任务重，效率低下的盘拍法已满足不了现代农业的需求。利用图像进行水稻田间飞虱计数研究仅有来自韩国的Park Y S等人2003年在《Korean Journal of Applied Entomology》发表的一篇文献“Density estimation of rice planthoppers using digital image processing algorithm，42(1):57-63”，研究方法主要通过飞虱面积的阈值来检测已去背景的分割图中含有飞虱的个数，该方法无法排除与飞虱同样大小的噪声，且只测试了11张图片，不具有普适性。

发明内容

本发明的目的是提供一种基于图像的水稻田间飞虱自动检测与计数方法。

本发明解决其技术问题所采用的技术方案是：该基于图像的水稻田间飞虱自动检测与计数方法主要包括以下各步骤：

（1）根据图像传感器获得的水稻中下部飞虱彩色图像，建立含飞虱正样本和不含飞虱的副样本；提取正副样本的哈尔(Haar)特征，训练自适应提升(AdaBoost)分类器；

（2）用自适应提升分类器对飞虱图像进行检测，对检测到的图像提取方向梯度(HOG)直方图特征，训练支持向量机(SVM)分类器；

（3）对通过支持向量机分类器检测为飞虱的样本进行双阈值去背景，提取全局特征，并根据阈值进行飞虱检测并计数。

 进一步地，本发明哈尔特征选取了多个矩形特征；自适应提升分类器检测窗口逐层放大检测，当检测窗口放大到训练样本三倍时停止检测。

 与现有技术相比，本发明的优点是：

  本发明提出的基于图像的水稻田间飞虱自动检测与计数方法，为水稻田间飞虱数量调查提供了一个自动检测和计数的新方法。本方法并没有利用常规的分割方法来分割去掉复杂的水稻田间环境，而是从复杂背景中检测所需目标的角度，利用具有统计模型的自适应提升分类器、支持向量机和全局特征阈值判断的三层检测机制来检测飞虱目标。分类器中的训练样本均来自水稻田间多个环境多张图片，样本量大，因此获得的检测分类器具有较高的检测率。三层检测机制大大降低了误检率。

附图说明

图1是本发明基于图像的水稻田间飞虱自动检测与计数方法的流程图。

具体实施方式

如图1所示，本发明提出的一种基于图像的水稻田间飞虱自动检测与计数方法的具体实施步骤如下：

（1）根据图像传感器获得的水稻田间飞虱彩色图像，从采集的图像中进行裁剪，获得含飞虱正样本图像和不含飞虱的副样本图像；建立了11个矩形哈尔特征，然后提取所有正副样本的哈尔特征，训练自适应提升(AdaBoost)分类器，该分类器是由4个弱分类器组成的一个强分类器。

（2）用AdaBoost分类器对水稻基部飞虱彩色图像进行检测，检测窗口按照1:1.2放大逐层检测，当检测窗口放大到训练样本3倍时停止检测，然后对同一个目标出现多个矩形窗，进行合并。合并原则是当大矩形窗完全覆盖小矩形窗时，只保留小矩形窗。

（3）对检测到的子图像提取方向梯度直方图特征，方向梯度直方图特征采用一维梯度算子运算梯度，并选用矩形结构。

（4）以方向梯度直方图作为支持向量机分类器的输入参数，来自AdaBoost检测得到的正样本和负样本作为训练样本来训练支持向量机，并选取径向基核函数。

（5）对通过支持向量机分类器检测为飞虱的样本进行双阈值去背景，其中两个阈值是通过自适应阈值法Otsu求得，并根据这两个阈值和两个颜色因子来分割背景，获得检测目标。

（6）对分割后的图像，求三个全局特征，包括目标颜色均值、长宽比、目标面积与窗口面积比。根据飞虱的这三个全局特征的阈值最大最小值来判断检测子图像是否含有飞虱目标。最后对检测为飞虱目标的窗口进行计数，获得飞虱的数量。