圖像識別處理技術在農業工程中的應用論文

摘 要： 研究一種基於圖像識別處理的糧蟲檢測方法，將圖像識別處理技術應用於農業工程。首先使用灰度化、二值化、平滑以及銳化技術對糧蟲圖像進行預處理，使得圖像更容易進行邊緣檢測和圖像特徵提取。之後使用四種邊緣檢測方法實現圖像中待識別糧蟲的邊緣檢測。使用糧蟲圖像的8種區域描述子特徵作爲糧蟲識別模型的輸入特徵。最後選取常見的玉米象、擬谷盜和鋸谷盜三種糧蟲爲研究對象，使用基於RBF神經網絡的識別模型對三種糧蟲圖像的幾何形態特徵進行識別。

關鍵詞： 糧蟲檢測； 特徵提取； RBF神經網絡； 圖像識別

　　0 引 言

目前儲糧害蟲問題是世界上很多國家所面臨的困難，在很多國家每年都會因爲糧食害蟲而損失很多糧食。在遭受到糧食害蟲的侵害以後糧食的籽粒會被破壞，容易變質、?塊、發熱以及發黴，另外在老化死去害蟲屍體、糞便以及有毒液體的影響下糧食會受到較爲嚴重的污染[1]。

總的來說，目前主要有四種方法來檢測糧食害蟲：首先是取樣法，將所製作的扦樣器按照區域定點的方法安裝在儲糧庫內。採用電機或者人工的方法吸取糧食樣本，然後交由技術人員分類、鑑別以及篩選，這樣就可以對庫區糧食害蟲密度進行確定。這種方法需要較大的勞動量，降低了工作效率，另外人爲主觀因素容易對最後的結果產生影響，因此產生了較大的誤差。其次是誘捕法，通過對糧食害蟲生理特性以及習性的利用來採取合適的誘捕方式，主要包括糧食害蟲生理特性誘集法以及陷阱式誘集法兩種。但是在應用誘捕法的過程中需要製作誘導劑以及提取糧食害蟲的信息素，由於具有較強的針對性，而且具有種類繁多的糧食害蟲，因此所消耗的成本比較大，所以以上兩種方法也存在着一定的缺陷。再次是聲測法，通過對聲音監測裝置的應用，分析害蟲爬行以及吃食時的聲音，進而就可以獲取糧食害蟲密度信息。在應用這種方法的過程中會在周圍產生較大的噪音，同時需要花費較大的資金來製造聲音監測裝置，所以目前這種方法並沒有得到廣泛的應用。最後一種方法是近紅外反射光譜識別法，糧食害蟲的C，H，N成分存在着很大的差距，因此就會產生不同的近紅外線光譜，這種不同種類的糧食害蟲就可以通過NIR 的掃描來進行識別。但是這種方法仍然存在着一定的缺陷，例如糧食的不完整顆粒以及顆粒大小等物理因素會對掃描結果產生一定的影響，使得無法獲得準確和清晰的NIR 掃描圖像[2?3]。

除了使用聲音檢測方法外，其他方法不利於實現自動化糧蟲檢測，人工檢測方法效率低、成本高，因此本文研究一種基於圖像識別處理的糧蟲檢測方法，將圖像識別處理技術應用於農業工程。

　　1 糧蟲圖像預處理

1.1 圖像灰度化處理

在分析糧蟲圖像的過程中首先需要進行圖像顏色之間的轉換，通常是將彩色轉換爲灰色，這樣既能夠加快圖像的處理速度，另外還能夠方便地將處理後的信息向原來的圖像上進行轉移。

通常利用最大值法、加權平均法以及平均值法來進行彩色圖像和灰色圖像之間的轉換。本文在進行彩色圖像灰度化處理的過程中主要採用了最大值法，這種方法比較簡單，採用三原色R，G，B來對圖像的灰度值進行描述[4]。

1.2 二值化

採用二值化手段來處理糧蟲圖像，這樣能夠重點顯示對象區域，對於後續的分析和辨別非常有利。由於在灰度上目標圖像與背景圖像存在着較大的差距，因此可以根據灰度值的不同來對目標圖像進行區分。分別用0和1來表示目標圖像和背景圖像，這樣就能夠實現灰色圖像和二值圖像之間的轉換，具有較高的識別度。本文只對單個的背景和圖像進行了分析。因此在數據對比的過程中使用了一個閾值Th，達到分類像素羣的目的。將圖像中的背景灰度值以及目標灰度值分別設置[5]爲1和0。

1.3 圖像平滑

本文使用鄰域平均法對糧蟲圖像進行平滑處理。所應用的均值濾波的鄰域平均法實際上就是進行空域平滑處理，首先在相同的窗口上放置圖像，平均所有的像素灰度值，通過對中心部位像素灰度值的替代就能夠達到平滑的目的。均值濾波和低通濾波器具有相同的作用，輸出的圖像可以用離散卷積來進行表示[6]。

1.4 圖像銳化

通過對圖像的銳化處理能夠達到修復外部形狀以及進行圖像邊緣聚焦的目的。通過圖像灰度顏色的加深以及外援色彩數值的對比能夠對圖像的清晰度進行提升。目前Sobel算子、Laplace算子以及Robert算子是圖像銳化過程中經常採用的算子，本文在圖像銳化的過程中採用了Robert算子。

　　2 邊緣檢測

在經過上述的預處理後，能夠顯著地提升圖像的質量，但是還需要採用圖像邊緣檢測技術來對圖像中的背景和目標進行區分[7]。

（1） Roberts 邊緣檢測算子。Roberts 邊緣檢測算子是使用局部差分算法實現。其中原始圖像用f（x，y）表示，邊緣檢測後輸出的圖像用g（x，y）表示：

利用互相垂直方向上的差分Roberts 邊緣檢測算子就可以對梯度進行計算，另外邊緣之間的檢測可以利用對角線方向相鄰像素之差來實現。

通過對模板的利用能夠對Roberts 的梯度幅度G進行計算，進而得到合適的閾值T，當G>T時，該點就是階躍邊緣點，進而獲取邊緣圖像。

（2） Sobel 邊緣檢測算子。Sobel邊緣檢測算子考察各個像素的鄰域加權差，加權差值最大的點就是邊緣點：

算子模板爲：

（3） Prewitt 邊緣檢測算子。算子和算子具有相似的特點：

算子模板爲：

（4） Laplacian 邊緣檢測算子。邊緣檢測算子，通過在邊緣處產生陡峭的零交叉來實現邊緣檢測的目的[8]：

本文選取常見的玉米象、擬谷盜和鋸谷盜三種糧蟲爲研究對象，使用上述四種邊緣檢測方法對糧蟲圖像邊緣進行檢測，其中檢測效果最好的是使用邊緣檢測算子，檢測效果最差的是使用邊緣檢測算子。兩種算子檢測結果如圖1所示。

　　3 糧蟲圖像特徵提取

區域描述子特徵在圖像分析的過程中具有非常強的實用效果。因此本文使用糧蟲圖像的八種區域描述子特徵作爲糧蟲識別模型的輸入特徵[9?10]：

（1） 面積A：圖像中待識別對象面積像素點個數總和：

（2） 周長P：待識別對象的周長：

式中，SUM（in）爲4鄰域內像素均爲待識別對象的像素個數總和。

（3） 相對面積RA：待識別對象面積佔圖像總體比例：

（4） 延伸率S：待?別糧蟲圖像的最小外接矩形的寬度比上長度值[11]：

（5） 複雜度C：待識別對象緊湊性：

（6） 佔空比B：反應待識別對象的複雜程度：

（7） 等效面積圓半徑R：

（8） 偏心率E：待識別對象長短軸長度之比，描述了待識別對象的緊湊性，使用Tenebaum近似計算公式對偏心率E求解：

平均向量求解：

1、j+k階中心矩求解：

2、方向角求解：

3、偏心率E近似求解[12?13]：

　　4 糧蟲識別實驗

本文選取常見的玉米象、擬谷盜和鋸谷盜三種糧蟲爲研究對象，對其圖像進行處理識別。分別使用邊緣檢測算子、邊緣檢測算子、邊緣檢測算子和邊緣檢測算子對其圖像進行邊緣檢測，並提取其圖像的`面積A、周長P、相對面積RA、延伸率S、複雜度C、佔空比B、等效面積圓半徑R和偏心率E這八個特徵用於對三種糧蟲的識別，具體特徵值如表1所示。

使用基於RBF神經網絡的識別模型對三種糧蟲圖像的幾何形態特徵進行識別，識別原理如圖2所示。

選取50張玉米象圖像、50張擬谷盜圖像和50張鋸谷盜圖像以及20張無糧蟲圖像對基於RBF神經網絡的識別模型進行訓練，提高其識別糧蟲圖像的泛化能力。

基於RBF神經網絡的識別模型的輸入向量爲糧蟲圖像的八種特徵，即輸入節點數爲8；基於RBF神經網絡的識別模型的輸出向量結果爲玉米象圖像、擬谷盜圖像、鋸谷盜圖像以及無糧蟲圖像4種，即輸出節點數爲4；隱含層節點數根據經驗公式計算。

分別使用20張玉米象圖像、20張擬谷盜圖像和20張鋸谷盜圖像對訓練後的基於RBF神經網絡的識別模型進行測試。

能夠得到使用邊緣檢測算子、邊緣檢測算子、邊緣檢測算子和邊緣檢測算子對其圖像進行邊緣檢測後，以及使用基於RBF神經網絡的識別模型對糧蟲圖像的識別結果如圖3所示。

從基於RBF神經網絡識別模型的糧蟲識別結果可以看出，分別使用邊緣檢測算子、邊緣檢測算子、邊緣檢測算子和邊緣檢測算子對其圖像進行邊緣檢測後，識別模型對三種糧蟲的平均識別率爲80.65%，81.96%，80.34%和78.56%，說明在其他情況相同情況下，使用Sobel 邊緣檢測算子對糧蟲圖像邊緣檢測對於糧蟲圖像識別準確率是最有利的，而使用Laplacian 邊緣檢測算子後糧蟲圖像的識別率最低。

　　5 結 論

本文研究一種基於圖像識別處理的糧蟲檢測方法，將圖像識別處理技術應用於農業工程。選取常見的玉米象、擬谷盜和鋸谷盜三種糧蟲爲研究對象，對其圖像進行處理識別。分別使用邊緣檢測算子、邊緣檢測算子、邊緣檢測算子和邊緣檢測算子對其圖像進行邊緣檢測，並提取其圖像的面?A、周長P、相對面積RA、延伸率S、複雜度C、佔空比B、等效面積圓半徑R和偏心率E這八個特徵用於對三種糧蟲的識別，使用基於RBF神經網絡的識別模型對三種糧蟲圖像的幾何形態特徵進行識別。結果表明，在本文的研究條件下，使用邊緣檢測算子對糧蟲圖像邊緣檢測對於糧蟲圖像識別準確率是最有利的，而使用邊緣檢測算子後糧蟲圖像的識別率最低。

　　參考文獻

[1] 代亭.糧食害蟲智能檢測及分類方法研究[D].鄭州：河南工業大學，2012.

[2] 張明真.儲糧害蟲活動聲信號識別研究[D].西安：陝西師範大學，2013.

[3] 張紅濤.儲糧害蟲圖像識別中的特徵抽取研究[D].鄭州：鄭州大學，2002.

[4] 張成花.基於圖像識別的儲糧害蟲分類的研究[D].鄭州：鄭州大學，2002.

[5] 韓瑞珍.基於機器視覺的農田害蟲快速檢測與識別研究[D].杭州：浙江大學，2014.

[6] 葛恆赫.基於機器視覺的外螺紋表面缺陷檢測技術研究[D].重慶：重慶大學，2014.

[7] 王凡.基於機器視覺的螺紋缺陷檢測技術研究和系統開發[D].成都：電子科技大學，2011.

[8] 梅雪.基於圖像識別的儲糧害蟲檢測專家系統的研究[D].北京：北京郵電大學，2009.

[9] 張衛芳.基於圖像處理的儲糧害蟲檢測方法研究[D].西安：陝西師範大學，2010.

[10] 張紅梅，範豔峯，田耕.基於數字圖像處理技術的儲糧害蟲分類識別研究[J].河南工業大學學報（自然科學版），2005（1）：19?22.

[11] 胡祝華，趙瑤池，白勇，等.基於圖像處理技術的儲糧害蟲快速識別[J].安徽農業科學，2014（30）：10784?10787.

[12] 蘇庭奕.基於圖像處理的儲糧害蟲檢測及識別方法研究[D].鄭州：河南工業大學，2015.

[13] 姜慧.基於Android的水稻害蟲圖像採集與識別系統研究[D].杭州：浙江理工大學，2013.

[14] 牟懌.基於圖像處理的儲糧害蟲檢測方法研究[D].武漢：武漢工業學院，2009.