茶樹尺蛾科典型害蟲成蟲智能識別技術研究

吳阿林，周孝貴，肖 強

（1.浙江科技學院 理學院，杭州 310023；2.中國農業科學院 茶葉研究所，杭州 310008）

茶樹尺蛾科典型害蟲成蟲智能識別技術研究

吳阿林1，周孝貴2，肖 強2

（1.浙江科技學院 理學院，杭州 310023；2.中國農業科學院 茶葉研究所，杭州 310008）

以設計茶樹害蟲成蟲智能識別應用系統為目的，提出了構建基于圖像特征組合智能識別關鍵技術的三維空間結構（特征組合可分性結構、算法切合度和識別率）研究思想，系統地闡述了三維空間結構的內涵、指標體系、篩選條件、研究模型及實踐方法；以尺蛾科典型害蟲成蟲為實例，認證了研究辦法和實現途徑的可行性，并對構建智能識別關鍵技術之三維空間結構知識庫的實現路線圖進行了展望。

茶樹；尺蛾科害蟲；圖像特征；三維空間結構；智能識別

隨著中國“數字農業”的不斷深入發展，對“農業數字化”所涉及的對象、技術和過程，進行數字化、信息化的表達、設計、控制和管理已成為農業新技術應用和研究的主要方向[1-3]，特別是開發能為廣大農民提供操作簡單、基于智能新技術的應用系統及構建農業技術信息資源庫和遠程網絡平臺，是滿足“大眾化需求”、實現“數字農業”最有效的途徑和手段。

茶樹害蟲及其防治領域的應用技術研究和信息化資源庫建設日臻發展，中國農業科學院茶葉研究所茶樹害蟲成蟲標本收集系統已開始運行（詳見網址http://www.chinateaprotection.com），成蟲標本信息庫也正在不斷擴充之中。如何進一步提升成蟲標本信息庫資源的利用價值，開發適合于茶農的簡捷易學并能自主獲取農業技術和服務的應用系統，將推進茶樹植保信息化數字化智能化發展的進程，而應用系統的技術核心就是準確智能地鑒別茶樹害蟲。

當今，互聯網技術、圖像處理和模式識別新技術及相關理論正在飛速發展，為開發昆蟲智能識別系統提供了極大的技術可行性和廣闊的實現途徑。由于昆蟲智能識別應用系統具有節省人力、快速和智能化等優點，已經成為“農業數字化”領域的研究熱點之一。目前，基于圖像的昆蟲自動識別研究屬于多學科交叉研究，涉及昆蟲學、圖像處理技術、模式識別和人工智能等科學領域。國內外學者利用這些技術和理論對昆蟲自動識別做了許多研究，研究對象從昆蟲標本到活體昆蟲[4-6]，研究目的從單純的昆蟲分類[7-8]到實際應用[9-10]。雖然研究對象和研究目的不同，采用的具體方法有所區別，但是，基于圖像的昆蟲自動識別的研究步驟仍保持了“昆蟲圖像采集、圖像預處理、昆蟲特征提取與優化、模式識別和計數”等流程模塊。其中，昆蟲特征提取與優化從基于圖像幾何、紋理和顏色的特征算法[11-12]轉向基于視覺特征的小波變換、連通區域計數等算法[13-15]，以及多特征融合算法；模式識別（分類）技術從二叉樹識別、模板匹配法和模糊模式識別等圖像庫搜索技術[16-19]，發展到反向傳播算法（back propagation algorithm，簡稱BP算法）、支持向量機（support vector machine，SVM）等智能算法技術[20-25]，特別是多個應用系統付諸于實踐[26-30]并在相關領域取得了進展。

本研究旨在通過分析和比較國內外昆蟲圖像特征提取和優化方法、智能識別算法和應用系統的優缺點基礎上，以茶樹尺蛾科典型害蟲的成蟲為主攻對象，依據昆蟲分類識別研究方法的基本流程模塊，力爭在智能識別體系構建思路、辦法和途徑上有所創新。

1 智能識別技術的核心思想

1.1 特征組合的可分性

突出昆蟲分類鑒定中經常采用的多位專家聯合鑒定的實用模式，基于專家擁有對局部特征信息的引入、增強和應用等專業知識之上，遵循不同專家對自己關注的局部特征擁有顯著的信息感知力、綜合識別力等分類鑒別能力的基本判斷，提出了圖像特征信息組合（特征組合）的可分性（Separability，設為s），并認為特征組合的可分性不是單純的圖像信息函數，而是與分類識別目標和智能算法（視專家判斷為某種智能算法）及高識別率（專家鑒別的高水平）等因素密切相關。

1.2 智能算法的切合度

鑒于不同專家對相同的特征組合有可能擁有同樣的高感知能力（視為智能算法）和高鑒別能力（智能算法識別率），即特征組合下有多種智能算法具備專家型高識別力，定義智能算法數為特征組合的智能算法切合度（Algorithm fit，設為r），將高識別率（比如80%）作為優選特征組合下智能算法最佳擬合條件，定義高識別率為特征組合的智能算法識別率（Recognition rate，設為rel）。

1.3 三維空間結構

遵循多專家聯合鑒定的思想，應用系統理論和優化理論為研究方法，以實踐計算結果為認證手段，以專家型高識別率為優選指標，從能凸現應用系統高效、實用的3個指標集（特征信息集、智能算法集、專家型識別率）中優選出具備專家鑒別能力的“三維空間結構”單元，構建基于圖像特征信息的智能識別關鍵技術之三維空間結構知識庫研究模型，并以茶樹尺蛾科典型成蟲為例，通過實踐數據計算及其結果認證來研究辦法的可行性，為構建茶樹害蟲智能識別關鍵技術之三維空間結構知識庫提供可行的非圖像庫搜索智能識別技術方法和實踐途徑，以此引起茶樹植保研究人員對智能應用系統研究的關注和參與。

2 智能識別關鍵技術構建及路線圖

面對茶樹害蟲成蟲分類鑒定問題，在繼承和借鑒傳統的研究理論、計算技術和實現步驟的基礎上，本研究將突出系統性最優化研究思想與數學計算實踐方法相融合，定義了以特征信息組合的可分性、算法切合度和分類識別率等度量指標新概念，提出了構建茶樹目標害蟲成蟲智能識別關鍵技術之三維空間結構知識庫V{s，r，rel}的技術方法和實踐途徑。

2.1 智能識別關鍵技術構建

2.1.1 圖像特征信息

探索、研究目標害蟲成蟲特征組合的可分性（即對目標害蟲成蟲具有高識別率的特征組合）的內涵、優選技術和評價指標，并通過實踐數據的數學運算結果選取可分性最優組合。

2.1.2 智能分類算法技術（智能識別算法）

嘗試和體現多學科交叉研究方法的優勢，綜合昆蟲學、圖像處理技術、模式識別和人工智能等傳統理論[3]，比較現有智能識別算法研究成果及存在的優缺點，遵循既要重視單個學科理論的應用，更要重視特征組合優化、算法收斂性、目標誤差、運算量、收斂誤差等算法技術優劣指標，突出應用時的實用性和有效性，科學地定義和構建特征組合與快速智能識別算法技術間的切合度的內涵和綜合評價指標集，提出特征組合的算法切合度的度量辦法。

2.1.3 智能識別體系構建辦法和實現途徑

融合幾何、紋理和顏色等特征信息，將原始圖像特征組合信息提前到智能算法技術優選和指標評價的數學計算實踐階段，對特征組合的可分性、算法切合度和分類識別率進行多目標優化篩選；同時，突出專家鑒定中對顯著性局部特征信息的引入、增強和應用的智能識別模式，通過實踐數據計算認證，構建茶樹尺蛾科典型害蟲成蟲智能識別關鍵技術之三維空間結構知識庫V{s，r，rel}，為開發實用的茶樹害蟲智能識別應用系統探索獲取關鍵技術的新方法和新途徑。

2.2 智能識別關鍵技術路線

路線圖見圖1。

圖1 智能識別技術路線圖Fig.1 Roadmap of technique for intelligent identification

3 三維空間結構知識庫研究模型V{s，r，rel}及計算方法

按標準化方式采集茶樹尺蛾科典型害蟲成蟲的原始圖像，選擇合適圖像特征算法提取n維特征信息，對所有的i維特征組合ssij的訓練集數據sxsij和測試集數據scsij，選擇智能算法ak進行實踐計算，根據計算結果分析i維特征組合ssij與智能算法ak的“切合度”評價指標值rk（算法收斂性sssijk、目標誤差ssoijk或收斂誤差sseijk、收斂總步數ssbijk等），以及訓練集識別率rel*ijk和測試集識別率relijk，通過設定算法切合度優化篩選條件rtj，選出符合優選條件的i維特征組合ssij，構建i維高可分性特征組合sik、算法切合度rik指標集和識別率relik，即三維結構單元{sik，rik，relik}；再對在不同算法ak下所得的三維結構單元{sik，rik，relik}進行相同sik進行重復計數可得算法切合度rik，對relik極值整合得算法切合度relik，組合成茶樹害蟲成蟲智能識別關鍵技術之三維結構單元{sik，ri，reli}。其內涵就是：在特征組合sik下存在ri個有效的分類智能算法，均有接近reli分類識別能力，所有三維結構單元{sik，ri，reli}構成目標害蟲智能識別關鍵技術之三維空間結構知識庫V{s，r，rel}，其研究模型及計算辦法簡述如下。

3.1 算法ak下第j個i維特征組合ssij算法切合度rijk和分類識別率rel*ijk、relijk的計算

式中：∝―與...有關；ak―第k種算法；ssij―含i個特征信息的第j種組合；sxsij―第j個i維特征組合ssij對應的訓練集數據；scsij―第j個i維特征組合ssij對應的測試集數據；sssijk―基于算法ak和第j個i維特征組合ssij下收斂性；收斂sssijk=1，不收斂sssijk=0；ssoijk，sseijk―基于算法aj和第j個i維特征組合ssij下收斂性目標誤差和收斂誤差；ssbijk―基于算法ak和第j個i維特征組合ssij下算法收斂的總計算步數；re―基于算法ak下相對于第j個i維特征組合ssij訓練集數據sxsij的分類識別率；relijk―基于算法ak下相對于第j個i維特征組合ssij測試集數據scsij的分類識別率；rijk―基于第j個i維特征組合ssij訓練集數據的算法ak的收斂性、設定誤差和收斂誤差、總步數等算法切合度指標集。

3.2 算法ak下滿足篩選條件rtj的i維特征組合sik之三維結構單元{sik，rik，relik}

式中：篩選條件rtj為收斂sssijk=1、re≥90%、re≥80%；目標誤差或收斂誤差（ssoijk，sseijk）較小，總步數ssbijk不大（運行量不大）；sik―基于算法ak滿足篩選條件rtj的i維“高可分性”特征組合；{sik，rik，relik}―基于算法ak滿足篩選條件rtj的三維結構單元。

3.3 智能識別關鍵技術之三維空間結構知識庫V{s，r，rel}之結構單元{sik，ri，reli}

式中：ri―對“相同特征組合”的sik進行重復計數，稱為特征組合sik的算法切合度，寓意存在ri個智能算法具備滿足優選條件（類似有ri個專家通過對特征組合sik觀察實現高識別率分類鑒定能力）；reli―對“相同特征組合”sik的識別率relik進行極值計算，構建對i維特征組合sik“分類識別率”區間。

4 茶樹尺蛾科典型害蟲成蟲智能識別關鍵技術的應用

以數學實踐計算研究方法分析和獲取圖像特征信息所有特征組合的可分性、算法切合度和分類識別率等度量指標及相互關系，通過設立篩選條件體現智能識別關鍵技術的實用性、有效性，構建尺蛾科典型害蟲成蟲智能識別關鍵技術之三維空間結構體系V{s，r，rel}，實驗計算取得了預料的研究結果。

4.1 特征信息維、智能識別算法的選擇和三維結構單元的構建

本研究以茶樹尺蛾科5種典型害蟲的成蟲作為分類目標對象，選擇面積、周長、長寬比、矩形度和復雜度5個圖像特性作為幾何特征信息維，選擇BP、SVM和分類回歸樹算法（classification and regression tree，CART）作為分類智能算法ak（k=1，2，3），分別對所有的特征信息組合ssij（i=1，2，…5；j=1，2…）進行實踐計算，計算獲取所有特征信息組合ssij的可分性sik、算法切合度rijk、分類識別率re和relijk，通過預設的篩選條件和實踐計算獲取有效的預設的三維結構單元{sik，ri，reli}，構建茶樹尺蛾科典型害蟲成蟲智能識別關鍵技術之三維空間結構知識庫V{s，r，rel}。

4.2 實踐環境與計算結果

本實踐按尺蛾科害蟲成蟲的本體占3/5圖像面積的標準進行干體標本照相獲取原始圖像，選擇茶樹尺蛾科5種典型的害蟲成蟲（茶尺蠖、茶銀尺蠖、茶用克尺蠖、木橑尺蠖和油桶尺蠖）作為實驗的分類目標對象，共獲取120幅原始圖像，并選取90幅圖像作為訓練數據集sxs，30幅圖像作為驗證數據集scs，選擇BP、SVM和CART智能算法進行仿真計算。其實踐計算結果見表1至表3。

表1 在BP（a1）算法下二維特征組合ss2j對應的r2j1、、rel2j1的計算結果Table 1 Calculation results of r2j1，，rel2j1for two dimensional feature combination ss2jbased on BP

表2 在BP算法（a1）下i維特征組合ssi1的三維結構單元{si1，ri1，reli1}的篩選結果Table 2 Screening results of three-dimensional structural unit{si1，ri1，reli1}for i dimensional feature combination ssi1based on BP

觀察所有特征組合ssi1對應的rijkre、relijk的計算結果，可見特征維度的增加并沒有帶來可分性、切合度和識別率的相應提升，甚至出現不收斂或收斂誤差大于目標誤差的訓練網絡。因此，由“矩形度、復雜度”特征組合構成了BP算法下滿足篩選條件的唯一的可分性組合，其對應的三維結構單元可表示為{s21，r21，rel21}。

表3 3種算法ak下滿足篩選條件的三維結構單元{sik，rik，relik}匯總及說明Table 3 Summary description of three-dimensional structural unit{sik，rik，relik}that meet screening conditions based on three algorithm

5 結論與展望

本研究計算采用3種算法進行實踐，構建了茶樹尺蛾科5種典型害蟲成蟲智能識別關鍵技術之三維空間結構知識庫V{s，r，rel}={{s21，r21，rel21}，{s32，r32，rel32}，{s23，r23，rel23}，{s33，r33，rel33}}。比如，特征組合{矩形度、復雜度}具有優良的可分性，算法切合度為2（BP、CART），分類識別率在80.00%～86.67%。根據實踐計算結果顯示，矩形度和復雜度具有較好的可分性、識別率和算法切合度，作為茶樹尺蛾科典型成蟲的智能識別特征信息組合是有效的和可行的，其實現途徑可選擇BP算法或CART算法。

本研究提出的智能識別關鍵技術之三維空間結構知識庫的研究思想和實現途徑，盡管只在茶樹尺蛾科5種典型害蟲成蟲的圖像幾何特征信息上取得了預期結果，可用于輔助識別和進行昆蟲分類；但仍可以期待，當引入顏色特征、紋理特征，選擇更多的智能算法，進行更多的實踐計算時，也許能取得類似的預期的好結果。當然，隨著特征信息維度的增加，實踐計算工作量會指數級上升，找到可分性更好、算法切合度更高的特征信息組合之三維結構單元仍需進一步實踐、研究和認證。同樣，從“科”分類階元研究如何推廣到“目、綱”分類階元，更是有待有志于此項研究的科技工作者的共同努力。

志謝：本研究得到了中國農業科學院茶葉研究所殷坤山研究員在茶樹尺蛾科典型害蟲成蟲的形態鑒別特征方面的指點，特此感謝！

[1] 黃大衛.新世紀的中國昆蟲系統學[J].昆蟲學報，2003，46（1）：90-95.

[2] 李清西.計算機在昆蟲分類學中的新用途[J].昆蟲分類學報，2000，22（2）：153-156.

[3] 姚青，呂軍，楊保軍，等.基于圖像的昆蟲自動識別與計數研究進展[J].中國農業科學，2011，44（14）：2886-2899.

[4] Weeks P J D，O'Neill M A，Gaston K J，et al.D.Automating insect identification：exploring the limitations of a prototype system[J].Journal of Applied Entomology，1999，123（1）：1-8.

[5] 趙汗青，王小藝，楊忠岐，等.利用圖像對白蠟窄吉丁的自動識別[J].植物檢疫，2006，20（5）：286-287.

[6] Boissard P，Martin V，Moisan S.A cognitive vision approach to early pest detection in greenhouse crops[J]. Computer and Electronics in Agriculture，2008，62（13）：81-93.

[7] 趙汗青，沈佐銳，于新文.數學形態學在昆蟲分類學上的應用研究.Ⅱ.在總科階元上的應用研究[J].昆蟲學報，2003，46（2）：201-208.

[8] 王慶林，夏敏，杜瑞卿，等.粗糙集理論在昆蟲分類學上的應用[J].動物分類學報，2005，30（3）：478-483.

[9] 周紅，王宏坡.基于Visual C++.NET的昆蟲圖像自動識別系統的研究[J].天津農學院學報，2005，12（2）：39-41.

[10] 李志剛，傅澤田，史巖.棉花蟲害自動識別和智能決策系統設計：基于機器視覺系統[J].農機化研究，2006（7）：122-124.

[11] 劉德營，丁為民，趙三琴.稻飛虱圖像形狀和顏色特征提取的研究[J].江西農業學報，2009，21（5）：97-98.

[12] Park Y S，Han M W，Kim H Y，et al.S.Density estimation of rice planthoppers using digital image processing algorithm[J].Korean Journal of Applied Entomology，2003，42（1）：57-63.

[13] 張紅濤，毛罕平，邱道尹.儲糧害蟲圖像識別中的特征提取[J].農業工程學報，2009，25（2）：126-130.

[14] 竺樂慶，張真，張培毅.基于顏色直方圖及雙樹復小波變換（DTCWT）的昆蟲圖像識別[J].昆蟲學報，2010，53（1）：91-97.

[15] 牟少敏，孫永香，朱紅梅，等.昆蟲圖像的自動計數方法的研究[J].儀器儀表學報，2003，24（4）：426-427.

[16] 張紅梅，范艷峰，田耕.基于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，2005，26（1）：19-22.

[17] 黃世國.基于圖像的昆蟲識別關鍵技術研究[D].西安：西北大學，2008.

[18] 程蕾.基于局部特征幾何結構的目標識別方法研究[D].合肥：中國科學技術大學，2009.

[19] 程小梅.基于圖像的昆蟲識別研究與設計[D].西安：西北大學，2008.

[20] 劉芳，沈佐銳，張建偉，等.基于顏色特征的昆蟲自動鑒定方法[J].昆蟲知識，2008，45（1）：150-153.

[21] 方明，周龍.基于BP神經網絡的儲糧害蟲分類識別研究[J].武漢工業學院學報，2009，28（4）：70-73.

[22] Larios N，Soran B，Shapiro L G，et al.Haar random forest features and SVM spatial matching kernel for stonefly species identification[C]∥Proceeding of 20th International Conference on Pattern Recognition.Seattle，WA，USA：University of Washington，2010：2624-2627.

[23] 甄彤，范艷峰.基于支持向量機的儲糧害蟲分類識別技術研究[J].計算機工程，2006，32（9）：167-169.

[24] 齊麗英.基于多特征綜合的昆蟲識別研究[J].安徽農業科學，2009，37（3）：1380-1381.

[25] 胡玉霞，張紅濤.基于模擬退火算法-支持向量機的儲糧害蟲識別分類[J].農業機械學報，2008，39（9）：108-111.

[26] 高靈旺，沈佐銳，李志琦，等.基于二叉分類推理的昆蟲分類輔助鑒定多媒體專家系統通用平臺Taxo Keys的設計與開發[J].昆蟲學報，2003，46（5）：644-648.

[27] 張小斌，陳學新，程家安.基于Web中國昆蟲科級鑒別分類系統Insect ID的設計與開發[J].昆蟲分類學報，2006（1）：102-105.

[28] Larios N，Deng H，Zhang W，et al.Automated insect identification through concatenated histograms of local appearance features：feature vector generation and region detection for deformable objects[J].Machine Vision and Applications，2008，19（2）：105-123.

[29] 劉軍，耿國華，任治斌.基于多結構元素的農作物病蟲識別系統[J].計算機工程與設計，2009，30（6）：1488-1490.

[30] 黃世國，周明全，耿國華.一種角度無關的Gabor-SVM昆蟲識別[J].小型微型計算機系統，2010，31（1）：143-146.

Study on technique for intelligent identification of typical geometridae adults in tea tree

WU Alin1，ZHOU Xiaogui2，XIAO Qiang2
（1.School of Sciences，Zhejiang University of Science and Technology，Hangzhou 310023，China；2.Tea Research Institute of Chinese Academy of Agriculture Sciences，Hangzhou 310008，China）

To design application system of intelligent identification of the typical geometridae adults in tea pests，this paper presented a kind of research idea of three-dimension special structure of intelligent identification.The key technology is based on image features such as separability structures，algorithm fit and identification rate.It was systematically elaborated on aspects of the implication，indicators system，screening conditions，researching model and the practices of this three-dimension special structure.Identifying the typical moth in family geometridae of tea pests was cited as a feasibility study example of research method and implementation way.In addition，the realization of intelligent identification key technology knowledge was previewed in this paper.

tea tree；geometridae；image features；three-dimension special structure；intelligent identification

TP391.41；S435.711

A

1671-8798（2014）03-0192-07

10.3969/j.issn.1671-8798.2014.03.007

2014-04-26

國家科技基礎性工作專項（2008FY210500）；浙江省教育廳科研計劃項目（Y201224733）

吳阿林（1963― ），男，浙江省東陽人，副教授，主要從事計算數學、計算力學、圖像處理和信息管理系統等研究。