蘋果綿蚜遠程圖像識別系統的開發與實現

希仁娜·亞森+李湘+吳煒

摘要：為了防止蘋果綿蚜[Eriosoma lanigerum（Hausmann）]對伊犁地區蘋果生產帶來的威脅，同時解決昆蟲鑒定專家及病蟲害防治專業技術人員短缺的問題，將計算機視覺技術與計算機網絡技術相結合，采集昆蟲數字圖像，由Internet上傳到可進行自動識別圖像的服務器端，實現遠程識別。系統首先對蘋果綿蚜提取邊緣特征值，再提取HOG特征值，最后建立神經網絡分類器，實現自動識別。用40張蘋果綿蚜圖像對圖像識別系統進行訓練，用33種不同昆蟲圖像進行測試，正確率達到90%以上。

關鍵詞：蘋果綿蚜；遠程；自動識別；圖像處理

中圖分類號： S431.9；TP391.41文獻標志碼： A文章編號：1002-1302（2014）06-0375-03

收稿日期：2013-09-06

基金項目：新疆農業大學前期資助課題（編號：XJAU201011）。

作者簡介：希仁娜·亞森，維吾爾族，講師，從事計算機教學工作。E-mail：xerin0991@163.com。蘋果綿蚜[Eriosoma lanigerum（Hausmann）]是檢疫性害蟲，對蘋果生產的危害極大。新疆維吾爾自治區伊犁哈薩克自治州地區蘋果種類較多，蘋果種植是當地林果業的重要組成部分。蘋果綿蚜在伊犁哈薩克自治州新源縣、霍城縣、鞏留縣、伊寧縣等地均有分布并且危害日趨嚴重[1]，給當地林果業生產帶來嚴重威脅，嚴重阻礙林果業的高效健康發展。由于昆蟲鑒定防疫專業人才短缺，蘋果的產量與質量都有所下降，尋找有效的鑒定昆蟲方法具有非常重要的意義。隨著計算機網絡的發展，可利用計算機網絡解決昆蟲鑒定難題。已有的遠程圖像識別方式包括以下幾種：圖像通過計算機網絡傳給異地專家，由異地專家鑒定圖像后再返回意見；雙方通過計算機網絡視頻對圖像進行識別。這些方法雖然解決了標本寄送難題，但還是依賴專家鑒定[2]。本研究主要利用計算機網絡技術與圖像識別技術，開發蘋果綿蚜遠程圖像識別系統。用戶用標準方法獲取圖像，經由Internet瀏覽器界面上傳給自動識別系統服務器，由服務器端對上傳的圖像進行實時特征提取及識別，再將識別結果傳送給用戶終端，在最短時間內解答農戶的疑問，減少人力、物力消耗，提高工作效率，減少損失，提高經濟效益。

1圖像獲取

獲取蘋果綿蚜標準圖像是遠程自動識別的基礎。標本擺放位置、獲取圖像時的光照環境、采集圖像設備的像素以及采集圖像時的距離等，都會影響數字圖像的獲取。只有正確獲取數字圖像，才可以實現自動識別。本系統以蘋果綿蚜的形態數據作為模式特征值。為了盡可能清晰地獲取蘋果綿蚜的外部輪廓特征，將蘋果綿蚜放在白紙上或白底的培養皿中，用數碼體視顯微鏡取像。取像時為了防止標本亂動而造成圖像模糊，事先在標本上滴1～2滴70%乙醇。另外為了防止提取特征值時產生誤差，沒有使用大頭針來固定標本。

2系統實現

系統分為客戶端與服務器端。用戶通過客戶端向服務器端發送圖像，服務器端通過圖像識別算法對用戶發過來的圖像數據進行自動識別，并將識別結果發送回客戶端。為了給用戶提供簡單易用的客戶端，本系統采用瀏覽器/服務器（B/S）模式。

2.1客戶端開發

采用瀏覽器/服務器模式的優點在于不用安裝客戶端。只要用戶計算機接入Internet便可與服務器端進行交互，用戶通過瀏覽器程序訪問系統主頁。主頁應簡單、易用，無須設計太多的菜單及控件，用戶只要將要識別的圖像文件提交到服務器端。用戶提交圖像時，系統會自動截獲提交時間并存入數據庫。提交圖像文件后，系統反饋提交結果。如果提交正確，系統會顯示提交的圖像及圖像名稱；如果提交錯誤，系統會要求用戶重新提交圖像。當圖像提交成功后，用戶可以通過頁面上的圖像識別控件，啟動服務器端自動識別圖像程序識別圖像并返回識別結果。

2.2服務器端開發

服務器端分為2個模塊。一是圖像信息存儲模塊，二是圖像自動識別模塊。圖像上傳成功后并不直接交給圖像自動識別模塊進行處理，而是先提交到信息存儲模塊，信息存儲模塊通過數據庫、文件夾實現。因為圖像文件的數據信息不能存儲到數據庫中，所以用戶在提交圖像文件時，其實是將圖像文件的文件名及提交時間上傳到數據庫中，將圖像文件提交到文件夾中。數據庫根據圖像文件提交的順序為每條記錄自動產生唯一的編號。圖像自動識別模塊根據數據庫中圖像文件的文件名從文件夾中提取圖像文件，圖像自動識別模塊對提取的圖像文件進行識別并將結果返回到數據庫中，由返回值生成反饋頁面，告知用戶識別結果。圖像文件的遠程傳輸及識別過程如圖1所示。

3.1圖像預處理

對圖像文件進行識別之前，需要對圖像進行預處理。

像預處理的目的是去除噪聲，加強有用信息。圖像采集過程中，由于光照等原因，得到的圖像都存在一定程度的噪聲與干擾，應當對圖像進行預處理[3]。常用的預處理操作有圖像格式轉化、圖像去噪、圖像增強等。本系統采用的預處理是將蘋果綿蚜 RGB 真彩色圖轉化為灰度圖，一般情況下灰度圖可以表現目標的大部分信息。

3.2邊緣檢測

邊緣檢測主要是對圖像灰度變化進行度量、檢測、定位。人眼識別一個物體，是通過追蹤未知物體的輪廓來掃視該物體，該物體的輪廓是由邊緣片段組成的。如果能夠得到圖像的邊緣，圖像分析就會大大簡化，圖像識別工作就會容易得多[4]。邊緣檢測方法主要有Roberts算子、Sobel算子、Canny算子等。由于蘋果綿蚜背部有白色絮狀物，邊緣檢測時絮狀物會產生一定的噪聲。Roberts算子定位比較精確，但由于不包括平滑，所以對噪聲比較敏感。Sobel算子是一階微分算子且是加權平均濾波，檢測的圖像邊緣可能大于2個像素，對灰度漸變低噪聲的圖像檢測效果較好。本系統采用Sobel邊緣檢測算子提取蘋果綿蚜的邊緣特征。Sobel算子在以f（i，j）為中心的3×3 鄰域上計算x與y方向的偏導數。

Δxf =[f（i+1，j-1）+2f（i+1，j）+f（i+1，j+1）]-[f（i-1，j-1）+2f（i-1，j）+f（i-1，j+1）]；（1）

Δyf =[f（i-1，j+1）+2f（i，j+1）+f（i+1，j+1）]-[f（i-1，j-1）+2f（i，j-1）+f（i+1，j-1）]。（2）

梯度的實際大小為：

G=（Δxf）2+（Δyf）2。（3）

常采用它的近似計算式：

|G|=|Δx f |+|Δyf|。（4）

幾種邊緣檢測算子比較如圖2所示。填充邊緣內的空洞，得到1張二值圖像，其中最大的聯通區域是蟲子。本系統實現了蘋果綿蚜無翅成蟲的圖像識別，在提取邊緣特征的基礎上再提取HOG（梯度方向直方圖）特征。

3.3HOG特征的提取

HOG主要通過對圖像局部區域梯度方向出現次數統計生成的。這種方法與邊緣方向直方圖非常類似，二者區別在于HOG將圖像分為密集的網格，針對每個網格進行統計，并采用重疊的局部對比歸一化來提高準確率。

3.4算法實現

3.4.1梯度計算HOG提取的第一步是計算梯度值。最常用的方法是分別對豎直以及水平方向用一維離線點的導數模板（[-1，0，1]和[-1，0，1]T）進行濾波。

3.4.2梯度方向計算上一步濾波可以分別得到每個像素點的水平梯度與豎直梯度，豎直梯度與水平梯度的反正切函數即是梯度方向。

θ（x，y）=arctan[L（x，y+1）-L（x，y-1）]/[L（x+1，y）-L（x-1，y）]。（5）

式中：L（x，y）是（x，y）坐標上的像素值，θ（x，y）是該點的梯度方向。

3.4.3方向分級統計將圖像分為20×20像素大小的小格，將每個小格沿著0°～180°的梯度方向劃分為9份進行直方圖統計，每個像素的投票權值可以由梯度幅度或者梯度幅度的函數決定。

3.4.4歸一化為了消除亮度以及對比度變化的影響，所得直方圖需要局部歸一化。首先將小格連接起來，形成更大的塊，每個塊的特征由所包含的小格直方圖連接而成。通常1個塊由2×2或者3×3小格組成，并且這些塊是重疊的，這表示每個小格對特征貢獻不止1次。有學者提出了4種歸一化方法。令v為1個給定塊的特征向量，‖v‖k表示向量的k-模，k=1，2。ε為1個小常量，4種歸一化方式可以表示為：

L2-norm：

f=v‖v‖22+e2。（6）

L2-hys：對L2-norm之后的結果進行剪裁（最大值限制為0.2），再次進行 L2-norm。

L1-norm：

f=v（‖v‖1+e）。（7）

L1-sqrt：

f=v（‖v‖1+e）。（8）

本系統選用L2-norm進行歸一化，最后將所有分塊的歸一化結果結合起來，得到梯度方向直方圖特征。

3.5訓練神經網絡

人工神經網絡由通過數學或計算模型聯系在一起的一組人工神經元構成。由圖3可知，1個典型的前向神經網絡由3層組成：輸入層、隱含層、輸出層。其中，輸入層LI含有n個人工神經元，以接受輸入信號。隱含層LH有p個單元。輸出層LO包含q個單元，用于輸出分類結果。

本系統設計了1個基于邊緣特征的神經網絡分類器。利用Sobel及HOG得到的特征矩陣設計神經網絡輸入層結點數為特征維數，隱含層為100，輸出層為2。對神經網絡分類器進行訓練，得到分類器的參數，之后自動識別系統利用分類器參數對識別請求給予自動鑒定。圖像自動識別流程如圖4所示。

4結論

本系統將計算機視覺技術與計算機網絡技術相結合，實現了蘋果綿蚜的遠程圖像識別。用戶將昆蟲數字圖像通過系統客戶端上傳到服務器，服務器通過自動識別模塊對圖像進行鑒別，確定是否是蘋果綿蚜。本系統利用40張蘋果綿蚜圖像對神經網絡進行訓練，用33種不同的昆蟲樣本圖像進行測試，正確率達90%以上。本系統有利于降低防治成本，提高防治效果。

參考文獻：

[1]瑪依拉·吐拉甫. 新疆伊犁河谷蘋果綿蚜種群生態學與控制技術研究[D]. 烏魯木齊：新疆農業大學，2010.

[2]楊紅珍，張建偉，李湘濤，等. 基于圖像的昆蟲遠程自動識別系統的研究[J]. 農業工程學報，2008，24（1）：188-192.

[3]郝中華，倪遠平. 昆蟲圖像分割方法的研究及應用[J]. 云南大學學報：自然科學版，2009，31（增刊）：67-72.

[4]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）：39-41，53

Δxf =[f（i+1，j-1）+2f（i+1，j）+f（i+1，j+1）]-[f（i-1，j-1）+2f（i-1，j）+f（i-1，j+1）]；（1）

Δyf =[f（i-1，j+1）+2f（i，j+1）+f（i+1，j+1）]-[f（i-1，j-1）+2f（i，j-1）+f（i+1，j-1）]。（2）

梯度的實際大小為：

G=（Δxf）2+（Δyf）2。（3）

常采用它的近似計算式：

|G|=|Δx f |+|Δyf|。（4）

幾種邊緣檢測算子比較如圖2所示。填充邊緣內的空洞，得到1張二值圖像，其中最大的聯通區域是蟲子。本系統實現了蘋果綿蚜無翅成蟲的圖像識別，在提取邊緣特征的基礎上再提取HOG（梯度方向直方圖）特征。

3.3HOG特征的提取

HOG主要通過對圖像局部區域梯度方向出現次數統計生成的。這種方法與邊緣方向直方圖非常類似，二者區別在于HOG將圖像分為密集的網格，針對每個網格進行統計，并采用重疊的局部對比歸一化來提高準確率。

3.4算法實現

3.4.1梯度計算HOG提取的第一步是計算梯度值。最常用的方法是分別對豎直以及水平方向用一維離線點的導數模板（[-1，0，1]和[-1，0，1]T）進行濾波。

3.4.2梯度方向計算上一步濾波可以分別得到每個像素點的水平梯度與豎直梯度，豎直梯度與水平梯度的反正切函數即是梯度方向。

θ（x，y）=arctan[L（x，y+1）-L（x，y-1）]/[L（x+1，y）-L（x-1，y）]。（5）

式中：L（x，y）是（x，y）坐標上的像素值，θ（x，y）是該點的梯度方向。

3.4.3方向分級統計將圖像分為20×20像素大小的小格，將每個小格沿著0°～180°的梯度方向劃分為9份進行直方圖統計，每個像素的投票權值可以由梯度幅度或者梯度幅度的函數決定。

3.4.4歸一化為了消除亮度以及對比度變化的影響，所得直方圖需要局部歸一化。首先將小格連接起來，形成更大的塊，每個塊的特征由所包含的小格直方圖連接而成。通常1個塊由2×2或者3×3小格組成，并且這些塊是重疊的，這表示每個小格對特征貢獻不止1次。有學者提出了4種歸一化方法。令v為1個給定塊的特征向量，‖v‖k表示向量的k-模，k=1，2。ε為1個小常量，4種歸一化方式可以表示為：

L2-norm：

f=v‖v‖22+e2。（6）

L2-hys：對L2-norm之后的結果進行剪裁（最大值限制為0.2），再次進行 L2-norm。

L1-norm：

f=v（‖v‖1+e）。（7）

L1-sqrt：

f=v（‖v‖1+e）。（8）

本系統選用L2-norm進行歸一化，最后將所有分塊的歸一化結果結合起來，得到梯度方向直方圖特征。

3.5訓練神經網絡

人工神經網絡由通過數學或計算模型聯系在一起的一組人工神經元構成。由圖3可知，1個典型的前向神經網絡由3層組成：輸入層、隱含層、輸出層。其中，輸入層LI含有n個人工神經元，以接受輸入信號。隱含層LH有p個單元。輸出層LO包含q個單元，用于輸出分類結果。

本系統設計了1個基于邊緣特征的神經網絡分類器。利用Sobel及HOG得到的特征矩陣設計神經網絡輸入層結點數為特征維數，隱含層為100，輸出層為2。對神經網絡分類器進行訓練，得到分類器的參數，之后自動識別系統利用分類器參數對識別請求給予自動鑒定。圖像自動識別流程如圖4所示。

4結論

本系統將計算機視覺技術與計算機網絡技術相結合，實現了蘋果綿蚜的遠程圖像識別。用戶將昆蟲數字圖像通過系統客戶端上傳到服務器，服務器通過自動識別模塊對圖像進行鑒別，確定是否是蘋果綿蚜。本系統利用40張蘋果綿蚜圖像對神經網絡進行訓練，用33種不同的昆蟲樣本圖像進行測試，正確率達90%以上。本系統有利于降低防治成本，提高防治效果。

參考文獻：

[1]瑪依拉·吐拉甫. 新疆伊犁河谷蘋果綿蚜種群生態學與控制技術研究[D]. 烏魯木齊：新疆農業大學，2010.

[2]楊紅珍，張建偉，李湘濤，等. 基于圖像的昆蟲遠程自動識別系統的研究[J]. 農業工程學報，2008，24（1）：188-192.

[3]郝中華，倪遠平. 昆蟲圖像分割方法的研究及應用[J]. 云南大學學報：自然科學版，2009，31（增刊）：67-72.

[4]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）：39-41，53

Δxf =[f（i+1，j-1）+2f（i+1，j）+f（i+1，j+1）]-[f（i-1，j-1）+2f（i-1，j）+f（i-1，j+1）]；（1）

Δyf =[f（i-1，j+1）+2f（i，j+1）+f（i+1，j+1）]-[f（i-1，j-1）+2f（i，j-1）+f（i+1，j-1）]。（2）

梯度的實際大小為：

G=（Δxf）2+（Δyf）2。（3）

常采用它的近似計算式：

|G|=|Δx f |+|Δyf|。（4）

幾種邊緣檢測算子比較如圖2所示。填充邊緣內的空洞，得到1張二值圖像，其中最大的聯通區域是蟲子。本系統實現了蘋果綿蚜無翅成蟲的圖像識別，在提取邊緣特征的基礎上再提取HOG（梯度方向直方圖）特征。

3.3HOG特征的提取

HOG主要通過對圖像局部區域梯度方向出現次數統計生成的。這種方法與邊緣方向直方圖非常類似，二者區別在于HOG將圖像分為密集的網格，針對每個網格進行統計，并采用重疊的局部對比歸一化來提高準確率。

3.4算法實現

3.4.1梯度計算HOG提取的第一步是計算梯度值。最常用的方法是分別對豎直以及水平方向用一維離線點的導數模板（[-1，0，1]和[-1，0，1]T）進行濾波。

3.4.2梯度方向計算上一步濾波可以分別得到每個像素點的水平梯度與豎直梯度，豎直梯度與水平梯度的反正切函數即是梯度方向。

θ（x，y）=arctan[L（x，y+1）-L（x，y-1）]/[L（x+1，y）-L（x-1，y）]。（5）

式中：L（x，y）是（x，y）坐標上的像素值，θ（x，y）是該點的梯度方向。

3.4.3方向分級統計將圖像分為20×20像素大小的小格，將每個小格沿著0°～180°的梯度方向劃分為9份進行直方圖統計，每個像素的投票權值可以由梯度幅度或者梯度幅度的函數決定。

3.4.4歸一化為了消除亮度以及對比度變化的影響，所得直方圖需要局部歸一化。首先將小格連接起來，形成更大的塊，每個塊的特征由所包含的小格直方圖連接而成。通常1個塊由2×2或者3×3小格組成，并且這些塊是重疊的，這表示每個小格對特征貢獻不止1次。有學者提出了4種歸一化方法。令v為1個給定塊的特征向量，‖v‖k表示向量的k-模，k=1，2。ε為1個小常量，4種歸一化方式可以表示為：

L2-norm：

f=v‖v‖22+e2。（6）

L2-hys：對L2-norm之后的結果進行剪裁（最大值限制為0.2），再次進行 L2-norm。

L1-norm：

f=v（‖v‖1+e）。（7）

L1-sqrt：

f=v（‖v‖1+e）。（8）

本系統選用L2-norm進行歸一化，最后將所有分塊的歸一化結果結合起來，得到梯度方向直方圖特征。

3.5訓練神經網絡

人工神經網絡由通過數學或計算模型聯系在一起的一組人工神經元構成。由圖3可知，1個典型的前向神經網絡由3層組成：輸入層、隱含層、輸出層。其中，輸入層LI含有n個人工神經元，以接受輸入信號。隱含層LH有p個單元。輸出層LO包含q個單元，用于輸出分類結果。

本系統設計了1個基于邊緣特征的神經網絡分類器。利用Sobel及HOG得到的特征矩陣設計神經網絡輸入層結點數為特征維數，隱含層為100，輸出層為2。對神經網絡分類器進行訓練，得到分類器的參數，之后自動識別系統利用分類器參數對識別請求給予自動鑒定。圖像自動識別流程如圖4所示。

4結論

本系統將計算機視覺技術與計算機網絡技術相結合，實現了蘋果綿蚜的遠程圖像識別。用戶將昆蟲數字圖像通過系統客戶端上傳到服務器，服務器通過自動識別模塊對圖像進行鑒別，確定是否是蘋果綿蚜。本系統利用40張蘋果綿蚜圖像對神經網絡進行訓練，用33種不同的昆蟲樣本圖像進行測試，正確率達90%以上。本系統有利于降低防治成本，提高防治效果。

參考文獻：

[1]瑪依拉·吐拉甫. 新疆伊犁河谷蘋果綿蚜種群生態學與控制技術研究[D]. 烏魯木齊：新疆農業大學，2010.

[2]楊紅珍，張建偉，李湘濤，等. 基于圖像的昆蟲遠程自動識別系統的研究[J]. 農業工程學報，2008，24（1）：188-192.

[3]郝中華，倪遠平. 昆蟲圖像分割方法的研究及應用[J]. 云南大學學報：自然科學版，2009，31（增刊）：67-72.

[4]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）：39-41，53