基于圖像處理的甘藍蟲害識別研究

高雄+湯巖+陳鐵英+崔紅梅+王洪波

摘要：病蟲害是農作物減產的主要原因，目前我國主要通過噴灑農藥來處理病蟲害。但是農藥的大量施用會給環境帶來嚴重的污染，也會影響食物的安全性。精準施藥是解決農藥大量施用的有效辦法，但首先需要對病蟲害的位置與種類作出準確的判斷然后再控制農藥噴灑。首先，對田間采集回來的蟲害圖片進行預處理，然后對蟲害的特征進行提取，最后通過模糊識別來識別蟲害的種類。結果表明，通過形狀特征對甘藍的3種常見害蟲識別準確率均高于80%，害蟲的形態、陽光照射產生的陰影對識別準確度有嚴重的影響。

關鍵詞：圖像處理；甘藍蟲害；特征提取；模糊識別；甘藍夜蛾；菜青蟲；二十八星瓢蟲

中圖分類號： TP391.41文獻標志碼： A文章編號：1002-1302（2017）23-0235-04

精準施藥的前提是對蟲害的識別與定位[2]，通過數字圖像處理技術可以完成這一任務。數字圖像處理作為一門學科大約形成于20世紀60年代初期，是指用計算機及其相關技術對圖像施加某種運算和處理，從而達到某種預想目的的過程[3]。近年來，隨著數字圖像處理的迅速發展，計算機視覺的應用日益廣泛，模式識別技術日趨成熟，對農作物病蟲草害圖像進行處理，提取特征參數，可以達到智能識別的目的[4]。

本研究通過對蟲害圖像預處理，提取蟲害的形狀特征，使用模糊識別來區分蟲害種類，以期有效地識別甘藍部分種類蟲害，為智能化噴霧與精準施藥的研究奠定基礎。

1材料與方法

1.1試驗材料

使用京豐一號綠甘藍種子，在內蒙古農業大學試驗田內于2015年5月末播種。當甘藍結球以后，在室外自然環境下，選擇不同晴天的11：00去田間獲取不同的蟲害照片。在圖像采集時，相機（佳能EOS 700D）與目標害蟲的垂直距離固定為20 cm，為后續特征的提取統一標準，如果相機高度發生變化，其拍攝的有效區域也會發生變化，相同的像素條件下圖像所得到的害蟲特征值也會有較大的變化，從而影響識別的準確度。當害蟲處于甘藍邊緣或者甘藍葉縫中時，通過手動來使害蟲處于完好的葉片表面。選取甘藍夜蛾、菜青蟲、二十八星瓢蟲等3種蟲害的照片各30張，其中20張為樣本特征提取組，其余10張為測試組。優先選取光照產生的陰影較小、背景比較簡單整潔的圖片待用。

1.2試驗方法

1.2.1圖像灰度化由于采集的原始圖像數據較大，含有大量的無用信息，為了降低圖像分割的難度，可以首先從原始圖像中截取含有特征信息的部分圖像區域。首先，對要進行分析的圖片進行標定，將采集到的圖像統一裁剪為1 500×1 500 像素的圖像，將目標保留在圖像的中部待處理。為了提取分類需要的信息，去除不需要部分的干擾，需要對彩色圖像進行灰度化處理，灰度化處理的好處是縮短計算時間。本研究使用Matlab r2012a軟件對3種蟲害的圖像進行處理與識別，圖像灰度化后分別如圖1、圖2、圖3所示。

1.2.2平滑去噪由于圖像采集設備的特性及外界環境的干擾會使圖像產生一定的噪聲，降低圖片的質量[5]。合理地消除噪聲可以提高后續的閾值分割、邊緣提取等步驟的準確度。去除噪聲的方式有均值濾波、高斯濾波、極值濾波和中值濾波。因為經過中值濾波后的圖像目標邊緣不會變模糊，而在后續的特征提取時需要準確的目標邊緣，所以，采用中值濾波去除噪聲干擾相對于其他濾波方式較好地保護了圖像的原始特征。3種蟲害圖像的中值濾波結果分別如圖4、圖5、圖6所示。

1.2.3病蟲圖像的分割圖像分割可以理解為將圖像中有意義的特征區域或者需要應用的特征區域提取出來。閾值分割是一種簡單有效的圖像分割方法，閾值分割又叫做圖像二值化[6-7]，主要的目標就是區別病蟲圖像中的目標物體與背景[8]。本研究中將圖像中的病蟲作為目標物體，非病蟲部分作為背景。灰度值大于或等于閾值的像素點，灰度值統一為255，即白色，否則這些像素點將統一為0，即黑色。閾值分割有雙峰法、迭代法、大津法（OTSU法），經過測試發現大津法選出來的閾值比較理想，在各種情況均表現良好，分割質量有一定的保障。3種蟲害的圖像經閾值分割后分別如圖7、圖8、圖9所示。

1.2.4形態學圖像的處理由閾值分割后的圖像（圖7至圖9）可以看出，經過閾值分割后，提取了蟲害圖像的有用信息，去除了無效的背景信息。但是從圖像上可以看出目標仍然存在孔洞和觸角，背景上存在噪聲干擾，這些均會對特征提取產生較大的影響。二值圖像的基本形態學運算包括腐蝕、膨脹，以及開運算、閉運算。腐蝕可以消掉物體邊緣，使圖像向內部收縮，進而消除小的噪聲點。而膨脹與腐蝕相反，膨脹使物體邊緣向外擴張，可以消除目標內部孔洞。但是膨脹與腐蝕均會改變目標的面積使識別的準確性降低。開運算是先腐蝕后膨脹的過程，其主要作用與腐蝕相似，與腐蝕操作相比，具有可以基本保持目標原有大小不變的優點。閉運算是先膨脹后腐蝕的過程，用來填充物體內細小孔洞、連接鄰近物體、平滑其邊界的同時并不明顯改變其面積。本研究通過開運算來消除目標觸角、害蟲留在葉面的糞便、菜葉上的沙土等，通過閉運算來填補蟲害內部的孔洞。3種蟲害的圖像經過數學形態學處理后分別如圖10、圖11、圖12所示。

1.2.5害蟲邊界提取邊界檢測的目的是標志數字圖像中

亮度變化明顯的點，圖像屬性中的顯著變化通常反映屬性的重要事件和變化。輪廓是對物體形狀的有力描述，對圖像分析和識別十分有用。圖像邊緣檢測大幅度減少了數據量，且剔除了不相關的信息，保存了圖像重要的結構屬性。3種蟲害圖像邊界的提取結果分別如圖13、圖14、圖15所示。

1.2.6輪廓填充邊界的提取主要是為了提取目標周長，而面積等特征則需要在填充之后獲取，在后續的特征提取中把面積和周長作為基礎。輪廓填充之后圖像將不存在孔洞，圖像特征更加精確。輪廓填充后對圖像像素進行取反操作，結果如圖16、圖17、圖18所示。endprint

2結果與分析

2.1蟲害圖像特征的提取

特征是某一類對象區別于其他種類對象相應的特點，決定每個圖像的點是否屬于某一類圖像。本研究通過選取區域

面積、周長、偏心率、圓形度、矩形度等5個形狀特征來識別甘藍常見的蟲害，所選取特征的標量均與圖像的方向無關，所以在識別蟲害時不需要固定蟲害圖像的方向[9]。提取樣本組20組圖像的形狀特征參數，使用Excel 2013處理得到的數據，計算3種蟲害各自特征的均值與標準差，如表1所示。

2.2蟲害模糊識別

灰度圖像具有模棱兩可的像素，而模糊分類法對于不太確定的問題識別效果較好。在分類決策的過程中，由于特征值的變化是隨機噪聲等因素引起的，因此，可以把特征值的波動視為一種高斯分布。根據高斯分布的3δ性質，當識別一種蟲害時，若某蟲害屬于A類，其每個特征值均落在特征庫中的A類特征均值的3倍標準差以內，對于不屬于A類的蟲害，它的有些特征可能落在3倍標準差以外或者更遠的地方[10]。

首先求出待識別蟲害特征屬于每個目標種類的隸屬度，然后使用得出的這一組隸屬度中的最小值作為該蟲害對這類目標的隸屬度。在最后作種類識別時，通過選取隸屬度最大的那個目標種類作為待識別蟲害的所屬種類。隸屬度計算公式如下：

uxj=exp[-（-fxj-pkj）2]2qkj，pkj-3qkj≤fxj≤fxj+3qkj

0，其他。

式中：x為目標類；j為特征序號；k為樣本號；P為樣本均值；q為樣本標準差；uxj為選取圖像對于x類目標的j類特征的隸屬度。部分隸屬度分類結果如表2所示，該值即為某蟲害5個特征隸屬度選取時最小的值，也是在識別時對該蟲害種類隸屬度最高的值。

去除了圖像中觸角及孔洞的影響。通過面積、周長、偏心率、圓形度、矩形度的特征可以作出對甘藍部分種類害蟲的有效識別。本研究選取的蟲害特征比較鮮明，選取作物甘藍菜葉面比較光滑平整，色彩變化均勻，識別效果比較理想，識別率均高于80%。但是對于室外環境下獲取的圖像，由于光照和昆蟲形態的不確定性對識別結果會有較大的影響。希望在以后的研究中可以使用光譜分析技術與圖像識別技術相結合，從而提高圖像識別的準確度。

參考文獻：

[1]張波，翟長遠，李瀚哲，等. 精準施藥技術與裝備發展現狀分析[J]. 農機化研究，2016（4）：1-5，28.

[2]高雄，王海超. 甘藍菜青蟲害自動識別系統的開發與試驗研究——基于機器視覺[J]. 農機化研究，2015（1）：205-208.

[3]管澤鑫，姚青，楊保軍，等. 數字圖像處理技術在農作物病蟲草識別中的應用[J]. 中國農業科學，2009，42（7）：2349-2358.

[4]李宗儒. 基于圖像分析的蘋果病害識別技術研究[D]. 楊凌：西北農林科技大學，2010.

[5]莫然. 基于圖像分析的病蟲識別系統的設計與實現[D]. 南京：南京理工大學，2013.

[6]夏永泉，李耀斌，曾莎. 基于HSI顏色空間的植物葉片病斑提取方法[J]. 江蘇農業科學，2015，43（8）：406-408.

[7]崔世鋼，楊莉莉，吳興利，等. 面向LED植物生長柜的葉脈特征提取[J]. 江蘇農業科學，2015，43（1）：373-375.

[8]宗精學，楊余旺，趙煒，等. 基于圖像分析的病蟲識別研究[J]. 科學技術與工程，2014，14（19）：194-200.

[9]于新文，沈佐銳，高靈旺，等. 昆蟲圖像幾何形狀特征的提取技術研究[J]. 中國農業大學學報，2003，8（3）：47-50.

[10]吳蘭蘭. 基于數字圖像處理的玉米苗期田間雜草的識別研究[D]. 武漢：華中農業大學，2010.江蘇農業科學2017年第45卷第23期黃成偉，馬本學，蔣偉，等. 基于無線射頻技術和EPC物聯網的棉種供應鏈可追溯系統設計[J]. 江蘇農業科學，2017，45（23）：239-243.endprint