基于圖像識別技術的新疆南疆棉鈴蟲防治系統研究

收稿日期：2023-10-10

基金項目：大學生創新創業訓練項目（國家級一般項目）“基于圖像識別技術的新疆南疆棉鈴蟲防治系統研究”（202310994005）。

作者簡介：林詩琪（2003—），女，福建龍海人，研究方向為圖像處理。#通信作者：熱阿宛·吾肯（1992—），新疆布爾津人，碩士研究生，助教，研究方向為工業缺陷檢測，E-mail：519274120@qq.com。

摘 要：隨著圖像識別技術的快速發展，其在新疆南疆棉鈴蟲防治中的應用也成了研究熱點。綜述了圖像識別技術在農業病蟲害防治、棉鈴蟲圖像處理與識別以及南疆棉鈴蟲防治策略和發生規律、深度學習與機器學習技術在害蟲檢測方面的應用，搜集了農業害蟲遠程監測與智能識別系統等方面的文獻，分析了諸如二值化圖像、區域卷積神經網絡等在提高棉鈴蟲識別準確性和處理速度中的作用。綜合以往的文獻，當前應用于棉鈴蟲防治的圖像識別技術不僅提高了識別的自動化水平，還通過深度學習等先進算法的應用，顯著提升了棉鈴蟲種群監測方法的準確性和效率。對棉鈴蟲發生規律的研究、基于圖像識別技術的監測系統的構建，以及南疆棉花產業的可持續發展具有重要意義。

關鍵詞：圖像識別；棉鈴蟲；農業害蟲防治；深度學習；監測系統

中圖分類號：S435.622 文獻標志碼：B 文章編號：2095–3305（2024）04–00-03

在新疆南疆地區，棉花生產是重要的農業活動之一。棉鈴蟲作為該地區棉花生長過程中的主要害蟲之一，給當地農業生產帶來了嚴重影響。現有系統在棉鈴蟲的圖像獲取、處理和識別算法方面存在局限性，對當地環境與棉鈴蟲種群的特異性適應不足，而圖像識別技術在農業害蟲防治方面則展現出了巨大潛力。綜述了圖像識別技術在農業病蟲害防治中的作用，幫助研究人員和技術開發者深入理解該領域的現狀和挑戰，為農業生產提供科技支撐。

1 圖像識別技術在農業病蟲害防治的應用

1.1 圖像識別技術在病蟲害識別中的作用

圖像識別技術在病蟲害防治中發揮著重要的作用，特別是在迅速、準確地識別蟲害方面表現出巨大潛力[1]。近年來，隨著模式識別和機器學習技術的飛速發展，該技術已經逐步在農業害蟲的檢測和識別中得到廣泛應用（表1）。基于圖像的識別系統能夠大幅減少因傳統人工識別導致的時間消耗和誤差，進而實現高效和自動化的病蟲害監測。

在識別害蟲的過程中，圖像識別技術通常涉及關鍵步驟，如圖像采集、圖像預處理、特征提取、分類識別等（圖1）。工作人員必須進行圖像預處理，包括為提高圖像質量、突出目標特征而進行的去噪、增強、分割等操作[2]。特征提取是將有害生物圖像中的重要信息轉化為可表示有害生物特征的數據，是圖像識別的核心環節。區分不同種類的害蟲[3]常用到顏色、紋理、形狀等特征。而分類識別則是在提取特征的基礎上，實現對未知害蟲圖像的識別判斷，并利用機器學習算法構建分類模型。

在新疆南疆棉鈴蟲防治中，圖像識別技術的應用顯得尤為重要。棉鈴蟲作為嚴重的農作物害蟲，對棉花生產造成了巨大威脅。因此，研發出能對棉鈴蟲進行快速識別與分類的圖像識別系統十分有必要。基于深度學習的農業昆蟲圖像識別研究表明，通過卷積神經網絡（CNN）學習深層次的圖像特征，可以有效提升分類和識別的準確性[4]。此外，利用二值化圖像識別技術建立的害蟲誘殺監測系統，能夠實現高效率的害蟲數量統計與監控，為害蟲防治提供數據支持。

1.2 棉鈴蟲圖像處理的關鍵技術

1.2.1 圖像預處理與分割算法

在棉鈴蟲圖像處理與識別算法的研究中，圖像預處理與分割技術是基本、關鍵的步驟。圖像預處理的主要目的是提高圖像的質量，為后面的處理工作打下基礎。在棉鈴蟲的圖像識別中，工作人員通常需要對圖像進行噪聲消除、增強對比度及歸一化處理等預處理，而圖像分割技術則是為了將棉鈴蟲圖像中的前景即棉鈴蟲本身與背景區分開來，從而為特征的提取以及下一步的分類識別工作做準備。運用圖像預處理與分割技術后，工作人員可以對棉鈴蟲進行更精確的圖像識別。

圖像采集中必然會出現噪聲，對圖像識別的精確度造成很大影響。因此，工作人員需要運用高斯濾波中值濾波等各種方式對圖像進行去噪處理，才能提高圖像處理的效果。對比度增強涉及調整圖像的亮度和對比度，可使得棉鈴蟲的圖像特征更加明顯。在農業害蟲圖像識別的相關研究中，有學者指出，通過調節圖像的直方圖來增強圖像對比度，從而使得特征提取更為準確[5]。圖像分割是將圖像中每一個像素指派到某個特定類別中的過程。傳統的圖像分割方法如閾值分割、區域生長、邊緣檢測等在棉鈴蟲圖像識別中都有應用。研究表明，利用二值化方法可以有效地對棉鈴蟲圖像進行分割，可通過設置閾值將圖像轉換為二值化圖像，突出棉鈴蟲的形態特征[6]。

隨著深度學習技術的發展，基于深度學習的圖像分割技術，如區域卷積神經網絡（Region-Based Convol-

utional Neural Networks，R-CNN）已經被廣泛應用于害蟲圖像的分割。基于區域卷積神經網絡的農業害蟲檢測方法，能夠提高檢測的準確性和效率。計算機視覺的技術也逐漸運用在棉鈴蟲成蟲雌雄自動判別的研究中。此外，對農業害蟲圖像識別支持向量機算法的改進也提供了圖像分割的新途徑。南疆棉鈴蟲防治圖像識別技術的應用表明了預處理和分割算法的重要性，有利于提高棉鈴蟲防治效率。

1.2.2 形態學特征提取方法

在圖像處理與識別算法的研究中，形態學特征提取是一項基礎而關鍵的步驟，涉及從原始圖像中提取出對目標物種具有高度區分性的特征。在新疆南疆棉鈴蟲防治系統研究中，精確地提取棉鈴蟲的形態學特征是實現有效監控與防治的前提。

對于棉鈴蟲圖像的處理，邊緣檢測和圖像分割算法是提取形態學特征的基礎。邊緣檢測算法可以準確地識別出棉鈴蟲圖像中蟲體的輪廓，從而有效區分背景和目標對象。

形態學特征提取包括多種特征，如棉鈴蟲的體型、形態、紋理、色澤等。評價鈴蟲形態的重要量化參數有面積、周長、長寬比等尺寸特征和凸包、彎曲度、緊湊度等形態學特征。例如，通過計算二值化后的鈴蟲剖面中的像素點數目，就可以確定鈴蟲的面積；而三圍則是對邊緣像素點進行追蹤。

對于紋理特征，包括灰度共生矩陣（Gray-Level Co-occurrence Matrix，GLCM）的棉鈴蟲圖像和局部二值模式（Local Binary Pattern，LBP）。GLCM描述的是圖像中規律性和位置關系的像素灰階分布，而LBP則描述的是圖像局部質感的特點。這兩個特點在區別不同生長階段和品種的棉鈴蟲上效果顯著。

顏色特征的提取則通常依賴于色彩空間的轉換。例如，從RGB色彩空間轉換到HSV色彩空間，以提取棉鈴蟲身體的顏色信息，這在棉鈴蟲生長的不同階段的區分上特別重要。顏色直方圖、平均顏色等都可用于描述棉鈴蟲的顏色特征。

在特征提取的過程中面臨的另一個挑戰是對提取特征的進一步篩選和優化。其中，主成分分析（Principal Component Analysis，PCA）和線性判別分析（Linear Discriminant Analysis，LDA）是兩種常見的技術。PCA通過正交變換將數據轉換到新的坐標系統中，從而盡量將原始數據的方差保留在前幾個新坐標所對應的維度中，這有助于保留最重要的圖像特征。而LDA則著眼于最大化類間差異與最小化類內差異，從而提高分類的準確度。

區域卷積神經網絡（Region-based Convolutional Neural Networks，RCNN）等現代圖像識別技術也被應用于農業有害生物檢測中，通過對深層特征的自動提取來實現對有害生物的精確識別。對大規模標注數據的依賴和對計算資源的需求限制了其在實際農業環境中的廣泛應用，盡管RCNN等深度學習方法在特征提取方面顯示出顯著優勢。

傳統的圖像處理技術和機器學習方法仍在新疆南疆等樣本數量有限的實際場景中占據重要位置。通過將傳統的圖像處理方法與現代的機器學習技術相融合，可為南疆地區的防治工作提供科學的決策支撐，并構建起一套高效、精準的棉鈴蟲識別系統。

2 南疆棉鈴蟲防治策略和發生規律

2.1 南疆棉鈴蟲的發生規律

南疆地區的棉花種植是當地的重要經濟活動，而棉鈴蟲作為一種重要的農業害蟲，對棉花產量和質量的威脅不可小覷。為了有效地防治棉鈴蟲，了解其在南疆的多代發生特點和季節分布至關重要。

南疆棉鈴蟲作為一種溫帶和熱帶地區常見的農業害蟲，其一生中會經過多個發育階段，并且在南疆因為氣候和環境條件的特殊性，棉鈴蟲的生命周期和世代發生呈現出獨特的特點。南疆的棉鈴蟲一般可分為數代，其中第一代通常在5月底至6月中旬出現，第二代出現在7月上旬至8月中旬，而之后的幾代棉鈴蟲則分別在9—10月發生。

此外，南疆棉鈴蟲的種群結構受眾多因素影響，包括氣候條件、種植模式、棉花品種以及農業技術手段等。Bt棉的廣泛種植顯著影響了棉鈴蟲的分布和發生。同時，南疆地區不斷變化的農業結構和棉田栽培技術的改進對棉鈴蟲的多代發生特點產生了重要影響。

從季節分布上看，南疆地區的棉鈴蟲呈現出與以往不一樣的規律。受水分管理的影響，棉鈴蟲的季節分布特征在滴灌技術推廣的棉田中表現明顯。適宜的灌溉條件在影響棉鈴蟲發育速率和種群密度的同時，還能促進棉花的快速生長。通過第一代模擬棉鈴蟲為害的研究發現，溫度的高低與其發育速度、為害時間的快慢有很大的關系[7]。

由于新疆南部地區棉鈴蟲多代發生和季節分布的特殊性，工作人員應結合本地區實際，制定農業生產中的防治方略。控制棉鈴蟲危害的關鍵是氣象、生物、農技綜合應用的防治策略。《和田棉區棉鈴蟲防治綜合防治方略》也強調了防治的重要性[8]。

2.2 不同寄主植物間的轉移危害

新疆南疆棉田棉鈴蟲的發生與其寄主植物的種類有很大的關系，棉鈴蟲在不同寄主植物之間的轉移，對棉花生長的危害是顯而易見的。不同寄主植物間發生棉鈴蟲轉移危害的現象非常普遍。其中，棉鈴蟲在某一寄主植物上的營養或繁殖條件變得不利時，這種跨越寄主植物的轉移行為進一步增加了棉花生產的不確定性。因此，農業工作人員應對棉鈴蟲的發生動態進行更精細化的監測。

在結合環境因素評估不同階段棉鈴蟲發生風險的同時，工作人員應通過定期和分析，跟蹤其在不同寄主植物間的轉移情況。同時，針對南疆棉田滴灌實際，工作人員可利用化學控制和物理除草相結合的方法，減少其他寄主植物向棉花轉移的可能性，從而削弱非棉類寄主植物對棉鈴蟲的吸引力[9]。此外，為了有效地防控棉鈴蟲，工作人員需要對其轉移行為有預先的認識和了解，并基于該知識實施調整、防治措施。

3 結束語

近年來，圖像識別技術在農業害蟲防治中取得了一定的進展。以新疆南疆棉鈴蟲的檢測、識別和防治為例，論述了圖像識別技術在其中的應用，探討了改進算法、實踐應用、遠程監測系統和防治策略，優化了棉鈴蟲的識別和防治。算法優化、多源數據融合、大數據云計算應用、智能化診斷系統集成、低成本監測技術研發和可解釋性可信賴性研究是未來發展方向，有利于提高農作物生產效率。

參考文獻

[1] 劉震，紀明妹，郭志頂，等.圖像識別技術在病蟲害防治方面的應用與展望[J].滄州師范學院學報，2022，38（1）：119-123.

[2] 陳瀟瀟.圖像處理技術在蟲害識別中的應用[J].農技服務， 2016，33（4）：123.

[3] 劉迦南.基于圖像識別的煙草夜蛾科主要害蟲分類研究[D].鄭州：華北水利水電大學，2019.

[4] 梁曉彤，徐踐. MATLAB圖像處理技術在農業病蟲害識別中的應用分析[J].南方農業，2017，11（21）：117-122，124.

[5] 麻劍鈞，劉曉慈，金龍新，等.基于機器視覺的農作物病害識別研究進展[J].湖南農業科學，2023（9）：97-100.

[6] 宋彥濤.植保無人機在玉米病蟲害防治中的應用研究[J].黑龍江糧食，2023（12）：81-83.

[7] 牛潘婷，張寶林，潘麗杰，等.基于深度學習的農作物病蟲害研究進展[J].內蒙古師范大學學報（自然科學漢文版）， 2024，53（1）：93-102.

[8] 邊柯橙，楊海軍，路永華.深度學習在農業病蟲害監測識別中的應用綜述[J].軟件導刊，2021，20（3）：26-33.

[9] 張耀麗，許寧，宋裕民，等.卷積神經網絡在農業病蟲害識別中的應用[J].農業裝備與車輛工程，2023，61（2）：58-62.