灰飛虱自動識別計數方法研究

摘要：為更精確地施藥，提供可靠的蟲量數據，提出一種基于圖像識別技術的灰飛虱數量計算方法。設定由拍攝距離和相機調節倍數組成三組拍攝條件，融合區域面積、區域圓度和邊界直徑三個參數組合構成識別計數模型，利用邊緣檢測和區域填充完成圖像中的個體提取，每組條件下分別計算5張單個長翅和短翅的參數值作為標準。拍攝條件相同的情況下，分別計算4張相互獨立和4張有輕微連接的灰飛虱的計數圖像，將每個區域的結果比對參數標準值范圍，如果三個參數均在范圍內，則輸出1；至少有一個參數不符合，重新計算該區域面積和邊界直徑，當同時符合標準值的2倍時，輸出2。試驗結果表明：灰飛虱全為獨立的圖像中，有8張相對錯誤率為0%，3張小于10%，1張為13.3%；輕微連接的圖像中，有2張相對錯誤率為0%，6張小于10%，4張為10%～25%，能滿足灰飛虱數量的自動計算。

關鍵詞：灰飛虱；自動識別計數；區域面積；區域圓度；邊界直徑

中圖分類號：TP391.4; S43

文獻標識碼：A

文章編號：20955553 （2024） 070166

06

Study on automatic identification and counting method for Laodelphax Striatellus （Fallen）

Cheng Qiwen1， Qiu Baijing2

（1. Department of Mechanical and Electrical Engineering， Rizhao Polytechnic， Rizhao， 276826， China；

2. College of Agricultural Engineering， Jiangsu University， Zhenjiang， 212013， China）

Abstract：

In order to provide reliable insect population data for more accurate application， a method of calculating the number of Laodelphax Striatellus （Fallen） based on image recognition technology was proposed. Three groups of shooting condition were set， which were composed of different shooting distances and camera adjustment factors. A recognition and counting model was formed by the combination of three parameters" of the region area， the region roundness and the boundary diameter. The edge detection and region filling were used to complete the extraction of individuals in images， and the parameters values of five single long wing images and five single short wing images were calculated separately in each group condition as standard. Under the same shooting conditions， 4 independent and 4 slightly connected Laodelphax Striatellus （Fallen） count images were calculated respectively， and the results of each region were compared with the standard value range of parameters. If the three parameters were all within the range， 1 was output; If at least one parameter did not match， recalculate the area of the region and the boundary diameter， and output 2 when it met 2 times the standard value at the same time. The results showed that 8 of the independent images had a relative error rate of 0%， 3 were less than 10%， and 1 was 13.3%. Among the slightly connected images， the relative error rate of 2 was 0%， 6 was less than 10%， and 4 was 10%-25%， which could satisfy the automatic calculation of the number of Laodelphax Striatellus （Fallen）.

Keywords：

Laodelphax Striatellus （Fallen）; automatic recognition and counting; region area; region roundness; boundary diameter

0 引言

農業強國是社會主義現代化強國的根基，提高糧食產量、防止因病蟲危害而導致農作物減產，是推進農業高質量發展的重要問題。二十大報告中進一步明確“到二GA996三五年基本實現新型農業現代化，全方位夯實糧食安全根基，全面落實糧食安全黨政同責”等農業及鄉村振興發展政策，通過“藏糧于地、藏糧于技”的戰略，確保中國人的飯碗牢牢端在自己手中，逐步把永久基本農田全部建成高標準農田，保證糧食規?；桶踩N植。同時智能化蟲害監測技術的發展和應用，可在減少人力的前提下提高農作物產量，強化農業科技和裝備支撐。

灰飛虱是對水稻等農作物危害極大的一種害蟲，長江中下游和華北稻區較多，它通過刺吸式口器吸取作物汁液，使水稻缺少水分造成營養不良，甚至倒伏［1］，且灰飛虱能傳播條紋葉枯病等病毒，使作物大量減產甚至顆粒無收［2］。氣候及環境溫度變化對灰飛虱分布和生長發育也有影響［3， 4］，如果能實現灰飛虱數量的精確分析和監測，就可以保證合理施藥、減少空氣污染、防止灰飛虱產生抗藥性。

目前主要采用建立預測模型［57］、測定水稻病害程度［8］和蟲情測報燈的使用［911］等方法對灰飛虱分布及發生情況開展評估和危害性預報，通過測試不同殺蟲劑和農藥霧滴分布，研究對灰飛虱的防治［1214］，但如何實現蟲體自動識別和計數，為后續精確施藥提供可靠蟲量數據，是當前迫切需要解決的實際問題。

圖像處理技術在農業病蟲害檢測中已較為成熟，多數以研究識別植物病害為主，通過對葉片等病斑和破壞現象分析，判斷作物受損程度，監控和評估病蟲害發生情況［1519］，但缺少對蟲體及蟲量分析的相關試驗。在實施計數的研究中，對象的外觀結構相對規則［20， 21］，在個體大小、顏色等方面不易被其他因素所影響［22， 23］，對象較容易分割。而灰飛虱本身有翅膀、爪子等不規則的身體結構，再加上個體較小，容易被土粒等干擾，本文重點考慮其形體結構特點，利用多區域多結構邊緣檢測［24］和區域填充技術分離出獨立區域，融合區域面積、區域圓度和邊界直徑等三個參數組合構成識別計數模型，對相對獨立和輕微連接的兩類樣本圖像分別進行自動計數，直觀識別和計算灰飛虱個體數量，使其具備可靠性和準確性。

1 灰飛虱樣本及圖像獲取

灰飛虱分為長翅型和短翅型兩種，長翅型體長（連翅）雄蟲約3.5 mm，雌蟲約4.0 mm；短翅型體長雄蟲約2.3 mm，雌蟲約2.5 mm，圖1為顯微鏡下拍攝的長、短翅圖像。

成蟲主要群居于稻叢中上部葉片，在稻田中用手將灰飛虱拍打到白瓷盤中，獲取蟲體樣本，如圖2（a）所示，考慮受到土粒和其他雜質等因素的干擾，在實驗室中將其單獨放到白板上，在設定的拍攝條件下獲取計數用的樣本圖像，如圖2（b）所示。圖像大小均為1 600像素×1 200像素。

2 特征識別參數

灰飛虱長翅型修長、短翅型長圓，為形體不規則對象，對處理后的灰飛虱圖像區域分析，發現覆蓋的區域大小、長度、形狀等可作為描述其身體外觀的參數。本文在二值圖像中利用像素填充后的區域形狀匹配灰飛虱的形體，并用計算像素數的方法區分大小、形狀等信息，識別其特征。但用單個參數作為判斷標準，局限性較大，識別后輸出的結果錯誤率較高，故需要設計組合模型，可全面地縮小識別范圍，保證其能精確計算數量。因此，文中選擇了區域面積、區域圓度和邊界直徑三個參數［25］的組合，識別并計算圖像中的灰飛虱數量。

2.1 區域面積

二值圖像的區域面積A是描述范圍大小的一個特征參數，可通過統計邊界及其內部像素點的總和算出。其計算如式（1）所示。

A=∑Nx=1∑My=1f（x，y）

（1）

式中：

N——行；

M——列。

對二值圖像而言，若用1表示物體，0表示背景，其面積就是統計f（x，y）=1的個數。

2.2 區域圓度

區域圓度F是描述某獨立區域形狀與圓接近程度的參數，計算區域的周長和面積的比值獲得，如式（2）所示。

F=‖D‖24πA

（2）

式中：

D——周長。

由式（2）可知，當某區域為圓形時，F等于1，當為其他形狀時，F大于1，即圓形時F最小，越復雜的物體F越大。

2.3 邊界直徑

邊界直徑B是描述某區域邊界上最遠兩點之間的距離，可用兩點間線段的像素個數計算。其計算如式（3）所示。

Diad（B）=maxi，j［Dd（bi，bj）］ bi∈B， Bj∈B

（3）

式中：

bi、bj——邊界上兩像素點；

Dd（bi，bj）——距離量度。

Dd（bi，bj）表示形式有三種：歐氏距離DE（·）、街區距離D4（·）和棋盤距離D8（·），如圖3所示。其中，歐式距離能直接算出邊界上兩點間的直線長度，因此本文采用歐氏距離DE（·）。

DE（·）=（px-qx）2+（py-qy）2

（4）

D4（·）=|px-qx|+|py-qy|

（5）

D8（·）=max（|px-qx|，|py-qy|）

（6）

式中：

px、qx——

兩像素點在圖像中x方向的位置；

py、qy——

兩像素點在y方向的位置。

3 計數方法設計

3.1 計數方法說明

計數方法的設計重點考慮如何在減小外界因素干擾時，提高計數的準確率。由于翅膀較薄，受拍攝條件等影響，圖像處理后易被濾掉，從而失去部分像素，導致面積減小、形狀變化較大。通過對比所拍攝的效果，確定最優拍攝條件，并計算單個灰飛虱的參數范圍作為識別標準值。對含有多個灰飛虱且會出現兩者輕微連接的圖像，處理完后的封閉區域是兩個灰飛虱的結合，因此該面積和形狀與單個有一定的差別，使結果不符合標準值范圍，此時，需重新計算該區域的面積是否符合2倍標準值，考慮到不同部位的連接關系，對邊界直徑重新判斷是否符合其1～2倍的標準值范圍，從而判定結果是否需輸出2。

3.2 單個灰飛虱識別標準

由于相機拍攝條件可調及其他因素等干擾，均可能使算出的3個參數不能同時全部符合實際數據，出現輸出結果與對象不一致的情況，因此，在測定個體識別標準的試驗中，為保證輸出的數據符合實際數量，對拍攝距離和相機焦距反復調節，并最終確定了3組最優拍攝條件。

長、短翅型灰飛虱大小和形狀各不相同，所獲得的圖像區域會存在差別，在每組拍攝條件下，分別單獨計算5張單個長、短翅圖像的參數，以確定單個灰飛虱的識別標準。單個樣本圖像邊緣檢測后如圖4所示。

3.3 計數方法實現

計數方法主要包括三個過程：一是讀取樣本圖像，通過邊緣檢測、二值化處理、區域填充等技術完成對所有獨立區域的分割；二是分別計算各個區域的區域面積、區域圓度和邊界直徑，在相同的拍攝條件下，如果三個參數值同時滿足單個的標準范圍，則認定該區域為灰飛虱，并輸出個數為1；如果至少有一個參數不在其標準范圍，則需要重新判斷區域面積和邊界直徑是否符合標準值范圍的2倍，如果同時符合則輸出個數為2；三是如果該兩個參數不能同時符合2倍要求，則該區域不作為個數輸出。由于區域圓度的數據反映的是形狀與圓接近程度，其不能體現倍數關系，因此在重新計算時，該參數不作為判斷標準。工作原理和工作流程如圖5所示。

4 試驗設計與分析

4.1 拍攝條件設定

灰飛虱個體較小且形體邊緣和結構不規則，在圖像識別中具有一定的復雜性，不同拍攝條件會影響所獲取的圖像質量，從而決定處理結果的精確度。試驗中需要考慮相機鏡頭到白板的垂直距離、鏡頭焦距的調節等，以保證樣本圖像具備可處理性。

拍攝過程中發現，兩次距離變化相差10 cm以上，會使相同的個體在圖像中識別不明顯，導致后面的計數錯誤率較高。如果拍攝距離較近，灰飛虱輪廓邊界較模糊，如果距離較遠，其結構特征無法提取，其他干擾對象會影響計數結果，通過多次測試，確定25 cm、30 cm和35 cm作為樣本圖像拍攝距離。另外，焦距調節同樣會使圖像中顯示的目標差別較大，試驗中所使用的相機為Canon，可實現12x optical zoom，在調焦中按照由近及遠調節定義為“相機調節倍數”，分別是1～12，通過反復拍攝對比發現，相機調節倍數為4和5時，所獲取的圖像目標質量較好。

綜合考慮，本文設定拍攝圖像的三組條件，即拍攝距離和相機調節倍數分別為25 cm和4，30 cm和4，35 cm和5。

4.2 參數標準值范圍

在實施計數試驗前，需要對單個長、短翅灰飛虱的區域面積、區域圓度和邊界直徑的值單獨計算，以作為識別判斷的標準。在設定好的每組拍攝條件下，分別計算5張單個長、短翅的三個參數，并取最大值和最小值構成標準值范圍。如表1所示。

4.3 圖像計數分析

每組拍攝條件下，分別計算4張相互獨立和4張有輕微連接的計數用圖像，且長短翅混合。考慮可能會出現計算出的個數大于實際個數的情況，定義了“計數相對錯誤率”作為反饋計數結果的指標，該數據越小說明計數準確度越高，計算如式（7）所示。

計數相對錯誤率=

|實際個數-圖像計數個數|實際個數×100%

（7）

圖6（a）和圖6（b）是拍攝距離為25 cm、相機調節倍數為4的條件下，獲取的相互獨立和有輕微連接的圖像。利用二值化和邊緣檢測提取封閉區域，如圖6（c）所示，再取反進行區域填充，得到計數圖像，如圖6（d）所示。通過掃描分別計算每個白色區域的三個參數值，將結果與表1對比。試驗中只設計了是否符合2倍的數據，未涉及三個及以上個體連接的現象。

在Matlab軟件平臺進行編程調試，三組拍攝條件下，對12張相互獨立、12張輕微連接的圖像計數，其結果和相對錯誤率如表2所示。

由表2分析發現，輕微連接中出現個別計數相對錯誤率較高的結果，主要原因是圖像中兩灰飛虱翅膀相鄰，處理后沒有連成一個區域而被分離，導致計算錯誤。相互獨立的圖像中，有8張相對錯誤率為0%，3張小于10%，1張為13.3%；輕微連接的圖像中，有2張相對錯誤率為0%，6張小于10%，4張為10%～25%。該識別計數方法能滿足蟲體數量的自動計算，具備準確性和可靠性。

5 結論

1）" 本文提出一種基于圖像識別技術的灰飛虱蟲量自動計算方法。選取由拍攝距離和相機調節倍數組成3組拍攝條件，融合區域面積、區域圓度和邊界直徑3個參數組合構成識別計數模型，利用邊緣檢測和區域填充技術完成個體的提取，每組條件下分別計算5張單個長、短翅的參數值作為標準值。在同樣拍攝條件下，識別和計算含有多個灰飛虱的計數圖像，分別計算4張相互獨立和4張有輕微連接的數據，并定義“計數相對錯誤率”反映計算結果與實際數量的差距。

2）" 當每個區域的3個參數均符合標準值范圍時，輸出1；至少有一個不符合，重新計算該區域面積和邊界直徑，同時符合標準值的2倍時，輸出2；如果不能同時符合倍數，則忽略該區域。

3）" 3組拍攝條件下，對12張相互獨立和12張輕微連接的圖像進行計數處理，相互獨立的圖像中，有8張相對錯誤率為0%；輕微連接圖像中，有8張相對錯誤率低于10%。試驗結果能滿足蟲體識別和數量計算的可靠性要求。

參 考 文 獻

［1］趙便果， 邢華， 逯浩然. 灰飛虱發生現狀及防治對策［J］. 現代農藥， 2009， 8（5）： 13-16， 39.

Zhao Bianguo， Xing Hua， Lu Haoran. Present situation and treatment strategy of Laodelphax striatellus （Fallen） ［J］. Modern Agrochemicals， 2009， 8（5）： 13-16， 39.

［2］陳大明. 灰飛虱幾個傳病因素的研究［J］. 上海農業學報， 2004， 20（4）： 90-92.

Chen Daming. Several factors affecting rice stripe virus transmission by small brown rice planthoppers ［J］. Acta Agriculturae Shanghai， 2004， 20（4）： 90-92.

［3］張曉燕， 翟一凡， 李童， 等. 不同溫度對灰飛虱生長發育的影響［J］. 山東農業科學， 2014， 46（12）： 99-102.

Zhang Xiaoyan， Zhai Yifan， Li Tong， et al. Effects of different temperatures on growth and development of Laodelphax striatellus （Hemiptera：Delphacidae） ［J］. Shandong Agricultural Sciences， 2014， 46（12）： 99-102.

［4］王茹琳， 王閆利， 姜淦， 等. 氣候變化對灰飛虱分布的影響及風險分析［J］. 河南農業科學， 2016， 45（6）： 82-88.

Wang Rulin， Wang Yanli， Jiang Gan， et al. Effects of climate change on distribution of Laodelphax striatellus and risk analysis ［J］. Journal of Henan Agricultural Sciences， 2016， 45（6）： 82-88.

［5］張強翔， 林克劍， 任應黨， 等. 稻田灰飛虱種群數量動態和空間結構初步分析［J］. 西南農業學報， 2011， 24（5）： 1738-1742.

Zhang Qiangxiang， Lin Kejian， Ren Yingdang， et al. Population dynamics and spatial structure and pattern of small brown planthopper， Laodelphax striatellus （Fallen） on rice ［J］. Southwest China Journal of Agricultural Science， 2011， 24（5）： 1738-1742.

［6］陳善國. 正態分布模型在灰飛虱發生量預報中的應用［J］. 江西農業學報， 2011， 23（10）： 119-120.

Chen Shanguo. Application of normal distribution model in forecasting of population density of Laodelphax striatellus ［J］. Acta Agriculture Jiangxi， 2011， 23（10）： 119-120.

［7］胡英華， 王淑霞， 蘇加岱. 灰飛虱發生規律及預測預報技術研究［J］. 中國植保導刊， 2011， 31（11）： 38-42.

［8］陳元洲， 張亞， 司真真， 等. 鹽城地區灰飛虱發生情況調查研究［J］. 現代農業科技， 2013（14）： 114， 116.

［9］羅月越， 張弛， 陶盼盼， 等. 句容市稻飛虱燈下種群發生情況分析［J］. 農業裝備技術， 2022， 48（3）： 25-28.

［10］朱秀紅. 近年蘇州市吳中區水稻灰飛虱種群消長動態分析［J］. 中國植保導刊， 2021， 41（6）： 52-54.

［11］陳俠樺， 蘇杰， 金中偉， 等. 寶山區稻飛虱發生特點及防治措施探討［J］. 中國植保導刊， 2017， 37（1）： 36-40.

［12］徐廣春， 顧中言， 徐德進， 等. 不同齡期灰飛虱對四種殺蟲劑的敏感性［J］. 江蘇農業學報， 2008， 24（1）： 93-94.

Xu Guangchun， Gu Zhongyan， Xu Dejin， et al. Susceptibilities of small brown planthopper at different Instars to four Insecticides ［J］. Jiangsu Journal of Agricultural Sciences， 2008， 24（1）： 93-94.

［13］陳夢婷， 周書行， 張月白， 等. 沉默轉錄因子OsERF7提高水稻對褐飛虱和白背飛虱的抗性［J］. 植物保護學報， 2018， 45（5）： 979-986.

Chen Mengting， Zhou Shuxing， Zhang Yuebai， et al. Silencing of OsERF7 enhances the resistance of rice to the brown planthopper Nilaparvata lugens and the white-backed planthopper Sogatella furcifera ［J］. Journal of Plant Protection， 2018， 45（5）： 979-986.

［14］徐廣春， 徐德進， 許小龍， 等. 農藥霧滴在麥田的沉積分布及其對灰飛虱防效的影響［J］. 西南農業學報， 2015， 28（1）： 140-145.

Xu Guangchun， Xu Dejin， Xu Xiaolong， et al. Pesticide droplets deposition and distribution in wheat field and its impact on control efficacy of small brown planthopper ［J］. Southwest China Journal of Agricultural Sciences， 2015， 28（1）： 140-145.

［15］李井祝， 王鵬， 耿長興. 基于圖像處理的黃瓜霜霉病情評估［J］. 中國農機化學報， 2017， 38（6）： 67-71.

Li Jingzhu， Wang Peng， Geng Changxing. Disease assessment of cucumber downy mildew based on image processing ［J］. Journal of Chinese Agricultural Mechanization， 2017， 38（6）： 67-71.

［16］蒲秀夫， 寧芊， 雷印杰， 等. 基于二值化卷積神經網絡的農業病蟲害識別［J］. 中國農機化學報， 2020， 41（2）： 177-182.

Pu Xiufu， Ning Qian， Lei Yinjie， et al. Identification of agricultural plant diseases based on binarized convolutional neural network ［J］. Journal of Chinese Agricultural Mechanization， 2020， 41（2）： 177-182.

［17］任全會， 楊保海. 圖像處理技術在田間雜草識別中應用研究［J］. 中國農機化學報， 2020， 41（6）： 154-158.

Ren Quanhui， Yang Baohai. Application of image processing technology in weed recognition in field ［J］. Journal of Chinese Agricultural Mechanization， 2020， 41（6）： 154-158.

［18］顧博， 鄧蕾蕾， 李巍， 等. 基于GrabCut算法的玉米病害圖像識別方法研究［J］. 中國農機化學報， 2019， 40（11）： 143-149.

Gu Bo， Deng Leilei， Li Wei， et al. Research on maize disease image recognition method based on GrabCut algorithms ［J］. Journal of Chinese Agricultural Mechanization， 2019， 40（11）： 143-149.

［19］王江晴， 冀星， 莫海芳， 等. 基于輕量化VGG的植物病蟲害識別［J］. 中國農機化學報， 2022， 43（4）： 25-31.

Wang Jiangqing， Ji Xing， Mo Haifang， et al. Plant disease detection based on lightweight VGG ［J］. Journal of Chinese Agricultural Mechanization， 2022， 43（4）： 25-31.

［20］張領先， 陳運強， 李云霞， 等. 基于卷積神經網絡的冬小麥麥穗檢測計數系統［J］. 農業機械學報， 2019， 50（3）： 144-150.

Zhang Lingxian， Chen Yunqiang， Li Yunxia， et al. Detection and counting system for winter wheat ears based on convolutional neural network ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2019， 50（3）： 144-150.

［21］王海燕， 張瑜慧. 基于機器視覺的顆粒識別技術［J］. 長春工程學院學報（自然科學版）， 2013， 14（4）： 101-104.

Wang Haiyan， Zhang Yuhui. Particle identification count based on machine vision ［J］. Journal of Changchun Institute of Technology （Natural Science Edition）， 2013， 14（4）： 101-104.

［22］邱榮洲， 趙健， 何玉仙， 等. 基于性誘和深度學習的草地貪夜蛾成蟲自動識別計數方法［J］. 昆蟲學報， 2021， 64（12）： 1444-1454.

Qiu Rongzhou， Zhao Jian， He Yuxian， et al. An automatic identification and counting method of Spodoptera frugiperda （Lepidoptera：Noctuidae） adults based on sex pheromone trapping and deep learning ［J］. Acta Entomologica Sinica， 2021， 64（12）： 1444-1454.

［23］岑冠軍， 華俊達， 潘怡穎， 等. 基于深度學習芒果圖像在線識別與計數方法研究［J］. 熱帶作物學報， 2020， 41（3）： 425-432.

Cen Guanjun， Hua Junda， Pan Yiying， et al. Online recognition and counting with deep learning for mango images ［J］. Chinese Journal of Tropical Crops， 2020， 41（3）： 425-432.

［24］邱白晶， 程麒文， 陳國平， 等. 長翅灰飛虱圖像邊緣的多區域多結構檢測方法［J］. 農業機械學報， 2008， 39（7）： 119-123.

Qiu Baijing， Cheng Qiwen， Chen Guoping， et al. Multiple areas and multiple structures method of image edge detection for the long wing Laodelphax Striatellus （Fallen） ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2008， 39（7）： 119-123.

［25］張洪剛， 陳光， 郭軍. 圖像處理與識別［M］. 北京： 北京郵電大學出版社， 2006.