周清松+唐秀忠

摘 要： 研究一種基于圖像識別處理的糧蟲檢測方法，將圖像識別處理技術(shù)應(yīng)用于農(nóng)業(yè)工程。首先使用灰度化、二值化、平滑以及銳化技術(shù)對糧蟲圖像進行預(yù)處理，使得圖像更容易進行邊緣檢測和圖像特征提取。之后使用四種邊緣檢測方法實現(xiàn)圖像中待識別糧蟲的邊緣檢測。使用糧蟲圖像的8種區(qū)域描述子特征作為糧蟲識別模型的輸入特征。最后選取常見的玉米象、擬谷盜和鋸谷盜三種糧蟲為研究對象，使用基于RBF神經(jīng)網(wǎng)絡(luò)的識別模型對三種糧蟲圖像的幾何形態(tài)特征進行識別。

關(guān)鍵詞： 糧蟲檢測； 特征提??； RBF神經(jīng)網(wǎng)絡(luò)； 圖像識別

中圖分類號： TN911.73?34； S24 文獻標識碼： A 文章編號： 1004?373X（2017）04?0107?04

Application of image recognition processing technology in agricultural engineering

ZHOU Qingsong， TANG Xiuzhong

（School of Technology， Puer University， Puer 665000， China）

Abstract： A grain insect detection method based on image recognition processing is studied. The image recognition processing technology is applied to the agricultural engineering. The gray processing， binaryzation， smoothing and sharpening techniques are used to preprocess the grain insect image to make it easier to conduct the edge detection and image feature extraction. The commonly?used four edge detection methods are adopted to detect the edge of the grain insect image under recognition. Eight regional descriptor features of the grain insect image are taken as the input characteristics of the grain insect recognition model. Three familiar grain insects of maize weevil， tribolium and coleoptera are selected as the research objects， and the identification model based on RBF neural network is used to recognize the geometric feature of three grain insect images.

Keywords： grain insect detection； feature extraction； RBF neural network； image recognition

0 引 言

目前儲糧害蟲問題是世界上很多國家所面臨的困難，在很多國家每年都會因為糧食害蟲而損失很多糧食。在遭受到糧食害蟲的侵害以后糧食的籽粒會被破壞，容易變質(zhì)、結(jié)塊、發(fā)熱以及發(fā)霉，另外在老化死去害蟲尸體、糞便以及有毒液體的影響下糧食會受到較為嚴重的污染[1]。

總的來說，目前主要有四種方法來檢測糧食害蟲：首先是取樣法，將所制作的扦樣器按照區(qū)域定點的方法安裝在儲糧庫內(nèi)。采用電機或者人工的方法吸取糧食樣本，然后交由技術(shù)人員分類、鑒別以及篩選，這樣就可以對庫區(qū)糧食害蟲密度進行確定。這種方法需要較大的勞動量，降低了工作效率，另外人為主觀因素容易對最后的結(jié)果產(chǎn)生影響，因此產(chǎn)生了較大的誤差。其次是誘捕法，通過對糧食害蟲生理特性以及習(xí)性的利用來采取合適的誘捕方式，主要包括糧食害蟲生理特性誘集法以及陷阱式誘集法兩種。但是在應(yīng)用誘捕法的過程中需要制作誘導(dǎo)劑以及提取糧食害蟲的信息素，由于具有較強的針對性，而且具有種類繁多的糧食害蟲，因此所消耗的成本比較大，所以以上兩種方法也存在著一定的缺陷。再次是聲測法，通過對聲音監(jiān)測裝置的應(yīng)用，分析害蟲爬行以及吃食時的聲音，進而就可以獲取糧食害蟲密度信息。在應(yīng)用這種方法的過程中會在周圍產(chǎn)生較大的噪音，同時需要花費較大的資金來制造聲音監(jiān)測裝置，所以目前這種方法并沒有得到廣泛的應(yīng)用。最后一種方法是近紅外反射光譜識別法，糧食害蟲的C，H，N成分存在著很大的差距，因此就會產(chǎn)生不同的近紅外線光譜，這種不同種類的糧食害蟲就可以通過NIR 的掃描來進行識別。但是這種方法仍然存在著一定的缺陷，例如糧食的不完整顆粒以及顆粒大小等物理因素會對掃描結(jié)果產(chǎn)生一定的影響，使得無法獲得準確和清晰的NIR 掃描圖像[2?3]。

除了使用聲音檢測方法外，其他方法不利于實現(xiàn)自動化糧蟲檢測，人工檢測方法效率低、成本高，因此本文研究一種基于圖像識別處理的糧蟲檢測方法，將圖像識別處理技術(shù)應(yīng)用于農(nóng)業(yè)工程。

1 糧蟲圖像預(yù)處理

1.1 圖像灰度化處理

在分析糧蟲圖像的過程中首先需要進行圖像顏色之間的轉(zhuǎn)換，通常是將彩色轉(zhuǎn)換為灰色，這樣既能夠加快圖像的處理速度，另外還能夠方便地將處理后的信息向原來的圖像上進行轉(zhuǎn)移。

通常利用最大值法、加權(quán)平均法以及平均值法來進行彩色圖像和灰色圖像之間的轉(zhuǎn)換。本文在進行彩色圖像灰度化處理的過程中主要采用了最大值法，這種方法比較簡單，采用三原色R，G，B來對圖像的灰度值進行描述[4]。

1.2 二值化

采用二值化手段來處理糧蟲圖像，這樣能夠重點顯示對象區(qū)域，對于后續(xù)的分析和辨別非常有利。由于在灰度上目標圖像與背景圖像存在著較大的差距，因此可以根據(jù)灰度值的不同來對目標圖像進行區(qū)分。分別用0和1來表示目標圖像和背景圖像，這樣就能夠?qū)崿F(xiàn)灰色圖像和二值圖像之間的轉(zhuǎn)換，具有較高的識別度。本文只對單個的背景和圖像進行了分析。因此在數(shù)據(jù)對比的過程中使用了一個閾值Th，達到分類像素群的目的。將圖像中的背景灰度值以及目標灰度值分別設(shè)置[5]為1和0。

1.3 圖像平滑

本文使用鄰域平均法對糧蟲圖像進行平滑處理。所應(yīng)用的均值濾波的鄰域平均法實際上就是進行空域平滑處理，首先在相同的窗口上放置圖像，平均所有的像素灰度值，通過對中心部位像素灰度值的替代就能夠達到平滑的目的。均值濾波和低通濾波器具有相同的作用，輸出的圖像可以用離散卷積來進行表示[6]。

1.4 圖像銳化

通過對圖像的銳化處理能夠達到修復(fù)外部形狀以及進行圖像邊緣聚焦的目的。通過圖像灰度顏色的加深以及外援色彩數(shù)值的對比能夠?qū)D像的清晰度進行提升。目前Sobel算子、Laplace算子以及Robert算子是圖像銳化過程中經(jīng)常采用的算子，本文在圖像銳化的過程中采用了Robert算子。

2 邊緣檢測

在經(jīng)過上述的預(yù)處理后，能夠顯著地提升圖像的質(zhì)量，但是還需要采用圖像邊緣檢測技術(shù)來對圖像中的背景和目標進行區(qū)分[7]。

（1） Roberts 邊緣檢測算子。Roberts 邊緣檢測算子是使用局部差分算法實現(xiàn)。其中原始圖像用f（x，y）表示，邊緣檢測后輸出的圖像用g（x，y）表示：

（1）

利用互相垂直方向上的差分Roberts 邊緣檢測算子就可以對梯度進行計算，另外邊緣之間的檢測可以利用對角線方向相鄰像素之差來實現(xiàn)。

通過對模板的利用能夠?qū)oberts 的梯度幅度G進行計算，進而得到合適的閾值T，當(dāng)G>T時，該點就是階躍邊緣點，進而獲取邊緣圖像。

（2） Sobel 邊緣檢測算子。Sobel邊緣檢測算子考察各個像素的鄰域加權(quán)差，加權(quán)差值最大的點就是邊緣點：

（2）

算子模板為：

（3）

（3） Prewitt 邊緣檢測算子。算子和算子具有相似的特點：

（4）

算子模板為：

（5）

（4） Laplacian 邊緣檢測算子。邊緣檢測算子，通過在邊緣處產(chǎn)生陡峭的零交叉來實現(xiàn)邊緣檢測的目的[8]：

（6）

本文選取常見的玉米象、擬谷盜和鋸谷盜三種糧蟲為研究對象，使用上述四種邊緣檢測方法對糧蟲圖像邊緣進行檢測，其中檢測效果最好的是使用邊緣檢測算子，檢測效果最差的是使用邊緣檢測算子。兩種算子檢測結(jié)果如圖1所示。

圖1 兩種算子對玉米象、擬谷盜和鋸谷盜三種糧蟲的邊緣檢測

3 糧蟲圖像特征提取

區(qū)域描述子特征在圖像分析的過程中具有非常強的實用效果。因此本文使用糧蟲圖像的八種區(qū)域描述子特征作為糧蟲識別模型的輸入特征[9?10]：

（1） 面積A：圖像中待識別對象面積像素點個數(shù)總和：

（7）

（2） 周長P：待識別對象的周長：

（8）

式中，SUM（in）為4鄰域內(nèi)像素均為待識別對象的像素個數(shù)總和。

（3） 相對面積RA：待識別對象面積占圖像總體比例：

（9）

（4） 延伸率S：待識別糧蟲圖像的最小外接矩形的寬度比上長度值[11]：

（10）

（5） 復(fù)雜度C：待識別對象緊湊性：

（11）

（6） 占空比B：反應(yīng)待識別對象的復(fù)雜程度：

（12）

（7） 等效面積圓半徑R：

（13）

（8） 偏心率E：待識別對象長短軸長度之比，描述了待識別對象的緊湊性，使用Tenebaum近似計算公式對偏心率E求解：

平均向量求解：

（14）

j+k階中心矩求解：

（15）

方向角求解：

（16）

偏心率E近似求解[12?13]：

（17）

4 糧蟲識別實驗

本文選取常見的玉米象、擬谷盜和鋸谷盜三種糧蟲為研究對象，對其圖像進行處理識別。分別使用邊緣檢測算子、邊緣檢測算子、邊緣檢測算子和邊緣檢測算子對其圖像進行邊緣檢測，并提取其圖像的面積A、周長P、相對面積RA、延伸率S、復(fù)雜度C、占空比B、等效面積圓半徑R和偏心率E這八個特征用于對三種糧蟲的識別，具體特征值如表1所示。

使用基于RBF神經(jīng)網(wǎng)絡(luò)的識別模型對三種糧蟲圖像的幾何形態(tài)特征進行識別，識別原理如圖2所示。

選取50張玉米象圖像、50張擬谷盜圖像和50張鋸谷盜圖像以及20張無糧蟲圖像對基于RBF神經(jīng)網(wǎng)絡(luò)的識別模型進行訓(xùn)練，提高其識別糧蟲圖像的泛化能力。

基于RBF神經(jīng)網(wǎng)絡(luò)的識別模型的輸入向量為糧蟲圖像的八種特征，即輸入節(jié)點數(shù)為8；基于RBF神經(jīng)網(wǎng)絡(luò)的識別模型的輸出向量結(jié)果為玉米象圖像、擬谷盜圖像、鋸谷盜圖像以及無糧蟲圖像4種，即輸出節(jié)點數(shù)為4；隱含層節(jié)點數(shù)根據(jù)經(jīng)驗公式計算。

分別使用20張玉米象圖像、20張擬谷盜圖像和20張鋸谷盜圖像對訓(xùn)練后的基于RBF神經(jīng)網(wǎng)絡(luò)的識別模型進行測試。

能夠得到使用邊緣檢測算子、邊緣檢測算子、邊緣檢測算子和邊緣檢測算子對其圖像進行邊緣檢測后，以及使用基于RBF神經(jīng)網(wǎng)絡(luò)的識別模型對糧蟲圖像的識別結(jié)果如圖3所示。

從基于RBF神經(jīng)網(wǎng)絡(luò)識別模型的糧蟲識別結(jié)果可以看出，分別使用邊緣檢測算子、邊緣檢測算子、邊緣檢測算子和邊緣檢測算子對其圖像進行邊緣檢測后，識別模型對三種糧蟲的平均識別率為80.65%，81.96%，80.34%和78.56%，說明在其他情況相同情況下，使用Sobel 邊緣檢測算子對糧蟲圖像邊緣檢測對于糧蟲圖像識別準確率是最有利的，而使用Laplacian 邊緣檢測算子后糧蟲圖像的識別率最低。

5 結(jié) 論

本文研究一種基于圖像識別處理的糧蟲檢測方法，將圖像識別處理技術(shù)應(yīng)用于農(nóng)業(yè)工程。選取常見的玉米象、擬谷盜和鋸谷盜三種糧蟲為研究對象，對其圖像進行處理識別。分別使用邊緣檢測算子、邊緣檢測算子、邊緣檢測算子和邊緣檢測算子對其圖像進行邊緣檢測，并提取其圖像的面積A、周長P、相對面積RA、延伸率S、復(fù)雜度C、占空比B、等效面積圓半徑R和偏心率E這八個特征用于對三種糧蟲的識別，使用基于RBF神經(jīng)網(wǎng)絡(luò)的識別模型對三種糧蟲圖像的幾何形態(tài)特征進行識別。結(jié)果表明，在本文的研究條件下，使用邊緣檢測算子對糧蟲圖像邊緣檢測對于糧蟲圖像識別準確率是最有利的，而使用邊緣檢測算子后糧蟲圖像的識別率最低。

參考文獻

[1] 代亭.糧食害蟲智能檢測及分類方法研究[D].鄭州：河南工業(yè)大學(xué)，2012.

[2] 張明真.儲糧害蟲活動聲信號識別研究[D].西安：陜西師范大學(xué)，2013.

[3] 張紅濤.儲糧害蟲圖像識別中的特征抽取研究[D].鄭州：鄭州大學(xué)，2002.

[4] 張成花.基于圖像識別的儲糧害蟲分類的研究[D].鄭州：鄭州大學(xué)，2002.

[5] 韓瑞珍.基于機器視覺的農(nóng)田害蟲快速檢測與識別研究[D].杭州：浙江大學(xué)，2014.

[6] 葛恒赫.基于機器視覺的外螺紋表面缺陷檢測技術(shù)研究[D].重慶：重慶大學(xué)，2014.

[7] 王凡.基于機器視覺的螺紋缺陷檢測技術(shù)研究和系統(tǒng)開發(fā)[D].成都：電子科技大學(xué)，2011.

[8] 梅雪.基于圖像識別的儲糧害蟲檢測專家系統(tǒng)的研究[D].北京：北京郵電大學(xué)，2009.

[9] 張衛(wèi)芳.基于圖像處理的儲糧害蟲檢測方法研究[D].西安：陜西師范大學(xué)，2010.

[10] 張紅梅，范艷峰，田耕.基于數(shù)字圖像處理技術(shù)的儲糧害蟲分類識別研究[J].河南工業(yè)大學(xué)學(xué)報（自然科學(xué)版），2005（1）：19?22.

[11] 胡祝華，趙瑤池，白勇，等.基于圖像處理技術(shù)的儲糧害蟲快速識別[J].安徽農(nóng)業(yè)科學(xué)，2014（30）：10784?10787.

[12] 蘇庭奕.基于圖像處理的儲糧害蟲檢測及識別方法研究[D].鄭州：河南工業(yè)大學(xué)，2015.

[13] 姜慧.基于Android的水稻害蟲圖像采集與識別系統(tǒng)研究[D].杭州：浙江理工大學(xué)，2013.

[14] 牟懌.基于圖像處理的儲糧害蟲檢測方法研究[D].武漢：武漢工業(yè)學(xué)院，2009.