劉迦南 朱洋 李藝嘉 韓婧

[摘要]為了實(shí)現(xiàn)對(duì)煙青蟲的有效防治，借助計(jì)算機(jī)對(duì)煙青蟲雌雄成蟲進(jìn)行有效的圖像識(shí)別是非常重要的。在機(jī)器視覺(jué)與圖像識(shí)別技術(shù)的結(jié)合下，通過(guò)支持向量機(jī)對(duì)害蟲進(jìn)行有效識(shí)別。煙青蟲雌雄成蟲圖像屬于典型的二分類問(wèn)題，為此，在自動(dòng)提取其顏色及紋理等36個(gè)特征的基礎(chǔ)上，研究了將LIBSVM工具應(yīng)用于害蟲性別判別的方法。通過(guò)K折交叉驗(yàn)證選取分類機(jī)的最優(yōu)參數(shù)組合并建立模型，對(duì)目標(biāo)害蟲圖像進(jìn)行了自動(dòng)分類，識(shí)別率達(dá)到95%。實(shí)驗(yàn)結(jié)果表明，利用該方法可以對(duì)害蟲性別做出有效判別。

[關(guān)鍵詞]煙青蟲;圖像增強(qiáng);雌雄害蟲;支持向量機(jī)

煙青蟲，Helicoverpa assulla（Guenee），又名煙草夜蛾，鈴夜蛾屬，寄主植物達(dá)70余種，主要危害煙草、辣椒，是世界性的煙草害蟲，國(guó)內(nèi)各煙區(qū)均有分布。其中黃淮煙區(qū)、華中煙區(qū)、西南煙區(qū)的四川、貴州等地分布較多，國(guó)外集中分布在日本、朝鮮、印度等地，每年給種植者、政府造成巨大損失[1]。

在對(duì)煙青蟲的系統(tǒng)探究過(guò)程中，需要進(jìn)行蟲體的雌雄判別。小菜蛾雌雄比例是衡量飼料是否成功的重要指標(biāo)之一[2];在對(duì)害蟲食料進(jìn)行選擇性及適應(yīng)性的研究中，雌蟲的產(chǎn)卵喜好及嗜食性差異是綜合治理的重要依據(jù)[3];在不同光源對(duì)害蟲誘殺效果的評(píng)價(jià)研究中，雌雄上燈比率有明顯差異，表現(xiàn)為雄性上燈率遠(yuǎn)多于或近似于雌性的上燈率[4];在田間預(yù)測(cè)預(yù)報(bào)與誘殺防治的研究中，利用性激素誘導(dǎo)害蟲，可以獲得雌雄蟲比并推算其種群動(dòng)態(tài)變化[5];在夜蛾昆蟲數(shù)學(xué)分類應(yīng)用中，利用翅脈特征可對(duì)棉鈴蟲等六種害蟲做出有效判別[6];對(duì)害蟲在不同寄主植物適應(yīng)度的研究中，通過(guò)比較不同齡期蟲在七種植物上的存活率、體重、產(chǎn)卵率等指標(biāo)，發(fā)現(xiàn)在棉花、大豆作物上適應(yīng)度最高[7];在工業(yè)應(yīng)用的研究中發(fā)現(xiàn)，成蟲體內(nèi)含有的蛋白酶經(jīng)純化后可與金屬離子氧化還原，在漂白劑、有機(jī)溶劑和商業(yè)洗滌劑中具有很高的穩(wěn)定性和相容性，是一種具有重要工業(yè)特性的生物資源替代品[8]。

目前對(duì)煙青蟲雌雄成蟲的形態(tài)描述多限于專家經(jīng)驗(yàn)及教科書，大多數(shù)是利用手繪或移動(dòng)設(shè)備拍照形成原始圖像再進(jìn)行人工判別，利用計(jì)算機(jī)視覺(jué)技術(shù)對(duì)煙青蟲性別做出自動(dòng)判別還未見(jiàn)報(bào)道。

本研究通過(guò)飼養(yǎng)害蟲多代，對(duì)煙青蟲雌雄成蟲進(jìn)行系統(tǒng)觀察，利用圖像處理和模式識(shí)別相結(jié)合的方法描述煙青蟲的識(shí)別分類特征，從而對(duì)雌雄害蟲做出有效的自動(dòng)判別，為其相關(guān)領(lǐng)域的研究及應(yīng)用等工作提供參考。

1 圖像采集與預(yù)處理

本文研究對(duì)象來(lái)自河南農(nóng)業(yè)大學(xué)植物保護(hù)室剛孵化未交尾的煙青蟲雌雄成蟲，連續(xù)培養(yǎng)多代。經(jīng)試驗(yàn)，采取活體拍照取樣方法最佳，即通過(guò)蜂蜜水或者蔗糖水將煙青蟲吸引至白色背景板，采用美國(guó)菲力爾公司（FILR）生產(chǎn)工業(yè)相機(jī)（型號(hào)為BFLY-PGE-50S5C-C，25mm工業(yè)鏡頭）進(jìn)行害蟲RGB高清彩色數(shù)字圖像的獲取。所獲取圖像格式為BMP，原始圖像經(jīng)有效區(qū)域裁剪后分辨率為380×380像素。原始圖像可用作顏色特征的提取，對(duì)原始圖像進(jìn)行圖像增強(qiáng)，采用直方圖均衡化后，發(fā)現(xiàn)RGJB圖像的B通道灰度圖像紋理效果良好，有利于后續(xù)的紋理特征提取和選擇[9]。本文所用程序算法在MATLAB 2014a環(huán)境中實(shí)現(xiàn)，軟件運(yùn)行環(huán)境為L(zhǎng)ENOVO PC兼容（32GRAM， InlelCore i7 CPU，3.6GHz主頻）。圖1為實(shí)驗(yàn)室飼養(yǎng)的煙青蟲雌雄成蟲RGB圖像，按上述方法得到的單通道圖像見(jiàn)圖2。

2 特征提取

人們往往通過(guò)肉眼觀察昆蟲的顏色、紋理、形狀甚至害蟲的外生殖器等特征來(lái)對(duì)害蟲進(jìn)行區(qū)分判別，但借助人工識(shí)別往往容易因?yàn)槠诘纫蛩貙?dǎo)致結(jié)果出現(xiàn)偏差[10]。

（1）顏色特征：顏色信息通常分布在顏色低階矩中，顏色矩方法的思想在于圖像中任何的顏色分布都可以用它的矩來(lái)表示。此外，由于顏色分布信息主要集中在低階矩中，如一階矩描述平均顏色、二階矩捕述顏色方差、三階矩描述顏色的偏移性，利用低階矩就可以近似表示顏色分布的特征[11]。

（2）紋理特征：已有對(duì)紋理特征描述方法進(jìn)行研究，如統(tǒng)計(jì)法、合成法、結(jié)構(gòu)法、邊緣描述法等[9]。在紋理特征統(tǒng)計(jì)方法的描述中，最主要是生成圖像的CLCM（灰度共生矩陣）和GLDS（差分統(tǒng)計(jì)法），并通過(guò)計(jì)算其中的各個(gè)量度值來(lái)捕述圖像。紋理是一種不依賴于顏色或亮度變化的反映圖像中同質(zhì)現(xiàn)象的視覺(jué)特征，刻畫了圖像像素鄰域灰度空間分布的規(guī)律，是所有物體表面都具有的內(nèi)在特性[12]。不同物體具有不同的紋理，比如不同昆蟲圖像所對(duì)應(yīng)的紋理數(shù)值具有差異，基于此可用紋理特征對(duì)害蟲性別進(jìn)行有效區(qū)分判別。

（3）不變矩特征：不變矩是一種比較經(jīng)典的特征提取方法。單純的中心矩或是原點(diǎn)矩盡管可以表征平面物體的幾何形狀但都不具有不變性，然而可以從這些矩構(gòu)造不變量。這種方法最初由Hu提出，他利用中心矩構(gòu)造出7個(gè)不變量，這些不變量已經(jīng)被成功地應(yīng)用于很多領(lǐng)域[13]。其中最多被應(yīng)用于圖像識(shí)別，圖像在平移、鏡像、旋轉(zhuǎn)變換時(shí)具有變量不變性，以此作為7個(gè)特征可供選取特征量時(shí)的參考。

本文對(duì)雌雄害蟲圖像有效區(qū)域進(jìn)行特征提取，最終提取特征包括顏色、紋理與不變矩特征，具體提取方法如下：顏色矩（顏色一階矩、顏色二階矩、顏色三階矩）、灰度共生矩陣（0°、45°、90°、135°）、差分統(tǒng)計(jì)矩陣、七個(gè)不變矩，共計(jì)36個(gè)特征。煙青蟲雌雄蟲體之間各個(gè)特征量綱差異較大，如果直接進(jìn)行分類識(shí)別不僅影響系統(tǒng)性能且對(duì)計(jì)算精度影響較大。因此，對(duì)提取的所有原始特征數(shù)據(jù)進(jìn)行歸一化處理以降低計(jì)算時(shí)間，提高計(jì)算效率及精度。利用MATLAB中自帶函數(shù)MAPMINMAX對(duì)數(shù)據(jù)做歸一化處理，經(jīng)過(guò)歸一化處理后，特征數(shù)據(jù)的范圍為0-1。

3 雌雄煙青蟲的自動(dòng)判別

支持向量機(jī)（Support Vector Machine，SVM）是一種新型的監(jiān)督式機(jī)器學(xué)習(xí)方法，其算法原理是依據(jù)1995年Vapnik創(chuàng)立的統(tǒng)計(jì)學(xué)理論中的風(fēng)險(xiǎn)經(jīng)驗(yàn)最小化準(zhǔn)則（SRM），將樣本點(diǎn)誤差以及結(jié)構(gòu)風(fēng)險(xiǎn)水平降到最低，對(duì)樣本數(shù)量范圍沒(méi)有過(guò)多要求，極大地提高了模型的推廣能力[14]。線性可分時(shí)，利用最優(yōu)分類面選取思想，選擇目標(biāo)距離最遠(yuǎn)的折中，使待區(qū)分的目標(biāo)準(zhǔn)確無(wú)誤地分開，并使待檢測(cè)目標(biāo)的分類間隔最大。對(duì)于煙青蟲雌雄體的判別問(wèn)題，可以把它作為一個(gè)二分類問(wèn)題來(lái)解決。利用LIBSVM軟件包在MATLAB環(huán)境下來(lái)實(shí)現(xiàn)，LIBSVM作為通用的SVM軟件包，可以解決分類問(wèn)題（c-SVC，v-SVC）、回歸問(wèn)題（ε-SVR，v-SVR）以及分布估計(jì)（one-class-SVM）等，提供了四種核函數(shù)（線性、多項(xiàng)式、徑向基和s形），可以有效地解決多類問(wèn)題、交叉驗(yàn)證參數(shù)優(yōu)化、對(duì)不平衡樣本加權(quán)、多類問(wèn)題的概率估計(jì)等[15]。支持向量機(jī)基本求解公式如下（本文選用c-SVC分類和RBF（徑向基核函數(shù)：K（x，x_i）= exp（-g‖x_i-x‖²））：

其中g(shù)為方差且>0，Y_i為符號(hào)函數(shù)，ω為權(quán)向量，x_i為樣本向量，b為截距，C為懲罰因子，ε_i島為松弛變量，l為樣本總數(shù)。

LIBSVM軟件包使用的一般步驟如下[6]：（1）根據(jù)LIBSVM軟件包的格式要求準(zhǔn)備數(shù)據(jù)集。（2）對(duì)數(shù)據(jù)集進(jìn)行必要的縮放操作。（3） -般考慮選用RBF核函數(shù)。（4）用交叉驗(yàn)證搜索參數(shù)C與g的最優(yōu)參數(shù)組合。（5）用搜索到的最優(yōu)參數(shù)組合對(duì)整個(gè)訓(xùn)練集進(jìn)行訓(xùn)練，得到支持向量機(jī)模型。（6）利用得到的訓(xùn)練模型對(duì)測(cè)試集進(jìn)行預(yù)測(cè)。

煙青蟲成蟲的雌雄判別屬于二分類問(wèn)題，LIBSVM工具箱采用的是一對(duì)一的SVM算法，在對(duì)訓(xùn)練樣本進(jìn)行訓(xùn)練的過(guò)程中，構(gòu)造出所有可能出現(xiàn)的二類別分類器，經(jīng)過(guò)140個(gè)煙青蟲樣本（其中雌雄各為70個(gè)）訓(xùn)練后的SVM分類器的nSV（支持向量）共112個(gè)。用SVM分類器對(duì)60個(gè)（雌雄各30個(gè)）雌雄害蟲樣本進(jìn)行測(cè)試，正確識(shí)別率為95%。結(jié)果顯示僅有3個(gè)樣本被誤判，其余57只均實(shí)現(xiàn)了自動(dòng)精確分類判別，取得了較好的分類結(jié)果，結(jié)果見(jiàn)圖3。

4 結(jié)論

（1）把K折交叉驗(yàn)證訓(xùn)練模型的識(shí)別率作為分類器性能的一個(gè)主要評(píng)價(jià)因素，訓(xùn)練測(cè)試得到的最優(yōu)C與g，當(dāng)C=19.6983，g=0.0272時(shí)，識(shí)別率達(dá)到95%，使得測(cè)試樣本識(shí)別率達(dá)到了最佳。

（2）研究運(yùn)用LIBSVM進(jìn)行煙青蟲雌雄成蟲判別分類的可行性，并采用徑向基核函數(shù)對(duì)雌雄害蟲特征數(shù)據(jù)進(jìn)行SVC數(shù)據(jù)的分類，通過(guò)大量樣本的訓(xùn)練與測(cè)試，識(shí)別率為95%。實(shí)踐證明煙青蟲雌雄成蟲圖像識(shí)別中基于SVM的分類器能夠達(dá)到預(yù)期的效果。因此，支持向量機(jī)分類模型在實(shí)際中可以作為判別害蟲類別的依據(jù)。

（3）所采集煙青蟲均為戶外自然條件下采集且連續(xù)飼養(yǎng)多代，與野生害蟲體型有略微差別，下一步應(yīng)將自然狀態(tài)下害蟲加入分類樣本數(shù)據(jù)集，結(jié)果更加具有意義及廣泛性。

參考文獻(xiàn)

[1]任廣偉.煙蚜和煙青蟲的發(fā)生與防治[J].煙草科技，2002 （5）：75-79.

[2]莫美華，龐雄飛.二次正交旋轉(zhuǎn)回歸設(shè)計(jì)在小菜蛾飼料配方篩選中的應(yīng)用[J].生態(tài)學(xué)報(bào)，2006 （7）：2935-2941.

[3]張勇，王開運(yùn)，王剛，等.煙青蟲對(duì)三種食料植物的選擇性及適應(yīng)性[J].應(yīng)用昆蟲學(xué)報(bào)，2006 （6）：781-784

[4]張玥.20種光源對(duì)蔬菜地主要害蟲的誘殺效果評(píng)價(jià)[D].武漢：華中農(nóng)業(yè)大學(xué)，2010.

[5]劉超，邢茂德，邊文波，等.淄博市棉鈴蟲種群動(dòng)態(tài)及其在測(cè)報(bào)中應(yīng)用分析[J].農(nóng)業(yè)科技通訊，2016 （8）：123-125.

[6]蔡小娜，黃大莊，沈佐銳，等，蛾翅翅脈特征在夜蛾昆蟲數(shù)學(xué)分類學(xué)中的應(yīng)用，中國(guó)農(nóng)業(yè)大學(xué)學(xué)報(bào)，2015 （5）：188-193.

[7] REIGADA C， GUIMARAES K F PARRA J R P Relative fitness ofhelicoverpa armigera （lepidoptera： noctuidae） on seven host plants：8perspective for IPM in Brazil[J].Journal oflnsect Science，2016（1）：3

[8] AKBAR S M， SHARMA H C Alkaline serine proteases fromHelicuverpa armigera： potential candidates for industrial applications[J].Archives oflnsect Biochemistry&Physiology，2017（1）：21367

[9]劉舒，姜琦剛，邵永社，等應(yīng)用灰度共生矩陣的紋理特征描述的研究[J].科學(xué)技術(shù)與工程，2012 （33）：8909-8914.

[10]張紅濤，毛罕平，邱道尹.儲(chǔ)糧害蟲圖像識(shí)別中的特征提取[J].農(nóng)業(yè)工程學(xué)報(bào)，2009 （2）：126-130.

[11]戴天虹，王克奇，楊少舂.基于顏色特征對(duì)木質(zhì)板材分級(jí)的研究[J].系統(tǒng)仿真學(xué)報(bào)，2008 （5）：1372-1376.

[12]孫君頂，馬媛媛，紋理特征研究綜述[J].計(jì)算機(jī)系統(tǒng)應(yīng)用，2010 （6）：245-250.

[13]柳林霞，陳杰，竇麗華.不變矩理論及其在目標(biāo)識(shí)別中的應(yīng)用[J].火力與指揮控制，2003 （2）：13-15.

[14]張紅濤，胡玉霞，毛罕平.基于SVM的儲(chǔ)糧害蟲圖像識(shí)別分類[J].農(nóng)機(jī)化研究，2008 （8）：36-38.

[15]王慧勤，雷剛.基于LIBSVM的風(fēng)速預(yù)測(cè)方法研究[J].科學(xué)技術(shù)與工程，2011 （22）：5440-5442+5450.

[16]李坤，劉鵬，呂雅潔，等.基于Spark的L|BSVM參數(shù)優(yōu)選并行化算法[J].南京大學(xué)學(xué)報(bào)（自然科學(xué)），2016 （2）：343-352.