摘要：為更精確地施藥，提供可靠的蟲量數(shù)據(jù)，提出一種基于圖像識別技術(shù)的灰飛虱數(shù)量計算方法。設(shè)定由拍攝距離和相機調(diào)節(jié)倍數(shù)組成三組拍攝條件，融合區(qū)域面積、區(qū)域圓度和邊界直徑三個參數(shù)組合構(gòu)成識別計數(shù)模型，利用邊緣檢測和區(qū)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(shù)值作為標(biāo)準(zhǔn)。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(shù)圖像，將每個區(qū)域的結(jié)果比對參數(shù)標(biāo)準(zhǔn)值范圍，如果三個參數(shù)均在范圍內(nèi)，則輸出1；至少有一個參數(shù)不符合，重新計算該區(qū)域面積和邊界直徑，當(dāng)同時符合標(biāo)準(zhǔn)值的2倍時，輸出2。試驗結(jié)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(shù)量的自動計算。

關(guān)鍵詞：灰飛虱；自動識別計數(shù)；區(qū)域面積；區(qū)域圓度；邊界直徑

中圖分類號：TP391.4; S43

文獻標(biāo)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(nóng)業(yè)強國是社會主義現(xiàn)代化強國的根基，提高糧食產(chǎn)量、防止因病蟲危害而導(dǎo)致農(nóng)作物減產(chǎn)，是推進農(nóng)業(yè)高質(zhì)量發(fā)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(xiàn)新型農(nóng)業(yè)現(xiàn)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(zé)”等農(nóng)業(yè)及鄉(xiāng)村振興發(fā)展政策，通過“藏糧于地、藏糧于技”的戰(zhàn)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(nóng)田全部建成高標(biāo)準(zhǔn)農(nóng)田，保證糧食規(guī)?；桶踩N植。同時智能化蟲害監(jiān)測技術(shù)的發(fā)展和應(yīng)用，可在減少人力的前提下提高農(nóng)作物產(chǎn)量，強化農(nóng)業(yè)科技和裝備支撐。

灰飛虱是對水稻等農(nóng)作物危害極大的一種害蟲，長江中下游和華北稻區(qū)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(yǎng)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(chǎn)甚至顆粒無收［2］。氣候及環(huán)境溫度變化對灰飛虱分布和生長發(fā)育也有影響［3， 4］，如果能實現(xiàn)灰飛虱數(shù)量的精確分析和監(jiān)測，就可以保證合理施藥、減少空氣污染、防止灰飛虱產(chǎn)生抗藥性。

目前主要采用建立預(yù)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(fā)生情況開展評估和危害性預(yù)報，通過測試不同殺蟲劑和農(nóng)藥霧滴分布，研究對灰飛虱的防治［1214］，但如何實現(xiàn)蟲體自動識別和計數(shù)，為后續(xù)精確施藥提供可靠蟲量數(shù)據(jù)，是當(dāng)前迫切需要解決的實際問題。

圖像處理技術(shù)在農(nóng)業(yè)病蟲害檢測中已較為成熟，多數(shù)以研究識別植物病害為主，通過對葉片等病斑和破壞現(xiàn)象分析，判斷作物受損程度，監(jiān)控和評估病蟲害發(fā)生情況［1519］，但缺少對蟲體及蟲量分析的相關(guān)試驗。在實施計數(shù)的研究中，對象的外觀結(jié)構(gòu)相對規(guī)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(guī)則的身體結(jié)構(gòu)，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(jié)構(gòu)特點，利用多區(qū)域多結(jié)構(gòu)邊緣檢測［24］和區(qū)域填充技術(shù)分離出獨立區(qū)域，融合區(qū)域面積、區(qū)域圓度和邊界直徑等三個參數(shù)組合構(gòu)成識別計數(shù)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(shù)，直觀識別和計算灰飛虱個體數(shù)量，使其具備可靠性和準(zhǔn)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(zhì)等因素的干擾，在實驗室中將其單獨放到白板上，在設(shè)定的拍攝條件下獲取計數(shù)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(shù)

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

2.1 區(qū)域面積

二值圖像的區(qū)域面積A是描述范圍大小的一個特征參數(shù)，可通過統(tǒng)計邊界及其內(nèi)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(tǒng)計f（x，y）=1的個數(shù)。

2.2 區(qū)域圓度

區(qū)域圓度F是描述某獨立區(qū)域形狀與圓接近程度的參數(shù)，計算區(qū)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(dāng)某區(qū)域為圓形時，F(xiàn)等于1，當(dāng)為其他形狀時，F(xiàn)大于1，即圓形時F最小，越復(fù)雜的物體F越大。

2.3 邊界直徑

邊界直徑B是描述某區(qū)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(shù)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(qū)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(shù)方法設(shè)計

3.1 計數(shù)方法說明

計數(shù)方法的設(shè)計重點考慮如何在減小外界因素干擾時，提高計數(shù)的準(zhǔn)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(dǎo)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(yōu)拍攝條件，并計算單個灰飛虱的參數(shù)范圍作為識別標(biāo)準(zhǔn)值。對含有多個灰飛虱且會出現(xiàn)兩者輕微連接的圖像，處理完后的封閉區(qū)域是兩個灰飛虱的結(jié)合，因此該面積和形狀與單個有一定的差別，使結(jié)果不符合標(biāo)準(zhǔn)值范圍，此時，需重新計算該區(qū)域的面積是否符合2倍標(biāo)準(zhǔn)值，考慮到不同部位的連接關(guān)系，對邊界直徑重新判斷是否符合其1～2倍的標(biāo)準(zhǔn)值范圍，從而判定結(jié)果是否需輸出2。

3.2 單個灰飛虱識別標(biāo)準(zhǔn)

由于相機拍攝條件可調(diào)及其他因素等干擾，均可能使算出的3個參數(shù)不能同時全部符合實際數(shù)據(jù)，出現(xiàn)輸出結(jié)果與對象不一致的情況，因此，在測定個體識別標(biāo)準(zhǔn)的試驗中，為保證輸出的數(shù)據(jù)符合實際數(shù)量，對拍攝距離和相機焦距反復(fù)調(diào)節(jié)，并最終確定了3組最優(yōu)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(qū)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(shù)，以確定單個灰飛虱的識別標(biāo)準(zhǔn)。單個樣本圖像邊緣檢測后如圖4所示。

3.3 計數(shù)方法實現(xiàn)

計數(shù)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(qū)域填充等技術(shù)完成對所有獨立區(qū)域的分割；二是分別計算各個區(qū)域的區(qū)域面積、區(qū)域圓度和邊界直徑，在相同的拍攝條件下，如果三個參數(shù)值同時滿足單個的標(biāo)準(zhǔn)范圍，則認(rèn)定該區(qū)域為灰飛虱，并輸出個數(shù)為1；如果至少有一個參數(shù)不在其標(biāo)準(zhǔn)范圍，則需要重新判斷區(qū)域面積和邊界直徑是否符合標(biāo)準(zhǔn)值范圍的2倍，如果同時符合則輸出個數(shù)為2；三是如果該兩個參數(shù)不能同時符合2倍要求，則該區(qū)域不作為個數(shù)輸出。由于區(qū)域圓度的數(shù)據(jù)反映的是形狀與圓接近程度，其不能體現(xiàn)倍數(shù)關(guān)系，因此在重新計算時，該參數(shù)不作為判斷標(biāo)準(zhǔn)。工作原理和工作流程如圖5所示。

4 試驗設(shè)計與分析

4.1 拍攝條件設(shè)定

灰飛虱個體較小且形體邊緣和結(jié)構(gòu)不規(guī)則，在圖像識別中具有一定的復(fù)雜性，不同拍攝條件會影響所獲取的圖像質(zhì)量，從而決定處理結(jié)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(diào)節(jié)等，以保證樣本圖像具備可處理性。

拍攝過程中發(fā)現(xiàn)，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(dǎo)致后面的計數(shù)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(jié)構(gòu)特征無法提取，其他干擾對象會影響計數(shù)結(jié)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(diào)節(jié)同樣會使圖像中顯示的目標(biāo)差別較大，試驗中所使用的相機為Canon，可實現(xiàn)12x optical zoom，在調(diào)焦中按照由近及遠調(diào)節(jié)定義為“相機調(diào)節(jié)倍數(shù)”，分別是1～12，通過反復(fù)拍攝對比發(fā)現(xiàn)，相機調(diào)節(jié)倍數(shù)為4和5時，所獲取的圖像目標(biāo)質(zhì)量較好。

綜合考慮，本文設(shè)定拍攝圖像的三組條件，即拍攝距離和相機調(diào)節(jié)倍數(shù)分別為25 cm和4，30 cm和4，35 cm和5。

4.2 參數(shù)標(biāo)準(zhǔn)值范圍

在實施計數(shù)試驗前，需要對單個長、短翅灰飛虱的區(qū)域面積、區(qū)域圓度和邊界直徑的值單獨計算，以作為識別判斷的標(biāo)準(zhǔn)。在設(shè)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(shù)，并取最大值和最小值構(gòu)成標(biāo)準(zhǔn)值范圍。如表1所示。

4.3 圖像計數(shù)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(shù)用圖像，且長短翅混合?？紤]可能會出現(xiàn)計算出的個數(shù)大于實際個數(shù)的情況，定義了“計數(shù)相對錯誤率”作為反饋計數(shù)結(jié)果的指標(biāo)，該數(shù)據(jù)越小說明計數(shù)準(zhǔn)確度越高，計算如式（7）所示。

計數(shù)相對錯誤率=

|實際個數(shù)-圖像計數(shù)個數(shù)|實際個數(shù)×100%

（7）

圖6（a）和圖6（b）是拍攝距離為25 cm、相機調(diào)節(jié)倍數(shù)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(qū)域，如圖6（c）所示，再取反進行區(qū)域填充，得到計數(shù)圖像，如圖6（d）所示。通過掃描分別計算每個白色區(qū)域的三個參數(shù)值，將結(jié)果與表1對比。試驗中只設(shè)計了是否符合2倍的數(shù)據(jù)，未涉及三個及以上個體連接的現(xiàn)象。

在Matlab軟件平臺進行編程調(diào)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(shù)，其結(jié)果和相對錯誤率如表2所示。

由表2分析發(fā)現(xiàn)，輕微連接中出現(xiàn)個別計數(shù)相對錯誤率較高的結(jié)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(qū)域而被分離，導(dǎo)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(shù)方法能滿足蟲體數(shù)量的自動計算，具備準(zhǔn)確性和可靠性。

5 結(jié)論

1）" 本文提出一種基于圖像識別技術(shù)的灰飛虱蟲量自動計算方法。選取由拍攝距離和相機調(diào)節(jié)倍數(shù)組成3組拍攝條件，融合區(qū)域面積、區(qū)域圓度和邊界直徑3個參數(shù)組合構(gòu)成識別計數(shù)模型，利用邊緣檢測和區(qū)域填充技術(shù)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(shù)值作為標(biāo)準(zhǔn)值。在同樣拍攝條件下，識別和計算含有多個灰飛虱的計數(shù)圖像，分別計算4張相互獨立和4張有輕微連接的數(shù)據(jù)，并定義“計數(shù)相對錯誤率”反映計算結(jié)果與實際數(shù)量的差距。

2）" 當(dāng)每個區(qū)域的3個參數(shù)均符合標(biāo)準(zhǔn)值范圍時，輸出1；至少有一個不符合，重新計算該區(qū)域面積和邊界直徑，同時符合標(biāo)準(zhǔn)值的2倍時，輸出2；如果不能同時符合倍數(shù)，則忽略該區(qū)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(shù)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(jié)果能滿足蟲體識別和數(shù)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(fā)生現(xiàn)狀及防治對策［J］. 現(xiàn)代農(nóng)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(nóng)業(yè)學(xué)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(fā)育的影響［J］. 山東農(nóng)業(yè)科學(xué)， 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(fēng)險分析［J］. 河南農(nóng)業(yè)科學(xué)， 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(yīng)黨， 等. 稻田灰飛虱種群數(shù)量動態(tài)和空間結(jié)構(gòu)初步分析［J］. 西南農(nóng)業(yè)學(xué)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(tài)分布模型在灰飛虱發(fā)生量預(yù)報中的應(yīng)用［J］. 江西農(nóng)業(yè)學(xué)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(fā)生規(guī)律及預(yù)測預(yù)報技術(shù)研究［J］. 中國植保導(dǎo)刊， 2011， 31（11）： 38-42.

［8］陳元洲， 張亞， 司真真， 等. 鹽城地區(qū)灰飛虱發(fā)生情況調(diào)查研究［J］. 現(xiàn)代農(nóng)業(yè)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(fā)生情況分析［J］. 農(nóng)業(yè)裝備技術(shù)， 2022， 48（3）： 25-28.

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

［11］陳俠樺， 蘇杰， 金中偉， 等. 寶山區(qū)稻飛虱發(fā)生特點及防治措施探討［J］. 中國植保導(dǎo)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(nóng)業(yè)學(xué)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(zhuǎn)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(xué)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(nóng)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(nóng)業(yè)學(xué)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(nóng)機化學(xué)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(jīng)網(wǎng)絡(luò)的農(nóng)業(yè)病蟲害識別［J］. 中國農(nóng)機化學(xué)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(shù)在田間雜草識別中應(yīng)用研究［J］. 中國農(nóng)機化學(xué)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?yán)倮伲?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(nóng)機化學(xué)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(nóng)機化學(xué)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(lǐng)先， 陳運強， 李云霞， 等. 基于卷積神經(jīng)網(wǎng)絡(luò)的冬小麥麥穗檢測計數(shù)系統(tǒng)［J］. 農(nóng)業(yè)機械學(xué)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(shù)［J］. 長春工程學(xué)院學(xué)報（自然科學(xué)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(xué)習(xí)的草地貪夜蛾成蟲自動識別計數(shù)方法［J］. 昆蟲學(xué)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(xué)習(xí)芒果圖像在線識別與計數(shù)方法研究［J］. 熱帶作物學(xué)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(qū)域多結(jié)構(gòu)檢測方法［J］. 農(nóng)業(yè)機械學(xué)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(xué)出版社， 2006.