基于计算机视觉的农业图像害虫定位检测算法

王爱新　李春友　张喆

摘要：目前农业害虫检测主要依靠人工作业，造成效率低下、易受环境因素和主观因素影响，故本研究提出了基于计算机视觉的农业害虫检测识别算法。首先，融合灰度空间、HSV空间与YUV空间，以线性形式构造害虫区域粗定位模型；然后基于直方图均衡化与投影直方图，分析图像特征；再基于均值漂移算法，定位害虫区域，实现细定位；最后，再提出基于轮廓梯度差的Grabcut算法，精确检测出害虫。试验测试数据表明：与当前农业害虫定位检查技术相比，本研究算法拥有更高的检测精度，能精确定位识别害虫目标。

关键词：HSV空间；直方图均衡化；Grabcut；均值漂移算法；计算机视觉；农业图像；害虫定位

中图分类号： TP391.4；S126 文献标志码： A 文章编号：1002-1302（2016）07-0361-04

农业是一个国家的安国之本，也是与一个社会每天正常运作息息相关的。目前世界各国，尤其是发达国家，已经越来越重视农业的生产效率和自动化程度。近几年来，计算机技术在不断发展并应用到农业领域。在这样的大背景下，将基于计算机视觉为核心技术的自动化设备引入农业领域[1-2]，是十分必要的。它不仅可以提高农业生产效率，也可以提高农业产品的质量。而计算机视觉技术可以应用于农业的各个领域，比如无人飞机自动导航播种、耕地机器人视觉导航以及农业产品外观质量的视觉检测。其中的农业产品外观质量的视觉检测，是直接关乎农业产品，进而影响人民生活质量的。

农业生产中的很多阶段，需要对农业产品进行质量检测，检查是否存在害虫，从而及时处理，以免影响更大的范围，可见农业产品外观质量的视觉检测的重要性[3]。在农业害虫的检测中，主要干扰来源有2个：外界光源对图像质量的影响、害虫图像背景复杂。总而言之，就是害虫在图像中很难与背景分离[4]，即图像分割有很大的困难。而传统的检测技术主要依赖于人眼，是农民自己对农产品的每个细节进行检查。但是检查环境往往很恶劣，同时受天气干扰，检查工作很难展开。但是如果采用带视觉的机器人对其进行检查并做相应处理[5-6]，则可以大大克服环境与天气的不利影响，同时具有很高的查出率，检测精度客观。

对此，学者们也做了大量研究，提出了诸如多尺度集合变换去噪算法[7]以及基于滤波值[8]、中值滤波[9-10]的优化算法等。本研究提出了基于计算机视觉的农业害虫检测识别算法。首先，分别对灰度空间、HSV空间、YUV空间下的图像特性进行研究，推导每个颜色空间的公式，实现对害虫图像目标的粗定位。然后进行直方图均衡化，以投影直方图为特性，基于均值漂移算法定位害虫区域。最后利用基于轮廓梯度差的Grabcut算法将害虫抠出图像，从而完成整个害虫检查算法；并测试了本研究算法的检测精度。

1 检测架构与算法原理

本系统对农业图像中是否存在害虫进行检查，算法结构如图1所示。其原理是：由于农业产品图像背景复杂，颜色繁多，因此考虑把原始RGB图像分别转换到多个颜色空间，如灰度、HSV、YUV，同时提取出各个分量，经过分析后，进行线性运算，即把各个颜色空间的各个分量进行组合，同时引入加权值，目的是对图像害虫目标进行粗定位。然后引入直方图技术，图像均衡归一化，利于分析，提取反投影直方图，用于均值漂移定位害虫区域，这是细定位。最后粗定位与细定位相结合，再用GrabCut这个算法函数将害虫目标精确勾勒出来。

以图2为例，该图像包含许多小虫，特性淹没于整个图像中。同时背景复杂，有较大的干扰。

1.1 基于颜色空间的害虫目标粗定位

相机采集图像原始为RGB颜色空间，分为3个通道R、G、B，每个通道有8位二进制位，总共24位的图像。然而RGB颜色空间并不适应人眼视觉习惯，也不适用于一些特殊背景的项目开发，如本系统这种绿色居多的背景；因此需要引入其他颜色空间：HSV、CIEL×a×b、灰度空间。

灰度空间的图像是单通道的，可以减少数据处理量，从而提高系统效率。有3种灰度处理，最大值法处理的图像亮度整体偏大，见式（1）。平均值法处理的图像较为柔和，见式（2）。而利用加权平均值法对RGB的特性进行分析，人眼对绿敏感度最高，红色次之，蓝色最低，据此分别加上不同的权值，见式（3）。

综合分析，只有加权平均值法是根据图像RGB特性分别进行有机组合；而最大值法、平均值法会对图像特性产生不同程度的失真。故本研究将权值引入平均值法中，建立加权平均值法模型；并利用加权平均值法完成图像灰度处理。根据经验，设置G、R、B的权值分别为59%、30%、11%。灰度处理后的图像如图3所示。

而HSV颜色空间最符合人眼视觉习惯，见图4。

1.2 基于均值漂移算法的害虫目标细定位

在将目标从背景分离后，需精确定位目标，并且确认疑似目标是否确实为系统搜寻目标。不同图像或者同一图像的不同区域的每个灰度值的像素数是不一样，故本研究算法引入直方图来完成。为了便于分析，将直方图归一化，即所有项之和等于1，此时各个区域的直方图可以看做一个概率函数，即反投影直方图。通过嵌入均值漂移算法，计算图像中每个区域的反投影直方图，得出最大概率的位置，即检测图像中特定内容，如害虫目标。

算法流程：

（1）统计图像或区域像素总个数，对0～255这256个灰度级的像素数进行计算。

（2）每个灰度级的像素数除以总像素数，即得到经过归一化的直方图。

（3）对目标区域的归一化直方图，转换为反投影直方图，即一特征矩阵，记录各个灰度级在总像素中的比例。

（4）从图像初始位置开始，迭代移动，计算各个区域的反投影直方图，锁定图像中该概率函数的最大值，完成图像目标定位。整个算法流程如图7所示。

以单个害虫为例，见图8；依照上面的算法流程，得到害虫区域细定位即图9所示。

1.3 基于Grabcut算法的害虫精确检测

GrabCut是微软研究院的一个课题，主要功能是分割和抠图。其优点在于：只需要在目标外面画一个框，把目标框住，它就可以完成良好的分割。由于本研究之前基于粗定位与细定位已经将目标的区域锁定，因此此时非常适合采用OpenCV函数GrabCut来分割出害虫目标，分割结果如图10所示。

该算法利用了图像中的纹理（颜色）信息和边界（反差）信息，只要少量的用户交互操作即可得到比较好的分割结果。本研究的用户交互操作就是之前粗定位与细定位提供的害虫区域，基于该区域，再利用GrabCut进行处理。

本研究基于OpenCV函数实现，下面对该函数进行介绍。GrabCut函数的第一个参数为我们要处理的图像，本程序中就是image，图像的类型必须为：CV_8UC3。第二个参数是mask图像，它的大小和image一样，但是它的格式为CV_8UC1，只能是单通道的，Grabcut算法的结果就保存在该图像中。OpenCV中GrabCut函数：

cv：：grabCut（image，result，rectangle，bgModel，fgModel，1，cv：：GC_INIT_WITH_RECT）。

2 试验与讨论

借助VS2010工具完成算法性能测试。为了体现本研究算法的优异性，将文献[11]的方法视为对照组。以图11为目标，利用本研究算法与对照组技术，对害虫完成检测。部分试验参数设置如下：灰度空间转换，根据经验，设置G、R、B的权值分别为59%、30%、11%。线性运算公式如式（12）所示。

本研究先利用各个颜色空间图像分量，并整合后线性运算，完成粗定位，后利用均值漂移算法，以各个像素级在区域图像所占比例完成细定位，最后又采用GrabCut算法函数勾勒出分割检测效果，如图12所示。对照组单纯使用图像灰度阈值来做检测，有一定的检测效果，但是也存在明显的误检和漏检，如图13所示。

3 结论

为了实现基于计算机视觉的农业害虫排查，本研究对农业害虫的图像特性展开深入分析。首先对各个颜色空间的数学公式原理进行分析，并将图像转换到各个空间。然后进行各分量线性运算，得包含害虫的二值图像。对直方图、反投影直方图、均值漂移算法进行研究，对害虫进行粗定位。最后采用OpenCV的函数GrabCut将害虫目标分割显示，从而展示了本算法的有效性。试验结果表明：本机制具有很好的害虫识别精度和效率，可以用于大批量农业害虫检测。

参考文献：

[1]杨 青. 基于农业视觉图像的高效滤波处理方法[J]. 江苏农业科学，2014，42（4）：361-363.

[2]张树行，沈希忠，李宗杰，等. 基于手机彩信通信和图像处理技术的农业专家系统研究[J]. 安徽农业科学，2013，41（33）：13054-13055，13084.

[3]李 辉，滕桂法，张 燕. 数字图像处理技术及其在农业中的应用研究[J]. 安徽农业科学，2013，41（13）：6060-6061，6072.

[4]刘华锋，苏艳刚. 结合边缘检测的农业图像非局部均值滤波算法[J]. 江苏农业科学，2015，43（6）：402-403，447.

[5]肖德琴，黄顺彬，殷建军，等.基于嵌入式应用的高分辨率农业图像采集节点设计[J]. 农业机械学报，2014，45（2）：276-281.

[6]宋革联，韩瑞珍，张永华，等. 基于无线传输技术的农田害虫检测与识别系统的开发[J]. 浙江大学学报：农业与生命科学版，2014，40（5）：585～590.

[7]Starck J L ，Candès E J，Donoho D L.The curvelet transform for image denoising[J]. IEEE Transactions on Image Processing，2002，11（6）：670-684.

[8]Shreyamsha Kumar B K. Image denoising based on non-local means filter and its method noise thresholding[J]. Signal，Image and Video Processing，2013，7（6）：1211-1227.

[9]张丽果. 快速非局部均值滤波图像去噪[J]. 信号处理，2013，29（8）：1043-1049.

[10]陈云波，於雪琴. 一种结合数学形态学和LOG算子的遥感图像边缘检测方法[J]. 河南科学，2013，31（12）：2182-2185.

[11]宋革联，韩瑞珍，张永华. 基于无线传输技术的农田害虫检测与识别系统的开发[J]. 浙江大学学报：农业与生命科学版，2014，40（5）：585-590.