基于图像处理的甘蓝虫害识别研究

高雄+汤岩+陈铁英+崔红梅+王洪波

摘要：病虫害是农作物减产的主要原因，目前我国主要通过喷洒农药来处理病虫害。但是农药的大量施用会给环境带来严重的污染，也会影响食物的安全性。精准施药是解决农药大量施用的有效办法，但首先需要对病虫害的位置与种类作出准确的判断然后再控制农药喷洒。首先，对田间采集回来的虫害图片进行预处理，然后对虫害的特征进行提取，最后通过模糊识别来识别虫害的种类。结果表明，通过形状特征对甘蓝的3种常见害虫识别准确率均高于80%，害虫的形态、阳光照射产生的阴影对识别准确度有严重的影响。

关键词：图像处理；甘蓝虫害；特征提取；模糊识别；甘蓝夜蛾；菜青虫；二十八星瓢虫

中图分类号： TP391.41文献标志码： A文章编号：1002-1302（2017）23-0235-04

精准施药的前提是对虫害的识别与定位[2]，通过数字图像处理技术可以完成这一任务。数字图像处理作为一门学科大约形成于20世纪60年代初期，是指用计算机及其相关技术对图像施加某种运算和处理，从而达到某种预想目的的过程[3]。近年来，随着数字图像处理的迅速发展，计算机视觉的应用日益广泛，模式识别技术日趋成熟，对农作物病虫草害图像进行处理，提取特征参数，可以达到智能识别的目的[4]。

本研究通过对虫害图像预处理，提取虫害的形状特征，使用模糊识别来区分虫害种类，以期有效地识别甘蓝部分种类虫害，为智能化喷雾与精准施药的研究奠定基础。

1材料与方法

1.1试验材料

使用京丰一号绿甘蓝种子，在内蒙古农业大学试验田内于2015年5月末播种。当甘蓝结球以后，在室外自然环境下，选择不同晴天的11：00去田间获取不同的虫害照片。在图像采集时，相机（佳能EOS 700D）与目标害虫的垂直距离固定为20 cm，为后续特征的提取统一标准，如果相机高度发生变化，其拍摄的有效区域也会发生变化，相同的像素条件下图像所得到的害虫特征值也会有较大的变化，从而影响识别的准确度。当害虫处于甘蓝边缘或者甘蓝叶缝中时，通过手动来使害虫处于完好的叶片表面。选取甘蓝夜蛾、菜青虫、二十八星瓢虫等3种虫害的照片各30张，其中20张为样本特征提取组，其余10张为测试组。优先选取光照产生的阴影较小、背景比较简单整洁的图片待用。

1.2试验方法

1.2.1图像灰度化由于采集的原始图像数据较大，含有大量的无用信息，为了降低图像分割的难度，可以首先从原始图像中截取含有特征信息的部分图像区域。首先，对要进行分析的图片进行标定，将采集到的图像统一裁剪为1 500×1 500 像素的图像，将目标保留在图像的中部待处理。为了提取分类需要的信息，去除不需要部分的干扰，需要对彩色图像进行灰度化处理，灰度化处理的好处是缩短计算时间。本研究使用Matlab r2012a软件对3种虫害的图像进行处理与识别，图像灰度化后分别如图1、图2、图3所示。

1.2.2平滑去噪由于图像采集设备的特性及外界环境的干扰会使图像产生一定的噪声，降低图片的质量[5]。合理地消除噪声可以提高后续的阈值分割、边缘提取等步骤的准确度。去除噪声的方式有均值滤波、高斯滤波、极值滤波和中值滤波。因为经过中值滤波后的图像目标边缘不会变模糊，而在后续的特征提取时需要准确的目标边缘，所以，采用中值滤波去除噪声干扰相对于其他滤波方式较好地保护了图像的原始特征。3种虫害图像的中值滤波结果分别如图4、图5、图6所示。

1.2.3病虫图像的分割图像分割可以理解为将图像中有意义的特征区域或者需要应用的特征区域提取出来。阈值分割是一种简单有效的图像分割方法，阈值分割又叫做图像二值化[6-7]，主要的目标就是区别病虫图像中的目标物体与背景[8]。本研究中将图像中的病虫作为目标物体，非病虫部分作为背景。灰度值大于或等于阈值的像素点，灰度值统一为255，即白色，否则这些像素点将统一为0，即黑色。阈值分割有双峰法、迭代法、大津法（OTSU法），经过测试发现大津法选出来的阈值比较理想，在各种情况均表现良好，分割质量有一定的保障。3种虫害的图像经阈值分割后分别如图7、图8、图9所示。

1.2.4形态学图像的处理由阈值分割后的图像（图7至图9）可以看出，经过阈值分割后，提取了虫害图像的有用信息，去除了无效的背景信息。但是从图像上可以看出目标仍然存在孔洞和触角，背景上存在噪声干扰，这些均会对特征提取产生较大的影响。二值图像的基本形态学运算包括腐蚀、膨胀，以及开运算、闭运算。腐蚀可以消掉物体边缘，使图像向内部收缩，进而消除小的噪声点。而膨胀与腐蚀相反，膨胀使物体边缘向外扩张，可以消除目标内部孔洞。但是膨胀与腐蚀均会改变目标的面积使识别的准确性降低。开运算是先腐蚀后膨胀的过程，其主要作用与腐蚀相似，与腐蚀操作相比，具有可以基本保持目標原有大小不变的优点。闭运算是先膨胀后腐蚀的过程，用来填充物体内细小孔洞、连接邻近物体、平滑其边界的同时并不明显改变其面积。本研究通过开运算来消除目标触角、害虫留在叶面的粪便、菜叶上的沙土等，通过闭运算来填补虫害内部的孔洞。3种虫害的图像经过数学形态学处理后分别如图10、图11、图12所示。

1.2.5害虫边界提取边界检测的目的是标志数字图像中

亮度变化明显的点，图像属性中的显著变化通常反映属性的重要事件和变化。轮廓是对物体形状的有力描述，对图像分析和识别十分有用。图像边缘检测大幅度减少了数据量，且剔除了不相关的信息，保存了图像重要的结构属性。3种虫害图像边界的提取结果分别如图13、图14、图15所示。

1.2.6轮廓填充边界的提取主要是为了提取目标周长，而面积等特征则需要在填充之后获取，在后续的特征提取中把面积和周长作为基础。轮廓填充之后图像将不存在孔洞，图像特征更加精确。轮廓填充后对图像像素进行取反操作，结果如图16、图17、图18所示。endprint

2结果与分析

2.1虫害图像特征的提取

特征是某一类对象区别于其他种类对象相应的特点，决定每个图像的点是否属于某一类图像。本研究通过选取区域

面积、周长、偏心率、圆形度、矩形度等5个形状特征来识别甘蓝常见的虫害，所选取特征的标量均与图像的方向无关，所以在识别虫害时不需要固定虫害图像的方向[9]。提取样本组20组图像的形状特征参数，使用Excel 2013处理得到的数据，计算3种虫害各自特征的均值与标准差，如表1所示。

2.2虫害模糊识别

灰度图像具有模棱两可的像素，而模糊分类法对于不太确定的问题识别效果较好。在分类决策的过程中，由于特征值的变化是随机噪声等因素引起的，因此，可以把特征值的波动视为一种高斯分布。根据高斯分布的3δ性质，当识别一种虫害时，若某虫害属于A类，其每个特征值均落在特征库中的A类特征均值的3倍标准差以内，对于不属于A类的虫害，它的有些特征可能落在3倍标准差以外或者更远的地方[10]。

首先求出待识别虫害特征属于每个目标种类的隶属度，然后使用得出的这一组隶属度中的最小值作为该虫害对这类目标的隶属度。在最后作种类识别时，通过选取隶属度最大的那个目标种类作为待识别虫害的所属种类。隶属度计算公式如下：

uxj=exp[-（-fxj-pkj）2]2qkj，pkj-3qkj≤fxj≤fxj+3qkj

0，其他。

式中：x为目标类；j为特征序号；k为样本号；P为样本均值；q为样本标准差；uxj为选取图像对于x类目标的j类特征的隶属度。部分隶属度分类结果如表2所示，该值即为某虫害5个特征隶属度选取时最小的值，也是在识别时对该虫害种类隶属度最高的值。

去除了图像中触角及孔洞的影响。通过面积、周长、偏心率、圆形度、矩形度的特征可以作出对甘蓝部分种类害虫的有效识别。本研究选取的虫害特征比较鲜明，选取作物甘蓝菜叶面比较光滑平整，色彩变化均匀，识别效果比较理想，识别率均高于80%。但是对于室外环境下获取的图像，由于光照和昆虫形态的不确定性对识别结果会有较大的影响。希望在以后的研究中可以使用光谱分析技术与图像识别技术相结合，从而提高图像识别的准确度。

参考文献：

[1]张波，翟长远，李瀚哲，等. 精准施药技术与装备发展现状分析[J]. 农机化研究，2016（4）：1-5，28.

[2]高雄，王海超. 甘蓝菜青虫害自动识别系统的开发与试验研究——基于机器视觉[J]. 农机化研究，2015（1）：205-208.

[3]管泽鑫，姚青，杨保军，等. 数字圖像处理技术在农作物病虫草识别中的应用[J]. 中国农业科学，2009，42（7）：2349-2358.

[4]李宗儒. 基于图像分析的苹果病害识别技术研究[D]. 杨凌：西北农林科技大学，2010.

[5]莫然. 基于图像分析的病虫识别系统的设计与实现[D]. 南京：南京理工大学，2013.

[6]夏永泉，李耀斌，曾莎. 基于HSI颜色空间的植物叶片病斑提取方法[J]. 江苏农业科学，2015，43（8）：406-408.

[7]崔世钢，杨莉莉，吴兴利，等. 面向LED植物生长柜的叶脉特征提取[J]. 江苏农业科学，2015，43（1）：373-375.

[8]宗精学，杨余旺，赵炜，等. 基于图像分析的病虫识别研究[J]. 科学技术与工程，2014，14（19）：194-200.

[9]于新文，沈佐锐，高灵旺，等. 昆虫图像几何形状特征的提取技术研究[J]. 中国农业大学学报，2003，8（3）：47-50.

[10]吴兰兰. 基于数字图像处理的玉米苗期田间杂草的识别研究[D]. 武汉：华中农业大学，2010.江苏农业科学2017年第45卷第23期黄成伟，马本学，蒋伟，等. 基于无线射频技术和EPC物联网的棉种供应链可追溯系统设计[J]. 江苏农业科学，2017，45（23）：239-243.endprint