稻飞虱自动识别关键技术的研究

水稻是中国最主要的粮食作物,稻米是全国60%以上人口的主食,水稻生产在全国的农业生产和粮食安全中起着举足轻重的作用。稻飞虱类害虫属同翅目飞虱科,由于几种飞虱往往混合发生为害,因此稻飞虱只是一个统称。稻飞虱是水稻的主要害虫,主要包括白背飞虱、褐飞虱和灰飞虱,严重威胁着水稻生产。害虫的实时检测是进行病虫害综合防治的一种手段,只有准确的检测,才能做到有目的的防治,把害虫种群控制在经济损害水平以下,既不会因害虫造成损失,也不会因盲目防治造成浪费,加重对水稻和环境的污染。因此,只有研究有效的害虫自动检测技术,及时提供准确的害虫种类信息,才能为害虫的综合防治提供科学的决策依据。 目前农田害虫实时测报的现状是利用200W白炽灯诱虫,使用敌敌畏熏杀昆虫,植保人员晚上开灯,早上取回昆虫,进行人工分检、计数。毒死后的昆虫形态各异,足和触角的位置是随机的,也可能被折断而残缺,翅膀发生变形或缺损,另一方面,由于稻飞虱体形微小,色彩也不很艳丽,加之种类间对经济作物的为害程度差异很大,植保站工作人员有时用肉眼无法判断,只能借助放大镜、解剖镜甚至显微镜来观察,再借助检索表查出其种类。该方法识别效率低,对专家依赖性大,并且农药浸泡过的昆虫,散发毒气,危害测报人员身体健康。 当前国内外对昆虫自动识别技术的研究尚处在初期发展阶段,所进行的研究几乎都是在特定条件下进行的,研究的对象均为静态,许多昆虫分类样本来自于标准标本,或在实验室人工培养,与自然界昆虫在颜色、纹理、形状等方面存在着一定的差距,而在现实中,需要实时、动态地获取某个区域昆虫种群数量,去指导生产和实践,因此本文对如何采集主要针对稻飞虱的田间昆虫数字图像、稻飞虱的识别特征描述和昆虫分类模型等关键技术进行了研究。 组建了基于机器视觉的主要针对稻飞虱野外昆虫图像自动采集装置,获得了处于自然状态下昆虫数字图像。采集装置包括底座、采集工作台、拍摄系统和控制系统,采集工作台和拍摄系统安装在底座上。采集工作台由幕布驱动装置、采集工作台幕布及机架组成,采集工作台可以进行X向运动,采集工作台幕布可以实现Z向运动,采集工作台幕布为的确良白布,用160W自镇流荧光高压汞灯诱集稻飞虱爬附到采集工作台幕布上。拍摄系统由摄像机、拍摄光源、安装于摄像机上的显微变焦距镜头、摄像机支架、光源支架、摄像机工作台、光源工作台组成,拍摄光源配置于白色采集工作台幕布与摄像机之间,摄像机安装在摄像机支架上,上下及与采集工作台幕布之间的距离均可调,拍摄光源的上下及与摄像机之间的距离亦可单独调整,摄像机为彩色数字摄像机,拍摄光源采用环形冷光源。控制系统由计算机、微控制器、驱动器、图像采集卡组成,微控制器通过驱动器控制采集工作台X向运动和白色采集工作台幕布Z向运动,PC机利用摄像机和图像采集卡定时拍摄爬附着昆虫的采集工作台幕布,获取数字图像,PC机与微控制器相连,实现图像采集装置运动和图像自动拍摄协调进行。 区分稻飞虱的一个较稳定的特征是其背部的颜色和纹理,处理昆虫数字图像,提取疑似稻飞虱的单个昆虫虫体背部图像。取稻飞虱的蓝色分量B=140作为颜色阈值,进行图像二值化处理,设计形态学滤波器,去除足、触角和噪声等非目标区域,标记连通区域,计算各分割区域的面积,保留面积为(1398-3847)±50%像素的疑似稻飞虱区域,剔除形状大小与稻飞虱不相称的大部分昆虫,降低分类的工作量,再把图像分解成单个目标区域的二值化图像,与原始图像相与,得到信息完整的单个昆虫虫体背部图像,图像大小统一截为128×128像素。 利用傅里叶变换把昆虫背部区域图像从空间域变换到频域,用傅里叶频谱描述昆虫虫体背部颜色和纹理,提取描述昆虫虫体背部特征的l×l(l≤9)的二维傅里叶频谱窗口数据,窗口左上角始终为二维傅里叶频谱中心,构成p维识别昆虫的特征向量。根据四类昆虫虫体背部图像傅里叶频谱数据,计算每个特征在各类样本中的均值,81个特征的特征均值在4类样本中具有一定的差异,说明81个频谱特征在区分4类样本时是有效的；分析每个特征在各类样本中的方差,总体上81个频谱特征的波动程度不大,表明这些特征在表示各个类别时较为稳定；采用单因素方差分析法对81个频谱特征在各类样本中的显著性水平进行检验,只有7个不具有显著性差异的频谱特征,说明这些频谱特征在区分各类样本时是可行的,可以描述昆虫背部的颜色和纹理特征。 构建了基于支持向量机的昆虫分类模型。选取169张昆虫图像,其中白背飞虱、褐飞虱、灰飞虱三种稻飞虱图像分别为34张,共102张,其它昆虫图像有蚂蚁2张、露尾甲10张、水蝇2张、潜蝇19张、长蝽2张、盲蝽1张,共36张,三种叶蝉合计31张,用二维傅里叶频谱窗口数据构成p维描述昆虫虫体特征的特征向量,样本分成训练集和测试集两部分,采用标准的C-支持向量机,选用成对分类方法和径向基核函数,运用网格搜索的交叉验证方法选取最佳惩罚系数C和核函数参数σ,用训练集对分类模型进行训练,根据算法中使用的训练集,用被评价的分类算法求出决策函数,然后用测试集测试所得决策函数的准确率,得到不同傅里叶频谱窗口对训练集和测试集样本的测试结果,得到预测准确率基本上与四类昆虫虫体背部图像傅里叶频谱数据分析结论相符,表明设计的稻飞虱自动识别方案是可行的。 稻飞虱自动识别装置选用3×3二维傅里叶频谱窗口,即用9个特征向量来描述昆虫背部的颜色和纹理特征,建立基于支持向量机的昆虫分类模型,稻飞虱识别率达到90%以上,基本能反映水稻田稻飞虱的虫口密度。通过对田间昆虫数字图像采集、稻飞虱的识别特征描述和昆虫分类模型建立等关键技术的研究,探讨稻飞虱自动识别方法,有助于提高稻飞虱自动识别技术水平。