品才網(wǎng)>農(nóng)業(yè)經(jīng)濟(jì)管理>圖像識(shí)別處理技術(shù)在農(nóng)業(yè)工程中的應(yīng)用論文

圖像識(shí)別處理技術(shù)在農(nóng)業(yè)工程中的應(yīng)用論文

時(shí)間：2022-07-03 12:39:58 農(nóng)業(yè)經(jīng)濟(jì)管理我要投稿

相關(guān)推薦

　　摘要： 研究一種基于圖像識(shí)別處理的糧蟲檢測(cè)方法，將圖像識(shí)別處理技術(shù)應(yīng)用于農(nóng)業(yè)工程。首先使用灰度化、二值化、平滑以及銳化技術(shù)對(duì)糧蟲圖像進(jìn)行預(yù)處理，使得圖像更容易進(jìn)行邊緣檢測(cè)和圖像特征提取。之后使用四種邊緣檢測(cè)方法實(shí)現(xiàn)圖像中待識(shí)別糧蟲的邊緣檢測(cè)。使用糧蟲圖像的8種區(qū)域描述子特征作為糧蟲識(shí)別模型的輸入特征。最后選取常見的玉米象、擬谷盜和鋸谷盜三種糧蟲為研究對(duì)象，使用基于RBF神經(jīng)網(wǎng)絡(luò)的識(shí)別模型對(duì)三種糧蟲圖像的幾何形態(tài)特征進(jìn)行識(shí)別。

圖像識(shí)別處理技術(shù)在農(nóng)業(yè)工程中的應(yīng)用論文

　　關(guān)鍵詞： 糧蟲檢測(cè)；特征提��； RBF神經(jīng)網(wǎng)絡(luò)；圖像識(shí)別

　　0 引言

　　目前儲(chǔ)糧害蟲問(wèn)題是世界上很多國(guó)家所面臨的困難，在很多國(guó)家每年都會(huì)因?yàn)榧Z食害蟲而損失很多糧食。在遭受到糧食害蟲的侵害以后糧食的籽粒會(huì)被破壞，容易變質(zhì)、結(jié)塊、發(fā)熱以及發(fā)霉，另外在老化死去害蟲尸體、糞便以及有毒液體的影響下糧食會(huì)受到較為嚴(yán)重的污染[1]。

　　總的來(lái)說(shuō)，目前主要有四種方法來(lái)檢測(cè)糧食害蟲：首先是取樣法，將所制作的扦樣器按照區(qū)域定點(diǎn)的方法安裝在儲(chǔ)糧庫(kù)內(nèi)。采用電機(jī)或者人工的方法吸取糧食樣本，然后交由技術(shù)人員分類、鑒別以及篩選，這樣就可以對(duì)庫(kù)區(qū)糧食害蟲密度進(jìn)行確定。這種方法需要較大的勞動(dòng)量，降低了工作效率，另外人為主觀因素容易對(duì)最后的結(jié)果產(chǎn)生影響，因此產(chǎn)生了較大的誤差。其次是誘捕法，通過(guò)對(duì)糧食害蟲生理特性以及習(xí)性的利用來(lái)采取合適的誘捕方式，主要包括糧食害蟲生理特性誘集法以及陷阱式誘集法兩種。但是在應(yīng)用誘捕法的過(guò)程中需要制作誘導(dǎo)劑以及提取糧食害蟲的信息素，由于具有較強(qiáng)的針對(duì)性，而且具有種類繁多的糧食害蟲，因此所消耗的成本比較大，所以以上兩種方法也存在著一定的缺陷。再次是聲測(cè)法，通過(guò)對(duì)聲音監(jiān)測(cè)裝置的應(yīng)用，分析害蟲爬行以及吃食時(shí)的聲音，進(jìn)而就可以獲取糧食害蟲密度信息。在應(yīng)用這種方法的過(guò)程中會(huì)在周圍產(chǎn)生較大的噪音，同時(shí)需要花費(fèi)較大的資金來(lái)制造聲音監(jiān)測(cè)裝置，所以目前這種方法并沒(méi)有得到廣泛的應(yīng)用。最后一種方法是近紅外反射光譜識(shí)別法，糧食害蟲的C，H，N成分存在著很大的差距，因此就會(huì)產(chǎn)生不同的近紅外線光譜，這種不同種類的糧食害蟲就可以通過(guò)NIR 的掃描來(lái)進(jìn)行識(shí)別。但是這種方法仍然存在著一定的缺陷，例如糧食的不完整顆粒以及顆粒大小等物理因素會(huì)對(duì)掃描結(jié)果產(chǎn)生一定的影響，使得無(wú)法獲得準(zhǔn)確和清晰的NIR 掃描圖像[2?3]。

　　除了使用聲音檢測(cè)方法外，其他方法不利于實(shí)現(xiàn)自動(dòng)化糧蟲檢測(cè)，人工檢測(cè)方法效率低、成本高，因此本文研究一種基于圖像識(shí)別處理的糧蟲檢測(cè)方法，將圖像識(shí)別處理技術(shù)應(yīng)用于農(nóng)業(yè)工程。

　　1 糧蟲圖像預(yù)處理

　　1.1 圖像灰度化處理

　　在分析糧蟲圖像的過(guò)程中首先需要進(jìn)行圖像顏色之間的轉(zhuǎn)換，通常是將彩色轉(zhuǎn)換為灰色，這樣既能夠加快圖像的處理速度，另外還能夠方便地將處理后的信息向原來(lái)的圖像上進(jìn)行轉(zhuǎn)移。

　　通常利用最大值法、加權(quán)平均法以及平均值法來(lái)進(jìn)行彩色圖像和灰色圖像之間的轉(zhuǎn)換。本文在進(jìn)行彩色圖像灰度化處理的過(guò)程中主要采用了最大值法，這種方法比較簡(jiǎn)單，采用三原色R，G，B來(lái)對(duì)圖像的灰度值進(jìn)行描述[4]。

　　1.2 二值化

　　采用二值化手段來(lái)處理糧蟲圖像，這樣能夠重點(diǎn)顯示對(duì)象區(qū)域，對(duì)于后續(xù)的分析和辨別非常有利。由于在灰度上目標(biāo)圖像與背景圖像存在著較大的差距，因此可以根據(jù)灰度值的不同來(lái)對(duì)目標(biāo)圖像進(jìn)行區(qū)分。分別用0和1來(lái)表示目標(biāo)圖像和背景圖像，這樣就能夠?qū)崿F(xiàn)灰色圖像和二值圖像之間的轉(zhuǎn)換，具有較高的識(shí)別度。本文只對(duì)單個(gè)的背景和圖像進(jìn)行了分析。因此在數(shù)據(jù)對(duì)比的過(guò)程中使用了一個(gè)閾值Th，達(dá)到分類像素群的目的。將圖像中的背景灰度值以及目標(biāo)灰度值分別設(shè)置[5]為1和0。

　　1.3 圖像平滑

　　本文使用鄰域平均法對(duì)糧蟲圖像進(jìn)行平滑處理。所應(yīng)用的均值濾波的鄰域平均法實(shí)際上就是進(jìn)行空域平滑處理，首先在相同的窗口上放置圖像，平均所有的像素灰度值，通過(guò)對(duì)中心部位像素灰度值的替代就能夠達(dá)到平滑的目的。均值濾波和低通濾波器具有相同的作用，輸出的圖像可以用離散卷積來(lái)進(jìn)行表示[6]。

　　1.4 圖像銳化

　　通過(guò)對(duì)圖像的銳化處理能夠達(dá)到修復(fù)外部形狀以及進(jìn)行圖像邊緣聚焦的目的。通過(guò)圖像灰度顏色的加深以及外援色彩數(shù)值的對(duì)比能夠?qū)D像的清晰度進(jìn)行提升。目前Sobel算子、Laplace算子以及Robert算子是圖像銳化過(guò)程中經(jīng)常采用的算子，本文在圖像銳化的過(guò)程中采用了Robert算子。

　　2 邊緣檢測(cè)

　　在經(jīng)過(guò)上述的預(yù)處理后，能夠顯著地提升圖像的質(zhì)量，但是還需要采用圖像邊緣檢測(cè)技術(shù)來(lái)對(duì)圖像中的背景和目標(biāo)進(jìn)行區(qū)分[7]。

　�。�1） Roberts 邊緣檢測(cè)算子。Roberts 邊緣檢測(cè)算子是使用局部差分算法實(shí)現(xiàn)。其中原始圖像用f（x，y）表示，邊緣檢測(cè)后輸出的圖像用g（x，y）表示：

　　利用互相垂直方向上的差分Roberts 邊緣檢測(cè)算子就可以對(duì)梯度進(jìn)行計(jì)算，另外邊緣之間的檢測(cè)可以利用對(duì)角線方向相鄰像素之差來(lái)實(shí)現(xiàn)。

　　通過(guò)對(duì)模板的利用能夠?qū)oberts 的梯度幅度G進(jìn)行計(jì)算，進(jìn)而得到合適的閾值T，當(dāng)G>T時(shí)，該點(diǎn)就是階躍邊緣點(diǎn)，進(jìn)而獲取邊緣圖像。

　�。�2） Sobel 邊緣檢測(cè)算子。Sobel邊緣檢測(cè)算子考察各個(gè)像素的鄰域加權(quán)差，加權(quán)差值最大的點(diǎn)就是邊緣點(diǎn)：

　　算子模板為：

　　（3） Prewitt 邊緣檢測(cè)算子。算子和算子具有相似的特點(diǎn)：

　　算子模板為：

　�。�4） Laplacian 邊緣檢測(cè)算子。邊緣檢測(cè)算子，通過(guò)在邊緣處產(chǎn)生陡峭的零交叉來(lái)實(shí)現(xiàn)邊緣檢測(cè)的目的[8]：

　　本文選取常見的玉米象、擬谷盜和鋸谷盜三種糧蟲為研究對(duì)象，使用上述四種邊緣檢測(cè)方法對(duì)糧蟲圖像邊緣進(jìn)行檢測(cè)，其中檢測(cè)效果最好的是使用邊緣檢測(cè)算子，檢測(cè)效果最差的是使用邊緣檢測(cè)算子。兩種算子檢測(cè)結(jié)果如圖1所示。

　　3 糧蟲圖像特征提取

　　區(qū)域描述子特征在圖像分析的過(guò)程中具有非常強(qiáng)的實(shí)用效果。因此本文使用糧蟲圖像的八種區(qū)域描述子特征作為糧蟲識(shí)別模型的輸入特征[9?10]：

　�。�1）面積A：圖像中待識(shí)別對(duì)象面積像素點(diǎn)個(gè)數(shù)總和：

　�。�2）周長(zhǎng)P：待識(shí)別對(duì)象的周長(zhǎng)：

　　式中，SUM（in）為4鄰域內(nèi)像素均為待識(shí)別對(duì)象的像素個(gè)數(shù)總和。

　�。�3）相對(duì)面積RA：待識(shí)別對(duì)象面積占圖像總體比例：

　　（4）延伸率S：待識(shí)別糧蟲圖像的最小外接矩形的寬度比上長(zhǎng)度值[11]：

　�。�5）復(fù)雜度C：待識(shí)別對(duì)象緊湊性：

　�。�6）占空比B：反應(yīng)待識(shí)別對(duì)象的復(fù)雜程度：

　　（7）等效面積圓半徑R：

　�。�8）偏心率E：待識(shí)別對(duì)象長(zhǎng)短軸長(zhǎng)度之比，描述了待識(shí)別對(duì)象的緊湊性，使用Tenebaum近似計(jì)算公式對(duì)偏心率E求解：

　　平均向量求解：

　　1、j+k階中心矩求解：

　　2、方向角求解：

　　3、偏心率E近似求解[12?13]：

　　4 糧蟲識(shí)別實(shí)驗(yàn)

　　本文選取常見的玉米象、擬谷盜和鋸谷盜三種糧蟲為研究對(duì)象，對(duì)其圖像進(jìn)行處理識(shí)別。分別使用邊緣檢測(cè)算子、邊緣檢測(cè)算子、邊緣檢測(cè)算子和邊緣檢測(cè)算子對(duì)其圖像進(jìn)行邊緣檢測(cè)，并提取其圖像的面積A、周長(zhǎng)P、相對(duì)面積RA、延伸率S、復(fù)雜度C、占空比B、等效面積圓半徑R和偏心率E這八個(gè)特征用于對(duì)三種糧蟲的識(shí)別，具體特征值如表1所示。

　　使用基于RBF神經(jīng)網(wǎng)絡(luò)的識(shí)別模型對(duì)三種糧蟲圖像的幾何形態(tài)特征進(jìn)行識(shí)別，識(shí)別原理如圖2所示。

　　選取50張玉米象圖像、50張擬谷盜圖像和50張鋸谷盜圖像以及20張無(wú)糧蟲圖像對(duì)基于RBF神經(jīng)網(wǎng)絡(luò)的識(shí)別模型進(jìn)行訓(xùn)練，提高其識(shí)別糧蟲圖像的泛化能力。

　　基于RBF神經(jīng)網(wǎng)絡(luò)的識(shí)別模型的輸入向量為糧蟲圖像的八種特征，即輸入節(jié)點(diǎn)數(shù)為8；基于RBF神經(jīng)網(wǎng)絡(luò)的識(shí)別模型的輸出向量結(jié)果為玉米象圖像、擬谷盜圖像、鋸谷盜圖像以及無(wú)糧蟲圖像4種，即輸出節(jié)點(diǎn)數(shù)為4；隱含層節(jié)點(diǎn)數(shù)根據(jù)經(jīng)驗(yàn)公式計(jì)算。

　　分別使用20張玉米象圖像、20張擬谷盜圖像和20張鋸谷盜圖像對(duì)訓(xùn)練后的基于RBF神經(jīng)網(wǎng)絡(luò)的識(shí)別模型進(jìn)行測(cè)試。

　　能夠得到使用邊緣檢測(cè)算子、邊緣檢測(cè)算子、邊緣檢測(cè)算子和邊緣檢測(cè)算子對(duì)其圖像進(jìn)行邊緣檢測(cè)后，以及使用基于RBF神經(jīng)網(wǎng)絡(luò)的識(shí)別模型對(duì)糧蟲圖像的識(shí)別結(jié)果如圖3所示。

　　從基于RBF神經(jīng)網(wǎng)絡(luò)識(shí)別模型的糧蟲識(shí)別結(jié)果可以看出，分別使用邊緣檢測(cè)算子、邊緣檢測(cè)算子、邊緣檢測(cè)算子和邊緣檢測(cè)算子對(duì)其圖像進(jìn)行邊緣檢測(cè)后，識(shí)別模型對(duì)三種糧蟲的平均識(shí)別率為80.65%，81.96%，80.34%和78.56%，說(shuō)明在其他情況相同情況下，使用Sobel 邊緣檢測(cè)算子對(duì)糧蟲圖像邊緣檢測(cè)對(duì)于糧蟲圖像識(shí)別準(zhǔn)確率是最有利的，而使用Laplacian 邊緣檢測(cè)算子后糧蟲圖像的識(shí)別率最低。

　　5 結(jié) 論

　　本文研究一種基于圖像識(shí)別處理的糧蟲檢測(cè)方法，將圖像識(shí)別處理技術(shù)應(yīng)用于農(nóng)業(yè)工程。選取常見的玉米象、擬谷盜和鋸谷盜三種糧蟲為研究對(duì)象，對(duì)其圖像進(jìn)行處理識(shí)別。分別使用邊緣檢測(cè)算子、邊緣檢測(cè)算子、邊緣檢測(cè)算子和邊緣檢測(cè)算子對(duì)其圖像進(jìn)行邊緣檢測(cè)，并提取其圖像的面積A、周長(zhǎng)P、相對(duì)面積RA、延伸率S、復(fù)雜度C、占空比B、等效面積圓半徑R和偏心率E這八個(gè)特征用于對(duì)三種糧蟲的識(shí)別，使用基于RBF神經(jīng)網(wǎng)絡(luò)的識(shí)別模型對(duì)三種糧蟲圖像的幾何形態(tài)特征進(jìn)行識(shí)別。結(jié)果表明，在本文的研究條件下，使用邊緣檢測(cè)算子對(duì)糧蟲圖像邊緣檢測(cè)對(duì)于糧蟲圖像識(shí)別準(zhǔn)確率是最有利的，而使用邊緣檢測(cè)算子后糧蟲圖像的識(shí)別率最低。

　　參考文獻(xiàn)

　　[1] 代亭.糧食害蟲智能檢測(cè)及分類方法研究[D].鄭州：河南工業(yè)大學(xué)，2012.

　　[2] 張明真.儲(chǔ)糧害蟲活動(dòng)聲信號(hào)識(shí)別研究[D].西安：陜西師范大學(xué)，2013.

　　[3] 張紅濤.儲(chǔ)糧害蟲圖像識(shí)別中的特征抽取研究[D].鄭州：鄭州大學(xué)，2002.

　　[4] 張成花.基于圖像識(shí)別的儲(chǔ)糧害蟲分類的研究[D].鄭州：鄭州大學(xué)，2002.

　　[5] 韓瑞珍.基于機(jī)器視覺(jué)的農(nóng)田害蟲快速檢測(cè)與識(shí)別研究[D].杭州：浙江大學(xué)，2014.

　　[6] 葛恒赫.基于機(jī)器視覺(jué)的外螺紋表面缺陷檢測(cè)技術(shù)研究[D].重慶：重慶大學(xué)，2014.

　　[7] 王凡.基于機(jī)器視覺(jué)的螺紋缺陷檢測(cè)技術(shù)研究和系統(tǒng)開發(fā)[D].成都：電子科技大學(xué)，2011.

　　[8] 梅雪.基于圖像識(shí)別的儲(chǔ)糧害蟲檢測(cè)專家系統(tǒng)的研究[D].北京：北京郵電大學(xué)，2009.

　　[9] 張衛(wèi)芳.基于圖像處理的儲(chǔ)糧害蟲檢測(cè)方法研究[D].西安：陜西師范大學(xué)，2010.

　　[10] 張紅梅，范艷峰，田耕.基于數(shù)字圖像處理技術(shù)的儲(chǔ)糧害蟲分類識(shí)別研究[J].河南工業(yè)大學(xué)學(xué)報(bào)（自然科學(xué)版），2005（1）：19?22.

　　[11] 胡祝華，趙瑤池，白勇，等.基于圖像處理技術(shù)的儲(chǔ)糧害蟲快速識(shí)別[J].安徽農(nóng)業(yè)科學(xué)，2014（30）：10784?10787.