基于图像灰度频率与人工神经网络的病虫害防治-叶聪.pdf

《基于图像灰度频率与人工神经网络的病虫害防治-叶聪.pdf》由会员分享，可在线阅读，更多相关《基于图像灰度频率与人工神经网络的病虫害防治-叶聪.pdf（6页珍藏版）》请在得力文库 - 分享文档赚钱的网站上搜索。

1、第1卷第1期2018年2月电子器件Chinese Journal of Electron DevicesVol 1 No 1Feb 2018收稿日期:20161127 修改日期:20170331Image Grey Frequency and Artificial Neural NetworkBased Pest Control ApproachYE Cong1,SHEN Jinlong2(1.Suzhou College of Information Technology,Suzhou Jiangsu 215200,China;2.School of Computer Science and

2、 Technology,Nanjing University of Posts and Telecommunications,Nanjing 21006,China)Abstract:IPM(Integrated Pest Management)can reduce the usage amount of harmful chemicals of the greenhouse,but the current method dependent on manual decision-making the performs much errors,A whitefly and thripsdetec

3、ting and monitoring method based on the image process and artificial neural network is proposed Firstly,thedigital images of sticky traps are collected by image acquiring system;then,the target detection,segmentation andmorphometric analysis are used to process each pest target;lastly,forward multil

4、ayer neural network algorithm isadopted to classify the targets The proposed system realizes a recognition accuracy of 096 for whitefly,and arecognition accuracy of 095 for thripsKey words:computer image process;Pest control;artificial neural network;smart agricultural system;target detec-tion;plast

5、ic greenhouseEEACC:1295;6140C doi:10.3969/j.issn.1005-9490.2018.01.046基于图像灰度频率与人工神经网络的病虫害防治叶 聪1,沈金龙2(1苏州信息职业技术学院,江苏苏州215200;2南京邮电大学计算机科学与技术系,南京21006)摘 要:病虫害综合治理(IPM)可降低温室中化学物质的使用量,而基于人工判断的IPM容易产生错误,提出一个基于图像处理算法与人工神经网络检测与监控温室中粉虱与蓟马的方法。首先,通过图像采集系统获得粘虫板的数字图像;然后,对于每个检测目标使用图像的目标检测、分割与形态学分析等方法进行处理;最终,通过前向

6、多层神经网络算法将目标分类处理。该系统的粉虱识别精度高达096,蓟马的识别精度为092。关键词:计算机图像处理;病虫害预防;人工神经网络;智能农业系统;目标检测;温室大棚中图分类号:TP393 文献标识码:A 文章编号:1005-9490(2018)01-0250-06现在社会对于食物安全与食品质量的要求日益提高,通过化学物质(杀虫剂等)防治害虫的方法不符合食品安全的要求,设计安全的害虫防治策略成为当前农业温室领域的一个重要课题12。温室的虫害防治需从虫害早期精确地检测出害虫,方可降低害虫对温室作物的危害3。现有的无损农业工程技术对于粉虱与蓟马的检测效果较低,本文采用图像处理与神经网络实现了无

7、损的自动虫害检测方案。图像处理技术已广泛地应用于车牌识别、道路跟踪、银行票据处理等领域5,为各应用领域带来了高效的解决方案。已有许多研究将图像处理技术应用于农业生产过程中,有效地提高了农业生产的自动化水平67。文献8提出了基于计算机视觉的农业害虫检测识别算法,该算法融合灰度空间、SV空间与YUV空间,以线性形式构造害虫区域粗定位模型,通过基于轮廓梯度差的Grabcut算法精确地检测出害虫。文献9利用图像处理和统计分析,提出了一种基于病害叶片图像和环境信息的黄瓜病害类别识别方法。文献10基于不同发病部位的病症及虫害、草害的图像知识和文本知识,采用二叉树检索算法,设计开发了玉米病虫害诊断专家系统。

8、文献8为作万方数据第1期叶 聪,沈金龙:基于图像灰度频率与人工神经网络的病虫害防治 物害虫区域定位方案,无法检测出害虫的类型,文献910则分别为黄瓜与玉米两种作物虫害的检测系统。粉虱与蓟马是温室大棚中最为常见与难治的两种害虫11,但目前自动化检测方案的检测准确率不高,效果并不明显12。针对温室大棚中粉虱与蓟马两种最为难治的虫害,采用图像处理与神经网络实现了无损的自动虫害检测方案。本系统的粉虱识别精度高达096,召回率为095,F-measure分数为095,蓟马的识别精度为092,召回率为096,F-measure为09,获得了较好的实用效果。图1 图像处理的目标检测(a)为感兴趣区域的RGB

9、图像;(b)、(d)、(f)分别为R、G、B三色通道的图像;(c)、(e)、(g)分别为RGB三色通道的分割结果;(h)为(c)、(e)、(g)3个图像的逻辑和运算;(i)为(h)的互补图像;(j)为填充像素区域空隙后的结果;(k)为选择的目标;(l)为目标中心计算结果。1 实验方法1.1 图像采集在苏州地区选择一个多跨(三跨)的西红柿温室大棚,将粘虫板均匀地分布于棚内。采用文献13的两种粘虫板(分别采集粉虱与蓟马),每星期替换成新的粘虫板,旧的粘虫板取回实验室提出数据,共收集2周的粘虫板(30块),其中17块为黄色粘虫板(用于粉虱识别),13块为蓝色粘虫板(用于蓟马识别)。对30个粘虫板使用

10、立式的5dpt放大镜,通过人工计数统计粉虱与蓟马的数量。使用Canon EOS 550D数码相机拍摄每个粘虫板的RGB彩色数码图像,共获得30个图像,图像大小为5 183 56个像素。1.2 昆虫识别算法昆虫识别过程包含3个步骤:首先,处理粘虫板图像的感兴趣区域进行对象的检测,返回每个目标的采样图像,采用分割算法处理每个采样图像,获得独立的目标图像;然后,计算独立目标的形态学特征与颜色特征;最终,采用前向的人工神经网络实现目标的特征分类。121 粘虫板图像的目标检测图1所示是粘虫板图像的图像处理过程。 (1)从粘虫板图像剪裁出感兴趣区域。 (2)计算彩色图像感兴趣区域每个通道的直方图,将各通道

11、中灰度值频率大于10 000的像素设为粘虫板背景,如图2所示。因为采用每周采样的实验方案,图像中昆虫的像素灰度值频率必定小于阈值10 000。 (3)基于像素的频率阈值与灰度阈值决定图像的背景。基于计算的灰度阈值从RGB各通道建立一个二值图像,将背景灰度范围以外的像素分类为一个目标。然后,进行逻辑分离,使用3个二值通道(RGB)获得一个背景遮挡图像,填充遮挡的互补区域像素,获得真实的目标。最终,基于粉虱与蓟马采样区域的分布,选择区域中50到2 000个像素作为目标。将目标的中心作为感兴趣区域的中心,剪切11个像素的矩形区域(将目标中心作为矩形质心),剪裁的图像作为采样图像。然后,将采样图像进行

12、两次随机的置乱以获得像素集合,选择像素集152万方数据电 子 器 件第1卷图2 YST图像感兴趣区域的直方图(a)、(c)、(e)分别是R、G、B通道的直方图;(b)、(d)、(f)分别是R、G、B通道的频率阈值图合的一半作为ANN的训练集,验证昆虫识别结果。图3 粉虱的图像处理过程(a)为原RGB图像;(b)为ab颜色模型图像;(c)为ab模型a分量;(d)为对比度拉伸图像;(e)为Otsu二值化图像;(f)为ab模型b分量;(g)为对比度拉伸图像;(h)为图像的实现;(i)为Otsu二值化图像;(j)为a,b分量的逻辑连接运算;(k)为选择的目标昆虫122 采样图像的分割与特征提取使用图像

13、分割算法处理每个采样图像,如图3所示。 (1)将RGB转化为ab颜色模型,对于a、b通道进行反差拉伸。 (2)因为粉虱的身体和翅膀主要分别是棕色与白色,由此分别使用a、b通道识别身体与翅膀。实现各通道灰度阈值的自动识别,进行逻辑连接运算,使用连接的相邻像素连接算法获得像素的标记区域。 (3)计算各像素区域的形态学特征,如果采样图像中发现多个区域,仅将最大的像素区域作为感兴趣区目标。图所示是蓝色粘虫板图像的分割图像增强结果,将RGB图像变换为SV颜色模型。提取黄色粘虫板的分割与形态学特征。图4 蓟马的图像处理过程(a)为原RGB图像;(b)为SV图像;(c)为饱和度通道;(d)为对比度拉伸图像;

14、(e)为Otsu二值化图像;(f)为选择的目标昆虫图像处理之后,每个目标返回一个包含15个形态学与颜色特征的向量,然后基于互信息选择1个特征,将每个向量随机置乱并分为两半,一半用来设计神经网络,另一半用来验证目标自动识别的结果。252万方数据第1期叶 聪,沈金龙:基于图像灰度频率与人工神经网络的病虫害防治 从粘虫板识别目标昆虫的过程中,算法自动地将分割处理的结果特征作为神经网络的输入。123 神经网络的分类图5所示是本文多层的前向神经网络结构,神经网络的输入为从目标提取的形态学与颜色特征向量p,长度为R = 1。神经网络包含一个两层的感知器算法(输入=1,输出=2),分别使用log-sig-m

15、oidf=1(n)= 1/ (1en)与f=2(n)= n变换函数处理输入信号。为了找到最优的网络配置,共训练28组网络配置,所以测试的总节点数量为S=1 / S=2 =128 /2。对于昆虫与非昆虫目标向量的网络训练输出信号分别为a=2 =1,0与a=2 =0,1。将网络配置集中70%作为训练集,15%用于测试,15%用于神经网络的验证。图5 粉虱与蓟马特征识别的前向人工神经网络使用表达式ab =a=2(1)a=2(2)测量输出信号a=2的平衡,获得一个新的输出信号ab。输出信号的正值认为是目标昆虫,负值为非昆虫。使用量化的输出信号ac与AVS(算法验证集)寻找最优的神经网络配置,分析AVS

16、的所有样本ac,ac中包含目标昆虫Iti与非目标对象Int,长度分别为Sti与Snt。神经网络的精度Pnn计算为:Pnn =SaMAESa 100 (1)识别误差FNR(假阴性率)与FPR(假阳性率)分别如下计算:FNR= ItinnSti 100 (2)FPR= IntnnSnt 100 (3)1.3 算法验证与检测的性能指标为了评估目标虫害的检测精度,计算两个目标昆虫(粉虱与蓟马)的检测精度、召回率与F-measure分数。人工观察的目标昆虫数量作为参考量N,自动识别的目标昆虫数量作为假设量M,分别如下计算:N=CBD ()M=CBI (5)式中:C是正确识别的目标昆虫数量,B是置换的数量

17、,I是删除的数量,D是插入的数量。统计学中精度P与召回率R评估信息检索与提取系统的性能,精度测量了粉虱与蓟马的检测正确率,召回率则表示置换与删除误差。分别如下计算:P=C/ M (6)R=C/ N (7)最终,采用加权的精度与召回率决定昆虫识别算法的总性能,F-measure分数的计算方法如下:F=2PRPR (8)2 实验结果与讨论基于两点分析实验结果:(1)分析3个图像处理阶段的结果,(2)分析神经网络特征分类器的结果。2.1 目标检测程序实验发现检测程序的结果粘虫板图像中大多数信息为背景(95.13%),检测结果显示与昆虫识别过程相关性低,共有.873.55%的粘虫板中包含有效的害虫目标

18、,这部分虫板用于目标昆虫的识别。因为目标检测算法根据像素的频率阈值检测背景,对颜色差异并不敏感,所以对图像的光照变化具有兼容性。本文目标检测程序从YST图像与BST图像分别地检测出6 620与1 90个目标,YST图像中共有6个粉虱样本,BST图像中共有35个蓟马样本。图6 粉虱识别的样本(a)、(b)分别为粉虱位置与方向的差异;(e)、(f)分别为(a)、(b)的图像分割结果;(c)、(g)分别为阴影区域及其图像分割结果;(d)、(h)分别为非目标昆虫及其分割结果2.2 图像处理程序图6所示是一组图像处理的实例,在彩色背景下,对粉虱的图像分割性能较好。如图7所示是蓟马图像分割的实例,因为其背

19、景颜色为白色,所以目标的分割效果较好。不管昆虫的方向与位置发生变化,均可正确地实现昆虫的分割。蓟马识别过程使用了蓝色粘虫板,使用SV彩352万方数据电 子 器 件第1卷色模型的饱和度通道识别蓝色粘虫板的蓟马,获得了满意的结果。粉虱识别过程使用了黄色粘虫板,使用ab彩色模型的a与b两个通道识别黄色粘虫板的粉虱。两种分割算法采用了对比度调节与Otsu方法(图像二值化),算法的总性能不仅依赖形态学特征(用于目标分类),并且依赖颜色特征。本系统中大多数目标与非目标昆虫的平均特征是相似的,各特征值的分散度较高。因为特征值之间分离的不明显,所以无法根据单一的特征直接进行分类处理,由此说明同一类的特征之间相

20、关性较高。最终,使用人工神经网络识别目标昆虫。图7 蓟马识别的样本(a)、(b)分别为蓟马位置与方向的差异;(e)、(f)分别为(a)、(b)的图像分割结果;(c)、(g)分别为阴影区域及其图像分割结果;(d)、(h)分别为非目标昆虫及其分割结果2.3 害虫分类的神经网络从28个神经网络中选择最优的神经网络来识别目标害虫。实验发现,对粉虱与蓟马识别的最优神经网络配置为16/2与9/2,最优神经网络的识别精度保持稳定,并且神经层具有较多的神经元。粉虱识别的神经网络(16/2配置)获得了较好的识别结果:精度Pnn =98.21%,FNR=5.02%,PR=0.99%,MAE=1.790%;蓟马识别

21、的神经网络(9/2配置)也获得了较好的识别结果: Pnn = 98. 65%, FNR =399%,FPR=103%,MAE=1.352%,本方案的识别结果优于文献115。表1总结了神经网络识别算法对目标与非目标对象的识别结果,可看出目标害虫与非目标对象集合中大多数特征发生重叠,为了防止假阳性结果,网络训练的AVS输入集合中非目标对象比目标害虫数量多,粉虱案例中共有300个目标昆虫与1 315个非目标对象,因此神经网络具有极低的假阳性。实验发现在最优的神经网络架构下,粉虱与蓟马识别的最优神经元数量S分别为16与9(=1)。神经网络对应的RMSE分别为0253与0221,因为RMSE的值均小于标

22、准偏差的一半(粉虱0399与蓟马0311),所以RMSE的结果是可接受的。此外,粉虱与蓟马的识别MAPE值分别为11.366%与7.93%,实验结果显示粉虱识别率(R2 = 0.900)略大于蓟马识别率(R2 =0.87)。表1 神经网络识别算法对目标与非目标对象的识别结果特征粉虱目标害虫非目标对象蓟马目标害虫非目标对象粘虫板区域953512 868506 6882 6988凸形区域1 209559 1 117567 93355 951558当量直径3310108 311082 27651052 278810532.4 算法效果验证图8所示是粘虫板上的目标昆虫的识别结果。对粉虱识别结果进行Bl

23、and-Altman分析,其均值与偏置值为181160,总体而言,本算法对每个粘虫板具有181160的过估计。布兰德奥特曼协议限制16也很宽(792 1160),粘虫板的识别方法仅获得了05915的提高。图8 粘虫板的差分均值计数(昆虫密度30)(a)与(b)分别是粉虱与蓟马的识别数据,是差分均值,是标准偏差。表2所示是从样本图像识别目标昆虫的性能指标结果,从表中可看出,黄色粘虫板的粉虱识别精度(096)高于蓝色粘虫板的识别精度(092),蓟马的识别率(096)略高于粉虱的识别率(095),粉虱与蓟马识别的F-measure分数分别为096与09,说明识别的正确率远高于错误识别率。与其他采用图

24、像处理算法的虫害识别算法进行对比,文献17对粉虱识别的F-measure分数为095,文献18对粉虱识别的F-measure分数为52万方数据第1期叶 聪,沈金龙:基于图像灰度频率与人工神经网络的病虫害防治 089,文献19对粉虱与蓟马的识别精度均为096。综上所述,本算法的识别准确率优于以上3个同类型识别算法。本文使用神经网络与1个形态学与颜色特征识别粘虫板上的粉虱与蓟马,因为设计了采样程序来分割粉虱与蓟马区域。表2 害虫识别算法的性能指标结果性能指标粉虱蓟马观察值3 266 1 778预测值3 232 1 857正确预测值3 102 1 707错误预测值130 71精度096 092召回率

25、095 096F-measure分数095 093 结论本文为温室环境设计了粉虱与蓟马成虫阶段的检测与量化方案,结合了图像处理算法与人工神经网络分类技术,实现了目标害虫的早期检测与分类,本方案为物理措施,无化学物质污染与危害。根据真实的实验结果,本方案对粉虱成虫的识别精度高达096、召回率为095与F-measure分数为095;对蓟马成虫的识别精度高达092、召回率为096、F-measure分数为09。目前本方案对粉虱与蓟马成虫的识别效果较好,未来将扩展本方案的应用范围,提高对其他害虫的检测精度。参考文献:1 董玉德,丁保勇,张国伟,等基于农产品供应链的质量安全可追溯系统J农业工程学报,2

26、016,32(1):2802852张恩迪,张佳锐基于物联网的农业虫害智能监控系统J农机化研究,2015(5):229233茹煜,金兰,周宏平,等航空施药旋转液力雾化喷头性能试验J农业工程学报,201,30(3):5055孙玉砚,孙利民,朱红松,等基于车牌识别系统车辆轨迹的行为异常检测J计算机研究与发展,2015,52(8):192119295季婧婧,娄震基于二次分割的银行票据彩色印章的滤除J现代电子技术,201(22):596贾伟宽,赵德安,阮承治,等苹果采摘机器人夜间图像降噪算法J农业工程学报,2015(10):2192267刘春茂,郝倩农业图像新型自适应混合滤波算法的应用J江苏农业科学,2

27、015(8):2258王爱新,李春友,张喆基于计算机视觉的农业图像害虫定位检测算法J江苏农业科学,2016,(7):361369王献锋,张善文,王震,等基于叶片图像和环境信息的黄瓜病害识别方法J农业工程学报,201(1):1815310刘同海,黄斌博,李少昆,等基于图像规则推理的玉米病虫草害诊断系统的设计J中国农业大学学报,2012,17():15158 11汪京京,张武,刘连忠,等农作物病虫害图像识别技术的研究综述J计算机工程与科学,201,36(7):1363137012王志彬,王开义,张水发,等基于K-means聚类和椭圆拟合方法的白粉虱计数算法J农业工程学报,201(1):105112

28、13 ia C,Chon T S,Ren Z,et al Automatic Identification and Count-ing of Small Size Pests in Greenhouse Conditions with ow Compu-tational CostJ Ecological Informatics,201,29:139161 Song J ,ee K J,Yang Y T,et al Sampling Plan for BemisiaTabaci Adults by Using Yellow-Color Sticky Traps in TomatoGreenhou

29、sesJ Korean Journal of Applied Entomology,201,53():37538015 Mogahed M I,Gesraha M A Impact of the Integration of Medicinaland Aromatic erbs Combined with Sticky Traps in the Protection ofPotato Plants against Two Sucking Insect PestsJ InternationalJournal of Scientific Research in Agricultural Scien

30、ces,2015,2(3):5516 Gauss T,amada S,Jurcisin I,et al imits of Agreement BetweenMeasures Obtained from Standard aboratory and the Point-of-CareDevice emochron Signature Elite(R)During Acute aemorrhageJ Bja British Journal of Anaesthesia,201,112(3):512017 Barbedo J G A Using Digital Image Processing fo

31、r Counting White-flies on Soybean eavesJ Journal of Asia-Pacific Entomology,201,17():6856918 i Y,ia C,ee J Detection of Small-Sized Insect Pest in Green-houses Based on Multifractal Analysis J Optik-InternationalJournal for ight and Electron Optics,2015,126 (19):2138 213 19 ia C,Chon T S,Ren Z,et al Automatic Identification and Count-ing of Small Size Pests in Greenhouse Conditions with ow Compu-tational CostJ Ecological Informatics,201,29:13916叶 聪(1980),女,江苏吴江人,硕士,讲师,主要研究方向为图形图像处理;沈金龙(192),男,江苏南京人,教授,博导,主要研究方向为计算机通信与网络,yecongjs 126com。552万方数据