影象識別處理技術在農業工程中的應用論文
摘 要： 研究一種基於影象識別處理的糧蟲檢測方法，將影象識別處理技術應用於農業工程。首先使用灰度化、二值化、平滑以及銳化技術對糧蟲影象進行預處理，使得影象更容易進行邊緣檢測和影象特徵提取。之後使用四種邊緣檢測方法實現影象中待識別糧蟲的邊緣檢測。使用糧蟲影象的8種區域描述子特徵作為糧蟲識別模型的輸入特徵。最後選取常見的玉米象、擬谷盜和鋸谷盜三種糧蟲為研究物件，使用基於RBF神經網路的識別模型對三種糧蟲影象的幾何形態特徵進行識別。
關鍵詞： 糧蟲檢測； 特徵提取； RBF神經網路； 影象識別
0 引 言
目前儲糧害蟲問題是世界上很多國家所面臨的困難，在很多國家每年都會因為糧食害蟲而損失很多糧食。在遭受到糧食害蟲的侵害以後糧食的籽粒會被破壞，容易變質、結塊、發熱以及發黴，另外在老化死去害蟲屍體、糞便以及有毒液體的影響下糧食會受到較為嚴重的汙染[1]。
總的來說，目前主要有四種方法來檢測糧食害蟲：首先是取樣法，將所製作的扦樣器按照區域定點的方法安裝在儲糧庫內。採用電機或者人工的方法吸取糧食樣本，然後交由技術人員分類、鑑別以及篩選，這樣就可以對庫區糧食害蟲密度進行確定。這種方法需要較大的勞動量，降低了工作效率，另外人為主觀因素容易對最後的結果產生影響，因此產生了較大的誤差。其次是誘捕法，透過對糧食害蟲生理特性以及習性的利用來採取合適的誘捕方式，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。但是在應用誘捕法的過程中需要製作誘導劑以及提取糧食害蟲的資訊素，由於具有較強的針對性，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。再次是聲測法，透過對聲音監測裝置的應用，分析害蟲爬行以及吃食時的聲音，進而就可以獲取糧食害蟲密度資訊。在應用這種方法的過程中會在周圍產生較大的噪音，同時需要花費較大的資金來製造聲音監測裝置，所以目前這種方法並沒有得到廣泛的應用。最後一種方法是近紅外反射光譜識別法，糧食害蟲的C，H，N成分存在著很大的差距，因此就會產生不同的近紅外線光譜，這種不同種類的糧食害蟲就可以透過NIR 的掃描來進行識別。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對掃描結果產生一定的影響，使得無法獲得準確和清晰的NIR 掃描影象[2?3]。
除了使用聲音檢測方法外，其他方法不利於實現自動化糧蟲檢測，人工檢測方法效率低、成本高，因此本文研究一種基於影象識別處理的糧蟲檢測方法，將影象識別處理技術應用於農業工程。
1 糧蟲影象預處理
1.1 影象灰度化處理
在分析糧蟲影象的過程中首先需要進行影象顏色之間的轉換，通常是將彩色轉換為灰色，這樣既能夠加快影象的處理速度，另外還能夠方便地將處理後的資訊向原來的影象上進行轉移。
通常利用最大值法、加權平均法以及平均值法來進行彩色影象和灰色影象之間的轉換。本文在進行彩色影象灰度化處理的過程中主要採用了最大值法，這種方法比較簡單，採用三原色R，G，B來對影象的灰度值進行描述[4]。
1.2 二值化
採用二值化手段來處理糧蟲影象，這樣能夠重點顯示物件區域，對於後續的分析和辨別非常有利。由於在灰度上目標影象與背景影象存在著較大的差距，因此可以根據灰度值的不同來對目標影象進行區分。分別用0和1來表示目標影象和背景影象，這樣就能夠實現灰色影象和二值影象之間的轉換，具有較高的識別度。本文只對單個的背景和影象進行了分析。因此在資料對比的過程中使用了一個閾值Th，達到分類畫素群的目的。將影象中的背景灰度值以及目標灰度值分別設定[5]為1和0。
1.3 影象平滑
本文使用鄰域平均法對糧蟲影象進行平滑處理。所應用的均值濾波的鄰域平均法實際上就是進行空域平滑處理，首先在相同的'視窗上放置影象，平均所有的畫素灰度值，透過對中心部位畫素灰度值的替代就能夠達到平滑的目的。均值濾波和低通濾波器具有相同的作用，輸出的影象可以用離散卷積來進行表示[6]。
1.4 影象銳化
透過對影象的銳化處理能夠達到修復外部形狀以及進行影象邊緣聚焦的目的。透過影象灰度顏色的加深以及外援色彩數值的對比能夠對影象的清晰度進行提升。目前Sobel運算元、Laplace運算元以及Robert運算元是影象銳化過程中經常採用的運算元，本文在影象銳化的過程中採用了Robert運算元。
2 邊緣檢測
在經過上述的預處理後，能夠顯著地提升影象的質量，但是還需要採用影象邊緣檢測技術來對影象中的背景和目標進行區分[7]。
（1） Roberts 邊緣檢測運算元。Roberts 邊緣檢測運算元是使用區域性差分演算法實現。其中原始影象用f（x，y）表示，邊緣檢測後輸出的影象用g（x，y）表示：
利用互相垂直方向上的差分Roberts 邊緣檢測運算元就可以對梯度進行計算，另外邊緣之間的檢測可以利用對角線方向相鄰畫素之差來實現。
透過對模板的利用能夠對Roberts 的梯度幅度G進行計算，進而得到合適的閾值T，當G>T時，該點就是階躍邊緣點，進而獲取邊緣影象。
（2） Sobel 邊緣檢測運算元。Sobel邊緣檢測運算元考察各個畫素的鄰域加權差，加權差值最大的點就是邊緣點：
運算元模板為：
（3） Prewitt 邊緣檢測運算元。運算元和運算元具有相似的特點：
運算元模板為：
（4） Laplacian 邊緣檢測運算元。邊緣檢測運算元，透過在邊緣處產生陡峭的零交叉來實現邊緣檢測的目的[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物件，使用上述四種邊緣檢測方法對糧蟲影象邊緣進行檢測，其中檢測效果最好的是使用邊緣檢測運算元，檢測效果最差的是使用邊緣檢測運算元。兩種運算元檢測結果如圖1所示。
3 糧蟲影象特徵提取
區域描述子特徵在影象分析的過程中具有非常強的實用效果。因此本文使用糧蟲影象的八種區域描述子特徵作為糧蟲識別模型的輸入特徵[9?10]：
（1） 面積A：影象中待識別物件面積畫素點個數總和：
（2） 周長P：待識別物件的周長：
式中，SUM（in）為4鄰域內畫素均為待識別物件的畫素個數總和。
（3） 相對面積RA：待識別物件面積佔影象總體比例：
（4） 延伸率S：待識別糧蟲影象的最小外接矩形的寬度比上長度值[11]：
（5） 複雜度C：待識別物件緊湊性：
（6） 佔空比B：反應待識別物件的複雜程度：
（7） 等效面積圓半徑R：
（8） 偏心率E：待識別物件長短軸長度之比，描述了待識別物件的緊湊性，使用Tenebaum近似計算公式對偏心率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 糧蟲識別實驗
本文選取常見的玉米象、擬谷盜和鋸谷盜三種糧蟲為研究物件，對其影象進行處理識別。分別使用邊緣檢測運算元、邊緣檢測運算元、邊緣檢測運算元和邊緣檢測運算元對其影象進行邊緣檢測，並提取其影象的面積A、周長P、相對面積RA、延伸率S、複雜度C、佔空比B、等效面積圓半徑R和偏心率E這八個特徵用於對三種糧蟲的識別，具體特徵值如表1所示。
使用基於RBF神經網路的識別模型對三種糧蟲影象的幾何形態特徵進行識別，識別原理如圖2所示。
選取50張玉米象影象、50張擬谷盜影象和50張鋸谷盜影象以及20張無糧蟲影象對基於RBF神經網路的識別模型進行訓練，提高其識別糧蟲影象的泛化能力。
基於RBF神經網路的識別模型的輸入向量為糧蟲影象的八種特徵，即輸入節點數為8；基於RBF神經網路的識別模型的輸出向量結果為玉米象影象、擬谷盜影象、鋸谷盜影象以及無糧蟲影象4種，即輸出節點數為4；隱含層節點數根據經驗公式計算。
分別使用20張玉米象影象、20張擬谷盜影象和20張鋸谷盜影象對訓練後的基於RBF神經網路的識別模型進行測試。
能夠得到使用邊緣檢測運算元、邊緣檢測運算元、邊緣檢測運算元和邊緣檢測運算元對其影象進行邊緣檢測後，以及使用基於RBF神經網路的識別模型對糧蟲影象的識別結果如圖3所示。
從基於RBF神經網路識別模型的糧蟲識別結果可以看出，分別使用邊緣檢測運算元、邊緣檢測運算元、邊緣檢測運算元和邊緣檢測運算元對其影象進行邊緣檢測後，識別模型對三種糧蟲的平均識別率為80.65%，81.96%，80.34%和78.56%，說明在其他情況相同情況下，使用Sobel 邊緣檢測運算元對糧蟲影象邊緣檢測對於糧蟲影象識別準確率是最有利的，而使用Laplacian 邊緣檢測運算元後糧蟲影象的識別率最低。
5 結 論
本文研究一種基於影象識別處理的糧蟲檢測方法，將影象識別處理技術應用於農業工程。選取常見的玉米象、擬谷盜和鋸谷盜三種糧蟲為研究物件，對其影象進行處理識別。分別使用邊緣檢測運算元、邊緣檢測運算元、邊緣檢測運算元和邊緣檢測運算元對其影象進行邊緣檢測，並提取其影象的面積A、周長P、相對面積RA、延伸率S、複雜度C、佔空比B、等效面積圓半徑R和偏心率E這八個特徵用於對三種糧蟲的識別，使用基於RBF神經網路的識別模型對三種糧蟲影象的幾何形態特徵進行識別。結果表明，在本文的研究條件下，使用邊緣檢測運算元對糧蟲影象邊緣檢測對於糧蟲影象識別準確率是最有利的，而使用邊緣檢測運算元後糧蟲影象的識別率最低。
參考文獻
[1] 代亭.糧食害蟲智慧檢測及分類方法研究[D].鄭州：河南工業大學，2012.
[2] 張明真.儲糧害蟲活動聲訊號識別研究[D].西安：陝西師範大學，2013.
[3] 張紅濤.儲糧害蟲影象識別中的特徵抽取研究[D].鄭州：鄭州大學，2002.
[4] 張成花.基於影象識別的儲糧害蟲分類的研究[D].鄭州：鄭州大學，2002.
[5] 韓瑞珍.基於機器視覺的農田害蟲快速檢測與識別研究[D].杭州：浙江大學，2014.
[6] 葛恆赫.基於機器視覺的外螺紋表面缺陷檢測技術研究[D].重慶：重慶大學，2014.
[7] 王凡.基於機器視覺的螺紋缺陷檢測技術研究和系統開發[D].成都：電子科技大學，2011.
[8] 梅雪.基於影象識別的儲糧害蟲檢測專家系統的研究[D].北京：北京郵電大學，2009.
[9] 張衛芳.基於影象處理的儲糧害蟲檢測方法研究[D].西安：陝西師範大學，2010.
[10] 張紅梅，範豔峰，田耕.基於數字影象處理技術的儲糧害蟲分類識別研究[J].河南工業大學學報（自然科學版），2005（1）：19?22.
[11] 胡祝華，趙瑤池，白勇，等.基於影象處理技術的儲糧害蟲快速識別[J].安徽農業科學，2014（30）：10784?10787.
[12] 蘇庭奕.基於影象處理的儲糧害蟲檢測及識別方法研究[D].鄭州：河南工業大學，2015.
[13] 姜慧.基於Android的水稻害蟲影象採集與識別系統研究[D].杭州：浙江理工大學，2013.
[14] 牟懌.基於影象處理的儲糧害蟲檢測方法研究[D].武漢：武漢工業學院，2009.