基于图像的水稻灯诱害虫自动识别技术的研究
基于图像识别的农作物病害诊断技术研究
基于图像识别的农作物病害诊断技术研究一、绪论农业是国民经济的重要组成部分，对粮食安全有着至关重要的作用。
然而，出现了病虫害等病害问题已成为制约农业发展的主要障碍之一，给农民带来了经济损失。
为了解决这一问题，基于图像识别的农作物病害诊断技术成为近年来研究的热点，本文将深入探讨该领域的研究现状、方法和应用。
二、图像处理技术在农作物病害诊断中的应用1. 图像采集为了获得高质量的图像，需要从各方面进行控制。
光线、曝光时间、镜头、分辨力等都应严格选择和控制，保证采集到的图像对最终的诊断结果满足要求。
2. 图像预处理由于照相机捕捉到的图像颜色分布比较广泛，又受到采集设备的影响，图像预处理可得到更加准确的诊断结果。
图像预处理的主要方法包括：图像的灰度化、直方图均衡化、图像的尺度不变性分析，以及图像的方向性等。
3. 特征提取特征提取是农作物病害诊断问题中最关键的部分，它能够大大提高算法的准确性和鲁棒性，以取得较好的分类效果。
特征提取的主要方法包括颜色分布、纹理、众数、边缘、形状和统计等。
4. 图像分类根据图像提取的特征，采用分类算法进行判断，对图像进行分类，分类精度高低与分类算法的选择以及特征提取的准确性有关。
当图像分类准确性达到一定的精度时，可对农作物病害进行自动诊断和防治，同时提高管理的效率和经济效益。
三、图像识别算法1. 基于颜色模型的算法基于颜色模型的方法是较为常见的算法，在该方法中，先将图像进行颜色分割，形成不同的彩色区域和色块，然后对区域进行特征提取和分类，识别出目标病害。
该算法简单直观，但在光照变化和颜色偏移较大的情况下，其分类精度较低。
2. 基于纹理特征的算法纹理特征被广泛应用于农作物病害诊断中，纹理特征算法考虑了图像的纹理特征，提取出图像的纹理信息，用于判断图像所属类别。
虽然其算法的计算复杂度不如基于颜色模型的算法简单，但是它可以跨越光照和色彩的影响。
3. 基于形态学的算法形态学算法通过计算反响结构的显著性，对图像的病害、程度进行判断。
基于改进YOLO v5的水稻主要害虫识别方法
基于改进YOLO v5的水稻主要害虫识别方法随着农业技术的不断发展，农作物病虫害对农民的生产造成了严重的影响。
在水稻生产中，主要害虫的及时识别和有效防治是保障水稻产量的关键。
为了提高害虫的识别准确性和效率，本文将探讨基于改进YOLO v5的水稻主要害虫识别方法。
一、YOLO v5简介YOLO（You Only Look Once）是一种端到端的实时目标检测算法，能够在一张图像中同时检测多个目标。
其优势在于实时性和准确性的平衡，适用于各种实际应用场景。
YOLO v5是对YOLO算法的改进和优化，通过引入更深的网络结构、更有效的数据增强技术和更先进的训练策略，进一步提升了检测准确性和速度。
二、数据集准备为了训练和测试基于改进YOLO v5的水稻主要害虫识别方法，我们首先需要构建一个包含水稻病虫害图像的数据集。
这个数据集应包含多个水稻生长期间的病虫害样本，且每个样本都要有相应的标注信息。
可以通过采集实地的病虫害图像并进行标注，或者从相关公开数据集中获取。
三、网络结构设计基于改进YOLO v5的水稻主要害虫识别方法的网络结构设计是关键步骤之一。
我们可以根据水稻病虫害的特点和具体识别需求，设计并训练一个适用于水稻主要害虫识别的YOLO v5网络结构。
在设计网络结构时可以考虑引入各种先进的卷积神经网络结构和注意力机制，以提升识别的精度和鲁棒性。
四、训练和优化策略在利用改进YOLO v5进行水稻主要害虫识别之前，我们需要对网络进行训练和优化。
训练策略可以包括数据增强、多尺度训练和学习率调整等。
通过数据增强可以扩充训练数据集，提高模型的泛化能力。
多尺度训练可以使网络更好地适应不同大小的病虫害目标。
学习率调整可以使网络在训练过程中更好地收敛。
五、实验结果与分析基于改进YOLO v5的水稻主要害虫识别方法的效果需要通过实验进行验证和评估。
在进行实验时，我们可以使用预先划分好的训练集和测试集来评估模型的准确性和鲁棒性。
基于图像识别的农作物病害自动检测系统设计
基于图像识别的农作物病害自动检测系统设计随着农业现代化的发展，农作物病害成为了制约农业产量和质量的重要因素之一。
传统的农作物病害检测方法通常依赖于人工目测，耗时、耗力且容易出现误差。
为了提高病害检测的准确性和效率，基于图像识别的农作物病害自动检测系统应运而生。
本文就基于图像识别的农作物病害自动检测系统的设计进行探讨。
该系统通过采集农田中的农作物图像，利用计算机视觉和机器学习技术，实现对农作物病害进行自动检测和识别的功能。
首先，系统需要搭建一个图像数据库，收集各种农作物的正常和受病害感染的图像数据。
这些图像数据将用于训练系统的机器学习模型，以提高系统对不同病害的识别能力。
同时，为了适应不同地区、不同季节和不同作物的变化，还需要不断更新和扩充图像数据库。
接下来，系统需要使用图像处理算法对采集到的农作物图像进行预处理。
预处理的目的是消除图像中的噪声、增强对比度、调整图像的色彩平衡等，以提高后续图像分析和特征提取的效果。
常用的图像处理算法包括滤波、边缘检测、图像增强等。
然后，系统通过机器学习的方法构建农作物病害检测模型。
机器学习技术可以让系统从训练数据中学习到病害的特征，并通过对新的图像数据进行分类和判别。
常用的机器学习算法包括支持向量机（SVM）、卷积神经网络（CNN）等。
对于农作物病害的自动检测，当前较为主流的方法是使用卷积神经网络。
卷积神经网络通过多层的卷积和池化操作，可以有效地提取图像的局部特征，进而进行病害的分类。
在模型训练完成后，系统进行实时的农作物病害检测。
当农作物图像上传到系统中时，系统将自动对图像进行分析和处理。
首先，系统会调用预训练好的卷积神经网络模型，提取图像的特征。
然后，通过模型的分类算法，对图像进行病害的识别，并给出相应的判别结果。
同时，系统还会对识别结果进行可视化处理，将病害的位置标注在原始图像上，以供农民参考。
此外，为了提高系统的实用性和可操作性，可以在系统中添加其他功能。
农作物病虫害智能识别与预测系统设计与实现
农作物病虫害智能识别与预测系统设计与实现作为全球农业领域最重要的问题之一，农作物病虫害对农民的生计和全球粮食安全产生了严重的威胁。
由于农作物病虫害种类繁多、传播迅速，并且往往需要快速反应和精确的识别与预测，因此开发一种智能识别与预测系统是至关重要的。
该系统旨在利用最新的人工智能技术，通过分析图像和其他相关数据，实现对农作物病虫害的准确识别和预测。
设计与实现该系统可以为农民提供及时的病虫害监测和反馈，从而帮助他们更有效地管理农作物，并减少产量损失。
首先，该系统需要通过图像识别算法来识别农作物的病虫害。
这个算法可以通过使用深度学习技术，如卷积神经网络（CNN）来训练，以学会从图像中提取特征并对其进行分类。
通过大量的标注图像，系统可以学习识别各种类型的农作物病虫害，从而能够在实时场景中准确地识别出问题。
该算法的性能可以通过引入准确性、召回率和F1得分等评估指标进行评估，以保证系统的识别准确性。
其次，为了更好地预测农作物病虫害的扩散和发展趋势，该系统还需要整合其他相关数据，如气象数据、土壤数据和植物生长数据等。
这些数据可以通过传感器和其他设备来采集，然后与病虫害数据进行关联分析。
例如，气象数据可以提供关于气温、湿度和降雨量等因素，这些因素往往与病虫害的传播密切相关。
通过将这些数据整合到一个统一的数据模型中，并使用机器学习算法进行训练，系统可以建立起对农作物病虫害的发展趋势进行预测的模型。
此外，该系统还应该具备实时的数据收集和处理能力。
农作物病虫害的发展通常是动态变化的，因此系统需要能够实时地收集和处理来自各种数据源的数据。
为了做到这一点，可以使用传感器网络和物联网技术来实现数据的实时采集和传输。
另外，对于大规模农田，可以考虑使用无人机等遥感技术，以获取更全面和准确的图像和数据信息。
这些数据可以通过云计算和分布式处理技术进行处理，以提高系统的响应速度和处理能力。
最后，农作物病虫害智能识别与预测系统应该具备用户友好的界面，以便农民和农业专家能够方便地使用和操作。
图像特征和样本量对水稻害虫识别结果的影响
中国水稻科学(Chin J Rice Sci), 2018, 32(4): 405－414DOI: 10.16819/j.1001-7216.2018.7116 405图像特征和样本量对水稻害虫识别结果的影响马鹏鹏1周爱明1姚青1,*杨保军2唐健2,*潘修强3(1浙江理工大学信息学院, 杭州310018; 2中国水稻研究所水稻生物学国家重点实验室, 杭州310006; 3浙江工贸职业技术学院信息与传媒分院, 浙江温州325002; *通讯联系人, E-mail: q-yao@; tangjian@)Influence of Image Features and Sample Sizes on Rice Pest IdentificationMA Pengpeng1, ZHOU Aiming1, Y AO Qing1, *, YANG Baojun2, TANG Jian2, *, PAN Xiuqiang3(1College of Information,Zhejiang Sci-Tech University,Hangzhou 310018, China; 2State Key Laboratory of Rice Biology, China National Rice Research Institute, Hangzhou 310006, China; 3Information and Media Institute, Zhejiang Industry & Trade Vocational College, Wenzhou 325002, China;*Corresponding author, E-mail:q-yao@; tangjian@)Abstract: 【Objective】In the traditional pattern recognition methods, image features and the sizes of training samples have a great influence on the identification results of target objects from a large number of distraction objects. Our objective is to study the influence of different image features and sample sizes on identification of rice light-trapped pests. 【Methods】Rice light-trapped insects were divided into two broad categories：big insects and small insects. The global and local image features of all insects were extracted and different sizes of training samples were set to train support vector machine classifiers. 【Result】The support vector machine classifier based on the combination of global features and HOG features could obtain the identification rate of 91.4% and false detection rate of 8.6% when the non-target sample size was fourfold as many as target samples in big rice pests. The support vector machine classifier based on global features could obtain the identification rate of 94.9% and false detection rate of 4.9% when the non-target sample size was two times as many as target samples in small rice pests. 【Conclusion】In the small sample sets, appropriate image features and reasonable training sample proportion help achieve good identification results when some targets need to be identified from a large number of non-target objects.Key words: rice pest; pattern recognition; global feature; local feature; training sample; support vector machine摘要：【目的】在传统的模式识别分类中，从大量的干扰物体中识别出目标物体，图像特征参数的选择和不同训练样本数量的比例对目标物体的识别结果有着较大的影响。
基于深度学习的图像识别技术应用于农产品病虫害检测
基于深度学习的图像识别技术应用于农产品病虫害检测随着人们对食品安全意识的提高，农产品病虫害的检测和防控变得越来越重要。
传统的病虫害检测方法往往耗时且不准确，而基于深度学习的图像识别技术可以提供一种高效、准确的解决方案。
基于深度学习的图像识别技术是一种人工智能技术，通过训练神经网络来识别和分类图像。
该技术具有自动学习能力，能够从大量数据中自动学习特征，进而实现高准确率的图像识别任务。
在农产品病虫害检测中，基于深度学习的图像识别技术可以应用于以下几个方面：1. 病虫害图像识别与分类：通过训练深度学习模型，可以识别不同病虫害的特征，准确判断图像中是否存在病虫害。
例如，可以识别番茄植株中的番茄黄化卷曲病毒、番茄褐斑病等病害，以及玉米叶片中的玉米螟、玉米象等害虫。
2. 病虫害损害程度评估：除了检测病虫害的存在，基于深度学习的图像识别技术还可以评估病虫害对农作物的损害程度。
通过训练模型，可以对受感染的农作物进行分级，帮助农民判断病虫害的严重程度，及时采取相应的防控措施。
3. 病虫害监测与预警：借助深度学习的图像识别技术，可以实现对农田中病虫害的实时监测与预警。
通过安装摄像头或使用无人机拍摄农田图像，深度学习模型可以自动识别病虫害并生成预警信息，帮助农民及时采取措施防止病虫害蔓延。
4. 病虫害数据分析与预测：基于深度学习的图像识别技术还可以将病虫害图像识别结果与其他农业数据进行结合，进行数据分析与预测。
通过识别图像中病虫害的类型、分布情况等信息，可以为农民提供科学决策支持，帮助提高农作物的产量和质量。
然而，基于深度学习的图像识别技术在农产品病虫害检测中还面临一些挑战和改进空间。
例如，数据集的规模和多样性对于训练准确的模型至关重要。
此外，针对一些农产品上常见的多种混合病虫害，需要进一步研究改进算法的鲁棒性和准确性。
综上所述，基于深度学习的图像识别技术在农产品病虫害检测中具有巨大的潜力。
随着技术的不断发展和数据集的丰富，相信这一技术将为农民提供更可靠的病虫害检测解决方案，帮助农业产业实现更高效、更可持续的发展。
基于深度学习的水稻病虫害诊断技术研究
基于深度学习的水稻病虫害诊断技术研究近年来，水稻是我国的主要粮食作物之一，但是由于病虫害的侵袭，导致水稻产量大幅降低。
因此，开发一种基于深度学习的水稻病虫害诊断技术对于提高水稻产量和农民收益具有重要意义。
传统的水稻病虫害诊断通常依靠人工经验判断，但由于人工判断的主观性和不一致性，往往导致误诊和漏诊的情况。
而深度学习作为一种强大的机器学习算法，具有自动特征学习、高效处理大量数据和优秀的泛化能力等优势，非常适合应用于水稻病虫害诊断领域。
接下来，可以利用深度学习中的卷积神经网络（Convolutional Neural Network，CNN）对数据集进行训练。
CNN可以自动学习图像中的特征，从而实现对水稻病虫害的识别。
可以使用常见的CNN模型，如AlexNet、VGG、ResNet等，也可以根据实际情况进行改进和优化。
在训练过程中，需要对数据集进行预处理，包括图像的缩放、归一化、数据增强等。
同时，为了避免过拟合现象的发生，可以采用一些正则化技术，如Dropout、L1/L2正则化等。
训练完成后，可以使用训练好的模型对新采集的水稻图像进行识别和分类。
可以将图像输入到CNN模型中，获得图像中病虫害的类别和位置信息。
同时，还可以根据训练过程中获得的特征信息，对水稻病虫害进行更深入的分析和预测。
此外，为了进一步提高水稻病虫害诊断技术的准确性和稳定性，可以采用集成学习、迁移学习等方法。
集成学习可以结合多个模型的预测结果，获得更加准确的分类结果。
迁移学习可以利用已经训练好的模型在新的任务或数据集上进行知识迁移，从而加快新任务的训练速度和提高诊断准确率。
总之，基于深度学习的水稻病虫害诊断技术是当前解决水稻病虫害问题的有效手段之一、通过构建水稻病虫害数据集、训练深度学习模型并进行优化，可以实现对水稻病虫害的自动化诊断和预测，进而提高水稻产量，保障粮食安全。
希望在未来的研究中，可以进一步深入探索和优化该技术，以便更好地服务于农业生产和农民的生计。
智能农业中的农作物病虫害智能监测与识别
智能农业中的农作物病虫害智能监测与识别随着科技的不断发展，智能农业在农业领域中扮演着越来越重要的角色。
农作物病虫害是农业生产中的一大难题，可以导致严重的经济损失。
因此，如何准确地监测和识别农作物病虫害成为智能农业中的重要研究方向。
农作物病虫害的监测和识别对于及时采取相应的防治措施至关重要。
传统的监测方法主要依靠人工巡视和目测判断，这种方式效率低下且不准确。
而智能农业中的农作物病虫害智能监测与识别技术则基于图像识别、物联网和人工智能等前沿技术，可以快速、准确地进行监测和识别，提高农业生产效益。
首先，农作物病虫害智能监测与识别技术依赖于图像识别技术的发展。
通过利用高清摄像头对农田进行连续拍摄，可以实时获取农作物叶片、果实等部位的图像信息。
然后，通过图像处理和分析算法，可以从图像中提取出农作物受到病虫害攻击的特征。
例如，受到病害影响的叶片可能出现颜色异常、形状畸变等特征，而受到虫害影响的果实可能被啃咬或者穿刺。
基于这些特征，智能系统可以快速识别出农作物病虫害的类型和严重程度。
其次，农作物病虫害智能监测与识别技术借助物联网技术实现了数据的自动采集与传输。
通过在农田中布置传感器节点，可以实时监测温度、湿度、土壤水分以及空气质量等环境参数。
当某个农作物病虫害发生时，环境参数往往会发生变化，智能系统可以通过分析环境参数的变化来判断是否发生了病虫害，并通知农户采取相应的防治措施。
此外，物联网技术还可以实现农作物病虫害数据的远程传输和云端存储，农户和专家可以随时查看监测数据，并及时对农田进行调控。
最后，农作物病虫害智能监测与识别技术借助人工智能技术实现了自动化的决策支持。
通过大数据分析和机器学习算法的应用，智能系统可以对历史监测数据进行深度学习和模式识别，从而预测未来的病虫害趋势和风险。
基于这些预测结果，智能系统可以给出相应的预警提示和防治建议。
农户和专家可以根据智能系统提供的决策支持，采取科学的农业管理策略，最大限度地减少病虫害对农作物的损害。
【CN109738442A】一种基于大视野X射线可见光配准成像的水稻稻穗性状全自动提取系统【专利】
2
CN 109738442 A
说 明 书
1/4 页
一种基于大视野X射线可见光配准成像的水稻稻穗性状全自 动提取系统
技术领域 [0001] 本发明属于机器视觉检测技术，具体涉及一种基于大视野X射线/可见光配准成像 的水稻稻穗性状全自 动提取系统 ，即通过可见光及X-ray同时得到稻穗反射光表面图 像与 透射光穗颈节和穗粒内部图 像信息 ，并 将两幅图 像配准融合 、结合图 形分析算法得到稻穗 产量性状的数学表征，包括有效穗、穗粒数、结实率、千粒重、穗长、一次枝梗数、一次枝梗平 均长度、二次枝梗数、及着粒密度。
发明内容 [0005] 鉴于传统有损稻穗产量测量上脱粒难、实粒瘪粒区分难的缺点，以及成像视野的 局限性，本发明的目的在于提供一种基于大视野X射线/可见光配准成像的水稻稻穗性状全 自动提取系统，该系统通过X射线/可见光配准成像同时获取局部稻穗反射光表面图像信息 及稻穗透射光穗颈节和穗粒内部图像信息，且通过大视野二维移动平台获取完整稻穗的图 像，上位机将两幅图像配准融合、结合图形分析算法得到稻穗产量性状的数学表征，包括稻 穗有效穗、穗粒数、结实率、千粒重、穗长、一次枝梗数、一次枝梗平均长度、二次枝梗数等性 状。
4 .根据权利要求1所述的控制模块，其特征在于：上位机通过USB借口与运动控制卡通 信，运动控制卡与伺服驱动器相连，用于控制大视野二维精密运动平台。上位机同时与图像 采集卡和X射线平板探测器相连，基于运动控制卡反馈的信号，控制高分辨可见光相机成像 和X-ray投射图像成像；然后将获取的图像进行拼接、配准，并输入图像数据分析模块，最后 将结果保存。
图像模式识别在农业病害监测与预测中的应用研究
Journal of Agricultural Catastrophology 2023, Vol.13 No.8图像模式识别在农业病害监测与预测中的应用研究蒋清健河南经贸职业学院/河南省农产品溯源国际联合实验室，河南郑州 450018摘要 有效地监测与预测农业病害对提高农业生产的效率和质量具有重要意义。
近年来，随着计算机视觉和机器学习等技术的发展，基于图像分析的植物病虫害识别技术、果实分拣分类技术以及农业机器人等新技术逐渐被应用于农业生产。
这些新技术不仅可以实现对农业病害的快速识别和分类，还可以提高农业生产的自动化水平和效率。
阐述了图像模式识别在农业病害监测与预测中的应用价值，介绍了图像模式识别在农业病害监测与预测中的应用情况，提出了相应的建议，研究图像模式识别在农业病害监测与预测中的应用具有重要的理论和实践意义。
关键词 图像模式；农业病害监测；预测；应用研究中图分类号：S432 文献标识码：B 文章编号：2095–3305(2023)08–0074-03传统的农业生产方式依赖人工巡视，往往导致病虫害的发现和处理滞后，进而造成严重的农作物损失。
随着信息技术的快速发展，农业物联网技术的兴起为图像模式识别在农业领域的应用提供了有力支撑。
通过将传感器与互联网相连接，农业物联网系统能够实现对农田的全面监测与数据采集。
在此基础上，结合图像分析技术，可以实时跟踪与分析农作物的生长状态，及时发现病虫害问题。
1 图像模式识别在农业病害监测与预测中的应用前景1.1 提高检测精度图像模式识别对农作物病害的自动化检测和识别能够显著提高检测精度。
其基于大规模的图像数据库和深度学习算法，可以更加准确地识别不同农作物病害的特征。
通过卷积神经网络等深度学习模型，图像模式识别能够学习并提取更丰富、更复杂的特征，从而提高辨识病害的能力。
针对不同作物病害，图像模式识别可以实现多类别的分类，识别出更多种类的病害，进而帮助农民制定更加精准的防治措施[1]。
基于模板匹配的多目标水稻灯诱害虫识别方法的研究_吕军
基于模板匹配的多目标水稻灯诱害虫识别方法的研究吕军１ 姚青１ 刘庆杰１ 薛杰１ 陈宏明３ 杨保军２ 唐健２，＊（１浙江理工大学信息电子学院，浙江杭州３１００１８；２中国水稻研究所，浙江杭州３１０００６；３象山县植保植检站，浙江象山３１５７００；＊通讯联系人，Ｅ－ｍａｉｌ：ｔａｎｇｊｉａｎ＠ｍａｉｌ．ｈｚ．ｚｊ．ｃｎ）Ｉｄｅｎｔｉｆｉｃａｔｉｏｎ ｏｆ Ｍｕｌｔｉ－ｏｂｊｅｃｔｉｖｅ Ｒｉｃｅ Ｌｉｇｈｔ－ｔｒａｐ Ｐｅｓｔｓ Ｂａｓｅｄ ｏｎ Ｔｅｍｐｌａｔｅ ＭａｔｃｈｉｎｇＬＶＪｕｎ１，ＹＡＯ Ｑｉｎｇ１，ＬＩＵＱｉｎｇ－ｊｉｅ１，ＸＵＥＪｉｅ１，ＣＨＥＮ Ｈｏｎｇ－ｍｉｎｇ３，ＹＡＮＧＢａｏ－ｊｕｎ２，ＴＡＮＧＪｉａｎ２，＊（１Ｃｏｌｌｅｇｅ ｏｆ Ｉｎｆｏｒｍａｔｉｃｓ ａｎｄ Ｅｌｅｃｔｒｏｎｉｃｓ，Ｚｈｅｊｉａｎｇ Ｓｃｉ－Ｔｅｃｈ Ｕｎｉｖｅｒｓｉｔｙ，Ｈａｎｇｚｈｏｕ ３１００１８，Ｃｈｉｎａ；２Ｃｈｉｎａ Ｎａｔｉｏｎａｌ Ｒｉｃｅ ＲｅｓｅａｒｃｈＩｎｓｔｉｔｕｔｅ，Ｈａｎｇｚｈｏｕ ３１０００６，Ｃｈｉｎａ；３ Ｘｉａｎｇｓｈａｎ Ｃｏｕｎｔｙ Ｐｌａｎｔ Ｐｒｏｔｅｃｔｉｏｎ ａｎｄ Ｑｕａｒａｎｔｉｎｅ Ｓｔａｔｉｏｎ，Ｘｉａｎｇｓｈａｎ ３１５７００，Ｃｈｉｎａ；＊Ｃｏｒｒｅｓｐｏｎｄｉｎｇ ａｕｔｈｏｒ，Ｅ－ｍａｉｌ：ｔａｎｇｊｉａｎ＠ｍａｉｌ．ｈｚ．ｚｊ．ｃｎ）ＬＶ Ｊｕｎ，ＴＡＮＧ Ｊｉａｎ，ＬＩＵ Ｑｉｎｇｊｉｅ，ｅｔ ａｌ．Ｉｄｅｎｔｉｆｉｃａｔｉｏｎ ｏｆ ｍｕｌｔｉ－ｏｂｊｅｃｔｉｖｅ ｒｉｃｅ ｌｉｇｈｔ－ｔｒａｐ ｐｅｓｔｓ ｂａｓｅｄ ｏｎ ｔｅｍｐｌａｔｅｍａｔｃｈｉｎｇ．Ｃｈｉｎ Ｊ Ｒｉｃｅ Ｓｃｉ，２０１２，２６（５）：６１９－６２３．Ａｂｓｔｒａｃｔ：Ｉｄｅｎｔｉｆｉｃａｔｉｏｎ ａｎｄ ｃｏｕｎｔ ｏｆ ｒｉｃｅ ｌｉｇｈｔ－ｔｒａｐ ｐｅｓｔｓ ａｒｅ ｖｅｒｙ ｉｍｐｏｒｔａｎｔ ｉｎ ｍｏｎｉｔｏｒｉｎｇ ｒｉｃｅ ｐｅｓｔｓ．Ｔｈｅ ｐｅｓｔｓ ｔｒａｐｐｅｄｂｙ ｂｌａｃｋ ｌｉｇｈｔ ｌａｍｐｓ ｓｈｏｗ ｄｉｆｆｅｒｅｎｔ ｐｏｓｔｕｒｅｓ ａｎｄ ｉｎｃｏｍｐｌｅｔｅ ｂｏｄｉｅｓ，ｗｈｉｃｈ ｉｎｃｒｅａｓｅ ｔｈｅ ｄｉｆｆｉｃｕｌｔｙ ｏｆ ｉｍａｇｅ ａｕｔｏｍａｔｉｃｉｄｅｎｔｉｆｉｃａｔｉｏｎ．Ｔｅｍｐｌａｔｅ ｍａｔｃｈｉｎｇ ａｎｄ Ｋ－ｆｏｌｄ ｃｒｏｓｓ ｖａｌｉｄａｔｉｏｎ ｍｅｔｈｏｄｓ ｗｅｒｅ ｕｓｅｄ ｔｏ ｉｄｅｎｔｉｆｙ ｍｕｌｔｉ－ｏｂｊｅｃｔｉｖｅ ｒｉｃｅ ｌｉｇｈｔ－ｔｒａｐ ｐｅｓｔｓ ｂａｓｅｄ ｏｎ ｎｏｎ－ｔｏｕｃｈｉｎｇ ｐｅｓｔ ｉｍａｇｅｓ．Ｆｉｒｓｔｌｙ，ｏｎｅ ｈｕｎｄｒｅｄ ａｎｄ ｆｉｆｔｙ－ｓｉｘ ｆｅａｔｕｒｅｓ ｉｎｃｌｕｄｉｎｇ ｃｏｌｏｒ，ｓｈａｐｅ ａｎｄｔｅｘｔｕｒｅ ｆｅａｔｕｒｅｓ ｗｅｒｅ ｅｘｔｒａｃｔｅｄ ｆｒｏｍ ｅａｃｈ ｐｅｓｔ ｉｍａｇｅ．Ｓｅｃｏｎｄｌｙ，ｔｈｅ ｐｒｉｎｃｉｐａｌ ｃｏｍｐｏｎｅｎｔ ａｎａｌｙｓｉｓ ｗａｓ ｅｍｐｌｏｙｅｄ ｆｏｒｒｅｄｕｃｉｎｇ ｄａｔａ ｄｉｍｅｎｓｉｏｎａｌｉｔｙ，ａｎｄ ｆｉｒｓｔ ｓｉｘ ｐｒｉｎｃｉｐａｌ ｃｏｍｐｏｎｅｎｔｓ ｗｅｒｅ ｓｅｌｅｃｔｅｄ ａｓ ｐｅｓｔｓ’ｆｅａｔｕｒｅｓ．Ｔｈｅｎ，ｔｈｅ ｔｅｍｐｌａｔｅｎｕｍｂｅｒ ｗａｓ ｄｅｔｅｒｍｉｎｅｄ ａｃｃｏｒｄｉｎｇ ｔｏ ｔｈｅ ｇｅｓｔｕｒｅ ｏｆ ｅａｃｈ ｐｅｓｔ ｓｐｅｃｉｅｓ ａｎｄ ｔｈｅ ｔｅｍｐｌａｔｅ ｐａｒａｍｅｔｅｒｓ ｗｅｒｅ ｏｂｔａｉｎｅｄ ｆｒｏｍｔｈｅ ｃｌｕｓｔｅｒ ｃｅｎｔｅｒｓ ｂｙ ｆｕｚｚｙ Ｃ－ｍｅａｎ ｃｌｕｓｔｅｒｉｎｇ ｍｅｔｈｏｄ．Ｆｉｎａｌｌｙ，ｓｉｎｇｌｅ ａｎｄ ｍｕｌｔｉ－ｔｅｍｐｌａｔｅ ｍａｔｃｈｉｎｇ ｍｅｔｈｏｄｓ ｗｅｒｅ ｕｓｅｄｔｏ ｉｄｅｎｔｉｆｙ ｒｉｃｅ ｐｅｓｔｓ．Ｔｈｅ ｒｅｓｕｌｔｓ ｓｈｏｗｅｄ ｔｈａｔ ｔｈｅ ａｃｃｕｒａｔｅ ｒａｔｅ ｏｆ ｍｕｌｔｉ－ｔｅｍｐｌａｔｅ ｍａｔｃｈｉｎｇ ａｎｄ ｓｉｎｇｌｅ ｔｅｍｐｌａｔｅ ｍａｔｃ－ｈｉｎｇ ｗｅｒｅ ８３．１％ａｎｄ ５９．９％，ｒｅｓｐｅｃｔｉｖｅｌｙ ｆｏｒ ｒｉｃｅ ｌｉｇｈｔ－ｔｒａｐ ｐｅｓｔｓ ｗｉｔｈ ｍｕｌｔｉｐｌｅ ｐｏｓｔｕｒｅｓ ａｎｄ ｓｏｍｅ ｉｎｃｏｍｐｌｅｔｅ ｂｏｄｉｅｓ．Ｋｅｙ ｗｏｒｄｓ：ｒｉｃｅ ｌｉｇｈｔ－ｔｒａｐ ｐｅｓｔ；ｐｅｓｔ ｉｄｅｎｔｉｆｉｃａｔｉｏｎ；ｉｍａｇｅ ｐｒｏｃｅｓｓｉｎｇ；ｆｅａｔｕｒｅ ｅｘｔｒａｃｔｉｏｎ；ｔｅｍｐｌａｔｅ ｍａｔｃｈｉｎｇ吕军，唐健，刘庆杰，等．基于模板匹配的多目标水稻灯诱害虫识别方法的研究．中国水稻科学，２０１２，２６（５）：６１９－６２３．摘 要：水稻灯诱害虫的识别与计数在水稻田间害虫监测中是非常重要的。
基于神经网络的水稻三化螟识别系统的研究
Ｗ ＡＮ Ｊａ Ｚ Ｇ ｉｎ， ＨＯＵ Ｇ ｏ ｍｉｇ ｕ － ｎ （ｇ ｃｌ ｒ ｎ ｒａ ｏ ｎｔｕ ｆ Ａ ＳＢ ｉｎ ００ １Ｃ ｉａ Ａ ｒ ｕｔ ａ Ｉｆｍ ｔ ｎＩｓｔｔ ｏ Ｃ Ａ ，ｅｉｇ１０８ ，ｈ ） ｉ ｕｌ ｏ ｉ ｉｅ ｊ ｎ
Ａｂ ｔａ ｔ ｈｓ ｐ ｐ ｒ ｐ ｏ ｉｅ ｅ ｅ ｈ ｄ ｏ ｄ ｎ ｉ ｉｇ ｙ ｌ ｗ ｓ ｍ ｂ ｒｒ ｂ ｓ ｄ ｏ ｅ ｈ ｏｏ ｉｓ ｏ ｉｉ ｌ ｉ ｇ ｒ ｃ ｓ－ ｓｒ ｃ ： ｉ ａ ｅ ｒｖｄ ｓ ａ ｎ ｗ ｍ ｔ ｏ ｆ ｉｅ ｔ ｙｎ ｅｌ ｔ ｏ ｅ ａ ｅ ｎ ｔｃ ｎ ｌｇ ｆｄ ｇｔ ｍａ ｅ ｐ ｏ ｅ ｓ Ｔ ｆ ｏ ｅ ｅ ａ ｉｇ ａ ｄ Ｎｅ ｒｌ Ｎ ｔ ｏ ｋ ｈ ｅ ｈ ｏｏ ｙ ｏ ｍａ ｅ ｐｏ ｅ ｓ ｇ ｉ ｄ ｓ ｆｅ ｔ ｃｉｇ ｆ ａｕ ｅ ｆ ｓｍｅ ｉ ｇ ｓ ｈ ｅ ｐ ｃ — ｎ ｎ ｕ ａ ｅｗ ｒ ．Ｔ ｅ ｔｃ ｎ ｌｇ ｆ ｉ ｇ ｒｃ ｓ ｉ ｓ ｍａ ｅ ｕ ｅ ０ ｘｒ ｔ ｅ ｔｒｓ ｎ ｏ ｍａ ｅ ．Ｔ ａ ｋ ｎ ａ ｎ ｇ ｓ ｏ Ｔ ＡＢ ｎ ｕｒ ｅｗ ｒ ｒ ｄ ｓ ｆ ｉｅ ｔ ｙｎ ｎ ｅ ｔ ｐ ｓ ａ ｅ ｆ ＭＡ Ｌ ｅ ｔａ ｎ ｔ ｏ ｋ ａ ｅ ｍａ ｅ ｕ ｅ ｏ ｄ ｎｉ ｉ ｇ ｉｓ ｃ ｅ ｔ．Ｉ ｈｓ ｐ ｐ ｒ ｏ ｏ ｌ ｎ ｏ ｅ ａｌ ｓ ｓ ｍ ｅ ｉｎ ｌ ｆ ｓ ｎ ｔ ｉ ａ ｅ，ｎ ｔ ｎ ｙ ａ ｖ ｒ ｙ ｔ ｄ ｓ ｌ ｅ ｇ ｈ ｔ ａｓ ｈ ｏｕ ｉｎ ｓｅ ａ ｏ ａ ｅ ｂ ｅ ｒ ｖ ｅ ．Ｔ ｅ ｒ ｓ ｌ ｈ ｗ ｈ ｔ ｈｓ ｓ ｓｅ ｐ ｒｏｍａ ｃ ａ ｍ ｋ ａ ｄ ａ ｆ ｃ ｕ ｏ ｔｅ ｓ ｌｔ ｃ ｎ ｒ ｈ ｖ ｅ ｎ ｐ ｏ ｉ ｄ ｈ ｅ ｕ ｔ ｓ ｏ ｔａ ｌ ｏ ｉ ｄ ｓ ｔｉ ｙ ｔ ｍ＇ｅｆ ｒ ｎ ｅ ｅ ｒ ａ ｅ ｎ ｉ ｅ ｌ ｅｆ ｔ ｌ ｅ Ｏ ｄｓ ｅｎ ｎ ｉｓ ｃ ｅ ｔ．Ａ ｅ ｍ ｔ ｏ ｏ ｕ ｏ ｔ ａｌ ｉｅ ｔ ｙｎ ｎ ｅ ｔ ｅ ｔ ｃ ｎ ｂ ｂａｎ ｄ ｙ ｘ ｒ ｎ ｈ ｓ ｉ ｅ ｉ ｉ ｒｉｇ ｎｅｔ ｓ ｌ ｃ ｐ ｓ ｎ ｗ ｅｈ ｄ ｆ ａ ｔ ｍａ ｃ ｙ ｄ ｎｉ ｉ ｇ ｉ ｓｃ ｐ ｓｓ ａ ｅ ｏ ｔｉ ｅ ｂ ｅ ｅ ｔ ｇ ｔ ｉ ｄ ａ ｉｌ ｆ ｉ ｐｏ ｉｅ ｙ ｔｉ ａ ｅ ． ｒ ｖｄ ｄ ｂ ｈ ｓ ｐ ｐ ｒ
基于图像处理的农作物病虫害检测系统设计与实现
基于图像处理的农作物病虫害检测系统设计与实现近年来，农作物的病虫害已成为农业生产中的重要问题，给农民的生产带来了严重的困扰。
传统的农作物病虫害检测方法存在效率低下、误诊率高等问题，难以满足实际需求。
为了解决这一问题，基于图像处理的农作物病虫害检测系统应运而生。
本文将介绍基于图像处理的农作物病虫害检测系统的设计与实现。
首先，我们将介绍系统的整体架构。
其次，我们将详细说明系统的各个功能模块的设计与实现过程。
最后，我们将讨论系统的优缺点以及未来的发展方向。
首先，基于图像处理的农作物病虫害检测系统的整体架构如下图所示：【插入系统架构图】整个系统分为图像获取模块、图像预处理模块、特征提取模块、分类识别模块和结果反馈模块。
图像获取模块负责采集农田中的病虫害图像，可以通过使用无人机、移动设备等方式进行实时采集。
采集的图像将传输到图像预处理模块。
图像预处理模块主要用于对原始图像进行去噪、图像增强、灰度化等操作，以减少图像中的噪声和提高图像的质量。
在此基础上，通过图像分割算法将图像分割为不同的病害区域。
特征提取模块是系统的核心部分，它通过使用特征提取算法从病害图像中提取出与病虫害相关的特征。
常用的特征提取方法包括颜色特征、纹理特征和形状特征等。
分类识别模块使用机器学习算法，例如支持向量机（SVM）或卷积神经网络（CNN）等，对提取到的特征进行分类和识别。
该模块的训练数据集通常包括多种病虫害的正样本和正常作物的负样本。
通过训练模型，系统可以自动识别不同类型的病虫害。
结果反馈模块负责将检测结果以可视化的形式反馈给用户，例如在农田中实时显示患病区域的位置和程度。
另外，系统还可以通过移动端应用或者网页等方式向用户提供检测结果的查询和分析。
接下来，我们将详细介绍各个功能模块的设计与实现过程。
图像获取模块可通过无人机或移动设备进行图像采集。
无人机搭载高分辨率相机，可以快速获取大面积农田的图像。
移动设备可以方便农民在实地采集病害图像。
基于改进YOLOV5s的水稻害虫识别研究
基于改进YOLOV5s的水稻害虫识别研究目录一、内容综述 (2)1.1 研究背景 (3)1.2 研究目的与意义 (4)1.3 国内外研究现状综述 (5)1.4 研究内容与方法 (6)二、相关工作与技术基础 (7)2.1 YOLOV5s算法概述 (8)2.2 水稻害虫检测研究进展 (10)2.3 改进方法与技术路线 (11)三、改进的YOLOV5s算法设计 (12)3.1 网络结构优化 (14)3.2 损失函数定制 (15)3.3 数据增强策略 (16)3.4 运动目标检测专用数据集准备 (17)四、实验设计与结果分析 (18)4.1 实验环境配置 (19)4.2 实验参数设置 (20)4.3 捕获结果与对比分析 (21)4.4 案例分析 (22)五、结论与展望 (23)5.1 研究成果总结 (24)5.2 现有研究的局限性与未来工作方向 (25)5.3 对农业生产的实际贡献与应用前景 (27)一、内容综述随着深度学习技术的快速发展，计算机视觉在农业领域中的应用逐渐受到重视。
目标检测作为计算机视觉的一个重要分支，在农业病虫害检测中发挥着重要作用。
传统的目标检测算法在复杂场景下的检测效果受到限制，如何提高目标检测的准确性和鲁棒性成为了研究热点。
YOLOV5s是一种基于深度学习的目标检测算法，具有较高的检测速度和精度。
在实际应用中，水稻害虫的种类繁多，且受环境因素影响较大，因此对检测算法提出了更高的要求。
为了提高水稻害虫识别的准确率和效率，本研究对改进YOLOV5s进行了探索。
通过对YOLOV5s进行改进，可以提高其检测速度和精度。
具体方法包括：引入注意力机制，增强模型对关键区域的关注；优化网络结构，减少计算量，提高运行效率；采用数据增强技术，扩大训练样本规模，提高模型的泛化能力。
针对水稻害虫的特点，可以对改进后的YOLOV5s进行进一步优化。
可以针对水稻害虫的形态特征设计特定的检测分支，提高检测的准确性；同时，结合多尺度输入和多尺度预测，提高模型对不同尺寸目标的检测能力。
农业智能化中的图像识别技术在病虫害防控中的应用案例在农业智能化中的图像识别技术研究与应用
农业智能化中的图像识别技术在病虫害防控中的应用案例在农业智能化中的图像识别技术研究与应用随着科技的不断发展，农业智能化迅速成为农业领域的热门课题。
其中，图像识别技术作为农业智能化的重要组成部分，正发挥着越来越重要的作用。
图像识别技术通过分析图像中的数据，可实现对病虫害的预防和控制工作的智能化，提高农作物的生产力和保护环境的能力。
本文将通过介绍几个农业智能化中的图像识别技术在病虫害防控中的应用案例，以更深入地了解图像识别技术在农业领域的应用前景。
案例一：农作物病害的识别与预测农作物病害是影响农业生产的重要因素。
传统的病害识别通常依赖于人工观察和专业知识，但这种方式耗时耗力且容易出错。
而基于图像识别技术的病害识别则能够快速准确地判断农作物受到的病害类型和程度。
比如，通过在农田中安装摄像头，并利用图像识别算法对拍摄的图像进行分析，可以及时发现农作物上出现的病斑或虫害，减少损失。
利用图像识别技术中的深度学习算法，研究人员可以训练模型，使其能够准确地识别农作物受到的病害，并预测可能的发展趋势，为农民提供有效的防治建议。
案例二：有害生物监测与控制除了病害预测和识别，图像识别技术在有害生物监测与控制方面也有广泛应用。
以害虫为例，传统的监测方法通常包括人工观察和设置黄板等诱虫器具。
然而，这种方法不仅费时费力，而且无法实时监测，容易造成害虫繁殖爆发。
而基于图像识别技术的害虫监测，则能够实现对农田中有害生物的自动化快速监控。
通过安装摄像头，并利用图像识别算法对拍摄的图像进行分析，可以及时发现和识别农田中的害虫，并给农民发送预警信息，采取相应的防控措施，保护庄稼免受害虫侵害。
案例三：果蔬品质检测与分级在果蔬生产过程中，品质检测和分级是非常重要的环节。
传统的果蔬品质检测通常需要人工进行，耗时耗力且容易受主观因素影响。
而基于图像识别技术的果蔬品质检测则能够对果蔬的外观、大小、颜色等特征进行准确的检测和分级。
通过摄像头拍摄果蔬的图像，并利用图像识别算法进行分析，可以实时判断果蔬的品质，并将其分为不同等级。
基于人工智能的农作物病虫害检测与预警系统
基于人工智能的农作物病虫害检测与预警系统农作物病虫害是农业中常见而严重的问题，若不及时发现和治理，将会导致大量农作物减产甚至死亡。
为了解决这一问题，人工智能技术应运而生，基于人工智能的农作物病虫害检测与预警系统应运而生。
本文将介绍该系统的原理、技术和应用，旨在帮助农民实现快速、准确的农作物病虫害检测和预警。
一、基于人工智能的农作物病虫害检测与预警系统原理基于人工智能的农作物病虫害检测与预警系统主要由图像识别、机器学习和数据分析组成。
其基本原理是通过摄像设备采集农田图像，并使用图像识别技术识别出病虫害。
随后，借助机器学习算法，系统对识别出的病虫害进行分类、分析和预测，进而提供给农民有效的预警通知。
二、基于人工智能的农作物病虫害检测与预警系统技术1. 图像识别技术图像识别技术是基于人工智能的农作物病虫害检测与预警系统的核心技术之一。
它可以通过深度学习算法对采集到的农田图像进行特征提取和分析，准确识别出不同种类的病虫害。
该技术不仅可以识别已知的病虫害种类，还可以通过不断学习和训练，提高系统对新病虫害的识别率。
2. 机器学习算法机器学习算法是基于人工智能的农作物病虫害检测与预警系统的另一个重要技术。
通过对大量病虫害数据的分析和学习，系统可以建立起病虫害的分类模型和预测模型。
这些模型可以通过实时监测和分析最新的数据，快速准确地识别和预测农作物病虫害的发生和传播趋势。
3. 数据分析技术基于人工智能的农作物病虫害检测与预警系统需要大量的数据支持。
数据分析技术可以对农田环境、天气、土壤、作物生长状况等多种因素进行综合分析，为系统提供准确的病虫害预警。
通过对大数据的实时监测和分析，系统可以及时发现农作物病虫害的发生，并提供相应的防治建议。
三、基于人工智能的农作物病虫害检测与预警系统应用1. 实时监测与预警基于人工智能的农作物病虫害检测与预警系统可以实时监测农田状况，并及时发现病虫害的发生。
一旦发现病虫害，系统将会立即发送预警通知给农民，提醒他们采取相应的防治措施，从而避免或减少农作物减产的情况发生。
农业智能化中的图像识别技术在病虫害防控中的应用案例
农业智能化中的图像识别技术在病虫害防控中的应用案例随着科技的发展，农业智能化正日益成为农业生产的重要手段。
其中，图像识别技术在农业病虫害防控中的应用越来越受到关注。
图像识别技术通过对农作物生长情况进行实时监测，快速识别病虫害并提供精确的防控措施，有助于提高农业生产的效率和质量。
本文将介绍几个图像识别技术在病虫害防控中的应用案例，并讨论其优势和挑战。
一、植物病害识别植物病害的及时发现和迅速采取防控措施对于农作物的健康生长至关重要。
传统的病害识别方法往往依赖于人工观察和经验判断，效率低下且易受主观因素影响。
而基于图像识别技术的病害识别方法可以通过对植物叶片、根系等部位进行拍照，并使用人工智能算法对图像进行分析和比对，准确判断是否受到病害侵害。
以柑橘病虫害防控为例，研究人员使用图像识别技术来检测柑橘叶片上的病斑。
他们通过分析柑橘叶片的纹理、颜色、形状等特征，训练了一个深度学习模型。
该模型可以在短时间内对大量的叶片图像进行处理，并判断是否受到病害的侵害以及病害类型。
这一技术不仅提高了识别的准确性，还能够节省人力和时间成本，对柑橘病害的防控起到了重要的推动作用。
二、农作物生长监测与调控图像识别技术还可以应用于农作物的生长监测与调控。
通过对农作物的生长状况进行实时监测，可以及早发现生长异常和病虫害侵害，并采取相应的调控措施。
图像识别技术可以对植物的生长情况进行精确定量分析，提供生长速度、叶绿素含量、氮素含量等关键指标，帮助农民合理施肥、调整灌溉和采取防治措施。
例如，在水稻种植中，图像识别技术可以通过对水稻冠层的图像进行分析，提取出生长速度、叶绿素含量等指标，并与传感器采集的土壤湿度、氮素含量等指标进行关联分析。
通过综合分析多种数据，农民可以根据作物生长情况以及环境条件来调整农业生产管理措施，实现农田水稻的精细化管理和高产高效。
三、技术优势与挑战图像识别技术在农业病虫害防控中的应用具有一定的优势，但也面临一些挑战。
水稻病虫害智能监测与防治技术的研究
水稻病虫害智能监测与防治技术的研究水稻是我国重要的粮食作物之一，其产量和品质对国家粮食安全和农民生计至关重要。
但是，水稻受到各种病虫害的威胁，这不仅会直接影响农民的生产和收益，还会导致粮食的质量和安全问题。
针对这些问题，科学家们正在开发一种新型的智能监测和防治技术来提高水稻的产量和品质。
首先，智能监测技术是目前研究的重点之一。
通过安装传感器在水稻田中进行数据采集，可以实现对水稻生长状态、土壤温度、水分和光照等微观环境的实时监测。
通过这种方法，可以及时发现水稻生长中的问题，预测病虫害发生的可能性，并采取相应的防治措施。
其次，智能防治技术是目前研究的另一个关键点。
传统的病虫害防治通常需要大量的人力、物力和财力，而这种方法不仅效率低下，而且容易造成不必要的损失。
通过智能化的防治技术，可以利用数据挖掘、人工智能等技术，对现有的数据进行分析，制定相应的防治方案。
例如，可以通过气象数据和环境数据进行病虫害研究，利用大数据技术实现不同地区季节性病虫害预测和警报。
在发现异常情况后，可以进行快速的响应，选择合适的药剂和方式进行治疗。
除此之外，现在还有一些针对水稻病虫害的新型技术正在不断研发和改进中。
例如，利用基因编辑技术来提高水稻的抗病能力，通过调整水稻基因的表达来加强对病原菌的防御。
此外，还有利用超声波检测病虫害、植保无人机、光变色技术等最新技术在水稻病虫害监测和防治中的应用。
虽然，这些新技术目前只处于试验阶段，并不是完美的，也存在一定的局限性，但是对于加强我国水稻病虫害的管理和控制，具有重要的意义。
随着技术不断的进步和创新，相信我们对生态环境的保护和水稻产业的发展会越来越成熟。
基于图像处理与计算机视觉技术的农作物病虫害识别与监测
基于图像处理与计算机视觉技术的农作物病虫害识别与监测农作物病虫害是农业生产中常见的问题，它们给农作物的生长发育和产量带来了很大的威胁。
然而，传统的农作物病虫害监测方法往往需要专业知识和大量的人力资源，效率低下且易于出现误判。
而基于图像处理与计算机视觉技术的农作物病虫害识别与监测方法具有非常广阔的应用前景。
首先，利用图像处理技术可以轻松地获取和处理农作物的图像数据。
通过智能手机或者无人机等设备，农民可以方便地对农田中的农作物进行拍照，获取大量的农作物图像。
然后，利用图像处理技术对这些图像进行预处理，包括去噪、增强和分割等操作，以提高后续病虫害识别的准确性。
其次，计算机视觉技术可以实现对农作物病虫害的自动识别与分类。
通过训练深度学习模型，可以利用大量的农作物图像数据进行病虫害的识别与分类训练。
这些深度学习模型可以学习病虫害的特征，从而能够准确地判断农作物是否受到病虫害的侵害。
同时，基于图像处理和计算机视觉技术的方法还可以实现不同病虫害的区分与鉴别，对农民提供更加精准的预警和防治建议。
此外，基于图像处理与计算机视觉技术的农作物病虫害监测还具有实时性和扩展性的特点。
通过搭建远程监测系统，农民可以随时随地通过智能手机或者电脑等终端获取农作物状况，及时发现和处理病虫害问题。
同时，基于云计算的农作物病虫害监测系统还可以实现大规模数据的处理和分析，提高病虫害识别与监测的效率和准确性。
然而，基于图像处理与计算机视觉技术的农作物病虫害识别与监测也面临一些挑战。
首先是图像数据的质量和多样性问题。
由于环境和光照等因素的影响，农作物图像往往存在噪声和失真等问题，这对病虫害识别算法的准确性提出了挑战。
同时，不同农作物和不同病虫害之间的差异也增加了病虫害识别的难度。
其次是数据获取和处理的问题。
农作物图像数据的获取和处理需要耗费大量的时间和成本，如何快速高效地处理这些数据也是一个需要解决的问题。
综上所述，基于图像处理与计算机视觉技术的农作物病虫害识别与监测在农业领域具有重要的意义和应用前景。
扬州大学科技成果——基于图像的农作物虫害检测技术
扬州大学科技成果——基于图像的农作物虫害检测技术
成果简介
本成果分为叶片害虫检测和叶片伤害程度检测，害虫检测通过研究的图像建模及形态学处理等相关方法对农作物叶片上昆虫位置进行快速检测，并通过模式统计和分类识别方法精确计算害虫数量和识别类型，每张图片（参考分辨率2448*3264）处理速度小于1秒（和害虫的数量相关），速度远高于人眼。
叶片伤害检测通过图像处理方法将图像进行背景、叶片、斑纹分割，通过统计像素，集合斑纹形状进行定级评价，每张图片（参考分辨率2448*3264））进行自动检测和分析，处理速度2秒左右（和图像中叶片的数量相关），经过人工核对，检测精度业已达到到人眼水平，速度高于人眼。
本项目共申请发明专利2项、项目获得江苏省农业项目（江苏省科技厅）的支持。
主要技术指标
害虫检测速度<1秒；叶片伤害检测速度约2秒；害虫检测精度≥98%；叶片伤害检测精度高于人眼。
应用范围及市场前景
基于图像的农作物虫害检测技术不仅可以适用于水稻、小麦、大麦、玉米等农作物的病害防治工作，也可以应用决大多数植物叶片病害检测，可以大大减轻人工成本，有效提高病害防治工作的成效，在行业推广后具有重要的经济和社会价值。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
基于图像的水稻灯诱害虫自动识别技术的研究冼鼎翔１㊀姚青１,∗㊀杨保军２㊀罗举２㊀谭畅１㊀张超１㊀徐一成２,∗(１浙江理工大学信息学院,杭州３１００１８;２中国水稻研究所,杭州３１０００６;∗通讯联系人,E Ｇm a i l :q Ｇy a o ＠z s t u ．e d u ．c n ;x u y i c h e n g ＠c a a s ．c n)A u t o m a t i c I d e n t i f i c a t i o no fR i c eL i g h t Ｇt r a p p e dP e s t sB a s e do n I m a ge s X I A N D i n g Ｇx i a n g １,Y A O Q i n g １,∗,Y A N G B a o Ｇj u n ２,L U O J u ２,T A N C h a n g １,Z H A N G C h a o １,X U Y i Ｇc h e n g ２,∗(１C o l l e g eof I n f o r m a t i o n ,Z h e j i a ng S c i ＧT e ch U ni v e r s i t y ,H a n gz h o u３１００１８,C h i n a ;２C h i n a N a t i o n a lR i c eR e s e a r c hI n s t i t u t e ,H a n g z h o u３１０００６,C h i n a ;∗C o r r e s p o n d i n g a u t h o r ,E Ｇm a i l :q Ｇy a o ＠z s t u ．e d u ．c n ;x u y i c h e n g ＠ca a s ．c n )X I A N D i n g x i a n g ,Y A O Q i n g ,Y A N G B a o j u n ,e ta l ．A u t o m a t i ci d e n t i f i c a t i o no fr i c el i g h t Ｇt r a p pe d p e s t sb a s e do n i m a ge s ．C h i n JR i c eS c i ,２０１５,２９(３):２９９Ｇ３０４．A b s t r a c t :A u t o m a t i c i d e n t if i c a t i o na n dc o u n to f r i c e l igh t Ｇt r a p p e d p e s t si sac o mm o na n di m p o r t a n t p e s t f o r e c a s t i n gm e t h o d i n p a d d y f i e l d s ．H o w e v e r ,m o s to ft h el i g h t Ｇt r a p p e d p e s t sa r eu n n e c e s s a r y tob e m o n i t o r e da n d m u s tb e r e m o v e d ．T h i sm a n u a lm e t h o d i s t i m e Ｇc o n s u m i n g a n d f a t i g u i n g w i t ha l o wa c c u r a c y r a t e ．W ed e v e l o pe da na u t o m a t i c m e t h o df o r i d e n t i f y i ng r i c e l i gh t Ｇt r a p p e d p e s t s b a s e do n t h ei m a g e s ．F i r s t l y ,w ed i v i d e d t h e i m a g e s i n t o s e v e r a l g r o u ps a c c o r d i n g t ot h e i r m o r p h o l o g i c a l f e a t u r e s ．E a c h g r o u p h a st h r e ec l a s s i f i c a t i o n s :t h eb a c k Ｇs i d ei m a geo fa p e s t ,t h e a b d o m e n Ｇs i d ei m a g eo ft h i s p e s t ,a n d n o n Ｇf o r e c a s t i n g p e s ti m a g es i m i l a rt ot h i s p e s t ．T h e n ,t h i r t yＧo n ef e a t u r e s i n c l u d i n g t h e c o l o r ,s h a p ea n dt e x t u r e f e a t u r e sw e r ee x t r a c t e df r o me a c h i n s e c t i m a g e ．F i n a l l y ,t h r e es u p po r tv e c t o r m a c h i n e c l a s s i f i e r sw i t h p o s t e r i o r p r o b a b i l i t i e sw e r eu s e d t o t r a i na n d t e s t t h e t h r e e g r o u p so f i n s e c t s ,r e s p e c t i v e l y．I n t h e r e s u l t s ,t h e b a c k Ｇs i d e i m a g e a n d t h e a b d o m e n Ｇs i d e i m a g e o f a p e s tw e r e c o n s i d e r e d a s t h e s a m e s pe c i e s ．W e a c h i e v e d a ９７．４％a c c u r a c y r a t e i n t h e t h r e e s p e c i e s of r i c e l igh t Ｇt r a p pe d p e s t s ．K e y wo r d s :l i g h t Ｇt r a p p e d p e s t s ;i m a g e f e a t u r e s ;s u p p o r t v e c t o r m a c h i n e c l a s s i f i e r ;a u t o m a t i c i d e n t i f i c a t i o n ;n o n Ｇf o r e c a s t i n gp e s t s r e j e c t i o n ;f o r e c a s t i n g ;r i c e 冼鼎翔,姚青,杨保军,等．基于图像的水稻灯诱害虫自动识别技术的研究．中国水稻科学,２０１５,２９(３):２９９Ｇ３０４．摘㊀要:利用灯光诱杀稻田害虫,并识别与计数这些害虫是水稻害虫的一种常规但非常重要的测报方法.在灯光诱杀的昆虫中,大多数昆虫是不需要测报的,因此,在人工识别灯诱测报害虫时,需要排除这些昆虫.这种人工识别与计数害虫的方法效率低㊁任务重㊁识别准确率差.我们提出了一种基于图像的水稻灯诱害虫自动识别方法.首先,根据测报害虫的形态特征对水稻灯诱昆虫图像进行初步分组,每组昆虫图像中包含一种测报害虫的背面图像㊁腹面图像和与其形态相似的非测报害虫图像,共３类;然后,提取组内每一张水稻昆虫图像的颜色㊁形态和纹理共３１个特征参数;最后,利用带后验概率的S VM 分类器对每组的３类昆虫图谱进行训练和测试,输出时同一种测报害虫的背面和腹面图像被视为同一种害虫.结果表明,３种较大个体的水稻灯诱测报害虫的平均识别准确率为９７．４％.关键词:灯诱害虫;图像特征;S VM 分类器;自动识别;非测报害虫排除;测报;水稻中图分类号:S ４３１;S ４３５ １１２㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀文献标识码:A㊀㊀㊀文章编号:１００１Ｇ７２１６(２０１５)０３Ｇ０２９９Ｇ０６㊀㊀目前,应用黑光灯或白炽灯来诱杀水稻田间害虫是水稻害虫的一种常规但非常重要的测报方法.该方法要求测报人员次日取回灯诱昆虫,在室内进行人工识别和计数需要测报的害虫(我们称为测报害虫),其结果用于监测水稻田间害虫发生的种群动态.在灯诱昆虫中,大部分是生产上并不需要测报的昆虫(我们称为非测报害虫),因此,人工识别与计数水稻灯诱害虫的同时,需要排除这些非测报害虫.由于非测报害虫种类和数量较多,依靠人工排除非测报害虫和识别计数测报害虫存在效率低㊁识别准确率差和对专家依赖大等问题,因此,迫切需要快速准确的水稻灯诱害虫自动识别与计数技术.收稿日期:２０１４Ｇ０７Ｇ２９;修改稿收到日期:２０１４Ｇ１１Ｇ１１.基金项目:国家８６３计划资助项目(２０１３A A １０２４０２);国家自然科学基金资助项目(３１０７１６７８);浙江省自然科学基金资助项目(L Y １３C １４０００９);浙江理工大学研究生创新项目(Y C X １２０２０).９９２中国水稻科学(C h i nJR i c eS c i ),２０１５,２９(３):２９９－３０４h t t p ://w w w．r i c e s c i ．c n D O I :１０．３９６９/j．i s s n ．１００１Ｇ７２１６．２０１５．０３．００９㊀㊀随着图像处理技术的发展,利用图像进行昆虫识别研究已取得一些进展.其中有一些系统已在实际中获得应用,如A r b u c k l e 等[２]建立的蜜蜂自动识别系统(A B I S),通过提取蜜蜂前翼的几何特征,来区分不同的蜜蜂种类;N e i l l 等[３]搭建的昆虫自动识别系统(D A I S Y )能够识别夜蛾㊁寄生蜂㊁摇蚊等很多种类无脊椎动物.然而,大部分文献[４Ｇ１６]的研究对象是已知的几种昆虫,通过提取它们的图像特征参数,并利用分类器进行训练和识别,一般能获得较好的识别结果.然而,在实际应用中,常常需要在大量的昆虫种类中识别出一种或某几种昆虫(即目标昆虫),也就是大部分昆虫并不需要识别.那么,如何在自动识别目标昆虫的同时排除非目标昆虫至关重要.D a v i d 等[１７]为了从多种水生石蝇中识别出９种目标石蝇,在提取这些石蝇图像的尺度不变特征转换(s c a l e Ｇi n v a r i a n t f e a t u r e t r a n s f o r m ,S I F T )特征基础上,训练一个贝叶斯分类器,通过计算等错误率(E E R )作为阈值来排除非目标石蝇样本,再对９种目标石蝇进行分类识别,结果表明９４．５％的石蝇图像能被正确识别.周国民等[１８]把水稻三化螟和非三化螟昆虫分为两类,提取了昆虫图像的几何与颜色两类共５个特征,训练一个B P 神经网络分类器来识别三化螟,获得了较高的识别率.实际上,当测试的昆虫种类较多时,特别是有些螟虫的形态和颜色特征与三化螟颇为相似,通过这５个特征参数来识别三化螟会导致识别率下降.邱道尹等[１９]在建立一套农田害虫实时检测系统的基础上,利用７个形态特征和３层B P 神经网络分类器对９种害虫进行识别;由于该套系统是通过流动水来分散诱集的昆虫,当昆虫浸入水后,常发生翅膀粘贴于虫体或漂浮展开㊁虫体鳞片丢失和颜色失真等问题,因此,当诱集的昆虫种类和数量较多时,通过害虫的形态特征并不能获得较好的识别结果.本研究在深入分析水稻灯诱昆虫图像特征的基础上,探讨水稻上需要测报的目标害虫识别和不需要测报的非目标害虫排除的问题,为实现基于图像的水稻灯诱害虫自动测报提供一条思路.１㊀材料与方法１．１㊀材料２０１３年７－１０月在中国水稻研究所浙江省富阳市试验田,利用虫情测报灯装置(佳多集团)诱杀水稻害虫,于次日取回实验室.目前,根据G B/T １５７９２[２０]㊁G B /T １５７９３[２１]㊁G B /T １５７９４[２２]最新标准,需要测报的水稻灯诱害虫包括大螟㊁二化螟㊁稻纵卷叶螟和稻飞虱等成虫.在诱杀的昆虫中,发现有许多甲虫类㊁蝽类㊁蛾类㊁蝶类和摇蚊等不需要测报的昆虫(即非测报害虫)(图１ＧB ).本研究以大螟(S e s a m i a i n f e r e n s )㊁二化螟(C h i l o s u p pr e s s a l i s )和稻纵卷叶螟(C n a p h a l o c r o c i s m e d i n a l i s )(图１ＧA )为例来探讨测报害虫的识别和非测报害虫排除的方法.１．２㊀方法我们采集的昆虫图像是在封闭的恒定的环境下拍摄的.当灯诱昆虫自然跌落在白色背景平台上,尽可能使虫体不粘连.L E D 环形光源和N i k o nD ９０相机在白色平台上方,相机距离白色背景平台２５c m ,相机参数固定(光圈值为F １１,快门速度为１/１５s ).首先,对水稻昆虫图像进行预处理;然后,根据昆虫大小对灯诱的大型昆虫分为３组,使得每组中含有一种测报害虫;最后,提取每张昆虫图像特征,利用带后验概率的支持向量机(s u p po r tv e c t o r m a c h i n e ,S VM )模型[１]对样本进行训练和测试.１．２．１㊀昆虫图像预处理被诱杀的昆虫中常夹杂着鳞片㊁残肢和杂质等噪声,采用形态学噪声滤除算法[２３]可以去除.首先图１㊀水稻测报害虫与非测报害虫F i g ．１．R i c e f o r e c a s t i n gp e s t s a n dn o n Ｇf o r e c a s t i n gpe s t s ．００３中国水稻科学(C h i nJR i c eS c i )㊀第２９卷第３期(２０１５年５月)对含噪声的昆虫图像进行开运算,消除小物体,去除背景噪声;再对前一步得到的图像进行闭运算,填充水稻昆虫内细小空洞㊁平滑其边界;最后,采用一种迭代求图像最佳分割阈值的算法分别对R㊁G㊁B三分量进行图像分割,结合模板映射的原理,将昆虫图像背景转变为黑色.１．２．２㊀昆虫图像初步分组水稻害虫大螟体长１５mm,翅展约３０mm,体型呈长圆形;二化螟体长１２~１５mm,翅展２０~２５mm,身体扁长,呈长方形;稻纵卷叶螟体长８~９mm,翅展１７mm,翅黄褐色,前后翅外缘均有黑褐色宽边[２４].可见,这３种害虫在虫体大小和形态上存在较大差异.我们在统计这３种害虫在图像上所占的像素数和最小外接矩形长宽比两个参数阈值基础上,把满足此阈值范围的水稻灯诱昆虫进行初步分组:第１组为大螟及其相似的昆虫,第２组为二化螟及其相似的昆虫,第３组为稻纵卷叶螟及其相似的昆虫.对不满足此范围的昆虫则被排除而不参与后续的种类识别,以便减少算法的运算量.当个体较大的昆虫落到白色平台上,一般存在两种姿态,即背部向上和腹部向上;有个别昆虫呈侧身姿态,在研究中把这些昆虫归到腹部向上这一类别.这样,每组昆虫共包含３类,即背部向上的测报害虫㊁腹部向上的测报害虫和与其相似的非测报害虫.１．２．３㊀昆虫图像特征提取１．２．３．１㊀颜色特征颜色直方图可以描述一个图像区域中包含各种颜色的比例情况[２５].利用颜色直方图进行颜色特征提取时,一个重要的问题是颜色空间的选择和直方图的量化.由于颜色直方图是高维向量数组,就R G B空间而言,直接表示需要２５６ˑ２５６ˑ２５６＝１６７７７２１６个向量,如果再考虑直方图上的相关运算,则需要很大的运算量.因此,一般采取对直方图进行量化来减少其所包含的维数.本研究将R㊁G㊁B三分量利用式１)进行非均匀量化.㊀㊀对量化后的颜色空间R G B,利用式２)把三个颜色分量合成一维特征量L.L＝R＋G＋B㊀(０ɤLɤ２４)２)提取R分量颜色均值㊁能量和峰度等３个特征;分别提取G㊁B分量的颜色均值和能量共４个特征;提取L分量的颜色均值㊁方差和能量等３个特征;共提取了１０个颜色特征[２６].１．２．３．２㊀纹理特征采用基于灰度共生矩阵的统计法[２７]提取纹理特征值.灰度共生矩阵的定义为从灰度值为i的像元(x,y)出发,统计与距离为d㊁灰度为j的像元(x ＋әx,y＋әy)同时出现的频度P(i,j,d,θ).用数学公式表示如下:P(i,j,d,θ)＝＃{[(x,y),(x＋әx,y＋әy)]|f(x,y)＝i;f(x＋әx,y＋әy)＝j;x＝０,１,２, ,M;y＝０,１,２, ,N};３)式中,＃{}表示集合中元素个数;L为图像的灰度级数;i＝０,１,２, ,L－１;j＝０,１,２, ,L －１;θ为灰度共生矩阵的生成方向;(x,y)是图像中的像素坐标;Δx和Δy分别为行和列方向的差分距离;M,N分别为图像的行列数.取d＝１,θ＝０ʎ,４５ʎ,９０ʎ,１４５ʎ,导出角二阶矩㊁熵㊁惯性矩㊁相关性４个可以反映图像纹理特性的参数,提取这些参数的均值和方差,共８个特征值[２８].１．２．３．３㊀形态特征首先对昆虫图像进行二值化,再对二值图像提取昆虫图像的矩形度㊁长宽比㊁狭长度㊁紧凑度㊁似圆度㊁等效椭圆长短轴比和７个H u不变矩[２９],共１３R＝０i f rɪ(２００,３０]１i f rɪ(３０,５０]２i f rɪ(５０,７５]３i f rɪ(７５,９５]４i f rɪ(９５,１１５]５i f rɪ(１１５,１３５]６i f rɪ(１３５,１５５]７i f rɪ(１５５,１８０]８i f rɪ(１８０,２００]ìîíïïïïïïïïïïïïïG＝０i f gɪ(２１０,２５]１i f gɪ(２５,５０]２i f gɪ(５０,７５]３i f gɪ(７５,９５]４i f gɪ(９５,１１５]５i f gɪ(１１５,１３５]６i f gɪ(１３５,１５５]７i f gɪ(１５５,１８０]８i f gɪ(１８０,２１０]ìîíïïïïïïïïïïïïïB＝０i f bɪ(２００,１８]１i f bɪ(１８,５０]２i f bɪ(５０,７５]３i f bɪ(７５,９５]４i f bɪ(９５,１１５]５i f bɪ(１１５,１３５]６i f bɪ(１３５,１５５]７i f bɪ(１５５,１８０]８i f bɪ(１８０,２００]ìîíïïïïïïïïïïïïï１)１０３冼鼎翔等:基于图像的水稻灯诱害虫自动识别技术的研究个形态特征.１．２．４㊀分类器的设计每组昆虫包含３类,即背部向上的测报害虫㊁腹部向上的测报害虫和与其相似的非测报害虫,利用带后验概率的S VM 算法对水稻灯诱昆虫进行训练和识别.该算法就是利用一个概率取代传统S VM输出的预测标签,即用一个挤压函数S i gm o i d [３０]把S VM 的标准g (x )输出且映射到[０,１]区间上,再利用O V O 方法[３１]具有分类精度高的优点,使用联合隶属概率作为样本判别标准.S VM 后验概率输出形式为:p [y ＝１|g (x )]＝１１＋e x p [a g (x )＋b ]p [y ＝－１|g (x )]＝１－p [(y ＝１|g (x )]ìîíïïï㊀４)式中未知参数a ㊁b 决定S i gm o i d 函数的形态.若a ＜１,通过公式４)不仅可以确定样本x 的所属类别,而且提供了样本隶属于某类的程度.因此,根据R o s e n 梯度投影法[３２]可求得S i gm o i d 函数中最优参数a ㊁b 值,从而实现多分类问题的S VM 后验概率的输出.１．２．５㊀样本的训练训练分类器的样本图像来自去除背景和初步分组处理后的３组昆虫图像,其中第１组包括背部向上的大螟图像１６０张,腹部向上的大螟图像１３０张,形态似大螟的昆虫１６０张;第２组包括背部向上的二化螟图像２００张,腹部向上的二化螟图像３３５张,形态似二化螟的昆虫１２０张;第３组包括背部向上的稻纵卷叶螟图像３１０张,腹部向上的稻纵卷叶螟图像３４３张,形态似稻纵卷叶螟的昆虫２００张.分别提取各组昆虫的颜色㊁形态和纹理特征.一张昆虫图像得到一行３１维特征向量,每组昆虫图像的特征值构成n 行３１维的矩阵(n 代表图像数量),取同个特征参数(每列向量)的最大值(X m a x )和最小值(X m i n ),将特征参数归一化到[０,１]区间内,则每列向量对应的参数值为y ＝(X －X m i n )/(X m a x －X m i n ),最后利用归一化后的特征值训练带后验概率的S VM 模型.每组昆虫图像得到１个分类器.２㊀结果与分析对去背景和初步分组后的测试样本用对应的分类器进行识别.在识别结果中,背部向上和腹部向上的同一种害虫视为一种害虫,并用准确率和误检率来评价水稻灯诱害虫的识别结果.其中,准确率＝识别出测报害虫的数量/总测报害虫的数量;误检率＝非测报害虫识别为测报害虫的数量/识别为测报害虫的总数量.识别结果见表１.如果把灯诱昆虫分为４类,即大螟㊁二化螟㊁稻纵卷叶螟和其他昆虫,用相同的样本来训练和测试表１㊀利用３个后验概率S V M 分类器分别识别３种水稻灯诱害虫的结果T a b l e １．I d e n t i f i c a t i o n r e s u l t s o f t h r e e s p e c i e s o f r i c e l i g h t Ｇt r a p p e d p e s t s b y t h r e e s u p po r t v e c t o rm a c h i n e c l a s s i f i e r sw i t h p o s t e r i o r p r o b a b i l i t i e s ．害虫种类P e s t s pe c i e s 分到各种害虫中的样本数T h e n u m b e r o f s a m pl e s d i v i d e d i n t o e a c h p e s t 大螟S ．i n fe r e n s 形似大螟的昆虫S i m i l a r i n s e c t s t oS ．i n fe r e n s 准确率A c c u r a c y r a t e /％误检率F a l s er a t e /％大螟S ．i n fe r e n s １２９６９５．５５．８形态似大螟的昆虫S i m i l a r i n s e c t s t o S ．i n fe r e n s ８７８二化螟C ．s u p pr e s s a l i s 形似二化螟的昆虫S i m i l a r i n s e c t s t oC ．s u p pr e s s a l i s 准确率A c c u r a c y r a t e /％误检率F a l s e r a t e/％二化螟C ．s u p pr e s s a l i s ２０７４９８．１５．０形态似二化螟昆虫S i m i l a r i n s e c t s t o C ．s u p pr e s s a l i s １１７２稻纵卷叶螟C ．m e d i n a l i s形似稻纵卷叶螟的昆虫S i m i l a r i n s e c t s t oC ．m e d i n a l i s准确率A c c u r a c y ra t e /％误检率F a l s e r a t e/％稻纵卷叶螟C ．m e d i n a l i s ２５７６９７．７０．３形态似稻纵卷叶螟昆虫１９９S i m i l a r i n s e c t s t o C ．m e d i n a l i s２０３中国水稻科学(C h i nJR i c eS c i )㊀第２９卷第３期(２０１５年５月)表２㊀利用１个后验概率S V M分类器识别３种水稻灯诱害虫的结果T a b l e２．I d e n t i f i c a t i o n r e s u l t s o f t h r e e s p e c i e s o f r i c e l i g h tＧt r a p p e d p e s t s b y o n e s u p p o r t v e c t o rm a c h i n e c l a s s i f i e rw i t h p o s t e r i o r p r o b a b i l i t i e s．害虫种类P e s t s p e c i e s分到各种害虫中的样本数T h e n u m b e r o f s a m p l e s d i v i d e d i n t o e a c h p e s t大螟S．i n f e r e n s二化螟C．s u p p r e s s a l i s稻纵卷叶螟C．m e d i n a l i s其他昆虫O t h e r i n s e c t s准确率A c c u r a c yr a t e/％误检率F a l s er a t e/％大螟S．i n f e r e n s１１３１１０１１８３．７８．２二化螟C．s u p p r e s s a l i s０１９３０１８９１．５１３．１稻纵卷叶螟C．m e d i n a l i s０２２５２９９５．８４．６其他昆虫O t h e r i n s e c t s１９１６１２２２２８２．５１４．６一个带后验概率的S VM分类器(表２).㊀㊀从表１中可以看出,在２６９个非测报害虫中,共有２０个昆虫被误判为测报害虫,因此,可得到非测报害虫的识别准确率为９２．５％.在６０９个测报害虫中,有１６个被误判为非测报害虫,因此,可获得３种测报害虫的平均识别准确率为９７．４％.从表２中可以看出,相同测试样本的非测报害虫中,共有４７个昆虫被误判为测报害虫,即得到非测报害虫的识别率为８２．５％.同样,可获得测报害虫的平均识别准确率９１．６％.对比表１和表２,对于３种测报害虫来说,利用３个分类器分别识别３种害虫的准确率要比利用１个分类器识别３种害虫高,而误检率则低;因为用３个分类器分别识别３种目标害虫,可以减少这３种害虫之间的误判;对于非测报害虫,同样可以减少非测报害虫被判为非同组的测报害虫的可能性.为了进一步比较用３个分类器和用１个分类器识别灯诱害虫的能力,根据真阳性率和假阳性率画出它们的R O C曲线.从图２的R O C曲线可以看出,利用３个分类器的方法来识别水稻灯诱害虫比利用１个分类器更好.３㊀讨论根据水稻灯诱害虫不同种类形态差异的信息,先将昆虫进行初步分组,再提取图像特征,分别训练不同的分类器进行识别.该方法不但可以避免用一个分类器出现不同害虫之间相互误判的情况,而且能够减少非测报害虫被误判为非同组的测报害虫的概率,从而提高测报害虫的识别率.利用图像进行昆虫识别,最关键是寻找合适的且能反映待识别昆虫种类的图像特征.在本研究中,训练３个分类器的特征参数是相同的.实际上,可以根据每种害虫的特点,提取各自不同的特征参数来训练相应的分类器,这样可以提高识别率.在图２㊀用３个分类器和用１个分类器来识别水稻灯诱害虫的R O C曲线F i g．２．R O C c u r v e s f o r i d e n t i f y i n g r i c e l i g h tＧt r a p p e d p e s t s b y t h em e t hＧo d s b a s e d o n t h r e e c l a s s i f i e r s a n d o n e c l a s s i f i e r．表２中,大螟的识别率比二化螟和稻纵卷叶螟的识别率要低,为了提高该虫的识别率,可以寻找能区别于其他非测报害虫的大螟图像特征.由于灯诱昆虫随机落在拍照平台上,其虫体角度是不同的,因此,提取的图像特征应该具有旋转不变性,否则需要昆虫进行旋转摆正处理.当非测报害虫种类及数量较多时,与识别的测报害虫相似的昆虫种类和数量也相应增加,这需要通过训练更多种类和数量的非测报害虫来增加分类器的鲁棒性.在本研究中,仅对水稻上需要测报的且体型相对较大的３种灯诱害虫进行自动识别方法的研究,而实际水稻灯诱昆虫中还需要测报３种微小害虫 飞虱(褐飞虱㊁白背飞虱和灰飞虱),由于这些微小害虫在体型上相差不大,因此不需要进行初步分组,关键的问题是需要筛选出不仅能从其他微小３０３冼鼎翔等:基于图像的水稻灯诱害虫自动识别技术的研究昆虫中区分出这３种飞虱,而且能区分这３种飞虱之间的差异的图像特征,这具有一定的挑战.参考文献:[１]㊀丁世飞,齐丙娟,谭红艳．支持向量机理论与算法研究综述．电子科技大学学报,２０１１,４０(１):２Ｇ１０．[２]㊀A r b u c k l eT,S c h r o d e rS,S t e i n h a g eV,e t a l．B i o d i v e r s i t y i nＧf o r m a t i c s i na c t i o n:I d e n t i f i c a t i o na n d m o n i t o r i ng o fb e es p eＧc i e s u s i n g A B I S//H i l t y L M,G i l g e nP W,ed s．P r o ce e d i n g s o ft h e１５t hI n t e r n a t i o n a lS y m p o s i u m I n f o r m a t i c sf o r E n v i r o nＧm e n t a l P r o t e c t i o n．M e t r o p o l i s:Z u r i c h,２００１:４２５Ｇ４３０．[３]㊀O N e i l lM A,G a u l d ID,G a s t o nKJ,e t a l．D a i s y:A na u t oＧm a t e di n v e r t e b r a t ei d e n t i f i c a t i o ns y s t e m u s i n g h o l i s t i cv i s i o n t e c h n i q u e s//P r o c e e d i n g so ft h eI n a u g u r a l M e e t i n g B i o N E TＧI N T E R N A T I O N A L G r o u p f o r C o m p u t e rＧA i d e d T a x o n o m y(B I G C A T)．E g h a m,２０００:１３Ｇ２２．[４]㊀孙兴滨,吕伟民,赵晶莹,等．基于支持向量机的红虫识别研究．哈尔滨商业大学学报,２００９,２５(１):２１Ｇ２３．[５]㊀韩瑞珍．基于机器视觉的农田害虫快速检测与识别研究[学位论文]．杭州:浙江大学,２０１４．[６]㊀赵晶莹,郭海,孙兴滨,等．基于小波包分解及模糊支持向量机的红虫识别．计算机应用,２０１０,３０(１):２２７Ｇ２２９．[７]㊀邹修国．基于机器视觉的稻飞虱现场识别技术研究．南京:南京农业大学,２０１３．[８]㊀刘德营．稻飞虱自动识别关键技术的研究．南京:南京农业大学,２０１１．[９]㊀A s h a g h a t h r aS,W e c k l e rP,S o l i eJ,e ta l．I d e n t i f y i n gp e c a n w e e v i l s t h r o u g h i m a g e p r o c e s s i n g t e c h n i q u e s b a s e d o n t e m p l a t e m a t c h i n g．A m e r i c a nS o c i e t y o fA g r i c u l t u r a l a n dB i o l o g i c a l E nＧg i n e e r i n g,２００７．[１０]陈小琳,侯新文,刘成林,等．昆虫图像自动鉴别技术．昆虫知识,２００８,４５(２):３１７Ｇ３２２．[１１]邹修国,章世秀,刘德营．基于A RM＋D S P的农田害虫识别系统设计．电子技术应用,２０１２(９):１２８Ｇ１３０．[１２]王黎鹃．基于L C V和S VM的小麦害虫图像识别方法研究[学位论文]．西安:陕西科技大学,２０１３．[１３]W e nC,G u y e rD E,L iW．L o c a l f e a t u r eＧb a s e d i d e n t i f i c a t i o na n d c l a s s i f i c a t i o n f o r o r c h a r d i n s e c t s．B i o sE n g i n,２００９,１０４:２９９Ｇ３０７．[１４]周曼,周明全．基于B P神经网络的水稻害虫自动识别．北京师范大学学报:自然科学版,２００８,４４(２):１６５Ｇ１６７．[１５]Z h a oJ,C h e n g X P．F i e l d p e s t i d e n t i f i c a t i o nb y a n i m p r o v e dG a b o r t e x t u r es e g m e n t a t i o ns c h e m e．N e w Z e a l a n d J A g r i cR e s,２００７,５０:７１９Ｇ７２３．[１６]L a r i o sN,S o r a nB,S h a p i r oL G,e ta l．H a a r r a n d o mf o r e s tf e a t u r e s a n dS VMs p a t i a lm a t c h i ng k e r n e l f o r s t o n e f l y s p e c i e si d e n t i f i c a t i o n．P r o c e e d i n g s o f I E E E I n t e r n a t i o n a l C o n f e r e n c e o nP a t t e r n R e c o g n i t i o n(I C P R)．I s t a n b u l,T u r k e y:I E E E,２０１０:２６２４Ｇ２６２７．[１７]L y t l eDA,M u n o zG M,Z h a n g W,e t a l．A u t o m a t e d p r o c e s sＧi n g a n d i d e n t i f i c a t i o no f b e n t h i c i n v e r t e b r a t e s a m p l e s．JN A mB e n t h o l S o c,２０１０,２９(３):８６７Ｇ８７４．[１８]周国民,王剑．基于神经网络的水稻三化螟识别系统研究．农业网络信息,２００６(２):３９Ｇ４１．[１９]邱道尹,张红涛,刘新宇,等．基于机器视觉的大田害虫检测系统．农业机械学报,２００７,３８(１):１２０Ｇ１２２．[２０]中华人民共和国国家质量监督检验检疫总局,中国国家标准化管理委员会G B/T１５７９２－２００９．水稻二化螟测报调查规范．北京:中国标准出版社,２００９．[２１]G B/T１５７９３－２０１１．稻纵卷叶螟测报技术规范．北京:中国标准出版社,２０１１．[２２]G B/T１５７９４－１９９５．稻飞虱测报调查规范．北京:中国标准出版社,１９９６．[２３]陈秉涛．数字图像混合噪声滤除算法研究[学位论文]．昆明:云南大学,２０１２．[２４]傅强,黄世文．水稻病虫害诊断与防治原色图谱．北京:金盾出版社,２００５:５７Ｇ８１．[２５]陶立超．基于分块颜色直方图和H O G特征的粒子滤波跟踪[学位论文]．上海:上海交通大学,２０１２．[２６]管泽鑫．基于图像的水稻病害识别方法的研究[学位论文]．杭州:浙江理工大学,２０１０．[２７]高程程,惠晓威．基于灰度共生矩阵的纹理特征提取．计算机系统应用,２０１０,１９(６):１９５Ｇ１９８．[２８]姜慧．基于A n d r o i d的水稻害虫图像采集与识别系统研究[学位论文]．杭州:浙江理工大学,２０１３．[２９]吕军,姚青,刘庆杰,等．基于模板匹配的多目标水稻灯诱害虫识别方法的研究．中国水稻科学,２０１２,２６(５):６１９Ｇ６２３．[３０]P l a t t J C．P r o b a b i l i s t i cO u t p u t f o r S u p p o r tV e c t o rM a c h i n e a n dC o m p a r i s o n s t o R e g u l a r i z e d L i k e l i h o o d M e t h o d s．[S１]:M I TP r e s s,１９９９:１Ｇ１２．[３１]苟博,黄贤武．支持向量机多类分类方法．数据采集与处理,２００６,２１(３):３３４Ｇ３３９．[３２]龚纯,王正林．精通MA T L A B最优化计算．北京:电子工业出版社,２００９:１７５Ｇ１７９．４０３中国水稻科学(C h i nJR i c eS c i)㊀第２９卷第３期(２０１５年５月)。