基于数字图像的农业害虫精准检测算法的研究

基于数字图像的农业害虫精准检测算法的研究粮食安全是我国长治久安的根本保障。

而准确迅速地进行害虫检测是农业病虫害防治的关键技术之一。

随着计算机科学的发展,具有精确、快速、客观的机器视觉已经逐渐代替人眼来进行目标检测的工作。

这种技术可以克服了传统农作物病虫害诊断方法耗时费力的缺点,同时能足够满足病害识别精度的需要。

目前用于农作物病虫害检测的研究主要是以基于机器学习模型为基础展开。

本文以危害十字花科植物的害虫菜蝽为对象,借助人工智能思想,结合基于多特
征的级联AdaBoost算法和特征点检测算法,提出一套高精度害虫检测方法。

该方法以Gentle AdaBoost算法为基础,分别对检测前的特征选取和检测后的目标锁定算法的进行了补充。

首先,采用HAAR特征和LBP特征混合特征组合代替传统模型下的单一特征,从梯度和纹理的角度更全面地对图像进行描述；其次借助Gentle AdaBoost算法筛选出最佳的特征,由此组成弱分类器和强分类器；然后将训练好的各层分类器按照一定的筛选率组合成级联检测器,用以快速排出背景值；最后引入SIFT模板匹配算法对检测出的结果进行二次筛选,最终确定检测目标。

相比一般的检测方法,本文所提出的方法具备以下几点优势：1.相对于传统的数据库,本文所用样本均来自手工裁剪,使得样本的训练更具有普遍性；2.多特征的引入为图像特征表达提供了更多的选择；3AdaBoost思想为最优特征的筛选提供了较好的解决方法,同时很好地降低了大量训练样本过拟合问题发生的概率：4SIFT特征匹配的补充使得最终检测结果得到进一步确认,提高了整体检测精度。

为了验证本方法的效果,本文比较了4种检测方案,包括：单个特征的级联检测器
(HAAR或者LBP),混合特征的级联检测器(HAAR+LBP)以及加入SIFT目标锁定的检测方案(HAAR+LBP+SIFT)。

结果表明：新方法虽然对某些样本图像会出现漏检和误检的情况,但整体来说本文设计的方法较传统方法仍有更好的鲁棒性,在农业病虫害检测领域具有一定的参考价值和探索意义。