- 相關(guān)推薦
圖像識別處理技術(shù)在農業(yè)工程中的應用論文
摘 要： 研究一種基于圖像識別處理的糧蟲(chóng)檢測方法，將圖像識別處理技術(shù)應用于農業(yè)工程。首先使用灰度化、二值化、平滑以及銳化技術(shù)對糧蟲(chóng)圖像進(jìn)行預處理，使得圖像更容易進(jìn)行邊緣檢測和圖像特征提取。之后使用四種邊緣檢測方法實(shí)現圖像中待識別糧蟲(chóng)的邊緣檢測。使用糧蟲(chóng)圖像的8種區域描述子特征作為糧蟲(chóng)識別模型的輸入特征。最后選取常見(jiàn)的玉米象、擬谷盜和鋸谷盜三種糧蟲(chóng)為研究對象，使用基于RBF神經(jīng)網(wǎng)絡(luò )的識別模型對三種糧蟲(chóng)圖像的幾何形態(tài)特征進(jìn)行識別。
關(guān)鍵詞： 糧蟲(chóng)檢測； 特征提��； RBF神經(jīng)網(wǎng)絡(luò )； 圖像識別
0 引 言
目前儲糧害蟲(chóng)問(wèn)題是世界上很多國家所面臨的困難，在很多國家每年都會(huì )因為糧食害蟲(chóng)而損失很多糧食。在遭受到糧食害蟲(chóng)的侵害以后糧食的籽粒會(huì )被破壞，容易變質(zhì)、結塊、發(fā)熱以及發(fā)霉，另外在老化死去害蟲(chóng)尸體、糞便以及有毒液體的影響下糧食會(huì )受到較為嚴重的污染[1]。
總的來(lái)說(shuō)，目前主要有四種方法來(lái)檢測糧食害蟲(chóng)：首先是取樣法，將所制作的扦樣器按照區域定點(diǎn)的方法安裝在儲糧庫內。采用電機或者人工的方法吸取糧食樣本，然后交由技術(shù)人員分類(lèi)、鑒別以及篩選，這樣就可以對庫區糧食害蟲(chóng)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(guān)因素容易對最后的結果產(chǎn)生影響，因此產(chǎn)生了較大的誤差。其次是誘捕法，通過(guò)對糧食害蟲(chóng)生理特性以及習性的利用來(lái)采取合適的誘捕方式，主要包括糧食害蟲(chóng)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(guò)程中需要制作誘導劑以及提取糧食害蟲(chóng)的信息素，由于具有較強的針對性，而且具有種類(lèi)繁多的糧食害蟲(chóng)，因此所消耗的成本比較大，所以以上兩種方法也存在著(zhù)一定的缺陷。再次是聲測法，通過(guò)對聲音監測裝置的應用，分析害蟲(chóng)爬行以及吃食時(shí)的聲音，進(jìn)而就可以獲取糧食害蟲(chóng)密度信息。在應用這種方法的過(guò)程中會(huì )在周?chē)a(chǎn)生較大的噪音，同時(shí)需要花費較大的資金來(lái)制造聲音監測裝置，所以目前這種方法并沒(méi)有得到廣泛的應用。最后一種方法是近紅外反射光譜識別法，糧食害蟲(chóng)的C，H，N成分存在著(zhù)很大的差距，因此就會(huì )產(chǎn)生不同的近紅外線(xiàn)光譜，這種不同種類(lèi)的糧食害蟲(chóng)就可以通過(guò)NIR 的掃描來(lái)進(jìn)行識別。但是這種方法仍然存在著(zhù)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 )對掃描結果產(chǎn)生一定的影響，使得無(wú)法獲得準確和清晰的NIR 掃描圖像[2?3]。
除了使用聲音檢測方法外，其他方法不利于實(shí)現自動(dòng)化糧蟲(chóng)檢測，人工檢測方法效率低、成本高，因此本文研究一種基于圖像識別處理的糧蟲(chóng)檢測方法，將圖像識別處理技術(shù)應用于農業(yè)工程。
1 糧蟲(chóng)圖像預處理
1.1 圖像灰度化處理
在分析糧蟲(chóng)圖像的過(guò)程中首先需要進(jìn)行圖像顏色之間的轉換，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)行轉移。
通常利用最大值法、加權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(chóng)圖像，這樣能夠重點(diǎn)顯示對象區域，對于后續的分析和辨別非常有利。由于在灰度上目標圖像與背景圖像存在著(zhù)較大的差距，因此可以根據灰度值的不同來(lái)對目標圖像進(jìn)行區分。分別用0和1來(lái)表示目標圖像和背景圖像，這樣就能夠實(shí)現灰色圖像和二值圖像之間的轉換，具有較高的識別度。本文只對單個(gè)的背景和圖像進(jìn)行了分析。因此在數據對比的過(guò)程中使用了一個(gè)閾值Th，達到分類(lèi)像素群的目的。將圖像中的背景灰度值以及目標灰度值分別設置[5]為1和0。
1.3 圖像平滑
本文使用鄰域平均法對糧蟲(chóng)圖像進(jìn)行平滑處理。所應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)對中心部位像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)對圖像的銳化處理能夠達到修復外部形狀以及進(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值的對比能夠對圖像的清晰度進(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
在經(jīng)過(guò)上述的預處理后，能夠顯著(zhù)地提升圖像的質(zhì)量，但是還需要采用圖像邊緣檢測技術(shù)來(lái)對圖像中的背景和目標進(jìn)行區分[7]。
�。�1） Roberts 邊緣檢測算子。Roberts 邊緣檢測算子是使用局部差分算法實(shí)現。其中原始圖像用f（x，y）表示，邊緣檢測后輸出的圖像用g（x，y）表示：
利用互相垂直方向上的差分Roberts 邊緣檢測算子就可以對梯度進(jìn)行計算，另外邊緣之間的檢測可以利用對角線(xiàn)方向相鄰像素之差來(lái)實(shí)現。
通過(guò)對模板的利用能夠對Roberts 的梯度幅度G進(jìn)行計算，進(jìn)而得到合適的閾值T，當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 邊緣檢測算子。Sobel邊緣檢測算子考察各個(gè)像素的鄰域加權差，加權差值最大的點(diǎn)就是邊緣點(diǎn)：
算子模板為：
�。�3） Prewitt 邊緣檢測算子。算子和算子具有相似的特點(diǎn)：
算子模板為：
�。�4） Laplacian 邊緣檢測算子。邊緣檢測算子，通過(guò)在邊緣處產(chǎn)生陡峭的零交叉來(lái)實(shí)現邊緣檢測的目的[8]：
本文選取常見(jiàn)的玉米象、擬谷盜和鋸谷盜三種糧蟲(chóng)為研究對象，使用上述四種邊緣檢測方法對糧蟲(chóng)圖像邊緣進(jìn)行檢測，其中檢測效果最好的是使用邊緣檢測算子，檢測效果最差的是使用邊緣檢測算子。兩種算子檢測結果如圖1所示。
3 糧蟲(chóng)圖像特征提取
區域描述子特征在圖像分析的過(guò)程中具有非常強的實(shí)用效果。因此本文使用糧蟲(chóng)圖像的八種區域描述子特征作為糧蟲(chóng)識別模型的輸入特征[9?10]：
�。�1） 面積A：圖像中待識別對象面積像素點(diǎn)個(gè)數總和：
�。�2） 周長(cháng)P：待識別對象的周長(cháng)：
式中，SUM（in）為4鄰域內像素均為待識別對象的像素個(gè)數總和。
�。�3） 相對面積RA：待識別對象面積占圖像總體比例：
�。�4） 延伸率S：待識別糧蟲(chóng)圖像的最小外接矩形的寬度比上長(cháng)度值[11]：
�。�5） 復雜度C：待識別對象緊湊性：
�。�6） 占空比B：反應待識別對象的復雜程度：
�。�7） 等效面積圓半徑R：
�。�8） 偏心率E：待識別對象長(cháng)短軸長(cháng)度之比，描述了待識別對象的緊湊性，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(chóng)識別實(shí)驗
本文選取常見(jiàn)的玉米象、擬谷盜和鋸谷盜三種糧蟲(chóng)為研究對象，對其圖像進(jìn)行處理識別。分別使用邊緣檢測算子、邊緣檢測算子、邊緣檢測算子和邊緣檢測算子對其圖像進(jìn)行邊緣檢測，并提取其圖像的面積A、周長(cháng)P、相對面積RA、延伸率S、復雜度C、占空比B、等效面積圓半徑R和偏心率E這八個(gè)特征用于對三種糧蟲(chóng)的識別，具體特征值如表1所示。
使用基于RBF神經(jīng)網(wǎng)絡(luò )的識別模型對三種糧蟲(chóng)圖像的幾何形態(tài)特征進(jìn)行識別，識別原理如圖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(chóng)圖像對基于RBF神經(jīng)網(wǎng)絡(luò )的識別模型進(jìn)行訓練，提高其識別糧蟲(chóng)圖像的泛化能力。
基于RBF神經(jīng)網(wǎng)絡(luò )的識別模型的輸入向量為糧蟲(chóng)圖像的八種特征，即輸入節點(diǎn)數為8；基于RBF神經(jīng)網(wǎng)絡(luò )的識別模型的輸出向量結果為玉米象圖像、擬谷盜圖像、鋸谷盜圖像以及無(wú)糧蟲(chóng)圖像4種，即輸出節點(diǎn)數為4；隱含層節點(diǎn)數根據經(jīng)驗公式計算。
分別使用20張玉米象圖像、20張擬谷盜圖像和20張鋸谷盜圖像對訓練后的基于RBF神經(jīng)網(wǎng)絡(luò )的識別模型進(jìn)行測試。
能夠得到使用邊緣檢測算子、邊緣檢測算子、邊緣檢測算子和邊緣檢測算子對其圖像進(jìn)行邊緣檢測后，以及使用基于RBF神經(jīng)網(wǎng)絡(luò )的識別模型對糧蟲(chóng)圖像的識別結果如圖3所示。
從基于RBF神經(jīng)網(wǎng)絡(luò )識別模型的糧蟲(chóng)識別結果可以看出，分別使用邊緣檢測算子、邊緣檢測算子、邊緣檢測算子和邊緣檢測算子對其圖像進(jìn)行邊緣檢測后，識別模型對三種糧蟲(chóng)的平均識別率為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 邊緣檢測算子對糧蟲(chóng)圖像邊緣檢測對于糧蟲(chóng)圖像識別準確率是最有利的，而使用Laplacian 邊緣檢測算子后糧蟲(chóng)圖像的識別率最低。
5 結 論
本文研究一種基于圖像識別處理的糧蟲(chóng)檢測方法，將圖像識別處理技術(shù)應用于農業(yè)工程。選取常見(jiàn)的玉米象、擬谷盜和鋸谷盜三種糧蟲(chóng)為研究對象，對其圖像進(jìn)行處理識別。分別使用邊緣檢測算子、邊緣檢測算子、邊緣檢測算子和邊緣檢測算子對其圖像進(jìn)行邊緣檢測，并提取其圖像的面積A、周長(cháng)P、相對面積RA、延伸率S、復雜度C、占空比B、等效面積圓半徑R和偏心率E這八個(gè)特征用于對三種糧蟲(chóng)的識別，使用基于RBF神經(jīng)網(wǎng)絡(luò )的識別模型對三種糧蟲(chóng)圖像的幾何形態(tài)特征進(jìn)行識別。結果表明，在本文的研究條件下，使用邊緣檢測算子對糧蟲(chóng)圖像邊緣檢測對于糧蟲(chóng)圖像識別準確率是最有利的，而使用邊緣檢測算子后糧蟲(chóng)圖像的識別率最低。
參考文獻
[1] 代亭.糧食害蟲(chóng)智能檢測及分類(lèi)方法研究[D].鄭州：河南工業(yè)大學(xué)，2012.
[2] 張明真.儲糧害蟲(chóng)活動(dòng)聲信號識別研究[D].西安：陜西師范大學(xué)，2013.
[3] 張紅濤.儲糧害蟲(chóng)圖像識別中的特征抽取研究[D].鄭州：鄭州大學(xué)，2002.
[4] 張成花.基于圖像識別的儲糧害蟲(chóng)分類(lèi)的研究[D].鄭州：鄭州大學(xué)，2002.
[5] 韓瑞珍.基于機器視覺(jué)的農田害蟲(chóng)快速檢測與識別研究[D].杭州：浙江大學(xué)，2014.
[6] 葛恒赫.基于機器視覺(jué)的外螺紋表面缺陷檢測技術(shù)研究[D].重慶：重慶大學(xué)，2014.
[7] 王凡.基于機器視覺(jué)的螺紋缺陷檢測技術(shù)研究和系統開(kāi)發(fā)[D].成都：電子科技大學(xué)，2011.
[8] 梅雪.基于圖像識別的儲糧害蟲(chóng)檢測專(zhuān)家系統的研究[D].北京：北京郵電大學(xué)，2009.
[9] 張衛芳.基于圖像處理的儲糧害蟲(chóng)檢測方法研究[D].西安：陜西師范大學(xué)，2010.
[10] 張紅梅，范艷峰，田耕.基于數字圖像處理技術(shù)的儲糧害蟲(chóng)分類(lèi)識別研究[J].河南工業(yè)大學(xué)學(xué)報（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)的儲糧害蟲(chóng)快速識別[J].安徽農業(yè)科學(xué)，2014（30）：10784?10787.
[12] 蘇庭奕.基于圖像處理的儲糧害蟲(chóng)檢測及識別方法研究[D].鄭州：河南工業(yè)大學(xué)，2015.
[13] 姜慧.基于A(yíng)ndroid的水稻害蟲(chóng)圖像采集與識別系統研究[D].杭州：浙江理工大學(xué)，2013.
[14] 牟懌.基于圖像處理的儲糧害蟲(chóng)檢測方法研究[D].武漢：武漢工業(yè)學(xué)院，2009.
【圖像識別處理技術(shù)在農業(yè)工程中的應用論文】相關(guān)文章：
電子技術(shù)中PLC應用論文07-04
電力電子技術(shù)在智能電網(wǎng)中的應用論文07-04
電子技術(shù)在現代生活中的應用論文07-04
思維教學(xué)中數字電子技術(shù)的應用論文07-04
現代電子技術(shù)在設備中的應用論文07-04
研究BIM技術(shù)在展示空間設計中的應用論文07-04
風(fēng)力發(fā)電中電力電子技術(shù)的應用論文07-04