專利名稱：基于顏色和模型的農田害蟲識別和計數(shù)方法
技術領域：
本發(fā)明屬于農業(yè)和圖像處理技術領域，是一種對農田害蟲的基于顏色和形狀特征并結合農田害蟲模型數(shù)據(jù)庫，通過遺傳神經(jīng)網(wǎng)絡進行識別和計數(shù)的方法。
背景技術：
我國是一個農業(yè)大國，農業(yè)蟲害也不時發(fā)生，因此農田害蟲的監(jiān)測、蟲情災害的統(tǒng)計預報工作十分重要。若監(jiān)測預報準確及時，就可及早動手消滅害蟲，減少農藥用量。目前，廣泛應用黑光燈誘捕和人工識別的方法來統(tǒng)計害蟲的種類及密度，該方法勞動強度大，效率低，同時主觀因素較大，影響了測報的準確性和時效性。因此，農田害蟲的實時、準確的識另O，是現(xiàn)代農業(yè)作物保護的一種必然應用趨勢，也是當今數(shù)字農業(yè)需要 研究和解決的問題。農田中的害蟲種類多，數(shù)量大，很多害蟲通過肉眼也不容易分辨，我國農作物常見的有以下種類的病蟲害稻縱卷葉螟、稻飛虱、豆天蛾、棉鈴蟲、甜菜葉蛾、小地老虎、玉米螟、煙青蟲等，本發(fā)明利用計算機視覺、圖像處理及模式識別技術，實現(xiàn)對農田中常見的這8種害蟲的種類、數(shù)量的自動識別和計數(shù)，是農業(yè)領域的新技術。在利用計算機技術對農田害蟲進行識別的過程中，特征提取是重要的環(huán)節(jié)之一，以往的做法常常是利用害蟲的灰度圖像來進行識別，而顏色信息是識別不同害蟲種類的一個重要的特征，同時它對圖像本身的方向以及視角的依賴性較小，因而具有較高的魯棒性，增加害蟲的顏色參數(shù)后，可大大提高害蟲的識別準確率。同時本發(fā)明建立的農田害蟲數(shù)據(jù)庫模型，并結合數(shù)據(jù)庫模型和3層遺傳神經(jīng)網(wǎng)絡，最后能很好地完成對農田害蟲的識別和計數(shù)，平均準確率達到91. 3%。
發(fā)明內容
針對現(xiàn)有技術的不足，本發(fā)明提出了基于顏色和模型的農田害蟲識別和計數(shù)方法。原始的農田害蟲圖像格式是RGB格式，它受光線影響較大，隨光照條件的變化，R、G、B三個分量都會有較大變化，直接利用這些分量往往不能得到所需的效果，所以在對圖像彩色空間的選取中，選取HSI空間，它更能接近人對彩色世界的觀察方式，它通過色調H (Hue)、飽和度S (Saturation)、亮度I (Intensity)三個屬性來表示顏色,在HSI空間中，H、S、I三分量之間的相關性比R、G、B三分量之間要小很多，使得圖像處理更少受光照條件的影響。因此基于HSI空間能取得比RGB空間更好的效果。本方法首先將獲取的農田害蟲原始的RGB圖像彩色圖像轉化為HSI顏色空間，并對飽和度S進行基于期望值的增強調整計算；完成對害蟲的顏色特征參數(shù)提取。而另一方面，害蟲的外形形狀也是一個重要的特征，不同的農田害蟲在形狀上存在一定的差異。本發(fā)明采用自適應二值化的方法對害蟲圖像進行處理，并運用數(shù)字形態(tài)學處理法進行了濾波，將害蟲從背景中分割出來，提取面積、周長、圓形度等特征，最后應用遺傳神經(jīng)網(wǎng)絡對常見的8種害蟲進行識別和計數(shù)。本發(fā)明的基于顏色和模型的農田害蟲識別和計數(shù)方法，其特征是包含以下具體步驟(I)通過田間捕捉裝置，獲取農田害蟲的原始圖像；(2)將原始圖像從RGB顏色空間轉換到HSI顏色空間，并選取H和S參數(shù)作為害蟲圖像的特征；(3)對圖像進行飽和度增強計算，并提取害蟲的顏色特征參數(shù)；(4)將農田害蟲原始圖像從RGB格式轉化為灰度格式，并進行自適應二值化處理；(5)農田害蟲圖像再經(jīng)形態(tài)學處理后，完成圖像分割，并提取害蟲形狀特征參數(shù)；(6)結合建立的農田害蟲模型數(shù)據(jù)庫和害蟲的顏色特征參數(shù)及形狀特征參數(shù)設計
遺傳神經(jīng)網(wǎng)絡模型；(7)完成農田害蟲的識別和計數(shù)。通過深入研究農田害蟲的體形、色彩及其形態(tài)學特征，本發(fā)明針對農田害蟲的彩色圖像，提取了彩色圖像的色調均值、飽和度均值、色調最大差值、飽和度最大差值4個顏色特征參數(shù)。在對圖像進行飽和度增強計算中，對飽和度S進行基于期望值的圖像增強調整，是先算出圖像中每個像素點飽和度數(shù)值及其在圖像中出現(xiàn)的概率，求出其數(shù)學期望EU)，A'(x) = ，并以此調整圖像的飽和度，調整公式定義為S' ! = E(χ) + (1-Ε(χ)) · S/Si是原來的飽和度分量，S' 1是調整后飽和度分量，a為拉伸因子，決定飽和度分量的飽和程度，Xi為圖像中飽和度的值，Pi為該飽和度值對應出現(xiàn)的概率，R為圖像的像素點總數(shù)。另一方面，對農田害蟲圖像進行自適應二值化處理，并提取了害蟲圖像的面積、周長、長寬比、圓形度、復雜度共5個形狀特征參數(shù)。其中(a)復雜度是描述農田害蟲形狀復雜性的一種度量，具體計算公式為C = L2/4 31 A式中L、A、C分別是農田害蟲的周長、面積、復雜度。(b)長寬比K=L' /ΨK是指圖像的最小外接矩形的長和寬的比值，長L'為害蟲目標邊界上最遠兩點之間的距離，寬r為邊界上垂直于長軸的最遠兩點之間的距離。(C)圓形度它是描述目標圓形性的一個很好的特征，不受目標區(qū)域平移，旋轉和尺度變化的影響。SP = TiZrcri代表目標內切圓的半徑，r。代表目標外接圓的半徑，兩個圓的圓心都在區(qū)域的重心上。本發(fā)明對害蟲形狀特征參數(shù)的提取中，由于農田害蟲的有的有豐富的表紋，采用一個固定的閾值進行二值化，會使圖像的邊緣鋸齒化，并在對比度變化較大的地方出現(xiàn)斷裂，因此動態(tài)調整二值化閾值去適應對比度的變化，可以最大限度地使農田害蟲圖像的二值化效果達到最佳狀態(tài)。本發(fā)明采用動態(tài)自適應二值化處理，對圖像進行分區(qū)域二值化處理，先計算各像素點的mXm鄰域內灰度平均值G
權利要求
1.一種基于顏色和模型的農田害蟲識別和計數(shù)方法，其特征是包含以下具體步驟 (1)通過田間捕捉裝置，獲取農田害蟲的原始圖像； (2)將原始圖像從RGB顏色空間轉換到HSI顏色空間，并選取H和S參數(shù)作為害蟲圖像的特征； (3)對圖像進行飽和度增強計算，并提取害蟲的顏色特征參數(shù)； (4 )將農田害蟲原始圖像從RGB格式轉化為灰度格式，并進行自適應二值化處理； (5)農田害蟲圖像再經(jīng)形態(tài)學處理后，完成圖像分割，并提取害蟲形狀特征參數(shù)； (6)結合建立的農田害蟲模型數(shù)據(jù)庫和害蟲的顏色特征參數(shù)及形狀特征參數(shù)設計遺傳神經(jīng)網(wǎng)絡模型，其具體步驟為 (6. I)初始化運行參數(shù)，遺傳算法中個體的變量為神經(jīng)元網(wǎng)絡權值，取M，N，I分別為隱層、輸入層和輸出層節(jié)點數(shù)； (6. 2)確定網(wǎng)絡權值和初始化種群，若總的種群W = (W1, W2,......,wn),內有W11W2,......，Wn共η個個體種群數(shù)，則確定目標函數(shù)為
2.根據(jù)權利要求I所述的基于顏色和模型的農田害蟲識別和計數(shù)方法，其特征是在步驟(3)對圖像進行飽和度增強計算中，對飽和度S進行基于期望值的圖像增強調整，是先算出圖像中每個像素點飽和度數(shù)值及其在圖像中出現(xiàn)的概率，求出其數(shù)學期望EU)，
3.根據(jù)權利要求I所述的基于顏色和模型的農田害蟲識別和計數(shù)方法，其特征是在步驟(3)提取害蟲的顏色特征參數(shù)中，共提取了色調均值、飽和度均值、色調最大差值、飽和度最大差值4個顏色特征參數(shù)。
4.根據(jù)權利要求I所述的基于顏色和模型的農田害蟲識別和計數(shù)方法，其特征是在步驟(4)自適應二值化處理中，采用動態(tài)自適應二值化處理，對圖像進行分區(qū)域二值化處理，先計算各像素點的mXm鄰域內灰度平均值G :
5.根據(jù)權利要求I所述的基于顏色和模型的農田害蟲識別和計數(shù)方法，其特征是在步驟(5)提取害蟲形狀特征參數(shù)中，提取了面積、周長、長寬比、圓形度和復雜度5個形狀特征參數(shù)。
全文摘要
本發(fā)明涉及農業(yè)和圖像處理技術領域，公開一種基于顏色和模型的農田害蟲識別和計數(shù)方法,本發(fā)明首先將獲取的農田害蟲原始圖像一方面由彩色的RGB圖像轉化為HSI顏色空間，然后圖像進行飽和度增強計算，并提取害蟲的顏色特征參數(shù)；而另一方面將農田害蟲的彩色的RGB圖像轉為灰度圖像，并進行自適應二值化處理，得到二值化圖像，并提取面積、周長等形狀特征參數(shù)；最后將顏色和形狀特征參數(shù)，結合建立的農田害蟲模型數(shù)據(jù)庫和遺傳神經(jīng)網(wǎng)絡，完成常見的8種害蟲的識別和計數(shù)。本發(fā)明結合了農田害蟲的顏色和形狀特征參數(shù)，大大的提高了害蟲的識別正確率，經(jīng)實驗驗證，識別正確率達到91.3%。
文檔編號G06N3/08GK102930249SQ20121040615
公開日2013年2月13日 申請日期2012年10月23日 優(yōu)先權日2012年10月23日
發(fā)明者汪建, 陳濤, 杜世平 申請人:四川農業(yè)大學, 汪建