论文部分内容阅读
水稻病虫害长期以来就是阻碍农业发展的一大危害,对水稻害虫及时发现并对症下药是防治的重点。随着计算机技术的飞速发展,水稻害虫识别自动化已经作为该领域的一大热点,被逐渐应用到农业现代化中。本文以常见的20种害虫图像为识别研究对象,研究了图像预处理算法、骨架提取算法、特征提取算法、分类器以及BP神经网络在水稻害虫识别系统中的应用,并对某些方案或算法做了一些尝试性的优化和改进。
本文的主要研究内容如下:
(1)水稻害虫的图像预处理:图像预处理是整个识别系统的基础也是最重要的部分之一,文中着重研究水稻害虫识别系统中用到的一些预处理算法,如:灰度变换、图像平滑、图像增强、图像分割等。通过中值平滑方式和均值平滑方式的对比,最后选用中值平滑方式进行滤波去噪。之后对平滑后的图像进行增强处理,清晰化对象边缘便于下一步的图像分割。在对图像分割算法进行选取时,通过大量实验对不同种类的图片使用不同图像分割算法,最终选择出效果相对较好的方案。
(2)水稻害虫图像特征参数的提取:水稻害虫图像经分割得到的害虫二值图像不能直接用来设计神经网络,一方面由于图像的维数很高,不适于神经网络的输入,另一方面更重要的是这种二值图像的直接描述并不能反映害虫的本质特性,因此必须从二值图像中找出能反映害虫本质特性的一些描述。通过对各类特征提取方法的分析和比较,提出了一种基于颜色特征和骨架形态特征的特征提取方案。以昆虫学的角度提取害虫颜色特征值、骨架点的分支数、骨架累计长、横轴纵轴比、圆形性、叶状性、球状性、偏心率、似圆度这些关键性特征,有效的提高了识别的准确率。
(3)基于特征向量的水稻害虫图像分类:对系统分类器进行了设计,分析研究了系统的各个部分使用的算法(如分类引擎中的分类器算法),并使用XML语言对系统数据进行了定义。
(4)水稻害虫分类引擎算法-BP神经网络的设计:首先阐述了BP神经网络的基本内容,包括概述、分类、学习与训练,然后对水稻害虫分类系统的引擎算法BP神经网络进行了具体设计。