机器视觉技术是一项涉及人工智能?自动控制?神经生物学及图形图像学等众多学科的综合技术?随着计算机软硬件与图像处理技术的发展,机器视觉技术在理论和实践上都取得了重大突破,并扩展到了农业工程领域。目前,发达国家在农业生产自动化方面己经使用机器视觉技术来实现对作业对象的识别和管理。我国在机器视觉技术与农业工程领域相结合的应用研究起步较晚,同时我国农业生产环境具有复杂多变性以及非结构化特性,使得机器视觉在农业生产中的应用还不够成熟。尽管如此,在借鉴国外技术的基础上,国内的学者也已经展开大量研究,将其应用在虫害检疫、果蔬采摘、农田灌溉等广泛领域,并取得了一定成果,可以预见,将计算机学科的前沿技术融合到农业工程领域,是促进我国农业机械自动化、智能化发展的全新方向。本文以我国南方实蝇类的优势种——桔小实蝇、南瓜实蝇、瓜实蝇三类果实蝇成虫作为研究对象,借助计算机视觉技术对目标图像进行处理分析,目的是为了能够从图像中快速、准确地识别双翅目果实蝇害虫,并通过构建图像识别模型来实现流程自动化,为果实蝇检疫和大范围作物群的实时监控等虫害防治工作提供帮助。快速、准确地从图像中识别害虫,是搭建基于机器视觉技术的害虫实时监测系统的重要前提。现有研究多以实蝇翅结构作为分类特征,对实蝇图片质量有很高要求,若图片不够清晰、未准确捕捉到实蝇翅的脉络结构和翅痣,识别的效果会受到较大影响,而实际应用场景中的源图像可能会受光线、拍摄设备等外在因素影响,导致图像清晰度较低,进而影响最终的分类效果。此外,图像识别技术中最为关键的一环在于特征区域分割,现有算法并没有很好地解决从源图像中自动锁定特征区域的问题,而实际应用场景中的源图像可能会受限于拍摄角度、实蝇体态等因素,特征区域分割的准确度无法达到识别算法的要求,分类结果自然也无法达到要求,要实现实现一种适用于机器自动识别的实蝇分类算法,必须设法解决这些干扰因素。为解决上述两个技术难点,本文针对双翅目实蝇属昆虫设计一种提取特征并进行数字化处理的过程,将该过程封装成算法模块,同时结合BP神经网络在识别能力上的优势,构建识别模型。该模型能够对目标图像进行批量识别,同时效率和准确率满足实时要求。本文的研究工作可分为果实蝇的特征分析和图像识别模型构建两部分。(1)通过文献分析和样本观察发现,由于实蝇分类的复杂性,整体几何特征和色彩特征并不能对其完全准确地进行分类,经过数字化处理的局部特征反而具备更优秀的分类特性。本文在常见的数学形态特征基础上,以果实蝇胸背板作为特征局域,提取局部条纹特征作为分类依据,包括中心条纹的长R_x、宽R_y、偏心率E、周长L、面积S、形状参数F、似圆度C共7项数学形态特征。对试验数据进行统计分析,包括特征总体分布型假设检验、方差齐性检验、差异显著性检验。试验结果表明,7项特征总体在同类果实蝇中均服从正态分布,同时,中心条纹长R_x、宽R_y、周长L、面积S这4项特征值在三类果实蝇之间具有差异显著性,中心条纹偏心率E、形状参数F、似圆度C这3项特征值在南瓜实蝇和瓜实蝇之间具有差异显著性。同类稳定特性和类间差异特性使7项数学形态特征能够作为果实蝇分类研究的分类依据,并且具备较高可靠性,为后续建立果实蝇分类模型的研究工作提供了理论基础。(2)本文提出一种基于神经网络学习模型的识别算法。该算法基于Hough变换和HSV色彩空间对果实蝇图像进行特征区域的自动分割,并对特征区域的中心条纹作进一步处理,根据中心条纹形状特征的描述方法,定义实蝇形态的4种特征因子,提取特征向量。将自动提取特征向量的过程封装成功能模块,批量采集样本图像的特征向量作为训练数据集,用数据集对BP神经网络进行分类训练,得到用于实蝇分类的模型参数。试验结果表明,该方法对双翅目实蝇成虫的识别效果具有较好的准确性和实时性,对桔小实蝇、南瓜实蝇和瓜实蝇的识别准确率分别为87.3%,86.5%和87.5%,总体准确率为87.1%,单次识别平均耗时0.8 s;进一步研究的方向为:增加特征向量的维度,提高算法的鲁棒性。