论文部分内容阅读
摘要：目前储粮害虫问题是世界上很多国家所面临的困难， 在很多国家每年都会因为粮食害虫而损失很多粮食。在遭受到粮食害虫的侵害以后粮食的籽粒会被破坏， 容易变质、结块、发热以及发霉， 另外在老化死去害虫尸体、粪便以及有毒液体的影响下粮食会受到较为严重的污染。除了使用声音检测方法外， 其他方法不利于实现自动化粮虫检测， 人工检测方法效率低、成本高， 因此本文研究一种基于图像识别处理的粮虫检测方法， 将图像识别处理技术应用于农业工程。
关键词：图像识别; 处理技术; 农业工程; 应用;
1 粮虫图像预处理
1.1 图像灰度化处理
在分析粮虫图像的过程中首先需要进行图像颜色之间的转换， 通常是将彩色转换为灰色， 这样既能够加快图像的处理速度， 另外还能够方便地将处理后的信息向原来的图像上进行转移。通常利用最大值法、加权平均法以及平均值法来进行彩色图像和灰色图像之间的转换。本文在进行彩色图像灰度化處理的过程中主要采用了最大值法， 这种方法比较简单， 采用三原色R， G， B来对图像的灰度值进行描述。
1.2 图像平滑
本文使用邻域平均法对粮虫图像进行平滑处理。所应用的均值滤波的邻域平均法实际上就是进行空域平滑处理， 首先在相同的窗口上放置图像， 平均所有的像素灰度值， 通过对中心部位像素灰度值的替代就能够达到平滑的目的。均值滤波和低通滤波器具有相同的作用， 输出的图像可以用离散卷积来进行表示。
1.3 图像锐化
通过对图像的锐化处理能够达到修复外部形状以及进行图像边缘聚焦的目的。通过图像灰度颜色的加深以及外援色彩数值的对比能够对图像的清晰度进行提升。目前Sobel算子、Laplace算子以及Robert算子是图像锐化过程中经常采用的算子， 本文在图像锐化的过程中采用了Robert算子。
1.4 二值化
使用二值化的方法来对粮虫图像进行处理， 这样可以重点显示对象区域， 对于后面的分析和识别有很大的好处， 因为在灰度上目标的图像和北京的图像有着很大的区别， 所以可以依据灰度值的不一样来区分目标图像。并且分别使用0和1来代表目标图像和背景图像， 这样就可以让灰色图像和二值图像进行相互转换， 这样可以具有很好的识别度， 本文只是对单独的背景和图像进行了分析， 所以在数据对比的时候就可以使用一个阈值Th， 这样可以使像素群得到很好的分类， 把图像中的背景灰度和目标灰度值设置为1和0。
2 边缘检测
在经过上述的预处理后， 能够显着地提升图像的质量， 但是还需要采用图像边缘检测技术来对图像中的背景和目标进行区分。
Roberts边缘检测算子。Roberts边缘检测算子是使用局部差分算法实现。其中原始图像用f （x， y） 表示， 边缘检测后输出的图像用g （x， y） 表示：
利用互相垂直方向上的差分Roberts边缘检测算子就可以对梯度进行计算， 另外边缘之间的检测可以利用对角线方向相邻像素之差来实现。通过对模板的利用能够对Roberts的梯度幅度G进行计算， 进而得到合适的阈值T， 当G>T时， 该点就是阶跃边缘点， 进而获取边缘图像。
3 粮虫识别实验
本文选取常见的玉米象、拟谷盗和锯谷盗三种粮虫为研究对象， 对其图像进行处理识别。分别使用Roberts边缘检测算子、Sobel边缘检测算子、Prewitt边缘检测算子和Laplacian边缘检测算子对其图像进行边缘检测， 并提取其图像的面积A、周长P、相对面积RA、延伸率S、复杂度C、占空比B、等效面积圆半径R和偏心率E这八个特征用于对三种粮虫的识别。
选取50张玉米象图像、50张拟谷盗图像和50张锯谷盗图像以及20张无粮虫图像对基于RBF神经网络的识别模型进行训练， 提高其识别粮虫图像的泛化能力。基于RBF神经网络的识别模型的输入向量为粮虫图像的八种特征， 即输入节点数为8;基于RBF神经网络的识别模型的输出向量结果为玉米象图像、拟谷盗图像、锯谷盗图像以及无粮虫图像4种， 即输出节点数为4;隐含层节点数根据经验公式计算。分别使用20张玉米象图像、20张拟谷盗图像和20张锯谷盗图像对训练后的基于RBF神经网络的识别模型进行测试。
分别使用Roberts边缘检测算子、Sobel边缘检测算子、Prewitt边缘检测算子和Laplacian边缘检测算子对其图像进行边缘检测后， 识别模型对三种粮虫的平均识别率为80.65%， 81.96%， 80.34%和78.56%， 说明在其他情况相同情况下， 使用Sobel边缘检测算子对粮虫图像边缘检测对于粮虫图像识别准确率是最有利的， 而使用Laplacian边缘检测算子后粮虫图像的识别率最低。
4 结论
本文研究一种基于图像识别处理的粮虫检测方法， 将图像识别处理技术应用于农业工程。选取常见的玉米象、拟谷盗和锯谷盗三种粮虫为研究对象， 对其图像进行处理识别。分别使用Roberts边缘检测算子、Sobel边缘检测算子、Prewitt边缘检测算子和Laplacian边缘检测算子对其图像进行边缘检测， 并提取其图像的面积A、周长P、相对面积RA、延伸率S、复杂度C、占空比B、等效面积圆半径R和偏心率E这八个特征用于对三种粮虫的识别， 使用基于RBF神经网络的识别模型对三种粮虫图像的几何形态特征进行识别。结果表明， 在本文的研究条件下， 使用Sobel边缘检测算子对粮虫图像边缘检测对于粮虫图像识别准确率是最有利的， 而使用Laplacian边缘检测算子后粮虫图像的识别率最低。
参考文献
[1]邱白晶， 刘保玲， 吴春笃， 史春建， 李会芳.近红外图像处理技术在农业工程中的应用[J].农业工程学报， 2005 （05） ：102-106.
[2]司秀丽.黄瓜病害图像处理与识别技术的应用研究[D].吉林：吉林农业大学， 2006.
[3]史春建， 邱白晶， 刘保玲.动态图像处理技术在农业工程中的应用[J].中国农机化， 2004 （02） ：28-31.
[4]张葵.智能识别技术在图像处理中的应用[D].上海：华东师范大学， 2009.
菏泽高新区吕陵镇农业综合服务中心 菏泽高新区科技创新部
关键词：图像识别; 处理技术; 农业工程; 应用;
1 粮虫图像预处理
1.1 图像灰度化处理
在分析粮虫图像的过程中首先需要进行图像颜色之间的转换， 通常是将彩色转换为灰色， 这样既能够加快图像的处理速度， 另外还能够方便地将处理后的信息向原来的图像上进行转移。通常利用最大值法、加权平均法以及平均值法来进行彩色图像和灰色图像之间的转换。本文在进行彩色图像灰度化處理的过程中主要采用了最大值法， 这种方法比较简单， 采用三原色R， G， B来对图像的灰度值进行描述。
1.2 图像平滑
本文使用邻域平均法对粮虫图像进行平滑处理。所应用的均值滤波的邻域平均法实际上就是进行空域平滑处理， 首先在相同的窗口上放置图像， 平均所有的像素灰度值， 通过对中心部位像素灰度值的替代就能够达到平滑的目的。均值滤波和低通滤波器具有相同的作用， 输出的图像可以用离散卷积来进行表示。
1.3 图像锐化
通过对图像的锐化处理能够达到修复外部形状以及进行图像边缘聚焦的目的。通过图像灰度颜色的加深以及外援色彩数值的对比能够对图像的清晰度进行提升。目前Sobel算子、Laplace算子以及Robert算子是图像锐化过程中经常采用的算子， 本文在图像锐化的过程中采用了Robert算子。
1.4 二值化
使用二值化的方法来对粮虫图像进行处理， 这样可以重点显示对象区域， 对于后面的分析和识别有很大的好处， 因为在灰度上目标的图像和北京的图像有着很大的区别， 所以可以依据灰度值的不一样来区分目标图像。并且分别使用0和1来代表目标图像和背景图像， 这样就可以让灰色图像和二值图像进行相互转换， 这样可以具有很好的识别度， 本文只是对单独的背景和图像进行了分析， 所以在数据对比的时候就可以使用一个阈值Th， 这样可以使像素群得到很好的分类， 把图像中的背景灰度和目标灰度值设置为1和0。
2 边缘检测
在经过上述的预处理后， 能够显着地提升图像的质量， 但是还需要采用图像边缘检测技术来对图像中的背景和目标进行区分。
Roberts边缘检测算子。Roberts边缘检测算子是使用局部差分算法实现。其中原始图像用f （x， y） 表示， 边缘检测后输出的图像用g （x， y） 表示：
利用互相垂直方向上的差分Roberts边缘检测算子就可以对梯度进行计算， 另外边缘之间的检测可以利用对角线方向相邻像素之差来实现。通过对模板的利用能够对Roberts的梯度幅度G进行计算， 进而得到合适的阈值T， 当G>T时， 该点就是阶跃边缘点， 进而获取边缘图像。
3 粮虫识别实验
本文选取常见的玉米象、拟谷盗和锯谷盗三种粮虫为研究对象， 对其图像进行处理识别。分别使用Roberts边缘检测算子、Sobel边缘检测算子、Prewitt边缘检测算子和Laplacian边缘检测算子对其图像进行边缘检测， 并提取其图像的面积A、周长P、相对面积RA、延伸率S、复杂度C、占空比B、等效面积圆半径R和偏心率E这八个特征用于对三种粮虫的识别。
选取50张玉米象图像、50张拟谷盗图像和50张锯谷盗图像以及20张无粮虫图像对基于RBF神经网络的识别模型进行训练， 提高其识别粮虫图像的泛化能力。基于RBF神经网络的识别模型的输入向量为粮虫图像的八种特征， 即输入节点数为8;基于RBF神经网络的识别模型的输出向量结果为玉米象图像、拟谷盗图像、锯谷盗图像以及无粮虫图像4种， 即输出节点数为4;隐含层节点数根据经验公式计算。分别使用20张玉米象图像、20张拟谷盗图像和20张锯谷盗图像对训练后的基于RBF神经网络的识别模型进行测试。
分别使用Roberts边缘检测算子、Sobel边缘检测算子、Prewitt边缘检测算子和Laplacian边缘检测算子对其图像进行边缘检测后， 识别模型对三种粮虫的平均识别率为80.65%， 81.96%， 80.34%和78.56%， 说明在其他情况相同情况下， 使用Sobel边缘检测算子对粮虫图像边缘检测对于粮虫图像识别准确率是最有利的， 而使用Laplacian边缘检测算子后粮虫图像的识别率最低。
4 结论
本文研究一种基于图像识别处理的粮虫检测方法， 将图像识别处理技术应用于农业工程。选取常见的玉米象、拟谷盗和锯谷盗三种粮虫为研究对象， 对其图像进行处理识别。分别使用Roberts边缘检测算子、Sobel边缘检测算子、Prewitt边缘检测算子和Laplacian边缘检测算子对其图像进行边缘检测， 并提取其图像的面积A、周长P、相对面积RA、延伸率S、复杂度C、占空比B、等效面积圆半径R和偏心率E这八个特征用于对三种粮虫的识别， 使用基于RBF神经网络的识别模型对三种粮虫图像的几何形态特征进行识别。结果表明， 在本文的研究条件下， 使用Sobel边缘检测算子对粮虫图像边缘检测对于粮虫图像识别准确率是最有利的， 而使用Laplacian边缘检测算子后粮虫图像的识别率最低。
参考文献
[1]邱白晶， 刘保玲， 吴春笃， 史春建， 李会芳.近红外图像处理技术在农业工程中的应用[J].农业工程学报， 2005 （05） ：102-106.
[2]司秀丽.黄瓜病害图像处理与识别技术的应用研究[D].吉林：吉林农业大学， 2006.
[3]史春建， 邱白晶， 刘保玲.动态图像处理技术在农业工程中的应用[J].中国农机化， 2004 （02） ：28-31.
[4]张葵.智能识别技术在图像处理中的应用[D].上海：华东师范大学， 2009.
菏泽高新区吕陵镇农业综合服务中心 菏泽高新区科技创新部