神经网络在储粮害虫识别中的应用

重点研究了基于图像识别的储粮害虫自动检测系统中的粮虫分类环节。对分割后的储粮害虫二值化图像，从10多个形态特征中选择出5个有效的特征；将GA和BP算法相结合来训练神经网络，克服了传统BP算法收敛速度慢、易陷入局部极小等缺陷，对4类害虫的20个样本的识别率达到100%，为系统的实际应用奠定了基础。     

近红外高光谱成像技术检测粮仓米象活虫

为了准确地统计出仓储害虫的密度,需对储粮活虫和死虫进行有效地判别。该文研究开发一个900～1 700 nm的近红外高光谱成像系统来检测仓储小麦活虫。用液氮低温猝死法杀死米象,在其死亡后0～7 d进行高光谱图像采集。随着粮虫死亡时间的延长,粮虫相对光谱反射率逐渐增大,到死后第5天时粮虫的光谱曲线基本趋于稳定。应用相邻波长指数法对1 320～1 680 nm之间的110个波长的高光谱图像进行分析,提取出最优波长为1 417.2 nm。提出双区域连通阈值面积比的区域生长法粮虫活虫判别方法,即当粮虫的双区域连通阈值面积比大于0.5时,应判别为活虫。结果表明,自粮虫死亡后的第2.0天开始,储粮活虫与死虫的训练样本和检验样本全部被正确识别,为实现储粮活虫的计算机视觉实时检测与分类提供依据。     

利用机器视觉识别麦粒内米象发育规律与龄期

研究麦粒内部粮虫生长规律,判断粮虫所处发育龄期,为制定合理的防治措施提供科学依据,具有重要的社会经济价值。该文提出一种基于机器视觉的麦粒内米象变态发育规律及龄期识别研究方法。试验利用Micro-CT获取侵染麦粒投影数据,应用z-FDK(z-Feldkamp-Davis-Kress)算法重建出侵染粒的二维图像,利用图像分割及形态学方法得到虫体图像。提取了虫体的8个二维特征、4个三维特征、7个不变矩特征和7个基于灰度共生矩阵的显著性纹理特征,构成26维原始特征空间。根据不同龄期虫体特征的变化,研究米象在麦粒内的变态发育规律。利用模拟退火算法(simulated annealing algorithm,SAA)优化虫体原始特征,构建了优化后的10维特征空间。运用人工蜂群算法(artificial bee colony,ABC)优化支持向量机(support vector machine,SVM)的惩罚因子和径向基核函数参数,实现对麦粒内米象所处发育龄期的自动判别。试验结果表明,米象变态发育规律与实际情况一致,且对米象龄期的识别率达到97%,可有效判别出侵染粒中米象所处发育龄期。     

可拓工程方法在储粮害虫分类识别中的应用研究

利用图像识别储粮害虫过程中，需解决多种害虫的多特征参数和混和度大的分类识别问题。该文提出应用可拓工程方法，构造储粮害虫特征数据的标准物元矩阵与节域物元矩阵,计算待测粮虫与各类害虫的关联度，以关联度的大小对储粮害虫进行分类判别，程序计算结果表明，该方法可行有效。可拓工程方法应用在储粮害虫分类识别上有应用价值。     

基于图像处理和蚁群优化的形状特征选择与杂草识别

利用叶片形状特征区分杂草和作物是杂草识别的一个重要方法。为了提高杂草识别的精度和效率,通过形态学运算和基于距离变换的阈值分割方法分离交叠叶片,从单个叶片中提取包括几何特征和矩特征的17个形状特征,用蚁群优化（ACO）算法和支持向量机（SVM）分类器进行特征选择和分类识别,选取有利于分类的较优特征并实现特征的优化组合。棉田杂草试验结果表明,该方法能实现分类特征的有效缩减,经优化组合得到的最优特征子集用于杂草识别的准确率达95%以上,识别率高,稳定性好,对识别杂草时如何兼顾准确率和实时性具有参考意义。     

四种客观权重确定方法在粮虫可拓分类中的应用比较

储粮害虫的数字特征多,特征之间混合度比较大,可用可拓决策分析来解决其分类问题。在粮虫的可拓分类中,需要自动确定特征的客观权重,以避免传统的专家经验法在确定权重方面所带来的人为因素的影响。该文提出了模糊决策矩阵和均值决策矩阵2种构建决策矩阵的方法。将最大离差法、类间标准差法、CRITIC法和熵值法4种确定客观权重的方法分别应用到粮虫的分类中,并通过基于经典域和节域不同构建方法的2种可拓分类器进行了分析和比较。对粮仓中危害严重的9类粮虫进行了自动分类,结果表明基于模糊决策矩阵的最大离差法权重是粮虫可拓分类的最佳方案,识别率达到93%。     

利用Zernike矩计算储粮害虫图像倾斜角度

自动检测粮粒外部害虫是粮虫领域的研究热点。由于储粮害虫图像的一些无量纲的特征丧失了旋转不变性,为了利用这些无量纲的特征形成适于分类的最优知识库,必须计算储粮害虫图像的倾斜角度。分析了利用Zernike矩计算图像倾斜角度的原理,借助Zernike矩旋转不变性,提出了利用Zernike矩计算无明显直线的储粮害虫图像的倾斜角度的方法。试验证明,对于无明显直线的储粮害虫图像,利用Zernike矩能够很好地进行倾斜检测,倾斜角度计算准确度高,且该方法还具有对噪声不敏感的特性,对于其他无明显直线的图像也同样适用。     

自动监测装置用温室粉虱和蓟马成虫图像分割识别算法

为了监测温室黄瓜作物虫害种类、数量变化情况以预测虫害发展趋势,该文以粉虱和蓟马为例,提出了一种基于Prewitt、Canny边缘检测算子分割和SVM(support vector machine)的温室粉虱和蓟马诱虫板的图像识别算法。该方法利用HSI(Hue-Saturation-Intensity)颜色空间的I分量与L*a*b*颜色空间的b分量二值图像中害虫目标与背景的高对比性,再分别相应地利用Prewitt算子和Canny算子进行单头害虫边缘分割,再经过形态学处理,最后融合这两幅二值图像完成单头害虫区域的提取。然后提取害虫的5个形态特征(面积、相对面积、周长、复杂度、占空比)及9个颜色特征(Hue-Saturation-Value颜色空间、HSI颜色空间、L*a*b*颜色空间各分量的一阶矩),并对这14个特征参数进行归一化处理,将特征值作为SVM的输入向量,进行温室粉虱和蓟马的诱虫板图像识别。通过分析比较不同向量组合的BP(back propagation)与SVM的害虫识别率、4种不同SVM核函数的害虫识别率,发现颜色特征向量是粉虱和蓟马识别的主成分,且SVM的识别效果优于BP神经网络、线性核函数的SVM分类性能最好且稳定。结果表明:平均识别准确率达到了93.5%,粉虱和蓟马成虫的识别率分别是96.0%和91.0%,能够实现温室害虫的诱虫板图像识别。该研究可以为虫害的监测与预警提供支持,为及时采取正确的防治措施提供重要的理论依据。     

杂草种子视觉不变特征提取及其种类识别

为提高杂草种子的快速准确的检疫鉴定,该文基于杂草种子生物稳定遗传特征对其进行视觉不变特征提取及其种类识别的研究。首先基于形态学特征和Hu氏不变矩提取杂草种子的16个视觉不变特征,这些特征有效地表征了杂草种子的生物稳定遗传特征信息;然后基于神经网络对其进行分类。试验证明,利用提取出的具有视觉不变性的16个特征值作为BP神经网络识别分类的特征集,能快速地识别杂草种子,且具有较高的识别率。因此,该方法对植物检疫和农业生产具有重要意义。     

基于多光谱图像和数据挖掘的多特征杂草识别方法

为满足变量喷洒对杂草识别正确率的要求,提出一种基于多光谱图像和数据挖掘的杂草多特征识别方法。首先对多光谱成像仪获取的玉米与杂草图像从CIR转换到Lab颜色空间,用K-means聚类算法将图像分为土壤和绿色植物,随后用形态学处理提取出植物叶片图像,在此基础上提取叶片形状、纹理及分形维数3类特征,并基于C4.5算法对杂草分别进行单特征和多特征组合的分类识别。试验结果表明,多特征识别率比单特征识别率高,3类特征组合后的识别率最高达到96.3%。为验证该文提出方法的有效性,将C4.5算法与BP算法以及SVM算法进行比较,试验结果表明C4.5算法的平均识别率高于另2种算法,该文提出的田间杂草快速识别方法是有效可行的。该文为玉米苗期精确喷洒除草剂提供技术依据。     

基于胚部区域特征的麦粒姿态自动识别

麦粒姿态的自动判别,是近红外高光谱成像系统自动检测多姿态麦粒内部虫害的前提。依据麦粒目标在最优波长图像中的坐标、重心等信息,从高光谱数据立方体中自动分割出单个完整麦粒的子图像。利用麦粒胚部端粗糙度较大的原理,依据纹理、不变矩、均值等13个可能胚部区域特征的判别正确率,确定不变矩4为判别麦粒胚部区域的有效特征。针对麦粒胚部区域,提取梯度图像和二值图像的26个特征,利用人工鱼群算法选择出延伸率、胚部区域对称度、延伸率等13个特征。选取1 200个样本进行训练,600个样本进行检验,利用最大离差法自动确定13个特征的模糊权重,麦粒3个姿态可拓分类的正确识别率为94.5%,证实了基于局部区域特征的麦粒姿态自动识别的可行性。     

利用融合高度与单目图像特征的支持向量机模型识别杂草

除草是保证农作物高产的必要工作。针对机械化除草和智能喷药中存在的杂草识别问题,以2~5叶苗期玉米及杂草为研究对象,进行了融合高度特征与单目图像特征的杂草识别方法研究。首先从单目图像中提取16个形态特征和2个纹理特征;然后基于双目图像,提出了针对植株的高度特征提取方法,所得高度特征与实际测量值间误差在±12 mm以内;利用max-min ant system算法对形态特征进行优化选择,将形态特征减少到6个,有效减少数据量62.5%,并与纹理和高度特征进行融合;将2~5叶玉米幼苗的可除草期划分为3个阶段,分别构建融合高度特征与单目图像特征的SVM识别模型,并与相应不含高度特征模型进行对比。经测试,3个阶段模型的识别准确率分别为96.67%,100%,98.33%;平均识别准确率达98.33%。不含高度特征模型的识别准确率分别为93.33%,91.67%,95%;平均识别准确率为93.33%。结果表明,融合高度特征与单目图像特征的SVM识别模型优于不含高度特征模型,平均识别准确率提高了5百分点。该方法实现了高准确率的杂草识别,研究结果为农业精确除草的发展提供参考。     

储粮害虫检测新技术及应用现状

储粮害虫的检测是粮食储藏部门的研究热点。害虫种类的正确识别是粮食管理人员进行害虫综合防治的必要依据。文章扼要评述了几种储粮害虫检测的新方法：声测法、近红外光谱法、X射线法、电导法、微波雷达检测法、图像识别法和电子鼻法,并展望了未来的发展趋势,为更好地进行储粮害虫检测提供了新思路。     

基于稀疏编码金字塔模型的农田害虫图像识别

相较于一般物体的图像,农作物害虫图像因具有复杂的农田环境背景,分类与识别更加困难。为提高害虫图像识别的准确率,该文提出一种基于图像稀疏编码与空间金字塔模型相结合的害虫图像表示与识别方法。该方法利用大量非标注的自然图像块构造过完备学习字典,并运用该学习字典实现对害虫图像的多空间稀疏表示。与此同时,结合多核学习,该文设计了一种害虫图像识别算法。通过对35种害虫的识别,试验结果表明：在相同方法下,该文所提特征提取方法可使平均识别精度提高9.5百分点;此外,进一步通过对221种昆虫及20种蝴蝶的识别,试验结果表明：与传统方法相比较,该文所提方法使得平均识别精度提高14.1百分点。     

特征优化结合随机森林算法的干旱区植被高光谱遥感分类方法

针对高维光谱纹理特征空间的降维和特征优化算法结果的不确定性问题,该研究在提取多尺度纹理图像构建高维光谱纹理特征空间的基础上,将遗传算法（genetic algorithm,GA）、粒子群优化算法（particle swarm optimization,PSO）等传统特征优化算法和广义正态分布优化算法（generalized normal distribution optimization,GNDO）、原子搜索算法（atom search algorithm,ASO）、海洋捕食者算法（marine predators algorithm,MPA）等特征优化算法与随机森林（random forest,RF）图像分类算法相结合,提出了GA-RF、PSO-RF、GNDO-RF、ASO-RF和MPA-RF算法,并应用于青海省海西蒙古族藏族自治州都兰县宗加镇附近区域资源一号02D（ZY1-02D）高光谱数据的植被类型分类。结果显示,在高光谱反射率数据基础上加入多尺度纹理特征使总体分类精度（overall accuracy,OA）提升了8.02个百分点。与传统RF方法相比,提出算法的植被分类 OA提升了1.32～2.40个百分点,其中MPA-RF方法取得了最高的分类精度,OA和 Kappa系数分别为88.92%和0.86。研究表明从不同窗口大小、窗口移动方向提取的纹理图像有利于区分不同的植被与地物类型,在光谱特征基础上加入多尺度纹理特征能有效提升植被识别精度。以迭代优化的方式将特征优化算法与图像分类算法相结合,缓解了优化算法结果的随机性,克服了高维特征的休斯效应,提高了植被分类精度。该研究为高光谱遥感植被分类中特征提取、特征优化与分类算法选择提供了思路。     

基于K-SVD和正交匹配追踪稀疏表示的稻飞虱图像分类方法

针对当前稻飞虱图像分类研究中存在图像识别速度慢、分类精度低的不足,该文提出一种基于K-SVD和正交匹配追踪(orthogonal matching pursuit, OMP)稀疏表示的稻飞虱图像分类方法。首先,根据稻飞虱的趋光性特点,使用团队自主研发的野外昆虫图像采集装置自动获取稻田害虫图像;然后,利用K-SVD算法对稻飞虱图像特征的过完备字典进行更新构造,结合OMP算法对原始输入图像的特征信号进行稀疏表示;最后,通过求解输入图像的重构误差对昆虫图像进行分类。在相同的试验条件下,与传统的图像分类算法(SVM、BP神经网络)进行比较。实验结果表明,该文提出的基于K-SVD和OMP算法的稻飞虱图像稀疏表示分类方法可对稻飞虱与非稻飞虱进行快速准确的分类,分类速度达到6.0帧/s,平均分类精度达到93.7%。与SVM和BP神经网络相比,分类速度分别提高了5和5.5帧/s;分类精度分别提高了15.7和28.2个百分点,为稻飞虱的防治预警工作提供了信息与技术支持。     

杏鲍菇形态特征获取的图像分割算法

食用菌工厂化生产中,菇房环境对食用菌生长的影响很大,由工人根据食用菌的形态特征来判断菇房环境是否适宜,会由于个体主观差异或人为因素不能及时判断,造成菇房环境调节滞后,影响了食用菌的产量和质量。以杏鲍菇为研究对象,提出了获取杏鲍菇形态特征的蚁群算法改进的模糊C均值（FCM）聚类分割算法,该算法能够针对杏鲍菇生产中获取的图像,进行有效地分割,从而满足自动获取杏鲍菇形态特征的需要。