自动监测装置用温室粉虱和蓟马成虫图像分割识别算法

p第 34卷 nbsp; 第 1期 nbsp; nbsp; nbsp; nbsp; nbsp; nbsp; nbsp; nbsp; nbsp; nbsp; nbsp; nbsp;农 业 工 程 学 报 nbsp; nbsp; nbsp; nbsp; nbsp; nbsp; nbsp; nbsp; nbsp; nbsp; nbsp; nbsp; nbsp; nbsp; nbsp;V ol.34 nbsp;N o.1 164 nbsp; 2018年 nbsp; nbsp;1月 nbsp; nbsp; nbsp; nbsp; nbsp;Transactions of the Chinese Society of Agricultural Engineering nbsp; nbsp; nbsp; nbsp; nbsp;Jan. 2018 nbsp; nbsp; nbsp;自动监测装置用温室粉虱和蓟马成虫图像分割识别算法杨信廷 1,2 ，刘蒙蒙 1,2 ，许建平 3 ，赵 nbsp;丽 2 ，魏书军 4 ，李文勇 2 ， nbsp;陈梅香 2 ，陈 nbsp;明 1 ，李 nbsp;明 2※（1. 上海海洋大学信息学院，上海 201306；2. 北京农业信息技术研究中心/国家农业信息化工程技术研究中心/农产品 nbsp;质量安全追溯技术及应用国家工程实验室/农业部农业信息技术重点实验室，北京 100097；3. 北京市丰台区 nbsp;植保植检站，北京 100097；4. 北京市农林科学院植物保护环境保护研究所，北京 100097） 摘 nbsp;要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 nbsp;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。 nbsp;关键词图像处理、图像分割；算法；边缘检测；支持向量机；颜色空间；虫害监测 nbsp;doi10.11975/j.issn.1002-6819.2018.01.022 nbsp;中图分类号TP391.4;S126 nbsp; nbsp; nbsp; nbsp; nbsp; 文献标志码A nbsp; nbsp; nbsp; nbsp; nbsp; 文章编号1002-68192018-01-0164-07 nbsp;杨信廷，刘蒙蒙，许建平，赵 nbsp;丽，魏书军，李文勇，陈梅香，陈 nbsp;明，李 nbsp;明. 自动监测装置用温室粉虱和蓟马成虫图 像分割识别算法[J]. 农业工程学报，2018，341164－170. nbsp; nbsp;doi 10.11975/j.issn.1002-6819.2018.01.022 nbsp; nbsp; http//www.tcsae.org nbsp;Yang Xinting, Liu Mengmeng, Xu Jianping, Zhao Li, Wei Shujun, Li Wenyong, Chen Meixiang, Chen Ming, Li Ming. Image nbsp;segmentation and recognition algorithm of greenhouse whitefly and thrip adults for automatic monitoring device [J]. Transactions nbsp;of the Chinese Society of Agricultural Engineering Transactions of the CSAE, 2018, 341 164－170. in Chinese with English nbsp;abstract nbsp; nbsp;doi10.11975/j.issn.1002-6819.2018.01.022 nbsp; nbsp;http//www.tcsae.org 0 nbsp;引 nbsp;言 温室内适温、高湿的小气候和周年生产为害虫越冬 和繁殖提供了适宜的场所，导致粉虱和蓟马等害虫发生 多、蔓延快、危害重，严重影响黄瓜作物的产量和质量 安全。通常采用田间调查和虫情预测相结合的方法进行 施药决策和害虫综合治理（integrated pest management, nbsp;IPM） [1] 。由于温室内害虫具有虫体小、迁移性、掩蔽性 （比如枝叶遮挡、习惯依附于叶片背面）等特点，目前 常用的人工感官在现场检查害虫，借助放大镜、显微镜收稿日期2017-08-23 nbsp; nbsp;修订日期2017-11-06 nbsp;基金项目北京市自然科学基金青年项目（6164034）；国家自然科学基金 青年科学基金项目 （31401683） ； 欧盟 FP7 项目 （PIRSES-GA-2013 -612659） ； 农业物联网区域试验工程天津试验区项目 “设施蔬菜病虫害智能化监测预警 系统建设”；山东省重点研发计划项目（2017CXGC0216） nbsp;作者简介杨信廷，博士，研究员，主要从事农产品质量安全关键技术研究。 中国农业工程学会会员（E041200352S） nbsp;※通信作者李明，博士，副研究员，主要从事植保信息化研究。 nbsp;E nbsp;等工具或直接用肉眼判别害虫的种类，并统计数量的监 测方法，工作量大，效率低且准确性受主观影响大。因 此，害虫自动识别计数对于提升害虫的监测效率至关 nbsp; 重要 [2-6] 。 nbsp;近年来，由于计算机硬件和成像设备的提升，基于 图像处理技术的害虫自动识别被广泛研究。农业害虫也 受到特别关注，特别是温室害虫，例如粉虱、蓟马、蚜 虫的图像识别已有相关报道。 Martin and Thonnat [7] 为了从 叶片背景上分割粉虱，提出一种基于自适应学习技术的 调整最优参数的图像认知视觉方法。Solissnchez 等 [8] 利 用目标的几何形态特征（偏心率、面积等）从诱虫板上 分割识别粉虱。Xia等 [9] 建立了一种检测复杂背景下的粉 虱多重分形维数，对于田间叶片的光照变化和光反射是 稳健的。邱白晶等 [10] 采用 G（green）分量阈值将蚜虫区 域和非蚜虫区域分离开，对图像进行距离变换和分水岭 分割解决蚜虫的粘连重叠问题，实现了黄瓜蚜虫的识别 与计数。Ebrahimi 等 [11] 利用目标大直径与小直径的比值 作为区域特征参数，以色相、饱和度和亮度作为颜色特 征参数，设计了识别草莓蓟马的支持向量机（support 第 1期 杨信廷等自动监测装置用温室粉虱和蓟马成虫图像分割识别算法 165 nbsp;vector machine， SVM） 结构， 平均识别错误率少于 2.25。 王志彬等 [12] 利用 K-means 聚类对粉虱图像进行分割，使 粉虱从背景图像中分离，然后利用基于最小二乘法的椭 圆拟合方法对粉虱实现计数。 Sun等 [13] 提出了一个新颖的 粉虱和蓟马计数算法，将诱捕的害虫作为噪声而二维傅 里叶变换作为噪声收集器实现计数。 nbsp;上述方法中，首先对害虫目标从背景图像中分割出 来，然后再进行害虫的计数与识别 [14-16] 。但是还存在以 下问题亟待解决1）田间实际拍照如何提取小目标害虫 区域，目前图像分割时较早多采用确定阈值，近年来的 研究在图像简单预处理的基础上与其他方法（比如 K-means）相结合进行分割，这使得害虫图像分割算法对 拍照环境要求较敏感或者对算法的初始参数设置有一定 的要求；2）大多数算法主要是针对一种害虫，生产上诱 虫板通常会诱集 2 种以上的害虫，例如在本试验中主要 就有蓟马和粉虱 2 种害虫，分类识别和计数是精准防治 的必然要求。因此，如何提高识别的鲁棒性和准确性， 是基于机器视觉的图像识别的一个重要研究方向。 nbsp;本文面向温室害虫自动监测装置研发需求，针对粉 虱与蓟马害虫特点，基于边缘分割对目标图像分割，在 提取这两者形态特征的基础上，继续提取目标的颜色特 征空间参数作为 SVM 的输入向量，设计基于边缘分割和 SVM 的温室黄瓜害虫粉虱和蓟马的图像识别算法，并采 用实际田间调查数据进行验证。 nbsp;1 nbsp;材料与方法 nbsp;1.1 nbsp;温室粉虱和蓟马 nbsp;温室粉虱和蓟马成虫主要识别特征 [17-18] 如表 1 所 示，整体上温室中粉虱和蓟马虫体较小、体长差异不显 著，主要在颜色上存在差异，对黄色有趋性。 表1 nbsp;温室粉虱和蓟马成虫主要识别特征 nbsp;Table 1 nbsp;Main feature of adult whitefly and thrip in greenhouse nbsp;主要特征 nbsp;Main Feature 粉虱 Whitefly 蓟马 Thrip nbsp;颜色 nbsp;体淡黄色，翅面有白色 nbsp;蜡粉，外观呈白色 nbsp;体黄色，复眼稍突出，外观褐色 形态 nbsp;停息时双翅合成屋脊状，长 0.850.91 mm，翅端半圆形 头近方形，长 1.01.1 mm， 腹扁长，体狭长 1.2 nbsp;自动监测装置与图像采集 nbsp;在温室环境下，采集了北京市小汤山国家精准农业 研究示范基地中日光温室中诱虫板图像，上面主要为蓟 马和粉虱，也存在较少的其它害虫（如体型较大的苍蝇， 可通过图像阈值处理去除干扰） 。本文采用本课题组自 主设计的田间害虫自动监测设备来获取害虫图像，设备 自上而下分别是太阳能板、诱虫板与安卓手机拍照盒、 20 000 mAh 的蓄电池箱，并开发了基于手机的害虫监测 软件实现定时（单位为分钟）拍照、通过移动网络上传 照片到后台服务器的功能，本试验设定 2 h 拍照一次，设 备及获取的高效信息素诱虫板（局部）图像如图 1所示。 1. 太阳能板 2. 诱虫板 3. 拍照盒 4. 蓄电池箱 nbsp;1. Solar panel 2. Trap board 3. Camera box 4. Battery box 图1 nbsp;自动监测设备及诱虫板（局部）图像 nbsp;Fig.1 nbsp;Auto monitoring device and trap board local image 田间自动拍照设备置于 2 垄黄瓜作物中间，与黄瓜 茎秆距离为 30 cm。设备利用高效信息素诱虫板（30 cm  nbsp;15 cm）诱捕害虫，用安卓手机拍照（分辨率为 3 008  nbsp; nbsp; 2 000） ，摄像头与诱虫板间距为 27 cm，摄像头与诱虫板 垂直。拍摄图像时，相机设置为自动调节焦距和光圈， 自动白平衡。温室为不加热型温室，覆盖材料为聚乙烯 塑料薄膜，温室为南北走向，北部是砖墙，东西部各有 一个小窗，温室面积为 50 m 7 m。黄瓜生长的前期每隔 7 d 更换一次诱虫板，中后期由于虫子数量的快速增加， 每隔 3 d 更换一次诱虫板。 图2 nbsp;害虫特征提取与识别流程图 nbsp;Fig.2 nbsp;Schematic flow of insect feature extraction nbsp; and species identification 选取中午 12 点的不同天数的 30 张诱虫板图像，从农业工程学报（http//www.tcsae.org） nbsp; nbsp; nbsp; nbsp; nbsp; nbsp; nbsp; nbsp; nbsp; nbsp; nbsp; nbsp; nbsp; nbsp; nbsp; nbsp;2018年 nbsp; 166 中随机选取 20 张作为训练样本，剩下的 10 张作为测试 样本。本文方法基于 Matlab 2012 b（The Mathworks, Inc., nbsp;US）编程实现，PC处理器为 Intel Core i5-4 210 H（主频 2.9 GHz） ，运行内存为 4 GB，算法流程如图 2 所示。 nbsp;1.3 nbsp;研究方法 nbsp;1.3.1 nbsp;基于边缘的图像分割方法 nbsp;图像的边缘存在于目标与背景、目标与目标、区域 与区域、基元与基元之间 [19] 。诱虫板原始图像为 RGB （red-green-blue）图像，由害虫区域和背景区域组成，需 要首先将害虫区域从图像中分割出来，以便进行有效特 征参数的提取。为了增强边缘检测的效果，需要加强目 标与背景的对比性。通过对比分析发现，由于 HSI （Hue-Saturation-Intensity）颜色空间的亮度（I）分量与 颜色无关和 L*a*b*颜色空间的 b 分量在黄色到蓝色范围 内变动的特性，会与诱虫板图像的黄色背景形成较强的 对比性，这有助于进行害虫边缘检测。从 RGB 空间到 HSI 空间的转换公式为（1）（4） 。 360 θ, nbsp; nbsp; B G H θ,Bgt;G     ≤（1） 3 1 [min , , ] SR G B RGB  （2） 1 3 I RGB  （3） 1 21 / 2 0.5[ ] cos [ ] RG RB RG RGGB       （4） nbsp;式中  是用于表示色调；H所处光谱颜色位置的角度量。 nbsp;RGB 颜色空间到 L*a*b*颜色空间不能直接转换，需 要先转换到 XYZ 颜色空间，再由 XYZ 颜色空间转换至 L*a*b*颜色空间，转换公式 [20] 如下 2.7689 1.7518 1.1302 1.0000 4.5907 0.0601 0.0000 0.565 5.5943 X R YG Z B               （5） 1/3 1/3 00 * 00 116 / 16, / 0.008 856 903.3 / , / 0.008 856 fYY YY L fYY YY        ＞ ≤（6） * 00 500[ / / ] af X Xf Y Y  （7） * 00 200[ / / ] bf Y Yf Z Z  （8） 1/3 , gt;0.008 856 7.787 16/116, 0.008 856 tt ft tt        ≤（9） nbsp;其中 X 0 、Y 0 、Z 0 分别表示 X、Y、Z 对应的参考白点，t 表示 X、Y、Z 和各自对应的参考白点的比值。 nbsp;本文对害虫目标二值图像通过 Prewitt 在 HSI 的 I 分 量以及 Canny 在 L*a*b*的 b 分量二值图像进行基于边缘 的图像分割。 nbsp;1.3.2 nbsp;支持向量机 nbsp;支持向量机（SVM）是由 Vanpik [21] 提出的一种具有 极大应用性的分类技术，在解决小样本、非线性和高维 模式识别问题中表现出许多特有的优势 [22-26] 。常见的 SVM核函数有线性核函数、 多项式核函数、 径向基 （radial nbsp;basis function, RBF）核函数、Sigmoid 核函数。 nbsp;根据粉虱和蓟马的特点，从形态到颜色、纹理等特 征提取出发 [27-28] ，本文选取害虫 9 个颜色特征、 5个形态 特征共 14 项特征作为表征黄瓜虫害的特征参数，作为 SVM 的输入向量。其中 5 个形态特征分别为面积、相 对面积、周长、复杂度、占空比。另外的颜色特征为基 于 HSV 颜色空间、HSI 颜色空间、L*a*b*颜色空间各分 量的一阶矩（共 9 个参数）作为颜色特征参数，其计算 公式如下 1 1 p ii i f f p    （10） nbsp;式中 p 表示害虫区域总像素， f i 表示害虫区域内的任意坐 标，   i f  表示 f i 点的颜色值。 nbsp;本文将通过不同向量组合、核函数的 SVM 对害虫分 类识别测试，以确定适合黄瓜粉虱、蓟马诱虫板图像识 别的 SVM向量组合与核函数。 nbsp;1.3.3 nbsp;粉虱和蓟马图像识别方法 nbsp;本文将边缘分割与 SVM 进行结合，提出了一种黄瓜 粉虱和蓟马识别方法。该方法首先利用边缘检测算子对 单头害虫进行边缘分割，提取害虫区域，然后利用 SVM 对黄瓜粉虱和蓟马进行分类。该算法具体如下1）将图 像由 RGB 颜色空间转换到 HSI、L*a*b*颜色空间，利用 HSI 颜色空间的 I 分量与 L*a*b*颜色空间的 b 分量二值 图像中目标与背景的高对比性进行边缘检测；2）形态学 处理（膨胀与腐蚀） 、差分法去除干扰，融合 2 种颜色空 间下的害虫区域提取，得到最终的单头害虫区域；3）提 取害虫的形态、纹理、颜色特征，将特征值归一化；4） 利用 SVM进行训练、识别粉虱与蓟马。 nbsp;2 nbsp;结果与分析 nbsp;2.1 nbsp;图像处理 nbsp;2.1.1 nbsp;利用边缘分割的害虫区域提取 nbsp;根据设计的算法，对诱虫板图像由 RGB 颜色空间转 换到 HSI、L*a*b*颜色空间，增强目标与背景的对比度， 如图 3b 和图 3c 所示。 实际中的图像由于物体和背景组合 在一起且存在噪声的干扰、难以准确识别，所以对边缘 的检测是数字图像处理技术中一个非常关键又难以处理 的步骤 [29] 。 本文通过 4种经典边缘检测算子 Prewitt、 Sobel、 Roberts、 Canny 对害虫目标的 I 分量和 b分类二值图像进 行边缘检测，发现 1）由于 Prewitt 算子检测出的边缘具 有平滑作用，能滤除噪声，去掉部分伪边缘，害虫目标 图像利用 Prewitt 算子在 HSI 的 I 分量二值图像进行单头 害虫边缘检测具有较好的效果，如图 3d 所示；2）Canny 算子提取的边缘最为完整，而且边缘的连续性很好，主 要是因为它进行了“非极大值抑制”和形态学连接操作 的结果 [30] ，发现利用 Canny算子在 L*a*b*的 b分量二值 图像进行单头害虫边缘检测效果较好，如图 3e所示。 nbsp;综上所述， 本文害虫目标图像利用 Prewitt算子在 HSI 的 I 分量二值图像进行单头害虫边缘检测、 Canny 算子在 L*a*b*的 b 分量二值图像进行单头害虫边缘检测。边缘 检测之后图像存在一些干扰，先进行图像膨胀处理，利第 1期 杨信廷等自动监测装置用温室粉虱和蓟马成虫图像分割识别算法 167 nbsp;用差分法去除由于为了方便人工计数而设计的网格线、 文字等，然后对图像进行空洞填充，最后对图像腐蚀处 理得到单头害虫目标区域图像。 将 L*a*b*的 b分量与 HSI 的 I 分量的单头害虫目标区域的二值图像进行融合 （为了 最小化因图像处理而造成的害虫漏取）得到最终单头害 虫区域提取二值图像，如图 3f。 a. 原局部图像 nbsp;a. Original local image nbsp;b. HSI颜色空间的 I分量图像 nbsp;b. I component image of HSI color spacec. L*a*b*颜色空间的 b 分量图像 nbsp;c. b component image of L*a*b* nbsp; color space nbsp;d. I分量二值图像的 Prewitt检测 nbsp;d. Prewitt detection of I component nbsp; binary image e. b 分量二值图像的 Canny检测 nbsp;e. Canny detection of b component nbsp; binary image nbsp;f. 害虫提取的最终二值图像 nbsp;f. Final binary image of pest nbsp; extraction nbsp;图3 nbsp;害虫目标区域提取 nbsp;Fig.3 nbsp;Target region extraction of pests 2.1.2 nbsp;分割算法分析 nbsp;为了说明本文算法的有效性，采用灰度图像的自动 阈值分割（OTSU）算法、基于 K均值的图像算法与本文 基于 Prewitt、Canny 算子的边缘分割的效果进行对比。 其中， K均值算法利用图像的颜色特征信息、纹理等特征 信息，较好的体现了图像局部与整体的信息，是目前研 究较多的方法之一 [31-34] 。 nbsp;从图 4 分割提取结果看（所有分割方法均经过一致 的处理） ， 基于 OTSU 分割和 K均值聚类分割都只能分割 出有背景板有明显颜色差异的蓟马黑色区域，而对于粉 虱的白色区域则提取效果极差。 OTSU分割算法需要待分 割图像具有良好的峰谷性质而诱虫板害虫图像不具备这 一条件，K均值聚类算法可以将图像聚集到 3 类（粉虱、 蓟马、背景区域） ，但是由于粉虱的颜色与背景颜色相近 致使分割效果不佳。本文方法利用害虫图像边缘强度变 化（如纹理结构突变、颜色突变、灰度突变等）的特性， 更易提取害虫区域。 nbsp;在试验中，提取害虫目标区域会出现错取、漏取， 采用错误提取率（error extraction rate, EER） 、漏取率 （missing rate, MR）和提取准确率（extraction accuracy, nbsp;EA）等 3 个指标对试验结果进行评价。指标计算式如 （11）～（13）所示 EERN error nbsp;/N 1（11） EAN correct nbsp;/N 2（12） MRN missing nbsp;/N 2（13） nbsp;式中 N error 表示错误提取的害虫数量，N missing 表示漏取的 害虫数量，N correct 表示正确提取的害虫数量，N 1 N error nbsp;N correct 表示算法提取的害虫总数，N 2 N missing N correct 表示 图像中实际害虫数量。 a. 原图 nbsp;a. Original image nbsp;b. 自动阈值分割 nbsp;b. Automatic threshold segmentation c. K均值聚类分割 nbsp;c. K-mean clustering segmentation nbsp;d. 本文方法 nbsp;d. of article nbsp;图4 nbsp;不同方法对诱虫板害虫图像的分割效果 nbsp;Fig.4 nbsp;Segmentation effect of insect trap board nbsp; image with different s 通过对这 30 副图像统计得出，平均错误提取率为 5.7，平均漏取率为 6.7，提取准确率为 93.3。提取 害虫区域出现错误主要有 2 种情况，反光造成的亮点和 干扰物（如灰尘颗粒）造成的类似害虫情况。害虫提取 遗漏，主要出现在当虫子粘着在网格线、文字处时，会 被当做网格线一起被处理掉，说明害虫区域提取算法在 处理网格线、文字处还待优化。 nbsp;2.2 nbsp;BP 与SVM 的害虫识别结果对比分析 nbsp;基于误差反向传播（back propagation, BP）算法的多 层前馈网络是目前应用较多的网络之一，主要通过学习 来实现输入目标与输出目标之间的非线性映射 [35] 。根据 SVM 对小样本的分类问题具有很好的学习能力和分类能 力、样本太多时易产生“过拟合”的情况使识别率下降 的特点，从训练图片中随机选取 1200 头害虫作为训练样 本（各 600头） ，从测试图片中随机选取 400 头害虫作为 测试样本（各 200 头） 。 nbsp;本文在构建害虫识别模型时，选取害虫的 9 个颜色 特征、5个形态特征共 14 项特征作为表征黄瓜虫害的特 征参数，根据颜色特征与形态特征建立 3 种向量组合方 式F1{形态特征向量}，F2{颜色特征向量}，F3{形 态特征向量、 颜色特征向量}F1F2。不同特征向量组合 方式的 BP、SVM 识别结果如表 2 所示，BP、SVM的向 量F1 组合平均识别率分别为 16.5、18.5，BP、SVM 的向量F2组合的平均识别率分别为 79.5、 83.0， BP、 SVM的向量F3组合的平均识别率分别为 89.5、 93.5， 可以看出 SVM 识别效果稍微优于 BP，颜色特征向量是农业工程学报（http//www.tcsae.org） nbsp; nbsp; nbsp; nbsp; nbsp; nbsp; nbsp; nbsp; nbsp; nbsp; nbsp; nbsp; nbsp; nbsp; nbsp; nbsp;2018年 nbsp; 168 害虫识别的主成分，这也符合人类的视觉感受，即这 2 种害虫存在较明显的颜色差异。 nbsp;利用 4种不同核函数的 SVM对建立的训练样本与测 试样本的分类性能进行了比较，结果如表 3 所示。从表 3 可以看出，线性核函数分类性能最好且稳定，对粉虱和 蓟马成虫的识别率分别是 96.0和 91.0，平均识别准确 率达到了 93.5。对于支持向量数，线性核函数的 SVM 的支持向量数比其他核函数的支持向量数要少，故线性 核函数的 SVM 比其他的核函数推广性要好。所以，线性 核函数的 SVM分类方法最适合黄瓜虫害的图像识别。 表2 nbsp;不同特征向量的 SVM和 BP识别结果 nbsp;Table 2 nbsp;Recognition results of SVM and BP with nbsp; different feature vectors nbsp;输入组 nbsp; group nbsp;模型 nbsp;Model nbsp;蓟马识别率 nbsp;Thrips recogni- nbsp;tion rate/ nbsp;粉虱识别率 nbsp;Whitefly recogni- nbsp;tion rate/ nbsp;整体识别率 nbsp;Overall recogni- nbsp;tion rate/ nbsp;SVM 11.0 26.0 18.5 nbsp;形态特征 nbsp;向量F1 nbsp;BP 10.0 23.0 16.5 nbsp;SVM 80.0 86.0 83.0 nbsp;颜色特征 nbsp;向量F2 nbsp;BP 76.0 83.0 79.5 nbsp;SVM 91.0 96.0 93.5 nbsp;特征向量 nbsp;组合F3 nbsp;BP 87.0 92.0 89.5 表3 nbsp;不同核函数的 SVM性能比较 nbsp;Table 3 nbsp;Perance comparison of support vector machines nbsp; with different kernel functions nbsp;核函数 nbsp;Kernel nbsp;function nbsp;支持向量数 nbsp;Support vector nbsp;number nbsp;蓟马识别率 nbsp;Thrips recogni- nbsp;tion rate/ nbsp;粉虱识别率 nbsp;Whitefly recogni- nbsp;tion rate/ nbsp;整体识别率 Overall recogni- tion rate/ nbsp;线性 147 91.0 96.0 93.5 nbsp;多项式 384 59.5 96.7 78.3 nbsp;径向基 264 91.7 90.0 90.8 nbsp;Sigmoid 314 86.9 83.3 85.1 3 nbsp;结 nbsp;论 nbsp;本文提出了面向自动监测装置的温室粉虱和蓟马成 虫图像分割识别算法，在温室黄瓜作物上进行了试验， 试验结果表明 nbsp;1）设计的基于边缘检测的害虫区域提取算法，通过 对 30 副图像统计得出，平均错误提取率为 5.7，平 均 漏 取率为 6.7，提取准确率为 93.3。错误提取害虫区域 主要出现在反光造成的亮点和干扰物（如灰尘颗粒）造 成的类似害虫情况，漏取害虫区域出现在虫子黏着在网 格线、文字处上，这是设备改进以及图像处理算法优化 的方向。 nbsp;2） 对比不同特征向量组合的 BP神经网络与 SVM 进 行害虫识别，发现颜色特征向量是害虫识别的主成分， SVM分类效果优于 BP算法。 分析 4种不同核函数的 SVM 识别结果， 发现线性核函数的 SVM分类性能最好且稳定， 平均识别准确率达到了 93.5， 对粉虱和蓟马成虫的识别 率分别是 96.0和 91.0。 nbsp;本文图像分割识别算法能够自动、有效地对害虫进 行计数与识别，可以为综合害虫管理系统提供数据支持。 nbsp;[参 nbsp;考 nbsp;文 nbsp;献] nbsp;[1] 周志艳，罗锡文，张扬，等. 农作物虫害的机器检测与监 测技术研究进展[J]. 昆虫学报，2010，53198－109. nbsp;Zhou Zhiyan, Luo Xiwen, Zhang Yang, et al. Machine-based nbsp;technologies for detecting and monitoring insect pests of nbsp;crops a review[J]. Acta Entomologica Sinica, 2010, 531 nbsp; 98－109. in Chinese with English abstract nbsp;[2] Wen C, Guyer D. Image-based orchard insect automated nbsp;identification and classification [J]. Computers amp; nbsp;Electronics in Agriculture, 2012, 893 110－115. nbsp;[3] Shen W Z, Zhang C L, Chen Z L. Research on Automatic nbsp;counting soybean leaf aphids system based on computer nbsp;vision technology[C]// 2007 International conference on nbsp;machine learning and cybernetics. 2007 1635－1638. nbsp;[4] Chandrab S, Digvirs J, Jitendra P, et al. Identification of nbsp;insect-damaged wheat kernels using short-wave near-infrared nbsp;hyper spectral and digital color imaging[J]. Computers amp; nbsp;Electronics in Agriculture, 2010, 732 118－125. nbsp;[5] Zou X, Ding W. Design of processing system for agricultural nbsp;pests with digital signal processor [J]. Journal of Ination nbsp;amp; Computational Science, 2012, 915 4575－4582. nbsp;[6] Solissnchez L O, Garcaescalante J J, Castaedamiranda R, nbsp;et al. Machine vision algorithm for whiteflies Bemisia tabaci nbsp;Genn. scouting under greenhouse environment[J]. Journal of nbsp;Applied Entomology, 2009, 1337 546－552. nbsp;[7] Martin V, Thonnat M. A Cognitive Vision Approach to nbsp;Image Segmentation[M]. InTech, 2008. nbsp;[8] Solissnchez L O, Garca-Escalante J J, Castaeda -Miranda nbsp;R, et al. Machine vision algorithm for whiteflies Bemisia nbsp;tabaci Genn scouting under greenhouse environment[J]. nbsp;Journal of Applied Entomology, 2009, 1337 546－552. nbsp;[9] Xia C, Lee J M, Li Y, et al. In situ detection of small-size nbsp;insect pests sampled on traps using multifractal analysis [J]. nbsp;Optical Engineering, 2012, 522 27001. nbsp;[10] 邱白晶，王天波，李娟娟，等. 黄瓜蚜虫的图像识别与计 数方法[J]. 农业机械学报，2010，418151－155. nbsp;Qiu Baijing, Wang Tianbo, Li Juanjuan, et al. Image nbsp;recognition and counting for glasshouse aphis gossypii[J]. nbsp;Transactions of the Chinese Society for Agricultural Mach- inery, 2010, 418 151－155. in Chinese with English nbsp;abstract nbsp;[11] Ebrahimi M A, Khoshtaghaza M H, Minaei S, et al. nbsp;Vision-based pest detection based on SVM classification nbsp;[J]. Computers and Electronics in Agriculture, 2017, nbsp;137 52－58. nbsp;[12] 王志彬，王开义，张水发，等. 基于 K-means聚类和椭圆 拟合方法的粉虱计数算法[J]. 农业工程学报， 2014， 301 105－112. 第 1期 杨信廷等自动监测装置用温室粉虱和蓟马成虫图像分割识别算法 169 nbsp;Wang Zhibin, Wang Kaiyi, Zhang Shuifa, et al. Whiteflies nbsp;counting with K -means clustering and ellipse fitting[J]. nbsp;Transactions of the Chinese Society of Agricultural Engine- ering Transactions of the CSAE, 2014, 30 1 105－112. nbsp;in Chinese with English abstract nbsp;[13] Sun Y, Cheng H, Cheng Q, et al. A smart-vision algorithm nbsp;for counting whiteflies and thrips on sticky traps using two- nbsp;dimensional Fourier trans spectrum[J]. Biosystems nbsp;Engineering, 2017, 1532 82－88. nbsp;[14] 刘艳，赵英良. Otsu多阈值快速求解算法[J]. 计算机应用， 2011，31123363－3365. nbsp;Liu Yan, Zhao Yingliang. Quick approach of multi-threshold nbsp;Otsu for image segmentation[J]. Journal of Computer nbsp;Applications, 2011, 3112 3363－3365. in Chinese with nbsp;English abstract nbsp;[15] Ning J, Zhang L, Zhang D, et al. Interactive image nbsp;segmentation by maximal similarity based region merging[J]. nbsp;Pattern Recogniti/p