CN106373136A - 一种基于颜色和特征的害虫识别计数方法 - Google Patents
一种基于颜色和特征的害虫识别计数方法 Download PDFInfo
- Publication number
- CN106373136A CN106373136A CN201510439780.4A CN201510439780A CN106373136A CN 106373136 A CN106373136 A CN 106373136A CN 201510439780 A CN201510439780 A CN 201510439780A CN 106373136 A CN106373136 A CN 106373136A
- Authority
- CN
- China
- Prior art keywords
- image
- insect
- color
- saturation
- prime
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30242—Counting objects in image
Landscapes
- Image Analysis (AREA)
Abstract
本发明涉及农业和图像处理技术领域,公开一种基于颜色和特征的害虫识别计数方法,本发明首先将获取的害虫原始图像一方面由彩色的RGB图像转化为HSI颜色空间,然后图像进行饱和度增强计算,并提取害虫的颜色特征参数;而另一方面将害虫的彩色的RGB图像转为灰度图像,并进行自适应二值化处理,得到二值化图像,并提取面积、周长等形状特征参数;最后将颜色和形状特征参数,结合建立的害虫模型数据库和遗传神经网络,完成常见的害虫的识别和计数。本发明结合了害虫的颜色和形状特征参数,大大的提高了害虫的识别正确率,经实验验证,识别正确率达到91.2%。
Description
技术领域
本发明属于农业和图像处理技术领域,是一种基于害虫的基于颜色和特征,并结合害虫模型数据库,通过遗传神经网络进行识别和计数的方法。
背景技术
我国是一个农业大国,农业虫害也不时发生,因此害虫的监测、虫情灾害的统计预报工作十分重要。若监测预报准确及时,就可及早动手消灭害虫,减少农药用量。目前,广泛应用黑光灯诱捕和人工识别的方法来统计害虫的种类及密度,该方法劳动强度大,效率低,同时主观因素较大,影响了测报的准确性和时效性。因此,害虫的实时、准确的识别,是现代农业作物保护的一种必然应用趋势,也是当今数字农业需要研究和解决的问题。
农业中的害虫种类多,数量大,很多害虫通过肉眼也不容易分辨,我国农业中常见的有以下种类的病虫害:黑金龟、星天牛、豆天蛾、棉铃虫、甜菜叶蛾、小地老虎、小吉丁甲、烟青虫等,本发明利用计算机视觉、图像处理及模式识别技术,实现对常见的害虫的种类、数量的自动识别和计数,是农业领域的新技术。
在利用计算机技术对害虫进行识别的过程中,特征提取是重要的环节之一,以往的做法常常是利用害虫的灰度图像来进行识别,而颜色信息是识别不同害虫种类的一个重要的特征,同时它对图像本身的方向以及视角的依赖性较小,因而具有较高的鲁棒性,增加害虫的颜色参数后,可大大提高害虫的识别准确率。同时本发明建立的害虫数据库模型,并结合数据库模型和3层遗传神经网络,最后能很好地完成对害虫的识别和计数,平均准确率达到91.2%。
发明内容
针对现有技术的不足,本发明提出了一种基于颜色和特征的害虫识别计数方法。原始的害虫图像格式是RGB格式,它受光线影响较大,随光照条件的变化,R、G、B三个分量都会有较大变化,直接利用这些分量往往不能得到所需的效果,所以在对图像彩色空间的选取中,选取HSI空间,它更能接近人对彩色世界的观察方式,它通过色调H(Hue)、饱和度S(Saturation)、亮度I(Intensity)三个属性来表示颜色,在HSI空间中,H、S、I三分量之间的相关性比R、G、B三分量之间要小很多,使得图像处理更少受光照条件的影响。因此基于HSI空间能取得比RGB空间更好的效果。
本方法首先将获取的害虫原始的RGB图像彩色图像转化为HSI颜色空间,并对饱和度S进行基于期望值的增强调整计算;完成对害虫的颜色特征参数提取。
而另一方面,害虫的外形形状也是一个重要的特征,不同的害虫在形状上存在一定的差异。本发明采用自适应二值化的方法对害虫图像进行处理,并运用数字形态学处理法进行了滤波,将害虫从背景中分割出来,提取面积、周长、圆形度等特征,最后应用遗传神经网络对常见的8种害虫进行识别和计数。
本发明的一种基于颜色和特征的害虫识别计数方法,其特征是包含以下具体步骤:
(1)通过捕捉装置,获取害虫的原始图像;
(2)将原始图像从RGB颜色空间转换到HSI颜色空间,并选取H和S参数作为害虫图像的特征;
(3)对图像进行饱和度增强计算,并提取害虫的颜色特征参数;
(4)将害虫原始图像从RGB格式转化为灰度格式,并进行自适应二值化处理;
(5)害虫图像再经形态学处理后,完成图像分割,并提取害虫形状特征参数;
(6)结合建立的害虫模型数据库和害虫的颜色特征参数及形状特征参数设计遗传神经网络模型;
(7)完成害虫的识别和计数。
通过深入研究害虫的体形、色彩及其形态学特征,本发明针对害虫的彩色图像,提取了彩色图像的色调均值、饱和度均值、色调最大差值、饱和度最大差值4个颜色特征参数。
在对图像进行饱和度增强计算中,对饱和度S进行基于期望值的图像增强调整,是先算出图像中每个像素点饱和度数值及其在图像中出现的概率,求出其数学期望E(x),并以此调整图像的饱和度,调整公式定义为:
S′i=E(x)+(1-E(x))·Si α
Si是原来的饱和度分量,Si′是调整后饱和度分量,α为拉伸因子,决定饱和度分量的饱和程度,xi为图像中饱和度的值,pi为该饱和度值对应出现的概率,R为图像的像素点总数。
另一方面,对害虫图像进行自适应二值化处理,并提取了害虫图像的面积、周长、长宽比、圆形度、复杂度共5个形状特征参数。
其中:
(a)复杂度:是描述害虫形状复杂性的一种度量,具体计算公式为:
C=L2/4πA
式中L、A、C分别是害虫的周长、面积、复杂度。
(b)长宽比:K=L′/W′
K是指图像的最小外接矩形的长和宽的比值,长L′为害虫目标边界上最远两点之间的距离,宽W′为边界上垂直于长轴的最远两点之间的距离。
(c)圆形度:它是描述目标圆形性的一个很好的特征,不受目标区域平移,旋转和尺度变化的影响。
SP=ri/rc
ri代表目标内切圆的半径,rc代表目标外接圆的半径,两个圆的圆心都在区域的重心上。
本发明对害虫形状特征参数的提取中,由于害虫的有的有丰富的表纹,采用一个固定的阈值进行二值化,会使图像的边缘锯齿化,并在对比度变化较大的地方出现断裂,因此动态调整二值化阈值去适应对比度的变化,可以最大限度地使害虫图像的二值化效果达到最佳状态。
本发明采用动态自适应二值化处理,对图像进行分区域二值化处理,先计算各像素点的m×m邻域内灰度平均值G:
然后,求出该邻域内像素点灰度的标准差σ及自适应二值化阈值T:
而:T=G+β×σ其中β为常数(0<β<1)
再利用T对图像进行分割;
而T值在不同的像素点的位置具有不同的阈值,将所得各区域的二值化图像Xi(i=1,2,……,m)进行图像集合运算:
X=(X1∪X2……∪Xi……∪Xm)
可得害虫的二值化图像。
由于一些种类的害虫具有较多的花纹,所以在自适应二值化处理完成后,图像中会存在小孔或小点,需要进一步再进行形态学处理,本发明采用传统的形态学的膨胀和腐蚀算法对图像依次进行膨胀、腐蚀。
传统的BP算法往往由于初始值选取不当,易陷入局部极小而导致训练失败,而遗传算法具有搜索全局最优解的优点,因此本发明结合遗传算法进行学习和训练。
***设计了3层BP网络,可识别豆天蛾等8类常见害虫,输入层、隐含层和输出层节点数分别为9,15,8,特征参数经处理后作为输入,输出为害虫的种类。
在具体的遗传神经网络模型设计中,其步骤为:
(a)初始化运行参数,遗传算法中个体的变量为神经元网络权值,取M,N,I分别为隐层、输入层和输出层节点数;
(b)确定网络权值和初始化种群,若总的种群W=(w1,w2,……,wn),内有w1,w2,……,wn共n个个体种群数,则确定目标函数为:
其中P为训练样本对总数,I为输出层节点数,y(i)为第i个训练样本的期望网络输出值,fi(x)为第i个训练样本的网络输出值;
(c)进行种群复制,同时保持种群规模的一致性,对适应度值从大到小进行排序,保留最优个体不进行交叉和变异操作,对剩余个体按照交叉算子Pc和变异算子Pm进行交叉和变异操作,重复直到组成新一代种群;
(d)完成神经网络的识别计算。
附图说明
图1是害虫识别和计数算法处理的流程图。
具体实施方式
在害虫的识别和计数算法处理中,研究根据具体情况的需要,神经网络的输入层节点数选为9,输出层节点数为8,对应于9种输入参数和8类害虫种类,隐含层节点数取为15,遗传控制参数经实际应用,选取如下:P是训练样本对总数,在实际应用中,一般取值范围是100~200,群体规模n取为200,交叉算子Pc设为0.8,变异算子Pm设为0.007。在种群训练中,目标是搜索最优权值,使E最小,当目标函数E≤0.0001时,搜索结束。
在饱和度增强的计算中,拉伸因子α一般取值为0.8~1.0。
在图像的像素点m×m邻域的灰度计算中,为减少运算量,一般取m=3或5,以此对该像素点的邻域灰度进行统计。在二值化阈值计算中,β为常数(0<β<1),根据图像的质量取值。当图像质量较好时,β取较小的值,对较差的图像β取较大值。
原始的图像格式是RGB格式,但R、G、B三分量之间有很强的相关性,随光照条件的变化,R、G、B三个分量都会有较大变化,直接利用这些分量往往不能得到所需的效果,所以在对图像彩色空间的选取中,选取HSI空间。
在HSI模型下,图像的色彩信息主要由H和S来反映,从RGB到HSI空间的转换公式如下:
其中
本发明结合了害虫的颜色和形状特征参数,大大的提高了害虫的识别正确率,经实验验证,识别正确率达到91.2%。
Claims (5)
1.一种基于颜色和特征的害虫识别计数方法,其特征是包含以下具体步骤:
(1)通过捕捉装置,获取害虫的原始图像;
(2)将原始图像从RGB颜色空间转换到HSI颜色空间,并选取H和S参数作为害虫图像的特征;
(3)对图像进行饱和度增强计算,并提取害虫的颜色特征参数;
(4)将害虫原始图像从RGB格式转化为灰度格式,并进行自适应二值化处理;
(5)害虫图像再经形态学处理后,完成图像分割,并提取害虫形状特征参数;
(6)结合建立的害虫模型数据库和害虫的颜色特征参数及形状特征参数设计遗传神经网络模型,其具体步骤为:
(6.1)初始化运行参数,遗传算法中个体的变量为神经元网络权值,取M,N,I分别为隐层、输入层和输出层节点数;
(6.2)确定网络权值和初始化种群,若总的种群W=(w1,w2,......,wn),内有w1,w2,......,wn共n个个体种群数,则确定目标函数为:
其中P为训练样本对总数,I为输出层节点数,y(i)为第i个训练样本的期望网络输出值,fi(x)为第i个训练样本的网络输出值;
(6.3)进行种群复制,同时保持种群规模的一致性,对适应度值从大到小进行排序,保留最优个体不进行交叉和变异操作,对剩余个体按照交叉算子Pc和变异算子Pm进行交叉和变异操作,重复直到组成新一代种群;
(6.4)完成神经网络的识别计算;
(7)完成害虫的识别和计数。
2.根据权利要求1所述的一种基于颜色和特征的害虫识别计数方法,其特征是:在步骤(3)对图像进行饱和度增强计算中,对饱和度S进行基于期望值的图像增强调整,是先算出图像中每个像素点饱和度数值及其在图像中出现的概率,求出其数学期望E(x),并以此调整图像的饱和度,调整公式定义为:
S′i=E(x)+(1-E(x))·Si α
Si是原来的饱和度分量,Si′是调整后饱和度分量,α为拉伸因子,决定饱和度分量的饱和程度,xi为图像中饱和度的值,pi为该饱和度值对应出现的概率,R为图像的像素点总数。
3.根据权利要求1所述的一种基于颜色和特征的害虫识别计数方法,其特征是:在步骤(3)提取害虫的颜色特征参数中,共提取了色调均值、饱和度均值、色调最大差值、饱和度最大差值4个颜色特征参数。
4.根据权利要求1所述的一种基于颜色和特征的害虫识别计数方法,其特征是:在步骤(4)自适应二值化处理中,采用动态自适应二值化处理,对图像进行分区域二值化处理,先计算各像素点的m×m邻域内灰度平均值G:
然后,求出该邻域内像素点灰度的标准差σ及自适应二值化阈值T:
而:T=G+β×σ 其中β为常数(0<β<1)
再利用T对图像进行分割;
而T值在不同的像素点的位置具有不同的阈值,将所得各区域的二值化图像Xi(i=1,2,......,m)进行图像集合运算:
X=(X1∪X2……∪Xi……∪Xm)
可得害虫的二值化图像。
5.根据权利要求1所述的一种基于颜色和特征的害虫识别计数方法,其特征是:在步骤(5)提取害虫形状特征参数中,提取了面积、周长、长宽比、圆形度和复杂度5个形状特征参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510439780.4A CN106373136A (zh) | 2015-07-22 | 2015-07-22 | 一种基于颜色和特征的害虫识别计数方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510439780.4A CN106373136A (zh) | 2015-07-22 | 2015-07-22 | 一种基于颜色和特征的害虫识别计数方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106373136A true CN106373136A (zh) | 2017-02-01 |
Family
ID=57880227
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510439780.4A Pending CN106373136A (zh) | 2015-07-22 | 2015-07-22 | 一种基于颜色和特征的害虫识别计数方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106373136A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108376402A (zh) * | 2018-04-27 | 2018-08-07 | 安徽农业大学 | 一种离线状态下的白粉虱群落生长状态分析装置及方法 |
CN108510490A (zh) * | 2018-03-30 | 2018-09-07 | 深圳春沐源控股有限公司 | 一种分析虫害趋势的方法、装置及计算机存储介质 |
CN108648191A (zh) * | 2018-05-17 | 2018-10-12 | 吉林大学 | 基于贝叶斯宽度残差神经网络的害虫图像识别方法 |
CN108829154A (zh) * | 2018-08-24 | 2018-11-16 | 四川物华农业科技有限公司 | 杀虫灯控制方法及装置 |
CN109145848A (zh) * | 2018-08-30 | 2019-01-04 | 西京学院 | 一种麦穗计数方法 |
CN109496622A (zh) * | 2018-10-18 | 2019-03-22 | 广州极飞科技有限公司 | 害虫的识别方法及装置、施药信息的确定方法、植保*** |
CN110363103A (zh) * | 2019-06-24 | 2019-10-22 | 仲恺农业工程学院 | 虫害识别方法、装置、计算机设备及存储介质 |
CN113537248A (zh) * | 2021-08-13 | 2021-10-22 | 珠海格力电器股份有限公司 | 图像识别方法和装置、电子设备和存储介质 |
CN113688959A (zh) * | 2021-10-26 | 2021-11-23 | 寿光得峰生态农业有限公司 | 一种基于人工智能的植物病虫害诊断方法及*** |
CN116391693A (zh) * | 2023-06-07 | 2023-07-07 | 北京市农林科学院智能装备技术研究中心 | 天牛灭杀方法及*** |
-
2015
- 2015-07-22 CN CN201510439780.4A patent/CN106373136A/zh active Pending
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108510490B (zh) * | 2018-03-30 | 2021-02-19 | 深圳春沐源控股有限公司 | 一种分析虫害趋势的方法、装置及计算机存储介质 |
CN108510490A (zh) * | 2018-03-30 | 2018-09-07 | 深圳春沐源控股有限公司 | 一种分析虫害趋势的方法、装置及计算机存储介质 |
CN108376402A (zh) * | 2018-04-27 | 2018-08-07 | 安徽农业大学 | 一种离线状态下的白粉虱群落生长状态分析装置及方法 |
CN108648191A (zh) * | 2018-05-17 | 2018-10-12 | 吉林大学 | 基于贝叶斯宽度残差神经网络的害虫图像识别方法 |
CN108829154A (zh) * | 2018-08-24 | 2018-11-16 | 四川物华农业科技有限公司 | 杀虫灯控制方法及装置 |
CN109145848A (zh) * | 2018-08-30 | 2019-01-04 | 西京学院 | 一种麦穗计数方法 |
CN109496622A (zh) * | 2018-10-18 | 2019-03-22 | 广州极飞科技有限公司 | 害虫的识别方法及装置、施药信息的确定方法、植保*** |
CN110363103A (zh) * | 2019-06-24 | 2019-10-22 | 仲恺农业工程学院 | 虫害识别方法、装置、计算机设备及存储介质 |
CN110363103B (zh) * | 2019-06-24 | 2021-08-13 | 仲恺农业工程学院 | 虫害识别方法、装置、计算机设备及存储介质 |
CN113537248A (zh) * | 2021-08-13 | 2021-10-22 | 珠海格力电器股份有限公司 | 图像识别方法和装置、电子设备和存储介质 |
CN113537248B (zh) * | 2021-08-13 | 2024-06-07 | 珠海格力电器股份有限公司 | 图像识别方法和装置、电子设备和存储介质 |
CN113688959A (zh) * | 2021-10-26 | 2021-11-23 | 寿光得峰生态农业有限公司 | 一种基于人工智能的植物病虫害诊断方法及*** |
CN116391693A (zh) * | 2023-06-07 | 2023-07-07 | 北京市农林科学院智能装备技术研究中心 | 天牛灭杀方法及*** |
CN116391693B (zh) * | 2023-06-07 | 2023-09-19 | 北京市农林科学院智能装备技术研究中心 | 天牛灭杀方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106373136A (zh) | 一种基于颜色和特征的害虫识别计数方法 | |
CN102930249A (zh) | 基于颜色和模型的农田害虫识别和计数方法 | |
AU2020102885A4 (en) | Disease recognition method of winter jujube based on deep convolutional neural network and disease image | |
CN107016405B (zh) | 一种基于分级预测卷积神经网络的害虫图像分类方法 | |
CN106446942A (zh) | 基于增量学习的农作物病害识别方法 | |
CN102013021B (zh) | 基于颜色和区域生长的茶叶嫩芽分割和识别方法 | |
da Silva et al. | Estimating soybean leaf defoliation using convolutional neural networks and synthetic images | |
Arya et al. | Detection of unhealthy plant leaves using image processing and genetic algorithm with Arduino | |
CN103034872A (zh) | 基于颜色和模糊聚类算法的农田害虫识别方法 | |
CN110516596A (zh) | 基于Octave卷积的空谱注意力高光谱图像分类方法 | |
CN107862695A (zh) | 一种基于全卷积神经网络的改进型图像分割训练方法 | |
Banerjee et al. | Precision Agriculture: Classifying Banana Leaf Diseases with Hybrid Deep Learning Models | |
CN105335716A (zh) | 一种基于改进udn提取联合特征的行人检测方法 | |
CN107463920A (zh) | 一种消除局部遮挡物影响的人脸识别方法 | |
CN108491797A (zh) | 一种基于大数据的车辆图像精确检索方法 | |
CN106407986A (zh) | 一种基于深度模型的合成孔径雷达图像目标识别方法 | |
CN111105393B (zh) | 一种基于深度学习的葡萄病虫害识别方法及装置 | |
CN114359727B (zh) | 基于轻量级优化Yolo v4的茶叶病害识别方法及*** | |
CN110827260B (zh) | 一种基于lbp特征与卷积神经网络的布匹缺陷分类方法 | |
CN103400368B (zh) | 基于图论和超像素的并行快速sar图像分割方法 | |
CN107563389A (zh) | 一种基于深度学习的农作物病害识别方法 | |
CN109344699A (zh) | 基于分层深度卷积神经网络的冬枣病害识别方法 | |
CN109684906A (zh) | 基于深度学习的检测红脂大小蠹的方法 | |
CN106373135A (zh) | 一种基于颜色的害虫识别计数方法 | |
CN110288574A (zh) | 一种超声辅助诊断肝肿块***及方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
DD01 | Delivery of document by public notice | ||
DD01 | Delivery of document by public notice |
Addressee: Cui Hujin Document name: Notification that Application Deemed to be Withdrawn |
|
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20170201 |