水稻飞虱自动识别技术的研究

论文摘要

水稻是重要的粮食作物之一,生物灾害是影响水稻稳产、高产的重要因素。稻飞虱是我国水稻的主要害虫,不同种飞虱对水稻造成的伤害不同,可见,准确识别稻飞虱种类、记录其发生数量是防治害虫危害的有效措施。传统的识别方法存在测报实时性差、对专家依赖性大等弊端。飞虱种类的自动识别技术能够解决专业的种类鉴定需求日益增加与鉴定人员相对缩减之间的矛盾,有较广阔的应用前景。本文结合图像处理技术、BP神经网络技术,针对白背飞虱和灰飞虱雌雄虫的静态图像,进行适合的图像处理和识别研究,实验结果证明采用这种方法进行飞虱的种类鉴别是可行的。论文的主要研究内容及成果如下:（1）研究方案的确定。人工区分飞虱主要依靠其背部颜色和纹理,虫体的大小则作为辅助判别依据,据此本文把飞虱背部作为研究目标,分别取白背飞虱雌虫43个样本,白背飞虱雄虫67个样本,灰飞虱雌虫67个样本,灰飞虱雄虫72个样本,拍摄其背部的静态显微数字图像,用于自动识别。（2）图像预处理。通过比较均值滤波和中值滤波,可知中值滤波能够很好地保护图像细节,经实验分析,采用3×3方形模版进行图像滤波能够得到比较满意的结果。在图像分割阶段,采用了全局阈值法,通过分析比较R、G、B各个通道的灰度值分布,发现B通道中目标与背景像素的灰度值相差最明显,基于此,在图像B分量通道中进行图像分割。在确定最佳分割阈值时,与形态学处理相结合,以面积差比P来评价分割效果。通过比较可知,当阈值为98时|P|值最小,也即分割的目标区域较接近于原来虫体本身,分割效果较理想。（3）图像特征提取。主要依据人工区分飞虱主要且稳定的特点来提取能够反映飞虱种间差别的有效特征。基于仅按照颜色特征来表征一幅图像的信息势必造成表达准确性的降低,着重对飞虱进行了颜色和纹理特征的综合描述。用百分率直方图法提取了色度值在20-40°之间的像素数在整个目标区域占的百分比,其值不受对象的大小、形状和它的同一色背景噪声影响,可以成为图像模式识别的有力输入特征。此外还提取了图像的颜色矩特征。在提取纹理特征参数时,提出用中胸背板区域的纹理特点来代表整个飞虱纹理特点的方法。提取子图像时需使飞虱本身的主轴方向与图像的y轴一致,而且子图像不能包含背景噪声,否则便失去了统计意义。（4）图像的分类识别。对比分析了三种常用的BP神经网络的训练改进方法,通过比较其训练误差、收敛速度和检验率得出L-M方法收敛速度较快,网络误差较小,检验率较高。实验结果证明当输入向量为除了面积以外的18个特征值时,网络的误差最小,训练后的网络对检验样本的识别率也较理想,这一结果表明该神经网络分类器是合适的。（5）水稻飞虱识别系统的设计。该系统的功能是根据用户提交的飞虱图像资料,进行一系列处理后,提取相关的特征向量,判断该个体属于哪种类型,实现了识别的基本功能。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 图像数字技术在农业上的应用
• 1.2 昆虫自动识别技术的国内外研究现状
• 1.2.1 国外研究现状
• 1.2.2 国内研究现状
• 1.3 本研究的目的和意义
• 1.4 稻飞虱基本知识
• 1.5 本文的主要工作
• 参考文献
• 第二章 水稻飞虱图像的采集及预处理
• 2.1 飞虱图像的采集
• 2.1.1 拍摄系统
• 2.1.2 样本的准备
• 2.1.3 静态显微数字图像的采集
• 2.2 飞虱图像去噪
• 2.2.1 图像中值滤波原理
• 2.2.2 中值滤波和均值滤波在本文中的应用及比较
• 2.3 图像分割
• 2.3.1 灰度阈值分割法
• 2.3.2 全局阈值分割在本文中的应用
• 2.3.2.1 飞虱图像分析
• 2.3.2.2 阈值的初步确定
• 2.3.3 分割二值图像的形态学处理
• 2.3.3.1 数学形态学概念
• 2.3.3.2 图像腐蚀
• 2.3.3.3 图像膨胀
• 2.3.3.4 开运算和闭运算
• 2.3.3.5 本文的形态学处理
• 2.3.3.6 分割阈值的最终确定及分割效果的评价
• 2.3.4 合成目标区域的RGB彩色图像
• 2.4 本章小结
• 参考文献
• 第三章 水稻飞虱图像特征提取
• 3.1 特征提取和选择准则
• 3.1.1 颜色特征
• 3.1.2 纹理特征
• 3.1.3 形状特征
• 3.2 颜色特征的提取
• 3.2.1 颜色模型
• 3.2.1.1 RGB颜色模型
• 3.2.1.2 HSI颜色模型
• 3.2.2 百分率直方图法提取飞虱图像背部颜色特征
• 3.2.2.1 飞虱图像颜色特性分析
• 3.2.2.2 颜色值区域的确定
• 3.2.3 提取颜色矩表征图像颜色特征
• 3.3 图像纹理特征提取
• 3.3.1 纹理特征概述
• 3.3.2 飞虱图像纹理特征分析
• 3.3.3 灰度共生矩阵（GLCM）
• 3.3.3.1 灰度共生矩阵的生成
• 3.3.3.2 灰度共生矩阵的特征参数
• 3.3.4 纹理特征参数的提取
• 3.3.4.1 子图像的选取
• 3.3.4.2 灰度共生矩阵参数的选择
• 3.3.4.3 纹理特征提取流程
• 3.4 图像形状特征提取
• 3.5 本章小结
• 参考文献
• 第四章 BP神经网络分类器的设计
• 4.1 BP神经网络与 BP学习算法
• 4.1.1 BP网络学习规则
• 4.1.2 BP算法的缺点及其改进措施
• 4.2 神经网络在飞虱图像分类中的应用
• 4.2.1 神经网络学习算法的确定
• 4.2.1.1 神经网络结构的确定
• 4.2.1.2 神经网络参数的选择
• 4.2.1.3 神经网络算法的比较
• 4.2.2 分类器实验过程与结果
• 4.3 本章小结
• 参考文献
• 第五章 飞虱识别系统的总体设计与实现
• 5.1 飞虱识别系统的总体结构
• 5.2 飞虱识别系统的功能
• 5.3 系统操作过程
• 第六章 结论与建议
• 硕士期间发表论文
• 致谢