基于BP神經網絡的柑橘始葉螨圖像識別

摘要：針對柑橘始葉螨（Eotetranychus kankitus）自動識別問題，對柑橘始葉螨圖像采用基于骨架的形態特征提取方法，自動提取柑橘始葉螨的骨架數學形態特征，以此作為BP神經網絡的輸入因子，較好地實現了柑橘始葉螨的識別。在設計的原型系統上成功識別柑橘始葉螨、柑橘全爪螨[Panonychus citri （McGregor）]和柑橘瘤癭螨（Aceria sheldoni）3類葉螨，識別率均大于90%，每圖像樣本平均識別時間小于1 s，較傳統的采用圖像像素灰度的神經網絡識別方法更快、更實用。

關鍵詞：圖像識別；BP神經網絡；柑橘始葉螨（Eotetranychus kankitus）

中圖分類號：TP391；S436.66 文獻標識碼：A 文章編號：0439-8114（2013）23-5863-03

葉螨是農業生產中的重要害蟲之一，各類經濟作物大都有葉螨為害。嚴重時常致使作物干枯落葉，生長停滯，嚴重影響產量和質量，在經濟上造成很大的損失[1]。柑橘始葉螨（Eotetranychus kankitus）是葉螨的一種，中文別名為四斑黃蜘蛛，分布區域為中國大部分柑橘產區。

昆蟲識別的方法有人工識別、聲音識別、圖像識別等。其中圖像識別法是目前昆蟲識別研究中的熱點，具有準確度高、勞動量小和可視化等優點。趙汗青等[2]對農田害蟲進行了成功的分類識別；張洪濤等[3]采用蟻群算法對儲糧害蟲圖像識別進行了深入的研究。人工神經網絡方法實現模式識別，可處理一些環境信息復雜、背景知識不清楚、推理規則不明確的問題，運行速度快，自適應性能好，具有較高的分辨率[4]。為此，在對柑橘始葉螨害蟲形體特征提取的基礎上，應用BP神經網絡對其進行識別。

1 柑橘始葉螨圖像獲取及預處理

在江西農業大學百喜草生態園中種植的柑橘樹上，通過數碼相機在光線均勻的環境下采集帶柑橘始葉螨的葉片圖像，作為識別研究處理的樣本圖像。對獲取的原始圖像（圖1）運用對比度擴展和中值濾波進行增強；利用模糊集熵自動提取閾值，并進行分割以形成二值化圖像（圖2）；最后運用數學形態學算子濾除空洞、孤立點等噪聲。經過預處理后的圖像基本滿足了后續特征提取和自動識別的要求。

2 基于BP神經網絡的柑橘始葉螨的識別方法

吳滄海等[5]深入分析了柑橘始葉螨各種邊緣特征檢測算子的優劣，并指出采用形態學方法的檢測結果比其他算子有明顯的改善。數學形態學是數字圖像處理技術的一個重要分支，利用數學形態學可以除去圖像中不相關的結構特征，同時又可以保持圖像的基本形狀特征，用具有一定形態的結構元素去度量和提取圖像中的形狀，達到分析、識別圖像的目的。數學形態學的基本運算是腐蝕和膨脹，利用一種針對植物蟲害二值圖像膨脹和腐蝕的快速算法[6]，對柑橘始葉螨進行骨架特征提取，提取結果見圖3。

目標的骨架特征是一個賴以分辨和識別的重要特征。在提取了柑橘始葉螨害蟲的骨架特征后，就可讓計算機系統識別這些特征。

考察的骨架特征因子有4個。①骨架點的分支數（B）。運用骨架樹將柑橘始葉螨的骨架映射到一個二維的樹結構中，再對樹做廣度優先遍歷，計算每個骨架節點的分支數。②橫軸縱軸比（R）。橫軸長和縱軸長指圖像中識別對象的最大體寬XL和最大體長YL，對應骨架圖像分析中常用的邊界的短軸和長軸，R=XL/YL。③孔洞數（H）。在昆蟲分類中，背板上的斑點是重要的鑒別特征。柑橘始葉螨經過預處理后，這些斑點會呈現不同大小的孔洞，孔洞數在一定程度上能夠反映目標的復雜度。④整體形狀參數（F）。F=P2/（4π×A），其中P為目標整體周長，A為填充孔洞后的目標面積。形狀參數可在一定程度上描述目標的緊湊性，具有尺度、旋轉不變性。

此文以VC++ 6.0為開發工具，開發了基于BP神經網絡的柑橘始葉螨的識別系統原型，主要對柑橘始葉螨、柑橘全爪螨[Panonychus citri （Me Gregor）]和柑橘瘤癭螨（Aceria sheldoni）3類葉螨進行識別。BP神經網絡是一種多層前向網絡，由輸入層、隱含層（可以是多層）和輸出層組成，一種經典的3層BP神經網絡模型如圖4所示。BP神經網絡的學習過程包括正向傳播和反向傳播，并在來回傳播過程中不斷進行誤差修正。輸入信號經由輸入層在神經元核的函數作用后，逐層向隱含層、輸出層傳播。傳播過程中有兩類重要的參數，一類是神經元的權值，一類是核函數中閾值。這兩類參數開始時需確定一組初值，然后在學習的過程中不斷調節權值，使得輸出誤差信號最小或達到預設的目標。另外在神經網絡的構建中，神經網絡的層數及每層神經元的個數也對整個神經網絡有重要的影響。除此外還包括學習步長、反向計算時的局部梯度、目標誤差和指定訓練次數等。

3 試驗結果

將基于骨架的形態特征骨架點的分支數（B）、橫軸縱軸比（R）、孔洞數（H）、整體形狀參數（F）作為神經網絡的輸入，3種葉螨的歸一化數據作為該神經網絡的訓練樣本。試驗結果見表1。

另外，同時采用基于圖像像素灰度的神經網絡識別方法來識別相同的樣本數據，識別結果見表2。這種方法采用經過簡單處理的原始圖像灰度數據作為神經網絡訓練數據，省去了復雜的葉螨數字圖像的骨架特征抽取部分，將原始圖像灰度值直接作為神經網絡的輸入。這種方式下，由于輸入模式維數的增加導致了神經網絡規模的龐大，占用系統更多的內存資源，導致識別時間較本研究的基于數學形態學預處理的BP神經網絡識別方法更長，一般用戶難以接受。但基于圖像像素灰度的神經網絡識別方法既采用了全局信息又沒有忽略細節信息，網絡的抗干擾性能好，識別率較本研究稍高一些。試驗數據表明，基于數學形態學和神經網絡的葉螨識別方法識別快、適應性強、精度較高。

4 小結

針對柑橘始葉螨自動識別問題，采用基于骨架的形態特征提取方法，自動提取柑橘始葉螨的骨架數學形態特征，并將其作為BP神經網絡的輸入因子。通過多次試驗，確定合適的BP神經網絡相關參數。然后，使用VC++ 6.0設計了識別柑橘始葉螨、柑橘全爪螨和柑橘瘤癭螨3類葉螨的原型系統，識別率均大于90%，每張圖像樣本平均識別時間小于1 s，較傳統的采用圖像像素灰度的神經網絡識別方法識別時間有明顯的下降。圖像識別客觀上受圖像質量、圖像種類影響較大，本研究僅針對葉螨家族中的3種螨蟲做了探索性的識別研究，以后將擴大螨類識別研究的范圍，針對不同螨類特征，設計識別能力更強的原型系統。

參考文獻：

[1] 高德三，楊瑞生.害蟲防治學[M].北京：中國農業大學出版社，2008.

[2] 趙汗青，沈佐銳，于新文. 數學形態特征應用于昆蟲自動鑒別的研究[J].中國農業大學學報，2002，7（3）：38-42.

[3] 張洪濤，毛罕平，邱道尹.儲糧害蟲圖像識別中的特征提取[J].農業工程學報，2009，25（2）：126-130.

[4] 方彩婷.基于BP神經網絡的圖像識別與跟蹤研究[D].西安：西安電子科技大學，2006.

[5] 吳滄海，熊煥亮，裘 武.基于Matlab的柑橘始葉螨邊緣檢測的研究[J].微計算機信息，2010，26（9-2）：198-199.

[6] 馬 駿，王建華.一種基于數學形態學的植物病蟲識別方法[J].深圳大學學報（理工版），2004，21（1）：72-75.