圖像識別處理技術在農業工程中的應用

文/陳澤岳 段剛強 丁子健

圖像識別處理技術在農業工程中的應用

文/陳澤岳 段剛強 丁子健

目前儲糧害蟲問題是世界上很多國家所面臨的困 難，在很多國家每年都會因為糧食害蟲而損失很多糧 食。在遭受到糧食害蟲的侵害以后糧食的籽粒會被破壞，容易變質、結塊、發熱以及發霉，另外在老化死去害 蟲尸體、糞便以及有毒液體的影響下糧食會受到較為嚴 重的污染。除了使用聲音檢測方法外，其他方法不利于實現自 動化糧蟲檢測，人工檢測方法效率低、成本高，因此本文 研究一種基于圖像識別處理的糧蟲檢測方法，將圖像識 別處理技術應用于農業工程。

圖像識別 處理技術 農業工程 應用

1 糧蟲圖像預處理

1.1 圖像灰度化處理

在分析糧蟲圖像的過程中首先需要進行圖像顏色 之間的轉換，通常是將彩色轉換為灰色，這樣既能夠加 快圖像的處理速度，另外還能夠方便地將處理后的信息 向原來的圖像上進行轉移。 通常利用最大值法、加權平均法以及平均值法來進 行彩色圖像和灰色圖像之間的轉換。本文在進行彩色 圖像灰度化處理的過程中主要采用了最大值法，這種方法比較簡單，采用三原色 R，G，B 來對圖像的灰度值進 行描述。

1.2 圖像平滑

本文使用鄰域平均法對糧蟲圖像進行平滑處理。 所應用的均值濾波的鄰域平均法實際上就是進行空域 平滑處理，首先在相同的窗口上放置圖像，平均所有的 像素灰度值，通過對中心部位像素灰度值的替代就能夠 達到平滑的目的。均值濾波和低通濾波器具有相同的 作用，輸出的圖像可以用離散卷積來進行表示。

1.3 圖像銳化

通過對圖像的銳化處理能夠達到修復外部形狀以 及進行圖像邊緣聚焦的目的。通過圖像灰度顏色的加 深以及外援色彩數值的對比能夠對圖像的清晰度進行 提升。目前 Sobel算子、Laplace算子以及 Robert算子是 圖像銳化過程中經常采用的算子，本文在圖像銳化的過 程中采用了Robert算子。

1.4 二值化

使用二值化的方法來對糧蟲圖像進行處理，這樣可以重點顯示對象區域，對于后面的分析和識別有很大的好處，因為在灰度上目標的圖像和北京的圖像有著很大的區別，所以可以依據灰度值的不一樣來區分目標圖像。并且分別使用0和1來代表目標圖像和背景圖像，這樣就可以讓灰色圖像和二值圖像進行相互轉換，這樣可以具有很好的識別度，本文只是對單獨的背景和圖像進行了分析，所以在數據對比的時候就可以使用一個閾值 Th，這樣可以使像素群得到很好的分類，把圖像中的背景灰度和目標灰度值設置為1和0。

2 邊緣檢測

在經過上述的預處理后，能夠顯著地提升圖像的質 量，但是還需要采用圖像邊緣檢測技術來對圖像中的背 景和目標進行區分。

Roberts 邊緣檢測算子。Roberts 邊緣檢測算 子是使用局部差分算法實現。其中原始圖像用 f （x，y） 表示，邊緣檢測后輸出的圖像用g（x，y）表示：

利用互相垂直方向上的差分Roberts 邊緣檢測算子 就可以對梯度進行計算，另外邊緣之間的檢測可以利用 對角線方向相鄰像素之差來實現。 通過對模板的利用能夠對Roberts的梯度幅度G進 行計算，進而得到合適的閾值 T，當 G＞T時，該點就是階躍邊緣點，進而獲取邊緣圖像。

3 糧蟲識別實驗

本文選取常見的玉米象、擬谷盜和鋸谷盜三種糧蟲 為 研 究 對 象 ，對 其 圖 像 進 行處 理 識 別 。 分 別 使 用 Roberts 邊緣檢測算子、 Sobel 邊緣檢測算子、 Prewitt 邊 緣檢測算子和 Laplacian 邊緣檢測算子對其圖像進行邊 緣檢測，并提取其圖像的面積 A、周長 P、相對面積 RA、 延伸率S、復雜度C、占空比B、等效面積圓半徑R和偏心 率E這八個特征用于對三種糧蟲的識別。

選取 50張玉米象圖像、50張擬谷盜圖像和 50張鋸谷盜圖像以及20張無糧蟲圖像對基于RBF神經網絡的 識別模型進行訓練，提高其識別糧蟲圖像的泛化能力。 基于RBF神經網絡的識別模型的輸入向量為糧蟲圖像的八種特征，即輸入節點數為 8；基于RBF 神經網絡的識別模型的輸出向量結果為玉米象圖像、擬谷盜圖 像、鋸谷盜圖像以及無糧蟲圖像 4 種，即輸出節點數 為 4；隱含層節點數根據經驗公式計算。 分別使用20張玉米象圖像、20 張擬谷盜圖像和 20 張鋸谷盜圖像對訓練后的基于RBF神經網絡的識別模型進行測試。

分別使用 Roberts 邊緣檢測算子、 Sobel邊緣檢 測算子、 Prewitt 邊緣檢測算子和Laplacian 邊緣檢測算 子對其圖像進行邊緣檢測后，識別模型對三種糧蟲的平 均識別率為80.65%，81.96%，80.34%和 78.56%，說明在其他情況相同情況下，使用 Sobel 邊緣檢測算子對糧蟲 圖像邊緣檢測對于糧蟲圖像識別準確率是最有利的， 而使用 Laplacian 邊緣檢測算子后糧蟲圖像的識別率最低。

4 結論

本文研究一種基于圖像識別處理的糧蟲檢測方法， 將圖像識別處理技術應用于農業工程。選取常見的玉 米象、擬谷盜和鋸谷盜三種糧蟲為研究對象，對其圖像 進行處理識別。分別使用 Roberts 邊緣檢測算子、Sobel 邊緣檢測算子、 Prewitt 邊緣檢測算子和Laplacian 邊緣 檢測算子對其圖像進行邊緣檢測，并提取其圖像的面 積 A、周長 P、相對面積 RA、延伸率 S、復雜度 C、占空比 B、等效面積圓半徑 R和偏心率 E這八個特征用于對三 種糧蟲的識別，使用基于 RBF 神經網絡的識別模型 對三種糧蟲圖像的幾何形態特征進行識別。結果表 明，在本文的研究條件下，使用 Sobel 邊緣檢測算子對 糧蟲圖像邊緣檢測對于糧蟲圖像識別準確率是最有利 的，而使用 Laplacian 邊緣檢測算子后糧蟲圖像的識別率最低。

[1]邱白晶,劉保玲,吳春篤,史春建,李會芳.近紅外圖像處理技術在農業工程中的應用[J]. 農業工程學報,2005(05):102-106.

[2]司秀麗.黃瓜病害圖像處理與識別技術的應用研究[D].吉林:吉林農業大學,2006.

[3]史春建,邱白晶,劉保玲.動態圖像處理技術在農業工程中的應用[J].中國農機化,2004(02):28-31.

[4]張葵.智能識別技術在圖像處理中的應用[D].上海:華東師范大學,2009.

作者單位華北水利水電大學電力學院 河南省鄭州市450011

陳澤岳（1991-），男，內蒙古自治區通遼市人。華北水利水電大學電力學院2015級研究生。主要研究方向為模式識別與智能系統。段剛強（1990-），男，河南省洛陽市人。華北水利水電大學電力學院2015級研究生。主要研究方向為模式識別與智能系統。