基于機器視覺的煙青蟲和棉鈴蟲雌雄蛹的分類識別

張紅濤，劉迦南，譚 聯，朱 洋

華北水利水電大學電力學院，鄭州市金水區北環路36 號 450011

煙青蟲和棉鈴蟲屬于同目同科同屬害蟲，且兩種昆蟲雜交可育，生物習性、形態等特征極為相似，對其進行檢測分類一直是生產實踐中研究的熱點問題之一[1-2]。目前國內外對昆蟲的檢測分類主要采用人工識別法[3-7]、生物標記法[8-10]、紅外光譜法[11-12]、圖像識別法等[13-16]。方紅等[6]首次對我國4 種麗金龜蛹進行了形態描述，主要鑒別特征依據為上唇、發音器、尾部形狀等，從而編制了我國麗金龜蛹的分種檢索表；梁培生等[13]利用機器視覺技術對雌雄蠶蛹分別進行了圖像獲取，并結合PCA 及BP 人工神經網絡對其進行了分析識別，準確率達98%；周昊等[10]通過對棕尾別麻蠅蛹3 個發育時期基因轉錄組的差異分析，發現蛹在不同發育時期基因表達量存在顯著差異；郭婷婷等[7]利用體視顯微鏡實現對雙委夜蛾蛹和成蟲雌雄性的快速鑒別，正確率達100%；代芬等[12]利用近紅外漫透射光譜對家蠶蠶蛹的雌雄性實現快速、無損鑒別，建立了PLSDA、BPNN 和SVM 3 種判別模型，并選出效果最優的PLSDA 模型，準確率達94.57%。但以上方法中，人工識別耗時耗力且容易出錯，生物標記工作周期長，紅外設備造價昂貴且建模難度大，而圖像識別方法則方便、高效，且目前對煙草主要害蟲雌雄蛹的分類判別研究鮮見報道。為此，采用機器視覺技術對煙草主要害蟲煙青蟲和棉鈴蟲的雌雄蛹進行自動識別分類，旨在為害蟲的有效監測與防治提供支持。

1 材料與方法

1.1 材料與設備

供試蟲源由河南農業大學植物保護學院實驗室提供，為化蛹2～5 d 的煙青蟲和棉鈴蟲。圖像采集設備為SLR 相機（型號Canon EOS 5D Mark IV 配百微鏡頭，日本Canon 公司），軟件運行環境為Windows7，處理器為Intel Core i7 @3.60GHz，軟件應用工具選擇matlab2014a。

1.2 蟲蛹圖像采集與特征提取

使用SLR 相機對固定后的活體蟲蛹樣本進行拍照，由于兩種害蟲雌雄蛹的明顯判別特征位于腹部末節處，故將相機聚焦于此位置。對采集到的原始圖像進行腹部末節有效區域提取后可以獲得表征害蟲蛹的局部特征圖像，共計2 類4 種圖像，見圖1。由采集到的圖像可以觀察到2 種害蟲蛹的形狀大小幾乎無差異，但雌雄蛹在腹部末節處存在差異，雄蛹表現為末端凸起且呈暗黑色，雌蛹表現為凹陷狀且質地均勻無明顯顏色變化，且上述特征在人眼狀態下不易觀察到。

圖1 兩類害蟲雌雄蛹腹部末節的采集圖像Fig.1 Images of abdominal end segment of male and female pupae for two types of pests

對上述圖像進行多種顏色空間變換，經觀察比較發現RGB 顏色空間下的蟲蛹圖像具有較高的對比度和清晰度，便于后續特征提取與分類判別。將采集到的原始圖像分別提取其R、G、B 三通道灰度圖像，試驗發現R 通道下的蟲蛹圖像特征表現最為顯著, 故最終選擇R 通道的蟲蛹圖像作為特征提取的輸入圖像，見圖2。

對上述4 種蟲蛹的R 通道灰度圖片分別提取其基于灰度共生矩陣的紋理特征構建原始特征空間，包括對比度、角二階矩、相關性、同質性4 個特征指標（均選取0°、45°、60°、90°4 個方向的數據），共形成16 維原始特征數據[17]。

圖2 兩種害蟲蛹的R 通道圖像Fig.2 R channel images of pupae for two types of pests

①對比度CON：反映了圖像的清晰度和紋理溝紋深淺的程度，對比度值越大，表明紋理溝紋越深，圖像整體視覺效果就越清晰；相反，對比度值小，則紋理溝紋淺，圖像也就越模糊[18]。計算公式：

式中：P（i, j）表示彩色圖像第j 個像素的第i 個顏色分量。

②相關性COR：描述了像素矩陣在行或列方向的線性關系程度，相關度大，則圖像像素在行或列方向的相似度高，矩陣元素均勻相等，紋理模糊；反之，紋理會越明顯[18]。計算公式：

③角二階矩ASM：又稱能量，描述了圖像灰度分布的均勻性和紋理的粗細程度，能量值越大，目標的灰度分布越均勻，紋理越清晰；反之亦然[18]。計算公式：

④同質性Homogeneity（Hom）：也稱為逆差距，描述了目標圖像局部所具有的信息量和紋理復雜程度，同質度越大，則圖像局部包含的信息量越多，紋理越復雜；反之，若圖像沒有紋理，則逆差距值接近于零[18]。計算公式：

1.3 分類識別機制選擇

支持向量機（SVM）作為一種創新的監督式機器學習方法，其原理是依據Vapnik 創立的統計學習理論中的風險經驗最小化準則（SRM）, 將樣本點誤差以及結構風險水平降到最低，對樣本數量范圍沒有過多要求，較大地提高了模型的推廣度[19]。本試驗中為線性不可分情況，通過非線性變換將樣本集的原始特征空間轉換成高維空間中的一個線性的問題，從而在變換的空間中求出最優分類并實現目標判別，這一過程需要核函數的參與，因此選擇徑向基核函數。

設訓練樣本集為（xi,yi），其中xi∈Rd（i=1, 2, …, n）。對于研究對象的分類問題，如二分類，yi∈（-1,1）。該分類可歸結為二次規劃問題。

式中：（ω, ω）、（ω, xi）為兩向量之間的內積；ξi為訓練樣本不可分時引入的一個松弛變量；c＞0 表示一個整數，是用來控制對錯誤判斷樣本懲罰力度的懲罰因子，將錯分樣本數量盡量降到最低；ω和b 為線性判決函數f（x）=（ω, x）+b 中的權向量和分類閾值。

對于害蟲雌雄蟲蛹的SVM 分類問題，選用c-SVC 分類和徑向基核函數（RBF），K（x, xi）=exp（-g||xi-x||2），其中g＞0。懲罰因子c（0，+∞）和RBF核函數參數g（方差）是影響SVM 分類器識別率的重要參數，因此利用參數組合尋優的方法對其進行優化選擇[20]。

在SVM 分類器的參數尋優中,將交叉驗證訓練模型識別率作為最終判別標準, cg（m, n）=svmtrain（train_pest_labels, train_pest_features,’-c cm

-g gm -k 5’）。其中，train_pest_labels 為兩類害蟲雌雄蛹訓練樣本的種類標簽；train_pest_features 為兩類害蟲雌雄蛹訓練樣本的紋理特征數據；cm 和gm 分別表示第m 次循環的c 和g；參數k 表示交叉驗證的折數（選取k=5），根據交叉驗證的識別率作為判斷best-c 和best-g 的標準[21-22]。

2 結果與討論

2.1 兩類害蟲蛹圖像的紋理特征

按照1.2 節方法對兩類害蟲蛹的圖像進行特征提取，共提取32 個蛹圖像的紋理特征，其中煙青蟲雌雄蛹紋理特征見表1，棉鈴蟲雌雄蛹紋理特征見表2。表中結果顯示，煙青蟲蛹的紋理特征中雄蛹的對比度、相關性、角二階矩特征指標均明顯大于雌蛹，而同質性指標雌蛹大于雄蛹；棉鈴蟲雌雄蛹紋理特征指標變化趨勢與煙青蟲一致。表明兩類害蟲的雄蛹紋理特征指標優于雌蛹，圖像上表現為其蟲翅表面的輪廓、斑紋等更清晰、對比度較高。由于兩類害蟲間雌雄蛹特征指標差異不大且規律不明顯，因此未對煙青蟲和棉鈴蟲的混合雌雄蛹進行識別，僅對單一害蟲的雌雄蛹進行有效識別。

2.2 煙青蟲和棉鈴蟲蛹的分類識別

對煙青蟲和棉鈴蟲蛹的采集圖片分別提取70張作為樣本集，其中每類別均將50 張用于訓練，20 張用于測試，共計280 張，以此形成訓練樣本特征空間200×16 維，測試樣本特征空間80×16 維，最終形成280×16 維原始特征數據作為支持向量機的輸入。由于兩類昆蟲間蛹的圖像極為相似，試驗中只對其種類內蟲蛹進行分類識別。

表1 煙青蟲蛹的紋理特征Tab.1 Texture features of Helicoverpa assulta pupae

表2 棉鈴蟲蛹的紋理特征Tab.2 Texture features of Helicoverpa armigera pupae

首先使用支持向量機對害蟲特征數據進行分類，即對害蟲種類內雌雄性的識別，在分類器中4類害蟲分別用“1，-1，2，-2”4 類標簽來表示，其中“1”表示棉鈴蟲雄蛹，“-1”表示棉鈴蟲雌蛹，“2”表示煙青蟲雄蛹，“-2”表示煙青蟲雌蛹。

選擇煙青蟲蛹的圖像測試樣本共40 張，其中雌雄各20 張，分類結果如圖3 所示。圖3 結果表明，雌蛹有5 個被錯判，雄蛹全部識別正確，識別正確個數35 個，總體識別率達到87.5%。

圖3 煙青蟲雌雄蛹的分類Fig.3 Classification of male and female pupae of Helicoverpa assulta

選擇棉鈴蟲蛹的圖像測試樣本共40 張，其中雌雄各20 張，分類結果如圖4 所示。圖4 結果表明，雌蛹有7 個被錯判，雄蛹全部識別正確，識別正確蛹個數33 個，總體識別率達到82.5%。

分類結果表明，存在識別精度較低的原因可能是由于兩種害蟲蛹的特征差異微小且僅體現在腹部末端局部位置；同時由于飼養環境、食物等因素的影響，生長過程中蟲蛹的局部特征表現均存在差異；另外煙青蟲對飼養條件要求較高，其存活率低導致樣本采集量較少。因此，在昆蟲飼養實驗及圖像處理等方面還有待于進一步研究。

圖4 棉鈴蟲雌雄蛹的分類Fig.4 Classification of male and female pupae of Helicoverpa armigera

3 結論

利用SLR 相機對煙青蟲和棉鈴蟲的雌雄蛹進行圖像采集并進行有效區域提取，同時提取其RGB 顏色空間的R 通道灰度圖像作為紋理特征提取的特征圖像。提取基于灰度共生矩陣的對比度、角二階矩等16 維特征指標作為原始特征數據。將280×16 維的原始特征空間送入SVM 分類器進行自動識別分類，煙青蟲雌雄蛹的識別率達到87.5%，棉鈴蟲雌雄蛹識別率達到82.5%，表明該方法具有可行性。