基于圖像的水稻田間稻飛虱分類(lèi)方法研究.pdf

1、稻飛虱是我國(guó)水稻上一種主要遷飛性害蟲(chóng)，每年對(duì)水稻生產(chǎn)造成很的大經(jīng)濟(jì)損失，及時(shí)準(zhǔn)確地預(yù)測(cè)田間稻飛虱種群密度對(duì)飛虱防治非常重要。傳統(tǒng)的人工普查方法存在工作量大，效率低和精度差等問(wèn)題。利用圖像處理技術(shù)對(duì)水稻基部圖像進(jìn)行稻飛虱自動(dòng)檢測(cè)與計(jì)數(shù)不僅節(jié)省勞動(dòng)力，同時(shí)可以提高工作效率和測(cè)報(bào)的準(zhǔn)確率。Yao et al、劉慶杰、趙虎和陳琤利用圖像處理技術(shù)，提取了不同的飛虱圖像特征結(jié)合分類(lèi)器來(lái)研究稻飛虱自動(dòng)檢測(cè)問(wèn)題，取得了較好的結(jié)果。在他們研究基礎(chǔ)上，進(jìn)一

2、步分析得知基于圖像的水稻基部飛虱的檢測(cè)率和誤檢率仍有一定改善的空間，且稻飛虱田間測(cè)報(bào)中，還需要對(duì)稻飛虱的種類(lèi)、長(zhǎng)短翅和蟲(chóng)齡進(jìn)行判斷，本論文繼續(xù)對(duì)基于圖像的水稻基部稻飛虱自動(dòng)檢測(cè)進(jìn)行研究，同時(shí)對(duì)稻飛虱的種類(lèi)、長(zhǎng)短翅和蟲(chóng)齡分類(lèi)問(wèn)題進(jìn)行了初步的研究。
　　本文利用HOG特征與Adaboost分類(lèi)器對(duì)水稻基部飛虱圖像進(jìn)行檢測(cè)與計(jì)數(shù)研究，從Adaboost參數(shù)選擇、訓(xùn)練樣本大小、數(shù)量和多樣性方面對(duì)分類(lèi)器進(jìn)行優(yōu)化。結(jié)果表明，采用大小為32*6

3、4像素的飛虱正樣本8000幅，背景全為水稻背景且大小不一的非飛虱負(fù)樣本32000幅，最大虛警率為0.48，訓(xùn)練分類(lèi)器為21層訓(xùn)練得到的Adaboost分類(lèi)器具有較好的檢測(cè)效果。以圖像中人眼可識(shí)別的稻飛虱人工計(jì)數(shù)作為標(biāo)準(zhǔn)，獲得飛虱檢測(cè)率為92.3％，誤檢率為53.5%。本論文利用深度學(xué)習(xí)中的卷積神經(jīng)網(wǎng)絡(luò)對(duì)飛虱和非飛虱目標(biāo)進(jìn)行分類(lèi)，結(jié)果表明，采用卷積神經(jīng)網(wǎng)絡(luò)可以達(dá)到一個(gè)很好的效果，飛虱識(shí)別率為99.1%，誤檢率8.7%。將Adaboost分

4、類(lèi)器和卷積神經(jīng)網(wǎng)絡(luò)級(jí)聯(lián)，可獲得稻飛虱檢測(cè)率為91.5%，誤檢率為4.7%。
　　本文利用Gabor特征和SVM分類(lèi)器對(duì)長(zhǎng)翅型稻飛虱、短翅型稻飛虱和稻飛虱高齡、低齡若蟲(chóng)進(jìn)行分類(lèi)識(shí)別和計(jì)數(shù)。利用HOG特征和SVM分類(lèi)器對(duì)長(zhǎng)翅型白背飛虱和長(zhǎng)翅型褐飛虱進(jìn)行分類(lèi)和計(jì)數(shù)。結(jié)果表明，對(duì)稻飛虱種類(lèi)、長(zhǎng)短翅成蟲(chóng)和高低齡若蟲(chóng)的分類(lèi)準(zhǔn)確率均不低于95.0%。本論文研究結(jié)果為基于圖像的稻田基部飛虱自動(dòng)檢測(cè)、分類(lèi)與計(jì)數(shù)技術(shù)應(yīng)用到稻田飛虱的測(cè)報(bào)提供了理論依據(jù)