基于BP神經(jīng)網(wǎng)絡(luò)的柑橘始葉螨圖像識(shí)別

摘要：針對(duì)柑橘始葉螨（Eotetranychus kankitus）自動(dòng)識(shí)別問(wèn)題，對(duì)柑橘始葉螨圖像采用基于骨架的形態(tài)特征提取方法，自動(dòng)提取柑橘始葉螨的骨架數(shù)學(xué)形態(tài)特征，以此作為BP神經(jīng)網(wǎng)絡(luò)的輸入因子，較好地實(shí)現(xiàn)了柑橘始葉螨的識(shí)別。在設(shè)計(jì)的原型系統(tǒng)上成功識(shí)別柑橘始葉螨、柑橘全爪螨[Panonychus citri （McGregor）]和柑橘瘤癭螨（Aceria sheldoni）3類(lèi)葉螨，識(shí)別率均大于90%，每圖像樣本平均識(shí)別時(shí)間小于1 s，較傳統(tǒng)的采用圖像像素灰度的神經(jīng)網(wǎng)絡(luò)識(shí)別方法更快、更實(shí)用。

關(guān)鍵詞：圖像識(shí)別；BP神經(jīng)網(wǎng)絡(luò)；柑橘始葉螨（Eotetranychus kankitus）

中圖分類(lèi)號(hào)：TP391；S436.66 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：0439-8114（2013）23-5863-03

葉螨是農(nóng)業(yè)生產(chǎn)中的重要害蟲(chóng)之一，各類(lèi)經(jīng)濟(jì)作物大都有葉螨為害。嚴(yán)重時(shí)常致使作物干枯落葉，生長(zhǎng)停滯，嚴(yán)重影響產(chǎn)量和質(zhì)量，在經(jīng)濟(jì)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(qū)域?yàn)橹袊?guó)大部分柑橘產(chǎn)區(qū)。

昆蟲(chóng)識(shí)別的方法有人工識(shí)別、聲音識(shí)別、圖像識(shí)別等。其中圖像識(shí)別法是目前昆蟲(chóng)識(shí)別研究中的熱點(diǎn)，具有準(zhǔn)確度高、勞動(dòng)量小和可視化等優(yōu)點(diǎn)。趙汗青等[2]對(duì)農(nóng)田害蟲(chóng)進(jìn)行了成功的分類(lèi)識(shí)別；張洪濤等[3]采用蟻群算法對(duì)儲(chǔ)糧害蟲(chóng)圖像識(shí)別進(jìn)行了深入的研究。人工神經(jīng)網(wǎng)絡(luò)方法實(shí)現(xiàn)模式識(shí)別，可處理一些環(huán)境信息復(fù)雜、背景知識(shí)不清楚、推理規(guī)則不明確的問(wèn)題，運(yùn)行速度快，自適應(yīng)性能好，具有較高的分辨率[4]。為此，在對(duì)柑橘始葉螨害蟲(chóng)形體特征提取的基礎(chǔ)上，應(yīng)用BP神經(jīng)網(wǎng)絡(luò)對(duì)其進(jìn)行識(shí)別。

1 柑橘始葉螨圖像獲取及預(yù)處理

在江西農(nóng)業(yè)大學(xué)百喜草生態(tài)園中種植的柑橘樹(shù)上，通過(guò)數(shù)碼相機(jī)在光線均勻的環(huán)境下采集帶柑橘始葉螨的葉片圖像，作為識(shí)別研究處理的樣本圖像。對(duì)獲取的原始圖像（圖1）運(yùn)用對(duì)比度擴(kuò)展和中值濾波進(jìn)行增強(qiáng)；利用模糊集熵自動(dòng)提取閾值，并進(jìn)行分割以形成二值化圖像（圖2）；最后運(yùn)用數(shù)學(xué)形態(tài)學(xué)算子濾除空洞、孤立點(diǎn)等噪聲。經(jīng)過(guò)預(yù)處理后的圖像基本滿足了后續(xù)特征提取和自動(dòng)識(shí)別的要求。

2 基于BP神經(jīng)網(wǎng)絡(luò)的柑橘始葉螨的識(shí)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(cè)算子的優(yōu)劣，并指出采用形態(tài)學(xué)方法的檢測(cè)結(jié)果比其他算子有明顯的改善。數(shù)學(xué)形態(tài)學(xué)是數(shù)字圖像處理技術(shù)的一個(gè)重要分支，利用數(shù)學(xué)形態(tài)學(xué)可以除去圖像中不相關(guān)的結(jié)構(gòu)特征，同時(shí)又可以保持圖像的基本形狀特征，用具有一定形態(tài)的結(jié)構(gòu)元素去度量和提取圖像中的形狀，達(dá)到分析、識(shí)別圖像的目的。數(shù)學(xué)形態(tài)學(xué)的基本運(yùn)算是腐蝕和膨脹，利用一種針對(duì)植物蟲(chóng)害二值圖像膨脹和腐蝕的快速算法[6]，對(duì)柑橘始葉螨進(jìn)行骨架特征提取，提取結(jié)果見(jiàn)圖3。

目標(biāo)的骨架特征是一個(gè)賴(lài)以分辨和識(shí)別的重要特征。在提取了柑橘始葉螨害蟲(chóng)的骨架特征后，就可讓計(jì)算機(jī)系統(tǒng)識(shí)別這些特征。

考察的骨架特征因子有4個(gè)。①骨架點(diǎn)的分支數(shù)（B）。運(yùn)用骨架樹(shù)將柑橘始葉螨的骨架映射到一個(gè)二維的樹(shù)結(jié)構(gòu)中，再對(duì)樹(shù)做廣度優(yōu)先遍歷，計(jì)算每個(gè)骨架節(jié)點(diǎn)的分支數(shù)。②橫軸縱軸比（R）。橫軸長(zhǎng)和縱軸長(zhǎng)指圖像中識(shí)別對(duì)象的最大體寬XL和最大體長(zhǎng)YL，對(duì)應(yīng)骨架圖像分析中常用的邊界的短軸和長(zhǎng)軸，R=XL/YL。③孔洞數(shù)（H）。在昆蟲(chóng)分類(lèi)中，背板上的斑點(diǎn)是重要的鑒別特征。柑橘始葉螨經(jīng)過(guò)預(yù)處理后，這些斑點(diǎn)會(huì)呈現(xiàn)不同大小的孔洞，孔洞數(shù)在一定程度上能夠反映目標(biāo)的復(fù)雜度。④整體形狀參數(shù)（F）。F=P2/（4π×A），其中P為目標(biāo)整體周長(zhǎng)，A為填充孔洞后的目標(biāo)面積。形狀參數(shù)可在一定程度上描述目標(biāo)的緊湊性，具有尺度、旋轉(zhuǎn)不變性。

此文以VC++ 6.0為開(kāi)發(fā)工具，開(kāi)發(fā)了基于BP神經(jīng)網(wǎng)絡(luò)的柑橘始葉螨的識(shí)別系統(tǒng)原型，主要對(duì)柑橘始葉螨、柑橘全爪螨[Panonychus citri （Me Gregor）]和柑橘瘤癭螨（Aceria sheldoni）3類(lèi)葉螨進(jìn)行識(shí)別。BP神經(jīng)網(wǎng)絡(luò)是一種多層前向網(wǎng)絡(luò)，由輸入層、隱含層（可以是多層）和輸出層組成，一種經(jīng)典的3層BP神經(jīng)網(wǎng)絡(luò)模型如圖4所示。BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過(guò)程包括正向傳播和反向傳播，并在來(lái)回傳播過(guò)程中不斷進(jìn)行誤差修正。輸入信號(hào)經(jīng)由輸入層在神經(jīng)元核的函數(shù)作用后，逐層向隱含層、輸出層傳播。傳播過(guò)程中有兩類(lèi)重要的參數(shù)，一類(lèi)是神經(jīng)元的權(quán)值，一類(lèi)是核函數(shù)中閾值。這兩類(lèi)參數(shù)開(kāi)始時(shí)需確定一組初值，然后在學(xué)習(xí)的過(guò)程中不斷調(diào)節(jié)權(quán)值，使得輸出誤差信號(hào)最小或達(dá)到預(yù)設(shè)的目標(biāo)。另外在神經(jīng)網(wǎng)絡(luò)的構(gòu)建中，神經(jīng)網(wǎng)絡(luò)的層數(shù)及每層神經(jīng)元的個(gè)數(shù)也對(duì)整個(gè)神經(jīng)網(wǎng)絡(luò)有重要的影響。除此外還包括學(xué)習(xí)步長(zhǎng)、反向計(jì)算時(shí)的局部梯度、目標(biāo)誤差和指定訓(xùn)練次數(shù)等。

3 試驗(yàn)結(jié)果

將基于骨架的形態(tài)特征骨架點(diǎn)的分支數(shù)（B）、橫軸縱軸比（R）、孔洞數(shù)（H）、整體形狀參數(shù)（F）作為神經(jīng)網(wǎng)絡(luò)的輸入，3種葉螨的歸一化數(shù)據(jù)作為該神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本。試驗(yàn)結(jié)果見(jiàn)表1。

另外，同時(shí)采用基于圖像像素灰度的神經(jīng)網(wǎng)絡(luò)識(shí)別方法來(lái)識(shí)別相同的樣本數(shù)據(jù)，識(shí)別結(jié)果見(jiàn)表2。這種方法采用經(jīng)過(guò)簡(jiǎn)單處理的原始圖像灰度數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)訓(xùn)練數(shù)據(jù)，省去了復(fù)雜的葉螨數(shù)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(jīng)網(wǎng)絡(luò)的輸入。這種方式下，由于輸入模式維數(shù)的增加導(dǎo)致了神經(jīng)網(wǎng)絡(luò)規(guī)模的龐大，占用系統(tǒng)更多的內(nèi)存資源，導(dǎo)致識(shí)別時(shí)間較本研究的基于數(shù)學(xué)形態(tài)學(xué)預(yù)處理的BP神經(jīng)網(wǎng)絡(luò)識(shí)別方法更長(zhǎng)，一般用戶(hù)難以接受。但基于圖像像素灰度的神經(jīng)網(wǎng)絡(luò)識(shí)別方法既采用了全局信息又沒(méi)有忽略細(xì)節(jié)信息，網(wǎng)絡(luò)的抗干擾性能好，識(shí)別率較本研究稍高一些。試驗(yàn)數(shù)據(jù)表明，基于數(shù)學(xué)形態(tài)學(xué)和神經(jīng)網(wǎng)絡(luò)的葉螨識(shí)別方法識(shí)別快、適應(yīng)性強(qiáng)、精度較高。

4 小結(jié)

針對(duì)柑橘始葉螨自動(dòng)識(shí)別問(wèn)題，采用基于骨架的形態(tài)特征提取方法，自動(dòng)提取柑橘始葉螨的骨架數(shù)學(xué)形態(tài)特征，并將其作為BP神經(jīng)網(wǎng)絡(luò)的輸入因子。通過(guò)多次試驗(yàn)，確定合適的BP神經(jīng)網(wǎng)絡(luò)相關(guān)參數(shù)。然后，使用VC++ 6.0設(shè)計(jì)了識(shí)別柑橘始葉螨、柑橘全爪螨和柑橘瘤癭螨3類(lèi)葉螨的原型系統(tǒng)，識(shí)別率均大于90%，每張圖像樣本平均識(shí)別時(shí)間小于1 s，較傳統(tǒng)的采用圖像像素灰度的神經(jīng)網(wǎng)絡(luò)識(shí)別方法識(shí)別時(shí)間有明顯的下降。圖像識(shí)別客觀上受圖像質(zhì)量、圖像種類(lèi)影響較大，本研究?jī)H針對(duì)葉螨家族中的3種螨蟲(chóng)做了探索性的識(shí)別研究，以后將擴(kuò)大螨類(lèi)識(shí)別研究的范圍，針對(duì)不同螨類(lèi)特征，設(shè)計(jì)識(shí)別能力更強(qiáng)的原型系統(tǒng)。

參考文獻(xiàn)：

[1] 高德三，楊瑞生.害蟲(chóng)防治學(xué)[M].北京：中國(guó)農(nóng)業(yè)大學(xué)出版社，2008.

[2] 趙汗青，沈佐銳，于新文. 數(shù)學(xué)形態(tài)特征應(yīng)用于昆蟲(chóng)自動(dòng)鑒別的研究[J].中國(guó)農(nóng)業(yè)大學(xué)學(xué)報(bào)，2002，7（3）：38-42.

[3] 張洪濤，毛罕平，邱道尹.儲(chǔ)糧害蟲(chóng)圖像識(shí)別中的特征提取[J].農(nóng)業(yè)工程學(xué)報(bào)，2009，25（2）：126-130.

[4] 方彩婷.基于BP神經(jīng)網(wǎng)絡(luò)的圖像識(shí)別與跟蹤研究[D].西安：西安電子科技大學(xué)，2006.

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

[6] 馬 駿，王建華.一種基于數(shù)學(xué)形態(tài)學(xué)的植物病蟲(chóng)識(shí)別方法[J].深圳大學(xué)學(xué)報(bào)（理工版），2004，21（1）：72-75.