基于神經(jīng)網(wǎng)絡(luò)的棗樹紅蜘蛛識別研究

邱道尹，李俊霞，楊利濤

(1.華北水利水電大學電力學院，河南鄭州 450011;2.華北水利水電大學信息工程學院，河南鄭州 450011)

棗樹是我國的一大特色和優(yōu)勢資源，其適應性強、食療價值高、經(jīng)濟和生態(tài)效益顯著，棗樹蟲害不僅影響紅棗的產(chǎn)量和質(zhì)量，且會導致棗樹整株死亡，嚴重制約紅棗產(chǎn)業(yè)的發(fā)展及經(jīng)濟效益的發(fā)揮。

事實上，對病蟲害綜合防治的關(guān)鍵是準確地識別害蟲。只有準確識別，才能做到有目的防治［1］。而現(xiàn)階段我國大部分是依靠專家的經(jīng)驗知識得出診斷結(jié)論，然后用戶通過蟲害的圖像信息與觀察到的特征進行人工比對后再進一步的確認，但由于用戶在認識上的主觀性和不全面性，推理結(jié)果存在著準確率低、識別效果不佳、對專家依賴性大等弊端［2］。

近年來，計算機視覺、圖像處理、人工神經(jīng)網(wǎng)絡(luò)等技術(shù)的發(fā)展，使蟲害識別技術(shù)得到了廣泛應用［3］。本文的研究正是利用此方法構(gòu)建圖像自動分類器，實現(xiàn)棗樹蟲害圖像的自動識別，為降低難度，文中僅對一種主要的棗樹害蟲——紅蜘蛛進行識別研究，由此積累有益的經(jīng)驗。

1 圖像預處理

實驗選擇CanonA700型數(shù)碼相機拍攝紅蜘蛛的靜態(tài)照片，生成24位真彩色圖像。并將圖像保存在特定文件夾下，供后續(xù)處理。以下為識別系統(tǒng)的總體框圖，如圖1所示，其中圖像預處理的過程主要包括，圖像的灰度化、圖像增強和二值化等，為后續(xù)的特征提取做好準備。

1.1 灰度處理

由于使用數(shù)碼照相機所采集的圖像通常均采用24位真彩色來存儲圖像，可最大限度的保證圖像信息的完整性。但是彩色位圖不但存儲占用空間大，且對每個像素處理都要進行兩次加運算，為簡化這些問題可將彩色圖像灰度化。彩色圖像可由式(1)轉(zhuǎn)化為灰度圖像，圖2所示為對原圖像灰度化的結(jié)果

圖1 害蟲圖像處理流程圖

圖2 灰度化

1.2 圖像增強處理

對圖像進行增強處理的目的，一是為了突出圖像中的某些信息，削弱或消除某些不需要的信息，改善圖像的視覺效果，提高圖像的清晰度。二是為了突出圖像病害部位邊緣輪廓，便于計算機處理，以便更好地進行特征分析。本文采用直方圖均衡化方法，其基本思想是對原圖像中的像素做某種映射變換，使變換后的圖像灰度的概率密度呈均勻分布，即變換后圖像是一幅灰度級均勻分布的圖像，這意味著圖像灰度的動態(tài)范圍得到了增加，從而可提高圖像的對比度［4］。圖3為對原灰度圖像進行直方圖均衡化的效果。

圖3 直方圖均衡化

1.3 圖像二值化

圖像二值化是將目標與背景分離出的方法，即將目標像素和背景像素分別用0和1加以標記，以利于幾何特征的提取。其關(guān)鍵是選取恰當?shù)拈撝?，閾值選取的恰當與否直接影響到感興趣特征的提取。利用Matlab實現(xiàn)了OTSU確定閾值的算法，對紅蜘蛛的灰度圖像進行二值化圖像分割，圖4顯示了采用該方法后的結(jié)果。

圖4 二值化

2 圖像特征提取

要建立一個能識別不同種類對象的系統(tǒng)，首先必須確定識別對象的特性，以產(chǎn)生描述參數(shù)。而所得的參數(shù)值組成了每個對象的特征向量。適當?shù)剡x擇特征是極為重要的，這是因為在識別對象時特征向量是唯一的依據(jù)［5］。

文中通過研究紅蜘蛛的體態(tài)特征，選擇提取顏色和幾何兩大類特征。下面分別介紹兩類特征的操作方法。

(1)顏色特征。害蟲身上的顏色是識別害蟲的重要依據(jù)，基于此認識，在HSI模型中，亮度分量I與圖像的彩色信息無關(guān)，色度H和飽和度S分量與人們感受顏色的原理相似，相比RGB模型更易保證識別結(jié)果。故本文采用 HSI模型，按文獻將 RGB轉(zhuǎn)化為 HSI［6］

其中

由于顏色矩相比于其他顏色特征有特征向量維數(shù)低且具有選擇、縮放不變性等特點。因此本文采用圖像HSI空間下的H、S、I分量的顏色矩作為識別參數(shù)來表達棗蟲害的顏色參數(shù)。

顏色矩(Color Moments)是一種簡單而有效的顏色特征［7］。顏色矩的思想是圖像中的顏色分布可用其矩來表示。由于顏色分布信息主要集中在低階顏色矩中，因此僅采用顏色的一階中心矩、二階中心矩和三階中心矩便可表達圖像的顏色特征。以上3種矩分別表示圖像的平均顏色、標準方差和三次根非對稱性。該方法的另一個好處在于:其無需對顏色特征進行向量化。其表示如下

其中，A代表圖像像素總數(shù);P代表彩色HSI圖像經(jīng)過合成后的一維灰度圖像在二維空間坐標處的像素值。該方法用于顏色匹配相比直方圖具有更好的魯棒性，但因并未考慮像素的空間位置，故該方法仍存在精確度和準確度不足的缺點。

(2)幾何特征。在許多模式識別的問題中，幾何特征通常是重要的。其描述目標區(qū)域的幾何性質(zhì)，與區(qū)域的顏色無關(guān)。因此這里主要是對圖像預處理階段所得到的二值化圖像進行操作。在此進行特征提取即是對害蟲目標的圖像像素灰度值經(jīng)過統(tǒng)計計算來產(chǎn)生一組原始特征。針對害蟲目標圖像本身的特點，本系統(tǒng)主要針對目標圖像面積、周長進行識別分類。1)目標面積。指圖像中目標所占的像素點總數(shù)，其中圖像的大小為M×N。2)目標周長。指目標輪廓的像素點總數(shù)。邊界點采用8鄰域來描述區(qū)域邊界［1］。

通過以上方法，文中提取了樣本的11個特征值，如表1所示

表1 樣本特征值

3 人工神經(jīng)網(wǎng)絡(luò)分類器設(shè)計

人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network)是一種模擬人腦神經(jīng)元細胞的網(wǎng)絡(luò)結(jié)構(gòu)和功能，其運用大量的處理部件，并是由人工方式建立起自適應非線性動態(tài)系統(tǒng)。其中，在模式識別領(lǐng)域中應用最廣、最成功的是基于BP算法的前饋網(wǎng)絡(luò)［8］，用上文特征提取棗蟲害的面積、周長、顏色矩作為特征矢量輸入，而特征矢量的個數(shù)決定了BP網(wǎng)絡(luò)的輸入層節(jié)點數(shù)，因此本文所采用的BP網(wǎng)絡(luò)輸入層有11個神經(jīng)元，隱含層神經(jīng)元的個數(shù)為23?；诂F(xiàn)有條件的限制，實驗中，取棗蟲害樣本庫中紅蜘蛛1種病蟲害的10幅圖片用于學習，測試樣本3幅圖片用于驗證識別的有效性。由于本文識別的是一種棗蟲害樣本，故輸出神經(jīng)元的個數(shù)為2。期望輸出的編碼如表2所示。

表2 輸出值

在具體操作中，可借助Matlab軟件來實現(xiàn)識別的神經(jīng)網(wǎng)絡(luò)分類器。文中采用Matlab7.0神經(jīng)網(wǎng)絡(luò)工具箱中BP網(wǎng)絡(luò)作為分類器模型，按一般的設(shè)計方案，網(wǎng)絡(luò)中間的神經(jīng)元傳遞函數(shù)采用S型正切函數(shù)Tansig，輸出層神經(jīng)元傳遞函數(shù)采用S型對數(shù)函數(shù)Logsig。訓練次數(shù)設(shè)定為100，誤差＜0.01。之所以采取S型對數(shù)函數(shù)，是因該函數(shù)為0～1函數(shù)，恰好滿足分類器的輸出要求［6］。

4 實驗結(jié)果與展望

實驗選取了200張不同情況下的紅蜘蛛圖像對算法進行了驗證，應用上述方案進行識別試驗，BP網(wǎng)絡(luò)訓練全部收斂，且收斂速度較快。實驗中采用識別率來對算法的效率進行估計，可定義如下

實驗結(jié)果如表3所示，可以看到，分類器訓練識別率達95.3%，該結(jié)果令人滿意。

表3 算法實驗結(jié)果

而下一步的研究工作是，在此方法的基礎(chǔ)上，進一步尋求更有效識別紅蜘蛛的特征方法，同時增加識別害蟲的種類，并研究提取害蟲的紋理、翅脈等更為有效的整體特征和局部特征及多分類器的信息融合。從而開發(fā)出通用性、適應性更強的識別系統(tǒng)，以滿足農(nóng)業(yè)生產(chǎn)的需要。

［1］ZHANG Hongtao，HU Yuxia，ZHANG Heng yuan.Extraction and classifier design for image recognition of insect pests on field crops［J］.Advanced Materials Research，2013，756 －759:4063－4067.

［2］FAITHPRAISE F，PHILIP B，RUPERT Y，et al.Automatic plant pest detection and recognition using k－means clustering algorithm and correspondence filters［J］.International Journal of Advanced Biotechnology and Research，2013，4(2):189－199

［3］ZHANG Jie，WANG Rujing，XIE Chengjun，et al.An algorithm for segmenting pest from crop pest image with complicated background［J］.Journal of Computational Information Systems，2013，9(10):3857 －3864

［4］YANG Ying，PENG Bo，WANG Jianqin.A system for detection and recognition of pests in stored－grain based on video analysis［J］.Computer and Computing Technologies in Agriculture IVIFIP Advances in Information and Communication Technology，2011，34(4):119 －124.

［5］王東.早蟲害圖像自動識別關(guān)鍵技術(shù)研究［D］.保定:河北農(nóng)業(yè)大學，2011.

［6］CARVALHO B M，GAU CJ，HERMAN GT，et al.Digital image processing［M］.New Jersey:Prentice －Hall，Inc.，2001.

［7］李偉，向健勇，陳曦.高速超分辨率圖像處理系統(tǒng)［J］.電子科技，2006(1):20－24.

［8］雷建鋒，孫俊逸.基于人工神經(jīng)網(wǎng)絡(luò)下的圖像識別的研究［J］.現(xiàn)代電子技術(shù)，2008(8):127 －130.

［9］飛思科技產(chǎn)品研發(fā)中心.神經(jīng)網(wǎng)絡(luò)理論與Matlab7實現(xiàn)［M］.北京:電子工業(yè)出版社，2005.

［10］陳悅，趙衛(wèi)東，王志成，等.基于區(qū)域競爭分割結(jié)果的體繪制研究［J］.計算機仿真，2008(11):200－203，207.