基于計算機視覺的農(nóng)業(yè)圖像害蟲定位檢測算法

王愛新　李春友　張喆

摘要：目前農(nóng)業(yè)害蟲檢測主要依靠人工作業(yè)，造成效率低下、易受環(huán)境因素和主觀因素影響，故本研究提出了基于計算機視覺的農(nóng)業(yè)害蟲檢測識別算法。首先，融合灰度空間、HSV空間與YUV空間，以線性形式構(gòu)造害蟲區(qū)域粗定位模型；然后基于直方圖均衡化與投影直方圖，分析圖像特征；再基于均值漂移算法，定位害蟲區(qū)域，實現(xiàn)細定位；最后，再提出基于輪廓梯度差的Grabcut算法，精確檢測出害蟲。試驗測試數(shù)據(jù)表明：與當(dāng)前農(nóng)業(yè)害蟲定位檢查技術(shù)相比，本研究算法擁有更高的檢測精度，能精確定位識別害蟲目標。

關(guān)鍵詞：HSV空間；直方圖均衡化；Grabcut；均值漂移算法；計算機視覺；農(nóng)業(yè)圖像；害蟲定位

中圖分類號： TP391.4；S126 文獻標志碼： A 文章編號：1002-1302（2016）07-0361-04

農(nóng)業(yè)是一個國家的安國之本，也是與一個社會每天正常運作息息相關(guān)的。目前世界各國，尤其是發(fā)達國家，已經(jīng)越來越重視農(nóng)業(yè)的生產(chǎn)效率和自動化程度。近幾年來，計算機技術(shù)在不斷發(fā)展并應(yīng)用到農(nóng)業(yè)領(lǐng)域。在這樣的大背景下，將基于計算機視覺為核心技術(shù)的自動化設(shè)備引入農(nóng)業(yè)領(lǐng)域[1-2]，是十分必要的。它不僅可以提高農(nóng)業(yè)生產(chǎn)效率，也可以提高農(nóng)業(yè)產(chǎn)品的質(zhì)量。而計算機視覺技術(shù)可以應(yīng)用于農(nóng)業(yè)的各個領(lǐng)域，比如無人飛機自動導(dǎo)航播種、耕地機器人視覺導(dǎo)航以及農(nóng)業(yè)產(chǎn)品外觀質(zhì)量的視覺檢測。其中的農(nóng)業(yè)產(chǎn)品外觀質(zhì)量的視覺檢測，是直接關(guān)乎農(nóng)業(yè)產(chǎn)品，進而影響人民生活質(zhì)量的。

農(nóng)業(yè)生產(chǎn)中的很多階段，需要對農(nóng)業(yè)產(chǎn)品進行質(zhì)量檢測，檢查是否存在害蟲，從而及時處理，以免影響更大的范圍，可見農(nóng)業(yè)產(chǎn)品外觀質(zhì)量的視覺檢測的重要性[3]。在農(nóng)業(yè)害蟲的檢測中，主要干擾來源有2個：外界光源對圖像質(zhì)量的影響、害蟲圖像背景復(fù)雜?？偠灾?，就是害蟲在圖像中很難與背景分離[4]，即圖像分割有很大的困難。而傳統(tǒng)的檢測技術(shù)主要依賴于人眼，是農(nóng)民自己對農(nóng)產(chǎn)品的每個細節(jié)進行檢查。但是檢查環(huán)境往往很惡劣，同時受天氣干擾，檢查工作很難展開。但是如果采用帶視覺的機器人對其進行檢查并做相應(yīng)處理[5-6]，則可以大大克服環(huán)境與天氣的不利影響，同時具有很高的查出率，檢測精度客觀。

對此，學(xué)者們也做了大量研究，提出了諸如多尺度集合變換去噪算法[7]以及基于濾波值[8]、中值濾波[9-10]的優(yōu)化算法等。本研究提出了基于計算機視覺的農(nóng)業(yè)害蟲檢測識別算法。首先，分別對灰度空間、HSV空間、YUV空間下的圖像特性進行研究，推導(dǎo)每個顏色空間的公式，實現(xiàn)對害蟲圖像目標的粗定位。然后進行直方圖均衡化，以投影直方圖為特性，基于均值漂移算法定位害蟲區(qū)域。最后利用基于輪廓梯度差的Grabcut算法將害蟲摳出圖像，從而完成整個害蟲檢查算法；并測試了本研究算法的檢測精度。

1 檢測架構(gòu)與算法原理

本系統(tǒng)對農(nóng)業(yè)圖像中是否存在害蟲進行檢查，算法結(jié)構(gòu)如圖1所示。其原理是：由于農(nóng)業(yè)產(chǎn)品圖像背景復(fù)雜，顏色繁多，因此考慮把原始RGB圖像分別轉(zhuǎn)換到多個顏色空間，如灰度、HSV、YUV，同時提取出各個分量，經(jīng)過分析后，進行線性運算，即把各個顏色空間的各個分量進行組合，同時引入加權(quán)值，目的是對圖像害蟲目標進行粗定位。然后引入直方圖技術(shù)，圖像均衡歸一化，利于分析，提取反投影直方圖，用于均值漂移定位害蟲區(qū)域，這是細定位。最后粗定位與細定位相結(jié)合，再用GrabCut這個算法函數(shù)將害蟲目標精確勾勒出來。

以圖2為例，該圖像包含許多小蟲，特性淹沒于整個圖像中。同時背景復(fù)雜，有較大的干擾。

1.1 基于顏色空間的害蟲目標粗定位

相機采集圖像原始為RGB顏色空間，分為3個通道R、G、B，每個通道有8位二進制位，總共24位的圖像。然而RGB顏色空間并不適應(yīng)人眼視覺習(xí)慣，也不適用于一些特殊背景的項目開發(fā)，如本系統(tǒng)這種綠色居多的背景；因此需要引入其他顏色空間：HSV、CIEL×a×b、灰度空間。

灰度空間的圖像是單通道的，可以減少數(shù)據(jù)處理量，從而提高系統(tǒng)效率。有3種灰度處理，最大值法處理的圖像亮度整體偏大，見式（1）。平均值法處理的圖像較為柔和，見式（2）。而利用加權(quán)平均值法對RGB的特性進行分析，人眼對綠敏感度最高，紅色次之，藍色最低，據(jù)此分別加上不同的權(quán)值，見式（3）。

綜合分析，只有加權(quán)平均值法是根據(jù)圖像RGB特性分別進行有機組合；而最大值法、平均值法會對圖像特性產(chǎn)生不同程度的失真。故本研究將權(quán)值引入平均值法中，建立加權(quán)平均值法模型；并利用加權(quán)平均值法完成圖像灰度處理。根據(jù)經(jīng)驗，設(shè)置G、R、B的權(quán)值分別為59%、30%、11%。灰度處理后的圖像如圖3所示。

而HSV顏色空間最符合人眼視覺習(xí)慣，見圖4。

1.2 基于均值漂移算法的害蟲目標細定位

在將目標從背景分離后，需精確定位目標，并且確認疑似目標是否確實為系統(tǒng)搜尋目標。不同圖像或者同一圖像的不同區(qū)域的每個灰度值的像素數(shù)是不一樣，故本研究算法引入直方圖來完成。為了便于分析，將直方圖歸一化，即所有項之和等于1，此時各個區(qū)域的直方圖可以看做一個概率函數(shù)，即反投影直方圖。通過嵌入均值漂移算法，計算圖像中每個區(qū)域的反投影直方圖，得出最大概率的位置，即檢測圖像中特定內(nèi)容，如害蟲目標。

算法流程：

（1）統(tǒng)計圖像或區(qū)域像素總個數(shù)，對0～255這256個灰度級的像素數(shù)進行計算。

（2）每個灰度級的像素數(shù)除以總像素數(shù)，即得到經(jīng)過歸一化的直方圖。

（3）對目標區(qū)域的歸一化直方圖，轉(zhuǎn)換為反投影直方圖，即一特征矩陣，記錄各個灰度級在總像素中的比例。

（4）從圖像初始位置開始，迭代移動，計算各個區(qū)域的反投影直方圖，鎖定圖像中該概率函數(shù)的最大值，完成圖像目標定位。整個算法流程如圖7所示。

以單個害蟲為例，見圖8；依照上面的算法流程，得到害蟲區(qū)域細定位即圖9所示。

1.3 基于Grabcut算法的害蟲精確檢測

GrabCut是微軟研究院的一個課題，主要功能是分割和摳圖。其優(yōu)點在于：只需要在目標外面畫一個框，把目標框住，它就可以完成良好的分割。由于本研究之前基于粗定位與細定位已經(jīng)將目標的區(qū)域鎖定，因此此時非常適合采用OpenCV函數(shù)GrabCut來分割出害蟲目標，分割結(jié)果如圖10所示。

該算法利用了圖像中的紋理（顏色）信息和邊界（反差）信息，只要少量的用戶交互操作即可得到比較好的分割結(jié)果。本研究的用戶交互操作就是之前粗定位與細定位提供的害蟲區(qū)域，基于該區(qū)域，再利用GrabCut進行處理。

本研究基于OpenCV函數(shù)實現(xiàn)，下面對該函數(shù)進行介紹。GrabCut函數(shù)的第一個參數(shù)為我們要處理的圖像，本程序中就是image，圖像的類型必須為：CV_8UC3。第二個參數(shù)是mask圖像，它的大小和image一樣，但是它的格式為CV_8UC1，只能是單通道的，Grabcut算法的結(jié)果就保存在該圖像中。OpenCV中GrabCut函數(shù)：

cv：：grabCut（image，result，rectangle，bgModel，fgModel，1，cv：：GC_INIT_WITH_RECT）。

2 試驗與討論

借助VS2010工具完成算法性能測試。為了體現(xiàn)本研究算法的優(yōu)異性，將文獻[11]的方法視為對照組。以圖11為目標，利用本研究算法與對照組技術(shù)，對害蟲完成檢測。部分試驗參數(shù)設(shè)置如下：灰度空間轉(zhuǎn)換，根據(jù)經(jīng)驗，設(shè)置G、R、B的權(quán)值分別為59%、30%、11%。線性運算公式如式（12）所示。

本研究先利用各個顏色空間圖像分量，并整合后線性運算，完成粗定位，后利用均值漂移算法，以各個像素級在區(qū)域圖像所占比例完成細定位，最后又采用GrabCut算法函數(shù)勾勒出分割檢測效果，如圖12所示。對照組單純使用圖像灰度閾值來做檢測，有一定的檢測效果，但是也存在明顯的誤檢和漏檢，如圖13所示。

3 結(jié)論

為了實現(xiàn)基于計算機視覺的農(nóng)業(yè)害蟲排查，本研究對農(nóng)業(yè)害蟲的圖像特性展開深入分析。首先對各個顏色空間的數(shù)學(xué)公式原理進行分析，并將圖像轉(zhuǎn)換到各個空間。然后進行各分量線性運算，得包含害蟲的二值圖像。對直方圖、反投影直方圖、均值漂移算法進行研究，對害蟲進行粗定位。最后采用OpenCV的函數(shù)GrabCut將害蟲目標分割顯示，從而展示了本算法的有效性。試驗結(jié)果表明：本機制具有很好的害蟲識別精度和效率，可以用于大批量農(nóng)業(yè)害蟲檢測。

參考文獻：

[1]楊 青. 基于農(nóng)業(yè)視覺圖像的高效濾波處理方法[J]. 江蘇農(nóng)業(yè)科學(xué)，2014，42（4）：361-363.

[2]張樹行，沈希忠，李宗杰，等. 基于手機彩信通信和圖像處理技術(shù)的農(nóng)業(yè)專家系統(tǒng)研究[J]. 安徽農(nóng)業(yè)科學(xué)，2013，41（33）：13054-13055，13084.

[3]李 輝，滕桂法，張 燕. 數(shù)字圖像處理技術(shù)及其在農(nóng)業(yè)中的應(yīng)用研究[J]. 安徽農(nóng)業(yè)科學(xué)，2013，41（13）：6060-6061，6072.

[4]劉華鋒，蘇艷剛. 結(jié)合邊緣檢測的農(nóng)業(yè)圖像非局部均值濾波算法[J]. 江蘇農(nóng)業(yè)科學(xué)，2015，43（6）：402-403，447.

[5]肖德琴，黃順彬，殷建軍，等.基于嵌入式應(yīng)用的高分辨率農(nóng)業(yè)圖像采集節(jié)點設(shè)計[J]. 農(nóng)業(yè)機械學(xué)報，2014，45（2）：276-281.

[6]宋革聯(lián)，韓瑞珍，張永華，等. 基于無線傳輸技術(shù)的農(nóng)田害蟲檢測與識別系統(tǒng)的開發(fā)[J]. 浙江大學(xué)學(xué)報：農(nóng)業(yè)與生命科學(xué)版，2014，40（5）：585～590.

[7]Starck J L ，Candès E J，Donoho D L.The curvelet transform for image denoising[J]. IEEE Transactions on Image Processing，2002，11（6）：670-684.

[8]Shreyamsha Kumar B K. Image denoising based on non-local means filter and its method noise thresholding[J]. Signal，Image and Video Processing，2013，7（6）：1211-1227.

[9]張麗果. 快速非局部均值濾波圖像去噪[J]. 信號處理，2013，29（8）：1043-1049.

[10]陳云波，於雪琴. 一種結(jié)合數(shù)學(xué)形態(tài)學(xué)和LOG算子的遙感圖像邊緣檢測方法[J]. 河南科學(xué)，2013，31（12）：2182-2185.

[11]宋革聯(lián)，韓瑞珍，張永華. 基于無線傳輸技術(shù)的農(nóng)田害蟲檢測與識別系統(tǒng)的開發(fā)[J]. 浙江大學(xué)學(xué)報：農(nóng)業(yè)與生命科學(xué)版，2014，40（5）：585-590.