基于圖像處理的薊馬計(jì)數(shù)方法研究

王茂林，榮二花，張利軍，賀曉紅，武文卿，李亞林，郝曉娟，郭艷瓊，馬瑞燕，趙 清，趙志國(guó)

（1.山西農(nóng)業(yè)大學(xué)農(nóng)學(xué)院，山西太谷030801；2.太谷縣植物保護(hù)植物檢疫站，山西太谷030800；3.山西省農(nóng)業(yè)科學(xué)院園藝研究所，山西太原030031）

隨著農(nóng)業(yè)經(jīng)濟(jì)的迅速發(fā)展，如何快速準(zhǔn)確地監(jiān)測(cè)害蟲(chóng)成為農(nóng)業(yè)生產(chǎn)的一個(gè)重要問(wèn)題。對(duì)于害蟲(chóng)的監(jiān)測(cè)與預(yù)防，需要從蟲(chóng)害的發(fā)生初期就對(duì)害蟲(chóng)進(jìn)行精確、快速地監(jiān)測(cè)與計(jì)數(shù)，從而準(zhǔn)確獲取蟲(chóng)害信息并且進(jìn)行害蟲(chóng)防治[1]。在實(shí)踐中，害蟲(chóng)的預(yù)測(cè)預(yù)報(bào)主要依靠人工。但是，在人工調(diào)查時(shí)，人們運(yùn)用放大鏡對(duì)害蟲(chóng)進(jìn)行計(jì)數(shù)，不僅工作量大、效率低，而且不能對(duì)害蟲(chóng)進(jìn)行精確地識(shí)別與計(jì)數(shù)，影響了害蟲(chóng)的監(jiān)測(cè)結(jié)果，因此，探索一種實(shí)時(shí)、準(zhǔn)確的監(jiān)測(cè)害蟲(chóng)技術(shù)成為害蟲(chóng)防治的前提和關(guān)鍵[2]。

為了對(duì)薊馬害蟲(chóng)進(jìn)行預(yù)測(cè)預(yù)報(bào)需要誘集薊馬害蟲(chóng)，目前，我國(guó)已經(jīng)對(duì)薊馬害蟲(chóng)的誘捕方法進(jìn)行了大量研究。米娜[3]通過(guò)對(duì)薊馬趨光規(guī)律和不同波長(zhǎng)色板田間誘捕效果進(jìn)行研究，結(jié)果發(fā)現(xiàn)，450 nm的藍(lán)色自制黏蟲(chóng)色板和反射波長(zhǎng)為440～470 nm的誘蟲(chóng)色板對(duì)薊馬的誘蟲(chóng)效果最好。劉陽(yáng)等[4]通過(guò)對(duì)藍(lán)色黏蟲(chóng)板在不同高度、時(shí)間段對(duì)牛角花齒薊馬的誘集效果進(jìn)行研究，結(jié)果表明，黏蟲(chóng)板距植物頂部10 cm 時(shí)，誘捕效果最好；黏蟲(chóng)板在10：00 對(duì)薊馬的誘集數(shù)量最多。李煒等[5]運(yùn)用不同顏色的黏蟲(chóng)板對(duì)春季茶園做綠色防控，結(jié)果表明，藍(lán)色黏蟲(chóng)板對(duì)薊馬的誘殺效果最好。大量研究結(jié)果表明，藍(lán)色黏蟲(chóng)板對(duì)薊馬的誘捕效果最好。

同時(shí)，我國(guó)在害蟲(chóng)圖像診斷研究方面已取得了一定的進(jìn)展。ZHAO 等[1]通過(guò)運(yùn)用圖像處理方法和邏輯模型，對(duì)梨小食心蟲(chóng)圖像進(jìn)行灰度化、分離和形態(tài)分析，實(shí)現(xiàn)了對(duì)梨小食心蟲(chóng)的自動(dòng)計(jì)數(shù)，并構(gòu)建邏輯斯諦模型進(jìn)行梨小食心蟲(chóng)的防治關(guān)鍵時(shí)期的預(yù)報(bào)，實(shí)現(xiàn)了對(duì)梨小食心蟲(chóng)種群的控制。張震等[6]運(yùn)用圖像處理方法對(duì)螞蟻進(jìn)行計(jì)數(shù)研究，通過(guò)對(duì)圖像灰度化、銳化、二值化等處理，獲得的螞蟻數(shù)量準(zhǔn)確率較高，通過(guò)圖像處理可以取得較好的效果。張成龍[7]基于計(jì)算機(jī)視覺(jué)技術(shù)對(duì)菜用大豆和豌豆的豆莢內(nèi)是否存在害蟲(chóng)進(jìn)行了檢測(cè)。桂便等[8]基于卷積神經(jīng)網(wǎng)絡(luò)對(duì)儲(chǔ)糧害蟲(chóng)進(jìn)行識(shí)別，選取了5 種儲(chǔ)糧害蟲(chóng)作為訓(xùn)練樣本，運(yùn)用卷積網(wǎng)絡(luò)的Alexnet 模型對(duì)儲(chǔ)糧害蟲(chóng)進(jìn)行識(shí)別，準(zhǔn)確度達(dá)到97.62%。樊景超[9]通過(guò)MobileNets 構(gòu)建深度學(xué)習(xí)模型對(duì)果園害蟲(chóng)進(jìn)行分類識(shí)別，對(duì)6 種果園害蟲(chóng)識(shí)別的準(zhǔn)確率均在90%以上。目前，研究對(duì)象主要集中在大于5 mm 的昆蟲(chóng)，對(duì)于2 mm 下的昆蟲(chóng)研究在算法和軟件精準(zhǔn)識(shí)別和計(jì)數(shù)上還存在一定的問(wèn)題。

本研究以薊馬為研究對(duì)象，通過(guò)運(yùn)用害蟲(chóng)誘捕器、遠(yuǎn)程傳輸系統(tǒng)和自動(dòng)計(jì)數(shù)軟件，實(shí)現(xiàn)對(duì)薊馬的遠(yuǎn)程監(jiān)測(cè)。其中，自動(dòng)化計(jì)數(shù)軟件以O(shè)penCV 圖像處理和VGG19 深度神經(jīng)網(wǎng)絡(luò)模型相結(jié)合的基本手段，通過(guò)OpenCV 模塊獲取最佳的顏色分割通道對(duì)圖像進(jìn)行裁剪。對(duì)裁剪后的圖像進(jìn)行高斯濾波處理，去除圖像噪聲。再對(duì)圖像進(jìn)行灰度化、閾值化和二值化處理，利用低通濾波器、形態(tài)學(xué)開(kāi)操作得到清晰的二值圖像，利用Canny 算子進(jìn)行輪廓檢測(cè)，獲取所有輪廓的目標(biāo)圖像，繼而獲取每個(gè)輪廓的RGB 圖像。運(yùn)用VGG19 深度神經(jīng)網(wǎng)絡(luò)對(duì)目標(biāo)圖像進(jìn)行識(shí)別鑒定，從而將薊馬篩選出來(lái)，統(tǒng)計(jì)所有的薊馬圖像并計(jì)數(shù)，最終實(shí)現(xiàn)對(duì)薊馬準(zhǔn)確快速識(shí)別與計(jì)數(shù)。本研究運(yùn)用OpenCV 圖像處理方法和VGG深度神經(jīng)網(wǎng)絡(luò)相結(jié)合的方法對(duì)薊馬進(jìn)行識(shí)別與計(jì)數(shù)，提高了薊馬監(jiān)測(cè)的效率和準(zhǔn)確率。

1 材料和方法

1.1 試驗(yàn)材料

試驗(yàn)在山西省晉中市太谷縣烏馬河附近的蔬菜大棚中進(jìn)行。試驗(yàn)通過(guò)薊馬誘捕器、遠(yuǎn)程圖像傳輸、自動(dòng)化計(jì)數(shù)軟件實(shí)現(xiàn)對(duì)薊馬的遠(yuǎn)程監(jiān)測(cè)。薊馬害蟲(chóng)誘捕器由三角形誘捕器、薊馬誘芯和藍(lán)色黏蟲(chóng)板組成，并在三角形誘捕器兩端放置2.38 mm 篩孔的防蟲(chóng)網(wǎng)。圖像遠(yuǎn)程傳輸系統(tǒng)運(yùn)用樹(shù)莓派將采集的薊馬圖像遠(yuǎn)程上傳到對(duì)象存儲(chǔ)服務(wù)器。圖像采集設(shè)備使用自主研發(fā)遠(yuǎn)程監(jiān)控?cái)z像頭，按需求定時(shí)獲取薊馬圖像，本試驗(yàn)設(shè)置每2 h 采集一次薊馬圖像。在害蟲(chóng)初期，溫室內(nèi)害蟲(chóng)較少，每7 d 更換一次藍(lán)色黏蟲(chóng)板；中后期害蟲(chóng)數(shù)量迅速增加，每3 d 更換一次藍(lán)色黏蟲(chóng)板。OpenCV 是開(kāi)源的計(jì)算機(jī)視覺(jué)和機(jī)器學(xué)習(xí)庫(kù)，提供了C++、C、Python、Java 接口，并支持Linux、Mac、Android 和Windows 系統(tǒng)。OpenCV 提供了很多函數(shù)，實(shí)現(xiàn)了從最基本的濾波到高級(jí)的物體檢測(cè)等計(jì)算機(jī)視覺(jué)算法。因此，本試驗(yàn)在Python 環(huán)境下使用OpenCV 實(shí)現(xiàn)對(duì)薊馬害蟲(chóng)的識(shí)別與計(jì)數(shù)。

1.2 試驗(yàn)方法

1.2.1 圖像處理方法

1.2.1.1 讀取薊馬圖片 在計(jì)算機(jī)內(nèi)存中讀取薊馬RGB 圖片，薊馬圖片的保存類型為二進(jìn)制文件，圖像的輸入和輸出為uint8 類型。

1.2.1.2 選取最佳的顏色分割通道 在讀取的RGB 圖像中，除了需要獲取的薊馬藍(lán)色黏蟲(chóng)板圖像外，還存在著其他背景像素，背景像素會(huì)對(duì)薊馬圖像識(shí)別造成干擾，因此，需要?jiǎng)h除其他背景像素，只提取實(shí)際的藍(lán)色黏蟲(chóng)板圖像。為了將藍(lán)色黏蟲(chóng)板圖像與背景進(jìn)行較好地區(qū)分，需要尋找圖像最佳的顏色通道。本試驗(yàn)通過(guò)對(duì)圖像的RGB、Lab 和HSV 的9 個(gè)通道進(jìn)行比較，結(jié)果表明，HSV Color 空間的H通道對(duì)藍(lán)色黏蟲(chóng)板圖像和背景圖像區(qū)分效果最佳。因此，選用H 通道進(jìn)行后續(xù)的圖像處理。

1.2.1.3 圖像分割 圖像分割是圖像處理技術(shù)的一種重要方法。在對(duì)圖像的處理過(guò)程中，人們只會(huì)獲取感興趣的部分圖像，這些感興趣的圖像部分被稱為目標(biāo)和前景[10]。其中，圖像中的具有薊馬像素的藍(lán)色黏蟲(chóng)板就是目標(biāo)像素。對(duì)于圖像的分割，本試驗(yàn)采用K 均值聚類對(duì)圖像進(jìn)行分割處理。在H 通道上，通過(guò)K 值聚類，選擇2 個(gè)聚類進(jìn)行K 均值聚類分析，其中，一個(gè)聚類為前景帶有薊馬的藍(lán)色黏蟲(chóng)板圖像，另一個(gè)聚類為不需要的背景圖像。對(duì)聚類后H 通道圖像進(jìn)行裁剪，去除所有的黑色背景像素（刪除像素值為0 的像素），得到薊馬的藍(lán)色黏蟲(chóng)板圖像。

1.2.1.4 高斯濾波去噪 在獲取薊馬的黏蟲(chóng)板圖像時(shí)，由于成像設(shè)備、環(huán)境、光照以及拍攝背景等因素的影響，在成像過(guò)程中容易產(chǎn)生一定的噪聲。圖像中的噪聲不僅影響圖像的觀看，而且也會(huì)對(duì)圖像的處理造成重大影響，降低圖像處理結(jié)果的準(zhǔn)確性。因此，采用高斯濾波去噪的方法處理藍(lán)色黏蟲(chóng)板圖像，以消除圖像噪聲。

1.2.1.5 二值化圖像 目標(biāo)圖像的二值化操作方法是通過(guò)灰度直方圖選取最佳的閾值，將256 個(gè)亮度等級(jí)的灰度圖像通過(guò)閾值分割獲得可以反映圖像整體和局部特征的二值圖像。其中，在灰度圖像中，大于閾值的像素值設(shè)置為255，顯示為白色；小于閾值的像素值設(shè)置為0，顯示為黑色。將去噪后的藍(lán)色黏蟲(chóng)板圖像進(jìn)行二值化處理，使灰度圖像轉(zhuǎn)化為黑白圖像。

1.2.1.6 圖像開(kāi)操作 開(kāi)運(yùn)算是將輸入圖像先被結(jié)構(gòu)元素腐蝕，然后再被結(jié)構(gòu)元素膨脹的結(jié)果[11]。開(kāi)運(yùn)算不僅可以使圖像的其他像素轉(zhuǎn)化為背景，而且開(kāi)運(yùn)算在黏連目標(biāo)的分離及背景噪聲（椒鹽噪聲）的去除方面有較好的效果，可以起到低通濾波的作用。圖像經(jīng)過(guò)分割處理后，對(duì)于出現(xiàn)的噪聲，本試驗(yàn)采用開(kāi)操作對(duì)二值圖像進(jìn)行處理。

1.2.1.7 圖像邊緣檢測(cè) 目標(biāo)圖像的邊緣檢測(cè)方法是圖像分析中非常重要的一種方法，被廣泛地應(yīng)用于區(qū)域形狀提取、目標(biāo)區(qū)域識(shí)別和圖像分割等圖像處理操作中。圖像的邊緣檢測(cè)有利于圖像識(shí)別過(guò)程中目標(biāo)像素特征的提取。在圖像中，每個(gè)物體邊界上的像素點(diǎn)，在像素周圍存在梯度變化的像素值。采用灰度的變化方向和大小來(lái)表示圖像灰度值的變化特征[12]。

1.2.1.8 獲取圖像輪廓 在計(jì)算機(jī)視覺(jué)中，輪廓檢測(cè)是另一個(gè)比較重要的任務(wù)，不單是用來(lái)檢測(cè)圖像中物體的輪廓，而且還有其他操作（多邊形邊界、形狀逼近和計(jì)算感興趣區(qū)域）與輪廓檢測(cè)有關(guān)[13]。

1.2.1.9 獲取感興趣區(qū)域圖像 通過(guò)獲取圖像輪廓，獲取每個(gè)輪廓的坐標(biāo)，將輪廓內(nèi)區(qū)域從藍(lán)色黏蟲(chóng)板圖像上裁剪下來(lái)，生成若干個(gè)可能是薊馬的圖像。對(duì)若干的目標(biāo)圖像進(jìn)行保存。

1.2.1.10 VGG19 網(wǎng)絡(luò)進(jìn)行薊馬識(shí)別與計(jì)數(shù) 對(duì)于獲取的若干個(gè)目標(biāo)圖像，運(yùn)用已經(jīng)訓(xùn)練好的VGG19 深度神經(jīng)網(wǎng)絡(luò)模型實(shí)現(xiàn)對(duì)目標(biāo)圖像的鑒定，判斷目標(biāo)圖像是否為薊馬，如果目標(biāo)圖像是薊馬，統(tǒng)計(jì)所有是薊馬圖像個(gè)數(shù)，完成對(duì)整個(gè)藍(lán)色黏蟲(chóng)板圖像的薊馬計(jì)數(shù)。

1.2.2 圖像處理算法

1.2.2.1 K 均值聚類 為了實(shí)現(xiàn)藍(lán)色黏蟲(chóng)板圖像的聚類，完成圖像分割，本試驗(yàn)采用K 均值聚類。K 均值聚類算法是一種需要進(jìn)行多次運(yùn)算求解的圖像處理方法，K 均值聚類首先需要在圖像上隨機(jī)地選取K 個(gè)點(diǎn)作為均值聚類的聚類中心，其中，K 值為需要對(duì)圖像像素進(jìn)行分類的類別個(gè)數(shù)[14]。分別計(jì)算圖像上每個(gè)像素到各個(gè)聚類中心點(diǎn)的距離，根據(jù)該距離的大小，把每個(gè)像素點(diǎn)和距離最近的聚類中心分為一類。每完成一次聚類，都要對(duì)聚類中心進(jìn)行重新計(jì)算。這個(gè)過(guò)程需要進(jìn)行多次迭代直到?jīng)]有像素被重新計(jì)算為止。

K-Means 算法為迭代型聚類算法，以距離大小作為分類指標(biāo)，從而將像素分為K 個(gè)類，而且每個(gè)聚類中心都是通過(guò)求平均值的方法得到的[15]。根據(jù)給定的一個(gè)（包含n 個(gè)一維以及一維以上的數(shù)據(jù)點(diǎn)的）數(shù)據(jù)集X，將X 的數(shù)值分為K 個(gè)類別，運(yùn)用歐式距離進(jìn)行相似性分類，要求K 個(gè)聚類目標(biāo)的聚類平方和最小，即最小化。

1.2.2.2 高斯濾波去噪 對(duì)于圖像的去噪，本試驗(yàn)采用高斯模糊來(lái)處理圖像。高斯模糊主要運(yùn)用傅里葉變換，基于傅里葉變換，本試驗(yàn)通過(guò)采用低通濾波器（LowPass Filer，LPF）來(lái)消除圖像噪聲。低通濾波器是在像素與周圍像素的亮度差值小于一個(gè)特定值時(shí)，平滑該像素的亮度[16]。高斯模糊是最常用的低通濾波器之一，它是削弱高頻信號(hào)強(qiáng)度的低通濾波器。通過(guò)高斯濾波處理，可以去除圖像噪聲，為圖像進(jìn)行分割處理做準(zhǔn)備。

1.2.2.3 圖像邊緣檢測(cè) 圖像中所有物體的像素點(diǎn)，其邊界的像素都在灰度級(jí)的變化，物體與周圍環(huán)境的差別越大，則像素的灰度值變化越明顯。其中，這種變化最主要的特征為灰度值變化的梯度方向和幅值大小。

圖像的像素值在邊緣上差值較大，其像素差值的導(dǎo)數(shù)存在局部最大值。因此，通過(guò)獲取像素差值的局部最大值和梯度方向就可以得到圖像的邊緣。

已知像素f（x，y）在沿梯度r 的方向定義如下。

由于梯度模算子具有各向同性和位移不變性的特點(diǎn)，可以運(yùn)用到圖像的邊緣檢測(cè)，而像素值變化的方向即邊界的方向，則可由像素點(diǎn)的正切函數(shù)的反函數(shù)得到。

試驗(yàn)中，梯度模算子運(yùn)用微分算子來(lái)表示，通過(guò)對(duì)微分算子的卷積函數(shù)來(lái)獲取梯度。

微分算子主要有Canny 算子、Roberts 算子、Prewitt 算子、Soble 算子以及Isotropic Soble 算子，本研究使用Canny 算子進(jìn)行卷積。Canny 算子在階梯型邊緣檢測(cè)中效果最好。Canny 算子的實(shí)現(xiàn)步驟如下：（1）將圖像進(jìn)行卷積來(lái)消除噪聲，運(yùn)用2D 高斯濾波模板進(jìn)行卷積。（2）利用Sobel 算子找到灰度值的導(dǎo)數(shù)Gx、Gy。（3）運(yùn)用Gx、Gy的值求出梯度變化的方向。（4）計(jì)算邊緣的方向。需要把圖像邊緣的梯度方向分為0°、45°、90°、135°，并且記錄各梯度方向上的像素值。（5）對(duì)像素值計(jì)算進(jìn)行迭代。圖像像素的灰度值為g，其中，在梯度方向上，只要像素的灰度值g 小于等于任意一個(gè)相鄰的像素值，則將該像素的灰度值g 等于0，即該像素不屬于邊緣像素。（6）圖像邊緣檢測(cè)。通過(guò)所有像素與灰度直方圖中2 個(gè)閾值g1、g2的大小來(lái)確定圖像邊緣，其中，g1＞g2。如果像素與閾值g1差值大于0，則這個(gè)像素為圖像邊緣；如果該像素與閾值g2差值小于0，則這個(gè)像素不是邊緣；如果像素值介于g1和g2之間，那么這個(gè)像素周圍的其他像素值若都是小于閾值的像素，則該像素為邊緣像素，否則不是。

1.2.2.4 VGG 卷積神經(jīng)網(wǎng)絡(luò) VGG 網(wǎng)絡(luò)模型是深度卷積神經(jīng)網(wǎng)絡(luò)的一種模型，用于對(duì)目標(biāo)圖像進(jìn)行分類，VGG 有2 種結(jié)構(gòu)，分別是VGG16 和VGG19，二者網(wǎng)絡(luò)深度不一樣，本試驗(yàn)選擇深度比較深的VGG19 網(wǎng)絡(luò)模型對(duì)目標(biāo)圖像進(jìn)行檢測(cè)。

1.2.2.5 計(jì)數(shù)結(jié)果判定 將獲取的薊馬結(jié)果進(jìn)行統(tǒng)計(jì)，以人工統(tǒng)計(jì)的薊馬數(shù)量作為對(duì)照，通過(guò)正確識(shí)別率（REFR）來(lái)評(píng)價(jià)薊馬的計(jì)數(shù)效果。

其中，REFR 表示正確識(shí)別率，Nm表示人工識(shí)別的結(jié)果，Na表示圖像識(shí)別的結(jié)果。

2 結(jié)果與分析

將試驗(yàn)獲取的10 個(gè)不同藍(lán)色黏蟲(chóng)板的薊馬圖像通過(guò)自動(dòng)化計(jì)數(shù)軟件進(jìn)行處理，應(yīng)用人工計(jì)數(shù)結(jié)果作為對(duì)比，獲取每個(gè)黏蟲(chóng)板上的薊馬數(shù)量，應(yīng)用正確識(shí)別率公式進(jìn)行計(jì)數(shù)準(zhǔn)確率計(jì)算。從圖1 可以看出，對(duì)不同藍(lán)色黏蟲(chóng)板上的薊馬進(jìn)行計(jì)數(shù)，人工計(jì)數(shù)與圖像計(jì)數(shù)的結(jié)果存在差異，圖像計(jì)數(shù)獲取的薊馬數(shù)量比人工計(jì)數(shù)得到的薊馬數(shù)量少。其中，圖像計(jì)數(shù)與人工計(jì)數(shù)薊馬數(shù)量差距的最大值為3 頭。自動(dòng)化計(jì)數(shù)軟件對(duì)薊馬計(jì)數(shù)的結(jié)果相對(duì)誤差最大值為8%，平均相對(duì)誤差為3.20%。通過(guò)計(jì)算準(zhǔn)確率，對(duì)自動(dòng)化計(jì)數(shù)軟件獲取得到的薊馬數(shù)量和人工計(jì)數(shù)的薊馬數(shù)量做對(duì)比，自動(dòng)化計(jì)數(shù)軟件的計(jì)數(shù)準(zhǔn)確率的平均值為96.8%，表明自動(dòng)化計(jì)數(shù)軟件的正確識(shí)別率較高，通過(guò)對(duì)薊馬圖像進(jìn)行處理，可以獲得薊馬害蟲(chóng)發(fā)生的動(dòng)態(tài)數(shù)據(jù)。因此，圖像計(jì)數(shù)可以用于薊馬的遠(yuǎn)程監(jiān)測(cè)。存在誤差可能是由于黏蟲(chóng)板上薊馬個(gè)體較小，存在薊馬圖像重疊，重疊后的薊馬圖像不易分辨，而且，圖像計(jì)數(shù)存在的誤差也受到環(huán)境因素的影響，溫室大棚內(nèi)光線不足，也會(huì)對(duì)薊馬圖像的計(jì)數(shù)產(chǎn)生比較大的影響。為了提高圖像計(jì)數(shù)的準(zhǔn)確率，可以經(jīng)常更換黏蟲(chóng)板，更換后的黏蟲(chóng)板薊馬數(shù)量減少，可以減小薊馬的重疊，而且需要在高清攝像頭周圍補(bǔ)充可控制的LED 光源，從而提高薊馬害蟲(chóng)的識(shí)別率?？偟目磥?lái)，自動(dòng)化計(jì)數(shù)軟件可以應(yīng)用于薊馬的計(jì)數(shù)和種群監(jiān)測(cè)。

3 結(jié)論與討論

隨著計(jì)算機(jī)技術(shù)的不斷發(fā)展，害蟲(chóng)的預(yù)測(cè)預(yù)報(bào)在農(nóng)業(yè)中所起的作用越來(lái)越大。本研究利用自動(dòng)化計(jì)數(shù)軟件對(duì)溫室內(nèi)的薊馬害蟲(chóng)進(jìn)行計(jì)數(shù)。自動(dòng)化計(jì)數(shù)軟件采用OpenCV 圖像處理和VGG 深度神經(jīng)網(wǎng)絡(luò)圖像相結(jié)合的方法，可以很好地實(shí)現(xiàn)對(duì)藍(lán)色黏蟲(chóng)板上的薊馬計(jì)數(shù)，該方法不僅準(zhǔn)確率高，而且處理方法簡(jiǎn)單，可以實(shí)現(xiàn)對(duì)薊馬快速、準(zhǔn)確的預(yù)測(cè)預(yù)報(bào)。

統(tǒng)計(jì)害蟲(chóng)數(shù)量是害蟲(chóng)監(jiān)測(cè)的重要手段與方法，傳統(tǒng)的害蟲(chóng)監(jiān)測(cè)方法需要人工手動(dòng)進(jìn)行計(jì)數(shù)，費(fèi)工、費(fèi)時(shí)。因此，需要更加高效、準(zhǔn)確的計(jì)數(shù)方法來(lái)對(duì)害蟲(chóng)進(jìn)行計(jì)數(shù)。利用圖像處理方法對(duì)害蟲(chóng)進(jìn)行計(jì)數(shù)存在理論的可行性。周愛(ài)明[17]通過(guò)運(yùn)用圖像處理和深度學(xué)習(xí)技術(shù)對(duì)放置于水稻田間的智能測(cè)報(bào)燈采集的燈誘昆蟲(chóng)進(jìn)行研究，實(shí)現(xiàn)水稻測(cè)報(bào)害蟲(chóng)的自動(dòng)識(shí)別與計(jì)數(shù)，其中，對(duì)白背飛虱和褐飛虱的識(shí)別率分別為90.7%和85.5%。曹旨昊等[18]運(yùn)用Android手機(jī)，基于HSV 空間的圖像處理技術(shù)去除無(wú)關(guān)背景，使用濾波技術(shù)處理害蟲(chóng)圖像中的翅、足等邊緣不規(guī)則部分，減少了噪聲的干擾，提高了識(shí)別的準(zhǔn)確率。ZHAO 等[19]基于Gabor 小波提取特征，采用AdaBoost 算法進(jìn)行特征篩選并選用SVM作為分類器訓(xùn)練分類模型，結(jié)果表明，可以有效地提高識(shí)別效率與精度，能夠滿足實(shí)時(shí)應(yīng)用的需要。從目前害蟲(chóng)數(shù)量統(tǒng)計(jì)的方法來(lái)看，還沒(méi)有對(duì)2 mm 以下的微小害蟲(chóng)計(jì)數(shù)進(jìn)行研究，并且對(duì)于圖像的樣本獲取還需要人工獲取，費(fèi)時(shí)費(fèi)力。

本研究利用自動(dòng)化計(jì)數(shù)軟件，通過(guò)樹(shù)莓派遠(yuǎn)程獲取害蟲(chóng)圖像，上傳到服務(wù)器，通過(guò)OpenCV 圖像處理技術(shù)對(duì)獲取的藍(lán)色黏蟲(chóng)板圖像進(jìn)行灰度化、閾值化處理，再利用低通濾波器、形態(tài)學(xué)開(kāi)操作一系列圖像處理后，得到清晰的二值圖像，利用Canny算子進(jìn)行輪廓檢測(cè)，獲取每個(gè)輪廓內(nèi)的彩色圖片，運(yùn)用訓(xùn)練好的VGG19 深度神經(jīng)網(wǎng)絡(luò)模型對(duì)輪廓內(nèi)的圖像進(jìn)行識(shí)別，統(tǒng)計(jì)所有薊馬圖像的數(shù)量，可以準(zhǔn)確地對(duì)薊馬進(jìn)行識(shí)別與計(jì)數(shù)。此方法也可運(yùn)用于其他害蟲(chóng)的計(jì)數(shù)和檢測(cè)。然而，當(dāng)環(huán)境發(fā)生巨大變化時(shí)，如光照嚴(yán)重干擾圖像或溫室內(nèi)其他害蟲(chóng)增加時(shí)，可能會(huì)影響自動(dòng)化計(jì)數(shù)軟件的準(zhǔn)確率，下一步將采用卷積神經(jīng)網(wǎng)絡(luò)方法來(lái)識(shí)別和計(jì)數(shù)害蟲(chóng)，從而提高害蟲(chóng)計(jì)數(shù)的準(zhǔn)確率和對(duì)更加復(fù)雜環(huán)境的適用性。

本試驗(yàn)通過(guò)對(duì)圖像處理計(jì)數(shù)與人工計(jì)數(shù)做對(duì)比，相對(duì)誤差在8%以下，自動(dòng)化計(jì)數(shù)軟件運(yùn)行效果良好，可以實(shí)現(xiàn)薊馬的計(jì)數(shù)和種群監(jiān)測(cè)，提高薊馬計(jì)數(shù)的準(zhǔn)確率，對(duì)于薊馬的預(yù)測(cè)預(yù)報(bào)具有重要意義。