基于機(jī)器視覺(jué)的玉米蟲(chóng)害區(qū)域SIFT識(shí)別仿真

劉 巖,張寧寧,海 玲,王斌虎

(1. 新疆工程學(xué)院控制工程學(xué)院,新疆 烏魯木齊830023;2. 新疆大學(xué)電氣工程學(xué)院,新疆 烏魯木齊830000)

1 引言

我國(guó)是一個(gè)農(nóng)業(yè)大國(guó),農(nóng)業(yè)是我國(guó)經(jīng)濟(jì)收入的重要來(lái)源。大部分農(nóng)作物在生長(zhǎng)過(guò)程中會(huì)受到不同類(lèi)型蟲(chóng)害的影響,對(duì)農(nóng)作物的產(chǎn)量產(chǎn)生影響?？焖贉?zhǔn)確識(shí)別農(nóng)作物病蟲(chóng)害會(huì)有效降低經(jīng)濟(jì)損失,因此,如何通過(guò)現(xiàn)代機(jī)器視覺(jué)技術(shù)對(duì)蟲(chóng)害區(qū)域展開(kāi)準(zhǔn)確識(shí)別[1-2]具有十分重要的意義。

國(guó)內(nèi)相關(guān)專(zhuān)家針對(duì)玉米病蟲(chóng)區(qū)域識(shí)別方面的內(nèi)容展開(kāi)了大量研究,例如鮑文霞等人[3]通過(guò)改進(jìn)的神經(jīng)網(wǎng)絡(luò)提取玉米葉片病害的可區(qū)分特征,采用模型對(duì)相關(guān)參數(shù)優(yōu)化處理,完成玉米蟲(chóng)害識(shí)別。郭利進(jìn)等人[4]主要通過(guò)深度卷積網(wǎng)絡(luò)完成玉米葉部病蟲(chóng)害識(shí)別。樊湘鵬等人[5]在復(fù)雜背景下對(duì)玉米病蟲(chóng)害圖像展開(kāi)增強(qiáng)以及背景去除等相關(guān)操作,通過(guò)全連接層的卷積神經(jīng)網(wǎng)絡(luò)對(duì)不同病害展開(kāi)識(shí)別和訓(xùn)練操作,最終實(shí)現(xiàn)玉米病害識(shí)別。在以上幾種病蟲(chóng)害識(shí)別方法的基礎(chǔ)上,提出一種機(jī)器視覺(jué)下玉米航拍圖像蟲(chóng)害區(qū)域識(shí)別方法。仿真結(jié)果表明,所提方法可以精準(zhǔn)識(shí)別玉米航拍圖像中不同類(lèi)型的蟲(chóng)害,有助于提升玉米蟲(chóng)害區(qū)域的防治能力。

2 蟲(chóng)害區(qū)域識(shí)別方法

2.1 玉米航拍圖像預(yù)處理

在自然光照條件下,采用無(wú)人機(jī)拍攝玉米圖像,對(duì)采集到的玉米航拍圖像實(shí)施預(yù)處理[6-7]。圖像預(yù)處理是機(jī)器視覺(jué)領(lǐng)域中十分重要的環(huán)節(jié),圖像在傳播的過(guò)程中會(huì)受到各種因素的干擾,導(dǎo)致圖像中存在一定的噪聲,需要引入去噪方法將圖像中的噪聲剔除,確保圖像質(zhì)量得到有效改善。考慮到中值濾波算法具有速度快以及操作簡(jiǎn)單等優(yōu)勢(shì),通過(guò)中值濾波算法對(duì)玉米航拍圖像展開(kāi)預(yù)處理。通過(guò)中值濾波算法對(duì)窗口內(nèi)的數(shù)據(jù)按照遞增的方式排序,詳細(xì)的計(jì)算式如下:

(1)

上式中,a代表玉米航拍圖像的中值;b(m+1/2)和b(m/2)代表窗口中心樣本信號(hào);k代表正整數(shù)。

通過(guò)中值濾波算法[8-9]使玉米航拍圖像中任意像素點(diǎn)的像素值和真實(shí)值更加接近,并刪除玉米航拍圖像中的噪聲點(diǎn),詳細(xì)的計(jì)算式如下:

(2)

上式中,B(a0,b0)代表玉米航拍圖像灰度值的中值;E代表像素(a0,b0)對(duì)應(yīng)的鄰域集合;Hab(x,y)代表圖像(x,y)的灰度值;sort代表函數(shù)的排列式。在式(2)中,需要將鄰域集合內(nèi)的全部灰度值進(jìn)行排序,原始玉米航拍圖像中的像素值通過(guò)中值替換,獲取去噪后的圖像。

在機(jī)器視覺(jué)中,圖像分割也是不可或缺的一部分,通過(guò)圖像分割技術(shù)可以有效提取感興趣區(qū)域。在完成圖像預(yù)處理之后,為了獲取更加精準(zhǔn)的識(shí)別結(jié)果,對(duì)圖像分割處理是十分必要的。引入K-means聚類(lèi)算法對(duì)玉米航拍圖像病蟲(chóng)區(qū)域分割處理。為了滿足人眼的視覺(jué)需求,通過(guò)L*a*b彩色空間的K均值分割方法完成分割。

為了完成色彩空間的轉(zhuǎn)換,優(yōu)先設(shè)定紅R、綠G、藍(lán)B三種顏色的取值,詳細(xì)的計(jì)算式如下:

(3)

式中,γ代表不同空間像素通道的函數(shù)。γ的取值大小決定著函數(shù)色彩空間像素的對(duì)比度,通過(guò)式(4)給出γ的選取方式:

(4)

將式(4)代入到式(3)中,即可獲取RGB和XYZ空間對(duì)應(yīng)的矩陣關(guān)系:

(5)

通過(guò)K-means聚類(lèi)算法可以更加準(zhǔn)確分割出玉米圖像中的蟲(chóng)害區(qū)域[10-11],詳細(xì)的操作流程如圖1所示。

圖1 玉米航拍圖像蟲(chóng)害區(qū)域分割流程圖

2.2 玉米航拍圖像蟲(chóng)害區(qū)域特征提取

在對(duì)玉米航拍圖像實(shí)施預(yù)處理之后,可以得到分割后的蟲(chóng)害區(qū)域特征信息,為了將全部固有的信息特性表述出來(lái),需要提取這些信息[12-13],主要包含以下幾方面特征:

1)顏色特征參數(shù)

顏色特征是提取玉米蟲(chóng)害的重要依據(jù),需要對(duì)玉米航拍圖像的分量展開(kāi)提取,同時(shí)對(duì)各個(gè)級(jí)別分類(lèi),進(jìn)而獲取病蟲(chóng)區(qū)域的顏色分布信息R(i,j),如式(6)所示:

(6)

式中,tij代表顏色分量的平均值;i和j代表玉米航拍圖像的像素灰度值。

根據(jù)玉米航拍圖像的空間分布情況,可以獲取不同顏色分量對(duì)應(yīng)的特征向量G,如式(7)所示:

(7)

2)紋理特征參數(shù)

獲取紋理特征也是玉米蟲(chóng)害處理中不可或缺的一個(gè)環(huán)節(jié),不同圖像的紋理特征具有明顯的差異性,例如紋理的稀疏程度以及粗細(xì)程度等。由于玉米航拍圖像在一定的位置下具有一定的周期性,所以通過(guò)頻譜圖提取不同類(lèi)型蟲(chóng)害的特征,主要包含以下幾種特征參數(shù),分別為:

1)通過(guò)式(8)給出對(duì)比度計(jì)算式:

(8)

式中,Dij代表玉米航拍圖像的對(duì)比度,主要用來(lái)描述玉米航拍圖像蟲(chóng)害區(qū)域的清晰度。

2)相關(guān)性特征Xij對(duì)應(yīng)的計(jì)算式如下:

(9)

式中,βx和βy均代表玉米航拍圖像的能量參數(shù)。

通過(guò)對(duì)比度和相關(guān)性特征可以準(zhǔn)確獲取玉米航拍圖像的紋理特征。

3)形狀特征參數(shù)

任意一個(gè)物體表現(xiàn)出來(lái)的視覺(jué)特征也可以被稱(chēng)為形狀特征,不同物體的表面特征是具有明顯差異的。提取玉米航拍圖像蟲(chóng)害區(qū)域特征是將二值化圖像作為研究依據(jù),需要對(duì)蟲(chóng)害區(qū)域的分割結(jié)果展開(kāi)二值化處理,則有:

(10)

式中,L(x,y)代表玉米航拍圖像的二值化處理結(jié)果。

2.3 蟲(chóng)害區(qū)域識(shí)別

對(duì)于玉米航拍圖像而言,圖像內(nèi)隨機(jī)一個(gè)像素點(diǎn)對(duì)應(yīng)的積分圖可以表示為式(11)的形式:

(11)

式中,i(x,y)代表玉米航拍圖像的原始圖像;ii(x,y)代表玉米航拍圖像對(duì)應(yīng)的積分圖。

通過(guò)積分圖對(duì)玉米航拍圖像的HAAR特征展開(kāi)計(jì)算,則圖像在不同區(qū)域的像素值可以表示為式(12)的形式:

(12)

局部二值模式(LBP)被廣泛應(yīng)用于圖像研究領(lǐng)域內(nèi),優(yōu)先設(shè)定玉米航拍圖像局部紋理模式下像素點(diǎn)的分布情況,如式(13)所示:

(13)

式中,T代表玉米航拍圖像中像素點(diǎn)的分布情況。

通常情況下,LBP模板算子被設(shè)定在規(guī)格為6×6的窗口內(nèi),為了簡(jiǎn)化計(jì)算,需要將二進(jìn)制編碼轉(zhuǎn)換為一個(gè)十進(jìn)制數(shù),將其作為特征LBP(p,r)展開(kāi)后續(xù)的計(jì)算,如式(14)所示:

(14)

式中,s(ax,by)代表窗口內(nèi)玉米航拍圖像的灰度值。

以2.2節(jié)提取的玉米航拍圖像蟲(chóng)害區(qū)域特征為基礎(chǔ),進(jìn)一步通過(guò)Gentle AdaBoost算法[14-15]篩選最佳特征。弱分類(lèi)器是整個(gè)AdaBoost分類(lèi)器中最小的功能單元,從理論上而言,每一個(gè)弱分類(lèi)器的結(jié)構(gòu)或者組成形式越簡(jiǎn)單,則說(shuō)明對(duì)應(yīng)的計(jì)算時(shí)間也會(huì)相應(yīng)降低,進(jìn)而在一定程度上提升識(shí)別速度。

由于在一幅玉米航拍圖像中特征數(shù)量是十分龐大的,且遠(yuǎn)遠(yuǎn)大于像素?cái)?shù)量,則弱分類(lèi)器的組成結(jié)構(gòu)如式(15)所示

(15)

式中,K(I)(x,y)代表弱分類(lèi)器,x1代表特征值;x2代表閾值;r(i)代表權(quán)值;f(x)代表正樣本;p(i)代表弱分類(lèi)器對(duì)應(yīng)的最佳樣本權(quán)值。

在完成最佳弱分類(lèi)器的挑選之后,分類(lèi)器并不能用于單獨(dú)的分類(lèi),為了獲取高精度的分類(lèi)器,通過(guò)權(quán)重大小分布情況組建一個(gè)強(qiáng)分類(lèi)器,詳細(xì)的計(jì)算式如下:

(16)

式中,K(P)(x,y)代表強(qiáng)分類(lèi)器;h(j)(xi)代表強(qiáng)分類(lèi)器的權(quán)重取值;φij代表閾值的集中程度。

基于弱分類(lèi)器和強(qiáng)分類(lèi)器選取結(jié)果,建立級(jí)聯(lián)識(shí)別器,級(jí)聯(lián)識(shí)別器是分類(lèi)器通過(guò)相應(yīng)的排序組成的,級(jí)聯(lián)識(shí)別器的組成結(jié)構(gòu)如圖2所示。

圖2 級(jí)聯(lián)識(shí)別器的組成結(jié)構(gòu)

在完成級(jí)聯(lián)識(shí)別器的構(gòu)建之后,通過(guò)級(jí)聯(lián)識(shí)別器快速排除玉米航拍圖像中的背景值,則有:

(17)

上式中,radius代表玉米航拍圖像的背景值。

經(jīng)過(guò)上述操作后,獲取穩(wěn)定特征,然后通過(guò)歐式距離計(jì)算兩幅圖像中對(duì)應(yīng)關(guān)鍵點(diǎn)的相似性θ(x,y,z),詳細(xì)的計(jì)算式為:

(18)

上式中,L(x,y,z)代表玉米航拍圖像的梯度幅值。

在上述分析的基礎(chǔ)上,利用SIFT模板對(duì)識(shí)別結(jié)果二次篩選,然后確定識(shí)別目標(biāo),實(shí)現(xiàn)蟲(chóng)害區(qū)域的最終識(shí)別:

(19)

3 仿真研究

為了驗(yàn)證所提機(jī)器視覺(jué)下玉米航拍圖像蟲(chóng)害區(qū)域識(shí)別方法的有效性,需要展開(kāi)仿真測(cè)試,仿真在Windows10系統(tǒng)下使用Matlab平臺(tái)完成。實(shí)驗(yàn)所用圖像均來(lái)自AI-TOD航空?qǐng)D像數(shù)據(jù)集(http:∥m6z.cn/5MjlYk),該數(shù)據(jù)集中包含28036張航拍圖像,共有8個(gè)類(lèi)別和700621個(gè)對(duì)象實(shí)例。在該數(shù)據(jù)集中選取部分玉米航拍蟲(chóng)害圖像作為測(cè)試樣本,如圖3所示。

圖3 玉米航拍圖像測(cè)試對(duì)象

將圖3作為測(cè)試對(duì)象,分析所提方法、文獻(xiàn)[3]方法和文獻(xiàn)[4]方法的玉米航拍圖像蟲(chóng)害區(qū)域識(shí)別性能,實(shí)驗(yàn)結(jié)果如圖4所示。

圖4 不同方法下蟲(chóng)害區(qū)域識(shí)別結(jié)果對(duì)比

分析圖4可知,采用文獻(xiàn)[3]方法只可以識(shí)別部分蟲(chóng)害區(qū)域,且獲取的識(shí)別結(jié)果清晰度不高;采用文獻(xiàn)[4]方法也只能夠提取部分蟲(chóng)害區(qū)域,得到的識(shí)別結(jié)果并不準(zhǔn)確;而采用所提方法可以準(zhǔn)確識(shí)別玉米航拍圖像中的全部蟲(chóng)害區(qū)域,具有較高的識(shí)別精度。

接下來(lái)分別采用三種方法對(duì)各個(gè)類(lèi)型的蟲(chóng)害區(qū)域展開(kāi)識(shí)別,識(shí)別結(jié)果如表1所示。

表1 不同方法下蟲(chóng)害區(qū)域識(shí)別率結(jié)果分析

分析表1中的實(shí)驗(yàn)數(shù)據(jù)可知,采用所提方法對(duì)各個(gè)類(lèi)型蟲(chóng)害區(qū)域的識(shí)別率一直處于95%以上,而另外兩種方法的識(shí)別率明顯更低一些,說(shuō)明所提方法可以準(zhǔn)確識(shí)別不同類(lèi)型的玉米蟲(chóng)害,為玉米蟲(chóng)害的預(yù)防和治理提供一定的數(shù)據(jù)支持。這是因?yàn)樵摲椒ㄍㄟ^(guò)Gentle AdaBoost算法篩選圖像的最佳特征,并構(gòu)建強(qiáng)分類(lèi)器和弱分類(lèi)器,構(gòu)建級(jí)聯(lián)識(shí)別器,實(shí)現(xiàn)圖像背景值剔除,避免背景對(duì)圖像識(shí)別造成影響,提升了識(shí)別率。

4 結(jié)束語(yǔ)

機(jī)器視覺(jué)技術(shù)在農(nóng)業(yè)領(lǐng)域取得了十分廣泛的應(yīng)用,尤其是在病蟲(chóng)害識(shí)別以及含水量檢測(cè)等方面,其有效解決了傳統(tǒng)農(nóng)業(yè)病蟲(chóng)識(shí)別方法存在的不足,同時(shí)還降低了人力和物力的浪費(fèi)。因此,本文引入機(jī)器視覺(jué)技術(shù),提出一種機(jī)器視覺(jué)下玉米航拍圖像蟲(chóng)害區(qū)域識(shí)別方法。仿真結(jié)果表明,所提方法可以準(zhǔn)確識(shí)別不同類(lèi)型的玉米蟲(chóng)害區(qū)域,及時(shí)對(duì)病害作出判斷。雖然所提方法具有比較高的識(shí)別率,但是仍然存在不足,后續(xù)將針對(duì)以下幾方面的內(nèi)容展開(kāi)研究:

1)研究不同類(lèi)型蟲(chóng)害的表現(xiàn)形式,確保獲取的識(shí)別結(jié)果更加精準(zhǔn),同時(shí)進(jìn)一步擴(kuò)大研究范圍,例如水稻、小麥等農(nóng)作物的蟲(chóng)害識(shí)別。

2)目前,所提方法只能夠應(yīng)用于圖像的實(shí)時(shí)監(jiān)測(cè),還沒(méi)有應(yīng)用到實(shí)際的場(chǎng)景中,后續(xù)的研究將涉及大量真實(shí)的動(dòng)態(tài)病蟲(chóng)害區(qū)域識(shí)別。

3)在實(shí)際識(shí)別過(guò)程中,沒(méi)有考慮到圖像中蟲(chóng)害區(qū)域的識(shí)別時(shí)間問(wèn)題,如何加快玉米航拍圖像中蟲(chóng)害區(qū)域的識(shí)別速度也是未來(lái)研究的重點(diǎn)之一。