發(fā)布時間：所屬分類：計(jì)算機(jī)職稱論文瀏覽：1次
摘 要： 摘 要：由于野外誘捕害蟲的姿態(tài)存在多樣性和不確定性，使得利用機(jī)器視覺進(jìn)行害蟲的自動識別與計(jì)數(shù)仍然是一個難題。該文提出一種基于顏色和紋理等與形態(tài)無關(guān)的特征相結(jié)合和利用多類支持向量機(jī)分類器的多姿態(tài)害蟲分類方法。通過對目標(biāo)害蟲圖像進(jìn)行不同顏色空間特征、基于
摘 要：由于野外誘捕害蟲的姿態(tài)存在多樣性和不確定性，使得利用機(jī)器視覺進(jìn)行害蟲的自動識別與計(jì)數(shù)仍然是一個難題。該文提出一種基于顏色和紋理等與形態(tài)無關(guān)的特征相結(jié)合和利用多類支持向量機(jī)分類器的多姿態(tài)害蟲分類方法。通過對目標(biāo)害蟲圖像進(jìn)行不同顏色空間特征、基于統(tǒng)計(jì)方法的紋理特征和基于小波的紋理特征的提取，構(gòu)建了 6 組不同組合的特征向量。將 10 階交叉驗(yàn)證的識別率作為適應(yīng)度函數(shù)值，利用遺傳算法對各組特征向量進(jìn)行降維篩選。最后利用基于有向無環(huán)圖多類支持向量機(jī)分類器對多姿態(tài)害蟲進(jìn)行識別和特征組選擇。結(jié)果表明，遺傳算法最多可以使特征向量維數(shù)降到原來的 38.89%，基于 HSV 三通道顏色圖像的小波紋理特征組在建模時間和平均準(zhǔn)確率方面都表現(xiàn)最優(yōu)，可以作為一種有效的多姿態(tài)害蟲分類特征選擇。
關(guān)鍵詞：機(jī)器視覺;圖像處理;特征提取;害蟲分類;多類支持向量機(jī)
0 引 言
準(zhǔn)確和及時的害蟲識別與計(jì)數(shù)是監(jiān)測農(nóng)業(yè)害蟲信息(發(fā)生種類、發(fā)生數(shù)量和發(fā)生時間)和害蟲預(yù)測預(yù)報(bào)的一個重要前提。依靠人工識別與計(jì)數(shù)昆蟲存在勞動強(qiáng)度大、非實(shí)時性和效率低等問題。近十幾年來，農(nóng)業(yè)害蟲發(fā)生嚴(yán)重、蟲口密度大、發(fā)生種類多，加上中國農(nóng)民植保知識缺乏、有經(jīng)驗(yàn)的昆蟲分類專家和基層植保人員較少，不能滿足當(dāng)前害蟲發(fā)生監(jiān)測的需求[1]。隨著圖像處理和機(jī)器視覺技術(shù)的發(fā)展，研究者們開始探索基于模式識別的害蟲自動分類與計(jì)數(shù)方法。
張紅濤等[2-3]針對害蟲目標(biāo)的二值化圖像提取面積、周長等形態(tài)特征，通過建立害蟲模板庫和隸屬度函數(shù)對害蟲進(jìn)行識別分類，識別率達(dá) 86%以上，但未涉及害蟲姿態(tài)對識別的影響。張建偉[4]通過收集蝴蝶標(biāo)本，設(shè)計(jì)了基于形態(tài)特征和顏色特征的 2 種蝴蝶自動識別系統(tǒng)。Watson 等首先將每類昆蟲中 23 只個體大小、姿態(tài)進(jìn)行標(biāo)準(zhǔn)化處理以增強(qiáng)特征提取效果，然后利用數(shù)字識別系統(tǒng)對活飛蛾進(jìn)行自動識別研究[5]。Wang 等在目級昆蟲開發(fā)了一個昆蟲圖像自動識別系統(tǒng)，收集了來自 9 目 225 種昆蟲圖像，人工將昆蟲位置放好，將不完整的、粘連在一塊昆蟲進(jìn)行剔除，方便特征的自動提取[6]。邱道尹等設(shè)計(jì)了一種基于機(jī)器視覺的害蟲檢測系統(tǒng)，通過自動誘集并調(diào)整害蟲姿態(tài)，以提取出的周長、不變矩等特征，運(yùn)用神經(jīng)網(wǎng)絡(luò)分類器對常見的 9 種害蟲進(jìn)行分類[7]。
Wen 等[8-9]利用基于圖像的方法對果樹害蟲進(jìn)行了基于全局特征和局部特征的害蟲識別，并指出害蟲存在多姿態(tài)，增加了害蟲識別的難度。呂軍等[10-11] 針對害蟲正面和反面 2 種姿態(tài)進(jìn)行了基于模板匹配的多目標(biāo)水稻燈誘害蟲識別方法研究，但是野外害蟲還存在其他姿態(tài)樣式(軀干正反、翅膀伸縮各異、傾斜)。在模式識別方面，近年來支持向量機(jī)(support vector machine，SVM)在農(nóng)業(yè)圖像分析和處理中得到了很廣泛的應(yīng)用[12-15]，尤其是針對樣本集較小的情況下，分類效果比人工神經(jīng)網(wǎng)絡(luò)(artificial neural network，ANN)更加有效[16-17]。而且針對多類識別問題，可以在標(biāo)準(zhǔn)二分類支持向量機(jī)的基礎(chǔ)上構(gòu)建多分類支持向量機(jī)(multi-class support vector machine，MSVM)進(jìn)行多類目標(biāo)的分類。
綜上所述，目前大部分研究都是基于害蟲標(biāo)本在實(shí)驗(yàn)室環(huán)境下進(jìn)行特征提取與識別，這些方法和成果對野外誘捕的多姿態(tài)害蟲識別非常敏感，不具有很好的魯棒性。因此，本文從與形態(tài)無關(guān)的顏色、紋理等特征提取出發(fā)，進(jìn)行特征組合的構(gòu)建與篩選，提出一種基于多類支持向量機(jī)分類器的多姿態(tài)害蟲識別方法，以期為害蟲實(shí)時在線識別裝置開發(fā)提供依據(jù)。
1 材料與方法
1.1 圖像獲取
所有的樣本于北京昌平小湯山精準(zhǔn)農(nóng)示范基地通過野外蟲情測報(bào)裝置獲取，包括粘蟲，桃蛀螟，棉鈴蟲，地老虎等 4 類成蟲。利用自主搭建的軟件控制拍照系統(tǒng)對圖像進(jìn)行采集，拍照裝置示意圖如圖 1 所示，該裝置由 1 m3的密閉箱體、配有可調(diào)高度立柱的 40 cm×40 cm 白紙平板、日本尼康公司生產(chǎn)的 D90 數(shù)碼相機(jī)(焦距 18～200 mm，最大光圈 F3.5～F5.6)和 DVR-620D 雙色溫環(huán)狀光源等部分組成。
試驗(yàn)中光源功率為 40 W，色溫設(shè)置為 4 000 K，通過相機(jī)支架把數(shù)碼相機(jī)與 620 光源完美地結(jié)合在一起，調(diào)節(jié)相機(jī)焦距，立柱高度設(shè)置為 45 cm 時，害蟲處于最佳的拍照效果。每種害蟲采集 80 張，總共 320 張，4 種害蟲的姿態(tài)樣例如圖 2 所示。
從圖 2 中可以看出害蟲姿態(tài)各異，形態(tài)特征與害蟲種類相關(guān)性不大。
1.2 圖像預(yù)處理
由D90 相機(jī)獲得的原始圖像大小為4 288 像素× 2 848 像素，不適合進(jìn)行大批量的圖像算法處理。為了加快處理速度，只針對害蟲目標(biāo)區(qū)域進(jìn)行處理，利用自動裁剪程序，通過選取害蟲目標(biāo)邊緣為起點(diǎn)，沿水平向右方向、垂直向下方向?qū)⒉杉降膱D像裁剪為 640 像素×640 像素大小的圖像，進(jìn)行下一步的目標(biāo)特征提取。
1.3 圖像特征提取
形狀、顏色和紋理是害蟲種類區(qū)分應(yīng)用中常用的特征，單一的特征很難解決多目標(biāo)的分類問題，多特征結(jié)合呈現(xiàn)更強(qiáng)的識別能力。另一方面，考慮到野外誘捕的害蟲姿態(tài)不固定，同一種害蟲形狀姿態(tài)存在差異，本研究主要針對害蟲多姿態(tài)圖像，提取顏色和紋理 2 類與形態(tài)無關(guān)的特征，并進(jìn)行不同的組合，挖掘出最優(yōu)的、且易于嵌入式平臺實(shí)現(xiàn)的特征組合。
1.5 多姿態(tài)害蟲分類
在樣本數(shù)不大的情況下，用很多提取的原始特征進(jìn)行分類器設(shè)計(jì)時，不但計(jì)算復(fù)雜度大，而且會影響分類器的性能，因此需要在分類前進(jìn)行關(guān)鍵特征的篩選。由于遺傳算法具有強(qiáng)大的搜索能力，可以在較短的時間內(nèi)搜索到全局最優(yōu)點(diǎn)，因此本文采用遺傳算法對提取的特征參數(shù)進(jìn)行篩選與優(yōu)化，剔除冗余參數(shù)和無關(guān)參數(shù)后，再進(jìn)行分類。
1.5.1 特征參數(shù)篩選
將處理后的每類害蟲樣本隨機(jī)地進(jìn)行選擇，按 3∶1 比例分成 2 組，分別用于訓(xùn)練和識別測試。為了能夠比較不同特征組合的分類效果，隨機(jī)數(shù)只產(chǎn)生一遍，用于所有組合的訓(xùn)練樣本選擇。
利用遺傳算法(genetic algorithm，GA)分別對每組的特征向量進(jìn)行降維處理，采用交叉驗(yàn)證(cross validation，CV)意義下的準(zhǔn)確率作為 GA 中的適應(yīng)度函數(shù)值，本文的特征向量優(yōu)化過程如圖 3 所示。
1.5.2 多類 SVM 分類器
標(biāo)準(zhǔn) SVM 是針對 2 類模式識別問題而提出的，若要實(shí)現(xiàn)多類分類，就需要將多個標(biāo)準(zhǔn) SVM 通過某種方法構(gòu)造多類 SVM 分類器(multi-class support vector machine，MSVM)。目前構(gòu)造 MSVM 的方法主要有一對多方法和一對一方法[21]，其中一對一的方法包括基于投票的多類支持向量機(jī)(voting based MSVM，VB MSVM)和基于有向無環(huán)圖的多類支持向量機(jī)(directed acyclic graph MSVM，DAG MSVM)2 種方法。楊文柱等[22]研究表明一對一 MSVM，無論采用投票決策還是有向無環(huán)圖決策，其分類正確率都比一對多 MSVM 高。在分類精度相差不大的情況下，DAG MSVM 要比 VB MSVM 的實(shí)時性更強(qiáng)，更適合用于在線分類系統(tǒng)。這里使用 DAG MSVM 方法對 4 類多姿態(tài)害蟲進(jìn)行分類研究，比較不同特征組合的分類效果。
基于 DAG MSVM 的訓(xùn)練過程如下：從訓(xùn)練樣本中每次取出 2 類害蟲的所有樣本，標(biāo)為類 1 和類2。然后將標(biāo)好分類號的所有害蟲作為輸入樣本來訓(xùn)練 SVM，得到相應(yīng)的支持向量和相應(yīng)的分類平面。當(dāng)輸出 1，表示訓(xùn)練樣本不屬于類 2;而若輸出−1，則表示該訓(xùn)練樣本不屬于類 1。4 類害蟲，需要建立 6(k=4)個 SVM 模型。
訓(xùn)練模型建立后，需要對模型進(jìn)行性能測試。 4 種害蟲種類的測試識別的遍歷過程如圖 4 所示。對于一個未知種類害蟲 x 的一條遍歷路徑如圖 4 中虛線箭頭所示。首先，經(jīng)過根節(jié)點(diǎn) SVM 模型“1/4” 進(jìn)行分類，結(jié)果輸出為−1，表明它不屬于第 1 類;繼續(xù)經(jīng)過右邊孩子節(jié)點(diǎn)“2/4”。最后被葉子節(jié)點(diǎn) “2/3”分類，得出所屬類別為桃蛀螟。其實(shí)遍歷的過程就是一個累積投票過程，但是減少了需要分類的次數(shù)，加快了運(yùn)算速度。
2 結(jié)果與分析
文方法基于 Matlab2009a 編程實(shí)現(xiàn)，其中標(biāo)準(zhǔn)的二分類 SVM 使用了支持向量機(jī) Matlab 工具箱，SVM 參數(shù) c，g 采用網(wǎng)格化尋優(yōu)策略進(jìn)行選擇。 PC 的處理器為主頻 3.20 GHz 的 Intel Core i5-3470 CPU。
2.1 特征參數(shù)篩選
在上述采集的 4 種害蟲圖像中，通過隨機(jī)選取 60 張圖像作為訓(xùn)練樣本，訓(xùn)練樣本總數(shù)為 240，利用遺傳算法進(jìn)行 100 次的迭代，分別對 6 組特征組合進(jìn)行自變量篩選，結(jié)果如表 1 所示。
從特征向量維數(shù)變化來看，經(jīng)過遺傳算法優(yōu)化篩選后，除了第 4 組以外，其他組的輸出特征維數(shù)基本約為輸入特征向量維數(shù)的 1/2，第 6 組優(yōu)化程度最高，優(yōu)化后的參數(shù)比例只為 38.89%，第 3 組優(yōu)化程度次之，第 4 組由于是灰度圖像的 3 個細(xì)節(jié)分量，可以說在分類識別上三者同等權(quán)重，識別相關(guān)性較大，沒有進(jìn)行優(yōu)化。
從特征屬性上分析，第 1 組特征中，優(yōu)化后特征均值所占比例達(dá)到了 62.5%，基于灰度共生矩陣的特征標(biāo)準(zhǔn)差被全部優(yōu)化，說明統(tǒng)計(jì)紋理特征中的特征均值對害蟲分類的貢獻(xiàn)值較大;從第 2、3 組特征優(yōu)化結(jié)果可以看出，各個顏色分量均值被保留，而且基于 HSV 和統(tǒng)計(jì)紋理相結(jié)合的特征組降維比率為 47.37%，小于基于 RGB 和統(tǒng)計(jì)紋理相結(jié)合的特征組降維比率，說明前者的參數(shù)之間相關(guān)性更大，優(yōu)化效果更好，更加適用于害蟲分類;第 4 組特征沒有得到優(yōu)化，說明參數(shù)之間不具有相關(guān)性，并且對分類的貢獻(xiàn)值相等。從第 5 組特征篩選結(jié)果分析可知，在優(yōu)化后的參數(shù)集合中，R 通道的小波能量參數(shù)所占比例達(dá)到 54.5%，G 通道的小波能量參數(shù)所占比例為 27.27%，B 通道所占比例為最小。說明在基于 R/G/B 通道小波能量特征組的多姿態(tài)害蟲分類中，R 分量的小波能量參數(shù)貢獻(xiàn)值最大， G 分量次之，B 分量最小;從第 6 組特征優(yōu)選結(jié)果可以看出，色調(diào) H 和亮度 V 分量的小波能量參數(shù)所占比例相同，都約為 42.8%，大于 S 分量的小波能量參數(shù)所占比例，說明在該特征組合當(dāng)中，H 分量和 V 分量的參數(shù)對分類的貢獻(xiàn)相等，并且大于 S 分量。
2.2 識別分類結(jié)果
本文利用隨機(jī)挑選的 240 個樣本(每種害蟲 60 個)訓(xùn)練模型，80 個樣本(每種 20 個)進(jìn)行識別分類測試。支持向量機(jī)分類器參數(shù)通過網(wǎng)格優(yōu)化方法獲得，最優(yōu)參數(shù) c，g 分別為 11.3137 和 0.707107。表 2 為不同的特征組合、特征向量維數(shù)優(yōu)化前后害蟲識別的平均準(zhǔn)確率和建模時間，從表中可以看出，在識別準(zhǔn)確率方面：除了第 4 組的平均識別準(zhǔn)確率保持不變外，其他組合的平均準(zhǔn)確率都得到了提高，而且準(zhǔn)確率保持在 97%以上，尤其是第 6 組特征 F6 的識別率最高，準(zhǔn)確率達(dá)到 100%，F(xiàn)2 和 F3 特征組合次之。第 4 組特征識別率保持不變和上述特征參數(shù)沒有優(yōu)化保持一致。
相關(guān)知識推薦：論文翻譯服務(wù)算學(xué)術(shù)不端嗎
在建模時間方面：每組的建模時間都得到了優(yōu)化，F(xiàn)6 特征組合縮短最多，優(yōu)化后建模時間僅約為 8 s，縮短比例達(dá)到了 74.5%。排在第 2 位和第 3 位的特征組合分別是 F3 和 F1，特征組 F4 的建模時間沒有發(fā)生很大變化。在兼顧識別準(zhǔn)確率和實(shí)時性 2 個指標(biāo)的基礎(chǔ)上，利用 DAG MSVM 多類支持向量機(jī)分類器進(jìn)行多姿態(tài)害蟲分類，F(xiàn)6特征組合是最好的特征選擇，F(xiàn)3 特征組合次之。這也說明利用 HSV 顏色空間特征結(jié)合紋理特征能夠達(dá)到更好的識別效果。
從表 3 中可以看出，桃蛀螟害蟲基本上沒有發(fā)生假陰性(把桃蛀螟識別為其他害蟲種類)和假陽性(其他害蟲種類識別為桃蛀螟)的現(xiàn)象，從圖 2 中的桃蛀螟圖像也可以說明這一點(diǎn)，桃蛀螟害蟲翅膀上布滿了黑斑點(diǎn)，圖像紋理分布和其他 3 種害蟲沒有相似之處，具有更強(qiáng)的識別性;而粘蟲、棉鈴蟲和地老虎之間存在誤判的情況，且粘蟲和棉鈴蟲之間這種現(xiàn)象更明顯一些。以參數(shù)優(yōu)化后誤判相對來說較嚴(yán)重的特征組 F4為例，將發(fā)生誤判的粘蟲圖像與極為接近的棉鈴蟲圖像進(jìn)行對比，并且比較他們之間的參數(shù)向量，發(fā)現(xiàn)發(fā)生誤判的害蟲之間的參數(shù)向量非常相似。圖 5 所示為試驗(yàn)中 2 張誤判為棉鈴蟲的粘蟲圖像和一張與上述 2 張粘蟲圖像相似的棉鈴蟲圖像，它們對應(yīng)的 F4 特征組參數(shù)如表 4 所示。增加訓(xùn)練樣本可能能夠解決這個問題，由于害蟲的姿態(tài)存在多樣性，要想減少相似害蟲的誤判，訓(xùn)練樣本需要盡量包含更多的姿態(tài)。
2.3 討論
然而本文也存在一定的局限性，本文采集的樣本有限，訓(xùn)練樣本中的害蟲姿態(tài)基本包含了測試樣本中的害蟲姿態(tài)，所以整體的識別準(zhǔn)確率都比較高。但是由于野外采集的害蟲姿態(tài)遠(yuǎn)不止這些，單從害蟲的某一視角去采集圖像，而且采集的圖像樣本不是很大的情況，獲取的害蟲姿態(tài)信息有限。下一步的工作是對同一只害蟲采集多個視角圖像，從而增加樣本的姿態(tài)樣式覆蓋率，提高野外應(yīng)用的識別準(zhǔn)確率。另一方面，本文研究的害蟲對象只有 4 種，當(dāng)害蟲種類增多時，可能會出現(xiàn)更多的種間相似性，得出的結(jié)論需要進(jìn)行進(jìn)一步的驗(yàn)證和擴(kuò)展。
3 結(jié) 論
1)在不影響識別率的情況下，除了基于灰度圖像的所有小波能量特征組外，其他各組參數(shù)基本上都進(jìn)行了大約 50%左右的優(yōu)化，最多的達(dá)到了 61.11%。在特征屬性方面，統(tǒng)計(jì)紋理特征組中，優(yōu)化后特征均值參數(shù)所占比例達(dá)到了 62.5%，說明其對害蟲分類的貢獻(xiàn)值比標(biāo)準(zhǔn)差參數(shù)要大。與 RGB 結(jié)合統(tǒng)計(jì)紋理特征組相比，HSV 結(jié)合統(tǒng)計(jì)紋理特征組參數(shù)之間相關(guān)性更大，優(yōu)化效果更好，更有利于多姿態(tài)害蟲的分類�；诓煌伾臻g三通道小波能量特征組優(yōu)化對比可以看出，基于 HSV 空間的三通道小波能量特征組優(yōu)化效果大于基于 RGB 空間的三通道小波能量特征組，說明在利用小波能量參數(shù)進(jìn)行多姿態(tài)害蟲圖像分類過程中，采用 HSV 空間三通道特征組更佳。
2)利用多類支持向量機(jī)進(jìn)行目標(biāo)害蟲分類發(fā)現(xiàn)，在平均準(zhǔn)確率和建模時間兩方面，基于 HSV 三通道的 2 層小波分解能量特征組，效果最好，參數(shù)優(yōu)化后的識別率達(dá)到了 100%，建模時間只有大約 8 s。所以相對比來說，基于 HSV 三通道小波特征結(jié)合有向無環(huán)圖的多類支持向量機(jī)分類器方法是一種最好的多姿態(tài)害蟲分類方法。
本文的方法是針對采集到的有限的目標(biāo)害蟲姿態(tài)樣本進(jìn)行研究的，由于實(shí)際害蟲的種類數(shù)量和害蟲的姿態(tài)樣式遠(yuǎn)不止這些，研究成果對實(shí)際精準(zhǔn)的分類計(jì)數(shù)應(yīng)用來講還需要完善，下一步的工作將從多視角圖像采集和多類害蟲進(jìn)行擴(kuò)展研究。——論文作者：李文勇 1,2，李 明 2 ，陳梅香 2※，錢建平 2 ，孫傳恒 2 ，杜尚豐 1
[參 考 文 獻(xiàn)]
[1] 姚青，呂軍，楊保軍，等. 基于圖像的昆蟲自動識別與計(jì)數(shù)研究進(jìn)展[J]. 中國農(nóng)業(yè)科學(xué)，2011，44(14)： 2886-2899. Yao Qing, Lü Jun, Yang Baojun, et al. Progress in research on digital image processing technology for automatic insect identification and counting[J]. Scientia Agricultura Sinica, 2011, 44(14): 2886 - 2899. (in Chinese with English abstract)
[2] 張紅濤，胡玉霞，趙明茜，等. 田間害蟲圖像識別中的特征提取與分類器設(shè)計(jì)研究[J]. 河南農(nóng)業(yè)科學(xué)， 2008(9)：73-75. Zhang Hongtao, Hu Yuxia, Zhao Mingxi, et al. Feature extraction and classification in the image recognition for agricultural pests[J]. Henan Agriculture Science, 2008(9): 73-75. (in Chinese with English abstract)
[3] 張紅濤，胡玉霞，劉新宇，等. 農(nóng)田害蟲實(shí)時檢測裝置的設(shè)計(jì)與實(shí)現(xiàn)[J]. 河南農(nóng)業(yè)科學(xué)，2007(12)：63-65. Zhang Hongtao, Hu Yuxia, Liu Xinyu, et al. Design and implementation of real-time detection equipment for farm pests[J]. Henan Agriculture Science, 2007(12): 63-65. (in Chinese with English abstract)
[4] 張建偉. 基于計(jì)算機(jī)視覺技術(shù)的蝴蝶自動識別研究[D]. 北京：中國農(nóng)業(yè)大學(xué)，2006. Zhang Jianwei. Automatic Identification of Butterflies Based on Computer Vision Technology[D]. Beijing: China Agricultural University, 2006. (in Chinese with English abstract)
[5] Watson A T, O'Neill M A, Kitching I J. Automated identification of live moths (Macrolepidoptera) using digital automated identification System (DAISY)[J]. Systematics and Biodiversity, 2004, 1(3): 287-300.
[6] Wang Jianning, Lin Congtian, Ji Liqiang, et al. A new automatic identification system of insect images at the order level[J]. Knowledege-Based Systems, 2012, 33: 102-110.