基于计算机视觉农业图像害虫定位检测算法.docVIP

基于计算机视觉农业图像害虫定位检测算法 　　摘要：目前农业害虫检测主要依靠人工作业，造成效率低下、易受环境因素和主观因素影响，故本研究提出了基于计算机视觉的农业害虫检测识别算法。首先，融合灰度空间、HSV空间与YUV空间，以线性形式构造害虫区域粗定位模型；然后基于直方图均衡化与投影直方图，分析图像特征；再基于均值漂移算法，定位害虫区域，实现细定位；最后，再提出基于轮廓梯度差的Grabcut算法，精确检测出害虫。试验测试数据表明：与当前农业害虫定位检查技术相比，本研究算法拥有更高的检测精度，能精确定位识别害虫目标。 　　关键词：HSV空间；直方图均衡化；Grabcut；均值漂移算法；计算机视觉；农业图像；害虫定位 　　中图分类号： TP391.4；S126 文献标志码： A 文章编号：1002-1302（2016）07-0361-04 　　农业是一个国家的安国之本，也是与一个社会每天正常运作息息相关的。目前世界各国，尤其是发达国家，已经越来越重视农业的生产效率和自动化程度。近几年来，计算机技术在不断发展并应用到农业领域。在这样的大背景下，将基于计算机视觉为核心技术的自动化设备引入农业领域[1-2]，是十分必要的。它不仅可以提高农业生产效率，也可以提高农业产品的质量。而计算机视觉技术可以应用于农业的各个领域，比如无人飞机自动导航播种、耕地机器人视觉导航以及农业产品外观质量的视觉检测。其中的农业产品外观质量的视觉检测，是直接关乎农业产品，进而影响人民生活质量的。 　　农业生产中的很多阶段，需要对农业产品进行质量检测，检查是否存在害虫，从而及时处理，以免影响更大的范围，可见农业产品外观质量的视觉检测的重要性[3]。在农业害虫的检测中，主要干扰来源有2个：外界光源对图像质量的影响、害虫图像背景复杂。总而言之，就是害虫在图像中很难与背景分离[4]，即图像分割有很大的困难。而传统的检测技术主要依赖于人眼，是农民自己对农产品的每个细节进行检查。但是检查环境往往很恶劣，同时受天气干扰，检查工作很难展开。但是如果采用带视觉的机器人对其进行检查并做相应处理[5-6]，则可以大大克服环境与天气的不利影响，同时具有很高的查出率，检测精度客观。 　　对此，学者们也做了大量研究，提出了诸如多尺度集合变换去噪算法[7]以及基于滤波值[8]、中值滤波[9-10]的优化算法等。本研究提出了基于计算机视觉的农业害虫检测识别算法。首先，分别对灰度空间、HSV空间、YUV空间下的图像特性进行研究，推导每个颜色空间的公式，实现对害虫图像目标的粗定位。然后进行直方图均衡化，以投影直方图为特性，基于均值漂移算法定位害虫区域。最后利用基于轮廓梯度差的Grabcut算法将害虫抠出图像，从而完成整个害虫检查算法；并测试了本研究算法的检测精度。 　　1 检测架构与算法原理 　　本系统对农业图像中是否存在害虫进行检查，算法结构如图1所示。其原理是：由于农业产品图像背景复杂，颜色繁多，因此考虑把原始RGB图像分别转换到多个颜色空间，如灰度、HSV、YUV，同时提取出各个分量，经过分析后，进行线性运算，即把各个颜色空间的各个分量进行组合，同时引入加权值，目的是对图像害虫目标进行粗定位。然后引入直方图技术，图像均衡归一化，利于分析，提取反投影直方图，用于均值漂移定位害虫区域，这是细定位。最后粗定位与细定位相结合，再用GrabCut这个算法函数将害虫目标精确勾勒出来。 　　以图2为例，该图像包含许多小虫，特性淹没于整个图像中。同时背景复杂，有较大的干扰。 　　1.1 基于颜色空间的害虫目标粗定位 　　相机采集图像原始为RGB颜色空间，分为3个通道R、G、B，每个通道有8位二进制位，总共24位的图像。然而RGB颜色空间并不适应人眼视觉习惯，也不适用于一些特殊背景的项目开发，如本系统这种绿色居多的背景；因此需要引入其他颜色空间：HSV、CIEL×a×b、灰度空间。 　　灰度空间的图像是单通道的，可以减少数据处理量，从而提高系统效率。有3种灰度处理，最大值法处理的图像亮度整体偏大，见式（1）。平均值法处理的图像较为柔和，见式（2）。而利用加权平均值法对RGB的特性进行分析，人眼对绿敏感度最高，红色次之，蓝色最低，据此分别加上不同的权值，见式（3）。 　　综合分析，只有加权平均值法是根据图像RGB特性分别进行有机组合；而最大值法、平均值法会对图像特性产生不同程度的失真。故本研究将权值引入平均值法中，建立加权平均值法模型；并利用加权平均值法完成图像灰度处理。根据经验，设置G、R、B的权值分别为59%、30%、11%。灰度处理后的图像如图3所示。 　　而HSV颜色空间最符合人眼视觉习惯，见图4。 　　1.2 基于均值漂移算法的害虫目标细定位 　　在将目标从背景分离后，需