基于SVM的家蚕中毒分类识别研究.pdfVIP

32 《四川蚕业》 2022年第2期 基于SVM的家蚕中毒分类识别研究 石洪康 1陈肖 1王志斌彳 胡光荣 1马勇1 张剑飞1 (1四川省农业科学院蚕业研究所，四川南充637000 2四川南充市丝绸(进出口)有限公司，四川 南充637000) 摘 要 ：本文使用机器视觉和机器学习技术开展了家蚕中毒的自动识别研究 ，主要内容包 括：首先选择健康和中毒家蚕图像为识别对象，构建了家蚕中毒识别图像数据集 ，其次对图 像进行中值滤波、尺寸缩放和阈值分割等处理以增强图像特征差异 ，并利用RGB和HSV两 种颜色模型求解图像样本的颜色矩，提取出基于灰度共生矩阵的纹理特征，使用机器学习中 的经典算法支持向量机(SVM)创建出分类识别模型，在数据集上的平均识别率为93.54% 。本 文结果验证了使用机器视觉和机器学习技术开展家蚕中毒识别的可行性 ，为后续研究提供 参考。 关键词：机器视觉家蚕中毒分类识别SVM 家蚕饲养过程中 ，由于桑叶污染或病虫害影 黄瓜玖马铃薯曲、棉花旳、大麦固等作物的病虫害识 响，常出现中毒现象，造成巨大的经济损失叫因 别研究,取得理想的识别效果 。在昆虫识别领域, 此预防中毒是蚕业生产中的一项重要内容。在发 李文勇等同提取了 3种北方园林昆虫的颜色和纹 生中毒事件后，在传统小规模饲养模式下,技术 理特征,构建出基于SVM分类识别模型,最高识 人员巡检可及时察觉出中毒家蚕 ，但在以省力 别准确率为100%o Ebrahimi等刀提出基于改进 化、机械化饲育为主的规模化养殖场景下，传统 SVM的草莓叶片害虫的分类识别模型 ，测试的 的人工巡检方式难以做到及时识别出中毒家蚕, 平均误差小于2.25%□ Alfarisy等网提出基于 进而开展溯源分析和精准预防，从而避免更大的 CaffeNet CaffeNet系统水稻叶片病虫害识别模 损失 。因此,开展家蚕尤其是大蚕的中毒自动识 型,准确率达到87% 。上述研究表明，基于机器视 别研究具有重要的意义。 觉和机器学习技术的病虫害分类研究已经广泛 近年来,机器视觉和机器学习技术在农作物 开展,为家蚕中毒分类识别提供借鉴。 病害识别研究领域取得了重要进展，推动了现代 1材料与方法 农业的快速发展 。通过提取农作物的颜色、纹理 1.1家蚕样本 和形状等特征 ，并构建支持向量机(Support 在家蚕饲养现场收集家蚕中毒样本图像，并 Vector Machine, SVM ) 、AdaBoost 和人工神经网 使用相同生长阶段下的健康蚕为参照，构建分类 络(ANN)等机器学习模型,研究人员广泛开展了 识别图像数据集 。本研究共收集中毒和健康家蚕 资助项目：四川省农作物育种攻关项目(2021YFYZ0024-3),省财政自主创新专项(2022ZZCX087),智能农业装备研发南充 市重点实验室(NCKL202008)。 作者简介:石洪康(1993-),博士研究生，助理研究员，农业电气化与自动化方向 。张剑飞为通信作者。 文献信息:石洪康，陈肖，王志斌，等.基于SVM的家蚕中毒分类识别研究[J].四川蚕业,2022,50(02),32-35. 2022年第2期 《四川蚕业》 33 图像各约300张 ，均为4 ~ 5龄的大蚕 。使用 400张图像提取特征和构建分类模型 ，使用200 张进行模型测试。 1.2图像预处理 为减少样本采集过程中图像的阴影，暗光等 杂质干扰，确保