溫室黃瓜蚜蟲的圖像檢測與計數(shù).pdf

1、作物上害蟲種群密度和危害程度是害蟲防治決策的重要依據(jù)，也是精確噴藥的關鍵信息。與人工測蟲方法相比，使用計算機視覺來自動獲取害蟲信息，不僅可降低勞動強度、提高工作效率，而且便于與后續(xù)的防治決策和精確施藥實現(xiàn)技術對接和技術集成。
　　 當前，害蟲檢測和計數(shù)的主要困難之一還是小蟲體的檢測和計數(shù)。就小蟲體的計算機視覺檢測和計數(shù)而言，也存在著因蟲體幾何尺寸小而導致圖像處理的困難。其一，在同樣的成像設備和成像條件下，小蟲體的成像質量一般比大

2、蟲體要差，這對小蟲體圖像特征提取、處理和檢測都有一些新要求。其二，小蟲體構成的蟲群圖像粘連很嚴重，這對自動化快速準確計數(shù)帶來了困難。為此，本文以溫室黃瓜蚜蟲為對象，研究基于圖像信息的蚜蟲檢測和計數(shù)方法。主要研究內容和結論如下：
　　 1)提出基于G分量閾值分割法實現(xiàn)了蚜蟲檢測
　　 為尋找蚜蟲圖像中蚜蟲與背景顏色特征的差異，首先將蚜蟲圖像分為：蚜蟲區(qū)域、綠色背景和蚜葉區(qū)。通過分析三部分中G分量的差異，提出了G分量閾值分割

3、法并建立G分量閾值的確定原則。采用G分量閾值：TG＜=115，實現(xiàn)了將蚜蟲區(qū)域和非蚜蟲區(qū)域分離開來的目的。
　　 2)溫室黃瓜蚜蟲去粘連分割算法的研究
　　 針對蚜蟲的粘連重疊問題提出了利用分水嶺分割算法去除粘連。傳統(tǒng)的距離變換分水嶺分割和梯度變換分水嶺分割算法都有過分割問題。針對過分割問題本文對分水嶺分割算法進行了改進，提出利用擴展極小值閾值變換的方法對輸入圖像進行標記，對標記后的圖像進行距離變換和分水嶺分割，去除粘連

4、。
　　 在對圖像進行標記時深度閾值h的選擇對分割效果影響很大。但是目前還缺少確定閾值h的有效原則。本文采用數(shù)值試驗建立了閾值h的確定方法。并利用E過、E欠、E誤作為分割優(yōu)劣的指標來考證h最優(yōu)。當深度閾值h=26時，誤分割率最小，為3.14％。
　　 3)確定溫室黃瓜蚜蟲的計數(shù)方法
　　 分別對去粘連(分水嶺分割算法)前后的蚜蟲圖像采用了連通區(qū)域標記法和面積分析法。去粘連前后的連通區(qū)域標記法計數(shù)準確率為80.7％