基于圖像的水稻田間稻飛虱分類方法研究.pdf

1、稻飛虱是我國水稻上一種主要遷飛性害蟲，每年對水稻生產(chǎn)造成很的大經(jīng)濟損失，及時準確地預測田間稻飛虱種群密度對飛虱防治非常重要。傳統(tǒng)的人工普查方法存在工作量大，效率低和精度差等問題。利用圖像處理技術對水稻基部圖像進行稻飛虱自動檢測與計數(shù)不僅節(jié)省勞動力，同時可以提高工作效率和測報的準確率。Yao et al、劉慶杰、趙虎和陳琤利用圖像處理技術，提取了不同的飛虱圖像特征結合分類器來研究稻飛虱自動檢測問題，取得了較好的結果。在他們研究基礎上，進一

2、步分析得知基于圖像的水稻基部飛虱的檢測率和誤檢率仍有一定改善的空間，且稻飛虱田間測報中，還需要對稻飛虱的種類、長短翅和蟲齡進行判斷，本論文繼續(xù)對基于圖像的水稻基部稻飛虱自動檢測進行研究，同時對稻飛虱的種類、長短翅和蟲齡分類問題進行了初步的研究。
　　本文利用HOG特征與Adaboost分類器對水稻基部飛虱圖像進行檢測與計數(shù)研究，從Adaboost參數(shù)選擇、訓練樣本大小、數(shù)量和多樣性方面對分類器進行優(yōu)化。結果表明，采用大小為32*6

3、4像素的飛虱正樣本8000幅，背景全為水稻背景且大小不一的非飛虱負樣本32000幅，最大虛警率為0.48，訓練分類器為21層訓練得到的Adaboost分類器具有較好的檢測效果。以圖像中人眼可識別的稻飛虱人工計數(shù)作為標準，獲得飛虱檢測率為92.3％，誤檢率為53.5%。本論文利用深度學習中的卷積神經(jīng)網(wǎng)絡對飛虱和非飛虱目標進行分類，結果表明，采用卷積神經(jīng)網(wǎng)絡可以達到一個很好的效果，飛虱識別率為99.1%，誤檢率8.7%。將Adaboost分

4、類器和卷積神經(jīng)網(wǎng)絡級聯(lián)，可獲得稻飛虱檢測率為91.5%，誤檢率為4.7%。
　　本文利用Gabor特征和SVM分類器對長翅型稻飛虱、短翅型稻飛虱和稻飛虱高齡、低齡若蟲進行分類識別和計數(shù)。利用HOG特征和SVM分類器對長翅型白背飛虱和長翅型褐飛虱進行分類和計數(shù)。結果表明，對稻飛虱種類、長短翅成蟲和高低齡若蟲的分類準確率均不低于95.0%。本論文研究結果為基于圖像的稻田基部飛虱自動檢測、分類與計數(shù)技術應用到稻田飛虱的測報提供了理論依據(jù)