馬鵬鵬 周愛(ài)明 姚青, 楊保軍 唐健, 潘修強(qiáng)

?

圖像特征和樣本量對(duì)水稻害蟲識(shí)別結(jié)果的影響

馬鵬鵬1周愛(ài)明1姚青1,*楊保軍2唐健2,*潘修強(qiáng)3

(1浙江理工大學(xué) 信息學(xué)院, 杭州 310018;2中國(guó)水稻研究所 水稻生物學(xué)國(guó)家重點(diǎn)實(shí)驗(yàn)室, 杭州 310006;3浙江工貿(mào)職業(yè)技術(shù)學(xué)院 信息與傳媒分院, 浙江 溫州 325002;*通訊聯(lián)系人, E-mail: q-yao@zstu.edu.cn; tangjian@caas.net)

【目的】在傳統(tǒng)的模式識(shí)別分類中，從大量的干擾物體中識(shí)別出目標(biāo)物體，圖像特征參數(shù)的選擇和不同訓(xùn)練樣本數(shù)量的比例對(duì)目標(biāo)物體的識(shí)別結(jié)果有著較大的影響。研究的目的在于明晰不同的圖像特征和樣本量對(duì)水稻燈誘害蟲識(shí)別結(jié)果的影響?！痉椒ā扛鶕?jù)5種目標(biāo)害蟲體型大小，將水稻燈誘昆蟲分成大型昆蟲和小型昆蟲。研究水稻昆蟲圖像的全局特征、局部特征和不同特征融合對(duì)水稻目標(biāo)害蟲識(shí)別結(jié)果的影響；研究基于小樣本條件，選擇不同訓(xùn)練樣本比例對(duì)水稻目標(biāo)害蟲識(shí)別結(jié)果的影響?！窘Y(jié)果】當(dāng)非目標(biāo)昆蟲樣本量約為目標(biāo)害蟲樣本量的4倍時(shí)，基于全局特征和HOG特征融合訓(xùn)練得到的支持向量機(jī)分類器識(shí)別水稻3種大型害蟲，可獲得91.4%的識(shí)別率和8.6%的誤檢率；當(dāng)非目標(biāo)昆蟲樣本量約為目標(biāo)害蟲樣本量的2倍左右時(shí)，基于全局特征的支持向量機(jī)分類器識(shí)別水稻2種小型害蟲，可獲得94.9%的識(shí)別率和4.9%的誤檢率?！窘Y(jié)論】針對(duì)小樣本數(shù)據(jù)，從大量非目標(biāo)中識(shí)別出目標(biāo)物體，選擇合適的特征和設(shè)置合理的訓(xùn)練樣本比例可獲得較好的目標(biāo)識(shí)別結(jié)果。

水稻害蟲；模式識(shí)別；全局特征；局部特征；訓(xùn)練樣本；支持向量機(jī)

隨著圖像處理和機(jī)器學(xué)習(xí)理論的發(fā)展與應(yīng)用，基于圖像的昆蟲自動(dòng)識(shí)別技術(shù)取得了很大的進(jìn)展。昆蟲圖像識(shí)別方法的研究步驟一般包括昆蟲圖像采集、圖像預(yù)處理、昆蟲特征提取與優(yōu)化、分類器的訓(xùn)練和測(cè)試等；其中，昆蟲特征的提取與優(yōu)化和訓(xùn)練樣本的選擇對(duì)昆蟲識(shí)別結(jié)果的影響很大。研究對(duì)象不同，選取的特征也不一樣。用于昆蟲識(shí)別的特征主要包括全局特征、局部特征或多特征進(jìn)行融合。劉芳等[1]提取了蝴蝶正面和反面的顏色特征值，結(jié)合神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)了對(duì)蝴蝶的自動(dòng)識(shí)別，準(zhǔn)確率達(dá)95.2%。于新文等[2]提取了6種幾何形狀特征，利用判別函數(shù)識(shí)別3種昆蟲，準(zhǔn)確率達(dá)100%；張紅濤等[3]提取了7個(gè)形態(tài)學(xué)特征，對(duì)稻縱卷葉螟等9種害蟲圖像進(jìn)行自動(dòng)識(shí)別。趙三琴等[4]將歸一化傅里葉描述子用于稻飛虱形狀的識(shí)別，根據(jù)稻飛虱形狀特征系數(shù)基準(zhǔn)值，將燈下稻飛虱與其他昆蟲分開。Zhao等[5]基于Gabor紋理特征描述子的紋理特征，對(duì)6種不同形態(tài)的害蟲圖像進(jìn)行識(shí)別，取得較好效果。Larios等[6]提取石蠅的PCBR(principal curvature- basedregion detector)檢測(cè)器識(shí)別石蠅幼蟲，有效地區(qū)分出兩種難以辨別的石蠅。Wen等[7]建立了基于全局特征和局部特征的組合模型，實(shí)現(xiàn)了果樹害蟲的分類識(shí)別。李凡[8]利用圖像輪廓特征和灰度共生矩陣特征，訓(xùn)練支持向量機(jī)(support vector machine, SVM)分類器來(lái)識(shí)別50種蝴蝶，準(zhǔn)確率達(dá)到98.0%。胡永強(qiáng)等[9]利用圖像顏色、形態(tài)和紋理，結(jié)合稀疏表達(dá)來(lái)識(shí)別5種油菜害蟲，識(shí)別率為80.7%。

深度學(xué)習(xí)(Deep Learning)在圖像識(shí)別中表現(xiàn)出色，已有學(xué)者開始將卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network, CNN)應(yīng)用到昆蟲識(shí)別中，取得了較好的結(jié)果。Liu等[10]首先利用顯著性分割方法定位害蟲，然后建立CNN模型對(duì)自然環(huán)境下拍攝的12種水稻害蟲進(jìn)行識(shí)別，識(shí)別率高達(dá)95.1%。楊國(guó)國(guó)等[11]利用CNN模型對(duì)23種茶園主要害蟲進(jìn)行識(shí)別，獲得了91.5%識(shí)別率。Wen等[12]提出一種基于深度學(xué)習(xí)方法的改進(jìn)金字塔堆疊去噪自動(dòng)編碼器(improved pyramidal stacked de-noising auto-encoder, IpSDAE)模型對(duì)9種田間昆蟲進(jìn)行識(shí)別，識(shí)別率達(dá)98.1%。雖然深度卷積神經(jīng)網(wǎng)絡(luò)在圖像識(shí)別中已取得較好的表現(xiàn)，但它嚴(yán)重依賴于大數(shù)據(jù)。

上述研究，不管是傳統(tǒng)的模式識(shí)別方法，還是目前流行的CNN模型，在特定且有限的昆蟲種類和樣本中識(shí)別，均能獲得較好的識(shí)別效果。實(shí)際上，自然界昆蟲種類繁多，而我們的訓(xùn)練樣本不可能囊括所有種類的昆蟲，如果待識(shí)別昆蟲不在訓(xùn)練樣本集中，將被誤檢為已知昆蟲。為了有效排除非目標(biāo)，Lytle等[13]利用樸素貝葉斯模型預(yù)測(cè)待測(cè)圖像的概率，并與概率閾值進(jìn)行比較，實(shí)現(xiàn)了非目標(biāo)石蠅圖像的排除，分類準(zhǔn)確率可達(dá)到96.4%。2015年，冼鼎祥等[14]則將非目標(biāo)昆蟲作為一類，利用昆蟲圖像的全局特征訓(xùn)練SVM分類器識(shí)別3種水稻目標(biāo)害蟲，獲得了較高的識(shí)別率。

針對(duì)小樣本數(shù)據(jù)，如何利用傳統(tǒng)的模式識(shí)別方法，從大量的未知種類的昆蟲圖像中識(shí)別出某些種類的目標(biāo)昆蟲，是本研究的主要目的。在經(jīng)典的模式識(shí)別方法中，篩選出能區(qū)分目標(biāo)昆蟲的圖像特征是獲得良好分類器的前提，這樣可以減少特征維數(shù)、增強(qiáng)模型泛化能力、減少過(guò)擬合和提升模型的性能[15]。當(dāng)非目標(biāo)昆蟲數(shù)量遠(yuǎn)遠(yuǎn)多于目標(biāo)昆蟲，目標(biāo)和非目標(biāo)樣本量不均衡情況下，如何確定目標(biāo)與非目標(biāo)樣本的比例以獲得最優(yōu)的分類器，值得進(jìn)一步探討。因此，本研究以水稻燈誘昆蟲為研究對(duì)象，為了從大量的水稻燈誘昆蟲圖像中識(shí)別出5種目標(biāo)害蟲，研究不同的圖像特征和設(shè)置不同數(shù)量的訓(xùn)練樣本訓(xùn)練得到的SVM分類器對(duì)目標(biāo)害蟲識(shí)別結(jié)果的影響。

1 材料與方法

1.1 昆蟲材料

利用智能蟲情測(cè)報(bào)燈[16]誘集水稻昆蟲。這些昆蟲經(jīng)遠(yuǎn)紅外殺死和烘干后，被平鋪于白色平臺(tái)上，通過(guò)工業(yè)相機(jī)(1200萬(wàn)像素)采集這些昆蟲圖像。利用最大熵閾值分割方法[17]去噪、填充空洞、去除無(wú)效連通域、與原圖進(jìn)行映射等預(yù)處理方法去除背景，并用黑色背景進(jìn)行填充。在這些水稻燈誘昆蟲圖像中，非目標(biāo)昆蟲約占90%以上(圖1-A~B)。需要識(shí)別的水稻目標(biāo)害蟲包括體型較大的3種螟蟲[大螟()、二化螟()和稻縱卷葉螟()]和體型較小的2種飛虱[白背飛虱()和褐飛虱()](圖1-C~J)。在非目標(biāo)昆蟲中，有很多昆蟲在顏色、形態(tài)、紋理和大小上與目標(biāo)害蟲有一定的相似性。統(tǒng)計(jì)目標(biāo)害蟲的像素面積，飛虱為1000~3500像素，螟蟲為10 000~65 000像素。由于我們僅識(shí)別5種目標(biāo)害蟲，不在此范圍內(nèi)的昆蟲將直接判為非目標(biāo)。我們將面積在1000~3500像素范圍內(nèi)的昆蟲定義為小型昆蟲，在10 000~65 000像素范圍內(nèi)的昆蟲定義為大型昆蟲。因此，3種螟蟲屬于大型昆蟲，2種飛虱屬于小型昆蟲。

落在平臺(tái)上的目標(biāo)害蟲存在不同姿態(tài)。觀察發(fā)現(xiàn)大螟、二化螟和稻縱卷葉螟可分為背面和腹面2種姿態(tài)(圖1-C~H)，共6類；2種飛虱，一般為側(cè)面姿態(tài)，共2類(圖1-I、J)。除了目標(biāo)害蟲外，其余水稻燈誘昆蟲都作為負(fù)樣本(圖1-A、B)。當(dāng)分類器輸出時(shí)，每種目標(biāo)螟蟲的背面和腹面兩種姿態(tài)被歸為一類。用于訓(xùn)練的燈誘昆蟲樣本圖像數(shù)量見表1。

A－大型非目標(biāo)昆蟲；B－小型非目標(biāo)昆蟲；C－大螟背面；D－大螟腹面；E－二化螟背面；F－二化螟腹面；G－稻縱卷葉螟背面；H－稻縱卷葉螟腹面；I－白背飛虱；J－褐飛虱。

Fig. 1. Rice light-trapped insect images.

為了能更好地利用圖像特征，將所有的昆蟲圖像樣本旋轉(zhuǎn)擺正，即首先計(jì)算每個(gè)昆蟲的最小外接矩形，將最小外接矩形旋轉(zhuǎn)至垂直狀態(tài)；然后計(jì)算最小外接矩形內(nèi)上下兩部分昆蟲所占面積，根據(jù)小型測(cè)報(bào)害蟲上大下小和大型測(cè)報(bào)害蟲上小下大的形態(tài)特征，垂直翻轉(zhuǎn)最小外接矩形使昆蟲圖像統(tǒng)一呈頭朝上的狀態(tài)。對(duì)擺正好的昆蟲圖像進(jìn)行背景填充，使大型水稻昆蟲圖像放大到統(tǒng)一尺寸500×500像素，小型水稻昆蟲放大到統(tǒng)一尺寸80×140像素。

1.2 方法

由于大型昆蟲和小型昆蟲在體型上差異較大，前期研究表明使用一個(gè)分類器來(lái)識(shí)別所有昆蟲，效果不好。因此，將所有的昆蟲樣本根據(jù)昆蟲面積范圍分成大型昆蟲樣本集和小型昆蟲樣本集，分別進(jìn)行特征提取和分類器的訓(xùn)練與測(cè)試。

表1 可用于訓(xùn)練和測(cè)試分類器的昆蟲圖像樣本量

圖像特征一般分全局特征和局部特征[18]。其中，全局特征包括顏色特征、紋理和形態(tài)特征[19]；局部特征包括HOG[20]、Gabor[21]、LBP[22]、SIFT[23]、SURF[24]等。為了從大量的非目標(biāo)昆蟲中識(shí)別出5種目標(biāo)害蟲，我們選擇了全局特征中基于顏色直方圖的顏色特征、基于灰度共生矩陣的紋理特征、形態(tài)特征和局部特征中描述物體輪廓和形狀的HOG特征、描述紋理的Gabor和LBP特征。通過(guò)不同的特征或特征組合訓(xùn)練SVM分類器，根據(jù)測(cè)試結(jié)果來(lái)篩選具有較好區(qū)分度的圖像特征。

由于5種目標(biāo)害蟲樣本量差異較大，而非目標(biāo)樣本量較多(表1)。針對(duì)不同昆蟲種類訓(xùn)練樣本量不均衡的情況，通過(guò)設(shè)置目標(biāo)和非目標(biāo)訓(xùn)練樣本量的不同比例，測(cè)試不同訓(xùn)練樣本比例對(duì)目標(biāo)害蟲識(shí)別結(jié)果的影響。

1.2.1 全局特征的提取

1.2.1.1 顏色特征

顏色直方圖是常用的顏色特征提取和匹配的方法。對(duì)直方圖進(jìn)行量化可以減少特征維數(shù)，根據(jù)文獻(xiàn)[25]，分別在、、三個(gè)通道上進(jìn)行非均勻量化，將量化后的顏色空間按照1∶1∶1的比例合成一維向量。提取R分量顏色均值、能量和峰度等3個(gè)特征，分別提取G、B分量的顏色均值和能量4個(gè)特征，提取分量的顏色均值、方差和能量等3個(gè)特征；共10維顏色特征向量。

1.2.1.2 紋理特征

采用基于灰度共生矩陣的統(tǒng)計(jì)法提取紋理特征值，根據(jù)文獻(xiàn)[26]，設(shè)定統(tǒng)計(jì)距離為=1，共生矩陣生成方向?yàn)?0°，45°，90°，145°，求出角二階矩、熵、慣性矩和相關(guān)性等4個(gè)反映紋理特征的參數(shù)，求這些參數(shù)的均值和方差[27]；共8維紋理特征向量。

1.2.1.3 形態(tài)特征

根據(jù)文獻(xiàn)[14]，將昆蟲圖像二值化，提取矩形度、長(zhǎng)寬比、狹長(zhǎng)度、緊湊度、似圓度、等效橢圓長(zhǎng)短軸比，共6維特征；根據(jù)文獻(xiàn)[28]，用二階、三階歸一化中心距構(gòu)造Hu不變矩。為增強(qiáng)Hu矩的辨識(shí)度和魯棒性，根據(jù)文獻(xiàn)[29]，對(duì)Hu矩加以改進(jìn)，根據(jù)冗余關(guān)系選擇8維不含冗余的特征。共14維形態(tài)特征訓(xùn)練。

1.2.2 局部特征的提取

1.2.2.1 HOG特征

在計(jì)算機(jī)視覺(jué)和圖像處理中，梯度方向直方圖(histograms of oriented gradients，HOG)描述子常被用于物體的檢測(cè)。如果把圖像看成二維離散函數(shù)，導(dǎo)數(shù)即為圖像梯度[20]。HOG描述子將整個(gè)檢測(cè)窗口劃分為塊(block)，每一塊由若干單元格(cell)組成，對(duì)單元格內(nèi)像素的一維梯度方向直方圖進(jìn)行統(tǒng)計(jì)，將所有單元格內(nèi)梯度方向直方圖組合起來(lái)，用于描述整個(gè)圖像的特征[18]。

對(duì)昆蟲圖像提取HOG特征，大型和小型昆蟲的塊大小分別為250×250和40×70像素，每個(gè)塊由4個(gè)單元格構(gòu)成，大型和小型昆蟲每個(gè)單元格分別由125×125和20×35像素構(gòu)成，采用9個(gè)bin直方圖來(lái)統(tǒng)計(jì)每個(gè)cell的梯度信息。得到每個(gè)塊內(nèi)有4×9=36個(gè)梯度直方圖，大型和小型昆蟲的單元格分別為125×125和20×35像素，最終得到HOG特征為324維。

1.2.2.2 Gabor特征

Gabor小波對(duì)圖像的邊緣比較敏感，能夠提供良好的方向和尺度選擇特性，但對(duì)光照變化不敏感，對(duì)光照變化具有良好的適應(yīng)性[30]。

提取昆蟲的Gabor特征，采用5個(gè)尺度8個(gè)方向共40個(gè)Gabor濾波器對(duì)昆蟲圖像進(jìn)行小波變換。如果將原昆蟲圖像分別與40個(gè)Gabor濾波器進(jìn)行卷積，會(huì)得到太高的維數(shù)。為了避免維數(shù)災(zāi)難，采用雙線性插值法[31]將大型昆蟲圖像變換為10×11像素，小型昆蟲圖像變換為8×13像素。然后，將40個(gè)Gabor濾波器分別與10×11和8×13像素的小圖像進(jìn)行卷積，獲得大型和小型昆蟲圖像的Gabor特征維數(shù)分別為4400和4160。

1.2.2.3 LBP特征

2015年中國(guó)急性ST段抬高型心肌梗死診斷和治療指南，2016年中國(guó)經(jīng)皮冠狀動(dòng)脈介入治療指南，均對(duì)抗血小板治療增加了大量篇幅，較以前指南更加重視[1]，對(duì)于STEMI指南對(duì)血小板糖蛋白(glycoprotein，GP)Ⅱb/Ⅲa受體拮抗劑在有效的雙聯(lián)抗血小板及抗凝治療情況下，不推薦STEMI患者造影前常規(guī)應(yīng)用GPⅡb/Ⅲa受體拮抗劑(Ⅱb，B)[2]。高危患者或造影提示血栓負(fù)荷重、未給予適當(dāng)負(fù)荷量P2Y12受體抑制劑的患者可靜脈使用替羅非班或依替巴肽(Ⅱa，B)。直接PCI時(shí)，冠狀動(dòng)脈內(nèi)注射替羅非班有助于減少無(wú)復(fù)流、改善心肌微循環(huán)灌注(Ⅱb，B)。

局部二值模式(local binary pattern，LBP)是Ojala等[32]在1994年提出的一種用來(lái)描述圖像局部紋理特征的算子。LBP算子定義在像素3×3鄰域內(nèi)，以鄰域中心像素為閾值，相鄰的8個(gè)像素的灰度值與鄰域中心的像素值進(jìn)行比較，若周圍像素大于中心像素值，則該像素點(diǎn)的位置被標(biāo)記為1，否則為0。這樣，3×3鄰域內(nèi)的8個(gè)點(diǎn)經(jīng)過(guò)比較可產(chǎn)生8位二進(jìn)制數(shù)，將這8位二進(jìn)制數(shù)依次排列形成一個(gè)二進(jìn)制數(shù)，這個(gè)二進(jìn)制數(shù)字轉(zhuǎn)化為十進(jìn)制數(shù)，即為中心像素的LBP值，可反映該像素周圍區(qū)域的紋理信息[20]。本研究使用對(duì)LBP算子改進(jìn)后的等價(jià)模式[33]，在3×3領(lǐng)域8個(gè)采樣點(diǎn)內(nèi)提取水稻昆蟲的共58維LBP特征。

1.2.4 分類器

傳統(tǒng)的分類方法有模糊模式識(shí)別[34]、貝葉斯分類器[35]和模板匹配[36]等，這些方法都是建立在最小風(fēng)險(xiǎn)決策基礎(chǔ)上，泛化能力較差。支持向量機(jī)(support vector machine，SVM)是建立在結(jié)構(gòu)風(fēng)險(xiǎn)最小原理上、具有較好泛化能力的一種分類方法[37]。與傳統(tǒng)的分類算法相比，SVM方法主要是利用內(nèi)積核函數(shù)代替向高維空間的非線性映射，解決了線性不可分的問(wèn)題，同時(shí)SVM的決策函數(shù)是由那些少數(shù)的支持向量的數(shù)據(jù)來(lái)決定而非所有的數(shù)據(jù)，大大提高了運(yùn)算速率。

利用帶后驗(yàn)概率的支持向量機(jī)[38]，即利用Sigmoid函數(shù)把SVM的標(biāo)準(zhǔn)輸出映射到[0,1]區(qū)間上的一個(gè)概率估計(jì)，分別對(duì)大型昆蟲和小型昆蟲進(jìn)行判別。使用LIBSVM工具箱[39]進(jìn)行分類器的訓(xùn)練，選擇徑向基函數(shù)(RBF)作為核函數(shù)，使用一對(duì)一方法組合多個(gè)二分類器；按照交叉驗(yàn)證機(jī)制并利用粒子群尋優(yōu)(POS)算法尋找最佳的懲罰因子C和核函數(shù)中g(shù)amma參數(shù)獲得最優(yōu)的訓(xùn)練模型。

由于3種螟蟲與2種飛虱體型相差較大，我們?cè)谔幚淼臅r(shí)候，利用兩個(gè)分類器分別來(lái)識(shí)別螟蟲和飛虱。為了得到最佳分類準(zhǔn)確率下對(duì)應(yīng)的C和gamma，通過(guò)交叉驗(yàn)證找到最優(yōu)的懲罰因子C和RBF核函數(shù)中的參數(shù)gamma。當(dāng)用于大型水稻害蟲識(shí)別時(shí)，C=2048和gamma=0.03125，用于小型水稻害蟲識(shí)別時(shí)C=512，gamma=0.03125，可以獲得SVM分類器的最高識(shí)別率。

1.2.5 識(shí)別結(jié)果的評(píng)價(jià)參數(shù)

2 結(jié)果與分析

2.1 不同的全局特征對(duì)目標(biāo)害蟲識(shí)別結(jié)果的影響

針對(duì)小樣本目標(biāo)害蟲，3種螟蟲訓(xùn)練樣本全部參與訓(xùn)練，并隨機(jī)取1450幅大型非目標(biāo)昆蟲圖像作為訓(xùn)練樣本；2種飛虱訓(xùn)練樣本量均為800，并隨機(jī)取1600幅小型非目標(biāo)昆蟲圖像作為訓(xùn)練樣本。

表2 不同全局特征訓(xùn)練SVM分類器識(shí)別目標(biāo)害蟲的結(jié)果

表3 不同局部特征訓(xùn)練SVM分類器識(shí)別目標(biāo)害蟲的結(jié)果

提取大型昆蟲和小型昆蟲訓(xùn)練樣本的顏色、紋理和形態(tài)特征，用它們及其兩兩組合或三個(gè)特征組合，分別訓(xùn)練14個(gè)SVM分類器。對(duì)測(cè)試樣本集進(jìn)行測(cè)試，SVM分類器對(duì)5種水稻燈誘測(cè)報(bào)害蟲的平均識(shí)別率與誤檢率見表2。

由表2可以看出，3種全局特征對(duì)大型目標(biāo)害蟲的識(shí)別率從大到小依次為：形態(tài)>顏色>紋理；對(duì)小型目標(biāo)害蟲則表現(xiàn)為顏色>形態(tài)>紋理。表明顏色和形態(tài)特征比紋理特征能更有效得識(shí)別出這5種目標(biāo)害蟲。3種特征兩兩組合要比單獨(dú)使用一種特征對(duì)5種目標(biāo)害蟲的識(shí)別率明顯提高，誤檢率明顯下降。當(dāng)使用三種特征組合時(shí)，SVM分類器獲得了最高的識(shí)別率和最低的誤檢率。

2.2 不同的局部特征對(duì)目標(biāo)害蟲識(shí)別結(jié)果的影響

訓(xùn)練樣本同2.1。提取大型昆蟲和小型昆蟲訓(xùn)練樣本的HOG、LBP和Gabor 3種局部特征，分別訓(xùn)練6個(gè)SVM分類器。對(duì)測(cè)試樣本集進(jìn)行測(cè)試，SVM分類器對(duì)5種水稻燈誘害蟲的平均識(shí)別率與誤檢率見表3。

由表3可知，三種局部特征中，HOG特征識(shí)別大型和小型目標(biāo)害蟲表現(xiàn)最好，其次是Gabor特征，LBP特征識(shí)別效果最差。HOG特征是描述物體局部的輪廓和形狀的，Gabor和LBP是描述物體紋理的，因此害蟲的輪廓和形狀相比紋理更具有辨識(shí)度。這與利用全局特征識(shí)別結(jié)果是一致的，特別是大型害蟲。

2.3 全局特征和局部特征融合對(duì)目標(biāo)害蟲識(shí)別結(jié)果的影響

將全局特征的3種特征組合與HOG特征進(jìn)行融合，用同樣的訓(xùn)練樣本訓(xùn)練SVM分類器，對(duì)相同的測(cè)試樣本集進(jìn)行測(cè)試。從表3可以看出，利用顏色+紋理+形態(tài)+HOG特征融合后訓(xùn)練SVM分類器獲得的測(cè)試結(jié)果，對(duì)于大型目標(biāo)害蟲，識(shí)別率(91.4%)比利用3種全局特征組合獲得的識(shí)別率(90.5%)和單獨(dú)利用HOG特征獲得的識(shí)別率(87.6%)要高；對(duì)于小型目標(biāo)害蟲，識(shí)別率(94.2%)和誤檢率(5.4%)雖然比單獨(dú)利用HOG特征獲得的結(jié)果要好很多，但稍遜于利用顏色+紋理+形態(tài)特征組合獲得的識(shí)別率(94.9%)和誤檢率(4.9%)。

因此，針對(duì)水稻大型目標(biāo)害蟲識(shí)別，我們優(yōu)先選用顏色+紋理+形態(tài)+HOG特征訓(xùn)練的SVM分類器；針對(duì)水稻小型目標(biāo)害蟲識(shí)別，則優(yōu)先選用顏色+紋理+形態(tài)全局特征訓(xùn)練的SVM分類器。

2.4 不同訓(xùn)練樣本量比例對(duì)目標(biāo)害蟲識(shí)別結(jié)果的影響

由于目標(biāo)害蟲與非目標(biāo)昆蟲訓(xùn)練樣本量存在不均衡的情況，設(shè)置了不同比例的樣本量組合，對(duì)大型目標(biāo)害蟲識(shí)別，提取顏色+紋理+形態(tài)+HOG特征訓(xùn)練SVM分類器；對(duì)小型目標(biāo)害蟲識(shí)別，提取顏色+紋理+形態(tài)特征訓(xùn)練SVM分類器。

表4 不同訓(xùn)練樣本比例對(duì)大型目標(biāo)害蟲識(shí)別的結(jié)果

2.4.1 不同訓(xùn)練樣本比例對(duì)大型目標(biāo)害蟲識(shí)別結(jié)果的影響

由表1可知，由于水稻大型目標(biāo)害蟲存在不同姿態(tài)，共分為6類，每類訓(xùn)練樣本數(shù)量在330~430之間，平均為366，大型非目標(biāo)昆蟲樣本量最多為5800。我們采用了全部的目標(biāo)害蟲訓(xùn)練樣本，同時(shí)設(shè)置了7個(gè)不同樣本量的非目標(biāo)昆蟲組合，提取顏色+紋理+形態(tài)+HOG特征訓(xùn)練SVM分類器。分別對(duì)同一測(cè)試集進(jìn)行測(cè)試。

從表4可見，大型非目標(biāo)昆蟲樣本量不同時(shí)，識(shí)別率和誤檢率也不同。當(dāng)非目標(biāo)樣本量是每種分類目標(biāo)樣本量的1~3倍，目標(biāo)害蟲識(shí)別率均非常高，但誤檢率也較高。當(dāng)非目標(biāo)昆蟲樣本量繼續(xù)增加時(shí)，目標(biāo)害蟲識(shí)別率下降，同時(shí)誤檢率大大降低，即非目標(biāo)誤檢為目標(biāo)害蟲的比例下降，由于實(shí)際樣本中，非目標(biāo)昆蟲遠(yuǎn)遠(yuǎn)多于目標(biāo)害蟲，所以必須選擇較低的誤檢率。為了保證高識(shí)別率和低誤檢率，選擇大型非目標(biāo)昆蟲樣本量為1450，即約為目標(biāo)樣本量4倍時(shí)，識(shí)別率和誤檢率的綜合效果達(dá)到最優(yōu)。

表5 不同訓(xùn)練樣本比例對(duì)小型目標(biāo)害蟲識(shí)別的結(jié)果

2.4.2 不同訓(xùn)練樣本比例對(duì)小型目標(biāo)害蟲識(shí)別結(jié)果的影響

由于褐飛虱訓(xùn)練樣本量最小，僅為800，針對(duì)白背飛虱和小型非目標(biāo)昆蟲，我們?cè)O(shè)定了7組不同訓(xùn)練樣本量組合，提取顏色+紋理+形態(tài)特征訓(xùn)練SVM分類器，分別對(duì)同一測(cè)試集進(jìn)行測(cè)試。

從表5可見，當(dāng)兩種飛虱樣本量一樣，小型非目標(biāo)昆蟲樣本量與目標(biāo)害蟲樣本量相同時(shí)，獲得了較高的識(shí)別率，同時(shí)平均誤檢率也較高；當(dāng)非目標(biāo)昆蟲是目標(biāo)害蟲樣本量的2倍時(shí)，識(shí)別率稍微下降，但誤檢率下降到4.9%。隨著非目標(biāo)樣本量繼續(xù)增加，平均識(shí)別率下降較多，誤檢率也下降到2.7%。表明非目標(biāo)昆蟲樣本量越多，能獲得較低的誤檢率，但也不是越多越好，因?yàn)闀?huì)導(dǎo)致目標(biāo)害蟲識(shí)別率下降。當(dāng)白背飛虱1600個(gè)訓(xùn)練樣本均參與訓(xùn)練，非目標(biāo)樣本量也為1600，飛虱識(shí)別率較高，但誤檢率也較高。當(dāng)增加非目標(biāo)昆蟲樣本量后，飛虱識(shí)別率明顯下降，誤檢率變化不大。

因此，訓(xùn)練樣本中，盡可能使目標(biāo)種類樣本量均等，而非目標(biāo)昆蟲樣本數(shù)是目標(biāo)害蟲樣本數(shù)的2倍，可獲得較高的識(shí)別率和較低的誤檢率。這與2.4.1螟蟲識(shí)別結(jié)果是不一樣的。

表6 在最優(yōu)圖像特征參數(shù)和訓(xùn)練樣本比例下的水稻大型害蟲識(shí)別結(jié)果

2.5 在最優(yōu)圖像特征參數(shù)和訓(xùn)練樣本比例下水稻害蟲識(shí)別結(jié)果

針對(duì)水稻大型害蟲，選擇非目標(biāo)昆蟲樣本量為1450時(shí)，提取全局特征+HOG特征，訓(xùn)練SVM分類器，對(duì)測(cè)試樣本進(jìn)行測(cè)試，獲得的目標(biāo)害蟲混淆矩陣見表6；針對(duì)水稻小型害蟲，利用全局特征，選擇2種飛虱樣本均為800，非目標(biāo)昆蟲樣本為1600時(shí)，訓(xùn)練SVM分類器，對(duì)測(cè)試樣本進(jìn)行測(cè)試，獲得的目標(biāo)害蟲混淆矩陣見表7。

表7 在最優(yōu)圖像特征參數(shù)和訓(xùn)練樣本比例下的水稻小型害蟲識(shí)別結(jié)果

由混淆矩陣可知，由于水稻小型昆蟲訓(xùn)練樣本數(shù)較多，獲得了較高的識(shí)別率和較低的誤檢率。對(duì)于水稻大型害蟲，大螟、稻縱卷葉螟和二化螟都獲得了較高的識(shí)別準(zhǔn)確率，而大型非目標(biāo)昆蟲由于種類繁多并且一部分形態(tài)特征和螟蟲比較相似，導(dǎo)致整體識(shí)別準(zhǔn)確率下降，誤檢率較高。

為了進(jìn)一步說(shuō)明帶后驗(yàn)概率的支持向量分類器識(shí)別水稻害蟲的能力，根據(jù)真陽(yáng)性率和假陽(yáng)性率分別畫出水稻大型害蟲和水稻小型害蟲的受試者工作特征曲線(receiver operating characteristic curve)。從圖2-A可以看出，水稻大型目標(biāo)害蟲均具有較好的識(shí)別率，但非目標(biāo)的識(shí)別率較低；由于大型目標(biāo)害蟲樣本量較小，如果增加目標(biāo)樣本，同時(shí)相應(yīng)的增加非目標(biāo)樣本的數(shù)量，識(shí)別率有望提高。從圖2-B中看出水稻小型害蟲和非目標(biāo)均獲得較高的識(shí)別率，說(shuō)明該分類器設(shè)計(jì)的合理性。

A－水稻大型害蟲; B－水稻小型害蟲。PSB－大螟；RLF－稻縱卷葉螟；SSB－二化螟；WBPH－白背飛虱；BPH－褐飛虱。NT1－大型非目標(biāo)昆蟲；NT2－小型非目標(biāo)昆蟲。

Fig. 2.Receiver operating characteristic curve of support vector machine classifiers.

3 討論

為了從大量的水稻燈誘昆蟲中識(shí)別出5種目標(biāo)害蟲，我們將非目標(biāo)昆蟲作為一類，研究了不同的圖像特征參數(shù)和不同的訓(xùn)練樣本量比例訓(xùn)練獲得的SVM分類器對(duì)水稻目標(biāo)害蟲識(shí)別結(jié)果的影響。結(jié)果表明，識(shí)別水稻大型昆蟲中3種螟蟲，當(dāng)非目標(biāo)樣本量約為目標(biāo)樣本量的4倍時(shí)，基于全局特征和HOG特征融合訓(xùn)練得到的SVM分類器獲得了3種螟蟲平均識(shí)別率為91.4%，平均誤檢率為8.6%；識(shí)別小型昆蟲中2種飛虱，當(dāng)非目標(biāo)樣本量約為目標(biāo)樣本量的2倍左右時(shí)，基于全局特征的SVM分類器識(shí)別水稻小型昆蟲，獲得了2種飛虱平均識(shí)別率為94.9%，平均誤檢率為4.9%。

在傳統(tǒng)的模式識(shí)別中，圖像特征的提取和篩選對(duì)分類器識(shí)別結(jié)果的影響很大。如何從不同的研究對(duì)象的原始圖像中篩選具有較強(qiáng)表示能力的圖像特征是智能圖像處理的一個(gè)重要步驟。鄧江洪等[40]針對(duì)圖像分類中的特征選擇問(wèn)題，提出一種多特征篩選與支持向量機(jī)融合的圖像分類模型，對(duì)圖像多種特征進(jìn)行篩選，降低了圖像分類開銷，并提高了圖像分類性能；沙睿[41]針對(duì)單一特征在判定的算法上存在誤判區(qū)域，將單一特征進(jìn)行對(duì)比得到一個(gè)多特征融合的綜合性算法，提高算法的準(zhǔn)確率和魯棒性，具有較強(qiáng)的適應(yīng)性。本研究利用昆蟲顏色、紋理和形態(tài)三種全局特征組合訓(xùn)練的SVM分類器可獲得目標(biāo)害蟲更高的識(shí)別率和較低的誤檢率，表明全局特征的綜合特征更有利于害蟲的識(shí)別。局部特征中描述目標(biāo)物體輪廓和形狀的HOG特征對(duì)昆蟲識(shí)別表現(xiàn)得更好。將全局特征與HOG特征融合，更有利于水稻螟蟲的識(shí)別，但對(duì)小型害蟲飛虱的識(shí)別沒(méi)有起作用，主要是因?yàn)轱w虱個(gè)體較小，其局部特征不明顯。

由于采集的水稻燈誘昆蟲中大量的樣本屬于非目標(biāo)昆蟲，種類繁多，個(gè)體差異較大，容易造成和目標(biāo)之間的誤判，故將其作為一類樣本與目標(biāo)害蟲樣本一起訓(xùn)練分類器。但非目標(biāo)樣本量并不是越多越好，需要和目標(biāo)樣本之間保持一定的比例，而且不同目標(biāo)樣本之間也需要保持在合理的比例之內(nèi)，使分類器的分類識(shí)別結(jié)果達(dá)到最優(yōu)。在對(duì)3種螟蟲進(jìn)行識(shí)別時(shí)，目標(biāo)平均樣本量與非目標(biāo)樣本量比例約為1∶4時(shí)，可保證較高的識(shí)別率和較低的誤檢率；超過(guò)這個(gè)比例時(shí)，識(shí)別率大大下降，而誤檢率大大上升。在對(duì)2種飛虱進(jìn)行識(shí)別的時(shí)候，非目標(biāo)樣本量約是目標(biāo)樣本量的2倍時(shí)，可保證較高的識(shí)別率和較低的誤檢率；超過(guò)這個(gè)比例時(shí)，識(shí)別率大大下降。因此，在目標(biāo)樣本小樣本情況下，為了從大量樣本中識(shí)別出目標(biāo)，需要保證目標(biāo)害蟲之間、目標(biāo)害蟲和非目標(biāo)昆蟲之間比例保持在合理的范圍內(nèi)，分類器才能獲得較好的識(shí)別結(jié)果；否則，比例失衡會(huì)導(dǎo)致SVM的分類決策面發(fā)生偏移，使識(shí)別分類結(jié)果變差。

[1] 劉芳, 沈佐銳, 張建偉,楊紅珍. 基于顏色特征的昆蟲自動(dòng)鑒定方法. 應(yīng)用昆蟲學(xué)報(bào), 2008, 45(1): 150-153.

Liu F, Shen Z R, Zhang J W, Yang H Z. Automatic insect identification based on color characters., 2008, 45(1): 150-153. (in Chinese with English abstract)

[2] 于新文, 沈佐銳, 高靈旺, 李志紅. 昆蟲圖像幾何形狀特征的提取技術(shù)研究. 中國(guó)農(nóng)業(yè)大學(xué)學(xué)報(bào), 2003, 8(3): 47-50.

Yu X W, Shen Z R, Gao L W, Li Z H. Feature measuring and extraction for digital image of insects., 2003, 8(3): 47-50. (in Chinese with English abstract)

[3] 張紅濤, 胡玉霞, 趙明茜, 邱道尹, 張孝遠(yuǎn), 張恒源. 田間害蟲圖像識(shí)別中的特征提取與分類器設(shè)計(jì)研究. 河南農(nóng)業(yè)科學(xué), 2008, 37(9): 73-75.

Zhang H T, Hu Y X, Zhao M Q, Qiu D Y, Zhang X Y, Zhang H Y. Feature Extraction and classification in the image recognition for agricultural pests., 2008, 37(9): 73-75. (in Chinese)

[4] 趙三琴, 丁為民, 劉德營(yíng). 基于傅里葉描述子的稻飛虱形狀識(shí)別. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2009, 40(8): 181-184.

Zhao S Q, Ding W M, Liu D Y. Rice hopper shape recognition based on Furier descriptors., 2009, 40(8): 181-184. (in Chinese with English abstract)

[5] Zhao J, Cheng X P. Field pest identification by an improved Gabor texture segmentation scheme., 2007, 50(5): 719-723.

[6] Larios N, Deng H, Zhang W, Sarpola M, Yuen J, Paasch R, Moldenke A, Lytle D.A, Correa S.R, Mortensen E, Shapiro L G, Dietterich T G. Automated insect identification through concatenated histograms of local appearance features: Feature vector generation and region detection for deformable objects., 2008, 19(2): 105-123.

[7] Wen C, Guyer D E, Li W. Automated insect classification with combined Global and local features for orchard management//An ASABE Meeting Presentation, June 21-24, 2009Reno, Nevada: 2009.

[8] 李凡. 基于數(shù)字圖像的蝴蝶種類自動(dòng)識(shí)別研究. 北京：北京林業(yè)大學(xué), 2015.

Li F. The Research on Automatic Identification of Butterfly Species Based on the Digital Image. Beijing: BeijingForestry University, 2015. (in Chinese with English abstract)

[9] 胡永強(qiáng), 宋良圖, 張潔, 謝成軍, 李瑞. 基于稀疏表示的多特征融合害蟲圖像識(shí)別. 模式識(shí)別與人工智能, 2014, 27(11): 985-992.

Hu Y Q, Song L T, Zhang J, Xie C J, Li R. Pest Image recognition of multi-feature fusion based on sparse representation., 2014, 27(11): 985-992. (in Chinese with English abstract)

[10] Liu Z, Gao J, Yang G, ZhangH, He Y. Localization and classification of paddy field pests using a saliency map and deep convolutional neural network., 2016, 6: 20410.

[11] 楊國(guó)國(guó), 鮑一丹, 劉子毅. 基于圖像顯著性分析與卷積神經(jīng)網(wǎng)絡(luò)的茶園害蟲定位與識(shí)別. 農(nóng)業(yè)工程學(xué)報(bào), 2017, 33(6): 156-162.

Yang G G, Bao Y D, Liu Z Y. Location and recognition of pests in tea plantation based on image saliency analysis and convolutional neural network., 2017, 33(6): 156-162. (in Chinese with English abstract)

[12] Wen C, Wu D, Hu H, PanW. Pose estimation-dependent identification method for field moth images using deep learning architecture., 2015, 136: 117-128.

[13] Lytle D A, Martínezmu?oz G, Zhang W, Lorios N, Shaprio L. Automated processing and identification of benthic invertebrate samples., 2010, 29(3): 867-874.

[14] 冼鼎翔, 姚青, 楊保軍, 羅舉, 譚暢, 張超, 徐一成.基于圖像的水稻燈誘害蟲自動(dòng)識(shí)別技術(shù)的研究. 中國(guó)水稻科學(xué), 2015, 29(3): 299-304.

Xian D X, Yao Q, Yang B J, Luo J, Tan C, Zhang C, Xu Y C. Automatic identification of rice light-trapped pest based on image., 2015, 29(3): 299-304. (in Chinese with English abstract)

[15] 劉鵬宇. 基于內(nèi)容的圖像特征提取算法的研究. 長(zhǎng)春: 吉林大學(xué), 2004.

Liu P Y. Study on the algorithms for content-based image feature extraction. Changchun: Jilin University, 2004. (in Chinese with English abstract)

[16] 梁勇. 智能蟲情測(cè)報(bào)燈在水稻害蟲測(cè)報(bào)上的應(yīng)用效果. 廣西植保, 2009, 22(1): 21-23.

Liang Y. Application effect of intelligent insect report lamp on rice pest monitoring., 2009, 22(1): 21-23. (in Chinese)

[17] 張新明, 張愛(ài)麗, 鄭延斌, 孫印杰, 李雙. 改進(jìn)的最大熵閾值分割及其快速實(shí)現(xiàn). 計(jì)算機(jī)科學(xué), 2011, 38(8): 278-283.

Zhang X M, Zhang A L, Zheng Y B, Sun Y J, Li S. Improved two-dimensional maximum entropy image thresholding and its fast recursive realization., 2011, 38(8): 278-283. (in Chinese with English abstract)

[18] 蘇煜, 山世光, 陳熙霖, 高文. 基于全局和局部特征集成的人臉識(shí)別. 軟件學(xué)報(bào), 2010, 21(8): 1849-1862.

Su Y, Shan S G, Chen X L, Gao W. Integration of global and local feature for face recognition., 2010, 21(8): 1849-1862. (in Chinese with English abstract)

[19] 彭晶. 基于全局特征點(diǎn)提取的指紋識(shí)別方法研究. 長(zhǎng)春: 吉林大學(xué), 2005.

Peng J. The study of fingerprint identification based on the deltas and cores.Changchun: Jilin University, 2005. (in Chinese with English abstract)

[20] Liu B, Wu H, Su W, Sun J. Sector-ring HOG for rotation-invariant human detection., 2017, 54(C): 1-10.

[21] Zhu J X, Su G D, Li Y C. Facial expression recognition based on gabor feature and adaboost., 2011, 17(8): 993-998.

[22] Lei Y M, Zhao X M, Guo W D. Cirrhosis recognition of liver ultrasound images based on SVM and uniform LBP feature//2015 IEEE Advanced Information Technology, Electronic and Automation Control Conference (IAEAC),19-20 December, 2015. Chongqing, China: IEEE, 2015: 382-387.

[23] Olgun M, Onarcan A O, Sezer O, Koyuncu O. Wheat grain classification by using dense SIFT features with SVM classifier., 2016, 122(C): 185-190.

[24] Dlin S, Jiang Y T, Lin J J. Object Tracking Using a Particle Filter with SURF Feature., 2014, 8815(3): 339-344.

[25] 王娟, 孔兵, 賈巧麗. 基于顏色特征的圖像檢索技術(shù). 計(jì)算機(jī)系統(tǒng)應(yīng)用, 2011, 20(7): 160-164.

Wang J, Kong B, Jia Q L. Color-Based Image Retrieval., 2011, 20(7): 160-164. (in Chinese with English abstract)

[26] 任國(guó)貞, 江濤. 基于灰度共生矩陣的紋理提取方法研究. 計(jì)算機(jī)應(yīng)用與軟件, 2014(11): 190-192.

Ren G Z, Jiang T. Study on glcm-based texture extraction methods., 2014(11): 190-192. (in Chinese with English abstract)

[27] 鄭淑丹, 鄭江華, 石明輝, 郭寶林, 森巴提, 孫志群, 賈曉光, 李曉瑾. 基于分形和灰度共生矩陣紋理特征的種植型藥用植物遙感分類. 遙感學(xué)報(bào), 2014, 18(4): 868-886.

Zheng S D, Zheng J H, Shi M H, Guo B L, Sen B T, Sun Z Q, Jia X G, Li X J. Classification of cultivated Chinese medicinal plants based on fractal theory and gray level co-occurrence matrix textures., 2014, 18(4): 868-886. (in Chinese with English abstract)

[28] 楊舒, 王玉德. 基于Contourlet變換和Hu不變矩的圖像檢索算法. 紅外與激光工程,2014, 43(1): 306-310.

Yang S, Wang Y D. Image retrieval algorithm based on contourlet transform and Hu invariant moment., 2014, 43(1): 306-310. (in Chinese with English abstract)

[29] 張華. 基于形態(tài)特征提取的圖像匹配搜索技術(shù)研究. 物聯(lián)網(wǎng)技術(shù), 2013(11): 16-18.

Zhang H. Research on image matching search technology based on morphology characterization extraction., 2013(11): 16-18. (in Chinese)

[30] Arivazhagan S, Ganesan L, Priyal S P. Texture classification using Gabor wavelets based rotation invariant features., 2006, 27(16): 1976-1982.

[31] 王昊京, 王建立, 王鳴浩, 陰玉梅. 采用雙線性插值收縮的圖像修復(fù)方法. 光學(xué)精密工程,2010, 18(5): 1234-1241.

Wang H J, Wang J L, Wang M H, Yin Y M. Efficient image inpainting based on bilinear interpolation downscaling., 2010, 18(5): 1234-1241. (in Chinese with English abstract)

[32] Ojala T, Pietikainen M, Maenpaa T. Multiresolution gray-scale and rotation invariant texture classification with local binary patterns//IEEE Transactions on Pattern Analysis and Machine IntelligenceSpringer Berlin Heidelberg, 2000: 404-420.

[33] 曾凡濤. 基于改進(jìn)LBP特征的圖像理解. 長(zhǎng)春: 吉林大學(xué), 2014.

Zeng F T. Image Understanding Based on Improved LBP Methodology. Changchun: Jilin University, 2014. (in Chinese with English abstract)

[34] 陳振華, 余永權(quán), 張瑞. 模糊模式識(shí)別的幾種基本模型研究. 計(jì)算機(jī)技術(shù)與發(fā)展, 2010, 20(9): 32-35.

Chen Z H, Yu Y Q, Zhang R. Research on several models of fuzzy pattern recognition problems., 2010, 20(9): 32-35. (in Chinese with English abstract)

[35] 王雙成, 杜瑞杰, 劉穎. 連續(xù)屬性完全貝葉斯分類器的學(xué)習(xí)與優(yōu)化. 計(jì)算機(jī)學(xué)報(bào), 2012, 35(10): 2129-2138.

Wang S C, Du R J, Liu Y. The learning and optimization of full bayes classifiers with continuous attributes., 2012, 35(10): 2129-2138. (in Chinese with English abstract)

[36] 吳曉軍, 鄒廣華. 基于邊緣幾何特征的高性能模板匹配算法. 儀器儀表學(xué)報(bào), 2013, 34(7): 23-30.

Wu X J, Zou G H. High performance template matching algorithm based on edge geometry features., 2013, 34(7): 23-30. (in Chinese with English abstract)

[37] 羅昕. 基于Fisher鑒別分析對(duì)支持向量機(jī)算法進(jìn)行優(yōu)化的研究. 昆明: 云南大學(xué), 2016.

Luo X. Research on the optimization of support vector machine algorithm based on Fisher discriminant analysis. Kunming: Yunnan University, 2016. (in Chinese with English abstract)

[38] 任俊, 李志能. 支持向量機(jī)在字符分類識(shí)別中的應(yīng)用. 浙江大學(xué)學(xué)報(bào): 工學(xué)版, 2005, 39(8):1136-1141.

Ren J, Li Z N. Application of support vector machines in classification and recognition of characters., 2005, 39(8): 1136-1141. (in Chinese with English abstract)

[39] 崔萌, 張春雷.LIBSVM, LIBLINEAR, SVMmuticlass比較研究. 電子技術(shù), 2015(6): 1-5.

Cui M, Zhang C L. The comparison study of LIBSVM, LIBLINEAR and SVMmulticlass., 2015 (6):1-5. (in Chinese)

[40] 鄧江洪, 趙領(lǐng). 多特征篩選與支持向量機(jī)相融合的圖像分類模型. 吉林大學(xué)學(xué)報(bào):理學(xué)版, 2016, 54(4): 862-866.

Deng J H, Zhao L. Image Classification model with multiple feature selection and support vector machine.:, 2016, 54(4): 862-866. (in Chinese with English abstract)

[41] 沙睿. 基于多特征融合的圖像相似性研究. 南京: 南京大學(xué), 2011.

Sha R. A Study of image Similarity based on multi-features. Nanjing: Nanjing University, 2011. (in Chinese with English abstract)

Influence of Image Features and Sample Sizes on Rice Pest Identification

MA Pengpeng1, ZHOU Aiming1, YAO Qing1, *, YANG Baojun2, TANG Jian2, *, PAN Xiuqiang3

(College of Information,,,;State Key Laboratory of Rice Biology,,,;Information and Media Institute,,;Corresponding author,;)

【Objective】In the traditional pattern recognition methods, image features and the sizes of training samples have a great influence on the identification results of target objects from a large number of distraction objects. Our objective is to study the influence of different image features and sample sizes on identification of rice light-trapped pests. 【Methods】Rice light-trapped insects were divided into two broad categories：big insects and small insects. The global and local image features of all insects were extracted and different sizes of training samples were set to train support vector machine classifiers. 【Result】The support vector machine classifier based on the combination of global features and HOG features could obtain the identification rate of 91.4% and false detection rate of 8.6% when the non-target sample size was fourfold as many as target samples in big rice pests. The support vector machine classifier based on global features could obtain the identification rate of 94.9% and false detection rate of 4.9% when the non-target sample size was two times as many as target samples in small rice pests. 【Conclusion】In the small sample sets, appropriate image features and reasonable training sample proportion help achieve good identification results when some targets need to be identified from a large number of non-target objects.

rice pest; pattern recognition; global feature; local feature; training sample; support vector machine

S435.112; TP391.411

A

1001-7216(2018)04-0405-10

2017-09-21；

2017-12-17。

國(guó)家863計(jì)劃資助項(xiàng)目(2013AA102402)；浙江理工大學(xué)521人才培養(yǎng)計(jì)劃資助；浙江省科技計(jì)劃資助項(xiàng)目(2016C32103)。

10.16819/j.1001-7216.2018.7116