劉迦南 朱洋 李藝嘉 韓婧

[摘要]為了實現(xiàn)對煙青蟲的有效防治，借助計算機(jī)對煙青蟲雌雄成蟲進(jìn)行有效的圖像識別是非常重要的。在機(jī)器視覺與圖像識別技術(shù)的結(jié)合下，通過支持向量機(jī)對害蟲進(jìn)行有效識別。煙青蟲雌雄成蟲圖像屬于典型的二分類問題，為此，在自動提取其顏色及紋理等36個特征的基礎(chǔ)上，研究了將LIBSVM工具應(yīng)用于害蟲性別判別的方法。通過K折交叉驗證選取分類機(jī)的最優(yōu)參數(shù)組合并建立模型，對目標(biāo)害蟲圖像進(jìn)行了自動分類，識別率達(dá)到95%。實驗結(jié)果表明，利用該方法可以對害蟲性別做出有效判別。

[關(guān)鍵詞]煙青蟲;圖像增強(qiáng);雌雄害蟲;支持向量機(jī)

煙青蟲，Helicoverpa assulla（Guenee），又名煙草夜蛾，鈴夜蛾屬，寄主植物達(dá)70余種，主要危害煙草、辣椒，是世界性的煙草害蟲，國內(nèi)各煙區(qū)均有分布。其中黃淮煙區(qū)、華中煙區(qū)、西南煙區(qū)的四川、貴州等地分布較多，國外集中分布在日本、朝鮮、印度等地，每年給種植者、政府造成巨大損失[1]。

在對煙青蟲的系統(tǒng)探究過程中，需要進(jìn)行蟲體的雌雄判別。小菜蛾雌雄比例是衡量飼料是否成功的重要指標(biāo)之一[2];在對害蟲食料進(jìn)行選擇性及適應(yīng)性的研究中，雌蟲的產(chǎn)卵喜好及嗜食性差異是綜合治理的重要依據(jù)[3];在不同光源對害蟲誘殺效果的評價研究中，雌雄上燈比率有明顯差異，表現(xiàn)為雄性上燈率遠(yuǎn)多于或近似于雌性的上燈率[4];在田間預(yù)測預(yù)報與誘殺防治的研究中，利用性激素誘導(dǎo)害蟲，可以獲得雌雄蟲比并推算其種群動態(tài)變化[5];在夜蛾昆蟲數(shù)學(xué)分類應(yīng)用中，利用翅脈特征可對棉鈴蟲等六種害蟲做出有效判別[6];對害蟲在不同寄主植物適應(yīng)度的研究中，通過比較不同齡期蟲在七種植物上的存活率、體重、產(chǎn)卵率等指標(biāo)，發(fā)現(xiàn)在棉花、大豆作物上適應(yīng)度最高[7];在工業(yè)應(yīng)用的研究中發(fā)現(xiàn)，成蟲體內(nèi)含有的蛋白酶經(jīng)純化后可與金屬離子氧化還原，在漂白劑、有機(jī)溶劑和商業(yè)洗滌劑中具有很高的穩(wěn)定性和相容性，是一種具有重要工業(yè)特性的生物資源替代品[8]。

目前對煙青蟲雌雄成蟲的形態(tài)描述多限于專家經(jīng)驗及教科書，大多數(shù)是利用手繪或移動設(shè)備拍照形成原始圖像再進(jìn)行人工判別，利用計算機(jī)視覺技術(shù)對煙青蟲性別做出自動判別還未見報道。

本研究通過飼養(yǎng)害蟲多代，對煙青蟲雌雄成蟲進(jìn)行系統(tǒng)觀察，利用圖像處理和模式識別相結(jié)合的方法描述煙青蟲的識別分類特征，從而對雌雄害蟲做出有效的自動判別，為其相關(guān)領(lǐng)域的研究及應(yīng)用等工作提供參考。

1 圖像采集與預(yù)處理

本文研究對象來自河南農(nóng)業(yè)大學(xué)植物保護(hù)室剛孵化未交尾的煙青蟲雌雄成蟲，連續(xù)培養(yǎng)多代。經(jīng)試驗，采取活體拍照取樣方法最佳，即通過蜂蜜水或者蔗糖水將煙青蟲吸引至白色背景板，采用美國菲力爾公司（FILR）生產(chǎn)工業(yè)相機(jī)（型號為BFLY-PGE-50S5C-C，25mm工業(yè)鏡頭）進(jìn)行害蟲RGB高清彩色數(shù)字圖像的獲取。所獲取圖像格式為BMP，原始圖像經(jīng)有效區(qū)域裁剪后分辨率為380×380像素。原始圖像可用作顏色特征的提取，對原始圖像進(jìn)行圖像增強(qiáng)，采用直方圖均衡化后，發(fā)現(xiàn)RGJB圖像的B通道灰度圖像紋理效果良好，有利于后續(xù)的紋理特征提取和選擇[9]。本文所用程序算法在MATLAB 2014a環(huán)境中實現(xiàn)，軟件運行環(huán)境為LENOVO PC兼容（32GRAM， InlelCore i7 CPU，3.6GHz主頻）。圖1為實驗室飼養(yǎng)的煙青蟲雌雄成蟲RGB圖像，按上述方法得到的單通道圖像見圖2。

2 特征提取

人們往往通過肉眼觀察昆蟲的顏色、紋理、形狀甚至害蟲的外生殖器等特征來對害蟲進(jìn)行區(qū)分判別，但借助人工識別往往容易因為疲勞等因素導(dǎo)致結(jié)果出現(xiàn)偏差[10]。

（1）顏色特征：顏色信息通常分布在顏色低階矩中，顏色矩方法的思想在于圖像中任何的顏色分布都可以用它的矩來表示。此外，由于顏色分布信息主要集中在低階矩中，如一階矩描述平均顏色、二階矩捕述顏色方差、三階矩描述顏色的偏移性，利用低階矩就可以近似表示顏色分布的特征[11]。

（2）紋理特征：已有對紋理特征描述方法進(jìn)行研究，如統(tǒng)計法、合成法、結(jié)構(gòu)法、邊緣描述法等[9]。在紋理特征統(tǒng)計方法的描述中，最主要是生成圖像的CLCM（灰度共生矩陣）和GLDS（差分統(tǒng)計法），并通過計算其中的各個量度值來捕述圖像。紋理是一種不依賴于顏色或亮度變化的反映圖像中同質(zhì)現(xiàn)象的視覺特征，刻畫了圖像像素鄰域灰度空間分布的規(guī)律，是所有物體表面都具有的內(nèi)在特性[12]。不同物體具有不同的紋理，比如不同昆蟲圖像所對應(yīng)的紋理數(shù)值具有差異，基于此可用紋理特征對害蟲性別進(jìn)行有效區(qū)分判別。

（3）不變矩特征：不變矩是一種比較經(jīng)典的特征提取方法。單純的中心矩或是原點矩盡管可以表征平面物體的幾何形狀但都不具有不變性，然而可以從這些矩構(gòu)造不變量。這種方法最初由Hu提出，他利用中心矩構(gòu)造出7個不變量，這些不變量已經(jīng)被成功地應(yīng)用于很多領(lǐng)域[13]。其中最多被應(yīng)用于圖像識別，圖像在平移、鏡像、旋轉(zhuǎn)變換時具有變量不變性，以此作為7個特征可供選取特征量時的參考。

本文對雌雄害蟲圖像有效區(qū)域進(jìn)行特征提取，最終提取特征包括顏色、紋理與不變矩特征，具體提取方法如下：顏色矩（顏色一階矩、顏色二階矩、顏色三階矩）、灰度共生矩陣（0°、45°、90°、135°）、差分統(tǒng)計矩陣、七個不變矩，共計36個特征。煙青蟲雌雄蟲體之間各個特征量綱差異較大，如果直接進(jìn)行分類識別不僅影響系統(tǒng)性能且對計算精度影響較大。因此，對提取的所有原始特征數(shù)據(jù)進(jìn)行歸一化處理以降低計算時間，提高計算效率及精度。利用MATLAB中自帶函數(shù)MAPMINMAX對數(shù)據(jù)做歸一化處理，經(jīng)過歸一化處理后，特征數(shù)據(jù)的范圍為0-1。

3 雌雄煙青蟲的自動判別

支持向量機(jī)（Support Vector Machine，SVM）是一種新型的監(jiān)督式機(jī)器學(xué)習(xí)方法，其算法原理是依據(jù)1995年Vapnik創(chuàng)立的統(tǒng)計學(xué)理論中的風(fēng)險經(jīng)驗最小化準(zhǔn)則（SRM），將樣本點誤差以及結(jié)構(gòu)風(fēng)險水平降到最低，對樣本數(shù)量范圍沒有過多要求，極大地提高了模型的推廣能力[14]。線性可分時，利用最優(yōu)分類面選取思想，選擇目標(biāo)距離最遠(yuǎn)的折中，使待區(qū)分的目標(biāo)準(zhǔn)確無誤地分開，并使待檢測目標(biāo)的分類間隔最大。對于煙青蟲雌雄體的判別問題，可以把它作為一個二分類問題來解決。利用LIBSVM軟件包在MATLAB環(huán)境下來實現(xiàn)，LIBSVM作為通用的SVM軟件包，可以解決分類問題（c-SVC，v-SVC）、回歸問題（ε-SVR，v-SVR）以及分布估計（one-class-SVM）等，提供了四種核函數(shù)（線性、多項式、徑向基和s形），可以有效地解決多類問題、交叉驗證參數(shù)優(yōu)化、對不平衡樣本加權(quán)、多類問題的概率估計等[15]。支持向量機(jī)基本求解公式如下（本文選用c-SVC分類和RBF（徑向基核函數(shù)：K（x，x_i）= exp（-g‖x_i-x‖²））：

其中g(shù)為方差且>0，Y_i為符號函數(shù)，ω為權(quán)向量，x_i為樣本向量，b為截距，C為懲罰因子，ε_i島為松弛變量，l為樣本總數(shù)。

LIBSVM軟件包使用的一般步驟如下[6]：（1）根據(jù)LIBSVM軟件包的格式要求準(zhǔn)備數(shù)據(jù)集。（2）對數(shù)據(jù)集進(jìn)行必要的縮放操作。（3） -般考慮選用RBF核函數(shù)。（4）用交叉驗證搜索參數(shù)C與g的最優(yōu)參數(shù)組合。（5）用搜索到的最優(yōu)參數(shù)組合對整個訓(xùn)練集進(jìn)行訓(xùn)練，得到支持向量機(jī)模型。（6）利用得到的訓(xùn)練模型對測試集進(jìn)行預(yù)測。

煙青蟲成蟲的雌雄判別屬于二分類問題，LIBSVM工具箱采用的是一對一的SVM算法，在對訓(xùn)練樣本進(jìn)行訓(xùn)練的過程中，構(gòu)造出所有可能出現(xiàn)的二類別分類器，經(jīng)過140個煙青蟲樣本（其中雌雄各為70個）訓(xùn)練后的SVM分類器的nSV（支持向量）共112個。用SVM分類器對60個（雌雄各30個）雌雄害蟲樣本進(jìn)行測試，正確識別率為95%。結(jié)果顯示僅有3個樣本被誤判，其余57只均實現(xiàn)了自動精確分類判別，取得了較好的分類結(jié)果，結(jié)果見圖3。

4 結(jié)論

（1）把K折交叉驗證訓(xùn)練模型的識別率作為分類器性能的一個主要評價因素，訓(xùn)練測試得到的最優(yōu)C與g，當(dāng)C=19.6983，g=0.0272時，識別率達(dá)到95%，使得測試樣本識別率達(dá)到了最佳。

（2）研究運用LIBSVM進(jìn)行煙青蟲雌雄成蟲判別分類的可行性，并采用徑向基核函數(shù)對雌雄害蟲特征數(shù)據(jù)進(jìn)行SVC數(shù)據(jù)的分類，通過大量樣本的訓(xùn)練與測試，識別率為95%。實踐證明煙青蟲雌雄成蟲圖像識別中基于SVM的分類器能夠達(dá)到預(yù)期的效果。因此，支持向量機(jī)分類模型在實際中可以作為判別害蟲類別的依據(jù)。

（3）所采集煙青蟲均為戶外自然條件下采集且連續(xù)飼養(yǎng)多代，與野生害蟲體型有略微差別，下一步應(yīng)將自然狀態(tài)下害蟲加入分類樣本數(shù)據(jù)集，結(jié)果更加具有意義及廣泛性。

參考文獻(xiàn)

[1]任廣偉.煙蚜和煙青蟲的發(fā)生與防治[J].煙草科技，2002 （5）：75-79.

[2]莫美華，龐雄飛.二次正交旋轉(zhuǎn)回歸設(shè)計在小菜蛾飼料配方篩選中的應(yīng)用[J].生態(tài)學(xué)報，2006 （7）：2935-2941.

[3]張勇，王開運，王剛，等.煙青蟲對三種食料植物的選擇性及適應(yīng)性[J].應(yīng)用昆蟲學(xué)報，2006 （6）：781-784

[4]張玥.20種光源對蔬菜地主要害蟲的誘殺效果評價[D].武漢：華中農(nóng)業(yè)大學(xué)，2010.

[5]劉超，邢茂德，邊文波，等.淄博市棉鈴蟲種群動態(tài)及其在測報中應(yīng)用分析[J].農(nóng)業(yè)科技通訊，2016 （8）：123-125.

[6]蔡小娜，黃大莊，沈佐銳，等，蛾翅翅脈特征在夜蛾昆蟲數(shù)學(xué)分類學(xué)中的應(yīng)用，中國農(nóng)業(yè)大學(xué)學(xué)報，2015 （5）：188-193.

[7] REIGADA C， GUIMARAES K F PARRA J R P Relative fitness ofhelicoverpa armigera （lepidoptera： noctuidae） on seven host plants：8perspective for IPM in Brazil[J].Journal oflnsect Science，2016（1）：3

[8] AKBAR S M， SHARMA H C Alkaline serine proteases fromHelicuverpa armigera： potential candidates for industrial applications[J].Archives oflnsect Biochemistry&Physiology，2017（1）：21367

[9]劉舒，姜琦剛，邵永社，等應(yīng)用灰度共生矩陣的紋理特征描述的研究[J].科學(xué)技術(shù)與工程，2012 （33）：8909-8914.

[10]張紅濤，毛罕平，邱道尹.儲糧害蟲圖像識別中的特征提取[J].農(nóng)業(yè)工程學(xué)報，2009 （2）：126-130.

[11]戴天虹，王克奇，楊少舂.基于顏色特征對木質(zhì)板材分級的研究[J].系統(tǒng)仿真學(xué)報，2008 （5）：1372-1376.

[12]孫君頂，馬媛媛，紋理特征研究綜述[J].計算機(jī)系統(tǒng)應(yīng)用，2010 （6）：245-250.

[13]柳林霞，陳杰，竇麗華.不變矩理論及其在目標(biāo)識別中的應(yīng)用[J].火力與指揮控制，2003 （2）：13-15.

[14]張紅濤，胡玉霞，毛罕平.基于SVM的儲糧害蟲圖像識別分類[J].農(nóng)機(jī)化研究，2008 （8）：36-38.

[15]王慧勤，雷剛.基于LIBSVM的風(fēng)速預(yù)測方法研究[J].科學(xué)技術(shù)與工程，2011 （22）：5440-5442+5450.

[16]李坤，劉鵬，呂雅潔，等.基于Spark的L|BSVM參數(shù)優(yōu)選并行化算法[J].南京大學(xué)學(xué)報（自然科學(xué)），2016 （2）：343-352.