鐘誠怡，李 鑫，梁聰彪，薛亞章

(山西農(nóng)業(yè)大學(xué)，山西 晉中 030800)

0 引言

菜青蟲對蔬菜的危害巨大，且分布范圍廣泛。目前，我國對害蟲的診斷主要依靠植保員或有經(jīng)驗的人員，覆蓋面窄、識別的效率低。機器視覺可以很好地解決上述問題。

吳翔[1]采用了Otsu算法和SURF算法提取害蟲的局部特征，對全局特征和局部特征建立了SVM分類器并構(gòu)建了12層卷積神經(jīng)網(wǎng)絡(luò)實現(xiàn)對害蟲的識別。高雄[2]對圖像進行色度變換及歐式距離的方法，并采用閾值法分類識別菜青蟲。宋革聯(lián)[3]采用近紅外高光譜提取菜青蟲不同狀態(tài)的光譜信息，使用最小二乘判別法對菜青蟲的生死狀態(tài)進行分析，并結(jié)合K最鄰近節(jié)點算法等建立分類模型。張震[4]采用基于歐氏距離的機器視覺甘藍菜常見蟲害的精確識別檢測系統(tǒng),并結(jié)合由Qualityspec光譜儀和相關(guān)光譜分析軟件組成的光譜分析系統(tǒng)對健康甘藍葉片和遭受蟲害侵染甘藍葉片的顏色特征和光譜特征進行了分析。

高光譜檢測儀的費用高，閾值分割法受環(huán)境因素影響嚴(yán)重，本文采用HOG特征+SVM分類器的方法進行分類識別。

1 系統(tǒng)的整體框架

系統(tǒng)對圖片上的蟲子進行識別，對拍攝的圖片進行彩色圖片均衡化處理去除光照等環(huán)境因素的影響；再次提取蟲子的特征信息，通過SVM算法的學(xué)習(xí)建立分類器實現(xiàn)對蟲子的識別，具體實現(xiàn)過程如圖1所示。

圖1系統(tǒng)實現(xiàn)整體架構(gòu)

2 圖像預(yù)處理及特征提取

菜青蟲與背景葉片的差別較小，個別圖片因光照、拍攝角度等因素很難識別，采用圖像預(yù)處理技術(shù)對圖片進行增強，使目標(biāo)顯現(xiàn)辨識更明顯。

圖像預(yù)處理采用彩色圖像的平衡化方法，即將RGB三色，以其中一個色度為基準(zhǔn)，匹配剩余的兩種色度的方法。對比圖2中的兩張圖，可以看出平衡化的圖片的識別效果更好一點，重點更加突出。

圖2 增強前后對比圖

特征提取

HOG特征用于目標(biāo)檢測的特征描寫敘述子，該技術(shù)將圖像局部出現(xiàn)的方向梯度次數(shù)進行計數(shù)，HOG的計算采用一致空間的密度矩陣來提高其準(zhǔn)確率。

特征即某個區(qū)域的像素經(jīng)過某種四則運算后最終得到的結(jié)果。特征通過閾值判決來進行區(qū)分目標(biāo)。

HOG的核心思想是所檢測的局部物體外形可以被光強梯度或邊緣方向的分布所描寫敘述。其流程圖如圖3所示。

圖3 HOG特征提取的流程圖

HOG特征相當(dāng)于一個可完全描述一個object的所有信息的向量。

本文中將HOG特征的計算大致分為四步：1) HOG特征的模塊劃分；2)計算梯度和方向；3) 根據(jù)梯度和方向進行bin的投影；4) 計算每個模塊的HOG特征。

在本文中，在模塊劃分中定義四個概念，分別為image size,win size,block size,cell size;其中win的特征計算的是最頂層的單元且win特征的大小不一定等于image的像素大小。block的大小小于win大小且win size的寬和高對block size的寬和高可整除。根據(jù)以下公式可計算HOG特征的維度：

維度=窗體中所有block個數(shù)*每個block中cell的個數(shù)*每個cell中bin的個數(shù)

梯度有兩個屬性，分別是大小f和方向angle，其計算是以像素為單位，也包含特征模板的計算。在本文中，我們設(shè)a,b兩個變量，其中a表示相鄰像素之差，b表示上下像素之差。根據(jù)如下公式可得梯度大小f和方向angle：

angle=tan-1(a/b).

(1)

(2)

bin的投影依賴于梯度，默認將0°-360°劃分為9個bin，每個bin的范圍為0°-40°而該40°為不連續(xù)角度，我們將其平均劃分為兩個連續(xù)的區(qū)域分別進行投影。

通過投影將所有像素遍歷完，分別依次進行權(quán)重累加，即可得到最終的HOG特征。本文中HOG特征為3780維，而HOG特征的判決需要利用SVM分類器。

3 SVM分類器

SVM(Support Vector Machines)是分類算法中應(yīng)用廣泛、效果不錯的一類。其在解決小樣本，非線性及高維模式識別中表現(xiàn)出許多特有的優(yōu)勢。支持向量機方法是建立在統(tǒng)計學(xué)習(xí)理論的VC理論和結(jié)構(gòu)風(fēng)險最小原理基礎(chǔ)上的，VC維越高，問題越復(fù)雜。

分離函數(shù)如同一條直線，將兩類樣本完全分開，w表示平面法向量，b表示截距設(shè)分離平面函數(shù)是:

w*x+b=0.

(3)

通過向量運算轉(zhuǎn)化可得到化簡后的式子：

D=2/||w||.

(4)

將其轉(zhuǎn)化為凸優(yōu)化問題，將以上(3)式和(4)式聯(lián)立，可轉(zhuǎn)化為求：

Min(w,b)||w||2/2.

(5)

對每一個不等式約束引進拉格朗日乘子(Lagrange multiplier)αi≥0,i=1,2,…,n；αi≥0；構(gòu)造拉格朗日函數(shù):

(6)

將w與b消除，原始的約束最優(yōu)化問題可等價于極大極小的對偶問題：

(7)

而線性不可分時，需要向高維空間轉(zhuǎn)化，使其變得線性可分。此時需要松弛變量法來解決此類問題，對每個樣本引入一個松弛變量δi≥0，這樣約束條件變?yōu)椋?/p>

yi(wTxi+b)≥1-δi

(8)

目標(biāo)函數(shù)則變?yōu)?

(9)

其中，C為懲罰因子，C越大，分錯點越少，但也不能太大，以免產(chǎn)生過度離合。為避免維度災(zāi)難，則需要引入核函數(shù)，核函數(shù)是低維空間向高維空間映射，但可在低維空間中對高維空間進行計算。通過Mercer定理來判定核函數(shù)，誘導(dǎo)出核函數(shù)矩陣，得到K值，建立識別模型；系統(tǒng)的識別效果如圖4所示。

圖4 菜青蟲識別效果圖片

4 實驗及總結(jié)

本實驗的樣本集來自山西農(nóng)業(yè)大學(xué)實驗基地，通過手機攝像頭進行拍攝，拍攝像素為1920*1440，訓(xùn)練樣本的像素為64*128，本實驗在Visual Stadio2019上進行編譯，使用python語言，該實驗的訓(xùn)練樣本數(shù)目為300，測試樣本數(shù)目為100，測試結(jié)果如表1所示。

表1 實驗結(jié)果表

論文實現(xiàn)從圖像采集彩色圖片均衡化，減少了環(huán)境對識別的影響，提取HOG特征及SVM的分類學(xué)習(xí)算法，實現(xiàn)對菜青蟲的識別模型。由實驗結(jié)果可以看出，實驗的成功率達到了對蟲子識別的效果。