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(yàn)的人員，覆蓋面窄、識別的效率低。機(jī)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(shí)現(xiàn)對害蟲的識別。高雄[2]對圖像進(jìn)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(jìn)行分析，并結(jié)合K最鄰近節(jié)點(diǎn)算法等建立分類模型。張震[4]采用基于歐氏距離的機(jī)器視覺甘藍(lán)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(lán)葉片和遭受蟲害侵染甘藍(lán)葉片的顏色特征和光譜特征進(jìn)行了分析。

高光譜檢測儀的費(fèi)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(jìn)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(jìn)行識別，對拍攝的圖片進(jìn)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(shí)現(xiàn)對蟲子的識別，具體實(shí)現(xiàn)過程如圖1所示。

圖1系統(tǒng)實(shí)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(gè)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(jìn)行增強(qiáng)，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(gè)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(diǎn)，重點(diǎn)更加突出。

圖2 增強(qiáng)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(jìn)行計(jì)數(shù)，HOG的計(jì)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(gè)區(qū)域的像素經(jīng)過某種四則運(yùn)算后最終得到的結(jié)果。特征通過閾值判決來進(jìn)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(qiáng)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(gè)可完全描述一個(gè)object的所有信息的向量。

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

在本文中，在模塊劃分中定義四個(gè)概念，分別為image size,win size,block size,cell size;其中win的特征計(jì)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(jì)算HOG特征的維度：

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

梯度有兩個(gè)屬性，分別是大小f和方向angle，其計(jì)算是以像素為單位，也包含特征模板的計(jì)算。在本文中，我們設(shè)a,b兩個(gè)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(rèn)將0°-360°劃分為9個(gè)bin，每個(gè)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(gè)連續(xù)的區(qū)域分別進(jìn)行投影。

通過投影將所有像素遍歷完，分別依次進(jìn)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(cuò)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(jī)方法是建立在統(tǒng)計(jì)學(xué)習(xí)理論的VC理論和結(jié)構(gòu)風(fēng)險(xiǎn)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(yùn)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(gè)不等式約束引進(jìn)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(jià)于極大極小的對偶問題：

(7)

而線性不可分時(shí)，需要向高維空間轉(zhuǎn)化，使其變得線性可分。此時(shí)需要松弛變量法來解決此類問題，對每個(gè)樣本引入一個(gè)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(cuò)點(diǎn)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(jìn)行計(jì)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(shí)驗(yàn)及總結(jié)

本實(shí)驗(yàn)的樣本集來自山西農(nóng)業(yè)大學(xué)實(shí)驗(yàn)基地，通過手機(jī)攝像頭進(jìn)行拍攝，拍攝像素為1920*1440，訓(xùn)練樣本的像素為64*128，本實(shí)驗(yàn)在Visual Stadio2019上進(jìn)行編譯，使用python語言，該實(shí)驗(yàn)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(shí)驗(yàn)結(jié)果表

論文實(shí)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(shí)現(xiàn)對菜青蟲的識別模型。由實(shí)驗(yàn)結(jié)果可以看出，實(shí)驗(yàn)的成功率達(dá)到了對蟲子識別的效果。