王茂林，榮二花，張利軍，賀曉紅，武文卿，李亞林，郝曉娟，郭艷瓊，馬瑞燕，趙 清，趙志國(guó)

（1.山西農(nóng)業(yè)大學(xué)農(nóng)學(xué)院，山西太谷030801；2.太谷縣植物保護(hù)植物檢疫站，山西太谷030800；3.山西省農(nóng)業(yè)科學(xué)院園藝研究所，山西太原030031）

隨著農(nóng)業(yè)經(jīng)濟(jì)的迅速發(fā)展，如何快速準(zhǔn)確地監(jiān)測(cè)害蟲成為農(nóng)業(yè)生產(chǎn)的一個(gè)重要問題。對(duì)于害蟲的監(jiān)測(cè)與預(yù)防，需要從蟲害的發(fā)生初期就對(duì)害蟲進(jìn)行精確、快速地監(jiān)測(cè)與計(jì)數(shù)，從而準(zhǔn)確獲取蟲害信息并且進(jìn)行害蟲防治[1]。在實(shí)踐中，害蟲的預(yù)測(cè)預(yù)報(bào)主要依靠人工。但是，在人工調(diào)查時(shí)，人們運(yùn)用放大鏡對(duì)害蟲進(jìn)行計(jì)數(shù)，不僅工作量大、效率低，而且不能對(duì)害蟲進(jìn)行精確地識(shí)別與計(jì)數(shù)，影響了害蟲的監(jiān)測(cè)結(jié)果，因此，探索一種實(shí)時(shí)、準(zhǔn)確的監(jiān)測(cè)害蟲技術(shù)成為害蟲防治的前提和關(guān)鍵[2]。

為了對(duì)薊馬害蟲進(jìn)行預(yù)測(cè)預(yù)報(bào)需要誘集薊馬害蟲，目前，我國(guó)已經(jīng)對(duì)薊馬害蟲的誘捕方法進(jìn)行了大量研究。米娜[3]通過對(duì)薊馬趨光規(guī)律和不同波長(zhǎng)色板田間誘捕效果進(jìn)行研究，結(jié)果發(fā)現(xiàn)，450 nm的藍(lán)色自制黏蟲色板和反射波長(zhǎng)為440～470 nm的誘蟲色板對(duì)薊馬的誘蟲效果最好。劉陽等[4]通過對(duì)藍(lán)色黏蟲板在不同高度、時(shí)間段對(duì)牛角花齒薊馬的誘集效果進(jìn)行研究，結(jié)果表明，黏蟲板距植物頂部10 cm 時(shí)，誘捕效果最好；黏蟲板在10：00 對(duì)薊馬的誘集數(shù)量最多。李煒等[5]運(yùn)用不同顏色的黏蟲板對(duì)春季茶園做綠色防控，結(jié)果表明，藍(lán)色黏蟲板對(duì)薊馬的誘殺效果最好。大量研究結(jié)果表明，藍(lán)色黏蟲板對(duì)薊馬的誘捕效果最好。

同時(shí)，我國(guó)在害蟲圖像診斷研究方面已取得了一定的進(jìn)展。ZHAO 等[1]通過運(yùn)用圖像處理方法和邏輯模型，對(duì)梨小食心蟲圖像進(jìn)行灰度化、分離和形態(tài)分析，實(shí)現(xiàn)了對(duì)梨小食心蟲的自動(dòng)計(jì)數(shù)，并構(gòu)建邏輯斯諦模型進(jìn)行梨小食心蟲的防治關(guān)鍵時(shí)期的預(yù)報(bào)，實(shí)現(xiàn)了對(duì)梨小食心蟲種群的控制。張震等[6]運(yùn)用圖像處理方法對(duì)螞蟻進(jìn)行計(jì)數(shù)研究，通過對(duì)圖像灰度化、銳化、二值化等處理，獲得的螞蟻數(shù)量準(zhǔn)確率較高，通過圖像處理可以取得較好的效果。張成龍[7]基于計(jì)算機(jī)視覺技術(shù)對(duì)菜用大豆和豌豆的豆莢內(nèi)是否存在害蟲進(jìn)行了檢測(cè)。桂便等[8]基于卷積神經(jīng)網(wǎng)絡(luò)對(duì)儲(chǔ)糧害蟲進(jìn)行識(shí)別，選取了5 種儲(chǔ)糧害蟲作為訓(xùn)練樣本，運(yùn)用卷積網(wǎng)絡(luò)的Alexnet 模型對(duì)儲(chǔ)糧害蟲進(jìn)行識(shí)別，準(zhǔn)確度達(dá)到97.62%。樊景超[9]通過MobileNets 構(gòu)建深度學(xué)習(xí)模型對(duì)果園害蟲進(jìn)行分類識(shí)別，對(duì)6 種果園害蟲識(shí)別的準(zhǔn)確率均在90%以上。目前，研究對(duì)象主要集中在大于5 mm 的昆蟲，對(duì)于2 mm 下的昆蟲研究在算法和軟件精準(zhǔn)識(shí)別和計(jì)數(shù)上還存在一定的問題。

本研究以薊馬為研究對(duì)象，通過運(yùn)用害蟲誘捕器、遠(yuǎn)程傳輸系統(tǒng)和自動(dòng)計(jì)數(shù)軟件，實(shí)現(xiàn)對(duì)薊馬的遠(yuǎn)程監(jiān)測(cè)。其中，自動(dòng)化計(jì)數(shù)軟件以O(shè)penCV 圖像處理和VGG19 深度神經(jīng)網(wǎng)絡(luò)模型相結(jié)合的基本手段，通過OpenCV 模塊獲取最佳的顏色分割通道對(duì)圖像進(jìn)行裁剪。對(duì)裁剪后的圖像進(jìn)行高斯濾波處理，去除圖像噪聲。再對(duì)圖像進(jìn)行灰度化、閾值化和二值化處理，利用低通濾波器、形態(tài)學(xué)開操作得到清晰的二值圖像，利用Canny 算子進(jìn)行輪廓檢測(cè)，獲取所有輪廓的目標(biāo)圖像，繼而獲取每個(gè)輪廓的RGB 圖像。運(yùn)用VGG19 深度神經(jīng)網(wǎng)絡(luò)對(duì)目標(biāo)圖像進(jìn)行識(shí)別鑒定，從而將薊馬篩選出來，統(tǒng)計(jì)所有的薊馬圖像并計(jì)數(shù)，最終實(shí)現(xiàn)對(duì)薊馬準(zhǔn)確快速識(shí)別與計(jì)數(shù)。本研究運(yùn)用OpenCV 圖像處理方法和VGG深度神經(jīng)網(wǎng)絡(luò)相結(jié)合的方法對(duì)薊馬進(jìn)行識(shí)別與計(jì)數(shù)，提高了薊馬監(jiān)測(cè)的效率和準(zhǔn)確率。

1 材料和方法

1.1 試驗(yàn)材料

試驗(yàn)在山西省晉中市太谷縣烏馬河附近的蔬菜大棚中進(jìn)行。試驗(yàn)通過薊馬誘捕器、遠(yuǎn)程圖像傳輸、自動(dòng)化計(jì)數(shù)軟件實(shí)現(xiàn)對(duì)薊馬的遠(yuǎn)程監(jiān)測(cè)。薊馬害蟲誘捕器由三角形誘捕器、薊馬誘芯和藍(lán)色黏蟲板組成，并在三角形誘捕器兩端放置2.38 mm 篩孔的防蟲網(wǎng)。圖像遠(yuǎn)程傳輸系統(tǒng)運(yùn)用樹莓派將采集的薊馬圖像遠(yuǎn)程上傳到對(duì)象存儲(chǔ)服務(wù)器。圖像采集設(shè)備使用自主研發(fā)遠(yuǎn)程監(jiān)控?cái)z像頭，按需求定時(shí)獲取薊馬圖像，本試驗(yàn)設(shè)置每2 h 采集一次薊馬圖像。在害蟲初期，溫室內(nèi)害蟲較少，每7 d 更換一次藍(lán)色黏蟲板；中后期害蟲數(shù)量迅速增加，每3 d 更換一次藍(lán)色黏蟲板。OpenCV 是開源的計(jì)算機(jī)視覺和機(jī)器學(xué)習(xí)庫(kù)，提供了C++、C、Python、Java 接口，并支持Linux、Mac、Android 和Windows 系統(tǒng)。OpenCV 提供了很多函數(shù)，實(shí)現(xiàn)了從最基本的濾波到高級(jí)的物體檢測(cè)等計(jì)算機(jī)視覺算法。因此，本試驗(yàn)在Python 環(huán)境下使用OpenCV 實(shí)現(xiàn)對(duì)薊馬害蟲的識(shí)別與計(jì)數(shù)。

1.2 試驗(yàn)方法

1.2.1 圖像處理方法

1.2.1.1 讀取薊馬圖片 在計(jì)算機(jī)內(nèi)存中讀取薊馬RGB 圖片，薊馬圖片的保存類型為二進(jìn)制文件，圖像的輸入和輸出為uint8 類型。

1.2.1.2 選取最佳的顏色分割通道 在讀取的RGB 圖像中，除了需要獲取的薊馬藍(lán)色黏蟲板圖像外，還存在著其他背景像素，背景像素會(huì)對(duì)薊馬圖像識(shí)別造成干擾，因此，需要?jiǎng)h除其他背景像素，只提取實(shí)際的藍(lán)色黏蟲板圖像。為了將藍(lán)色黏蟲板圖像與背景進(jìn)行較好地區(qū)分，需要尋找圖像最佳的顏色通道。本試驗(yàn)通過對(duì)圖像的RGB、Lab 和HSV 的9 個(gè)通道進(jìn)行比較，結(jié)果表明，HSV Color 空間的H通道對(duì)藍(lán)色黏蟲板圖像和背景圖像區(qū)分效果最佳。因此，選用H 通道進(jìn)行后續(xù)的圖像處理。

1.2.1.3 圖像分割 圖像分割是圖像處理技術(shù)的一種重要方法。在對(duì)圖像的處理過程中，人們只會(huì)獲取感興趣的部分圖像，這些感興趣的圖像部分被稱為目標(biāo)和前景[10]。其中，圖像中的具有薊馬像素的藍(lán)色黏蟲板就是目標(biāo)像素。對(duì)于圖像的分割，本試驗(yàn)采用K 均值聚類對(duì)圖像進(jìn)行分割處理。在H 通道上，通過K 值聚類，選擇2 個(gè)聚類進(jìn)行K 均值聚類分析，其中，一個(gè)聚類為前景帶有薊馬的藍(lán)色黏蟲板圖像，另一個(gè)聚類為不需要的背景圖像。對(duì)聚類后H 通道圖像進(jìn)行裁剪，去除所有的黑色背景像素（刪除像素值為0 的像素），得到薊馬的藍(lán)色黏蟲板圖像。

1.2.1.4 高斯濾波去噪 在獲取薊馬的黏蟲板圖像時(shí)，由于成像設(shè)備、環(huán)境、光照以及拍攝背景等因素的影響，在成像過程中容易產(chǎn)生一定的噪聲。圖像中的噪聲不僅影響圖像的觀看，而且也會(huì)對(duì)圖像的處理造成重大影響，降低圖像處理結(jié)果的準(zhǔn)確性。因此，采用高斯濾波去噪的方法處理藍(lán)色黏蟲板圖像，以消除圖像噪聲。

1.2.1.5 二值化圖像 目標(biāo)圖像的二值化操作方法是通過灰度直方圖選取最佳的閾值，將256 個(gè)亮度等級(jí)的灰度圖像通過閾值分割獲得可以反映圖像整體和局部特征的二值圖像。其中，在灰度圖像中，大于閾值的像素值設(shè)置為255，顯示為白色；小于閾值的像素值設(shè)置為0，顯示為黑色。將去噪后的藍(lán)色黏蟲板圖像進(jìn)行二值化處理，使灰度圖像轉(zhuǎn)化為黑白圖像。

1.2.1.6 圖像開操作 開運(yùn)算是將輸入圖像先被結(jié)構(gòu)元素腐蝕，然后再被結(jié)構(gòu)元素膨脹的結(jié)果[11]。開運(yùn)算不僅可以使圖像的其他像素轉(zhuǎn)化為背景，而且開運(yùn)算在黏連目標(biāo)的分離及背景噪聲（椒鹽噪聲）的去除方面有較好的效果，可以起到低通濾波的作用。圖像經(jīng)過分割處理后，對(duì)于出現(xiàn)的噪聲，本試驗(yàn)采用開操作對(duì)二值圖像進(jìn)行處理。

1.2.1.7 圖像邊緣檢測(cè) 目標(biāo)圖像的邊緣檢測(cè)方法是圖像分析中非常重要的一種方法，被廣泛地應(yīng)用于區(qū)域形狀提取、目標(biāo)區(qū)域識(shí)別和圖像分割等圖像處理操作中。圖像的邊緣檢測(cè)有利于圖像識(shí)別過程中目標(biāo)像素特征的提取。在圖像中，每個(gè)物體邊界上的像素點(diǎn)，在像素周圍存在梯度變化的像素值。采用灰度的變化方向和大小來表示圖像灰度值的變化特征[12]。

1.2.1.8 獲取圖像輪廓 在計(jì)算機(jī)視覺中，輪廓檢測(cè)是另一個(gè)比較重要的任務(wù)，不單是用來檢測(cè)圖像中物體的輪廓，而且還有其他操作（多邊形邊界、形狀逼近和計(jì)算感興趣區(qū)域）與輪廓檢測(cè)有關(guān)[13]。

1.2.1.9 獲取感興趣區(qū)域圖像 通過獲取圖像輪廓，獲取每個(gè)輪廓的坐標(biāo)，將輪廓內(nèi)區(qū)域從藍(lán)色黏蟲板圖像上裁剪下來，生成若干個(gè)可能是薊馬的圖像。對(duì)若干的目標(biāo)圖像進(jìn)行保存。

1.2.1.10 VGG19 網(wǎng)絡(luò)進(jìn)行薊馬識(shí)別與計(jì)數(shù) 對(duì)于獲取的若干個(gè)目標(biāo)圖像，運(yùn)用已經(jīng)訓(xùn)練好的VGG19 深度神經(jīng)網(wǎng)絡(luò)模型實(shí)現(xiàn)對(duì)目標(biāo)圖像的鑒定，判斷目標(biāo)圖像是否為薊馬，如果目標(biāo)圖像是薊馬，統(tǒng)計(jì)所有是薊馬圖像個(gè)數(shù)，完成對(duì)整個(gè)藍(lán)色黏蟲板圖像的薊馬計(jì)數(shù)。

1.2.2 圖像處理算法

1.2.2.1 K 均值聚類 為了實(shí)現(xiàn)藍(lán)色黏蟲板圖像的聚類，完成圖像分割，本試驗(yàn)采用K 均值聚類。K 均值聚類算法是一種需要進(jìn)行多次運(yùn)算求解的圖像處理方法，K 均值聚類首先需要在圖像上隨機(jī)地選取K 個(gè)點(diǎn)作為均值聚類的聚類中心，其中，K 值為需要對(duì)圖像像素進(jìn)行分類的類別個(gè)數(shù)[14]。分別計(jì)算圖像上每個(gè)像素到各個(gè)聚類中心點(diǎn)的距離，根據(jù)該距離的大小，把每個(gè)像素點(diǎn)和距離最近的聚類中心分為一類。每完成一次聚類，都要對(duì)聚類中心進(jìn)行重新計(jì)算。這個(gè)過程需要進(jìn)行多次迭代直到?jīng)]有像素被重新計(jì)算為止。

K-Means 算法為迭代型聚類算法，以距離大小作為分類指標(biāo)，從而將像素分為K 個(gè)類，而且每個(gè)聚類中心都是通過求平均值的方法得到的[15]。根據(jù)給定的一個(gè)（包含n 個(gè)一維以及一維以上的數(shù)據(jù)點(diǎn)的）數(shù)據(jù)集X，將X 的數(shù)值分為K 個(gè)類別，運(yùn)用歐式距離進(jìn)行相似性分類，要求K 個(gè)聚類目標(biāo)的聚類平方和最小，即最小化。

1.2.2.2 高斯濾波去噪 對(duì)于圖像的去噪，本試驗(yàn)采用高斯模糊來處理圖像。高斯模糊主要運(yùn)用傅里葉變換，基于傅里葉變換，本試驗(yàn)通過采用低通濾波器（LowPass Filer，LPF）來消除圖像噪聲。低通濾波器是在像素與周圍像素的亮度差值小于一個(gè)特定值時(shí)，平滑該像素的亮度[16]。高斯模糊是最常用的低通濾波器之一，它是削弱高頻信號(hào)強(qiáng)度的低通濾波器。通過高斯濾波處理，可以去除圖像噪聲，為圖像進(jìn)行分割處理做準(zhǔn)備。

1.2.2.3 圖像邊緣檢測(cè) 圖像中所有物體的像素點(diǎn)，其邊界的像素都在灰度級(jí)的變化，物體與周圍環(huán)境的差別越大，則像素的灰度值變化越明顯。其中，這種變化最主要的特征為灰度值變化的梯度方向和幅值大小。

圖像的像素值在邊緣上差值較大，其像素差值的導(dǎo)數(shù)存在局部最大值。因此，通過獲取像素差值的局部最大值和梯度方向就可以得到圖像的邊緣。

已知像素f（x，y）在沿梯度r 的方向定義如下。

由于梯度模算子具有各向同性和位移不變性的特點(diǎn)，可以運(yùn)用到圖像的邊緣檢測(cè)，而像素值變化的方向即邊界的方向，則可由像素點(diǎn)的正切函數(shù)的反函數(shù)得到。

試驗(yàn)中，梯度模算子運(yùn)用微分算子來表示，通過對(duì)微分算子的卷積函數(shù)來獲取梯度。

微分算子主要有Canny 算子、Roberts 算子、Prewitt 算子、Soble 算子以及Isotropic Soble 算子，本研究使用Canny 算子進(jìn)行卷積。Canny 算子在階梯型邊緣檢測(cè)中效果最好。Canny 算子的實(shí)現(xiàn)步驟如下：（1）將圖像進(jìn)行卷積來消除噪聲，運(yùn)用2D 高斯濾波模板進(jìn)行卷積。（2）利用Sobel 算子找到灰度值的導(dǎo)數(shù)Gx、Gy。（3）運(yùn)用Gx、Gy的值求出梯度變化的方向。（4）計(jì)算邊緣的方向。需要把圖像邊緣的梯度方向分為0°、45°、90°、135°，并且記錄各梯度方向上的像素值。（5）對(duì)像素值計(jì)算進(jìn)行迭代。圖像像素的灰度值為g，其中，在梯度方向上，只要像素的灰度值g 小于等于任意一個(gè)相鄰的像素值，則將該像素的灰度值g 等于0，即該像素不屬于邊緣像素。（6）圖像邊緣檢測(cè)。通過所有像素與灰度直方圖中2 個(gè)閾值g1、g2的大小來確定圖像邊緣，其中，g1＞g2。如果像素與閾值g1差值大于0，則這個(gè)像素為圖像邊緣；如果該像素與閾值g2差值小于0，則這個(gè)像素不是邊緣；如果像素值介于g1和g2之間，那么這個(gè)像素周圍的其他像素值若都是小于閾值的像素，則該像素為邊緣像素，否則不是。

1.2.2.4 VGG 卷積神經(jīng)網(wǎng)絡(luò) VGG 網(wǎng)絡(luò)模型是深度卷積神經(jīng)網(wǎng)絡(luò)的一種模型，用于對(duì)目標(biāo)圖像進(jìn)行分類，VGG 有2 種結(jié)構(gòu)，分別是VGG16 和VGG19，二者網(wǎng)絡(luò)深度不一樣，本試驗(yàn)選擇深度比較深的VGG19 網(wǎng)絡(luò)模型對(duì)目標(biāo)圖像進(jìn)行檢測(cè)。

1.2.2.5 計(jì)數(shù)結(jié)果判定 將獲取的薊馬結(jié)果進(jìn)行統(tǒng)計(jì)，以人工統(tǒng)計(jì)的薊馬數(shù)量作為對(duì)照，通過正確識(shí)別率（REFR）來評(píng)價(jià)薊馬的計(jì)數(shù)效果。

其中，REFR 表示正確識(shí)別率，Nm表示人工識(shí)別的結(jié)果，Na表示圖像識(shí)別的結(jié)果。

2 結(jié)果與分析

將試驗(yàn)獲取的10 個(gè)不同藍(lán)色黏蟲板的薊馬圖像通過自動(dòng)化計(jì)數(shù)軟件進(jìn)行處理，應(yīng)用人工計(jì)數(shù)結(jié)果作為對(duì)比，獲取每個(gè)黏蟲板上的薊馬數(shù)量，應(yīng)用正確識(shí)別率公式進(jìn)行計(jì)數(shù)準(zhǔn)確率計(jì)算。從圖1 可以看出，對(duì)不同藍(lán)色黏蟲板上的薊馬進(jìn)行計(jì)數(shù)，人工計(jì)數(shù)與圖像計(jì)數(shù)的結(jié)果存在差異，圖像計(jì)數(shù)獲取的薊馬數(shù)量比人工計(jì)數(shù)得到的薊馬數(shù)量少。其中，圖像計(jì)數(shù)與人工計(jì)數(shù)薊馬數(shù)量差距的最大值為3 頭。自動(dòng)化計(jì)數(shù)軟件對(duì)薊馬計(jì)數(shù)的結(jié)果相對(duì)誤差最大值為8%，平均相對(duì)誤差為3.20%。通過計(jì)算準(zhǔn)確率，對(duì)自動(dòng)化計(jì)數(shù)軟件獲取得到的薊馬數(shù)量和人工計(jì)數(shù)的薊馬數(shù)量做對(duì)比，自動(dòng)化計(jì)數(shù)軟件的計(jì)數(shù)準(zhǔn)確率的平均值為96.8%，表明自動(dòng)化計(jì)數(shù)軟件的正確識(shí)別率較高，通過對(duì)薊馬圖像進(jìn)行處理，可以獲得薊馬害蟲發(fā)生的動(dòng)態(tài)數(shù)據(jù)。因此，圖像計(jì)數(shù)可以用于薊馬的遠(yuǎn)程監(jiān)測(cè)。存在誤差可能是由于黏蟲板上薊馬個(gè)體較小，存在薊馬圖像重疊，重疊后的薊馬圖像不易分辨，而且，圖像計(jì)數(shù)存在的誤差也受到環(huán)境因素的影響，溫室大棚內(nèi)光線不足，也會(huì)對(duì)薊馬圖像的計(jì)數(shù)產(chǎn)生比較大的影響。為了提高圖像計(jì)數(shù)的準(zhǔn)確率，可以經(jīng)常更換黏蟲板，更換后的黏蟲板薊馬數(shù)量減少，可以減小薊馬的重疊，而且需要在高清攝像頭周圍補(bǔ)充可控制的LED 光源，從而提高薊馬害蟲的識(shí)別率?？偟目磥恚詣?dòng)化計(jì)數(shù)軟件可以應(yīng)用于薊馬的計(jì)數(shù)和種群監(jiān)測(cè)。

3 結(jié)論與討論

隨著計(jì)算機(jī)技術(shù)的不斷發(fā)展，害蟲的預(yù)測(cè)預(yù)報(bào)在農(nóng)業(yè)中所起的作用越來越大。本研究利用自動(dòng)化計(jì)數(shù)軟件對(duì)溫室內(nèi)的薊馬害蟲進(jìn)行計(jì)數(shù)。自動(dòng)化計(jì)數(shù)軟件采用OpenCV 圖像處理和VGG 深度神經(jīng)網(wǎng)絡(luò)圖像相結(jié)合的方法，可以很好地實(shí)現(xiàn)對(duì)藍(lán)色黏蟲板上的薊馬計(jì)數(shù)，該方法不僅準(zhǔn)確率高，而且處理方法簡(jiǎn)單，可以實(shí)現(xiàn)對(duì)薊馬快速、準(zhǔn)確的預(yù)測(cè)預(yù)報(bào)。

統(tǒng)計(jì)害蟲數(shù)量是害蟲監(jiān)測(cè)的重要手段與方法，傳統(tǒng)的害蟲監(jiān)測(cè)方法需要人工手動(dòng)進(jìn)行計(jì)數(shù)，費(fèi)工、費(fèi)時(shí)。因此，需要更加高效、準(zhǔn)確的計(jì)數(shù)方法來對(duì)害蟲進(jìn)行計(jì)數(shù)。利用圖像處理方法對(duì)害蟲進(jìn)行計(jì)數(shù)存在理論的可行性。周愛明[17]通過運(yùn)用圖像處理和深度學(xué)習(xí)技術(shù)對(duì)放置于水稻田間的智能測(cè)報(bào)燈采集的燈誘昆蟲進(jìn)行研究，實(shí)現(xiàn)水稻測(cè)報(bào)害蟲的自動(dòng)識(shí)別與計(jì)數(shù)，其中，對(duì)白背飛虱和褐飛虱的識(shí)別率分別為90.7%和85.5%。曹旨昊等[18]運(yùn)用Android手機(jī)，基于HSV 空間的圖像處理技術(shù)去除無關(guān)背景，使用濾波技術(shù)處理害蟲圖像中的翅、足等邊緣不規(guī)則部分，減少了噪聲的干擾，提高了識(shí)別的準(zhǔn)確率。ZHAO 等[19]基于Gabor 小波提取特征，采用AdaBoost 算法進(jìn)行特征篩選并選用SVM作為分類器訓(xùn)練分類模型，結(jié)果表明，可以有效地提高識(shí)別效率與精度，能夠滿足實(shí)時(shí)應(yīng)用的需要。從目前害蟲數(shù)量統(tǒng)計(jì)的方法來看，還沒有對(duì)2 mm 以下的微小害蟲計(jì)數(shù)進(jìn)行研究，并且對(duì)于圖像的樣本獲取還需要人工獲取，費(fèi)時(shí)費(fèi)力。

本研究利用自動(dòng)化計(jì)數(shù)軟件，通過樹莓派遠(yuǎn)程獲取害蟲圖像，上傳到服務(wù)器，通過OpenCV 圖像處理技術(shù)對(duì)獲取的藍(lán)色黏蟲板圖像進(jìn)行灰度化、閾值化處理，再利用低通濾波器、形態(tài)學(xué)開操作一系列圖像處理后，得到清晰的二值圖像，利用Canny算子進(jìn)行輪廓檢測(cè)，獲取每個(gè)輪廓內(nèi)的彩色圖片，運(yùn)用訓(xùn)練好的VGG19 深度神經(jīng)網(wǎng)絡(luò)模型對(duì)輪廓內(nèi)的圖像進(jìn)行識(shí)別，統(tǒng)計(jì)所有薊馬圖像的數(shù)量，可以準(zhǔn)確地對(duì)薊馬進(jìn)行識(shí)別與計(jì)數(shù)。此方法也可運(yùn)用于其他害蟲的計(jì)數(shù)和檢測(cè)。然而，當(dāng)環(huán)境發(fā)生巨大變化時(shí)，如光照嚴(yán)重干擾圖像或溫室內(nèi)其他害蟲增加時(shí)，可能會(huì)影響自動(dòng)化計(jì)數(shù)軟件的準(zhǔn)確率，下一步將采用卷積神經(jīng)網(wǎng)絡(luò)方法來識(shí)別和計(jì)數(shù)害蟲，從而提高害蟲計(jì)數(shù)的準(zhǔn)確率和對(duì)更加復(fù)雜環(huán)境的適用性。

本試驗(yàn)通過對(duì)圖像處理計(jì)數(shù)與人工計(jì)數(shù)做對(duì)比，相對(duì)誤差在8%以下，自動(dòng)化計(jì)數(shù)軟件運(yùn)行效果良好，可以實(shí)現(xiàn)薊馬的計(jì)數(shù)和種群監(jiān)測(cè)，提高薊馬計(jì)數(shù)的準(zhǔn)確率，對(duì)于薊馬的預(yù)測(cè)預(yù)報(bào)具有重要意義。