胡逸超 蘇贊 陳義昌 張龑 蘇晨陽 劉勇

摘要：根據(jù)煙草倉儲及卷煙生產(chǎn)車間的煙草甲自動監(jiān)測需求，結(jié)合煙草甲［Lasioderma serricorne （Fabricius）］實際圖像特征，在基于標記分水嶺算法的基礎(chǔ)上疊加分割圖像算法，設(shè)計了基于圖像處理的煙草甲自動監(jiān)測系統(tǒng)，通過全自動拍照設(shè)備定時采集相應(yīng)誘捕器圖像，利用有線網(wǎng)絡(luò)將圖像傳輸至服務(wù)器，在服務(wù)器端完成圖像識別與計數(shù)、實時展示、超標報警、歷史曲線查看等功能，解決了煙草甲實際監(jiān)測過程中蟲板煙塵、蟲體重合、光線等諸多干擾因素，實現(xiàn)了煙草甲精準的自動圖像識別及計數(shù)功能。實際應(yīng)用表明，該系統(tǒng)工作穩(wěn)定，計數(shù)平均準確率大于94.00%，在卷煙生產(chǎn)車間煙蟲監(jiān)測上具有較好的應(yīng)用前景。

關(guān)鍵詞：圖像處理；煙草甲［Lasioderma serricorne （Fabricius）］；自動監(jiān)測系統(tǒng)；卷煙；煙草；設(shè)計與應(yīng)用

中圖分類號：TP274? ? ? ? ?文獻標識碼：A

文章編號：0439-8114（2024）04-0163-05

Design and application of an automatic monitoring system for Lasioderma serricorne （Fabricius） based on image processing

Abstract： Based on the demand for automatic monitoring of Lasioderma serricorne （Fabricius） in tobacco storage and cigarette production workshops， combined with the actual image characteristics of Lasioderma serricorne （Fabricius）， a Lasioderma serricorne （Fabricius） automatic monitoring system based on image processing was designed by overlaying segmentation image algorithms on the basis of labeled watershed algorithms. Fully automatic photography equipment was used to collect images of the corresponding traps at regular intervals， the images were transmitted to the server via wired network， and functions such as image recognition and counting， real-time display， over limit alarm， and historical curve viewing were completed on the server end. Many interference factors such as insect board smoke， insect body overlap， and light during the actual monitoring process of Lasioderma serricorne （Fabricius） were solved， and precise automatic image recognition and counting functions for Lasioderma serricorne （Fabricius） were implemented. Practical applications had shown that the system worked stably， with an average counting accuracy greater than 94.00%， and had good application prospects in tobacco pest monitoring in cigarette production workshops.

Key words： image processing； Lasioderma serricorne （Fabricius）； automatic monitoring system； cigarette； tobacco； design and application

煙草甲［Lasioderma serricorne （Fabricius）］屬鞘翅目竊蠢科，是煙草倉儲、生產(chǎn)加工過程中的主要害蟲；煙草甲蟲情監(jiān)測主要依靠人工檢查，同時借助燈光誘捕器和性信息素誘捕器進行監(jiān)測［1］。由于在煙草原料倉庫及卷煙生產(chǎn)加工車間存在煙蟲監(jiān)測面積大、范圍廣、點位多的特點，因此蟲情檢查記錄人員工作量大，檢查記錄過程中可能出現(xiàn)數(shù)據(jù)不準確、信息分析及傳遞不及時等問題［2］。目前害蟲自動監(jiān)測技術(shù)主要有電容法［3］、聲音信號識別技術(shù)［4］、圖像識別技術(shù)［5-8］、軟X射線檢測法、近紅外光譜法［9］等。

圖像識別技術(shù)是指對觀測的圖像進行分割和特征提取，并根據(jù)分類器進行相應(yīng)分類［10］。目前糧食害蟲圖像識別技術(shù)主要采用圖像RGB檢測技術(shù)，以圖像灰度進行分割處理，以達到蟲情自動計數(shù)的目的［11-13］。

在實際煙草貯存及生產(chǎn)加工過程中，煙草甲誘捕板捕獲到害蟲后，蟲板可能會粘有煙草碎屑、煙絲、煙梗、粉塵等雜物，對煙草甲圖像識別有一定干擾。同時，白色的蟲板及粘蟲膠在圖像提取過程中產(chǎn)生的反光及外界不同環(huán)境光源等，均會對煙草甲圖像識別產(chǎn)生干擾。在復(fù)雜背景下害蟲圖像交互式分割算法主要有GrabCut圖像分割算法、MSRM圖像分割算法、基于顏色紋理直方圖的最大相似度區(qū)域合并算法、分水嶺圖像分割算法等，通過這些算法減少環(huán)境背景對圖像分析處理的干擾［14，15］。

本研究結(jié)合煙草甲的蟲情自動監(jiān)測需求，完成配套識別算法的設(shè)計、智能煙草甲監(jiān)測系統(tǒng)的設(shè)計以及實際應(yīng)用驗證工作。

1 煙草甲圖像識別算法設(shè)計

1.1 應(yīng)用膨脹運算消除灰塵的影響

常規(guī)圖像算法可以較好處理單個煙草甲的識別問題，但是對于實際蟲板上煙草甲的識別存在較大問題。主要問題在于蟲板上容易粘附灰塵顆粒，常規(guī)圖像識別算法很容易將這些灰塵顆粒識別為煙蟲，如圖1所示。

通過形態(tài)學(xué)腐蝕運算預(yù)分離粘附灰塵和消除小噪聲，形態(tài)學(xué)膨脹運算填充灰塵目標內(nèi)出現(xiàn)的孔洞，消除灰塵圖像后更有利于圖像識別，如圖2所示。

1.2 基于標記的分水嶺算法分割圖像

分水嶺算法是一種基于拓撲理論的數(shù)學(xué)形態(tài)學(xué)分割方法，其基本思路是把圖像看作是測地學(xué)上的拓撲地貌，圖像中每個點像素的灰度值表示該點的海拔，每個局部極小值及其影響區(qū)域稱為吸水盆地，而吸水盆地間的山脊被稱為分水嶺。

基于標記的分水嶺算法是通過自行標記種子點實現(xiàn)的，可以忽略噪聲極小值對種子點選取的干擾，從而改善分水嶺算法過分割現(xiàn)象。其中，種子點的標記較關(guān)鍵，采用像素點距離變換來獲取種子點，具體的分水嶺算法處理流程如圖3所示。

圖4是在基于標記分水嶺算法的基礎(chǔ)上疊加分割圖像算法，大部分煙蟲分割準確，但在圖像中藍色框中存在2處未分割的煙蟲（2頭識別為1頭），在紅色框中出現(xiàn)1處未識別的煙蟲。

對未分割區(qū)域采用面積法判斷局部煙蟲數(shù)量，最終處理結(jié)果如圖5所示，計數(shù)準確率達98.7%，完全符合煙蟲識別的要求。

1.3 光斑部位煙蟲漏計問題

由于拍攝白色粘蟲板、透明粘蟲膠的圖片時有明顯的光斑，測試中發(fā)現(xiàn)，原有算法會導(dǎo)致光斑部位煙蟲的遺漏（圖6）。經(jīng)過改進和測試，最終采用自適應(yīng)閾值的二值化算法解決了該問題（圖7）。

2 煙草甲自動監(jiān)測系統(tǒng)設(shè)計與實現(xiàn)

2.1 煙草甲自動監(jiān)測系統(tǒng)總體設(shè)計

煙草甲自動監(jiān)測系統(tǒng)通過在各蟲情監(jiān)測點配置全自動拍照設(shè)備，定時采集誘捕器的蟲害圖像；圖像通過路由器組網(wǎng)后實時傳輸至蟲情監(jiān)測中心（服務(wù)器）；蟲情監(jiān)測中心完成圖像識別與計數(shù)，將相應(yīng)結(jié)果儲存至對應(yīng)數(shù)據(jù)庫，并實現(xiàn)蟲情異常點位報警；用戶通過WEB瀏覽器進行系統(tǒng)的相關(guān)配置與數(shù)據(jù)查看，如圖8所示。

2.2 煙草甲自動監(jiān)測硬件系統(tǒng)設(shè)計

煙草甲自動監(jiān)測硬件系統(tǒng)主要采用STM32F407作為主控芯片，通過OV5640模塊實現(xiàn)圖像采集；供電方式選擇S13400供電模塊進行POE供電，能夠極大程度減少設(shè)備對電源的要求；通過W5200以太網(wǎng)通信模塊進行TCP通信，將圖片傳送至服務(wù)器進行處理，如圖9所示。

2.3 煙草甲自動監(jiān)測系統(tǒng)功能設(shè)計

煙草甲自動監(jiān)測系統(tǒng)基于k8s分布式服務(wù)架構(gòu)，主要包括項目配置、系統(tǒng)管理、報警管理、系統(tǒng)展示功能。項目配置實現(xiàn)項目的相應(yīng)車間、區(qū)域、監(jiān)測設(shè)備、展示畫面等配置管理；系統(tǒng)管理實現(xiàn)項目角色及成員的權(quán)限、用戶管理的配置管理；報警管理實現(xiàn)項目報警規(guī)則、定時任務(wù)、報警處理的配置管理；系統(tǒng)展示實現(xiàn)相關(guān)項目圖形界面、誘捕器圖像、列表數(shù)據(jù)、曲線的展示，如圖10所示。

2.4 煙草甲自動監(jiān)測系統(tǒng)檢測結(jié)果及優(yōu)化

由于蟲情識別尚無法達100%的識別精度，但在軟件上顯示歷史數(shù)據(jù)時，如果煙蟲數(shù)出現(xiàn)波動（圖11）又不符合用戶的認知習(xí)慣?？梢栽谟嫈?shù)時基于前期歷史數(shù)據(jù)，將計數(shù)值約定為只增不降，保證用戶的體驗感。經(jīng)過調(diào)試和修改，基本滿足要求，蟲情檢測波動較少（圖12）。

3 車間現(xiàn)場應(yīng)用驗證

3.1 數(shù)據(jù)準確性驗證

3.1.1 試驗設(shè)置 2021年10月在廣西中煙工業(yè)有限責(zé)任公司南寧卷煙廠制絲車間共7個監(jiān)測點位部署相應(yīng)蟲情全自動拍照設(shè)備，人工每周統(tǒng)計1次，并與煙草甲自動監(jiān)測系統(tǒng)數(shù)據(jù)進行對比，統(tǒng)計1個月的數(shù)據(jù)，計算系統(tǒng)計數(shù)的準確率，計算公式如下。

式中，y表示煙草甲自動監(jiān)測系統(tǒng)計數(shù)的準確率；a為煙草甲自動監(jiān)測系統(tǒng)自動計數(shù)得到的煙蟲數(shù)；b為人工計數(shù)得到的煙蟲數(shù)。

3.1.2 數(shù)據(jù)統(tǒng)計 監(jiān)測點系統(tǒng)自動計數(shù)、人工計數(shù)煙蟲情況如表1所示，對人工計數(shù)與自動計數(shù)數(shù)據(jù)進行方差分析（表2、表3），2組蟲情數(shù)據(jù)無顯著差異（P>0.05）。煙草甲自動監(jiān)測系統(tǒng)自動計數(shù)準確率最高為100.00%，最低為85.71%，平均準確率大于94.00%，可以滿足卷煙生產(chǎn)車間現(xiàn)場蟲害監(jiān)測的實際需求。

3.2 系統(tǒng)運行穩(wěn)定性驗證

通過6個月的應(yīng)用驗證，煙草甲自動監(jiān)測系統(tǒng)相應(yīng)軟硬件均沒有出現(xiàn)明顯的問題與故障，蟲情全自動拍照設(shè)備工作穩(wěn)定，定時拍照、傳輸功能正常；系統(tǒng)相關(guān)數(shù)據(jù)展示、數(shù)據(jù)報警、歷史曲線查看等功能也保持正常。

4 小結(jié)與討論

本研究根據(jù)煙草倉儲及卷煙生產(chǎn)車間的煙草甲自動監(jiān)測需求，結(jié)合煙草甲實際圖像特征，在基于標記分水嶺算法的基礎(chǔ)上疊加分割圖像算法，解決了煙草甲實際監(jiān)測過程中蟲板煙塵、蟲體重合、光線等諸多干擾因素，實現(xiàn)了煙草甲精準的自動圖像識別及計數(shù)功能。

本研究通過配套硬件系統(tǒng)及軟件系統(tǒng)完成煙草甲自動監(jiān)測系統(tǒng)的設(shè)計與實際應(yīng)用。系統(tǒng)平均準確率大于94.00%，實現(xiàn)了煙草甲實時自動監(jiān)測、預(yù)警功能，解決了當(dāng)前人工監(jiān)測效率低下、準確性受主觀影響大、滯后等問題，具有較好的應(yīng)用前景。煙草甲自動監(jiān)測系統(tǒng)還有進一步優(yōu)化空間，具體如下。①無線傳輸。卷煙生產(chǎn)車間中大量蟲情監(jiān)測點位難以部署成有線環(huán)境，可能需要采用無線傳輸?shù)姆绞綄崿F(xiàn)。②電池供電?；跓o線傳輸，可考慮采用電池供電方案，在設(shè)備續(xù)航設(shè)計上需要重點考慮定時喚醒與休眠機制的應(yīng)用，從而減少運維工作人員的工作量。③識別計數(shù)算法優(yōu)化。蟲情數(shù)量較多時容易出現(xiàn)誤差，后續(xù)還需要根據(jù)實際情況調(diào)整、優(yōu)化算法，從而提高識別計數(shù)的準確性。

參考文獻：

［1］ 薛寶燕，程新勝，魏重生，等.煙草甲研究進展［J］.煙草科技，2005（2）：44-48.

［2］ 周繼來.基于AI圖像識別的煙草制品蟲情監(jiān)測系統(tǒng)的設(shè)計與實現(xiàn)［J］.電子技術(shù)與軟件工程，2020（17）：154-155.

［3］ 謝 剛，岐世峰，李欣悅，等.基于NB-IOT的糧倉蟲害監(jiān)測系統(tǒng)設(shè)計［J］.現(xiàn)代信息科技，2021，5（9）：27-29，34.

［4］ 韓 萍，李齊超，楊紅衛(wèi).基于人工神經(jīng)網(wǎng)絡(luò)的糧食害蟲分類 ［J］.河南工業(yè)大學(xué)學(xué)報（自然科學(xué)版），2010，31（3）：72-75.

［5］ 汪京京，張 武，劉連忠，等.農(nóng)作物病蟲害圖像識別技術(shù)的研究綜述［J］.計算機工程與科學(xué)，2014，36（7）：1363-1370.

［6］ 張新良，夏亞飛，夏 楠，等.基于嵌入式圖像終端的農(nóng)作物蟲害監(jiān)測系統(tǒng)設(shè)計［J］.軟件導(dǎo)刊，2018，17（7）：124-127.

［7］ 姚 青，呂 軍，楊保軍，等.基于圖像的昆蟲自動識別與計數(shù)研究進展［J］.中國農(nóng)業(yè)科學(xué)，2011，44（14）：2886-2899.

［8］ 劉 瀏.基于深度學(xué)習(xí)的農(nóng)作物害蟲檢測方法研究與應(yīng)用［D］.合肥：中國科學(xué)技術(shù)大學(xué)，2020.

［9］ 馬 彬，金志明，蔣旭初，等.儲糧害蟲在線監(jiān)測技術(shù)的研究進展［J］.糧食儲藏，2018，47（2）：27-31.

［10］ 張家怡.圖像識別的技術(shù)現(xiàn)狀和發(fā)展趨勢［J］.電腦知識與技術(shù)，2010，6（21）：6045-6046.

［11］ 盧亞玲.基于圖像處理的糧蟲自動計數(shù)系統(tǒng)的研究［J］.科技與創(chuàng)新，2007，23（8）：311-312.

［12］ 范艷峰，甄 彤.谷物害蟲檢測與分類識別技術(shù)的研究及應(yīng)用［J］.計算機工程，2005（12）：187-189.

［13］ 劉國成.基于移動互聯(lián)網(wǎng)的蟲害圖像分析系統(tǒng)設(shè)計［J］.通訊世界，2015（24）：286-287.

［14］ 張 潔. 基于圖像識別的農(nóng)作物害蟲診斷技術(shù)研究與應(yīng)用［D］.合肥：中國科學(xué)技術(shù)大學(xué)，2014.

［15］ 高 麗，楊樹元，李海強.一種基于標記的分水嶺圖像分割新算法［J］.中國圖象圖形學(xué)報，2007（6）：1025-1032.