基于模板匹配的多目标水稻灯诱害虫识别方法的研究

水稻灯诱害虫的识别与计数在水稻田间害虫监测中是非常重要的。由于水稻害虫被黑光灯诱集后姿态各异,存在虫体残缺现象,增加了图像自动识别的难度。在获取水稻灯诱害虫非粘连图像基础上,利用模板匹配和K折交叉验证方法进行多目标水稻灯诱害虫的识别。首先,提取每个水稻害虫图像中包括颜色、形态和纹理共156个特征参数;然后,利用主成分分析法进行数据降维,选取前6个主成分作为害虫特征参数;最后,根据每种灯诱害虫的姿态确定模板数,通过模糊C均值获得聚类中心作为模板参数,分别利用单模板和多模板匹配方法进行水稻害虫的识别。结果表明,针对姿态各异且有虫体残缺的多目标水稻灯诱害虫,多模板和单模板匹配法的识别率分别为83.1%和59.9%。

基于双线性注意力网络的农业灯诱害虫细粒度图像识别研究

【目的】智能虫情测报灯诱捕到的农业害虫因种类繁多、虫体姿态多样、鳞片脱落等原因造成有些害虫图像存在种间相似和种内差异的现象。为了提高农业灯诱害虫识别率,针对YOLOv4检测模型检测到且容易混淆的19种灯诱害虫,本文提出了基于双线性注意力网络的农业灯诱害虫细粒度图像识别模型。【方法】首先,根据灯诱害虫外观图像的相似性和检测误检的情况,将19种害虫分为6类;将所有害虫图像通过补边操作使得长宽相等,并缩放至统一尺寸224×224像素。为了提高模型的鲁棒性和泛化能力,对害虫图像进行镜像翻转、旋转180度、高斯噪声和均值滤波的数据增强,训练集、验证集和测试集样本量按照8﹕1﹕1比例划分。然后,针对6类19种农业灯诱害虫细粒度图像,建立了基于双线性注意力网络的农业灯诱害虫识别模型(bilinear-attention pest net,BAPest-net),模型包括双线性特征提取、注意力机制和分类识别3个模块;通过修改特征提取模块的下采样方式提高特征提取能力;添加注意力机制模块让整个模型更关注于局部细节的特征,将双线性结构中的上下两个注意力机制的输出进行外积运算增加细粒度特征的权重,提高识别的准确性和学习效率;模型优化器使用随机梯度下降法SGD,分类模块中使用全局平均池化,旨在对整个网络从结构上做正则化防止过拟合。最后,在同一个训练集训练VGG19、Densenet、ResNet50、BCNN和BAPest-net 5个模型,对6类相似的19种农业灯诱害虫进行识别,以精准率、Precision-Recall(PR)曲线和平均识别率作为模型的评价指标。【结果】BAPest-net对6类相似的19种农业灯诱害虫平均识别率最高,达到94.9%;BCNN次之,为90.2%;VGG19模型最低,为82.1%。BAPest-net识别的6类害虫中4类鳞翅目害虫的平均识别率均大于95%,表明该模型能较好地识别出鳞翅目害虫。测试结果中仍存在少数相似度较高的害虫误判,特别当害虫腹部朝上或侧身,种类特征不够明显的时候容易引起相似害虫的误判。对于区分度较低的相似害虫需要更多的训练样本以获取更多的特征,提高模型的识别率和泛化能力。【结论】基于双线性注意力网络的农业灯诱害虫细粒度图像识别模型可以自动识别6类相似的19种农业灯诱害虫,提高了农业灯诱害虫自动识别的准确率。

基于Snake模型的水稻灯诱害虫轮廓提取方法的研究

[目的]建立基于Snake模型的水稻灯诱害虫轮廓提取方法。[方法]在matlab编程环境下,以3种常见水稻灯诱害虫(大螟、二化螟和直纹稻弄蝶)不同姿态图像为研究对象,提出了基于贪婪算法的Snake模型水稻灯诱害虫轮廓提取方法。[结果]首先选择不同姿态害虫的初始轮廓和能量权重;其次采用贪婪算法成功提取不同种类、不同姿态的水稻灯诱害虫轮廓;最后设计了GUI操作界面。[结论]该模型为带有虫体残缺、姿态各异的灯诱害虫形态特征提取提供了参考。

基于图像的水稻灯诱害虫自动识别技术的研究

利用灯光诱杀稻田害虫,并识别与计数这些害虫是水稻害虫的一种常规但非常重要的测报方法。在灯光诱杀的昆虫中,大多数昆虫是不需要测报的,因此,在人工识别灯诱测报害虫时,需要排除这些昆虫。这种人工识别与计数害虫的方法效率低、任务重、识别准确率差。我们提出了一种基于图像的水稻灯诱害虫自动识别方法。首先,根据测报害虫的形态特征对水稻灯诱昆虫图像进行初步分组,每组昆虫图像中包含一种测报害虫的背面图像、腹面图像和与其形态相似的非测报害虫图像,共3类;然后,提取组内每一张水稻昆虫图像的颜色、形态和纹理共31个特征参数;最后,利用带后验概率的SVM分类器对每组的3类昆虫图谱进行训练和测试,输出时同一种测报害虫的背面和腹面图像被视为同一种害虫。结果表明,3种较大个体的水稻灯诱测报害虫的平均识别准确率为97.4%。

区段式灯诱害虫智能识别技术研究与应用

本研究应用计算机视觉技术对靶标害虫头、胸、腹、翅进行分区段识别,构建了区段式灯诱害虫智能识别模型,经室内验证,识别正确率超过95%,计数正确率超过90%,模型性能可靠。对比研究该模型与杀虫灯组合应用的效果,结果表明:该模型田间应用正确率达到80%以上,优于已商用的害虫识别和计数模型;有效解决趋光性害虫智能调查过程中误识别率高的不足,提高了虫情调查的可靠性;降低虫情调查成本及技术门槛,便于推广应用。研究结果为建立害虫预测预报新方法,开发新型设备提供了技术支撑,具有良好的应用和商业开发价值。