论文部分内容阅读
枣树是我国最古老也是干果产量中居于第一位的主栽果树。近年来,随着枣树种植面积的增加,害虫的威胁也一步步提升,作为一种多年生乔木一旦受到害虫危害将影响多年的收成,给枣农带来巨大的经济损失。枣树虫害发生时首先需要识别出是哪种害虫,才能对症下药提出相应的杀灭方法。但是,枣树害虫的种类多、枣树种植面积又大,每次虫害发生时仅靠专家或技术人员进行人工识别既费时又容易出错误,远远不能满足枣农的需求。随着图像识别技术的出现,农业领域也在积极的探索使用图像识别技术代替人工来完成识别工作,减少灾害反应时间。本文在前人研究的基础上,探索了图像识别技术在枣树害虫检测方面的关键技术。针对枣园取像环境不佳的情况研究了图像预处理技术在提升图像质量上的方法,分别研究了图像灰度化技术、直方图均衡化技术、图像滤波技术等图像预处理技术的算法原理及相应图像结果,探讨出较为适合枣树害虫的图像预处理方法。在减少图像识别信息方面,应用了图像分割技术。主要探讨阈值法分割技术、基于区域的分割方法、基于边缘检测的分割方法的算法原理,提出Sobel算子和Canny算子在枣树害虫检测图像分割方面的具体应用方法。在图像模式识别方面,分别探讨了使用机器学习和神经网络对枣树害虫进行检测的方法。在机器学习部分提出了使用HOG(Histogram of Oriented Gradient)算法进行图像特征提取和使用SVM(Suport Vector Machine)算法进行图像分类的方法;在神经网络部分,介绍了经典的卷积神经网络的分层方案和算法原理,提出了使用LeNet-5模型进行红枣害虫检测的步骤和方法。本文选取了阿拉尔市8团、16团的部分枣园进行害虫图像拍摄,共拍摄了红蜘蛛(Tetranychus cinnbarinus)、刺蛾幼虫(Limacodidae)、枣尺蠖(Chihuo zao Yang)、枣瘿蚊(Contaria sp)等害虫图像400余张。实验结果表明,使用图像预处理方法可以减少约三分之二的数据处理量,使用图像分割技术可以快速提取出需要识别的害虫图像。在模式识别部分,使用HOG算法和SVM算法对红蜘蛛的精度为80.00%,对刺娥幼虫的识别率为81.82%,对枣尺蠖的识别率为75.00%,对枣瘿蚊的识别率为77.78%。使用LeNet-5模型进行红蜘蛛识别的精度达到76.92%,对刺娥幼虫的识别精度为81.82%,对枣尺蠖的识别精度为87.5%,对枣瘿蚊的识别精度为76.92%。