一種田間麥蚜蟲計數方法
【技術領域】
[0001 ]本發明設及一種計數方法，特別是一種田間麥曬蟲計數方法。
【背景技術】
[0002] 蟲害是影響農作物生長的一個主要因素，曬蟲是小麥生產上常發及重發的害蟲， 其危害小麥時不僅吸取植株汁液，影響小麥發育，還能傳播多種病毒病。準確估計害蟲密度 是進行蟲害預測預報的基礎，害蟲密度的及時獲取是進行害蟲數量動態和害蟲危害程度分 析的基礎，同樣也是獲取害蟲防治經濟闊值的必要條件。目前較常見的曬蟲計數方法是人 工計數，由于曬蟲個體較小，長時間的用眼觀察不僅勞動量大、效率低，而且計數準確率受 到主觀因素的影響。同時，還存在一種半自動的曬蟲計數方法，運種方法將曬蟲誘導到特定 板子上，利用圖像分析進行計數。通常，人工計數方法分為兩種，1)抽樣人工查看單片葉上 曬蟲的數量，然后乘W每株葉片數，再乘W每平米株數;2)將曬蟲誘導到特定板子上，通過 人工計算出曬蟲數量。現有的智能計數方法是將曬蟲誘導到特定板子上，獲取板子圖像，然 后利用圖像分析技術，計算曬蟲個數。
[0003] 人工計數由于曬蟲個體較小，長時間的用眼觀察不僅勞動量大、效率低，而且計數 準確率受到主觀因素的影響;而特定板子計數操作麻煩并且很難將所有曬蟲全部誘導到板 子上，存在較大誤差。
【發明內容】
[0004] 本發明所要解決的技術問題是提供一種田間麥曬蟲計數方法，它操作簡單并且能 夠高效準確地檢測田間麥曬蟲數量。
[000引為解決上述技術問題，本發明所采用的技術方案是： 一種田間麥曬蟲計數方法，其特征在于包含W下步驟： A、 圖像獲取:于小麥拔節至孕穗期，通過數碼相機獲取小麥植株原始圖像，在原始圖像 中獲取小像素子圖像X張作為訓練樣本； B、 訓練樣本收集:從原始圖像中隨機截取腳長曬蟲圖像作為正樣本，隨機截取Μ張圖像 作為負樣本； C、 識別模型訓練:提取正樣本和負樣本的HOG特征，將正負樣本的HOG輸入到SVM分類器 進行訓練得到蟲害分類模型，用樣本對模型進行矯正，驗證害蟲識別模型； D、 曬蟲的檢測:在原始圖像中尋找MS邸，最終用SVM分類器在MS邸區域中尋找曬蟲并 記錄曬蟲數量； 其中，X、N、M為根據需要確定的自然數，Μ的值大于N的值并且M、N的值均小于X。
[0006] 進一步地，所述小像素子圖像大小為30巧0像素。
[0007] 進一步地，所述小麥植株原始圖像獲取后利用濾波操作對原始圖像進行預處理， 消除雜質影響。
[000引進一步地，所述X取值為5000-7000，N取值大于2000，M取值大于5000。
[0009] 進一步地，所述在原始圖像中尋找MS邸利用公式q( i )= I Qi+A-Qi-A I / I Qi I進行， Qi表示闊值為i時的某一連通區域，Δ為灰度闊值的微小變化量，q(i)為闊值是i時的區域 Qi的變化率，當q( i)為局部極小值時，貝化i為最大穩定極值區域。
[0010] 進一步地，所述冊G特征提取過程為，將彩色的原始圖像灰度化，利用公式I(x，y) = I (X，y) ga?a進行圖像標準化，其中gamma取0.5，計算圖像中每個像素點的梯度，將圖像劃成 若干個6X6像素單元格并統計每個單元格的梯度直方圖形成每個單元格的描述子，將每3 X3個單元格組成一個塊，一個塊內的單元格的描述子串聯起來就是運個塊的HOG描述子， 圖像里所有塊的冊G特征描述子串聯起來就是該圖像的冊G特征描述子。
[0011] 進一步地，所述每個像素點的梯度計算方法為，輪棘姆進彈地-輸自堿亦δ沁礎-聯進4) 屜山7)如估7川估7)分別表示輸入圖像山7)處的水平方向梯度、垂直方向梯度和像素值，
G(x，y)，為梯度幅值，a(x，y)為梯 度方向。
[0012] 進一步地，所述冊G特征正負樣本提取后進行化ar特征檢測。
[001引進一步地，所述化ar特征檢測包括，由邊緣特征、線性特征和中屯、特征組成特征模 板，通過公式v=白色像素總數-2*黑色像素總數計算出化ar特征值。
[0014]本發明與現有技術相比，具有W下優點和效果:利用計算機圖像方法測量小麥植 株上曬蟲的個數，相比傳統人工判斷方法省工省時，同時曬蟲數量的調查不受人為因素的 影響;相比半自動的圖像識別方法同樣減少了勞動力的投入，操作更加簡單，提高了調查的 效率和方面性。
【附圖說明】
[001引圖1是本發明的用于訓練SVM模型的部分正樣本圖像。
[0016] 圖2是本發明的用于訓練SVM模型的部分負樣本圖像。
[0017] 圖3是本發明的特征提取效果圖。
【具體實施方式】
[0018] 下面結合附圖并通過實施例對本發明作進一步的詳細說明，W下實施例是對本發 明的解釋而本發明并不局限于W下實施例。
[0019 ]本發明的一種田間麥曬蟲計數方法，包含W下步驟： A、圖像獲取:于小麥拔節至孕穗期，通過數碼相機獲取小麥植株原始圖像，圖像大小為 1800*1200像素，獲取圖像主要包括小麥植株本身和曬蟲，復雜的背景會降低識別的準確 率。利用濾波操作對原始圖像進行預處理，W消除雜質的影響。然后通過PS軟件在原始圖像 中獲取30巧0像素的小像素子圖像6000張作為訓練樣本。
[0020] B、訓練樣本收集:如圖1、2所示，從原始圖像中隨機截取大于2000張的曬蟲圖像作 為正樣本，隨機截取大于5000張圖像作為負樣本，正負樣本圖像均為30 X 20像素，用來建立 SVM。
[0021 ] C、識別模型訓練:提取正樣本和負樣本的HOG特征，并進行化ar特征檢測，將正負 樣本的HOG輸入到SVM分類器進行訓練得到蟲害分類模型，用樣本對模型進行矯正，驗證害 蟲識別模型。HOG特征提取過程包括:將彩色的原始圖像灰度化，利用公式I(x，y) = I(x，y )ga?a進行圖像標準化，其中gamma取0.5,利用公式（1)~(3)計算圖像中每個像素點的梯度， 將圖像劃成若干個6X6像素單元格并統計每個單元格的梯度直方圖形成每個單元格的描 述子，將每3 X 3個單元格組成一個塊，一個塊內的單元格的描述子串聯起來就是運個塊的 冊G描述子，圖像