希仁娜·亞森+李湘+吳煒

摘要：為了防止蘋果綿蚜[Eriosoma lanigerum（Hausmann）]對伊犁地區(qū)蘋果生產(chǎn)帶來的威脅，同時解決昆蟲鑒定專家及病蟲害防治專業(yè)技術(shù)人員短缺的問題，將計算機視覺技術(shù)與計算機網(wǎng)絡(luò)技術(shù)相結(jié)合，采集昆蟲數(shù)字圖像，由Internet上傳到可進行自動識別圖像的服務(wù)器端，實現(xiàn)遠程識別。系統(tǒng)首先對蘋果綿蚜提取邊緣特征值，再提取HOG特征值，最后建立神經(jīng)網(wǎng)絡(luò)分類器，實現(xiàn)自動識別。用40張?zhí)O果綿蚜圖像對圖像識別系統(tǒng)進行訓(xùn)練，用33種不同昆蟲圖像進行測試，正確率達到90%以上。

關(guān)鍵詞：蘋果綿蚜；遠程；自動識別；圖像處理

中圖分類號： S431.9；TP391.41文獻標(biāo)志碼： A文章編號：1002-1302（2014）06-0375-03

收稿日期：2013-09-06

基金項目：新疆農(nóng)業(yè)大學(xué)前期資助課題（編號：XJAU201011）。

作者簡介：希仁娜·亞森，維吾爾族，講師，從事計算機教學(xué)工作。E-mail：xerin0991@163.com。蘋果綿蚜[Eriosoma lanigerum（Hausmann）]是檢疫性害蟲，對蘋果生產(chǎn)的危害極大。新疆維吾爾自治區(qū)伊犁哈薩克自治州地區(qū)蘋果種類較多，蘋果種植是當(dāng)?shù)亓止麡I(yè)的重要組成部分。蘋果綿蚜在伊犁哈薩克自治州新源縣、霍城縣、鞏留縣、伊寧縣等地均有分布并且危害日趨嚴重[1]，給當(dāng)?shù)亓止麡I(yè)生產(chǎn)帶來嚴重威脅，嚴重阻礙林果業(yè)的高效健康發(fā)展。由于昆蟲鑒定防疫專業(yè)人才短缺，蘋果的產(chǎn)量與質(zhì)量都有所下降，尋找有效的鑒定昆蟲方法具有非常重要的意義。隨著計算機網(wǎng)絡(luò)的發(fā)展，可利用計算機網(wǎng)絡(luò)解決昆蟲鑒定難題。已有的遠程圖像識別方式包括以下幾種：圖像通過計算機網(wǎng)絡(luò)傳給異地專家，由異地專家鑒定圖像后再返回意見；雙方通過計算機網(wǎng)絡(luò)視頻對圖像進行識別。這些方法雖然解決了標(biāo)本寄送難題，但還是依賴專家鑒定[2]。本研究主要利用計算機網(wǎng)絡(luò)技術(shù)與圖像識別技術(shù)，開發(fā)蘋果綿蚜遠程圖像識別系統(tǒng)。用戶用標(biāo)準(zhǔn)方法獲取圖像，經(jīng)由Internet瀏覽器界面上傳給自動識別系統(tǒng)服務(wù)器，由服務(wù)器端對上傳的圖像進行實時特征提取及識別，再將識別結(jié)果傳送給用戶終端，在最短時間內(nèi)解答農(nóng)戶的疑問，減少人力、物力消耗，提高工作效率，減少損失，提高經(jīng)濟效益。

1圖像獲取

獲取蘋果綿蚜標(biāo)準(zhǔn)圖像是遠程自動識別的基礎(chǔ)。標(biāo)本擺放位置、獲取圖像時的光照環(huán)境、采集圖像設(shè)備的像素以及采集圖像時的距離等，都會影響數(shù)字圖像的獲取。只有正確獲取數(shù)字圖像，才可以實現(xiàn)自動識別。本系統(tǒng)以蘋果綿蚜的形態(tài)數(shù)據(jù)作為模式特征值。為了盡可能清晰地獲取蘋果綿蚜的外部輪廓特征，將蘋果綿蚜放在白紙上或白底的培養(yǎng)皿中，用數(shù)碼體視顯微鏡取像。取像時為了防止標(biāo)本亂動而造成圖像模糊，事先在標(biāo)本上滴1～2滴70%乙醇。另外為了防止提取特征值時產(chǎn)生誤差，沒有使用大頭針來固定標(biāo)本。

2系統(tǒng)實現(xiàn)

系統(tǒng)分為客戶端與服務(wù)器端。用戶通過客戶端向服務(wù)器端發(fā)送圖像，服務(wù)器端通過圖像識別算法對用戶發(fā)過來的圖像數(shù)據(jù)進行自動識別，并將識別結(jié)果發(fā)送回客戶端。為了給用戶提供簡單易用的客戶端，本系統(tǒng)采用瀏覽器/服務(wù)器（B/S）模式。

2.1客戶端開發(fā)

采用瀏覽器/服務(wù)器模式的優(yōu)點在于不用安裝客戶端。只要用戶計算機接入Internet便可與服務(wù)器端進行交互，用戶通過瀏覽器程序訪問系統(tǒng)主頁。主頁應(yīng)簡單、易用，無須設(shè)計太多的菜單及控件，用戶只要將要識別的圖像文件提交到服務(wù)器端。用戶提交圖像時，系統(tǒng)會自動截獲提交時間并存入數(shù)據(jù)庫。提交圖像文件后，系統(tǒng)反饋提交結(jié)果。如果提交正確，系統(tǒng)會顯示提交的圖像及圖像名稱；如果提交錯誤，系統(tǒng)會要求用戶重新提交圖像。當(dāng)圖像提交成功后，用戶可以通過頁面上的圖像識別控件，啟動服務(wù)器端自動識別圖像程序識別圖像并返回識別結(jié)果。

2.2服務(wù)器端開發(fā)

服務(wù)器端分為2個模塊。一是圖像信息存儲模塊，二是圖像自動識別模塊。圖像上傳成功后并不直接交給圖像自動識別模塊進行處理，而是先提交到信息存儲模塊，信息存儲模塊通過數(shù)據(jù)庫、文件夾實現(xiàn)。因為圖像文件的數(shù)據(jù)信息不能存儲到數(shù)據(jù)庫中，所以用戶在提交圖像文件時，其實是將圖像文件的文件名及提交時間上傳到數(shù)據(jù)庫中，將圖像文件提交到文件夾中。數(shù)據(jù)庫根據(jù)圖像文件提交的順序為每條記錄自動產(chǎn)生唯一的編號。圖像自動識別模塊根據(jù)數(shù)據(jù)庫中圖像文件的文件名從文件夾中提取圖像文件，圖像自動識別模塊對提取的圖像文件進行識別并將結(jié)果返回到數(shù)據(jù)庫中，由返回值生成反饋頁面，告知用戶識別結(jié)果。圖像文件的遠程傳輸及識別過程如圖1所示。

3.1圖像預(yù)處理

對圖像文件進行識別之前，需要對圖像進行預(yù)處理。

像預(yù)處理的目的是去除噪聲，加強有用信息。圖像采集過程中，由于光照等原因，得到的圖像都存在一定程度的噪聲與干擾，應(yīng)當(dāng)對圖像進行預(yù)處理[3]。常用的預(yù)處理操作有圖像格式轉(zhuǎn)化、圖像去噪、圖像增強等。本系統(tǒng)采用的預(yù)處理是將蘋果綿蚜 RGB 真彩色圖轉(zhuǎn)化為灰度圖，一般情況下灰度圖可以表現(xiàn)目標(biāo)的大部分信息。

3.2邊緣檢測

邊緣檢測主要是對圖像灰度變化進行度量、檢測、定位。人眼識別一個物體，是通過追蹤未知物體的輪廓來掃視該物體，該物體的輪廓是由邊緣片段組成的。如果能夠得到圖像的邊緣，圖像分析就會大大簡化，圖像識別工作就會容易得多[4]。邊緣檢測方法主要有Roberts算子、Sobel算子、Canny算子等。由于蘋果綿蚜背部有白色絮狀物，邊緣檢測時絮狀物會產(chǎn)生一定的噪聲。Roberts算子定位比較精確，但由于不包括平滑，所以對噪聲比較敏感。Sobel算子是一階微分算子且是加權(quán)平均濾波，檢測的圖像邊緣可能大于2個像素，對灰度漸變低噪聲的圖像檢測效果較好。本系統(tǒng)采用Sobel邊緣檢測算子提取蘋果綿蚜的邊緣特征。Sobel算子在以f（i，j）為中心的3×3 鄰域上計算x與y方向的偏導(dǎo)數(shù)。

Δxf =[f（i+1，j-1）+2f（i+1，j）+f（i+1，j+1）]-[f（i-1，j-1）+2f（i-1，j）+f（i-1，j+1）]；（1）

Δyf =[f（i-1，j+1）+2f（i，j+1）+f（i+1，j+1）]-[f（i-1，j-1）+2f（i，j-1）+f（i+1，j-1）]。（2）

梯度的實際大小為：

G=（Δxf）2+（Δyf）2。（3）

常采用它的近似計算式：

|G|=|Δx f |+|Δyf|。（4）

幾種邊緣檢測算子比較如圖2所示。填充邊緣內(nèi)的空洞，得到1張二值圖像，其中最大的聯(lián)通區(qū)域是蟲子。本系統(tǒng)實現(xiàn)了蘋果綿蚜無翅成蟲的圖像識別，在提取邊緣特征的基礎(chǔ)上再提取HOG（梯度方向直方圖）特征。

3.3HOG特征的提取

HOG主要通過對圖像局部區(qū)域梯度方向出現(xiàn)次數(shù)統(tǒng)計生成的。這種方法與邊緣方向直方圖非常類似，二者區(qū)別在于HOG將圖像分為密集的網(wǎng)格，針對每個網(wǎng)格進行統(tǒng)計，并采用重疊的局部對比歸一化來提高準(zhǔn)確率。

3.4算法實現(xiàn)

3.4.1梯度計算HOG提取的第一步是計算梯度值。最常用的方法是分別對豎直以及水平方向用一維離線點的導(dǎo)數(shù)模板（[-1，0，1]和[-1，0，1]T）進行濾波。

3.4.2梯度方向計算上一步濾波可以分別得到每個像素點的水平梯度與豎直梯度，豎直梯度與水平梯度的反正切函數(shù)即是梯度方向。

θ（x，y）=arctan[L（x，y+1）-L（x，y-1）]/[L（x+1，y）-L（x-1，y）]。（5）

式中：L（x，y）是（x，y）坐標(biāo)上的像素值，θ（x，y）是該點的梯度方向。

3.4.3方向分級統(tǒng)計將圖像分為20×20像素大小的小格，將每個小格沿著0°～180°的梯度方向劃分為9份進行直方圖統(tǒng)計，每個像素的投票權(quán)值可以由梯度幅度或者梯度幅度的函數(shù)決定。

3.4.4歸一化為了消除亮度以及對比度變化的影響，所得直方圖需要局部歸一化。首先將小格連接起來，形成更大的塊，每個塊的特征由所包含的小格直方圖連接而成。通常1個塊由2×2或者3×3小格組成，并且這些塊是重疊的，這表示每個小格對特征貢獻不止1次。有學(xué)者提出了4種歸一化方法。令v為1個給定塊的特征向量，‖v‖k表示向量的k-模，k=1，2。ε為1個小常量，4種歸一化方式可以表示為：

L2-norm：

f=v‖v‖22+e2。（6）

L2-hys：對L2-norm之后的結(jié)果進行剪裁（最大值限制為0.2），再次進行 L2-norm。

L1-norm：

f=v（‖v‖1+e）。（7）

L1-sqrt：

f=v（‖v‖1+e）。（8）

本系統(tǒng)選用L2-norm進行歸一化，最后將所有分塊的歸一化結(jié)果結(jié)合起來，得到梯度方向直方圖特征。

3.5訓(xùn)練神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)由通過數(shù)學(xué)或計算模型聯(lián)系在一起的一組人工神經(jīng)元構(gòu)成。由圖3可知，1個典型的前向神經(jīng)網(wǎng)絡(luò)由3層組成：輸入層、隱含層、輸出層。其中，輸入層LI含有n個人工神經(jīng)元，以接受輸入信號。隱含層LH有p個單元。輸出層LO包含q個單元，用于輸出分類結(jié)果。

本系統(tǒng)設(shè)計了1個基于邊緣特征的神經(jīng)網(wǎng)絡(luò)分類器。利用Sobel及HOG得到的特征矩陣設(shè)計神經(jīng)網(wǎng)絡(luò)輸入層結(jié)點數(shù)為特征維數(shù)，隱含層為100，輸出層為2。對神經(jīng)網(wǎng)絡(luò)分類器進行訓(xùn)練，得到分類器的參數(shù)，之后自動識別系統(tǒng)利用分類器參數(shù)對識別請求給予自動鑒定。圖像自動識別流程如圖4所示。

4結(jié)論

本系統(tǒng)將計算機視覺技術(shù)與計算機網(wǎng)絡(luò)技術(shù)相結(jié)合，實現(xiàn)了蘋果綿蚜的遠程圖像識別。用戶將昆蟲數(shù)字圖像通過系統(tǒng)客戶端上傳到服務(wù)器，服務(wù)器通過自動識別模塊對圖像進行鑒別，確定是否是蘋果綿蚜。本系統(tǒng)利用40張?zhí)O果綿蚜圖像對神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，用33種不同的昆蟲樣本圖像進行測試，正確率達90%以上。本系統(tǒng)有利于降低防治成本，提高防治效果。

參考文獻：

[1]瑪依拉·吐拉甫. 新疆伊犁河谷蘋果綿蚜種群生態(tài)學(xué)與控制技術(shù)研究[D]. 烏魯木齊：新疆農(nóng)業(yè)大學(xué)，2010.

[2]楊紅珍，張建偉，李湘濤，等. 基于圖像的昆蟲遠程自動識別系統(tǒng)的研究[J]. 農(nóng)業(yè)工程學(xué)報，2008，24（1）：188-192.

[3]郝中華，倪遠平. 昆蟲圖像分割方法的研究及應(yīng)用[J]. 云南大學(xué)學(xué)報：自然科學(xué)版，2009，31（增刊）：67-72.

[4]周紅，王宏坡. 基于Visual C++ .NET的昆蟲圖像自動識別系統(tǒng)的研究[J]. 天津農(nóng)學(xué)院學(xué)報，2005，12（2）：39-41，53

Δxf =[f（i+1，j-1）+2f（i+1，j）+f（i+1，j+1）]-[f（i-1，j-1）+2f（i-1，j）+f（i-1，j+1）]；（1）

Δyf =[f（i-1，j+1）+2f（i，j+1）+f（i+1，j+1）]-[f（i-1，j-1）+2f（i，j-1）+f（i+1，j-1）]。（2）

梯度的實際大小為：

G=（Δxf）2+（Δyf）2。（3）

常采用它的近似計算式：

|G|=|Δx f |+|Δyf|。（4）

幾種邊緣檢測算子比較如圖2所示。填充邊緣內(nèi)的空洞，得到1張二值圖像，其中最大的聯(lián)通區(qū)域是蟲子。本系統(tǒng)實現(xiàn)了蘋果綿蚜無翅成蟲的圖像識別，在提取邊緣特征的基礎(chǔ)上再提取HOG（梯度方向直方圖）特征。

3.3HOG特征的提取

HOG主要通過對圖像局部區(qū)域梯度方向出現(xiàn)次數(shù)統(tǒng)計生成的。這種方法與邊緣方向直方圖非常類似，二者區(qū)別在于HOG將圖像分為密集的網(wǎng)格，針對每個網(wǎng)格進行統(tǒng)計，并采用重疊的局部對比歸一化來提高準(zhǔn)確率。

3.4算法實現(xiàn)

3.4.1梯度計算HOG提取的第一步是計算梯度值。最常用的方法是分別對豎直以及水平方向用一維離線點的導(dǎo)數(shù)模板（[-1，0，1]和[-1，0，1]T）進行濾波。

3.4.2梯度方向計算上一步濾波可以分別得到每個像素點的水平梯度與豎直梯度，豎直梯度與水平梯度的反正切函數(shù)即是梯度方向。

θ（x，y）=arctan[L（x，y+1）-L（x，y-1）]/[L（x+1，y）-L（x-1，y）]。（5）

式中：L（x，y）是（x，y）坐標(biāo)上的像素值，θ（x，y）是該點的梯度方向。

3.4.3方向分級統(tǒng)計將圖像分為20×20像素大小的小格，將每個小格沿著0°～180°的梯度方向劃分為9份進行直方圖統(tǒng)計，每個像素的投票權(quán)值可以由梯度幅度或者梯度幅度的函數(shù)決定。

3.4.4歸一化為了消除亮度以及對比度變化的影響，所得直方圖需要局部歸一化。首先將小格連接起來，形成更大的塊，每個塊的特征由所包含的小格直方圖連接而成。通常1個塊由2×2或者3×3小格組成，并且這些塊是重疊的，這表示每個小格對特征貢獻不止1次。有學(xué)者提出了4種歸一化方法。令v為1個給定塊的特征向量，‖v‖k表示向量的k-模，k=1，2。ε為1個小常量，4種歸一化方式可以表示為：

L2-norm：

f=v‖v‖22+e2。（6）

L2-hys：對L2-norm之后的結(jié)果進行剪裁（最大值限制為0.2），再次進行 L2-norm。

L1-norm：

f=v（‖v‖1+e）。（7）

L1-sqrt：

f=v（‖v‖1+e）。（8）

本系統(tǒng)選用L2-norm進行歸一化，最后將所有分塊的歸一化結(jié)果結(jié)合起來，得到梯度方向直方圖特征。

3.5訓(xùn)練神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)由通過數(shù)學(xué)或計算模型聯(lián)系在一起的一組人工神經(jīng)元構(gòu)成。由圖3可知，1個典型的前向神經(jīng)網(wǎng)絡(luò)由3層組成：輸入層、隱含層、輸出層。其中，輸入層LI含有n個人工神經(jīng)元，以接受輸入信號。隱含層LH有p個單元。輸出層LO包含q個單元，用于輸出分類結(jié)果。

本系統(tǒng)設(shè)計了1個基于邊緣特征的神經(jīng)網(wǎng)絡(luò)分類器。利用Sobel及HOG得到的特征矩陣設(shè)計神經(jīng)網(wǎng)絡(luò)輸入層結(jié)點數(shù)為特征維數(shù)，隱含層為100，輸出層為2。對神經(jīng)網(wǎng)絡(luò)分類器進行訓(xùn)練，得到分類器的參數(shù)，之后自動識別系統(tǒng)利用分類器參數(shù)對識別請求給予自動鑒定。圖像自動識別流程如圖4所示。

4結(jié)論

本系統(tǒng)將計算機視覺技術(shù)與計算機網(wǎng)絡(luò)技術(shù)相結(jié)合，實現(xiàn)了蘋果綿蚜的遠程圖像識別。用戶將昆蟲數(shù)字圖像通過系統(tǒng)客戶端上傳到服務(wù)器，服務(wù)器通過自動識別模塊對圖像進行鑒別，確定是否是蘋果綿蚜。本系統(tǒng)利用40張?zhí)O果綿蚜圖像對神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，用33種不同的昆蟲樣本圖像進行測試，正確率達90%以上。本系統(tǒng)有利于降低防治成本，提高防治效果。

參考文獻：

[1]瑪依拉·吐拉甫. 新疆伊犁河谷蘋果綿蚜種群生態(tài)學(xué)與控制技術(shù)研究[D]. 烏魯木齊：新疆農(nóng)業(yè)大學(xué)，2010.

[2]楊紅珍，張建偉，李湘濤，等. 基于圖像的昆蟲遠程自動識別系統(tǒng)的研究[J]. 農(nóng)業(yè)工程學(xué)報，2008，24（1）：188-192.

[3]郝中華，倪遠平. 昆蟲圖像分割方法的研究及應(yīng)用[J]. 云南大學(xué)學(xué)報：自然科學(xué)版，2009，31（增刊）：67-72.

[4]周紅，王宏坡. 基于Visual C++ .NET的昆蟲圖像自動識別系統(tǒng)的研究[J]. 天津農(nóng)學(xué)院學(xué)報，2005，12（2）：39-41，53

Δxf =[f（i+1，j-1）+2f（i+1，j）+f（i+1，j+1）]-[f（i-1，j-1）+2f（i-1，j）+f（i-1，j+1）]；（1）

Δyf =[f（i-1，j+1）+2f（i，j+1）+f（i+1，j+1）]-[f（i-1，j-1）+2f（i，j-1）+f（i+1，j-1）]。（2）

梯度的實際大小為：

G=（Δxf）2+（Δyf）2。（3）

常采用它的近似計算式：

|G|=|Δx f |+|Δyf|。（4）

幾種邊緣檢測算子比較如圖2所示。填充邊緣內(nèi)的空洞，得到1張二值圖像，其中最大的聯(lián)通區(qū)域是蟲子。本系統(tǒng)實現(xiàn)了蘋果綿蚜無翅成蟲的圖像識別，在提取邊緣特征的基礎(chǔ)上再提取HOG（梯度方向直方圖）特征。

3.3HOG特征的提取

HOG主要通過對圖像局部區(qū)域梯度方向出現(xiàn)次數(shù)統(tǒng)計生成的。這種方法與邊緣方向直方圖非常類似，二者區(qū)別在于HOG將圖像分為密集的網(wǎng)格，針對每個網(wǎng)格進行統(tǒng)計，并采用重疊的局部對比歸一化來提高準(zhǔn)確率。

3.4算法實現(xiàn)

3.4.1梯度計算HOG提取的第一步是計算梯度值。最常用的方法是分別對豎直以及水平方向用一維離線點的導(dǎo)數(shù)模板（[-1，0，1]和[-1，0，1]T）進行濾波。

3.4.2梯度方向計算上一步濾波可以分別得到每個像素點的水平梯度與豎直梯度，豎直梯度與水平梯度的反正切函數(shù)即是梯度方向。

θ（x，y）=arctan[L（x，y+1）-L（x，y-1）]/[L（x+1，y）-L（x-1，y）]。（5）

式中：L（x，y）是（x，y）坐標(biāo)上的像素值，θ（x，y）是該點的梯度方向。

3.4.3方向分級統(tǒng)計將圖像分為20×20像素大小的小格，將每個小格沿著0°～180°的梯度方向劃分為9份進行直方圖統(tǒng)計，每個像素的投票權(quán)值可以由梯度幅度或者梯度幅度的函數(shù)決定。

3.4.4歸一化為了消除亮度以及對比度變化的影響，所得直方圖需要局部歸一化。首先將小格連接起來，形成更大的塊，每個塊的特征由所包含的小格直方圖連接而成。通常1個塊由2×2或者3×3小格組成，并且這些塊是重疊的，這表示每個小格對特征貢獻不止1次。有學(xué)者提出了4種歸一化方法。令v為1個給定塊的特征向量，‖v‖k表示向量的k-模，k=1，2。ε為1個小常量，4種歸一化方式可以表示為：

L2-norm：

f=v‖v‖22+e2。（6）

L2-hys：對L2-norm之后的結(jié)果進行剪裁（最大值限制為0.2），再次進行 L2-norm。

L1-norm：

f=v（‖v‖1+e）。（7）

L1-sqrt：

f=v（‖v‖1+e）。（8）

本系統(tǒng)選用L2-norm進行歸一化，最后將所有分塊的歸一化結(jié)果結(jié)合起來，得到梯度方向直方圖特征。

3.5訓(xùn)練神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)由通過數(shù)學(xué)或計算模型聯(lián)系在一起的一組人工神經(jīng)元構(gòu)成。由圖3可知，1個典型的前向神經(jīng)網(wǎng)絡(luò)由3層組成：輸入層、隱含層、輸出層。其中，輸入層LI含有n個人工神經(jīng)元，以接受輸入信號。隱含層LH有p個單元。輸出層LO包含q個單元，用于輸出分類結(jié)果。

本系統(tǒng)設(shè)計了1個基于邊緣特征的神經(jīng)網(wǎng)絡(luò)分類器。利用Sobel及HOG得到的特征矩陣設(shè)計神經(jīng)網(wǎng)絡(luò)輸入層結(jié)點數(shù)為特征維數(shù)，隱含層為100，輸出層為2。對神經(jīng)網(wǎng)絡(luò)分類器進行訓(xùn)練，得到分類器的參數(shù)，之后自動識別系統(tǒng)利用分類器參數(shù)對識別請求給予自動鑒定。圖像自動識別流程如圖4所示。

4結(jié)論

本系統(tǒng)將計算機視覺技術(shù)與計算機網(wǎng)絡(luò)技術(shù)相結(jié)合，實現(xiàn)了蘋果綿蚜的遠程圖像識別。用戶將昆蟲數(shù)字圖像通過系統(tǒng)客戶端上傳到服務(wù)器，服務(wù)器通過自動識別模塊對圖像進行鑒別，確定是否是蘋果綿蚜。本系統(tǒng)利用40張?zhí)O果綿蚜圖像對神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，用33種不同的昆蟲樣本圖像進行測試，正確率達90%以上。本系統(tǒng)有利于降低防治成本，提高防治效果。

參考文獻：

[1]瑪依拉·吐拉甫. 新疆伊犁河谷蘋果綿蚜種群生態(tài)學(xué)與控制技術(shù)研究[D]. 烏魯木齊：新疆農(nóng)業(yè)大學(xué)，2010.

[2]楊紅珍，張建偉，李湘濤，等. 基于圖像的昆蟲遠程自動識別系統(tǒng)的研究[J]. 農(nóng)業(yè)工程學(xué)報，2008，24（1）：188-192.

[3]郝中華，倪遠平. 昆蟲圖像分割方法的研究及應(yīng)用[J]. 云南大學(xué)學(xué)報：自然科學(xué)版，2009，31（增刊）：67-72.

[4]周紅，王宏坡. 基于Visual C++ .NET的昆蟲圖像自動識別系統(tǒng)的研究[J]. 天津農(nóng)學(xué)院學(xué)報，2005，12（2）：39-41，53