□潘梅 李光輝周小波,2 李玉玲 曾文明

/1.四川省農業(yè)機械研究設計院 2.南方丘區(qū)節(jié)水農業(yè)研究四川省重點實驗室

0 引言

茶葉在中國有著深厚的文化內涵，深受全國人民的喜愛。茶葉種植在我國已有幾千年的歷史，福建、云南、四川等省份都有大量的茶葉種植地，但田間茶葉種植常年面臨著多種害蟲的侵蝕，這嚴重危害著茶葉的產量和品質。因此，茶葉識別害蟲效率的高低直接決定著害蟲治理的效果，影響著茶葉的產量和品質。對茶葉害蟲的識別，傳統的方法是依靠茶農自身經驗或者他人傳授經驗等人工識別，這種方法需人工深入田間辨識，勞動強度大，無法實現害蟲的自動定位與識別，不利于茶葉植保時施藥的機械化、高效化及智能化。

圖像處理技術始于20世紀20年代，是用計算機及相關技術對圖像信息進行增強、復原、分割和識別等處理[1]，從而實現圖像分析、圖像識別等目的。該技術具有處理信息量豐富、處理精度高等優(yōu)點。目前，圖像處理的應用已深入航空航天、生物醫(yī)學、軍事等諸多領域[2]。在現代農業(yè)方面，圖像處理技術已應用于農作物長勢監(jiān)測、作物缺素識別診斷、農產品品質分級等。隨著計算機技術、機器視覺技術等現代科技水平的不斷提高，許多研究者已將圖像處理技術應用于害蟲識別中，但專門針對田間茶葉害蟲智能識別的研究還較少，有待進一步深入研究并應用于實踐。

1 茶葉害蟲智能識別流程

基于圖像處理的茶葉害蟲智能識別系統的實現可分為兩大階段，一是生成分類器模型的訓練階段，二是利用分類器模型的預測階段。其主要由以下識別流程組成（見圖1）：建立害蟲樣本圖像庫、圖像預處理、害蟲定位、特征提取、分類器設計訓練與害蟲識別。

首先，采用圖像采集設備獲取茶葉害蟲樣本圖像、待識別圖像等目標物的圖像，建立覆蓋茶園中可能出現的各種情況的害蟲樣本圖像庫；其次，對樣本圖像和待識別圖像進行圖像裁剪、對比度調整等圖像預處理；接著，對預處理后的待識別圖像進行顏色分割、邊緣檢測等操作，過濾出害蟲區(qū)域，實現害蟲自動定位；然后，對預處理后的害蟲樣本及定位出的害蟲局部圖像進行特征提取獲得特征數據；最后，利用提取出的害蟲樣本特征數據、模式識別算法設計分類器并訓練獲得分類器模型，再采用該模型進行害蟲預測，實現害蟲智能分類，得到識別結果。

2 茶葉害蟲智能識別方法

2.1 建立茶葉害蟲樣本圖像庫

在茶葉害蟲智能識別系統中，害蟲樣本圖像庫的建立是第一步，也是系統的核心之一。圖像庫包括正樣本圖像集和負樣本圖像集。正樣本是指待智能識別的茶葉害蟲多形態(tài)、多角度圖像，如黑刺粉虱、茶蚜等常見茶葉害蟲的蛹、幼蟲和成蟲等不同形態(tài)、多角度、多場景圖像。每一種害蟲標記為同一類型，不同害蟲標記為不同類型，以實現多種害蟲多分類識別。負樣本是指茶園環(huán)境中除正樣本外的其他所有相關圖像，即除系統擬識別的害蟲以外的所有可能存在的干擾圖像，如茶樹葉、枯枝、雜草、土壤等圖像。大量的正樣本和負樣本共同形成害蟲樣本圖像庫，樣本圖像庫應該覆蓋茶園中可能存在的各種害蟲情況。樣本選取的數量和樣本選取的典型性決定了識別效果的好壞程度，豐富、多樣的樣本能夠提高茶葉害蟲種類判別模型的魯棒性。

2.2 圖像預處理

圖像預處理的主要目的是消除圖像中無關的信息，恢復有用的真實信息，增強茶葉害蟲等有關信息的可檢測性[3]，從而改進害蟲定位、特征提取和模式識別的可靠性。圖像預處理主要包括圖像裁剪、直方圖均衡化、濾波去噪、輪廓提取、圖像增強等操作。對于正樣本圖像，通過圖像裁剪剔除茶樹葉片等復雜背景、保留害蟲圖像必不可少。對于害蟲待識別圖像，由于其獲取茶葉環(huán)境圖像的角度、天氣、光照等差異較大，對其進行光照、對比度調整是重要的預處理操作。預處理屬于圖像分析的低層處理，其處理結果對害蟲定位的準確性和識別的精度有顯著影響。

2.3 害蟲自動定位

害蟲定位主要是從包含茶樹葉片、雜草、土壤等復雜背景的待識別圖像中定位出害蟲位置，得到僅包含害蟲的局部圖像。害蟲定位采用的主要技術是圖像分割。圖像分割是把圖像分成若干個特定的、具有獨特性質的區(qū)域，進而提取出感興趣目標的技術和過程[4]。對于茶葉害蟲識別來說，就是提取出害蟲及疑似害蟲區(qū)域。圖像分割方法分為基于閾值的分割、基于邊緣的分割、基于區(qū)域的分割和基于特定理論的分割等。陳晶等首先采用SLIC 超像素算法進行初分割，再使用DBSCAN聚類算法進行二次聚類分割，實現了從復雜背景中定位茶小綠葉蟬圖像[5]；楊國國等應用一種基于全局對比度的顯著性區(qū)域檢測方法對復雜背景下的害蟲目標進行定位[6]。另外，顏色空間、形態(tài)學處理、形狀檢測等操作也常用于害蟲定位中，韓瑞珍基于HSV顏色空間模型，采用Otsu閾值分割方法實現圖像背景和害蟲目標的分割[7]。準確定位害蟲是害蟲分類識別的前提，其定位的精度直接影響識別結果的正確率。

2.4 害蟲特征提取

特征提取是指從圖像中提取有用的數據或信息，得到圖像的數值、向量和符號等的表示或描述過程。具體而言，對于茶葉害蟲智能識別系統的特征提取，就是將訓練階段的正負樣本圖像及預測階段的害蟲定位局部圖像的典型特征屬性采用數據方式進行表達、描述的過程。該過程獲得的數值、向量和符號等的表示或描述就是圖像的特征數據。常用的圖像特征主要有顏色特征、紋理特征、形狀特征和空間關系特征等[8]。對于自然環(huán)境中茶葉害蟲的智能識別，選取的特征應對光照、旋轉、尺度等具有不變性，即特征數據不受圖像的光照明暗程度、旋轉角度、遠近大小等的影響。常用的茶葉害蟲特征描述算子有SIFT 特征、SURF 特征、ORB 特征、HOG特征等。吳翔針對圖像分割后的害蟲目標，提取了形態(tài)、顏色和紋理等全局特征，同時利用SURF算法提取了害蟲的局部特征用于建立分類模型[9]；張永玲等將HSV顏色特征和HOG特征進行融合，采用稀疏表示識別模型實現了較高的農業(yè)害蟲識別率和較低的誤檢率[10]。特征提取的數據是實現分類器訓練生成分類預測模型的數據基礎，圖像特征選擇的典型性和不變性可直接影響甚至決定預測結果的準確率。

2.5 分類器設計、訓練與識別

分類器的設計與訓練是利用特征描述數據，通過模式識別算法教會計算機識別圖像，得到分類器模型以用于預測階段的害蟲智能分類的過程，其實質是機器學習（通過利用數據，訓練出模型，然后使用模型預測） 的過程。該過程的核心是分類算法的選擇和設計，常用的茶葉害蟲分類算法有人工神經網絡、Adaboost 算法、隨機森林、SVM、貝葉斯分類及其改進算法和多種算法的融合應用等。許振偉將BP神經網絡分類器應用于儲糧害蟲圖像檢測和識別中，實現了害蟲的快速、高效檢測和分類[11]；潘春華等將SVM算法和區(qū)域生長結合，實現了煙粉虱等四類害蟲的分類識別[12]。分類器的選取、設計和優(yōu)化直接影響識別結果的正確率及計算機的處理速度，也直接影響茶葉害蟲智能識別模型的穩(wěn)定性和可靠性。

對待識別圖像的害蟲識別則是利用訓練生成的分類器模型進行預測分類的過程。另外，害蟲定位雖然可以去除大部分背景，定位到害蟲，但仍然存在少量類似害蟲的非害蟲、誤定位局部圖像。這些誤定位圖像的特征與害蟲的特征不同，通過訓練好的分類器模型進行預測后可正確識別。

3 結束語

本研究對基于圖像處理的茶葉害蟲智能識別方法進行了研究和闡述。首先，對圖像處理技術應用于茶葉害蟲智能識別方面的必要性和研究現狀進行了分析。接著，闡述了智能識別的具體實現流程和步驟。然后，對實現的主要步驟：建立茶葉害蟲樣本圖像庫、圖像預處理、害蟲自動定位、害蟲特征提取、分類器的設計與訓練、害蟲智能識別等方面進行了方法研究和概述。本研究中的技術可為茶葉害蟲智能識別的實現提供方法指導，與植保無人機等施藥機械結合，可促進田間茶葉植保實現施藥的機械化、高效化和智能化。這將明顯減少人工操作的勞動強度、節(jié)約大量的人工成本，同時，大幅度提高茶葉的植保效率。