鞘翅目害虫自动鉴定技术研究
|
摘要
鞘翅目害虫是重要的农业和林业害虫，目前鞘翅目害虫的鉴定工作是由数量有限的专家进行，大部分非专业人员因缺乏相关知识的技术培训，要快速鉴定害虫种属具有相当的难度，不利于害虫防治。为此，本研究利用计算机视觉技术对34种重要的农业和林业鞘翅目害虫的自动鉴定技术进行了研究，设计了一个用于鞘翅目害虫自动鉴定的计算机识别系统。
针对不同种属的鞘翅目害虫体长差异较大这一问题，采用了不同的图像获取系统分别采集体长不同的鞘翅目害虫图像：采用自行设计的鞘翅目害虫图像获取系统采集常规害虫(体长大于1cm的害虫)图像；而对于微小害虫(一般体长2-14mm的小型害虫)则采用带有显微镜接口的奥林巴斯数码相机连接显微镜进行拍摄。将获得的害虫图像进行图像增强、去噪声等预处理操作后，为了有效地分割出害虫，对不同种类的害虫图像提出了不同的分割方法：对微小害虫采用基于固定取阈法的分割方法来分割前景，对于常规害虫采用基于最大类间自动取阈法的分割方法进行去背景操作。针对去背景后的图像中包含的害虫触角和足节等部分，提出了稳定而有效的去噪方法。根据鞘翅目害虫的分类学特征，从害虫图像中提取了区域周长、区域面积、主弦，次主弦，离散指数，偏心率和紧凑性等七个形状特征参数作为鞘翅目害虫的分类判别依据。为提高鞘翅目害虫的识别正确率，研究了基于极大极小准则的模糊模式识别方法，基于多元分类的最小二乘支持向量机方法和BP神经网络方法，并将最符合实际分类要求的模糊模式识别方法确定为鞘翅目害虫的最终分类方法，利用该方法对34种鞘翅目进行自动鉴定时平均准确率可达92.16％。
利用VB和MATLAB开发了鞘翅目害虫图像自动鉴定软件系统。该系统界面友好，功能齐全，使得只具有初步相关经验的用户利用该系统就可以进行专家水平的鉴定工作，这对加强鞘翅目害虫的检疫与防治有着积极意义。
Beetles are insects of the order Coleoptera, the largest order in the animal kingdom, with over 250,000 species. They are one of the most common insects and exist in every variety of habitat except the oceans and polar regions. Some beetles feed on the leaves of a number of garden crops, flowers,trees and shrubs. Some beetles trasmit viral, bacterial, or fungal agents that cause plant desease. And some beetles may damage a wide variety of stored materials: stored wood, fabrics made of animal materials and stored food. Beetle insects present greate threat to agriculture and forest production. Correct and timely identification for these insects has important significance. For many years it has been performed by human experts with rich experience. However, sufficient number of competent human experts are not available to cover the large area. This paper present the design and implementation of an indentification systerm for the automatic identificaton of the beetle pest images.
The automatic identification of beetle pests using image processing system consists of three stages: (i)pest image processing, (ii)shape features extracting, and(iii) pest recognition. Two image acquisition systems were designed to capture the images with respect to insects' length. Median filter is one of the non-linear filter methods, which can get rid of images' noise effectevely and was used to enhance the pest images. Adaptive image segmentation based on threshold has been adopted to get the pest object. According to the insect taxonomic character, seven shape features have been extracted based on the segmentation result of the pest images, which are Area, Perimeter, X-Length,Y-Length, Eccentricity, Shape-Parameter and Circularity. These features are useful for beetle pests classification. Fuzzy classifier based on the fuzzy minimums and maximums rule, multi - class support vector classifier based on least squares support vector machines, neural networks classifier based on BP , were inroduced and built to indentify 34 species of beetle pests. Results show that classifier based on the fuzzy minimums and maximums rule can get a satisfactory recognition result. Using this classifier, the average recognition accuracy can reached 92.16%, and it is suitable for beetle pests indentification.
The automatic identification system of beetle pest images based on VB and Matlab makes identification easier to people with less experience, whilst minimizing system complexity and implementing a user-friendly environment. The system could be recommended as a potentially valuable tool for beetle pest indentification.
针对不同种属的鞘翅目害虫体长差异较大这一问题，采用了不同的图像获取系统分别采集体长不同的鞘翅目害虫图像：采用自行设计的鞘翅目害虫图像获取系统采集常规害虫(体长大于1cm的害虫)图像；而对于微小害虫(一般体长2-14mm的小型害虫)则采用带有显微镜接口的奥林巴斯数码相机连接显微镜进行拍摄。将获得的害虫图像进行图像增强、去噪声等预处理操作后，为了有效地分割出害虫，对不同种类的害虫图像提出了不同的分割方法：对微小害虫采用基于固定取阈法的分割方法来分割前景，对于常规害虫采用基于最大类间自动取阈法的分割方法进行去背景操作。针对去背景后的图像中包含的害虫触角和足节等部分，提出了稳定而有效的去噪方法。根据鞘翅目害虫的分类学特征，从害虫图像中提取了区域周长、区域面积、主弦，次主弦，离散指数，偏心率和紧凑性等七个形状特征参数作为鞘翅目害虫的分类判别依据。为提高鞘翅目害虫的识别正确率，研究了基于极大极小准则的模糊模式识别方法，基于多元分类的最小二乘支持向量机方法和BP神经网络方法，并将最符合实际分类要求的模糊模式识别方法确定为鞘翅目害虫的最终分类方法，利用该方法对34种鞘翅目进行自动鉴定时平均准确率可达92.16％。
利用VB和MATLAB开发了鞘翅目害虫图像自动鉴定软件系统。该系统界面友好，功能齐全，使得只具有初步相关经验的用户利用该系统就可以进行专家水平的鉴定工作，这对加强鞘翅目害虫的检疫与防治有着积极意义。
Beetles are insects of the order Coleoptera, the largest order in the animal kingdom, with over 250,000 species. They are one of the most common insects and exist in every variety of habitat except the oceans and polar regions. Some beetles feed on the leaves of a number of garden crops, flowers,trees and shrubs. Some beetles trasmit viral, bacterial, or fungal agents that cause plant desease. And some beetles may damage a wide variety of stored materials: stored wood, fabrics made of animal materials and stored food. Beetle insects present greate threat to agriculture and forest production. Correct and timely identification for these insects has important significance. For many years it has been performed by human experts with rich experience. However, sufficient number of competent human experts are not available to cover the large area. This paper present the design and implementation of an indentification systerm for the automatic identificaton of the beetle pest images.
The automatic identification of beetle pests using image processing system consists of three stages: (i)pest image processing, (ii)shape features extracting, and(iii) pest recognition. Two image acquisition systems were designed to capture the images with respect to insects' length. Median filter is one of the non-linear filter methods, which can get rid of images' noise effectevely and was used to enhance the pest images. Adaptive image segmentation based on threshold has been adopted to get the pest object. According to the insect taxonomic character, seven shape features have been extracted based on the segmentation result of the pest images, which are Area, Perimeter, X-Length,Y-Length, Eccentricity, Shape-Parameter and Circularity. These features are useful for beetle pests classification. Fuzzy classifier based on the fuzzy minimums and maximums rule, multi - class support vector classifier based on least squares support vector machines, neural networks classifier based on BP , were inroduced and built to indentify 34 species of beetle pests. Results show that classifier based on the fuzzy minimums and maximums rule can get a satisfactory recognition result. Using this classifier, the average recognition accuracy can reached 92.16%, and it is suitable for beetle pests indentification.
The automatic identification system of beetle pest images based on VB and Matlab makes identification easier to people with less experience, whilst minimizing system complexity and implementing a user-friendly environment. The system could be recommended as a potentially valuable tool for beetle pest indentification.
引文
[1] 袁锋．昆虫分类学[M]．中国农业出版社．1996
[2] 张生芳，刘永平，武增强．中国储藏物甲虫[M]．中国农业科技出版社．1998
[3] 祝长清，朱东明，尹新平．河南昆虫志·鞘翅目(一)[M]．河南科学技术出版社．1999
[4] 潘春洪，张彩霞．计算机视觉简述[J]．自动化博览，2005，(5)：92-93
[5] http://panxiongfei.blogchina.com/
[6] Tiago Mauricio FRANCOY, Pedro Roberto Rodrigues PRADO, Lionel Segui GONCALVES, Luciano da Fontoura COSTA, David DE JONG. Morphometric differences in a single wing cell can discriminate Apis mellifera racial types[J]. INRA/DIB-AGIB/EDP Sciences, 2006, 37 : 91-97
[7] Daly H V, Hoelmer K, Norman P, Allen T. Computer assisted measurement and identification of honey bees[J].Ann. Entomol. Soc. Am. 1982,75:591-594
[8] http://course.bnu.edu.cn/course/mathmodel/zuoxinian/Mproj.html
[9] Liu J D.The expert system for identification of Tortricinae(Lepdoptera) using image analysis of venation[J]. Entomologica Sinica,1996,3(1):1～8
[10] Pattern T, Wenjing Li,Bebis G,Freeman M.Automatic heliothis zea classification using image analysis[J].Proceedings.16th IEEE International Conference on Tools with Artificial Intelligence,2004,320-327
[11] Kaloudis S,Anastopoulos D,Yialouris P, Lorentzos A, Sideridis B. Insect identification expert system for forest protection [J]. Expert Systems with Applications, 2005(3):445-452
[12] Neethirajan S, Karunakaran C, Jayas D S,.White N D G. Detection techniques for stored-product insects in grain[J]. Food Control,2007,18(2): 157-162
[13] Koumpouros Y, Mahaman B D, Maliappis M, Passam H C, Sideridis A B, Zorkadis V.Image processing for distance diagnosis in pest management[J].Computers and Electronics in Agriculture, 2004,44(2): 121-131
[14] Yu D S,Kokko E G, Barron J R et al. Identification of ichnumonid wasps using image analysis of wings[J].System Entomol, 1992,17:389～395
[15] Weeks D,O'Neill A,Gaston J,Gauld D.Speces-idintification of wasps using principal component associative memories[J].Image and Vision Computing, 1999(17): 861-866
[16] 赵汉青，沈佐锐，于新文．数学形态学在昆虫分类学上的研究．Ⅰ．在目级阶元上的应用研究[J]． 昆虫学报，2003，46(1)：45-50
[17] 赵汉青，沈佐锐，于新文．数学形态学在昆虫分类学上的研究．Ⅱ．在总科阶元上的应用研究[J]．昆虫学报，2003，46(2)：201-208
[18] 赵汉青，沈佐锐，于新文．数学形态学在昆虫分类学上的研究．Ⅲ．在科阶元上的应用研究[J]．昆虫学报，2003，46(3)：339-344
[19] 赵汗青．数学形态特征在昆虫分类学上的应用研究[D]．北京：中国农业大学，2002
[20] 马俊，王建华．一种基于数学形态学的植物病虫识别方法[J]．深圳大学学报理工版，2004，21(1)：72-75
[21] 牟少敏．基于数学形态学的重叠昆虫昆虫图像分离的研究[J]．计算机工程与应用，2003，18：219-220
[22] 付承彬，詹希美，伍小明等．数字图像处理技术在并殖吸虫自动分类中的应用研究[J]．中国人兽共患病杂志，2002，18(1)：39-43
[23] 张红梅，范艳峰，田耕．基于数字图像处理技术的储粮害虫分类识别研究[J]．河南工业大学学报(自然科学版)，2005，26(1)：19-22
[24] 邱道伊，张红涛，陈铁军等．模糊识别技术在储粮害虫检测中的应用[J]．农业系统科学与综合研究，2002，18(2)：122-125
[25] 宋丽文．落叶松八齿小蠹(Ips subelongatu)聚集信息初步研究[D]．东北师范大学，2005
[26] 孙即祥．图像处理[M]．科学出版社．2005
[27] 孙即祥．图像分析[M]．科学出版社．2005
[28] 方如明．计算机图像处理技术及其在农业工程中的应用[M]．北京．清华大学出版社．1999
[29] 张兆礼，赵春晖，梅晓丹．现代图像处理技术及Matlab实现[M]．人民邮电出版社 2001
[30] 舒宁，马洪超，孙和利．模式识别的理论与方法[M]．武汉大学出版社．2004
[31] 楼顺天，胡昌华，张伟．基于MATLAB的系统分析与设计——模糊系统[M]．西安电子科技大学出版社．2001
[32] Timothy J.Ross.Fuzzy Logic With Engineering Application[M].The McGraw-Hill Companies,Inc. 1995 钱同惠，沈其聪，葛晓兵等译．模糊逻辑及其工程应用[M]．电子工业出版社．2001
[33] 熊超．模式识别理论及其应用综述[J]．中国科技信息，2006，6：171-172
[34] 陈永艳，闸建文．玉米种子品种模糊模式识别模型的研究[J]．山东理工大学学报(自然科学版)，2004，18(3)：70-72
[35] 赵红英，郑国强，鲍建军．模糊模式识别在车型分类中的应用[J]．拖拉机与农用运输车，2005，2：27-29
[36] 罗晓曙．人工神经网络理论·模型·算法与应用[M]．广西师范大学出版社．2005
[37] 丛爽．MATLAB工具箱的神经网络理论与应用[M]．中国科技大学出版社．1998
[38] 飞思科技产品研发中心．MATLAB 6.5辅助神经网络分析与设计[M]．电子工业出版社．2003
[39] 黄勇，郑春颖，宋忠虎．多类支持向量机算法综述[J]．计算机技术与自动化，2005，24(4)：61～63
[40] 董云杰．支持向量机及其在模式识别中应用的研究[D]．兰州理工大学，2003
[41] 刘庆平．神经网络与支持向量机学习算法的理论及防真研究[D]．燕山大学，2003
[42] 李素梅．支持向量机在注视探知与视频预测中的应用[D]．南开大学，2004
[43] 方骏．支持向量机在工业质量检测中的应用研究[D]．浙江大学，2004
[44] 张敏贵．基于小波和支持向量机的人脸识别方法研究[D]．西北工业大学，2003
[45] 郭世杰．基于支持向量机的多类分类问题的研究[D]．上海师范大学，2005
[46] 任博，张喜斌，张恒喜．基于最小二乘支持向量机的飞机备件多元分类[J]．电光与控制，2006，13(2)：73-74
[47] 余艳芳．基于最小二乘支持向量机的分类方法及应用[D]．华东理工大学，2004
[48] 胡江萍，谭跃刚．用VB与MATLAB开发动态图像处理软件的方法[J]．武汉理工大学学报(信息与管理工程版)，2003，25(1)：32-34
[49] 张威．MATLAB应用程序集成与分布[M]．西安电子科技大学出版社，2005
[2] 张生芳，刘永平，武增强．中国储藏物甲虫[M]．中国农业科技出版社．1998
[3] 祝长清，朱东明，尹新平．河南昆虫志·鞘翅目(一)[M]．河南科学技术出版社．1999
[4] 潘春洪，张彩霞．计算机视觉简述[J]．自动化博览，2005，(5)：92-93
[5] http://panxiongfei.blogchina.com/
[6] Tiago Mauricio FRANCOY, Pedro Roberto Rodrigues PRADO, Lionel Segui GONCALVES, Luciano da Fontoura COSTA, David DE JONG. Morphometric differences in a single wing cell can discriminate Apis mellifera racial types[J]. INRA/DIB-AGIB/EDP Sciences, 2006, 37 : 91-97
[7] Daly H V, Hoelmer K, Norman P, Allen T. Computer assisted measurement and identification of honey bees[J].Ann. Entomol. Soc. Am. 1982,75:591-594
[8] http://course.bnu.edu.cn/course/mathmodel/zuoxinian/Mproj.html
[9] Liu J D.The expert system for identification of Tortricinae(Lepdoptera) using image analysis of venation[J]. Entomologica Sinica,1996,3(1):1～8
[10] Pattern T, Wenjing Li,Bebis G,Freeman M.Automatic heliothis zea classification using image analysis[J].Proceedings.16th IEEE International Conference on Tools with Artificial Intelligence,2004,320-327
[11] Kaloudis S,Anastopoulos D,Yialouris P, Lorentzos A, Sideridis B. Insect identification expert system for forest protection [J]. Expert Systems with Applications, 2005(3):445-452
[12] Neethirajan S, Karunakaran C, Jayas D S,.White N D G. Detection techniques for stored-product insects in grain[J]. Food Control,2007,18(2): 157-162
[13] Koumpouros Y, Mahaman B D, Maliappis M, Passam H C, Sideridis A B, Zorkadis V.Image processing for distance diagnosis in pest management[J].Computers and Electronics in Agriculture, 2004,44(2): 121-131
[14] Yu D S,Kokko E G, Barron J R et al. Identification of ichnumonid wasps using image analysis of wings[J].System Entomol, 1992,17:389～395
[15] Weeks D,O'Neill A,Gaston J,Gauld D.Speces-idintification of wasps using principal component associative memories[J].Image and Vision Computing, 1999(17): 861-866
[16] 赵汉青，沈佐锐，于新文．数学形态学在昆虫分类学上的研究．Ⅰ．在目级阶元上的应用研究[J]． 昆虫学报，2003，46(1)：45-50
[17] 赵汉青，沈佐锐，于新文．数学形态学在昆虫分类学上的研究．Ⅱ．在总科阶元上的应用研究[J]．昆虫学报，2003，46(2)：201-208
[18] 赵汉青，沈佐锐，于新文．数学形态学在昆虫分类学上的研究．Ⅲ．在科阶元上的应用研究[J]．昆虫学报，2003，46(3)：339-344
[19] 赵汗青．数学形态特征在昆虫分类学上的应用研究[D]．北京：中国农业大学，2002
[20] 马俊，王建华．一种基于数学形态学的植物病虫识别方法[J]．深圳大学学报理工版，2004，21(1)：72-75
[21] 牟少敏．基于数学形态学的重叠昆虫昆虫图像分离的研究[J]．计算机工程与应用，2003，18：219-220
[22] 付承彬，詹希美，伍小明等．数字图像处理技术在并殖吸虫自动分类中的应用研究[J]．中国人兽共患病杂志，2002，18(1)：39-43
[23] 张红梅，范艳峰，田耕．基于数字图像处理技术的储粮害虫分类识别研究[J]．河南工业大学学报(自然科学版)，2005，26(1)：19-22
[24] 邱道伊，张红涛，陈铁军等．模糊识别技术在储粮害虫检测中的应用[J]．农业系统科学与综合研究，2002，18(2)：122-125
[25] 宋丽文．落叶松八齿小蠹(Ips subelongatu)聚集信息初步研究[D]．东北师范大学，2005
[26] 孙即祥．图像处理[M]．科学出版社．2005
[27] 孙即祥．图像分析[M]．科学出版社．2005
[28] 方如明．计算机图像处理技术及其在农业工程中的应用[M]．北京．清华大学出版社．1999
[29] 张兆礼，赵春晖，梅晓丹．现代图像处理技术及Matlab实现[M]．人民邮电出版社 2001
[30] 舒宁，马洪超，孙和利．模式识别的理论与方法[M]．武汉大学出版社．2004
[31] 楼顺天，胡昌华，张伟．基于MATLAB的系统分析与设计——模糊系统[M]．西安电子科技大学出版社．2001
[32] Timothy J.Ross.Fuzzy Logic With Engineering Application[M].The McGraw-Hill Companies,Inc. 1995 钱同惠，沈其聪，葛晓兵等译．模糊逻辑及其工程应用[M]．电子工业出版社．2001
[33] 熊超．模式识别理论及其应用综述[J]．中国科技信息，2006，6：171-172
[34] 陈永艳，闸建文．玉米种子品种模糊模式识别模型的研究[J]．山东理工大学学报(自然科学版)，2004，18(3)：70-72
[35] 赵红英，郑国强，鲍建军．模糊模式识别在车型分类中的应用[J]．拖拉机与农用运输车，2005，2：27-29
[36] 罗晓曙．人工神经网络理论·模型·算法与应用[M]．广西师范大学出版社．2005
[37] 丛爽．MATLAB工具箱的神经网络理论与应用[M]．中国科技大学出版社．1998
[38] 飞思科技产品研发中心．MATLAB 6.5辅助神经网络分析与设计[M]．电子工业出版社．2003
[39] 黄勇，郑春颖，宋忠虎．多类支持向量机算法综述[J]．计算机技术与自动化，2005，24(4)：61～63
[40] 董云杰．支持向量机及其在模式识别中应用的研究[D]．兰州理工大学，2003
[41] 刘庆平．神经网络与支持向量机学习算法的理论及防真研究[D]．燕山大学，2003
[42] 李素梅．支持向量机在注视探知与视频预测中的应用[D]．南开大学，2004
[43] 方骏．支持向量机在工业质量检测中的应用研究[D]．浙江大学，2004
[44] 张敏贵．基于小波和支持向量机的人脸识别方法研究[D]．西北工业大学，2003
[45] 郭世杰．基于支持向量机的多类分类问题的研究[D]．上海师范大学，2005
[46] 任博，张喜斌，张恒喜．基于最小二乘支持向量机的飞机备件多元分类[J]．电光与控制，2006，13(2)：73-74
[47] 余艳芳．基于最小二乘支持向量机的分类方法及应用[D]．华东理工大学，2004
[48] 胡江萍，谭跃刚．用VB与MATLAB开发动态图像处理软件的方法[J]．武汉理工大学学报(信息与管理工程版)，2003，25(1)：32-34
[49] 张威．MATLAB应用程序集成与分布[M]．西安电子科技大学出版社，2005