一种田间麦蚜虫计数方法
【技术领域】
[0001 ]本发明设及一种计数方法，特别是一种田间麦晒虫计数方法。
【背景技术】
[0002] 虫害是影响农作物生长的一个主要因素，晒虫是小麦生产上常发及重发的害虫， 其危害小麦时不仅吸取植株汁液，影响小麦发育，还能传播多种病毒病。准确估计害虫密度 是进行虫害预测预报的基础，害虫密度的及时获取是进行害虫数量动态和害虫危害程度分 析的基础，同样也是获取害虫防治经济阔值的必要条件。目前较常见的晒虫计数方法是人 工计数，由于晒虫个体较小，长时间的用眼观察不仅劳动量大、效率低，而且计数准确率受 到主观因素的影响。同时，还存在一种半自动的晒虫计数方法，运种方法将晒虫诱导到特定 板子上，利用图像分析进行计数。通常，人工计数方法分为两种，1)抽样人工查看单片叶上 晒虫的数量，然后乘W每株叶片数，再乘W每平米株数;2)将晒虫诱导到特定板子上，通过 人工计算出晒虫数量。现有的智能计数方法是将晒虫诱导到特定板子上，获取板子图像，然 后利用图像分析技术，计算晒虫个数。
[0003] 人工计数由于晒虫个体较小，长时间的用眼观察不仅劳动量大、效率低，而且计数 准确率受到主观因素的影响;而特定板子计数操作麻烦并且很难将所有晒虫全部诱导到板 子上，存在较大误差。
【发明内容】
[0004] 本发明所要解决的技术问题是提供一种田间麦晒虫计数方法，它操作简单并且能 够高效准确地检测田间麦晒虫数量。
[000引为解决上述技术问题，本发明所采用的技术方案是： 一种田间麦晒虫计数方法，其特征在于包含W下步骤： A、 图像获取:于小麦拔节至孕穗期，通过数码相机获取小麦植株原始图像，在原始图像 中获取小像素子图像X张作为训练样本； B、 训练样本收集:从原始图像中随机截取脚长晒虫图像作为正样本，随机截取Μ张图像 作为负样本； C、 识别模型训练:提取正样本和负样本的HOG特征，将正负样本的HOG输入到SVM分类器 进行训练得到虫害分类模型，用样本对模型进行矫正，验证害虫识别模型； D、 晒虫的检测:在原始图像中寻找MS邸，最终用SVM分类器在MS邸区域中寻找晒虫并 记录晒虫数量； 其中，X、N、M为根据需要确定的自然数，Μ的值大于N的值并且M、N的值均小于X。
[0006] 进一步地，所述小像素子图像大小为30巧0像素。
[0007] 进一步地，所述小麦植株原始图像获取后利用滤波操作对原始图像进行预处理， 消除杂质影响。
[000引进一步地，所述X取值为5000-7000，N取值大于2000，M取值大于5000。
[0009] 进一步地，所述在原始图像中寻找MS邸利用公式q( i )= I Qi+A-Qi-A I / I Qi I进行， Qi表示阔值为i时的某一连通区域，Δ为灰度阔值的微小变化量，q(i)为阔值是i时的区域 Qi的变化率，当q( i)为局部极小值时，贝化i为最大稳定极值区域。
[0010] 进一步地，所述册G特征提取过程为，将彩色的原始图像灰度化，利用公式I(x，y) = I (X，y) ga?a进行图像标准化，其中gamma取0.5，计算图像中每个像素点的梯度，将图像划成 若干个6X6像素单元格并统计每个单元格的梯度直方图形成每个单元格的描述子，将每3 X3个单元格组成一个块，一个块内的单元格的描述子串联起来就是运个块的HOG描述子， 图像里所有块的册G特征描述子串联起来就是该图像的册G特征描述子。
[0011] 进一步地，所述每个像素点的梯度计算方法为，輪棘姆进弹地-输自碱亦δ沁础-聯进4) 屉山7)如估7川估7)分别表示输入图像山7)处的水平方向梯度、垂直方向梯度和像素值，
G(x，y)，为梯度幅值，a(x，y)为梯 度方向。
[0012] 进一步地，所述册G特征正负样本提取后进行化ar特征检测。
[001引进一步地，所述化ar特征检测包括，由边缘特征、线性特征和中屯、特征组成特征模 板，通过公式v=白色像素总数-2*黑色像素总数计算出化ar特征值。
[0014]本发明与现有技术相比，具有W下优点和效果:利用计算机图像方法测量小麦植 株上晒虫的个数，相比传统人工判断方法省工省时，同时晒虫数量的调查不受人为因素的 影响;相比半自动的图像识别方法同样减少了劳动力的投入，操作更加简单，提高了调查的 效率和方面性。
【附图说明】
[001引图1是本发明的用于训练SVM模型的部分正样本图像。
[0016] 图2是本发明的用于训练SVM模型的部分负样本图像。
[0017] 图3是本发明的特征提取效果图。
【具体实施方式】
[0018] 下面结合附图并通过实施例对本发明作进一步的详细说明，W下实施例是对本发 明的解释而本发明并不局限于W下实施例。
[0019 ]本发明的一种田间麦晒虫计数方法，包含W下步骤： A、图像获取:于小麦拔节至孕穗期，通过数码相机获取小麦植株原始图像，图像大小为 1800*1200像素，获取图像主要包括小麦植株本身和晒虫，复杂的背景会降低识别的准确 率。利用滤波操作对原始图像进行预处理，W消除杂质的影响。然后通过PS软件在原始图像 中获取30巧0像素的小像素子图像6000张作为训练样本。
[0020] B、训练样本收集:如图1、2所示，从原始图像中随机截取大于2000张的晒虫图像作 为正样本，随机截取大于5000张图像作为负样本，正负样本图像均为30 X 20像素，用来建立 SVM。
[0021 ] C、识别模型训练:提取正样本和负样本的HOG特征，并进行化ar特征检测，将正负 样本的HOG输入到SVM分类器进行训练得到虫害分类模型，用样本对模型进行矫正，验证害 虫识别模型。HOG特征提取过程包括:将彩色的原始图像灰度化，利用公式I(x，y) = I(x，y )ga?a进行图像标准化，其中gamma取0.5,利用公式（1)~(3)计算图像中每个像素点的梯度， 将图像划成若干个6X6像素单元格并统计每个单元格的梯度直方图形成每个单元格的描 述子，将每3 X 3个单元格组成一个块，一个块内的单元格的描述子串联起来就是运个块的 册G描述子，图像