基于计算机视觉的农作物害虫自动检测研究综述

ＭｉｃｒｏｃｏｍｐｕｔｅｒＡｐｐｌｉｃａｔｉｏｎｓＶ０１．２５，Ｎｏ．１２，２００９学习园地微型电脑应用２００９年第２５卷第１２期文章编号：１００７．７５７Ｘ（２００９）１２－００６２－０３基于计算机视觉的农作物害虫自动检测研究综述李健，陈长明摘要：综述了国内外计算机视觉在农业生产领域的应用研究热点——农作物害虫自动检测技术的进展及最新研究成果，重，最论述了害虫识别、分类、计算机视觉和图像处理技术的研究和开发，并分析提出了这一技术的发展趋势。

关键词：计算机视觉；图像处理；害虫检测中图分类号：ＴＰ２４２：￥６０８文献标志码：Ａ０引言小麦、乇米、棉花等农作物是我国最主要的粮食、饲料及经济作物，种植范围广，面积大，在国民经济中占有重要地位。

以小麦为例，从近十年来看【１１，小麦主要害虫的发生为害与损失日趋严重。

特别是进入２１世纪以来，小麦丰要害虫的发生为害仍居高不下。

如麦蚜一直为偏季至大发生。

由于小麦虫害的连年、持续的危害，使得小麦的平均亩产量在其他１人Ｉ素得到改善的情况下仍没有显着的提高。

每年小麦的新增供给量往往低于当年的消费量，需要动用库存来弥补。

否则小麦的价格升高，其他副产品的价格也会随之升高，消费成本随之升高，使我国在国际粮食市场上的地位受到了冲击。

可见，农作物蕈大害虫与重大病害的不断暴发成灾已经成为制约我困农ｑｋ安全生产和持续发展的突出瓶颈问题。

有效的害虫监控工作是提高作物，虹量的重要途径之一。

害虫的监控、预防Ｔ作能够减少、降低虫害的发乍及破坏的几率，减少虫害带来的损失，降低生产过程中的成奉消耗，提高生产效率，提升我围经济作物在国际市场Ｉ：的竞争力。

日前，国内外在农作物害虫的检测识别方面，可归纳为以下３种方法【２ｌ：（１）人工识别：借助放大镜、显微镜等工具或直接用肉眼判别害虫种类，并统计数量。

该法识别Ｔ作量大，效率低，不叮避免地会出现人为误差，对检测人员素质要求较高。

（２）声音识别：通过害虫取食、运动、通讯等行为发出的声音来识别害虫。

该方法不仅受环境噪声的影响较大，而且识别的害虫种类较少，故难以推广应用。

（３）机器识别：该法主要是通过害虫的颜色、形态等特征，利用计算机视觉、图像处理和分析等技术来识别害虫。

其识别过程简单、快捷、准确，操作过程及对设备的要求也相对简单，／卜受人员的经验、情绪等主观因素影响，彳Ｈ在识别准确率和识别效率有待提高，目前只是在该领域内的初步应用。

由此可见，使用机器识别是个不错的思路。

本文就国内外应用计算机视觉技术自动检测农作物害虫的最新研究成果进行综述和展望，以便充分利用国内外已取得的经验，促进我国在该领域的研究。

１计算机视党技术在农业上的应用农业生产与科研的许多方面，多数是通过对农作物及产品外观的判断进行的，诸如果品和种子等外观品质检测、果实成熟度判别、作物病虫害监测、生长状态识别以及杂草辨别等等。

这些过去主要依靠人类视觉的辨别与判断的工作，町以利用计算机视觉技术部分地替代，从而提高牛产效率，实现农业生产与管理的自动化和钾能化。

由ｊ：经济效益、生物多样性等原凶，计算机视觉技术在农业中的应用远远落后于丁业。

尽管如此，许多学者还足在农业应』ｌｊ领域中做了大量的研究工作。

至今已形成了分别侧重十视觉模拟、微观图像、宏观分析、热成像、内部图像、机器视觉等多种技术形式，并各具特色的应用系统。

我国对计算机视觉在农业上程中的应用研究起步较晚，与国外相比尚有较人差距，还需进一步在深度、广度及实践等方面作出努力。

２国内外计算机视觉应用于农作物害虫自动检测识别研究现状２．１国外研究现状在国外，自１９９６年英国政府发起ＤＡＩＳＹ研究Ｔ程后，掀起了有关昆虫识别的研究热潮。

美国密歇根人学的ＵｕＪ．Ｄ和ＰａｕｌｓｅｎＭ．Ｒ等利用机器视觉技术对卷蛾类昆虫的自动识别进行了研究，该研究以昆虫的翅脉为丰要特征，采用相似性距离为判别的依据，判别结果比较可靠。

但该研究只是以专业研究人员的手绘图作为图像源，尚／ｆｉ能对真实卷蛾标本进行鉴别，在鉴定的过程中需要人为干预。

２０００年，美国新墨两哥州市大学ＨａｂｉｂＧａｓｓｏｕｍｉ和ＮａｄｉｐｕｒａｍＲ．Ｐｒａｓａｄ等人利用人工神经网络对棉花生态系统中的昆虫进行了分类识别。

首先利用数学形态学中的腐蚀和膨胀技术对原有昆虫图像进行增强，然后进行图像分割，即将昆虫图像减少剑最基本的，Ｃ素但又／ｆｉ丢失重要而有用的特征。

Ｓｅｎａ等Ｉ３Ｊ从玉米植株顶部垂直向下拍照，获取玉米最上部展开叶片图像，提ｆ｛｛了一种图像处理新算法，能识别被玉米螟为害过的上部叶片，正确识别率达９４．７％。

２００４年，Ｄｒ．Ｊｅｆｆｒｅｙ和Ｔ．Ｄｒａｋｅ等人为美困农ｑｋ部研制昆虫识别系统，卡要用于人量标本的快速识别分类，其图像分割算法能够在大量标本中提取单一个体的分割图像，能够对大多数昆虫标本进行分割得出较好的分割效果。

Ｃ．Ｋａｒｕｎａｋａｒａｎ等提取红色一苗粉甲虫的直方图特征纹理特征和阶矩来表示昆虫对象，在此基础上应用４层后向神作者简介：李健（１９７５一），男，陕西科技大学电气与信息工程学院，副教授，博十，研究方向为图形图像处理、虚拟现实、计算机视觉，陕西曲安７１００２１；陈长明（１９８２．），男，陕两科技大学电气ｂ信息工程学院硕士研究生，研究力向为图形图像处理、计算机视觉，西安７１００２１经网络算法进行分类识别。

伦敦自然历史博物馆的Ｐａｕｌｗｅｅｋｓ和ｌａｎＧａｕｌｄ等１９９７年实现了对婿蜂科的儿个相似种的半自动化鉴定。

瑞士也正在研制计算机辅助农药喷洒装置，其目的是根据田中杂草、病害和虫害的分布，实现精确施药。

美国学者Ｚａｙａｓ采用机器视觉技术对散装小麦中谷蠢成虫进行了离线研究，结果表明：该法有较高的识别率，但残缺粮粒、草籽、害虫的姿态等因素对识别效果有较大的影响；并且该方法小支持在线检测。

美困Ｊｏｒｄａｎ掣４】学者仪对棉花害虫进行了分类研究，但识别系统的实时性和实用性有待丁．深入研究。

英国西英格兰大学智能控制实验室研制出能准确识别、自动捕捉＋种害虫——鼻涕虫的机器人，并通过了实验室试验，但距商业应用还有一定的距离。

２．２国内研究现状我困在２０世纪９０年代初，邱道了＋【５１带领的图像识别课题组即提出了基于图像识别的害虫在线检测的新方法。

该方法主要是利用害虫的颜色、形态学等特征，运用机器视觉、数字图像处理和模拟识别等技术结合来实现储粮害虫的在线检测。

其检测过程为：取样机构利用负压将检测点的粮食抽入取样装置；传送机构控制粮食样本单层输送到传送带，在其运动的过程中，架在正上方的电荷祸合器件（ＣｈａｒｇｅＣｏｕｐｌｅｄＤｅｖｉｃｅｓ，简称ＣＣＤ）摄像机实时摄取粮食样本的图像序列：采集卡将采集到的图像信号由ＰＣＩ总线送至微机内存；再由图像处理、图像分析和快速的模糊、神经网络等智能识别算法实时地给出粮虫的种类和密度，为粮虫的综合防治决策提供可靠的依据。

２００１年，沈佐锐等【６１首次提出并实现了利用图像处理技术进行温室中白粉虱的Ａ动计数。

赵亚娥【７】、孔祥维、周豪杰等各自都ＪＦ发￡｛｛了人体寄生虫卵的自动识别系统。

２００２年，付承彬【８】在其导师带领下开发出一个并殖吸虫的自动分类软件。

于新文、赵汗青等１９Ｉ也开展了基于对棉铃虫的自动识别对昆虫图像的分割处理、特征提取等进行了大量研究。

徐防、邱道尹、张红梅、张红涛、黄小燕、周龙、刘素华、陈志武等对仓储害虫的模式识别作了很全面、系统的研究，分别从图像预处理、图像处理、基于嫡域值法的图像分割、彩色数字图像分割、特征提取、模糊识别、神经网络、智能检测、系统的软硬件设计、模拟退火算法等方面对仓储害虫模式识别自动分类系统的研究。

中国农Ⅵｋ大学沈佐锐教授与两南林学院的于新文合作，用虫体面积、周长等１１项数学形态特征对４０种昆虫实现自动鉴别，得出了各项数学特征的权引９。

２００３年，ＡＳＡＢＥ国际会议上，中国农ｑｋ大学李志刚等发表了一篇关于“基于机器视觉的棉花害虫Ａ动识别典型系统”研究报道，提出了害虫动态识别和实时精确施药的方案，处于研究阶段。

王建华、马骏等提出一种应用数学形态学算法进行植物病虫谚｛别，采用膨胀和腐蚀快速算法用十提取病虫骨架特征。

根据不同种类病虫骨架的几何矩特征，通过神经网络进行病虫分类识别。

黄志开【ｌ０１、王炳锡存分析近红外光谱、可见光光谱等方法有关颜色特征研究的皋础上，提出了一种新的真彩色图像颜色直方图索引结构——稀疏森林，方便点查询和区域查询，并且空ｌ’日Ｊ效率比较高。

王克如…１、李少昆２００５年围绕作物病虫草害的快速诊断，将作物病虫革害识别的专家知识与数字图像处理、神经网络结合，综合运用人Ｔ智能和网络技术，研究实现了作物病虫草害的远程图像识别与诊断，取得一定进展。

张红梅等【１２１２００３年提出根据仓储物害虫图像的灰值游程矩阵自动提取图像的纹理特｝ＩＦ实现仓储物害虫的识别。

２００３年邱道尹等１１３】采Ｊ｝Ｊ小波分析进行图像处理，提出了利用害虫颜色和纹理等特征进行种类识别的观点，经特征选择后输入神经网络分类器进行模式识别。

但在软硬件设计上还存在很多缺陷。

在识别速度方面、特征提取方面、硬件设计方面有待改进，提高害虫识别率。

范艳峰掣Ｍ１２００５年提出采用全局闲值方法对增强后的谷物害虫图像进行区域分割，在此基础上分Ｒ、Ｇ、Ｂ三种分量灰值图像的一阶灰度值统计量特征３＊６个（均值、方著、偏度、峰值、能量和嫡）；Ｒ、Ｇ、Ｂ三种分量灰度值图像的灰值游程矩阵纹理特征３＋１６个（００、４５、９０、１３５四个不同方向的矩游程长度、长游程长度、灰度的不均匀度量和游程长度的百分率）；几何特征３个（区域面积、周长和长宽比）作为谷物害虫的图像特征。

张红梅等２００５年提取静态储粮害虫图像的数理统计特征、纹理特征和几何形状特征，并在此基础上采用ＢＰ神经网络进行分类和识别。

廉匕宇等１１５１２００６年使用小波变换对储粮害虫的高维图像欠量进行压缩，利用图像的高频部分对应于图像的边缘和轮廓，较好地压缩和表征了害虫图像的特征，提出了‘一种ＳＶＭ的分类判别。

３国内外计算机视觉农作物害虫自动检测技术发展趋势虽然计算机视觉农作物害虫Ａ动检测技术在国内外也取得了一定的进展，但是在识别准确率和识别效率方面还有待提高。

该技术仍难以满足目前对农田害虫实时检测的要求，／卜能准确地实时提供害虫的种类、密度等信息，目前利用机器视觉技术对农作物虫害的自动识别只是在该领域内的初步应用，距离商用也还有一定的距离，急需在以下几方面进一步开展Ｊ“泛而深入的研究：（１）实用化。

目耵所进行的研究儿乎都是在特定条件下进行的、针对于运动状态及Ａ然条件下自动检测技术；（２）智能化。

害虫自动检测技术必将与害虫区域预测系统和害虫专家诊断治疗系统等相关技术进一步高度集成；（３）成本化。

农作物大多是低值消费品，要求考虑降低设备的成本：（４）网络化。