[发明专利]基于神经网络的实蝇成虫图像识别方法

说明书

本发明公开的基于神经网络的实蝇成虫图像识别方法，包括以下步骤：获取实蝇样本图像；采用Hough变换对实蝇样本图像进行处理，调节图像，限定条纹有效区域；采用HSV色彩空间对图像进行滤值处理，锁定实蝇中部的盾片区域；得出实蝇特征区域，定义实蝇形态的4种特征因子，提取特征向量；采集一定数量的特征向量，建立BP神经网络对数据集进行训练，得到神经网络模型参数，搭建识别模型；对需识别的实蝇图像获取特征向量，将特征向量输入识别模型，识别模型输出识别结果；本发明能在目标图像质量较差时达到良好的特征提取效果，准确地从图像中识别，实现计算机自动对实蝇特征区域进行锁定，效率和准确率较高，提高虫害防治的工作效率。

技术领域

本发明涉及计算机图像识别领域，特别涉及基于神经网络的实蝇成虫图像识别方法。

背景技术

橘小实蝇、南瓜实蝇、瓜实蝇是我国南方实蝇类的优势种，因其寄主范围广、危害性强，已被世界上多个国家和地区列入重要的检疫对象。在我国，上述三种实蝇主要分布在西南、华南和台湾地区，主要危害柑橘、番石榴、芒果、南瓜等重要经济作物，是南方柑橘产区危害最严重以及迫切需要防治的主要害虫。相比于传统的人工监测虫害的防治方法，基于机器视觉的实时监测方法不仅节约了高昂的人力成本，在工作成效上也能达到极高的满意度。准确地从图像中识别害虫，是搭建基于机器视觉技术的害虫实时监测系统的重要前提。

常用的昆虫图像目标识别算法采用虫体的整体形态特征和色彩特征作为识别依据，例如杨红珍等对昆虫图像进行基于形状和颜色特征值的提取，建立径向基神经网络分类器进行识别；娄定风等提出一种基于形状和纹理的通用昆虫图像模式识别算法，对不同体态和颜色的昆虫取得了良好的识别效果。

由于实蝇分类的复杂性，整体几何特征和色彩特征并不能对其完全准确地进行分类，经过数字化处理的局部特征反而具备更优秀的分类特性。汪露等以实蝇翅标点间的欧氏距离为分类特征，采用随机森林算法实现了双翅目果实蝇属昆虫的识别；彭莹琼等采用几何形态测量学中的标记点法对果蝇翅进行特征提取，结合BP神经网络算法实现对果实蝇的分类；张蕾使用改进的boost算法对果蝇翅和胸背区域特征进行分类。

这些研究均以实蝇翅结构作为特征提取对象，对实蝇图片质量有很高要求，若图片不够清晰、未准确捕捉到实蝇翅的脉络结构和翅痣，识别的效果会受到较大影响；此外，现有算法也没有很好地解决从源图像中自动锁定特征区域的问题。

发明内容

本发明的目的在于克服现有技术的缺点与不足，提供了基于神经网络的实蝇成虫图像识别方法，选取特征明显且易于提取的胸背板条纹作为分类依据，基于HSV色彩空间和Hough变换进行特征区域分割，并提出与条纹形态特征相关的4种有效特征进行数字化处理，形成特征向量作为神经网络的输入,实蝇成虫具备较好的识别效果，识别效率能够满足实时监测的要求。

本发明的目的通过以下的技术方案实现：

基于神经网络的实蝇成虫图像识别方法，包括以下步骤：

S1、获取实蝇样本图像；

S2、采用Hough变换对实蝇样本图像进行处理，调制图像实蝇双翅直线位置，使图像中实蝇旋转为躯体朝上形态，同时限定条纹有效区域；

S3、采用HSV色彩空间对图像进行滤值处理，锁定实蝇中部的盾片区域；

S4、将实蝇双翅直线位置和实蝇盾片区域锁定实蝇的胸背板作为实蝇特征区域，并对该区域的中心条纹进一步处理，根据中心条纹形状特征的描述方法，定义实蝇形态的4种特征因子，并根据特征因子，提取特征向量；

S5、采集一定数量的实蝇图像中目标的特征向量，建立BP神经网络对数据集进行训练，从而得到用于实蝇分类的神经网络模型参数，以神经网络模型参数为基础，搭建识别模型；其中采集阈值为K，当采集数量大于K时，则进行下一步，当采集数量小于K时，则回到步骤S1；