基于微信公众号农业害虫识别系统.docVIP

基于微信公众号农业害虫识别系统 　　摘要：本农业害虫识别系统本着操作简单、实时性强、成本低原则而设计，利用微信平台，通过微信公众号的开发将害虫的图像识别技术应用在移动设备上。当农户在田地里发现不认识的害虫时，不需要前往病虫害防治中心等机构去请教专家来，而只需要用手机拍下未知害虫的图片，然后将图片传给微信公众号，经过识别系统的内部识别，系统将害虫的相关信息及如何进行防治等方法以“消息”的形式再发给农户。 　　关键词：微信公众号；图像识别；害虫识别 　　中图分类号：TN912.34 文献标识码：A 文章编号：1007-9416（2018）01-0076-03 　　1 引言 　　我国是一个农业大国，农业是国民经济的基础产业。而在农业总产值中，种植业占到的一半以上。而随着科学技术的发展，我国的农业处于由传统农业向现代农业的过渡时期。在这个时期中，农业所面临的困难和威胁，主要来源于农业害虫及其所带来的经济损失。因为农业病虫害发病率较高，发病速度较快，如果不及时进行诊断和防治，对于我国依靠农业收入的农户将带来严重的经济损失。因此，如何进行有效、快捷地对病虫害进行准确的分类且进行识别和防治，就显得尤为重要。 　　在对农作物进行害虫识别的历史进程中，最传统的方法是进行人工识别，该方法主要是根据经验比如害虫的外形、颜色等来进行一般的判断，这样就较容易出现辨识缺陷，从而导致防治措施无效。而随着人工智能技术及物联网技术的发展和广泛的应用，许多学者提出了很多关于害虫图像识别的方法。虽然有关害虫图像识别的方法越来越多，但相关研究的实际利用效率却十分有限。因为在现实操作中，农田里的农作物品种十分繁多，害虫的种类比较繁杂，而且不同种类的害虫在不同的发育时期所呈现的外表形态都存在一些近似度，再加上在进行拍摄过程中，拍摄者的拍摄角度、光线等的不同等都会导致对害虫的识别准确率降低。目前农业病虫害诊断系统大多停留在通过人工操作、选择症状、比对图像等方式诊断推理出病虫害情况，且存在以下问题： 　　（1）农作物种植者不会使用，需要依靠科研人员来进行使用； 　　（2）在进行害虫识别时依赖电脑网络，无法进行立时判别，无法满足种植者的实时性的要求； 　　（3）所需要的设备较为昂贵，需要的投入较大。 　　而随着手机等移动设备和微信的广泛使用，便为农业病虫害识别提供了新的平台。本文的研究正是在这种社会背景下，将手机、微信及图像识别技术结合起来，提出了一种基于微信公众号的农业病虫害图像智能识别系统。 　　2 研究方案 　　如图1所示，该系统主要分为两大块，首先是对用户发送的图片进行预处理、分类识别，再利用搭建好的微信平台将图片信息发送给用户。 　　2.1 害虫害图像的数据收集 　　以往在实验室里进行的图像识别系统，其数据来源往往是在比较标准的图像库。而农作物的害虫则存在多维度，样本环境复杂等特点。所以在本系统中，基于以下几个方面考虑构建图像集，构建原则如图2所示。 　　2.2 农作物害虫图像的预处理 　　在利用电子产品设备对农作物害虫图像进行采集的时候，会存在一些无法避免的噪声干扰，这样图像的原始信息并不能充分完全的反映出来，所以要对采集到的害虫图像做预处理操作。在对图像进行预处理过程中，主要包括图像灰度化，图像平滑，图像分割等几个方面，如图3所示。图像的预处理，主要是将采集图像的过程中存在的噪?进行去除，将图像中主体的特征信息进行加强，从而得到中间图像。 　　2.3 图像特征提取 　　图像特征的提取是指运用一定的特征算法，对图像上的每个点进行运算，检测该点是否属于这个图像特征。而常用特征主要有颜色特征、形态特征和纹理特征这三种提取方法。 　　例如在害虫图像识别过程中，对于和田间背景色彩差异很大的害虫主体可以很好地通过颜色特征提取来进行识别。 　　但是，图像作为一个整体，其图像的颜色特征、纹理特征、形态特征等虽然具有其自身优势，但是又不可避免地存在着局限性。而在图像识别的过程中，若只用这三者之中的单一特征对目标进行识别，例如在以颜色特征为主的提取中，不可避免地会忽略其纹理及外表形态，而仅仅依赖颜色来进行识别，必然会存在着一定的误差，可能还会很大。因此，只有将三种特征向量进行融合，才能较为准确全面地反应出图像的原始的信息。在本文的研究中既是对这些特征参数进行了多特征融合，特征融合的处理流程如图4所示。 　　本文使用Fisher线性判别方法求上述特征融合的权值。Fisher线性判别是一种线性分类方法，其在模式分类、数据分析、降维等领域得到广泛的应用。若设模式x在n维空间中有c个模式类，Sb为训练样本类间散布矩阵，Sw为训练样本类内散布矩阵，S为训练样本总体散布矩阵，均为非负定矩阵，且S=Sb+Sw，则Fisher的准则函数定义为： 　　J