基于图像的水稻田间稻飞虱分类方法研究-信号与信息处理专业论文.docxVIP

万方数据 万方数据 学位论文版权使用授权书 本学位论文作者完全了解浙江理工大学有权保留并向国 家有关部门或机构送交本论文的复印件和磁盘，允许论文被 查阅和借阅。本人授权浙江理工大学可以将学位论文的全部 或部分内容编入有关数据库进行检索和传播，可以采用影 印、缩印或扫描等复制手段保存 、 汇编学位论文。 (必威体育官网网址的学位论文在解密后 适用本授权书) 学位论文作者签名 : 1-机j 签字日期 : νIb 年 3 月 l互日 导师签名 :梆子才 签字日期: 011:，年 3 月 11日 浙江理工 浙江理工大学硕士学位论文 基于图像的水稻田间稻飞虱分类方法研究 摘 要 稻飞虱是我国水稻上一种主要迁飞性害虫，每年对水稻生产造成很的大经济 损失，及时准确地预测田间稻飞虱种群密度对飞虱防治非常重要。传统的人工普 查方法存在工作量大，效率低和精度差等问题。利用图像处理技术对水稻基部图 像进行稻飞虱自动检测与计数不仅节省劳动力，同时可以提高工作效率和测报的 准确率。Yao et al[1]、刘庆杰[2]、赵虎[3]和陈琤[4]利用图像处理技术，提取了不同 的飞虱图像特征结合分类器来研究稻飞虱自动检测问题，取得了较好的结果。在 他们研究基础上，进一步分析得知基于图像的水稻基部飞虱的检测率和误检率仍 有一定改善的空间，且稻飞虱田间测报中，还需要对稻飞虱的种类、长短翅和虫 龄进行判断，本论文继续对基于图像的水稻基部稻飞虱自动检测进行研究，同时 对稻飞虱的种类、长短翅和虫龄分类问题进行了初步的研究。 本文利用 HOG 特征与 Adaboost 分类器对水稻基部飞虱图像进行检测与计数 研究，从 Adaboost 参数选择、训练样本大小、数量和多样性方面对分类器进行 优化。结果表明，采用大小为 32*64 像素的飞虱正样本 8000 幅，背景全为水稻 背景且大小不一的非飞虱负样本 32000 幅，最大虚警率为 0.48，训练分类器为 21 层训练得到的 Adaboost 分类器具有较好的检测效果。以图像中人眼可识别的 稻飞虱人工计数作为标准，获得飞虱检测率为 92.3%，误检率为 53.5%。本论文 利用深度学习中的卷积神经网络对飞虱和非飞虱目标进行分类，结果表明，采用 卷积神经网络可以达到一个很好的效果，飞虱识别率为 99.1%，误检率 8.7%。 将 Adaboost 分类器和卷积神经网络级联，可获得稻飞虱检测率为 91.5%，误检 率为 4.7%。 本文利用 Gabor 特征和 SVM 分类器对长翅型稻飞虱、短翅型稻飞虱和稻飞 虱高龄、低龄若虫进行分类识别和计数。利用 HOG 特征和 SVM 分类器对长翅 型白背飞虱和长翅型褐飞虱进行分类和计数。结果表明，对稻飞虱种类、长短翅 成虫和高低龄若虫的分类准确率均不低于 95.0%。本论文研究结果为基于图像的 稻田基部飞虱自动检测、分类与计数技术应用到稻田飞虱的测报提供了理论依据。 关键词：HOG 特征；Gabor 特征；Adaboost 分类器；卷积神经网络；SVM 分类器；稻飞虱分类 I Abstract Rice planthopper is a major migratory rice pests that brings great economic losses for rice production annually. It is important to predict the density of rice planthoppers timely and accurately. Traditional census methods often caused heavy workload , low efficiency and poor precision. We used image processing technology to count rice planthoppers automatically not only save labor, but also improve the efficiency and the accuracy of insect forecast. Yao et al , qing Jie liu, hu zhao and Cheng Chen used image processing technology to extract different planthoppers image features in order to count rice planthoppers automatically, and achieved better result. For further analysis showed that rice planthopper