基于的粘虫板害虫计数系统研究与实现(2)

在室外环境下拍摄时，光照因素对图像影响很大，HSV对颜色敏感而对光照等外部因素不敏感[14]。使用基于HSV颜色空间的机器视觉方法，将图像从RGB空间转换至适合人视觉的HSV空间，然后提取粘虫板图像区域，去除无关背景，可以有效地减少受光照因素的影响[15-16]。RGB到HSV的转换公式为：

根据黄色粘虫板的实际情况，确定颜色范围。统计大量实际拍摄的粘虫板图像，确定粘虫板颜色在HSV空间下范围为(52°,0.169,0.180)至(34°,1,1)，提取原图像颜色值在指定范围中的像素点，生成新的图像，如图4所示。其中,白色部分是在指定范围内的点，黑色部分是无关背景。

由于拍摄环境的限制，背景部分会混有许多黄色的像素点，例如叶片缺水缺光照造成的发黄等，在图4中表现为许多细小孤立的白点。使用基于中值滤波的方法对图像进行去噪，消除细小白点的干扰，得到优化后的粘虫板区域，结果如图5所示。然后遍历图像所有像素点，统计白色区域所占比例，小于90%说明读入的图像中粘虫板部分太小，需要重新读入。

图4提取黄色像素点的图像

图5中值滤波处理后图像

使用中值滤波后的图像作为掩膜，对原图像进行剪切，去除背景，生成新的粘虫板图像，如图6所示。然后对剪切后的图片进行灰度化和二值化处理，选择合理的阈值可以去除粘虫板上附着的颜色较淡的灰尘。

图6去背景后的粘虫板图像

2.3害虫边缘处理

潜蝇、小绿叶蝉等害虫边缘形状不规则，如翅膀部分、足部分，二值化后会在躯干区域周围生成细小孤立的连通区域，对结果统计造成干扰。使用均值滤波圆滑化害虫边缘，使周围细小孤立的连通区域向邻近的躯干部分连通区域连通，消除这些孤立噪声点的干扰，便于统计。对比结果如图7，其中白色部分是害虫阴影，图7A是未经处理的二值化图像，图7B是使用均值滤波处理过的二值化图像。可以看出，经过均值滤波处理后，害虫区域变为边缘规则的连通区域。对图6所示的粘虫板图像进行灰度化与二值化处理，然后使用均值滤波圆滑化害虫边缘部分，最终处理后的图像如图8所示。

图7处理前后的二值化图像

图8粘虫板最终图像

2.4害虫信息统计

统计的害虫信息包括害虫数量、害虫类型、拍摄时间以及粘虫板编号。首先统计粘虫板上的害虫数量。遍历处理后图像所有连通区域，统计每个连通区域的面积。由于粘虫板常年暴露在室外环境下，会附着尘土、沙粒等细小颗粒物，在图像上表现为面积很小的连通区域。这些区域一般只有一两个像素点，如果不进行排除，最终统计结果会偏高，影响计数准确性。因此需要设定一个范围，只有面积在指定范围内连通的区域才被统计。观察与测试大量采集的粘虫板图像以及查阅相关资料，小绿叶蝉、潜叶蝇和黑刺粉虱等粘虫板常见害虫大小不一，黑刺粉虱较小，潜叶蝇较大[17-19]，但所有类型害虫面积保持在10～50像素点，其中小绿叶蝉面积在23～35像素点，潜叶蝇面积在35～50像素点，黑刺粉虱面积在10～23像素点(表1)。统计面积在10～50像素点内的连通区域数量作为害虫的数量，这样计数结果更能准确地反映粘虫板上实际的虫口数量[16]，同时面积在指定范围内的连通区域数量也能反映不同类型害虫的数量。

然后统计粘虫板其他相关信息，包括拍摄时间、粘虫板编号，并在网络畅通的情况下上传至服务器数据库中，方便植保人员根据采集到的信息估计害虫种群密度以及掌握害虫发生情况[17]。系统信息统计界面如图9。其中，害虫数量由系统自动计算得到，粘虫板编号需要手动输入，拍摄时间为Android手机系统时间。

表1粘虫板3种常见害虫信息害虫种类体长/mm像素点范围小绿叶蝉3.3～3.723～35潜叶蝇5～635～50黑刺粉虱1.2～1.310～23

图9害虫信息统计界面

3 系统测试

在泰安茶溪谷茶园进行系统测试，以茶园中黄色粘虫板作为对象，对茶园中常见的小绿叶蝉、潜叶蝇和黑刺粉虱进行计数测试。从茶园中随机选择10张新放置的黄色粘虫板(图10A)与10张放置时间较长的黄色粘虫板(图10B)，在田间进行拍摄，使用本系统进行计数。然后将粘虫板取下，用人工的方法统计害虫总数，比较2种方法统计的结果。

对比结果如表2所示，编号1—10为新放置的粘虫板，害虫数量较少，编号11—20为放置时间较长的粘虫板，害虫数量比较多。可以看出，当测试的粘虫板上害虫数量较少时，本系统统计的害虫数量与人工观察统计的数量相对误差率在-8.3%～9.6%，当害虫数量充足时，系统误差率逐渐稳定在-6.7%～4.1%。

文章来源：《植物保护学报》 网址: http://www.zwbhxbzz.cn/qikandaodu/2021/0409/601.html