基于机器视觉的害虫种类及计数检测研究-人工智能项目-附代码

简介: 基于机器视觉的害虫种类及计数检测研究-人工智能项目-附代码

概述

  • 农业与民生和经济发展息息相关,对农业发展科学化的关注既是民生需求,
  • 也是经济稳步发展的迫切需求。病虫害是影响农作物生长的重要因素,对农作物的产量和品质都能造成无法估计的损害。
    -
  • 针对目前广大农业产区农业植保人员稀缺、病虫害识难度大等问题,论文在当前已有的研究基础上进行设计,提出了一套基于机器视觉的远程害虫种类识别

和数量检测系统,该系统能够在农业产区进行害虫捕杀和图像采集,同时将昆虫 图像上传到虫类鉴别服务器进行昆虫识别。


  • 论文以机器视觉为核心,利用 OpenCV 开源视觉库,研究和实现了昆虫识别的完整流程。论文


研究的内容主要包括:

  • (1) 对昆虫图像进行图像预处理的研究。使用了加权平均法对图像进行灰度化
    处理,再使用高斯滤波对图像进行平滑处理,最后使用大津法对灰度化后的图像 进行二值化处理。
  • (2) 对昆虫图像进行特征提取的研究。使用 OpenCV 对二值化后的图像进行轮

廓查找,同时实现昆虫计数,然后分别针对昆虫轮廓的矩形度、延长度、似圆度、 球状性、叶状性进行数学定义和特征提取。

  • (3) 对昆虫识别进行了分类器的研究。选取了逻辑斯蒂回归模型、线性 SVM 模 型和 K

临近模型进行分类器的训练和测试,比较了三种分类器在昆虫识别上的性 能。


论文对基于机器视觉的昆虫种类及数量检测机制进行了研究,并在此基础实

现了昆虫的识别和计数。

识别

PC 上的昆虫分类识别软件为了能够对本次设计进行原理论证和测试,使用 Python 作为编程语言,开发了一款在 Windows10 上运行的软件。具体程序界面如图 2.7 所示:

界面中包括:一个用以预览摄像头的窗口,一个用来显示处理之后图像的窗口,一个用来显示识别结果的标签和一个用来点击进行拍照的按钮。

图 2.8 介绍了论文设计的分类识别软件的运行过程。


昆虫图像的预处理

3.2.1 图像的灰度化,高斯滤波和尺度变换

  • 在机器视觉领域中,灰度图像是指将每个像素通过 8 位非线性尺寸保存,共计 256 种灰度。
  • 针对论文进行形态特征提取的方式,进行灰度化即抛弃了不需要的颜色特征等信息,又保留了对于形态特征提取有用的信息,同时易于编程,提高了运算速度。
  • 论文使用灰度处理算法中的加权平均法对昆虫图像进行灰度化处理,由于科学研究中人眼对对蓝色敏感度最低,绿色的敏感度最高,因此,论文按照式(3.1)对 RGB 图像中的三种分量进行加权平均,最终能得到合理的灰度图像。
gray(݅, ݆) = 0.30 ∗ ܴ(݅, ݆) + 0.59 ∙ ܩ(݅, ݆) + 0.11 ∙ ܤ(݅, ݆) (3.1)

图灰度化后的样本图片,如图 3.3 所示。

3.3.1 检测轮廓


  • 在此次毕业设计中,我使用开源计算机视觉库 OpenCV 作为图像处理的工具,
  • OpenCV 的 Imgproc 模块在物体识别方面提供了函数 findContours()用于对物体 轮廓进行检测,该函数的实现算法是由

S.Suzuki K. Abe 于 1985 年发表在 CVGIP 上的论文“Toplogical Structrual Analysis

of Digitized Binary Images by Boder

Following”[8]中提出的,论文中详细叙述了轮廓决定层次结构的规则以

  • 及轮廓检测的方法,设计中使用 findContours()函数对昆虫图像进行处理,为
    获得昆虫图像中昆虫的轮廓,为之后昆虫轮廓特征值的提取打下基础。

3.3.2 昆虫计数

  • OpenCV 中对于轮廓检测提供了函数findContours(),该函数对昆虫图像预 处理后的二值化图像进行检测,返回一个点集列表,其中每一个点集都代表了图像中封闭的轮廓包含的点的集合。后续的昆虫特征提取都是在检测轮廓得到轮廓 点集列表的基础上完成的。
  • 通过对 findContours()函数返回的点集列表进行计数,点集的个数则大概代表了图像中轮廓的个数,应在在实际场景中,则轮廓的个数代表了一张纸上大米的粒数,也代表了设计场景中一张苍蝇粘板上苍蝇等昆虫的个数。
  • 使用大米计数的样本图片进行原理论证,效果图如图 3.5 所示


计数

苍蝇粘板数目检测的实际效果图如图 3.6 所示,

图 4.2 是获取昆虫图像最小外接矩形和计算矩形度的效果图:

延长度特征的提取效果如图 4.5 所示:

昆虫轮廓的球状性特征提取效果如图 4.6 所示


创新点

设计的创新点在于:


  • (1) 针对农业产区广泛存在的农业害虫检测识别问题,提出了一种基于机器 视觉的害虫种类及数量检测方案。
  • (2) 在参考已有的论文的理论基础之上,提出了针对每一个昆虫形态特征的 提取方案。
  • (3) 在进行分类器训练时,引入了多种分类器算法,并进行训练和测试,能 够在比较分析结果后选择较为理想的分类器算法作为实际使用时的算法。
  • (4) 开发了一套基于 PC 机的识别软件,能够使用摄像头拍着昆虫图片的方 式进行昆虫的识别。

代码

# 全部代码  ------> qq1309399183
# 先读图,然后二值化,通过找轮廓来进行计数

import cv2
import numpy as np
from matplotlib import pyplot as plt

origin = cv2.imread('picture/ttt.png')
RiceImg = cv2.imread('picture/ttt.png', 0)

blur = cv2.GaussianBlur(RiceImg, (5, 5), 0)

# 大津法二值化:此处可以用原理代码来巴拉巴拉一大段
ret, otsu = cv2.threshold(blur, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)
# 输出阈值
print ret

# 找轮廓
contours = cv2.findContours(otsu, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)
num = len(contours[1])
print num
# 画轮廓
cv2.drawContours(origin, contours[1], -1, (0, 0, 255), 1)
cv2.putText(origin, 'Insect Num:  ' + str(num), (1, 50), cv2.FONT_HERSHEY_SIMPLEX, 1, (50, 50, 50), 2, cv2.LINE_AA)

cv2.namedWindow('RiceO', cv2.WINDOW_AUTOSIZE)
cv2.imshow('RiceO', origin)

cv2.imwrite('picture/tttresult.jpg',origin)
k = cv2.waitKey(0)

# 'ESC'
if k == 27:
    cv2.destroyAllWindows()


相关文章
|
1月前
|
机器学习/深度学习 人工智能 开发工具
人工智能项目的python版本管理工具DVC
dvc即data version control, 是一种针对人工智能项目(机器学习或者深度学习)的数据版本管理工具。DVC的操作和GIT类似,可以认为为GIT的二次开发封装。结合GIT,DVC可以有效的管理人工智能项目的整个流程,包括代码,数据,训练配置,模型【2月更文挑战第12天】
51 1
|
7月前
|
机器学习/深度学习 人工智能 自然语言处理
9月人工智能论文和项目推荐
因为LLM的火爆,所以最近的论文都是和LLM相关的
98 0
|
4月前
|
人工智能 自然语言处理 Python
人工智能生成文本检测在实践中使用有效性探讨
人工智能辅助撰写文章的技术现在无处不在!ChatGPT已经解锁了许多基于语言的人工智能应用程序,人工智能在任何类型的内容生成中的使用都已经达到了以前前所未有的高度。
42 2
|
5月前
|
人工智能 测试技术
软件测试/人工智能|利用ChatGPT进行项目需求分析
软件测试/人工智能|利用ChatGPT进行项目需求分析
56 0
|
6月前
|
机器学习/深度学习 人工智能 算法
|
6月前
|
机器学习/深度学习 人工智能 自然语言处理
|
8月前
|
机器学习/深度学习 人工智能 算法
手把手教你使用LabVIEW人工智能视觉工具包快速实现Harris角点检测(含源码)
手把手教你使用LabVIEW人工智能视觉工具包快速实现Harris角点检测(含源码)
93 0
|
9月前
|
机器学习/深度学习 人工智能 算法
《人工智能导论》期末项目
《人工智能导论》期末项目
130 3
|
9月前
|
机器学习/深度学习 人工智能 安全
英特尔oneAPI人工智能黑客松 - 机器视觉挑战案例
英特尔oneAPI人工智能黑客松 - 机器视觉挑战案例
151 0
|
10月前
|
存储 人工智能 计算机视觉
谈一谈|小白如何体验人工智能项目
谈一谈|小白如何体验人工智能项目
57 0