一种棉花害虫定位与分类识别方法及系统技术方案

本公开提供了一种棉花害虫定位与分类识别方法及系统，包括：获取待分类的害虫图像；对害虫图像进行超像素分割，并以每个超像素为单位提取其特征向量；对图片中的所有超像素进行层次聚类，自上而下逐步将所有超像素最终聚类为害虫区域和背景区域；对得到的害虫区域进行颜色和纹理特征提取，并使用PCA主成分分析法进行降维处理；基于降维后的特征，利用预训练的梯度提升树进行分类，获得分类结果；所述方案通过利用超像素分割与梯度提升树对棉花叶片害虫进行定位与分类，并且将同一类害虫的幼虫与成虫作为两个类别处理，有效提高害虫分类的效率和鲁棒性。的效率和鲁棒性。的效率和鲁棒性。

【技术实现步骤摘要】
一种棉花害虫定位与分类识别方法及系统


[0001]本公开属于图像定位分割与分类识别
，尤其涉及一种棉花害虫定位与分类识别方法及系统。

技术介绍

[0002]本部分的陈述仅仅是提供了与本公开相关的
技术介绍
信息，不必然构成在先技术。
[0003]棉花是世界上最重要的农业作物之一，棉花收获与虫害的发生密切相关。在农业领域，害虫是农作物生长中的大敌，在农作物整个生长期内都有发生，可造成农作物大量减产，由于不同害虫物种之间的高度相似性与害虫物种的多样性，作物害虫的识别和分类一直是一个主要的挑战。为了保证棉花的生长和品质，有必要及时监测害虫情况，这将有助于农民选择有效的农药或生物防治方法，防止害虫的进一步蔓延。
[0004]现行的害虫识别、分类工作主要是依靠少数植保专家和农技人员来完成的。但害虫种类繁多，农业领域广大，每一位植保专家识别害虫的能力与时间是有限的。越来越多的迹象表明，对害虫分类需求的增多与害虫分类专家相对较少的矛盾已日益加剧。
[0005]为了解决农业领域的这些问题，近年来许多研究者开发了各种基于视觉的计算机模型。这些模型涵盖了广泛的技术，如传统机器视觉、机器学习、深度学习等。虽然上述方法在过去的研究中取得了较好的准确性，并解决了一些问题，但在这一研究领域仍有改进的空间。
[0006]专利技术人发现，当前害虫图像自动分类方法及系统出现的识别率不高、鲁棒性较差的问题，大多是由于害虫样本的多样性、相似性以及特征复杂度所导致的。在害虫分类中，通常会受到背景部分叶片、茎秆以及地面等因素的影响，同时由于害虫区域相对于背景区域面积一般更小，分类时所受背景因素影响也较大，而由于诸如这些因素的干扰，使用图像直接进行害虫分类具有一定难度。

技术实现思路

[0007]本公开为了解决上述问题，提供了一种棉花害虫定位与分类识别方法及系统，所述方案通过利用超像素分割与梯度提升树对棉花叶片害虫进行定位与分类，并且将同一类害虫的幼虫与成虫作为两个类别处理，有效提高害虫分类的效率和鲁棒性。
[0008]根据本公开实施例的第一个方面，提供了一种棉花害虫定位与分类识别方法，包括：
[0009]获取待分类的害虫图像；
[0010]对害虫图像进行超像素分割，并以每个超像素为单位提取其特征向量；
[0011]对图片中的所有超像素进行层次聚类，自上而下逐步将所有超像素最终聚类为害虫区域和背景区域；
[0012]对得到的害虫区域进行颜色和纹理特征提取，并使用PCA主成分分析法进行降维
处理；
[0013]基于降维后的特征，利用预训练的梯度提升树进行分类，获得分类结果。
[0014]进一步的，在所述梯度提升树的训练过程中，将同一类害虫的幼虫与成虫作为两个类别处理。
[0015]进一步的，所述超像素分割具体包括：采用SLIC超像素分割算法对害虫图像进行分割，分别对每个超像素块中所有像素点提取RGB与HSV颜色特征、LBP纹理特征与LM滤波器组的前15个特征以及坐标位置特征，同时，对所有像素点求均值，并对颜色与纹理特征求方差，得到共包含46个特征值的特征向量。
[0016]进一步的，对图片中的所有超像素进行层次聚类，具体包括：将每个超像素作为一个单独类别，计算每个类别之间的距离，找出距离最近的两个簇，将这两个簇合并为新的簇；重复迭代上述过程，直至类别数量为两个，终止迭代。
[0017]进一步的，根据所述聚类结果，将背景区域消除，置为黑色，只保留害虫区域，然后参照害虫区域的外接矩形对图像进行裁剪，去除周围的无关区域，获得害虫区域图像，并保存分割后的Mask掩模图像。
[0018]根据本公开实施例的第二个方面，提供了一种棉花害虫定位与分类识别系统，包括：
[0019]数据获取单元，其用于获取待分类的害虫图像；
[0020]图像分割单元，其用于对害虫图像进行超像素分割，并以每个超像素为单位提取其特征向量；对图片中的所有超像素进行层次聚类，自上而下逐步将所有超像素最终聚类分割为害虫区域和背景区域；
[0021]特征提取单元，其用于对得到的害虫区域进行颜色和纹理特征提取，并使用PCA主成分分析法进行降维处理；
[0022]分类单元，其用于基于降维后的特征，利用预训练的梯度提升树进行分类，获得分类结果。
[0023]根据本公开实施例的第三个方面，提供了一种电子设备，包括存储器、处理器及存储在存储器上运行的计算机程序，所述处理器执行所述程序时实现所述的一种棉花害虫定位与分类识别方法。
[0024]根据本公开实施例的第四个方面，提供了一种非暂态计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现所述的一种棉花害虫定位与分类识别方法。
[0025]与现有技术相比，本公开的有益效果是：
[0026](1)本公开提出一种基于超像素分割与GBDT梯度提升树对棉花害虫进行定位与分类方法，相比于当下流行的各种深度神经网络的分类方法，本专利技术中的方法更为轻量与快速，本专利技术中虽然训练了GBDT模型，但模型的体积远小于深度网络，因此检测速度较快。
[0027](2)所述方案在分类前先对图像进行聚类分割，去除了对分类效果有一定影响的背景无关区域，并且裁剪仅留下害虫区域，大大提高了后续特征提取与最终分类任务的效率；后面的特征提取得到了较多的特征数量，随后使用PCA主成分分析法对特征进行降维处理操作，可以进一步提高分类的速度和准确度。最终使用贝叶斯优化搜索梯度提升树的最优参数组合，使得梯度提升树可以在本专利技术的任务中进一步达到更好的效果。
[0028]本公开附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本公开的实践了解到。
附图说明
[0029]构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。
[0030]图1为本公开实施例一中所述的一种棉花害虫定位与分类识别方法流程图。
具体实施方式
[0031]下面结合附图与实施例对本公开做进一步说明。
[0032]应该指出，以下详细说明都是例示性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属
的普通技术人员通常理解的相同含义。
[0033]需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
[0034]在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。
[0035]实施例一：
[0036]本实施例的目的是一种棉花害虫定位与分类识别方法。
[0037]如图1所示，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种棉花害虫定位与分类识别方法，其特征在于，包括：获取待分类的害虫图像；对害虫图像进行超像素分割，并以每个超像素为单位提取其特征向量；对图片中的所有超像素进行层次聚类，自上而下逐步将所有超像素最终聚类为害虫区域和背景区域；对得到的害虫区域进行颜色和纹理特征提取，并使用PCA主成分分析法进行降维处理；基于降维后的特征，利用预训练的梯度提升树进行分类，获得分类结果。2.如权利要求1所述的一种棉花害虫定位与分类识别方法，其特征在于，在所述梯度提升树的训练过程中，将同一类害虫的幼虫与成虫作为两个类别处理。3.如权利要求1所述的一种棉花害虫定位与分类识别方法，其特征在于，所述超像素分割具体包括：采用SLIC超像素分割算法对害虫图像进行分割，分别对每个超像素块中所有像素点提取RGB与HSV颜色特征、LBP纹理特征与LM滤波器组的前15个特征以及坐标位置特征，同时，对所有像素点求均值，并对颜色与纹理特征求方差，得到共包含46个特征值的特征向量。4.如权利要求1所述的一种棉花害虫定位与分类识别方法，其特征在于，对图片中的所有超像素进行层次聚类，具体包括：将每个超像素作为一个单独类别，计算每个类别之间的距离，找出距离最近的两个簇，将这两个簇合并为新的簇；重复迭代上述过程，直至类别数量为两个，终止迭代。5.如权利要求1所述的一种棉花害虫定位与分类识别方法，其特征在于，根据所述聚类结果，将背景区域消除，置为黑色，只保留害虫区域，然后参照害虫区域的外接矩形对图像进行裁剪，去除...

【专利技术属性】
技术研发人员：杨公平，张岩，孙启玉，宋成秀，褚德峰，张同心，
申请(专利权)人：山东锋士信息技术有限公司，
类型：发明
国别省市：