[发明专利]一种基于图像分块的粮仓害虫检测方法

说明书

本发明涉及一种基于图像分块的粮仓害虫检测方法，首先对粮仓内图像集进行训练，得到训练好的SVM模型，再将待检测粮仓内图像输入至训练好的SVM模型中，便可得到待检测粮仓内图像害虫的检测结果。其中，为了避免害虫在图像中所占比例过小而将其当做图像噪声的情况出现，将待检测粮仓内图像进行分块处理，每一个区域被视为一幅图像并进行害虫检测；同时，为解决因分块害虫被分裂到多个区域块中造成无法确定粮仓内图像中害虫准确数量的问题，将待检测粮仓内图像进行多次分块处理，使仓内图像中每一只害虫均能找到一个完全包含该害虫的区域块，最后合并所有区域块检测结果，得到粮仓内图像的害虫检测结果。该方法有效提升了粮仓内害虫检测结果的精度。

技术领域

本发明属于粮仓害虫检测技术领域，具体涉及一种基于图像分块的粮仓害虫检测方法。

背景技术

粮仓内的害虫(即粮虫)是影响粮仓的重要因素。若能及时捕获粮仓内害虫的状况，对害虫进行及时处理，可以显著提高粮仓内粮食的安全。

传统的粮仓内害虫检测方法需要人工抽样，使用计算机视觉设备检测害虫，进而估计粮虫虫头密度。这种方法不仅需要人工干预，而且对计算机视觉设备的检测条件要求较高。

除上述方法外，还可通过检测害虫的声音信号来对粮仓内的害虫进行检测。但是，这种方法常常需要特殊的设备来获取声音信息。

近年来，随着粮食智能化建设，越来越多的粮仓通过设置高清摄像头来实时捕获粮仓内粮食的状态数据，对粮仓内粮食的状态图片进行处理与分析，以对粮仓内的害虫进行检测，保证粮仓内粮食的安全。

根据粮仓内粮食的状态图片对粮仓内的害虫状况进行分析时，需要使用计算机视觉领域中的对象检测技术。在对象检测方法中，通常采用有监督训练方法对每一类对象设计特定的分类器，并在检测过程中，评估大量检测边界框，从而定位到对象的位置和大小。

其中，比较经典的对象检测方法为HOG(Histogram of Oriented Gradient)特征和支持向量机(Suppor Vector Machine，SVM)分类器相结合的对象检测技术，在行人检测方面取得了较好的成绩。SVM作为一种有监督的分类器，在检测对象时，事先提取训练集中图像的特征以训练SVM，利用训练好的模型对测试图像采用窗口滑动搜索算法对其进行检测。

但是，在粮仓内直接对害虫进行检测存在一定的难度。其中最关键的问题在于相对于所拍摄的粮仓图像，害虫的面积较小，经常被当做噪声点，从而无法准确检测到害虫。

发明内容

本发明的目的在于提供一种基于图像分块的粮仓害虫检测方法，用以解决由于害虫面积较小而容易被当做噪声处理的问题。

为解决上述技术问题，本发明的技术方案为：

本发明提供了一种基于图像分块的粮仓害虫检测方法，包括如下步骤：

对粮仓内图像集进行标注，划分成多个样本区域块，并调整至预设大小，提取调整后的每个样本区域块的特征，输入SVM分类器进行训练，得到训练好的SVM模型；

按照预设大小对待检测粮仓内图像进行首次分块处理，得到相应个数的区域块；按照预设大小对待检测粮仓内图像进行若干次偏移分块处理，使得首次分块处理得到的区域块中位于边界处的害虫必定落入至少一次偏移分块处理形成的区域块中；并记录每个区域块之间的空间关系；

提取每个区域块的特征，输入训练好的SVM模型，得到每个区域块的检测结果；

根据每个区域块之间的空间关系，将每个区域块的检测结果进行整合，得到待检测粮仓内图像的害虫检测结果。

本发明的有益效果：