[发明专利]一种棉花害虫定位与分类识别方法及系统

说明书

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。

技术领域

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

背景技术

本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。

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。

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。

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。

发明人发现，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。

发明内容

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。

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：

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。

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。

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。

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。