圖像特征在水稻基部飛虱檢測中的應用研究.pdf

1、稻飛虱是我國水稻上重要的一類遷飛性害蟲，每年給水稻產(chǎn)量帶來很大損失，及時掌握稻飛虱田間種群密度動態(tài)變化是準確進行稻飛虱預測預報和合理防治的關鍵。由于水稻飛虱田間人工調(diào)查容易引起調(diào)查者身體和視覺疲勞，存在調(diào)查效率低和精度不高等問題，Yao et al.[1]利用圖像處理技術采用三層檢測器來探討水稻基部飛虱自動計數(shù)問題。
　　為了提高稻飛虱檢測率和降低誤檢率，本文在上述研究的基礎上，在第一層基于Haar特征的AdaBoost分類器中，

2、研究了不同訓練樣本圖像的大小和來源、訓練樣本量的大小和分類器參數(shù)的設定對飛虱檢測結果的影響。結果表明，大小為18*24像素的正樣本2400張、背景不全為水稻背景且大小不一的負樣本3300張，最大虛警率為0.48的情況下訓練得到的AdaBoost分類器具有較好的飛虱檢測效果，可獲得飛虱檢測率為87.9％，誤檢率為99.1％。
　　由于第一層分類器的誤檢率較高，本文研究了基于HOG特征的Adaboost分類器，分析了不同正樣本大小、不

3、同負樣本來源對飛虱結果產(chǎn)生的影響，結果表明在像素為36*48大小的正樣本2400張、背景不全為水稻背景且大小不一的負樣本3300張的情況下訓練得到基于HOG特征的Adaboost分類器效果優(yōu)于基于Haar特征的Adaboost分類器的效果。
　　為了降低第一層的誤檢率，本文研究了基于HOG、LBP和Gabor三種局部特征和它們多個特征融合下訓練出來的SVM分類器對飛虱的檢測識別能力。研究結果表明，4400維的Gabor特征訓練出來