国务院2016年印发的《关于落实发展新理念加快农业现代化实现全面小康目标的若干意见》中指出：大力推进“互联网+”现代农业，应用物联网、云计算、大数据、移动互联等现代信息技术，推动农业生产业链改造升级。为推进信息化技术在植保工作中的应用，“互联网+植保”已经在病虫害数字化预警[1-2]等方面取得了初步成效。水稻作为我国的主要经济作物之一，每年由害虫造成的损失严重。目前，我国主要依靠测报灯诱集的方式进行害虫统计与监测，该模式耗时耗力、时效性低，已无法满足需求。随着图像处理技术的发展，基于图像的害虫识别已经广泛应用于农田害虫[3]、蔬菜害虫[4]、森林害虫[5]和储粮害虫[6]等，主要是通过提取大量害虫样本特征后建立神经网络[7]、支持向量机[8]等识别专家库，进而实现对待测样本的识别和结果反馈。害虫样本的完整性、种类硬输出和误判等严重影响识别系统的应用和推广。以四种常见的水稻鳞翅目灯诱害虫为研究对象，为减小因撞击、脱水等原因造成的害虫样本姿态各异，虫体部分残缺对识别系统的影响，提出基于后验概率SVM的水稻害虫识别方法，以提高系统识别率，为水稻害虫预测预报提供理论基础。

1　材料与方法

1.1　害虫图像采集与软硬件环境

利用虫情测报灯田间诱集水稻害虫，于次日取回并筛选。在室内均匀光照条件下，利用室内水稻灯诱害虫图像采集装置[9]对二化螟（Chilo suppressalis Walker）、大螟（Sesamia inferens Walker）、稻纵卷叶螟（Cnaphalocrocis medinalis Guenee）和直纹稻弄蝶（Pararaguttata bremeret Grey）四种常见鳞翅目害虫（如图1所示）进行图像采集。利用Lenovo ThinkPad E550C（CPU 型号 Intel酷睿 i5 4210U 1.7GHz，内存8G，显卡 AMD Radeon R7 M265，硬盘 1TB）实现图像预处理、特征提取和识别。程序均在MATLAB2014a环境下编制。

  

图1　四种水稻鳞翅目灯诱害虫Fig.1　Four species of rice light-trap lepidoptera pests

1.2　害虫图像增强与分割

在害虫图像采集过程中易受到光照、灰尘等影响，利用标量中值滤波对害虫RGB彩色三通道分别滤波，已减弱噪声干扰。害虫分割的好坏直接影响后续特征提取和系统识别准确性。通过对四种害虫颜色特征信息的统计与分析，利用颜色、形状相结合的方法实现害虫目标区域的确定，利用阈值法、形态学处理、边缘提取和逻辑与操作实现害虫分割。

  

图2　大螟预处理图像Fig.2　Pre-processing images of Sesamia inferens

1.3　害虫图像特征提取

水稻害虫图像的颜色、形态和纹理特征是后续系统识别的有效依据。在颜色特征方面，选取与人类视觉感知系统相近的HSV模型，提取该模型下H、S、V三分量的均值、方差和三阶矩共9个特征；在形态特征方面，为减小图像大小、移位等对形态特征的影响，提取了矩形度、延长度、似圆度、紧凑度和偏心率5个相对参数，以及Hu矩[10]和傅里叶描述子[11]；纹理特征反映了一个区域中像素灰度级的空间分布的属性，在灰度共生矩阵的基础上提取能量、熵、惯性矩、相关性、局部平稳的均值和标准差共10个参数。

1.4　SVM识别分类器

支持向量机（support vector machines，SVM）是一种建立在统计学基础上的分类方法。在小样本、高维空间下具有较好的泛化能力。其基本思想是通过核函数将原始输入空间映射到高维空间，并寻求高维空间的最优分类面。

这里函数u=与u=-的图像分别为一段抛物线AB、CD。见图2。于是问题化归为向上平移图像CD，使其与图像AB相交至相切时，y的取值范围问题，设切点为E（x0，y0），则抛物线AB、CD在x=x0处切线斜率相等。

1.5　后验概率

SVM多分类是由多个分类器组合而成，此时可通过计算样本对每个分类器的后验概率后，取后验概率最大的类别作为样本x所属类别。

 

其中：Pi为样本x数据第i类的概率。

在实际应用系统识别中，往往需要一种软判决，即不仅给出待测样本所属种类，还可以给出该样本对应于每种类别的隶属度，即样本的后验概率。基于后验概率的SVM方法是一种结合贝叶斯决策规则的分类结果概率估计。Sigmoid函数获取的近似后验概率为

式中W(pi,K)和W(pi,P)分别表示协同成员pi的知识掌握程度和协同成员pi与其他协同成员间的关联关系强度。W(pi,K)和W(pi,P)可由下式得到：

大强度运动时相当于最大吸氧量的70%-80%（即70%-80%VO2max），运动时的心率约为125-165次/min，中等强度运动相当于最大吸氧量的50%-60%，运动时的心率约为110-135次/min，小强度运动相当于最大吸氧量的40%以下，运动时的心率约为100-110次/min。在实践中，大学生应根据自己的身体状况及亚健康程度来选择适宜的运动强度，一般可选择中等强度运动。

 

式中：f为支持向量机决策函数的输出；A、B为可在标准SVM训练模型基础上通过极大似然估计法得到。

2　结果与分析

共采集787幅样本图像，其中大螟236幅，二化螟241幅，稻纵卷叶螟233幅和直纹稻弄蝶77幅，对分割后每幅害虫图像提取37个特征参数值作为识别模型输入。按照约1∶4的比例确定测试集和训练集样本，利用训练集630个样本建立SVM识别模型后，对157个测试样本识别并计算每个测试样本对应种类的后验概率。识别结果如表1所示，误判情况对应的后验概率如表2所示。

脑梗死形成的主要原因包括有动脉管壁病损、血流动力学出现异常、血液成分改变等,血液粘滞性高,是脑梗死的主要危险因素[1]。彩色多普勒超声和颈动脉血管超声在临床中为常用的影像学诊断方式,本次主要探究彩色多普勒超声+颈动脉血管超声联合在诊断中的应用价值,研究如下:

 

表1　基于SVM的水稻害虫识别结果Table 1　The identification results of rice pests based on SVM

  

种类大螟二化螟稻纵卷叶螟直纹稻弄蝶大螟47 2 0 0二化螟0 43 0 0稻纵卷叶螟0 3 4 7 0直纹稻弄蝶0 0 0 1 5总数47 48 47 15正确识别率/%100 89.6 100 100

 

表2　误判情况的后验概率汇总表Table 2　The posterior probabilities of five misjudgment specimens classified to four species of rice pests

  

种类二化螟误判1二化螟误判2二化螟误判3二化螟误判4二化螟误判5大螟0.006 436 399 0.589 872 255 0.582 235 59 0.645 649 202 0.102 848 793二化螟0.346 001 546 0.262 411 065 0.344 963 368 0.207 443 993 0.385 388 491稻纵卷叶螟0.563 403 801 0.100 426 273 0.002 101 691 0.005 612 131 0.506 196 142直纹稻弄蝶0.084 158 254 0.047 290 407 0.070 699 351 0.141 294 675 0.005 566 574

表1中所示，大螟、稻纵卷叶螟和直纹稻弄蝶正确识别率均为100%，二化螟正确识别率为89.6%，四种样本平均识别率为96.8%。由于灯诱二化螟害虫样本受展翅幅度影响较大，特征参数值不稳定，出现5个误判，其中被误判成大螟2个，稻纵卷叶螟3个。表2中可以看出，所有误判情况的后验概率值均小于0.7，当后验概率值全部小于0.7时，应考虑第二最大值作为最终的样本识别结果。

3　讨论

以四种常见水稻灯诱鳞翅目害虫为研究对象，通过图像预处理和特征提取后建立基于后验概率的SVM识别模型。针对水稻害虫多分类，该模型不仅可以识别害虫，还可以计算待测样本属于每一种类的后验概率。经试验表明：当所有后验概率值小于0.7时，应考虑第二最大值作为样本输出。该模型虽然能够减少硬判别造成的误判，提高害虫正确识别率，但在害虫种类、样本量、特征优化和分类器性能等方面仍需要进一步的探讨和研究。

参考文献：

［1］ 郑庆伟.四川省“互联网+植保”初步实现“四化”［J］.农药市场信息，2015（25）：62.

［2］ 刘丽娟，谭峰.基于R统计分析方法研究水稻病虫害与气象条件的关系［J］.黑龙江八一农垦大学学报，2013，25（1）：61-65.　

［3］ 谢成军，李瑞，董伟，等.基于稀疏编码金字塔模型的农田害虫图像识别［J］.农业工程学报，2016，32（17）：144-151.

［4］ 蔡清，何东健.基于图像分析的蔬菜食叶害虫识别技术［J］.计算机应用，2010，30（7）：1870-1872.

［5］ 李四海.基于小波神经网络的空气污染指数预报［J］.长春大学学报，2013（2）：146-148.

［6］ 邱道尹，张成花，张洪涛，等.神经网络在储粮害虫识别中的应用［J］.农业工程学报，2003，19（1）：142-144.

［7］ 周曼，周明全.基于BP神经网络的水稻害虫自动识别［J］.北京师范大学学报，2008，44（2）：165-167.

［8］ 李文斌.基于支持向量机SVM的水稻害虫图像识别技术研究［D］.杭州：杭州电子科技大学，2015.

［9］　Yao Qing，LV Jun.An insect imaging system to automate rice light-trap pest identification［J］.Journal of Integrative Agriculture，2012，11（6）：978-985.

［10］ 邹修国，丁为民，刘德营，等.基于改进Hu矩和遗传神经网络的稻飞虱识别系统［J］.农业机械学报，2013，44（6）：222-226.

［11］ 赵三琴，丁为民，刘德营.基于傅里叶描述子的稻飞虱形状识别［J］.农业机械学报，2009，40（8）：181-184.