基于计算机视觉技术的红火蚁蚁巢探测

吴伟斌， 游展辉， 洪添胜， 王玉兴， 余耀烽， 卢诗静

(1．华南农业大学南方农业机械与装备关键技术教育部重点实验室，广东 广州 510642；2．国家柑橘产业技术体系机械研究室，广东 广州 510642；3．华南农业大学工程学院，广东 广州 510642)

基于计算机视觉技术的红火蚁蚁巢探测

吴伟斌1,2,3， 游展辉3， 洪添胜1,2,3， 王玉兴3， 余耀烽3， 卢诗静3

(1．华南农业大学南方农业机械与装备关键技术教育部重点实验室，广东 广州 510642；2．国家柑橘产业技术体系机械研究室，广东 广州 510642；3．华南农业大学工程学院，广东 广州 510642)

为探讨基于计算机视觉技术对红火蚁蚁巢进行探测识别的可行性，研究了利用数字图像处理技术提取红火蚁蚁巢特征参数，通过数学形态学对数字图像进行目标提取和识别。采用图像识别红火蚁蚁巢土建立了HSV彩色空间模型。研究结果表明，各红火蚁蚁巢土和普通土样本的H分量差异明显, 特别是普通土H分量明显大于红火蚁蚁巢土, 一般土壤H值大于30,而对于红火蚁蚁巢土土壤的H值小于30。因此,H分量可作为识别红火蚁蚁巢土的一项特征参数。当色调通道的平均值H<30时，即可判定为红火蚁蚁巢土。研究结果说明基于计算机视觉技术对红火蚁蚁巢进行检测识别是可行的。

计算机视觉；红火蚁蚁巢土；图像处理技术；检测识别

红火蚁(Solenopsisinvicta)是近几年入侵中国的外来物种，对入侵区域的人类健康、公共安全、农林业生产和生态环境均具有严重的危险性[1-3]，农业部将红火蚁定为中华人民共和国进境植物检疫性有害生物和全国植物检疫性有害生物。研究红火蚁蚁巢的检测方法，从源头上消灭红火蚁，对红火蚁灾害的防治有着重要的现实意义。目前，国内外对红火蚁的研究大多集中于对红火蚁的生理结构以及诱杀方式等研究上[4-9]，极少有采用计算机视觉技术检测识别红火蚁蚁巢方面的研究。在野外鉴别红火蚁蚁巢的方法一般是采用肉眼观察的方法，根据红火蚁蚁巢特征及红火蚁主动攻击入侵者的行为进行主观判断的。若通过该肉眼判断方法来进行红火蚁疫情调查，将耗时耗力，并且容易造成误判。因此，掌握红火蚁蚁巢的快速准确检测技术，是该害虫大面积防控的关键。计算机视觉技术已经被许多学科领域所应用，农业上往往被用作农作物产量预测、长势监测和农产品分级[10-15]，而被应用于红火蚁蚁巢检测识别的研究在国内外鲜见报道。为此，本研究利用计算机视觉技术来研究红火蚁蚁巢，通过获取红火蚁蚁巢图像，利用数学形态学图像处理对数字图像进行目标提取，建立蚁巢图像的HSV彩色空间模型对红火蚁蚁巢进行检测识别。为建立基于图像信息的检测识别模型提供理论依据和技术支持。

1 材料与方法

1.1试验设计

图像试验设计在华南农业大学五山广场草坪内进行，选择了红火蚁蚁巢土、草以及普通土3种地物进行拍照，随机选择了12个红火蚁蚁巢，每个蚁巢拍摄8张照片，建立96张照片的数据库；并在红火蚁蚁巢附近对12处裸露的普通土进行图像采集，每处普通土采集8张照片，建立与红火蚁蚁巢土图像对应的96张照片的数据库。其中，采集了相关的地物，包括红火蚁蚁巢土、草以及普通土以备后续实验之用。

1.2数据项目与测定方法

在对目标进行采集图像时，对12个蚁巢以及蚁巢附近裸露的普通土用Canon EOS 600D型数码单反相机拍摄垂直正面图像，每个蚁巢拍摄8张照片，每处普通土也拍摄8张照片。拍摄时，用三脚架固定相机，镜头为与垂直距离蚁巢中心点50 cm处，调整焦距使蚁巢清晰并充满视场，固定焦距，已自动曝光模式控制曝光时间与色彩平衡。图像采集后以JEPG格计算机，依次编号等待处理。

1.3图像数据处理

通过MATLAB软件编程，在红火蚁蚁巢土原图图像下，如图1所示。在红火蚁蚁巢土图像的识别中, 将红火蚁蚁巢土区域从草的背景中分割出来是非常重要的一环。对红火蚁蚁巢土背景进行分割时发现, 常用的阈值分割法对正常红火蚁蚁巢土分割效果不好, 由于图像中各物体的灰度值范围有较大重叠, 难以达到满意效果。因此对原始图像进行R、G、B、Y、U、V6个通道提取比较，分别见图2。发现V分量得到的图片(如图2f所示)，土壤与草是最容易分辨。分析V分量图片的灰度直方图，红火蚁蚁巢土的灰度主要集中在0值附近，而草的灰度主要集中在255值附近。将阈值选定为128，把灰度图像转化成为二值图像。经形态学图像处理运算，得到从背景中提取出来的二值化蚁巢模板，再在源图像中做线性运算，把红火蚁蚁巢从背景中提取出来(如图3b所示)。

图1 红火蚁蚁巢原图像Fig.1 The nest image of red fire ant

进一步通过RGB模型经色彩转换对从背景中提取出来的红火蚁蚁巢(如图3b所示)建立HSV彩色空间模型[16-18]，分别提取H、S、V分量均值进行统计分析。其间，考虑到在HSV模型中饱和度S、亮度V容易受图像采集环境影响，猜想可以利用色相H值对蚁巢土进行识别并随机选取8组图像数据对猜想加以验证。再利用随机分选法[19-21]将采集的96组数据随机分成2个集合：校正集(64组)和验证集(32组)，最后通过校正集对红火蚁蚁巢土和普通土进行统计分析，选取能够区分两者的合适阈值，并利用验证集的数据加以验证。

程序如下所示：

1)获取图像转化为hsv图像

hsv=rgb2hsv

2)提取v分量

v=hsv(:,:,3);

图2 6个分量的比较图Fig.2 Comparison of six components

图3 图像预处理及蚁巢提取Fig.3 Pretreatment of the picture and extraction of the formicary

3)自动选取阈值进行二值化

level=graythresh(v);BW=im2bw(v,level)

2 结果与分析

2.1应用图像H分量识别红火蚁蚁巢可行性验证

HSV彩色空间模型中，饱和度S、亮度V容易受图像采集环境影响，考虑利用色调H值对蚁巢土进行识别。

将RGB色彩模型转为对颜色视觉感受比较直观的HSV彩色空间模型，利用其分量不变性进行图像变换可以消除自然条件下光照对作物图像的影响。由于草与土壤在色彩和形态学上差较大，在蚁巢提取过程中已作为背景滤除掉，此处仅需考虑区分蚁巢土与普通土。从12组中取其中清晰有代表性的红火蚁蚁巢土和普通土各8个样本，将8个样本的红火蚁蚁巢土和普通土取8个的同一样本号并取其颜色分量H、S、V的均值，如图4所示。

各红火蚁蚁巢土和普通土样本的H分量差异明显，特别是普通土H分量明显大于红火蚁蚁巢土。由此，可考虑利用H分量来区分红火蚁蚁巢土和普通土。

2.2提取校正集图像H分量区分红火蚁蚁巢土和普通土

由上分析可知，数字图像的H分量可作为识别红火蚁蚁巢土的特征参数，用于区分红火蚁蚁巢土和普通土。只要选取合适的阈值对蚁巢土和普通土加以区分，就能达到检测识别红火蚁蚁巢的效果。

分析校正集图像H值(如图5所示)，可知普通土一般色调分量H>30，而红火蚁蚁巢土的色调分量H<30，因此，H=30可作为区分红火蚁蚁巢土和普通土的阈值标准。与普通土对比时，当图像色相分量H<30，判定为红火蚁蚁巢。

图4 红火蚁蚁巢土和普通土的H、S、V分量比较图Fig.4 Relative graphrs of H, S, V components between ordinarv soil formicary soil of Solenoosis invicta

图5 校正集红火蚁蚁巢土与普通土H分量的值比较图 Fig.5 The relative graph of values of H component on calibration set of Solenopsis invicta’s formicary soil and ordinary soil

2.3试验结果验证

利用验证集进行阈值选择合理性检验。提取验证集32组图像的色调分量H值进行分析(如图6所示)，探寻利用计算机视觉技术对红火蚁蚁巢进行检测的识别率。从表1得知，当判决阈值选为H=30时，在验证集中红火蚁蚁巢土和普通土的误判组数各为1组，图像识红火蚁蚁巢的识别率为93.75%，说明利用计算机视觉技术检测识别红火蚁蚁巢的方法是可行的，且识别率较高。

图6 验证集红火蚁蚁巢土与普通土H分量的值比较Fig.6 The relative graph of values of H component on validation set of Solenopsis invicta’s formicary soil and ordinary soil

探测物ProbeH<30/组H>30/组误判/组Erroneousjudgement识别率/%Recognitionrate红火蚁蚁巢土Nestsoil311193.75普通土Commensoil131193.75总计Total3232293.75

3 结论

1)利用计算机视觉技术，对采集回来的红火蚁巢穴原始图像进行R、G、B、Y、U、V6个分量的比较，提取红火蚁蚁巢及周边地物的特征参数，通过二值化图像把红火蚁蚁巢土和草分割开来，同时二值变换的结果图像具备良好的保形性，不容易丢失有用的形状信息。在红火蚁巢穴图片的信息量很大的情况下，采用二值图像进行处理，能大大地提高处理效率。获取检测识别蚁巢样本的图像信息，实现大信息量多层次判决。

2)利用图像处理技术，能够从周边地物中提取出红火蚁蚁巢土，将R、G、B颜色模型转为对颜色视觉感受比较直观的HSV 颜色模型，利用HSV彩色空间模型分析提取出的红火蚁蚁巢土和普通土，选取合适的阈值对蚁巢土和普通土加以区分，将红火蚁巢土跟普通土H值进行分析比对，得出H=30的阈值，从而提高检测识别红火蚁蚁巢的效果。而且多次试验比对，对红火蚁蚁巢土识别率达到93.75%。

3)利用计算机视觉技术检测识别红火蚁蚁巢是可行的。在今后的研究中，要增加试验样本的数量以及样本的广泛性，建立统一的模型将图像处理的信息组织起来，以进一步完善快速检测方法，促进该技术在病虫防治、地物分析中的应用与推广。同时也可以尝试将光谱信息与数字图像处理相结合把两者数据融合起来，构建出实时性好、准确性高的基于光谱信息与图像处理的红火蚁蚁巢快速检测系统。

[1] 赵德全，覃建军，庹新华．红火蚁对人类健康和经济发展的影响[J]．作物研究，2012，26(5)：174-175．

[2] 潘运方．红火蚁对水利水电工程的危害及其防治对策[J]．广东水利水电， 2013(9)：7-13．

[3] 赵朔，丁建云．北京市红火蚁传入风险评估与防控对策探讨[J]．中国植保导刊，2012， 32(4)：55-57．

[4] 官迪．红火蚁工蚁对告警信息素及其类似物的电生理和行为反应的研究[D]．：湖南农业大学， 2013：1-55．

[5] 林嵩．红火蚁的危害及防控措施[J]．海峡预防医学杂志，2012，18(3)：24-27．

[6] 陆永跃．中国大陆红火蚁远距离传播速度探讨和趋势预测[J]．广东农业科学 ，2014，18(10)：80-82．

[7] 黄可辉，黄振．红火蚁形态学、生物学与防控对策[J]．江西农业学报，2011，23(9)：83-85．

[8] 张波，赖韦文，王美兰，等．广东农林外来有害生物红火蚁入侵历史考察[J]．福建林业科技 ，2015(3)：152-157．

[9] 李宏玉．红火蚁鉴别与防治方法概述[J]．中国植保导刊 ，2015，35(3)： 86-88．

[10] 张玲，邹承俊，何兴无．计算机视觉技术在农业自动化中的应用[J]．电脑知识与技术，2014，10(31)：236-237．

[11] 周正．基于计算机视觉技术的番茄病害识别研究[D]．长沙：湖南农业大学， 2013．

[12] 程术希．基于光谱和成像技术的作物病害不同侵染期快速检测方法研究[D]．杭州：浙江大学，2014．

[13] 王海超， 高雄，陈铁英，等．农作物病害检测中光谱和图像处理技术现状及展望[J]．农机化研究，2015，1(10)：7-13．

[14] 郭志明．基于近红外光谱及成像的苹果品质无损检测方法和装置研究[D]．北京：中国农业大学，2015．

[15] 刘翠红，陈丽君，吕长义，等．基于图像处理技术的水稻株型参数测量算法[J]．农机化研究，2015，51(12)：232-235．

[16] 周竹，黄懿，李小昱．基于机器视觉的马铃薯自动分级方法[J]．农业工程学报，2012，28(7)：178-183．

[17] 崔雯雯. 基于图像处理的大米品质检测系统研究[D]. 长春:吉林大学, 2015.

(责任编辑：蒋国良)

DetectionofthenestofSolenopsisinvictabasedoncomputervisiontechnology

WU Weibin1,2,3， YOU Zhanhui3， HONG Tiansheng1,2,3， WANG Yuxing3， YU Yaofeng3， LU Shijing3

(1.Key Laboratory of Key Technology for South Agricultural Machinery and Equipment， Ministry of Education， South China Agricultural University， Guangzhou 510642， China; 2.Mechanical Laboratory of China Agricultual Research System， Guangzhou 510642， China; 3.College of Engineering，South China Agricultural University， Guangzhou 510642， China)

To explore the feasibility of detecting the nest ofSolenopsisinvictabased on computer vision technology, this study has extracted the characteristic parameters from the nest ofS.invictausing digital image processing technology and has conducted target extraction and recognition of the digital image by mathematical morphology. The image recognition of the nest soil ofS.invictahelps to build HSV color space model. It was found that theHcomponent of the red-fire ant nest soil and the common soil sample were significantly different, especially theHcomponent of the common soil was larger than that of the red fire ant nest soil and theHvalue of the soil was more than 30. While for the red fire ants nest soil theHvalue less than 30. Therefore, theHcomponent can be used as a characteristic parameter to identify nest soil of red fire ants. When the average value of the tonal channel reachesH<30, it can be identified as the nest soil ofS.invicta. The results show that it is feasible to detect and identify the nest of red fire ant based on computer vision technology.

computer vision technology; the nest soil ofSolenopsisinvicta; digital image processing technology; recognition and detection

S237；TP274.2

：A

2016-09-12

国家自然科学基金项目(30871450)；广东省自然科学基金项目(2015A030313426)

吴伟斌(1978-)，广东中山人,教授,博士,从事农业工程、机电一体化和信息技术应用方面的研究。

洪添胜(1955-)，广东梅州人,教授,博士生导师。

1000-2340(2017)02-0184-05