基于图像识别技术的新疆南疆棉铃虫防治系统研究

收稿日期：2023-10-10

基金项目：大学生创新创业训练项目（国家级一般项目）“基于图像识别技术的新疆南疆棉铃虫防治系统研究”（202310994005）。

作者简介：林诗琪（2003—），女，福建龙海人，研究方向为图像处理。#通信作者：热阿宛·吾肯（1992—），新疆布尔津人，硕士研究生，助教，研究方向为工业缺陷检测，E-mail：519274120@qq.com。

摘 要：随着图像识别技术的快速发展，其在新疆南疆棉铃虫防治中的应用也成了研究热点。综述了图像识别技术在农业病虫害防治、棉铃虫图像处理与识别以及南疆棉铃虫防治策略和发生规律、深度学习与机器学习技术在害虫检测方面的应用，搜集了农业害虫远程监测与智能识别系统等方面的文献，分析了诸如二值化图像、区域卷积神经网络等在提高棉铃虫识别准确性和处理速度中的作用。综合以往的文献，当前应用于棉铃虫防治的图像识别技术不仅提高了识别的自动化水平，还通过深度学习等先进算法的应用，显著提升了棉铃虫种群监测方法的准确性和效率。对棉铃虫发生规律的研究、基于图像识别技术的监测系统的构建，以及南疆棉花产业的可持续发展具有重要意义。

关键词：图像识别；棉铃虫；农业害虫防治；深度学习；监测系统

中图分类号：S435.622 文献标志码：B 文章编号：2095–3305（2024）04–00-03

在新疆南疆地区，棉花生产是重要的农业活动之一。棉铃虫作为该地区棉花生长过程中的主要害虫之一，给当地农业生产带来了严重影响。现有系统在棉铃虫的图像获取、处理和识别算法方面存在局限性，对当地环境与棉铃虫种群的特异性适应不足，而图像识别技术在农业害虫防治方面则展现出了巨大潜力。综述了图像识别技术在农业病虫害防治中的作用，帮助研究人员和技术开发者深入理解该领域的现状和挑战，为农业生产提供科技支撑。

1 图像识别技术在农业病虫害防治的应用

1.1 图像识别技术在病虫害识别中的作用

图像识别技术在病虫害防治中发挥着重要的作用，特别是在迅速、准确地识别虫害方面表现出巨大潜力[1]。近年来，随着模式识别和机器学习技术的飞速发展，该技术已经逐步在农业害虫的检测和识别中得到广泛应用（表1）。基于图像的识别系统能够大幅减少因传统人工识别导致的时间消耗和误差，进而实现高效和自动化的病虫害监测。

在识别害虫的过程中，图像识别技术通常涉及关键步骤，如图像采集、图像预处理、特征提取、分类识别等（图1）。工作人员必须进行图像预处理，包括为提高图像质量、突出目标特征而进行的去噪、增强、分割等操作[2]。特征提取是将有害生物图像中的重要信息转化为可表示有害生物特征的数据，是图像识别的核心环节。区分不同种类的害虫[3]常用到颜色、纹理、形状等特征。而分类识别则是在提取特征的基础上，实现对未知害虫图像的识别判断，并利用机器学习算法构建分类模型。

在新疆南疆棉铃虫防治中，图像识别技术的应用显得尤为重要。棉铃虫作为严重的农作物害虫，对棉花生产造成了巨大威胁。因此，研发出能对棉铃虫进行快速识别与分类的图像识别系统十分有必要。基于深度学习的农业昆虫图像识别研究表明，通过卷积神经网络（CNN）学习深层次的图像特征，可以有效提升分类和识别的准确性[4]。此外，利用二值化图像识别技术建立的害虫诱杀监测系统，能够实现高效率的害虫数量统计与监控，为害虫防治提供数据支持。

1.2 棉铃虫图像处理的关键技术

1.2.1 图像预处理与分割算法

在棉铃虫图像处理与识别算法的研究中，图像预处理与分割技术是基本、关键的步骤。图像预处理的主要目的是提高图像的质量，为后面的处理工作打下基础。在棉铃虫的图像识别中，工作人员通常需要对图像进行噪声消除、增强对比度及归一化处理等预处理，而图像分割技术则是为了将棉铃虫图像中的前景即棉铃虫本身与背景区分开来，从而为特征的提取以及下一步的分类识别工作做准备。运用图像预处理与分割技术后，工作人员可以对棉铃虫进行更精确的图像识别。

图像采集中必然会出现噪声，对图像识别的精确度造成很大影响。因此，工作人员需要运用高斯滤波中值滤波等各种方式对图像进行去噪处理，才能提高图像处理的效果。对比度增强涉及调整图像的亮度和对比度，可使得棉铃虫的图像特征更加明显。在农业害虫图像识别的相关研究中，有学者指出，通过调节图像的直方图来增强图像对比度，从而使得特征提取更为准确[5]。图像分割是将图像中每一个像素指派到某个特定类别中的过程。传统的图像分割方法如阈值分割、区域生长、边缘检测等在棉铃虫图像识别中都有应用。研究表明，利用二值化方法可以有效地对棉铃虫图像进行分割，可通过设置阈值将图像转换为二值化图像，突出棉铃虫的形态特征[6]。

随着深度学习技术的发展，基于深度学习的图像分割技术，如区域卷积神经网络（Region-Based Convol-

utional Neural Networks，R-CNN）已经被广泛应用于害虫图像的分割。基于区域卷积神经网络的农业害虫检测方法，能够提高检测的准确性和效率。计算机视觉的技术也逐渐运用在棉铃虫成虫雌雄自动判别的研究中。此外，对农业害虫图像识别支持向量机算法的改进也提供了图像分割的新途径。南疆棉铃虫防治图像识别技术的应用表明了预处理和分割算法的重要性，有利于提高棉铃虫防治效率。

1.2.2 形态学特征提取方法

在图像处理与识别算法的研究中，形态学特征提取是一项基础而关键的步骤，涉及从原始图像中提取出对目标物种具有高度区分性的特征。在新疆南疆棉铃虫防治系统研究中，精确地提取棉铃虫的形态学特征是实现有效监控与防治的前提。

对于棉铃虫图像的处理，边缘检测和图像分割算法是提取形态学特征的基础。边缘检测算法可以准确地识别出棉铃虫图像中虫体的轮廓，从而有效区分背景和目标对象。

形态学特征提取包括多种特征，如棉铃虫的体型、形态、纹理、色泽等。评价铃虫形态的重要量化参数有面积、周长、长宽比等尺寸特征和凸包、弯曲度、紧凑度等形态学特征。例如，通过计算二值化后的铃虫剖面中的像素点数目，就可以确定铃虫的面积；而三围则是对边缘像素点进行追踪。

对于纹理特征，包括灰度共生矩阵（Gray-Level Co-occurrence Matrix，GLCM）的棉铃虫图像和局部二值模式（Local Binary Pattern，LBP）。GLCM描述的是图像中规律性和位置关系的像素灰阶分布，而LBP则描述的是图像局部质感的特点。这两个特点在区别不同生长阶段和品种的棉铃虫上效果显著。

颜色特征的提取则通常依赖于色彩空间的转换。例如，从RGB色彩空间转换到HSV色彩空间，以提取棉铃虫身体的颜色信息，这在棉铃虫生长的不同阶段的区分上特别重要。颜色直方图、平均颜色等都可用于描述棉铃虫的颜色特征。

在特征提取的过程中面临的另一个挑战是对提取特征的进一步筛选和优化。其中，主成分分析（Principal Component Analysis，PCA）和线性判别分析（Linear Discriminant Analysis，LDA）是两种常见的技术。PCA通过正交变换将数据转换到新的坐标系统中，从而尽量将原始数据的方差保留在前几个新坐标所对应的维度中，这有助于保留最重要的图像特征。而LDA则着眼于最大化类间差异与最小化类内差异，从而提高分类的准确度。

区域卷积神经网络（Region-based Convolutional Neural Networks，RCNN）等现代图像识别技术也被应用于农业有害生物检测中，通过对深层特征的自动提取来实现对有害生物的精确识别。对大规模标注数据的依赖和对计算资源的需求限制了其在实际农业环境中的广泛应用，尽管RCNN等深度学习方法在特征提取方面显示出显著优势。

传统的图像处理技术和机器学习方法仍在新疆南疆等样本数量有限的实际场景中占据重要位置。通过将传统的图像处理方法与现代的机器学习技术相融合，可为南疆地区的防治工作提供科学的决策支撑，并构建起一套高效、精准的棉铃虫识别系统。

2 南疆棉铃虫防治策略和发生规律

2.1 南疆棉铃虫的发生规律

南疆地区的棉花种植是当地的重要经济活动，而棉铃虫作为一种重要的农业害虫，对棉花产量和质量的威胁不可小觑。为了有效地防治棉铃虫，了解其在南疆的多代发生特点和季节分布至关重要。

南疆棉铃虫作为一种温带和热带地区常见的农业害虫，其一生中会经过多个发育阶段，并且在南疆因为气候和环境条件的特殊性，棉铃虫的生命周期和世代发生呈现出独特的特点。南疆的棉铃虫一般可分为数代，其中第一代通常在5月底至6月中旬出现，第二代出现在7月上旬至8月中旬，而之后的几代棉铃虫则分别在9—10月发生。

此外，南疆棉铃虫的种群结构受众多因素影响，包括气候条件、种植模式、棉花品种以及农业技术手段等。Bt棉的广泛种植显著影响了棉铃虫的分布和发生。同时，南疆地区不断变化的农业结构和棉田栽培技术的改进对棉铃虫的多代发生特点产生了重要影响。

从季节分布上看，南疆地区的棉铃虫呈现出与以往不一样的规律。受水分管理的影响，棉铃虫的季节分布特征在滴灌技术推广的棉田中表现明显。适宜的灌溉条件在影响棉铃虫发育速率和种群密度的同时，还能促进棉花的快速生长。通过第一代模拟棉铃虫为害的研究发现，温度的高低与其发育速度、为害时间的快慢有很大的关系[7]。

由于新疆南部地区棉铃虫多代发生和季节分布的特殊性，工作人员应结合本地区实际，制定农业生产中的防治方略。控制棉铃虫危害的关键是气象、生物、农技综合应用的防治策略。《和田棉区棉铃虫防治综合防治方略》也强调了防治的重要性[8]。

2.2 不同寄主植物间的转移危害

新疆南疆棉田棉铃虫的发生与其寄主植物的种类有很大的关系，棉铃虫在不同寄主植物之间的转移，对棉花生长的危害是显而易见的。不同寄主植物间发生棉铃虫转移危害的现象非常普遍。其中，棉铃虫在某一寄主植物上的营养或繁殖条件变得不利时，这种跨越寄主植物的转移行为进一步增加了棉花生产的不确定性。因此，农业工作人员应对棉铃虫的发生动态进行更精细化的监测。

在结合环境因素评估不同阶段棉铃虫发生风险的同时，工作人员应通过定期和分析，跟踪其在不同寄主植物间的转移情况。同时，针对南疆棉田滴灌实际，工作人员可利用化学控制和物理除草相结合的方法，减少其他寄主植物向棉花转移的可能性，从而削弱非棉类寄主植物对棉铃虫的吸引力[9]。此外，为了有效地防控棉铃虫，工作人员需要对其转移行为有预先的认识和了解，并基于该知识实施调整、防治措施。

3 结束语

近年来，图像识别技术在农业害虫防治中取得了一定的进展。以新疆南疆棉铃虫的检测、识别和防治为例，论述了图像识别技术在其中的应用，探讨了改进算法、实践应用、远程监测系统和防治策略，优化了棉铃虫的识别和防治。算法优化、多源数据融合、大数据云计算应用、智能化诊断系统集成、低成本监测技术研发和可解释性可信赖性研究是未来发展方向，有利于提高农作物生产效率。

参考文献

[1] 刘震，纪明妹，郭志顶，等.图像识别技术在病虫害防治方面的应用与展望[J].沧州师范学院学报，2022，38（1）：119-123.

[2] 陈潇潇.图像处理技术在虫害识别中的应用[J].农技服务， 2016，33（4）：123.

[3] 刘迦南.基于图像识别的烟草夜蛾科主要害虫分类研究[D].郑州：华北水利水电大学，2019.

[4] 梁晓彤，徐践. MATLAB图像处理技术在农业病虫害识别中的应用分析[J].南方农业，2017，11（21）：117-122，124.

[5] 麻剑钧，刘晓慈，金龙新，等.基于机器视觉的农作物病害识别研究进展[J].湖南农业科学，2023（9）：97-100.

[6] 宋彦涛.植保无人机在玉米病虫害防治中的应用研究[J].黑龙江粮食，2023（12）：81-83.

[7] 牛潘婷，张宝林，潘丽杰，等.基于深度学习的农作物病虫害研究进展[J].内蒙古师范大学学报（自然科学汉文版）， 2024，53（1）：93-102.

[8] 边柯橙，杨海军，路永华.深度学习在农业病虫害监测识别中的应用综述[J].软件导刊，2021，20（3）：26-33.

[9] 张耀丽，许宁，宋裕民，等.卷积神经网络在农业病虫害识别中的应用[J].农业装备与车辆工程，2023，61（2）：58-62.