基于序贯试验方法的虫害测报成像装置参数优化

2020-08-19刘成康张若宇张梦芸邹昆霖

石河子大学学报（自然科学版） 2020年4期

刘成康，张若宇,2*，张梦芸，邹昆霖

(1 石河子大学机械电气工程学院，新疆石河子 832003;2 农业农村部西北农业装备重点实验室，新疆石河子 832003)

中国是一个农业大国，害虫种类繁多，常年发生1 700余种，可造成严重危害的超过百余种[1]。目前，我国在作物病虫害监测预报方面主要依靠植保人员的田间调查、田间取样等方式，这些传统方法虽真实可靠，但耗时、耗力，且存在代表性、时效性差和主观性强等弊端[2]。

研究表明许多种类的昆虫均具有趋光性，使用黑光灯、频振灯及不同波段光源可以对其进行诱捕[3-4]，使用基于图像的昆虫识别技术识别诱引昆虫，不仅能够提供更为实时、准确的识别结果，而且可以减少测报人员繁杂的工作[5]。基于机器视觉技术的害虫图像分类和识别得到了广泛研究[6]，邹修国[7]通过自行设计的H型移动拍摄装置采集稻飞虱图像，并使用BP神经网络实现其分类识别；谢堂胜[8]采用与邹修国相同的装置获取白背飞虱图像，并通过支持向量机(SVM)对其进行分类识别；YAO Q[9]开发了一种昆虫成像系统，能够快速获取昆虫的顶部与底部图像，并通过支持向量机实现水稻害虫的自动识别；杨红珍[10]搭建了昆虫远程自动识别系统，需要用户按照标准方法拍摄昆虫图像，通过网络上传至自动识别服务器，实现昆虫识别；LIU Z等[11]构建了名为PestID的大型昆虫图像标准数据库，并使用优化的深度卷积神经网络进行昆虫的分类识别；吴翔[12]设计了基于图像的害虫识别系统，通过网络摄像头实现害虫图像的远程采集和传输，并使用卷积神经网络(CNN)进行害虫识别；李亚硕等[13]提出了针对飞行类害虫数量的自动检测方法，并使用粘板上拍摄的昆虫图像进行识别；YAO Q等[14]提出了一种新的用于白背飞虱检测和鉴定的三层检测方法，并通过手持式采像设备采集不同发育阶段飞虱图像验证该方法检测识别的可行性和有效性；LIU T等[15]提出了一种基于遗传算法的蚜虫鉴定与种群检测的方法，通过数码相机采集蚜虫图像进行测试，并与其他蚜虫检测方法对比研究；DING W等[16]提出了一种基于深度学习的害虫自动检测和识别方法，并将该方法应用于数码相机拍摄的苹果小卷蛾数据集上；刘德营等[17]提出一种基于CNN的白背飞虱识别方法，并通过改进的图像采集装置采集飞虱图像进行试验；EBRAHIMI M A等[18]通过安装在机器人手上的数码相机采集作物冠层上的蓟马图像，并利用SVM对蓟马进行监测。

上述研究多是针对识别算法进行研究，未对采集到的图像本身进行质量评价，而图像质量是衡量图像采集装置优劣的重要指标[19]，并且对所获取信息的充分性和准确性起着决定性作用[20]。对图像质量进行评价在图像分析和识别中具有重要意义[21],因此，通过图像质量评价结果，优化图像采集装置参数，在虫害识别中具有重要的研究价值和现实意义。针对上述问题，本文先选定图像质量评价的指标，再通过试验设计的方法研究相机曝光时间、光源光照强度和相机分辨率三个因素对图像质量的影响，最后实现图像采集装置的结构参数寻优，并进行试验验证，以期为田间昆虫图像采集装置的参数确定提供指导。

1 材料与方法

1.1 试验系统与材料

1.1.1 试验系统

试验中采用自主研制的能够动态采集昆虫图像的装置，其可与市场上现有的YUC-TL-YT太阳能杀虫灯(上海育昌电子科技有限公司)相连，装置包括防尘壳、连接腔体、光源与传感器承载盒、相机固定架和主机承载盒(图1a)。

图像采集系统以昆虫为采集对象，考虑到安装的位置及大小限制，图像采集装置工控主机采用Raspberry Pi 3B+；考虑到诱虫灯落虫口大小及图像采集效率，采用光幕长度100 mm、检测点间距3.45 mm的射线辐射类PU-A100开关传感器，传感器信号通过Raspberry的GPIO端口接收，用于触发相机采集图像；考虑到采集图像质量，选用2.8～12变焦(1 080 P)、像素300万COMS相机(HF867，绿视森林)；光源采用体积小、寿命长、能耗低、发光效率高的24V12 W LED灯条；选用ARTHYLY3590系列电位计(10 kΩ，2 W)，调节灯条的亮度。

为获取能够采集到下落昆虫高质量图像的最佳装置参数，试验中采用小型传送装置投放样本，传送装置使用周长65 cm、宽5 cm的传送带，转速调节范围为0～10 m/min。投放装置与连接腔体定位为投放装置传送带上表面至传感器上表面20 cm，投放装置前支腿至连接腔体1 cm，投放装置传送带侧面至连接腔体相机一侧5 cm，试验中投放装置转速设为6 m/min。试验系统实物装置图如图1b所示。

图1 试验装置

1.1.2 试验材料

由于昆虫个体之间形态及大小各异，对试验中采集图像的后续质量评估会造成影响，因此，本文试验中采用直径4 cm的圆形小球作为模拟试验对象。诱虫灯诱集的趋光性昆虫多为灰暗色的鳞翅目昆虫[22-23]和绿色的草蛉[24]，结合本文作者在2018年8月27日至2018年9月12日棉田诱虫灯诱虫情况的统计结果(表1)，因此，圆形小球采用灰色和绿色2种颜色。使用灰色与绿色小球各3个作为试验样本，进行试验寻求最优参数，之后使用棉铃虫及草蛉进行验证试验。

表1 诱虫灯诱虫情况统计表

1.2 试验设计

为获得最优的图像采集装置结构参数，首先，确定评价图像质量的质量分数模型；其次，明确影响图像质量的因素及水平值，并完成试验方案设计。

1.2.1 图像质量评价方法

由于试验中有曝光时间和光照强度的变化，所以对图像的质量评价不仅要考虑采集图像的清晰度，还必须考虑亮度的质量，因此，对采集到的图像首先进行图像分层处理，再通过亮度阈值效应对亮度分量进行量化评分，并结合无参考图像质量评价方法(本文中使用DIIVINE)得出的质量分数，通过优序法将两个评分值的加权优序数作为最终评价指标。

(1)图像分层。Retinex是诠释同一物体在不同光源下颜色恒定机理的模型，在Retinex模型中，图像由亮度图像和反射图像两部分组成，通过基于单尺度Retinex的非线性图像增强算法将图像分层得到两个图像分量[25]。

(2)亮度阈值效应质量模型。亮度阈值效应是指人眼的分辨能力无法区分相邻的灰度级差别，只有当单个像素的灰度级与其局部背景平均亮度的偏差超过某一阈值时才能被人眼所感知，通常阈值≥4。通过亮度阈值效应模型将人眼对图像背景亮度的非线性感知进行量化评分,评分值(GLTEQ)越大，图像质量越差[26]。

(3)无参考图像质量评价。本文使用基于失真识别的图像真实度和不完整性评估(distortion identification-based image verityand integrity evaluation，DIIVINE)对图像质量进行评价。DIIVINE基于图像的自然统计特性进行图像质量的评估，不受图像失真类型的影响，并且其与人眼对图像质量的感知相关[27]。本文通过软件版的DIIVINE得出图像的质量分数，DIIVINE评价标准为分数值越小、图像质量越好。

(4)图像质量评价模型。通过优序法[28]得出上述2个评分值的优序数，并使用熵值法得出加权优序数，从而得到图像质量的综合分数，具体过程如下：首先，统一指标的数量级并消除量纲，令

(1)

(2)

1.2.2 影响因素及极限值

为进行试验寻优，需要根据致昏后昆虫下落的特点分析确定影响装置采集图像质量的因素及其水平值。因装置的图像采集是在昆虫下落过程中完成的，故为了采集高质量的图像需要相机保持较高的帧率，但增加曝光时间会减小帧率，所以曝光时间是影响帧率及图像质量的主要因素。此外，当光照强度较弱，曝光时间较短时，图像会过暗，影响图像质量[30]，因此，光照强度是另一主要影响因素。除上述2个因素之外，图像分辨率是影响图像质量的又一重要因素[31]。综上分析，要通过采集装置获得高质量的图像，最有效的方法是寻求相机曝光时间、装置光源强度和采集图像分辨率参数的最佳组合。

实测相机分辨率上限可达1 280×1 024 pixel，下限为320×240 pixel；试验中使用的LED灯条照度上限为5 000 lx，下限为300 lx；相机曝光时间最低为0.1 ms，最高为2.5 ms。

1.2.3 试验方案设计

完全析因试验设计要求全部因子的所有组合都至少进行一次试验，由于包含了所有组合，所以完全析因试验的总数会较多，但其优点是可以估计出所有的主效应和所有的各阶交互效应。因本次试验中因素之间可能存在交互作用，并且因子数较少，故采用完全析因试验设计，试验中添加3个中心点，以判断指标与因素之间是否为线性关系，若为线性关系，且指标值已够大，则利用完全析因试验分析完成试验，若不为线性关系，采用序贯方法，增加6个轴点和3个中心点，通过添加试验找到可以优化的最佳区域，再通过响应曲面分析最佳优化区域内最优组合的结构参数。

装置采集图像质量评价的完全析因试验因素水平值如表2所示。考虑到可能进行添加试验，在进行完全析因设计时缩短各因素的高低水平距离，因素A为相机的曝光时间，选择A1=0.6 ms和A2=2 ms二水平；因素B为LED灯条光源的光照强度，选择B1=1 500 lx和B2=4 000 lx二水平;因素C为图像分辨率，选择C1=640×480 pixel和C2=1 280×720 pixel二水平。

表2 完全析因试验因素水平

图像质量评价的完全析因试验设计方案如表3所示,采用二水平完全析因试验，为判断试验因素对指标的影响是否存在非线性，添加3个中心点，并且对试验运行序进行随机化处理，以控制误差变异。

2 试验结果与分析

2.1 完全析因试验

以试验材料中6个小球为试验对象，使用表2中9种结构参数组合下的试验系统进行图像采集试验，每组试验采集6副图像，然后用亮度阈值效应模型(LTEQ)和DIIVINE模型(D)分别进行评分，对每组试验的两个指标分别求出均值后，再通过优序法得到综合评分f1。试验结果如表3所示。

表3 试验方案及结果

2.2 因素及因素间交互作用显著性分析

结果如表4所示。

其中三因素(A、B、C)和二因素交互作用(A*B、A*C、B*C),若Sig值<0.05，则说明在5%的显著性水平下，该变量对于因变量有显著性影响；若Sig值>0.05，则说明在5%的显著性水平下，该变量对因变量无显著性影响。

从表4可知：A因素的Sig值<0.05，有显著影响；交互作用A*B测试的Sig值为0.033，有显著性影响；交互作用A*C与B*C均不显著。因此，试验中各因素及交互作用对图像质量的影响程度从大到小排序为A>A*B>B>A*C>B*C>C，即曝光时间对采集图像质量的影响最显著，其次是曝光时间与光照强度的交互作用，其余因素及交互作用均无显著影响。

2.3 最优方案分析

(1)添加试验。

结果(表4)表明：弯曲项Sig值为0.001，小于5%，弯曲显著，说明通过一阶模型不能得到最优参数组合，需要增加各因子的平方项，因此，必须进行添加试验以实现寻优。在添加试验中增加6个轴点和3个中心点并以区组区分，添加试验的试验方案及结果如表3中区组2所示。

(2)响应曲面分析。

整合区组1和区组2试验结果，通过优序法得出综合评分f2(表3)，并进行响应曲面分析，结果(表5)显示：回归项Sig值<5%，说明模型总体效果是显著有效的，此外，线性项、平方项的Sig值<5%，所以主效应项与平方项中的每项中至少有一项是显著的，而交互效应项的Sig值>5%，故因子交互作用项不显著。从失拟项可以看出，其Sig值为0.149，表明没有明显的失拟现象。再根据“Hierarchy Rule”排序原则对响应曲面模型简化，其R-Square值为91.14%，调整后的R-Square值为81.30%，调整前后的R-Square值相差9.84%，表明模型已经比较满意。

表5 响应曲面方差分析结果

(3)最优参数组合确定。通过残差的状况判断模型是否合适。由频率残差直方图(图2a)和残差的正态性检验图(图2b)可见：残差符合正态分布；在对响应量拟合值的散点图(图2c)中，散点分布未呈“喇叭形”或“漏斗形”；在观测值顺序图(图2d)中各点在水平轴上下随机无规则地波动着，没有不正常的升降趋势。综上可知模型是符合要求的。

图2 残差图

最终得出模型方程(未编码)为y=-224.1+15.66A+0.0752B+53.4C-0.4413A2-0.000011B2-6.65C2-0.000599AB-0.311AC-0.00137BC。

通过模型得出的因素A与B等值线和响应曲面图(图3)。图3显示：因素A对于响应变量f的影响确实是显著的；响应f为越大越好，即望大特性。据此得出最优的结构参数组合如下：A取15，B取2 700 lx，C取1 024×768 pixel，此时，响应值f为83.70。

图3 因素A、B与响应值的等值线图(a)与曲面图(b)

2.4 验证试验

为了确保按照上述最优结构参数组合能够获得预期最佳质量的图像，需要进行验证试验。先求出上述最优组合下均值的95%置信区间为(73.04，94.36);再在最优组合下进行5次验证试验，5次试验的响应值f分别为91.76、91.75、92.14、92.19、92.07，其均值为91.98，都在置信区间内，说明模型正确，试验结果可信；最后在最优组合下以3只棉铃虫蛾和3只草蛉为试验对象，进行5次试验，结果的部分图像(图4)显示：采集到图像的响应值f分别为90.23、90.27、90.23、90.17、90.19，均为95%置信区间内的较高值，表明试验结果可靠，可以将此结构参数组合应用到实际的昆虫图像采集系统中。

图4 验证试验中棉铃虫与草蛉图像

2.5 讨论

(1)由完全析因试验结果的分析可知：曝光时间对图像质量的影响最为显著，这是因为曝光时间长短影响相机帧率，而帧率的大小决定采集到的图像的质量，而且曝光时间是采集图像亮度的关键；曝光时间与光照强度的交互作用对图像质量的影响显著，这是因为曝光时间影响采集图像的亮度；对图像质量没有显著影响的是图像分辨率及其与曝光时间和光照强度的交互作用。

(2)在完全析因设计中发现中心点显著，表明3个试验因素及其间交互作用对图像质量的影响为非线性关系。通过添加试验及分析得知，寻优结构参数组合的图像质量分数为83.70，比其他结构的都高；通过验证试验发现，使用序贯试验方法寻优得到的结构参数组合可靠、有效，能够对昆虫图像采集装置的设计提供指导。