张亚军

(驻马店职业技术学院，河南驻马店，463000)

0 引言

农业害虫识别是农作物害虫防治工作的重要环节，因此及时、准确地识别可提高农作物产量和质量[1]。随着计算机视觉技术发展，农业害虫图像识别算法得到了广泛的研究。Li等[2]通过神经网络算法(Neural Network，NN)对12种最常见的农业害虫进行了识别研究，经过试验证明，识别结果较好。孙鹏等[3]提出注意力卷积神经网络算法(Attention Convolution Neural Network，ACNN)对大豆害虫图像识别，在卷积神经网络引入注意力机制提高了对大豆蚜虫的识别率，但它依赖于大量的数据样本。Leal-Ramírez等[4]利用模糊逻辑算法(Fuzzy Logic，FL)对水稻作物常见害虫图像识别做了试验，结果表明该方法效果良好。刘翠翠等[5]通过支持向量机算法(Support Vector Machine，SVM)提取麦冬叶部的害虫图像颜色、形状等特征，对特征进行训练学习，得到了害虫分类模型。马鹏鹏等[6]通过图像特征和样本量对水稻害虫识别，目标害虫之间、目标害虫和非目标昆虫之间比例在最佳范围内，SVM分类器才能获得较好的识别结果。吕军等[7]利用后验概率SVM算法(Posterior Probability SVM，PPSVM)对水稻害虫识别，统计并分析测试集所有样本的后验概率，该方法能够提高识别率。张红涛等[8]提出布谷鸟算法优化SVM的惩罚因子和径向核函数，利用SVM对谷子叶片害虫进行自动识别，最终叶片害虫的平均识别率较高。

以上各种算法对差异性较大的农业害虫图像识别较好，但是由于农业害虫外观具有特殊性：体积较小、自身颜色与环境颜色差异性不大、不同害虫的纹理存在相同性，这些特性导致识别率较低，由此本文通过改进支持向量机算法(Improved support vector machine，ISVM)，对农业害虫的外观多特征融合识别，避免单一性特征识别的缺陷。……