基于序貫試驗(yàn)方法的蟲害測報(bào)成像裝置參數(shù)優(yōu)化

劉成康，張若宇,2*，張夢蕓，鄒昆霖

(1 石河子大學(xué)機(jī)械電氣工程學(xué)院，新疆 石河子 832003;2 農(nóng)業(yè)農(nóng)村部西北農(nóng)業(yè)裝備重點(diǎn)實(shí)驗(yàn)室，新疆 石河子 832003)

中國是一個(gè)農(nóng)業(yè)大國，害蟲種類繁多，常年發(fā)生1 700余種，可造成嚴(yán)重危害的超過百余種[1]。目前，我國在作物病蟲害監(jiān)測預(yù)報(bào)方面主要依靠植保人員的田間調(diào)查、田間取樣等方式，這些傳統(tǒng)方法雖真實(shí)可靠，但耗時(shí)、耗力，且存在代表性、時(shí)效性差和主觀性強(qiáng)等弊端[2]。

研究表明許多種類的昆蟲均具有趨光性，使用黑光燈、頻振燈及不同波段光源可以對其進(jìn)行誘捕[3-4]，使用基于圖像的昆蟲識別技術(shù)識別誘引昆蟲，不僅能夠提供更為實(shí)時(shí)、準(zhǔn)確的識別結(jié)果，而且可以減少測報(bào)人員繁雜的工作[5]?；跈C(jī)器視覺技術(shù)的害蟲圖像分類和識別得到了廣泛研究[6]，鄒修國[7]通過自行設(shè)計(jì)的H型移動拍攝裝置采集稻飛虱圖像，并使用BP神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)其分類識別；謝堂勝[8]采用與鄒修國相同的裝置獲取白背飛虱圖像，并通過支持向量機(jī)(SVM)對其進(jìn)行分類識別；YAO Q[9]開發(fā)了一種昆蟲成像系統(tǒng)，能夠快速獲取昆蟲的頂部與底部圖像，并通過支持向量機(jī)實(shí)現(xiàn)水稻害蟲的自動識別；楊紅珍[10]搭建了昆蟲遠(yuǎn)程自動識別系統(tǒng)，需要用戶按照標(biāo)準(zhǔn)方法拍攝昆蟲圖像，通過網(wǎng)絡(luò)上傳至自動識別服務(wù)器，實(shí)現(xiàn)昆蟲識別；LIU Z等[11]構(gòu)建了名為PestID的大型昆蟲圖像標(biāo)準(zhǔn)數(shù)據(jù)庫，并使用優(yōu)化的深度卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行昆蟲的分類識別；吳翔[12]設(shè)計(jì)了基于圖像的害蟲識別系統(tǒng)，通過網(wǎng)絡(luò)攝像頭實(shí)現(xiàn)害蟲圖像的遠(yuǎn)程采集和傳輸，并使用卷積神經(jīng)網(wǎng)絡(luò)(CNN)進(jìn)行害蟲識別；李亞碩等[13]提出了針對飛行類害蟲數(shù)量的自動檢測方法，并使用粘板上拍攝的昆蟲圖像進(jìn)行識別；YAO Q等[14]提出了一種新的用于白背飛虱檢測和鑒定的三層檢測方法，并通過手持式采像設(shè)備采集不同發(fā)育階段飛虱圖像驗(yàn)證該方法檢測識別的可行性和有效性；LIU T等[15]提出了一種基于遺傳算法的蚜蟲鑒定與種群檢測的方法，通過數(shù)碼相機(jī)采集蚜蟲圖像進(jìn)行測試，并與其他蚜蟲檢測方法對比研究；DING W等[16]提出了一種基于深度學(xué)習(xí)的害蟲自動檢測和識別方法，并將該方法應(yīng)用于數(shù)碼相機(jī)拍攝的蘋果小卷蛾數(shù)據(jù)集上；劉德營等[17]提出一種基于CNN的白背飛虱識別方法，并通過改進(jìn)的圖像采集裝置采集飛虱圖像進(jìn)行試驗(yàn)；EBRAHIMI M A等[18]通過安裝在機(jī)器人手上的數(shù)碼相機(jī)采集作物冠層上的薊馬圖像，并利用SVM對薊馬進(jìn)行監(jiān)測。

上述研究多是針對識別算法進(jìn)行研究，未對采集到的圖像本身進(jìn)行質(zhì)量評價(jià)，而圖像質(zhì)量是衡量圖像采集裝置優(yōu)劣的重要指標(biāo)[19]，并且對所獲取信息的充分性和準(zhǔn)確性起著決定性作用[20]。對圖像質(zhì)量進(jìn)行評價(jià)在圖像分析和識別中具有重要意義[21],因此，通過圖像質(zhì)量評價(jià)結(jié)果，優(yōu)化圖像采集裝置參數(shù)，在蟲害識別中具有重要的研究價(jià)值和現(xiàn)實(shí)意義。針對上述問題，本文先選定圖像質(zhì)量評價(jià)的指標(biāo)，再通過試驗(yàn)設(shè)計(jì)的方法研究相機(jī)曝光時(shí)間、光源光照強(qiáng)度和相機(jī)分辨率三個(gè)因素對圖像質(zhì)量的影響，最后實(shí)現(xiàn)圖像采集裝置的結(jié)構(gòu)參數(shù)尋優(yōu)，并進(jìn)行試驗(yàn)驗(yàn)證，以期為田間昆蟲圖像采集裝置的參數(shù)確定提供指導(dǎo)。

1 材料與方法

1.1 試驗(yàn)系統(tǒng)與材料

1.1.1 試驗(yàn)系統(tǒng)

試驗(yàn)中采用自主研制的能夠動態(tài)采集昆蟲圖像的裝置，其可與市場上現(xiàn)有的YUC-TL-YT太陽能殺蟲燈(上海育昌電子科技有限公司)相連，裝置包括防塵殼、連接腔體、光源與傳感器承載盒、相機(jī)固定架和主機(jī)承載盒(圖1a)。

圖像采集系統(tǒng)以昆蟲為采集對象，考慮到安裝的位置及大小限制，圖像采集裝置工控主機(jī)采用Raspberry Pi 3B+；考慮到誘蟲燈落蟲口大小及圖像采集效率，采用光幕長度100 mm、檢測點(diǎn)間距3.45 mm的射線輻射類PU-A100開關(guān)傳感器，傳感器信號通過Raspberry的GPIO端口接收，用于觸發(fā)相機(jī)采集圖像；考慮到采集圖像質(zhì)量，選用2.8～12變焦(1 080 P)、像素300萬COMS相機(jī)(HF867，綠視森林)；光源采用體積小、壽命長、能耗低、發(fā)光效率高的24V12 W LED燈條；選用ARTHYLY3590系列電位計(jì)(10 kΩ，2 W)，調(diào)節(jié)燈條的亮度。

為獲取能夠采集到下落昆蟲高質(zhì)量圖像的最佳裝置參數(shù)，試驗(yàn)中采用小型傳送裝置投放樣本，傳送裝置使用周長65 cm、寬5 cm的傳送帶，轉(zhuǎn)速調(diào)節(jié)范圍為0～10 m/min。投放裝置與連接腔體定位為投放裝置傳送帶上表面至傳感器上表面20 cm，投放裝置前支腿至連接腔體1 cm，投放裝置傳送帶側(cè)面至連接腔體相機(jī)一側(cè)5 cm，試驗(yàn)中投放裝置轉(zhuǎn)速設(shè)為6 m/min。試驗(yàn)系統(tǒng)實(shí)物裝置圖如圖1b所示。

圖1 試驗(yàn)裝置

1.1.2 試驗(yàn)材料

由于昆蟲個(gè)體之間形態(tài)及大小各異，對試驗(yàn)中采集圖像的后續(xù)質(zhì)量評估會造成影響，因此，本文試驗(yàn)中采用直徑4 cm的圓形小球作為模擬試驗(yàn)對象。誘蟲燈誘集的趨光性昆蟲多為灰暗色的鱗翅目昆蟲[22-23]和綠色的草蛉[24]，結(jié)合本文作者在2018年8月27日至2018年9月12日棉田誘蟲燈誘蟲情況的統(tǒng)計(jì)結(jié)果(表1)，因此，圓形小球采用灰色和綠色2種顏色。使用灰色與綠色小球各3個(gè)作為試驗(yàn)樣本，進(jìn)行試驗(yàn)尋求最優(yōu)參數(shù)，之后使用棉鈴蟲及草蛉進(jìn)行驗(yàn)證試驗(yàn)。

表1 誘蟲燈誘蟲情況統(tǒng)計(jì)表

1.2 試驗(yàn)設(shè)計(jì)

為獲得最優(yōu)的圖像采集裝置結(jié)構(gòu)參數(shù)，首先，確定評價(jià)圖像質(zhì)量的質(zhì)量分?jǐn)?shù)模型；其次，明確影響圖像質(zhì)量的因素及水平值，并完成試驗(yàn)方案設(shè)計(jì)。

1.2.1 圖像質(zhì)量評價(jià)方法

由于試驗(yàn)中有曝光時(shí)間和光照強(qiáng)度的變化，所以對圖像的質(zhì)量評價(jià)不僅要考慮采集圖像的清晰度，還必須考慮亮度的質(zhì)量，因此，對采集到的圖像首先進(jìn)行圖像分層處理，再通過亮度閾值效應(yīng)對亮度分量進(jìn)行量化評分，并結(jié)合無參考圖像質(zhì)量評價(jià)方法(本文中使用DIIVINE)得出的質(zhì)量分?jǐn)?shù)，通過優(yōu)序法將兩個(gè)評分值的加權(quán)優(yōu)序數(shù)作為最終評價(jià)指標(biāo)。

(1)圖像分層。Retinex是詮釋同一物體在不同光源下顏色恒定機(jī)理的模型，在Retinex模型中，圖像由亮度圖像和反射圖像兩部分組成，通過基于單尺度Retinex的非線性圖像增強(qiáng)算法將圖像分層得到兩個(gè)圖像分量[25]。

(2)亮度閾值效應(yīng)質(zhì)量模型。亮度閾值效應(yīng)是指人眼的分辨能力無法區(qū)分相鄰的灰度級差別，只有當(dāng)單個(gè)像素的灰度級與其局部背景平均亮度的偏差超過某一閾值時(shí)才能被人眼所感知，通常閾值≥4。通過亮度閾值效應(yīng)模型將人眼對圖像背景亮度的非線性感知進(jìn)行量化評分,評分值(GLTEQ)越大，圖像質(zhì)量越差[26]。

(3)無參考圖像質(zhì)量評價(jià)。本文使用基于失真識別的圖像真實(shí)度和不完整性評估(distortion identification-based image verityand integrity evaluation，DIIVINE)對圖像質(zhì)量進(jìn)行評價(jià)。DIIVINE基于圖像的自然統(tǒng)計(jì)特性進(jìn)行圖像質(zhì)量的評估，不受圖像失真類型的影響，并且其與人眼對圖像質(zhì)量的感知相關(guān)[27]。本文通過軟件版的DIIVINE得出圖像的質(zhì)量分?jǐn)?shù)，DIIVINE評價(jià)標(biāo)準(zhǔn)為分?jǐn)?shù)值越小、圖像質(zhì)量越好。

(4)圖像質(zhì)量評價(jià)模型。通過優(yōu)序法[28]得出上述2個(gè)評分值的優(yōu)序數(shù)，并使用熵值法得出加權(quán)優(yōu)序數(shù)，從而得到圖像質(zhì)量的綜合分?jǐn)?shù)，具體過程如下：首先，統(tǒng)一指標(biāo)的數(shù)量級并消除量綱，令

(1)

(2)

1.2.2 影響因素及極限值

為進(jìn)行試驗(yàn)尋優(yōu)，需要根據(jù)致昏后昆蟲下落的特點(diǎn)分析確定影響裝置采集圖像質(zhì)量的因素及其水平值。因裝置的圖像采集是在昆蟲下落過程中完成的，故為了采集高質(zhì)量的圖像需要相機(jī)保持較高的幀率，但增加曝光時(shí)間會減小幀率，所以曝光時(shí)間是影響幀率及圖像質(zhì)量的主要因素。此外，當(dāng)光照強(qiáng)度較弱，曝光時(shí)間較短時(shí)，圖像會過暗，影響圖像質(zhì)量[30]，因此，光照強(qiáng)度是另一主要影響因素。除上述2個(gè)因素之外，圖像分辨率是影響圖像質(zhì)量的又一重要因素[31]。綜上分析，要通過采集裝置獲得高質(zhì)量的圖像，最有效的方法是尋求相機(jī)曝光時(shí)間、裝置光源強(qiáng)度和采集圖像分辨率參數(shù)的最佳組合。

實(shí)測相機(jī)分辨率上限可達(dá)1 280×1 024 pixel，下限為320×240 pixel；試驗(yàn)中使用的LED燈條照度上限為5 000 lx，下限為300 lx；相機(jī)曝光時(shí)間最低為0.1 ms，最高為2.5 ms。

1.2.3 試驗(yàn)方案設(shè)計(jì)

完全析因試驗(yàn)設(shè)計(jì)要求全部因子的所有組合都至少進(jìn)行一次試驗(yàn)，由于包含了所有組合，所以完全析因試驗(yàn)的總數(shù)會較多，但其優(yōu)點(diǎn)是可以估計(jì)出所有的主效應(yīng)和所有的各階交互效應(yīng)。因本次試驗(yàn)中因素之間可能存在交互作用，并且因子數(shù)較少，故采用完全析因試驗(yàn)設(shè)計(jì)，試驗(yàn)中添加3個(gè)中心點(diǎn)，以判斷指標(biāo)與因素之間是否為線性關(guān)系，若為線性關(guān)系，且指標(biāo)值已夠大，則利用完全析因試驗(yàn)分析完成試驗(yàn)，若不為線性關(guān)系，采用序貫方法，增加6個(gè)軸點(diǎn)和3個(gè)中心點(diǎn)，通過添加試驗(yàn)找到可以優(yōu)化的最佳區(qū)域，再通過響應(yīng)曲面分析最佳優(yōu)化區(qū)域內(nèi)最優(yōu)組合的結(jié)構(gòu)參數(shù)。

裝置采集圖像質(zhì)量評價(jià)的完全析因試驗(yàn)因素水平值如表2所示?？紤]到可能進(jìn)行添加試驗(yàn)，在進(jìn)行完全析因設(shè)計(jì)時(shí)縮短各因素的高低水平距離，因素A為相機(jī)的曝光時(shí)間，選擇A1=0.6 ms和A2=2 ms二水平；因素B為LED燈條光源的光照強(qiáng)度，選擇B1=1 500 lx和B2=4 000 lx二水平;因素C為圖像分辨率，選擇C1=640×480 pixel和C2=1 280×720 pixel二水平。

表2 完全析因試驗(yàn)因素水平

圖像質(zhì)量評價(jià)的完全析因試驗(yàn)設(shè)計(jì)方案如表3所示,采用二水平完全析因試驗(yàn)，為判斷試驗(yàn)因素對指標(biāo)的影響是否存在非線性，添加3個(gè)中心點(diǎn)，并且對試驗(yàn)運(yùn)行序進(jìn)行隨機(jī)化處理，以控制誤差變異。

2 試驗(yàn)結(jié)果與分析

2.1 完全析因試驗(yàn)

以試驗(yàn)材料中6個(gè)小球?yàn)樵囼?yàn)對象，使用表2中9種結(jié)構(gòu)參數(shù)組合下的試驗(yàn)系統(tǒng)進(jìn)行圖像采集試驗(yàn)，每組試驗(yàn)采集6副圖像，然后用亮度閾值效應(yīng)模型(LTEQ)和DIIVINE模型(D)分別進(jìn)行評分，對每組試驗(yàn)的兩個(gè)指標(biāo)分別求出均值后，再通過優(yōu)序法得到綜合評分f1。試驗(yàn)結(jié)果如表3所示。

表3 試驗(yàn)方案及結(jié)果

2.2 因素及因素間交互作用顯著性分析

結(jié)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，則說明在5%的顯著性水平下，該變量對于因變量有顯著性影響；若Sig值>0.05，則說明在5%的顯著性水平下，該變量對因變量無顯著性影響。

從表4可知：A因素的Sig值<0.05，有顯著影響；交互作用A*B測試的Sig值為0.033，有顯著性影響；交互作用A*C與B*C均不顯著。因此，試驗(yàn)中各因素及交互作用對圖像質(zhì)量的影響程度從大到小排序?yàn)锳>A*B>B>A*C>B*C>C，即曝光時(shí)間對采集圖像質(zhì)量的影響最顯著，其次是曝光時(shí)間與光照強(qiáng)度的交互作用，其余因素及交互作用均無顯著影響。

2.3 最優(yōu)方案分析

(1)添加試驗(yàn)。

結(jié)果(表4)表明：彎曲項(xiàng)Sig值為0.001，小于5%，彎曲顯著，說明通過一階模型不能得到最優(yōu)參數(shù)組合，需要增加各因子的平方項(xiàng)，因此，必須進(jìn)行添加試驗(yàn)以實(shí)現(xiàn)尋優(yōu)。在添加試驗(yàn)中增加6個(gè)軸點(diǎn)和3個(gè)中心點(diǎn)并以區(qū)組區(qū)分，添加試驗(yàn)的試驗(yàn)方案及結(jié)果如表3中區(qū)組2所示。

(2)響應(yīng)曲面分析。

整合區(qū)組1和區(qū)組2試驗(yàn)結(jié)果，通過優(yōu)序法得出綜合評分f2(表3)，并進(jìn)行響應(yīng)曲面分析，結(jié)果(表5)顯示：回歸項(xiàng)Sig值<5%，說明模型總體效果是顯著有效的，此外，線性項(xiàng)、平方項(xiàng)的Sig值<5%，所以主效應(yīng)項(xiàng)與平方項(xiàng)中的每項(xiàng)中至少有一項(xiàng)是顯著的，而交互效應(yīng)項(xiàng)的Sig值>5%，故因子交互作用項(xiàng)不顯著。從失擬項(xiàng)可以看出，其Sig值為0.149，表明沒有明顯的失擬現(xiàn)象。再根據(jù)“Hierarchy Rule”排序原則對響應(yīng)曲面模型簡化，其R-Square值為91.14%，調(diào)整后的R-Square值為81.30%，調(diào)整前后的R-Square值相差9.84%，表明模型已經(jīng)比較滿意。

表5 響應(yīng)曲面方差分析結(jié)果

(3)最優(yōu)參數(shù)組合確定。通過殘差的狀況判斷模型是否合適。由頻率殘差直方圖(圖2a)和殘差的正態(tài)性檢驗(yàn)圖(圖2b)可見：殘差符合正態(tài)分布；在對響應(yīng)量擬合值的散點(diǎn)圖(圖2c)中，散點(diǎn)分布未呈“喇叭形”或“漏斗形”；在觀測值順序圖(圖2d)中各點(diǎn)在水平軸上下隨機(jī)無規(guī)則地波動著，沒有不正常的升降趨勢。綜上可知模型是符合要求的。

圖2 殘差圖

最終得出模型方程(未編碼)為y=-224.1+15.66A+0.0752B+53.4C-0.4413A2-0.000011B2-6.65C2-0.000599AB-0.311AC-0.00137BC。

通過模型得出的因素A與B等值線和響應(yīng)曲面圖(圖3)。圖3顯示：因素A對于響應(yīng)變量f的影響確實(shí)是顯著的；響應(yīng)f為越大越好，即望大特性。據(jù)此得出最優(yōu)的結(jié)構(gòu)參數(shù)組合如下：A取15，B取2 700 lx，C取1 024×768 pixel，此時(shí)，響應(yīng)值f為83.70。

圖3 因素A、B與響應(yīng)值的等值線圖(a)與曲面圖(b)

2.4 驗(yàn)證試驗(yàn)

為了確保按照上述最優(yōu)結(jié)構(gòu)參數(shù)組合能夠獲得預(yù)期最佳質(zhì)量的圖像，需要進(jìn)行驗(yàn)證試驗(yàn)。先求出上述最優(yōu)組合下均值的95%置信區(qū)間為(73.04，94.36);再在最優(yōu)組合下進(jìn)行5次驗(yàn)證試驗(yàn)，5次試驗(yàn)的響應(yīng)值f分別為91.76、91.75、92.14、92.19、92.07，其均值為91.98，都在置信區(qū)間內(nèi)，說明模型正確，試驗(yàn)結(jié)果可信；最后在最優(yōu)組合下以3只棉鈴蟲蛾和3只草蛉為試驗(yàn)對象，進(jìn)行5次試驗(yàn)，結(jié)果的部分圖像(圖4)顯示：采集到圖像的響應(yīng)值f分別為90.23、90.27、90.23、90.17、90.19，均為95%置信區(qū)間內(nèi)的較高值，表明試驗(yàn)結(jié)果可靠，可以將此結(jié)構(gòu)參數(shù)組合應(yīng)用到實(shí)際的昆蟲圖像采集系統(tǒng)中。

圖4 驗(yàn)證試驗(yàn)中棉鈴蟲與草蛉圖像

2.5 討論

(1)由完全析因試驗(yàn)結(jié)果的分析可知：曝光時(shí)間對圖像質(zhì)量的影響最為顯著，這是因?yàn)槠毓鈺r(shí)間長短影響相機(jī)幀率，而幀率的大小決定采集到的圖像的質(zhì)量，而且曝光時(shí)間是采集圖像亮度的關(guān)鍵；曝光時(shí)間與光照強(qiáng)度的交互作用對圖像質(zhì)量的影響顯著，這是因?yàn)槠毓鈺r(shí)間影響采集圖像的亮度；對圖像質(zhì)量沒有顯著影響的是圖像分辨率及其與曝光時(shí)間和光照強(qiáng)度的交互作用。

(2)在完全析因設(shè)計(jì)中發(fā)現(xiàn)中心點(diǎn)顯著，表明3個(gè)試驗(yàn)因素及其間交互作用對圖像質(zhì)量的影響為非線性關(guān)系。通過添加試驗(yàn)及分析得知，尋優(yōu)結(jié)構(gòu)參數(shù)組合的圖像質(zhì)量分?jǐn)?shù)為83.70，比其他結(jié)構(gòu)的都高；通過驗(yàn)證試驗(yàn)發(fā)現(xiàn)，使用序貫試驗(yàn)方法尋優(yōu)得到的結(jié)構(gòu)參數(shù)組合可靠、有效，能夠?qū)ハx圖像采集裝置的設(shè)計(jì)提供指導(dǎo)。

3 結(jié)論

本文采用序貫試驗(yàn)方法對自制的趨光性昆蟲圖像采集裝置的結(jié)構(gòu)參數(shù)進(jìn)行分析，針對不同的相機(jī)曝光時(shí)間、光源光照強(qiáng)度和圖像分辨率下采集到圖像的質(zhì)量進(jìn)行對比，并通過方差分析，得到以下結(jié)論：

(1)在圖像采集裝置的相機(jī)曝光時(shí)間、光源光照強(qiáng)度和圖像分辨率3個(gè)因素及其間交互作用中，曝光時(shí)間對圖像質(zhì)量的影響最顯著，曝光時(shí)間與光照強(qiáng)度的交互作用的影響顯著，相機(jī)分辨率及其與曝光時(shí)間和光照強(qiáng)度的交互作用的影響不顯著，試驗(yàn)三因素對圖像質(zhì)量的影響是非線性的。

(2)該裝置獲取高質(zhì)量昆蟲圖像的最優(yōu)參數(shù)組合如下：曝光時(shí)間取1.5 ms，光源光照強(qiáng)度為2 700 lx，圖像分辨率為1 024×768 pixel。