前言：尋找寫作靈感？中文期刊網用心挑選的移動互聯網系統設計分析，希望能為您的閱讀和創作帶來靈感，歡迎大家閱讀并分享。
【摘要】
針對田間葉螨蟲害信息的采集和分析主要仍然靠人工用目測手查的方法，提出了一種基于移動互聯網的蟲害圖像分析系統設計。仿真試驗表明，該系統能夠實現對作物葉片上葉螨圖像的分割和自動計數。該系統為田間葉螨蟲害信息采集與監測提供了一種新技術和新方法。
【關鍵詞】
葉螨圖像；邊緣檢測；圖像分割
1引言
葉螨是田間農作物常見且危害性較大的害蟲，對多種重要水果、蔬菜等經濟農作物如柑橘、荔枝、龍眼、桃、檸檬、桑樹、茄科、豆科、瓜類等為害甚廣[1~2]。目前對田間葉螨蟲害信息的采集監測主要仍然靠基層測報人員在實地用目測手查的方法觀察有無病蟲害發生及其為害程度[3]。盡管該方法簡單易行，但需要操作人員具備一定的專業基礎知識，而且采用人工目測的統計數據往往因為操作人員的個體差異而出現較大誤差。近年來，隨著圖像采集裝備和計算機圖像分析技術的不斷發展，圖像識別分析具有準確度高、勞動量小和可視化等優點，成為了目前昆蟲識別分析研究中的熱點[4]。如邱道尹等用BP神經網絡對棗樹紅蜘蛛圖像進行了識別分析[5]，吳滄海等使用Matlab多種邊緣檢測算法對柑橘始葉螨圖像進行了對比分析試驗[6]，王建等提出了從紅蜘蛛為害葉片的高光譜圖像中識別受害區域的方法[7]。這些研究表明了計算機圖像處理與分析技術在葉螨防治領域方面具有重要的應用價值和研究意義。本文采用了移動互聯網技術和計算機圖像處理技術對葉螨蟲害圖像的采集和分析方法進行了研究，提出了一種基于移動互聯網的蟲害圖像分析系統設計和實現方法。該系統通過移動終端設備（智能手機或平板電腦）客戶端獲取葉螨蟲害圖像并進行初步分析，進而將圖像及處理分析傳輸到服務主機存儲和做進一步分析。該系統為葉螨蟲害的分析和識別提供了一種新的技術和方法。
2蟲害圖像分析系統設計
蟲害圖像分析系統的設計分為客戶端和服務主機2部分?？紤]到蟲害圖像數據采集具有便攜、快速、內置電源的要求，客戶端采用智能手機或平板電腦，要求具有500萬像素以上攝像頭（1000萬像素以上較佳），中央處理器采用四核以上CPU，支持觸摸屏操作、3D加速GPU，擁有藍牙、WIFI。支持外置TF卡和U盤，選用Win8或Android作為操作系統。服務主機可以采用服務器或筆記本電腦，如果采用服務器作為服務主機，則客戶端可以通過無線路由器接入互聯網方式登錄服務主機，或者采用移動網絡直接登錄服務主機實現數據傳輸和發送請求。如果采用筆記本電腦作為服務主機，則可以將筆記本電腦放置在無線路由器能夠覆蓋的范圍內即可。
3蟲害圖像分析系統實現
3.1蟲害圖像分析系統實現
客戶端軟件主要包含圖像采集模塊、圖像存儲模塊、圖像分析模塊、圖像顯示模塊、數據傳輸模塊、以及中央處理模塊等6部分。其中圖像采集模塊調用智能手機或平板電腦攝像頭實現對蟲害圖像的獲取，采集結果經中央處理模塊處理后保存到圖像存儲模塊中，同時可以通過圖像顯示模塊將采集圖像顯示出來。圖像分析模塊通過中央處理模塊調出圖像存儲模塊中的蟲害圖像進行分析，分析結果經由中央處理模塊通過數據傳輸模塊傳送到服務主機。服務主機軟件對客戶端發送的請求進行響應，接收并將客戶端傳送的數據保存到MySQL數據庫，并根據客戶端的請求對保存在數據庫中的圖像數據進行匯總和分析，并將結果返回客戶端。
3.2蟲害圖像分析算法實現
對蟲害圖像的分割與分析是系統實現的關鍵部分。由于蟲害圖像分割與分析要求快速、準確。考慮到采集到的圖像為彩色RGB圖像，而圖像中的葉螨呈現紅色，葉片背景則為綠色，二者間具有較為明顯的色差。因此利用RGB彩色圖像中的Green分量可以有效地去除大部分綠色的葉片背景，從而降低后續圖像處理過程中的計算量和分割難度。有鑒于此，采用RGB色彩空間分析與閾值分割相結合的方法，在通過對初始圖像中R、G、B分量圖像分析的基礎上，獲得初始圖像中綠色分量的灰度圖像，然后采用全局閾值算法實現對該灰度圖像中葉螨圖像進行二值化分割，最后對得到的二值化葉螨圖像進行蟲量計數。首先，通過圖像采集模塊獲取作物葉片葉螨的彩色RGB圖像，由于RGB圖像中每個像素的顏色由R、G、B三個分量決定，先對RGB圖像中的G分量進行分析，并將提取出來的綠色分量圖像轉變成灰度圖像。采用全局閾值，將灰度圖像中的剩余的葉片背景去除，得到二值化的葉螨圖像，再使用形態學的開運算將二值化圖像中微小的雜質或邊緣去除，得到一個完整的葉螨二值化分割圖像，最后計算二值化圖像中的閉合區域數量，從而得到圖像中的葉螨蟲量信息。
4仿真試驗與結果分析
4.1分割算法仿真試驗及結果分析
為了驗證本文分割方法的效果，用本文方法對采集的圖像樣本進行分割試驗。該分割圖像結果即可進行后續的蟲量自動計算。仿真試驗表明，本文方法能夠實現將蟲害圖像與葉片背景的分離，分割結果能夠滿足后續的蟲量計算。
4.2蟲量分析試驗及結果分析
為了驗證本文蟲量分析方法性能和分割效果，將本文方法對多組采集圖像樣本進行蟲量計數分析試驗。從試驗結果來看，本文方法能夠對樣本葉片圖像中的葉螨蟲量進行分析與計算，準確率達到。該方法具有算法簡單、速度快的優點和效果。
5結論
本文基于移動互聯網技術和計算機圖像分析技術，根據田間對蟲害信息的采集監測需求，提出了一種基于移動互聯網的蟲害圖像分析系統的設計思路和方法，來解決對田間蟲害信息采集與計數分析問題。本文圖像分析方法在對植株葉片葉螨RGB彩色圖像進行分析的基礎上，實現了葉螨圖像和葉片背景的分離，通過對分離圖像進行種子填充和形態學開運算處理，有效地過濾了葉片中的微小雜質和冗余葉脈邊緣，實現了葉螨圖像的分割。試驗結果分析表明，基于本文的方法，能夠分割葉片上的葉螨圖像和進行蟲量自動計算。該系統設計與圖像分析方法可以應用到田間對葉螨蟲量的計數調查，成為蟲害發生狀態信息采集監測的一個新技術和新方法。同時試驗結果和分析也表明，由于受到光照、環境等因素的干擾和影響，田間采集圖像的背景較為復雜時，本文圖像分析計數方法的誤判率較高。因此在后續研究中，有必要對圖像分析方法再進一步深入研究，找出更為有效地方法來解決這個問題。
作者：劉國成 單位：廣州鐵路職業技術學院
基金項目：
廣東省自然科學基金培育項目（GTXYP1310）。
參考文獻
[1]李仰潔，王梓英，張國豪，等.溫度對柑橘始葉螨實驗種群牛長發育繁殖的影響[J].生態學報，2014，34（4）：862~868.
[2]高俊燕，郭俊，王自然，等.云南德宏檸檬園害蟲種類及主要害蟲發生規律研究[J].江西農業學報，2012，24（6）：70~73.
[3]陳鵬程，張建華，李眉眉，等.土耳其斯坦葉螨為害棉葉的生理變化及光譜特征分析[J].昆蟲知識，2007，44（1）：61~64.
[4]熊煥亮，吳滄海.基于BP神經網絡的柑橘始葉螨圖像識別[J].湖北農業科學，2013，52（23）：5863~5865.
[5]邱道尹，李俊霞，楊利濤.基于神經網絡的棗樹紅蜘蛛識別研究[J].電子科技，2014，27（3）：48~51.
[6]吳滄海，熊煥亮，裘武.基于Matlab的柑橘始葉螨邊緣檢測的研究[J].微計算機信息，2010，26（9）：l98~199.
[7]王建，李震，洪添勝，等.從紅蜘蛛為害葉片的高光譜圖像中識別受害區域[J].農機化研究，2015（7）：18~22.
