图像识别处理技术在农业工程中的应用
周清松+唐秀忠
摘 要： 研究一种基于图像识别处理的粮虫检测方法，将图像识别处理技术应用于农业工程。首先使用灰度化、二值化、平滑以及锐化技术对粮虫图像进行预处理，使得图像更容易进行边缘检测和图像特征提取。之后使用四种边缘检测方法实现图像中待识别粮虫的边缘检测。使用粮虫图像的8种区域描述子特征作为粮虫识别模型的输入特征。最后选取常见的玉米象、拟谷盗和锯谷盗三种粮虫为研究对象，使用基于RBF神经网络的识别模型对三种粮虫图像的几何形态特征进行识别。
关键词： 粮虫检测； 特征提取； RBF神经网络； 图像识别
中图分类号： TN911.73?34； S24 文献标识码： A 文章编号： 1004?373X（2017）04?0107?04
Application of image recognition processing technology in agricultural engineering
ZHOU Qingsong， TANG Xiuzhong
（School of Technology， Puer University， Puer 665000， China）
Abstract： A grain insect detection method based on image recognition processing is studied. The image recognition processing technology is applied to the agricultural engineering. The gray processing， binaryzation， smoothing and sharpening techniques are used to preprocess the grain insect image to make it easier to conduct the edge detection and image feature extraction. The commonly?used four edge detection methods are adopted to detect the edge of the grain insect image under recognition. Eight regional descriptor features of the grain insect image are taken as the input characteristics of the grain insect recognition model. Three familiar grain insects of maize weevil， tribolium and coleoptera are selected as the research objects， and the identification model based on RBF neural network is used to recognize the geometric feature of three grain insect images.
Keywords： grain insect detection； feature extraction； RBF neural network； image recognition
0 引 言
目前储粮害虫问题是世界上很多国家所面临的困难，在很多国家每年都会因为粮食害虫而损失很多粮食。在遭受到粮食害虫的侵害以后粮食的籽粒会被破坏，容易变质、結块、发热以及发霉，另外在老化死去害虫尸体、粪便以及有毒液体的影响下粮食会受到较为严重的污染[1]。
总的来说，目前主要有四种方法来检测粮食害虫：首先是取样法，将所制作的扦样器按照区域定点的方法安装在储粮库内。采用电机或者人工的方法吸取粮食样本，然后交由技术人员分类、鉴别以及筛选，这样就可以对库区粮食害虫密度进行确定。这种方法需要较大的劳动量，降低了工作效率，另外人为主观因素容易对最后的结果产生影响，因此产生了较大的误差。其次是诱捕法，通过对粮食害虫生理特性以及习性的利用来采取合适的诱捕方式，主要包括粮食害虫生理特性诱集法以及陷阱式诱集法两种。但是在应用诱捕法的过程中需要制作诱导剂以及提取粮食害虫的信息素，由于具有较强的针对性，而且具有种类繁多的粮食害虫，因此所消耗的成本比较大，所以以上两种方法也存在着一定的缺陷。再次是声测法，通过对声音监测装置的应用，分析害虫爬行以及吃食时的声音，进而就可以获取粮食害虫密度信息。在应用这种方法的过程中会在周围产生较大的噪音，同时需要花费较大的资金来制造声音监测装置，所以目前这种方法并没有得到广泛的应用。最后一种方法是近红外反射光谱识别法，粮食害虫的C，H，N成分存在着很大的差距，因此就会产生不同的近红外线光谱，这种不同种类的粮食害虫就可以通过NIR 的扫描来进行识别。但是这种方法仍然存在着一定的缺陷，例如粮食的不完整颗粒以及颗粒大小等物理因素会对扫描结果产生一定的影响，使得无法获得准确和清晰的NIR 扫描图像[2?3]。
除了使用声音检测方法外，其他方法不利于实现自动化粮虫检测，人工检测方法效率低、成本高，因此本文研究一种基于图像识别处理的粮虫检测方法，将图像识别处理技术应用于农业工程。
1 粮虫图像预处理
1.1 图像灰度化处理
在分析粮虫图像的过程中首先需要进行图像颜色之间的转换，通常是将彩色转换为灰色，这样既能够加快图像的处理速度，另外还能够方便地将处理后的信息向原来的图像上进行转移。
通常利用最大值法、加权平均法以及平均值法来进行彩色图像和灰色图像之间的转换。本文在进行彩色图像灰度化处理的过程中主要采用了最大值法，这种方法比较简单，采用三原色R，G，B来对图像的灰度值进行描述[4]。
1.2 二值化
采用二值化手段来处理粮虫图像，这样能够重点显示对象区域，对于后续的分析和辨别非常有利。由于在灰度上目标图像与背景图像存在着较大的差距，因此可以根据灰度值的不同来对目标图像进行区分。分别用0和1来表示目标图像和背景图像，这样就能够实现灰色图像和二值图像之间的转换，具有较高的识别度。本文只对单个的背景和图像进行了分析。因此在数据对比的过程中使用了一个阈值Th，达到分类像素群的目的。将图像中的背景灰度值以及目标灰度值分别设置[5]为1和0。
1.3 图像平滑
本文使用邻域平均法对粮虫图像进行平滑处理。所应用的均值滤波的邻域平均法实际上就是进行空域平滑处理，首先在相同的窗口上放置图像，平均所有的像素灰度值，通过对中心部位像素灰度值的替代就能够达到平滑的目的。均值滤波和低通滤波器具有相同的作用，输出的图像可以用离散卷积来进行表示[6]。
1.4 图像锐化
通过对图像的锐化处理能够达到修复外部形状以及进行图像边缘聚焦的目的。通过图像灰度颜色的加深以及外援色彩数值的对比能够对图像的清晰度进行提升。目前Sobel算子、Laplace算子以及Robert算子是图像锐化过程中经常采用的算子，本文在图像锐化的过程中采用了Robert算子。
2 边缘检测
在经过上述的预处理后，能够显著地提升图像的质量，但是还需要采用图像边缘检测技术来对图像中的背景和目标进行区分[7]。
（1） Roberts 边缘检测算子。Roberts 边缘检测算子是使用局部差分算法实现。其中原始图像用f（x，y）表示，边缘检测后输出的图像用g（x，y）表示：
（1）
利用互相垂直方向上的差分Roberts 边缘检测算子就可以对梯度进行计算，另外边缘之间的检测可以利用对角线方向相邻像素之差来实现。
通过对模板的利用能够对Roberts 的梯度幅度G进行计算，进而得到合适的阈值T，当G>T时，该点就是阶跃边缘点，进而获取边缘图像。
（2） Sobel 边缘检测算子。Sobel边缘检测算子考察各个像素的邻域加权差，加权差值最大的点就是边缘点：
（2）
算子模板为：
（3）
（3） Prewitt 边缘检测算子。算子和算子具有相似的特点：
（4）
算子模板为：
（5）
（4） Laplacian 边缘检测算子。边缘检测算子，通过在边缘处产生陡峭的零交叉来实现边缘检测的目的[8]：
（6）
本文选取常见的玉米象、拟谷盗和锯谷盗三种粮虫为研究对象，使用上述四种边缘检测方法对粮虫图像边缘进行检测，其中检测效果最好的是使用边缘检测算子，检测效果最差的是使用边缘检测算子。两种算子检测结果如图1所示。
图1 两种算子对玉米象、拟谷盗和锯谷盗三种粮虫的边缘检测
3 粮虫图像特征提取
区域描述子特征在图像分析的过程中具有非常强的实用效果。因此本文使用粮虫图像的八种区域描述子特征作为粮虫识别模型的输入特征[9?10]：
（1） 面积A：图像中待识别对象面积像素点个数总和：
（7）
（2） 周长P：待识别对象的周长：
（8）
式中，SUM（in）为4邻域内像素均为待识别对象的像素个数总和。
（3） 相对面积RA：待识别对象面积占图像总体比例：
（9）
（4） 延伸率S：待識别粮虫图像的最小外接矩形的宽度比上长度值[11]：
（10）
（5） 复杂度C：待识别对象紧凑性：
（11）
（6） 占空比B：反应待识别对象的复杂程度：
（12）
（7） 等效面积圆半径R：
（13）
（8） 偏心率E：待识别对象长短轴长度之比，描述了待识别对象的紧凑性，使用Tenebaum近似计算公式对偏心率E求解：
平均向量求解：
（14）
j+k阶中心矩求解：
（15）
方向角求解：
（16）
偏心率E近似求解[12?13]：
（17）
4 粮虫识别实验
本文选取常见的玉米象、拟谷盗和锯谷盗三种粮虫为研究对象，对其图像进行处理识别。分别使用边缘检测算子、边缘检测算子、边缘检测算子和边缘检测算子对其图像进行边缘检测，并提取其图像的面积A、周长P、相对面积RA、延伸率S、复杂度C、占空比B、等效面积圆半径R和偏心率E这八个特征用于对三种粮虫的识别，具体特征值如表1所示。
使用基于RBF神经网络的识别模型对三种粮虫图像的几何形态特征进行识别，识别原理如图2所示。
选取50张玉米象图像、50张拟谷盗图像和50张锯谷盗图像以及20张无粮虫图像对基于RBF神经网络的识别模型进行训练，提高其识别粮虫图像的泛化能力。
基于RBF神经网络的识别模型的输入向量为粮虫图像的八种特征，即输入节点数为8；基于RBF神经网络的识别模型的输出向量结果为玉米象图像、拟谷盗图像、锯谷盗图像以及无粮虫图像4种，即输出节点数为4；隐含层节点数根据经验公式计算。
分别使用20张玉米象图像、20张拟谷盗图像和20张锯谷盗图像对训练后的基于RBF神经网络的识别模型进行测试。
能够得到使用边缘检测算子、边缘检测算子、边缘检测算子和边缘检测算子对其图像进行边缘检测后，以及使用基于RBF神经网络的识别模型对粮虫图像的识别结果如图3所示。
从基于RBF神经网络识别模型的粮虫识别结果可以看出，分别使用边缘检测算子、边缘检测算子、边缘检测算子和边缘检测算子对其图像进行边缘检测后，识别模型对三种粮虫的平均识别率为80.65%，81.96%，80.34%和78.56%，说明在其他情况相同情况下，使用Sobel 边缘检测算子对粮虫图像边缘检测对于粮虫图像识别准确率是最有利的，而使用Laplacian 边缘检测算子后粮虫图像的识别率最低。
5 结 论
本文研究一种基于图像识别处理的粮虫检测方法，将图像识别处理技术应用于农业工程。选取常见的玉米象、拟谷盗和锯谷盗三种粮虫为研究对象，对其图像进行处理识别。分别使用边缘检测算子、边缘检测算子、边缘检测算子和边缘检测算子对其图像进行边缘检测，并提取其图像的面積A、周长P、相对面积RA、延伸率S、复杂度C、占空比B、等效面积圆半径R和偏心率E这八个特征用于对三种粮虫的识别，使用基于RBF神经网络的识别模型对三种粮虫图像的几何形态特征进行识别。结果表明，在本文的研究条件下，使用边缘检测算子对粮虫图像边缘检测对于粮虫图像识别准确率是最有利的，而使用边缘检测算子后粮虫图像的识别率最低。
参考文献
[1] 代亭.粮食害虫智能检测及分类方法研究[D].郑州：河南工业大学，2012.
[2] 张明真.储粮害虫活动声信号识别研究[D].西安：陕西师范大学，2013.
[3] 张红涛.储粮害虫图像识别中的特征抽取研究[D].郑州：郑州大学，2002.
[4] 张成花.基于图像识别的储粮害虫分类的研究[D].郑州：郑州大学，2002.
[5] 韩瑞珍.基于机器视觉的农田害虫快速检测与识别研究[D].杭州：浙江大学，2014.
[6] 葛恒赫.基于机器视觉的外螺纹表面缺陷检测技术研究[D].重庆：重庆大学，2014.
[7] 王凡.基于机器视觉的螺纹缺陷检测技术研究和系统开发[D].成都：电子科技大学，2011.
[8] 梅雪.基于图像识别的储粮害虫检测专家系统的研究[D].北京：北京邮电大学，2009.
[9] 张卫芳.基于图像处理的储粮害虫检测方法研究[D].西安：陕西师范大学，2010.
[10] 张红梅，范艳峰，田耕.基于数字图像处理技术的储粮害虫分类识别研究[J].河南工业大学学报（自然科学版），2005（1）：19?22.
[11] 胡祝华，赵瑶池，白勇，等.基于图像处理技术的储粮害虫快速识别[J].安徽农业科学，2014（30）：10784?10787.
[12] 苏庭奕.基于图像处理的储粮害虫检测及识别方法研究[D].郑州：河南工业大学，2015.
[13] 姜慧.基于Android的水稻害虫图像采集与识别系统研究[D].杭州：浙江理工大学，2013.
[14] 牟怿.基于图像处理的储粮害虫检测方法研究[D].武汉：武汉工业学院，2009.
摘 要： 研究一种基于图像识别处理的粮虫检测方法，将图像识别处理技术应用于农业工程。首先使用灰度化、二值化、平滑以及锐化技术对粮虫图像进行预处理，使得图像更容易进行边缘检测和图像特征提取。之后使用四种边缘检测方法实现图像中待识别粮虫的边缘检测。使用粮虫图像的8种区域描述子特征作为粮虫识别模型的输入特征。最后选取常见的玉米象、拟谷盗和锯谷盗三种粮虫为研究对象，使用基于RBF神经网络的识别模型对三种粮虫图像的几何形态特征进行识别。
关键词： 粮虫检测； 特征提取； RBF神经网络； 图像识别
中图分类号： TN911.73?34； S24 文献标识码： A 文章编号： 1004?373X（2017）04?0107?04
Application of image recognition processing technology in agricultural engineering
ZHOU Qingsong， TANG Xiuzhong
（School of Technology， Puer University， Puer 665000， China）
Abstract： A grain insect detection method based on image recognition processing is studied. The image recognition processing technology is applied to the agricultural engineering. The gray processing， binaryzation， smoothing and sharpening techniques are used to preprocess the grain insect image to make it easier to conduct the edge detection and image feature extraction. The commonly?used four edge detection methods are adopted to detect the edge of the grain insect image under recognition. Eight regional descriptor features of the grain insect image are taken as the input characteristics of the grain insect recognition model. Three familiar grain insects of maize weevil， tribolium and coleoptera are selected as the research objects， and the identification model based on RBF neural network is used to recognize the geometric feature of three grain insect images.
Keywords： grain insect detection； feature extraction； RBF neural network； image recognition
0 引 言
目前储粮害虫问题是世界上很多国家所面临的困难，在很多国家每年都会因为粮食害虫而损失很多粮食。在遭受到粮食害虫的侵害以后粮食的籽粒会被破坏，容易变质、結块、发热以及发霉，另外在老化死去害虫尸体、粪便以及有毒液体的影响下粮食会受到较为严重的污染[1]。
总的来说，目前主要有四种方法来检测粮食害虫：首先是取样法，将所制作的扦样器按照区域定点的方法安装在储粮库内。采用电机或者人工的方法吸取粮食样本，然后交由技术人员分类、鉴别以及筛选，这样就可以对库区粮食害虫密度进行确定。这种方法需要较大的劳动量，降低了工作效率，另外人为主观因素容易对最后的结果产生影响，因此产生了较大的误差。其次是诱捕法，通过对粮食害虫生理特性以及习性的利用来采取合适的诱捕方式，主要包括粮食害虫生理特性诱集法以及陷阱式诱集法两种。但是在应用诱捕法的过程中需要制作诱导剂以及提取粮食害虫的信息素，由于具有较强的针对性，而且具有种类繁多的粮食害虫，因此所消耗的成本比较大，所以以上两种方法也存在着一定的缺陷。再次是声测法，通过对声音监测装置的应用，分析害虫爬行以及吃食时的声音，进而就可以获取粮食害虫密度信息。在应用这种方法的过程中会在周围产生较大的噪音，同时需要花费较大的资金来制造声音监测装置，所以目前这种方法并没有得到广泛的应用。最后一种方法是近红外反射光谱识别法，粮食害虫的C，H，N成分存在着很大的差距，因此就会产生不同的近红外线光谱，这种不同种类的粮食害虫就可以通过NIR 的扫描来进行识别。但是这种方法仍然存在着一定的缺陷，例如粮食的不完整颗粒以及颗粒大小等物理因素会对扫描结果产生一定的影响，使得无法获得准确和清晰的NIR 扫描图像[2?3]。
除了使用声音检测方法外，其他方法不利于实现自动化粮虫检测，人工检测方法效率低、成本高，因此本文研究一种基于图像识别处理的粮虫检测方法，将图像识别处理技术应用于农业工程。
1 粮虫图像预处理
1.1 图像灰度化处理
在分析粮虫图像的过程中首先需要进行图像颜色之间的转换，通常是将彩色转换为灰色，这样既能够加快图像的处理速度，另外还能够方便地将处理后的信息向原来的图像上进行转移。
通常利用最大值法、加权平均法以及平均值法来进行彩色图像和灰色图像之间的转换。本文在进行彩色图像灰度化处理的过程中主要采用了最大值法，这种方法比较简单，采用三原色R，G，B来对图像的灰度值进行描述[4]。
1.2 二值化
采用二值化手段来处理粮虫图像，这样能够重点显示对象区域，对于后续的分析和辨别非常有利。由于在灰度上目标图像与背景图像存在着较大的差距，因此可以根据灰度值的不同来对目标图像进行区分。分别用0和1来表示目标图像和背景图像，这样就能够实现灰色图像和二值图像之间的转换，具有较高的识别度。本文只对单个的背景和图像进行了分析。因此在数据对比的过程中使用了一个阈值Th，达到分类像素群的目的。将图像中的背景灰度值以及目标灰度值分别设置[5]为1和0。
1.3 图像平滑
本文使用邻域平均法对粮虫图像进行平滑处理。所应用的均值滤波的邻域平均法实际上就是进行空域平滑处理，首先在相同的窗口上放置图像，平均所有的像素灰度值，通过对中心部位像素灰度值的替代就能够达到平滑的目的。均值滤波和低通滤波器具有相同的作用，输出的图像可以用离散卷积来进行表示[6]。
1.4 图像锐化
通过对图像的锐化处理能够达到修复外部形状以及进行图像边缘聚焦的目的。通过图像灰度颜色的加深以及外援色彩数值的对比能够对图像的清晰度进行提升。目前Sobel算子、Laplace算子以及Robert算子是图像锐化过程中经常采用的算子，本文在图像锐化的过程中采用了Robert算子。
2 边缘检测
在经过上述的预处理后，能够显著地提升图像的质量，但是还需要采用图像边缘检测技术来对图像中的背景和目标进行区分[7]。
（1） Roberts 边缘检测算子。Roberts 边缘检测算子是使用局部差分算法实现。其中原始图像用f（x，y）表示，边缘检测后输出的图像用g（x，y）表示：
（1）
利用互相垂直方向上的差分Roberts 边缘检测算子就可以对梯度进行计算，另外边缘之间的检测可以利用对角线方向相邻像素之差来实现。
通过对模板的利用能够对Roberts 的梯度幅度G进行计算，进而得到合适的阈值T，当G>T时，该点就是阶跃边缘点，进而获取边缘图像。
（2） Sobel 边缘检测算子。Sobel边缘检测算子考察各个像素的邻域加权差，加权差值最大的点就是边缘点：
（2）
算子模板为：
（3）
（3） Prewitt 边缘检测算子。算子和算子具有相似的特点：
（4）
算子模板为：
（5）
（4） Laplacian 边缘检测算子。边缘检测算子，通过在边缘处产生陡峭的零交叉来实现边缘检测的目的[8]：
（6）
本文选取常见的玉米象、拟谷盗和锯谷盗三种粮虫为研究对象，使用上述四种边缘检测方法对粮虫图像边缘进行检测，其中检测效果最好的是使用边缘检测算子，检测效果最差的是使用边缘检测算子。两种算子检测结果如图1所示。
图1 两种算子对玉米象、拟谷盗和锯谷盗三种粮虫的边缘检测
3 粮虫图像特征提取
区域描述子特征在图像分析的过程中具有非常强的实用效果。因此本文使用粮虫图像的八种区域描述子特征作为粮虫识别模型的输入特征[9?10]：
（1） 面积A：图像中待识别对象面积像素点个数总和：
（7）
（2） 周长P：待识别对象的周长：
（8）
式中，SUM（in）为4邻域内像素均为待识别对象的像素个数总和。
（3） 相对面积RA：待识别对象面积占图像总体比例：
（9）
（4） 延伸率S：待識别粮虫图像的最小外接矩形的宽度比上长度值[11]：
（10）
（5） 复杂度C：待识别对象紧凑性：
（11）
（6） 占空比B：反应待识别对象的复杂程度：
（12）
（7） 等效面积圆半径R：
（13）
（8） 偏心率E：待识别对象长短轴长度之比，描述了待识别对象的紧凑性，使用Tenebaum近似计算公式对偏心率E求解：
平均向量求解：
（14）
j+k阶中心矩求解：
（15）
方向角求解：
（16）
偏心率E近似求解[12?13]：
（17）
4 粮虫识别实验
本文选取常见的玉米象、拟谷盗和锯谷盗三种粮虫为研究对象，对其图像进行处理识别。分别使用边缘检测算子、边缘检测算子、边缘检测算子和边缘检测算子对其图像进行边缘检测，并提取其图像的面积A、周长P、相对面积RA、延伸率S、复杂度C、占空比B、等效面积圆半径R和偏心率E这八个特征用于对三种粮虫的识别，具体特征值如表1所示。
使用基于RBF神经网络的识别模型对三种粮虫图像的几何形态特征进行识别，识别原理如图2所示。
选取50张玉米象图像、50张拟谷盗图像和50张锯谷盗图像以及20张无粮虫图像对基于RBF神经网络的识别模型进行训练，提高其识别粮虫图像的泛化能力。
基于RBF神经网络的识别模型的输入向量为粮虫图像的八种特征，即输入节点数为8；基于RBF神经网络的识别模型的输出向量结果为玉米象图像、拟谷盗图像、锯谷盗图像以及无粮虫图像4种，即输出节点数为4；隐含层节点数根据经验公式计算。
分别使用20张玉米象图像、20张拟谷盗图像和20张锯谷盗图像对训练后的基于RBF神经网络的识别模型进行测试。
能够得到使用边缘检测算子、边缘检测算子、边缘检测算子和边缘检测算子对其图像进行边缘检测后，以及使用基于RBF神经网络的识别模型对粮虫图像的识别结果如图3所示。
从基于RBF神经网络识别模型的粮虫识别结果可以看出，分别使用边缘检测算子、边缘检测算子、边缘检测算子和边缘检测算子对其图像进行边缘检测后，识别模型对三种粮虫的平均识别率为80.65%，81.96%，80.34%和78.56%，说明在其他情况相同情况下，使用Sobel 边缘检测算子对粮虫图像边缘检测对于粮虫图像识别准确率是最有利的，而使用Laplacian 边缘检测算子后粮虫图像的识别率最低。
5 结 论
本文研究一种基于图像识别处理的粮虫检测方法，将图像识别处理技术应用于农业工程。选取常见的玉米象、拟谷盗和锯谷盗三种粮虫为研究对象，对其图像进行处理识别。分别使用边缘检测算子、边缘检测算子、边缘检测算子和边缘检测算子对其图像进行边缘检测，并提取其图像的面積A、周长P、相对面积RA、延伸率S、复杂度C、占空比B、等效面积圆半径R和偏心率E这八个特征用于对三种粮虫的识别，使用基于RBF神经网络的识别模型对三种粮虫图像的几何形态特征进行识别。结果表明，在本文的研究条件下，使用边缘检测算子对粮虫图像边缘检测对于粮虫图像识别准确率是最有利的，而使用边缘检测算子后粮虫图像的识别率最低。
参考文献
[1] 代亭.粮食害虫智能检测及分类方法研究[D].郑州：河南工业大学，2012.
[2] 张明真.储粮害虫活动声信号识别研究[D].西安：陕西师范大学，2013.
[3] 张红涛.储粮害虫图像识别中的特征抽取研究[D].郑州：郑州大学，2002.
[4] 张成花.基于图像识别的储粮害虫分类的研究[D].郑州：郑州大学，2002.
[5] 韩瑞珍.基于机器视觉的农田害虫快速检测与识别研究[D].杭州：浙江大学，2014.
[6] 葛恒赫.基于机器视觉的外螺纹表面缺陷检测技术研究[D].重庆：重庆大学，2014.
[7] 王凡.基于机器视觉的螺纹缺陷检测技术研究和系统开发[D].成都：电子科技大学，2011.
[8] 梅雪.基于图像识别的储粮害虫检测专家系统的研究[D].北京：北京邮电大学，2009.
[9] 张卫芳.基于图像处理的储粮害虫检测方法研究[D].西安：陕西师范大学，2010.
[10] 张红梅，范艳峰，田耕.基于数字图像处理技术的储粮害虫分类识别研究[J].河南工业大学学报（自然科学版），2005（1）：19?22.
[11] 胡祝华，赵瑶池，白勇，等.基于图像处理技术的储粮害虫快速识别[J].安徽农业科学，2014（30）：10784?10787.
[12] 苏庭奕.基于图像处理的储粮害虫检测及识别方法研究[D].郑州：河南工业大学，2015.
[13] 姜慧.基于Android的水稻害虫图像采集与识别系统研究[D].杭州：浙江理工大学，2013.
[14] 牟怿.基于图像处理的储粮害虫检测方法研究[D].武汉：武汉工业学院，2009.
