前言：寻找写作灵感？中文期刊网用心挑选的移动互联网系统设计分析，希望能为您的阅读和创作带来灵感，欢迎大家阅读并分享。
【摘要】
针对田间叶螨虫害信息的采集和分析主要仍然靠人工用目测手查的方法，提出了一种基于移动互联网的虫害图像分析系统设计。仿真试验表明，该系统能够实现对作物叶片上叶螨图像的分割和自动计数。该系统为田间叶螨虫害信息采集与监测提供了一种新技术和新方法。
【关键词】
叶螨图像；边缘检测；图像分割
1引言
叶螨是田间农作物常见且危害性较大的害虫，对多种重要水果、蔬菜等经济农作物如柑橘、荔枝、龙眼、桃、柠檬、桑树、茄科、豆科、瓜类等为害甚广[1~2]。目前对田间叶螨虫害信息的采集监测主要仍然靠基层测报人员在实地用目测手查的方法观察有无病虫害发生及其为害程度[3]。尽管该方法简单易行，但需要操作人员具备一定的专业基础知识，而且采用人工目测的统计数据往往因为操作人员的个体差异而出现较大误差。近年来，随着图像采集装备和计算机图像分析技术的不断发展，图像识别分析具有准确度高、劳动量小和可视化等优点，成为了目前昆虫识别分析研究中的热点[4]。如邱道尹等用BP神经网络对枣树红蜘蛛图像进行了识别分析[5]，吴沧海等使用Matlab多种边缘检测算法对柑橘始叶螨图像进行了对比分析试验[6]，王建等提出了从红蜘蛛为害叶片的高光谱图像中识别受害区域的方法[7]。这些研究表明了计算机图像处理与分析技术在叶螨防治领域方面具有重要的应用价值和研究意义。本文采用了移动互联网技术和计算机图像处理技术对叶螨虫害图像的采集和分析方法进行了研究，提出了一种基于移动互联网的虫害图像分析系统设计和实现方法。该系统通过移动终端设备（智能手机或平板电脑）客户端获取叶螨虫害图像并进行初步分析，进而将图像及处理分析传输到服务主机存储和做进一步分析。该系统为叶螨虫害的分析和识别提供了一种新的技术和方法。
2虫害图像分析系统设计
虫害图像分析系统的设计分为客户端和服务主机2部分。考虑到虫害图像数据采集具有便携、快速、内置电源的要求，客户端采用智能手机或平板电脑，要求具有500万像素以上摄像头（1000万像素以上较佳），中央处理器采用四核以上CPU，支持触摸屏操作、3D加速GPU，拥有蓝牙、WIFI。支持外置TF卡和U盘，选用Win8或Android作为操作系统。服务主机可以采用服务器或笔记本电脑，如果采用服务器作为服务主机，则客户端可以通过无线路由器接入互联网方式登录服务主机，或者采用移动网络直接登录服务主机实现数据传输和发送请求。如果采用笔记本电脑作为服务主机，则可以将笔记本电脑放置在无线路由器能够覆盖的范围内即可。
3虫害图像分析系统实现
3.1虫害图像分析系统实现
客户端软件主要包含图像采集模块、图像存储模块、图像分析模块、图像显示模块、数据传输模块、以及中央处理模块等6部分。其中图像采集模块调用智能手机或平板电脑摄像头实现对虫害图像的获取，采集结果经中央处理模块处理后保存到图像存储模块中，同时可以通过图像显示模块将采集图像显示出来。图像分析模块通过中央处理模块调出图像存储模块中的虫害图像进行分析，分析结果经由中央处理模块通过数据传输模块传送到服务主机。服务主机软件对客户端发送的请求进行响应，接收并将客户端传送的数据保存到MySQL数据库，并根据客户端的请求对保存在数据库中的图像数据进行汇总和分析，并将结果返回客户端。
3.2虫害图像分析算法实现
对虫害图像的分割与分析是系统实现的关键部分。由于虫害图像分割与分析要求快速、准确。考虑到采集到的图像为彩色RGB图像，而图像中的叶螨呈现红色，叶片背景则为绿色，二者间具有较为明显的色差。因此利用RGB彩色图像中的Green分量可以有效地去除大部分绿色的叶片背景，从而降低后续图像处理过程中的计算量和分割难度。有鉴于此，采用RGB色彩空间分析与阈值分割相结合的方法，在通过对初始图像中R、G、B分量图像分析的基础上，获得初始图像中绿色分量的灰度图像，然后采用全局阈值算法实现对该灰度图像中叶螨图像进行二值化分割，最后对得到的二值化叶螨图像进行虫量计数。首先，通过图像采集模块获取作物叶片叶螨的彩色RGB图像，由于RGB图像中每个像素的颜色由R、G、B三个分量决定，先对RGB图像中的G分量进行分析，并将提取出来的绿色分量图像转变成灰度图像。采用全局阈值，将灰度图像中的剩余的叶片背景去除，得到二值化的叶螨图像，再使用形态学的开运算将二值化图像中微小的杂质或边缘去除，得到一个完整的叶螨二值化分割图像，最后计算二值化图像中的闭合区域数量，从而得到图像中的叶螨虫量信息。
4仿真试验与结果分析
4.1分割算法仿真试验及结果分析
为了验证本文分割方法的效果，用本文方法对采集的图像样本进行分割试验。该分割图像结果即可进行后续的虫量自动计算。仿真试验表明，本文方法能够实现将虫害图像与叶片背景的分离，分割结果能够满足后续的虫量计算。
4.2虫量分析试验及结果分析
为了验证本文虫量分析方法性能和分割效果，将本文方法对多组采集图像样本进行虫量计数分析试验。从试验结果来看，本文方法能够对样本叶片图像中的叶螨虫量进行分析与计算，准确率达到。该方法具有算法简单、速度快的优点和效果。
5结论
本文基于移动互联网技术和计算机图像分析技术，根据田间对虫害信息的采集监测需求，提出了一种基于移动互联网的虫害图像分析系统的设计思路和方法，来解决对田间虫害信息采集与计数分析问题。本文图像分析方法在对植株叶片叶螨RGB彩色图像进行分析的基础上，实现了叶螨图像和叶片背景的分离，通过对分离图像进行种子填充和形态学开运算处理，有效地过滤了叶片中的微小杂质和冗余叶脉边缘，实现了叶螨图像的分割。试验结果分析表明，基于本文的方法，能够分割叶片上的叶螨图像和进行虫量自动计算。该系统设计与图像分析方法可以应用到田间对叶螨虫量的计数调查，成为虫害发生状态信息采集监测的一个新技术和新方法。同时试验结果和分析也表明，由于受到光照、环境等因素的干扰和影响，田间采集图像的背景较为复杂时，本文图像分析计数方法的误判率较高。因此在后续研究中，有必要对图像分析方法再进一步深入研究，找出更为有效地方法来解决这个问题。
作者：刘国成 单位：广州铁路职业技术学院
基金项目：
广东省自然科学基金培育项目（GTXYP1310）。
参考文献
[1]李仰洁，王梓英，张国豪，等.温度对柑橘始叶螨实验种群牛长发育繁殖的影响[J].生态学报，2014，34（4）：862~868.
[2]高俊燕，郭俊，王自然，等.云南德宏柠檬园害虫种类及主要害虫发生规律研究[J].江西农业学报，2012，24（6）：70~73.
[3]陈鹏程，张建华，李眉眉，等.土耳其斯坦叶螨为害棉叶的生理变化及光谱特征分析[J].昆虫知识，2007，44（1）：61~64.
[4]熊焕亮，吴沧海.基于BP神经网络的柑橘始叶螨图像识别[J].湖北农业科学，2013，52（23）：5863~5865.
[5]邱道尹，李俊霞，杨利涛.基于神经网络的枣树红蜘蛛识别研究[J].电子科技，2014，27（3）：48~51.
[6]吴沧海，熊焕亮，裘武.基于Matlab的柑橘始叶螨边缘检测的研究[J].微计算机信息，2010，26（9）：l98~199.
[7]王建，李震，洪添胜，等.从红蜘蛛为害叶片的高光谱图像中识别受害区域[J].农机化研究，2015（7）：18~22.
