机器视觉驱动的茶小绿叶蝉自动识别技术提升

本研究论文主要探讨了"基于机器视觉的茶小绿叶蝉识别方法"这一主题，旨在通过将先进的信息技术应用到茶叶生产中的病虫害管理，提升茶园管理的效率和准确性。研究人员在自然场景下采集了黄色诱虫板上的茶小绿叶蝉图像，这些昆虫是茶叶生产中的重要害虫。他们采用了超像素分割算法和多DBSCAN聚类图像融合技术，对采集的图像进行精细的区域分割，确保识别区域既精确又完整，这一步骤对于后续的特征提取至关重要。 在特征选择上，研究团队关注了目标图像子区域的色彩特性，具体是L、a、b颜色空间中的均值和标准差。这些颜色特征能捕捉到昆虫的颜色信息，对于区分不同种类的昆虫具有较高的敏感度。他们利用最小二乘支持向量机（LSSVM）作为识别模型，这是一种强大的监督学习算法，有助于构建一个高效的学习模型。 然而，训练样本中存在的茶小绿叶蝉与其他害虫数量不平衡的问题可能会影响模型的性能。为此，作者提出了改进的SMOTE（合成少数类过采样技术）和KS（K-邻近加权）算法，这两者结合起来可以增强模型对茶小绿叶蝉这种小样本类别的识别能力。通过这些策略，研究团队成功地提高了模型对茶小绿叶蝉的识别精度，整体识别精度达到了99.03%，而茶小绿叶蝉的查准率更是高达91.76%。 这一研究成果的意义在于，它为茶园中茶小绿叶蝉的实时监测提供了一种有效且精准的方法，有助于提前预警并采取相应防治措施，减少对茶叶产量和质量的影响。这对于茶叶产业的可持续发展和生态农业管理具有实际应用价值。该研究展示了机器视觉技术在农业生物识别领域的潜力，为未来在其他作物害虫管理中应用提供了新的思路和技术支持。