CN103903006A - 一种基于Android平台的农作物害虫识别方法及系统 - Google Patents

Abstract

本发明涉及基于Android平台的农作物害虫识别方法，启动Android平台手机的应用软件，连接无线网络，选择农作物的种类；采集害虫图像，并将害虫图像传输到应用程序服务器；应用程序服务器对害虫图像进行图像分割，并判断是否达到预期阈值，若判断结果为是，则对害虫图像依次进行预处理、特征提取和多特征融合，否则，返回重新对害虫图像进行分割；对害虫图像特征进行识别，并将识别结果及相应的害虫防治方法传送至Android平台手机。本发明还公开了基于Android平台的农作物害虫识别系统。本发明使用户随时随地都可以对农作物害虫进行智能诊断，避免一味的依托农业专家的限制，利用Android手机平台，彻底改变了传统的农作物害虫诊断模式，提高了农田管理效率，方便了用户。

Description

一种基于Android平台的农作物害虫识别方法及系统

技术领域

本发明涉及智能农业领域，尤其是一种基于Android平台的农作物害虫识别方法及系统。

背景技术

害虫是农作物生长中的大敌，在农作物整个生长期内都有发生，可造成农作物大量减产。现行的害虫分类、识别工作主要是依靠少数植保专家和农技人员来完成的，但害虫种类繁多，而每一位植保专家穷其所能也只能识别部分害虫。越来越多的迹象表明，对害虫识别需求的增多与害虫识别专家相对较少的矛盾已日益加剧，寻找新的途径来解决害虫的识别工作具有非常重要的意义。

发明内容

本发明的首要目的在于提供一种能够对农田作物害虫进行有效及时的自动化诊断、降低农药使用、提高农产品品质的基于Android平台的农作物害虫识别方法。

为实现上述目的，本发明采用了以下技术方案：一种基于Android平台的农作物害虫识别方法，该方法包括下列顺序的步骤：

（1）启动Android平台手机上的应用软件，连接无线网络，选择农作物的种类，设置所需识别服务器的地址和端口；

（2）用Android平台手机的摄像头采集害虫图像，并通过手机终端无线传输模块将害虫图像传输到应用程序服务器；

（3）应用程序服务器对接收到的害虫图像进行图像分割，并判断分割后的害虫图像是否达到预期阈值，若判断结果为是，则对害虫图像依次进行预处理、特征提取和多特征融合，否则，返回重新对害虫图像进行分割；

（4）通过计算服务器和样本服务器对融合后的害虫图像特征进行识别，并将识别结果及相应的害虫防治方法传送至Android平台手机。

在Android平台手机上启动应用软件，检测网络连接情况，若网络连接成功，则启动应用系统，否则，提示网络连接失败信息；启动Android平台手机上的作物种类选择模块，选择农作物的种类，启动Android平台手机上的服务器设置模块，设置所需识别服务器的地址和端口。

启动Android平台手机上的图像采集模块，通过其自带的摄像头采集害虫图像，并通过手机终端无线传输模块将害虫图像传输到应用程序服务器中的图像接收模块；应用程序服务器启动图像接收模块接收害虫图像，若接收成功，则将害虫图像传入应用程序服务器中的图像分割模块，否则，重新接收新的害虫图像。

应用程序服务器中的图像分割模块对接收到的害虫图像进行图像分割处理，通过GrabCut算法对害虫图像进行分割，其迭代能量最小化分割算法的过程如下：

1）定义背景集T_F为矩形框外部分，前景集T_O=φ，未知区域

令T_U中像素n的属性α_n=1，其余像素α_n=0，对α_n=1和α_n=0两类像素分别统计GMM；

2）为T_U中像素n估计所在的GMM部件：

$k_n=\arg \underset{k_n}{\min }{D}_n({\mathrm{\α}}_n,k_n,\mathrm{\θ},z_n)$

3）获得GMM参数θ：

$\mathrm{\θ}=\arg \underset{\mathrm{\θ}}{\min }(\mathrm{\α},k,\mathrm{\θ},z)$

4）最小切割方法估计分割：

$\underset{\{{\mathrm{\α}}_n:n\∈T_U\}}{\min }\underset{k}{\min }E(\mathrm{\α},k,\mathrm{\θ},z)$

5）重复第2步，直到收敛；

应用程序服务器启动分割阈值设置模块对分割后的害虫图像的分割效果进行分析，以分割后的图像的面积与分割前的图像面积的比值作为阈值，若害虫图像的阈值达到预先设定的阈值，则认为图像分割效果理想则启动图像预处理模块，否则，返回重新采集害虫图像，重新进行分割；

图像预处理模块首先要对分割后的图像进行去噪操作，减少提取颜色特征的干扰，提取到颜色特征后，将去噪后的图像灰度化，进一步提取图像的纹理特征，提取到纹理特征后运用二值化算法将图像二值化，运用膨胀腐蚀算法去除对识别有干扰的独立的边线，然后运用中值滤波算法进一步去掉噪声点，运用去噪后的图像提取害虫的形态学特征。

应用程序服务器启动图像颜色特征提取模块、图像纹理特征提取模块、图像形态特征提取模块，分别提取害虫图像的颜色特征、纹理特征和形态学特征，应用程序服务器启动图像多特征融合模块，对颜色特征、纹理特征和形态学特征进行融合，害虫图像识别模块通过计算服务器和样本服务器对融合后的害虫图像特征进行识别，若有识别结果，则将害虫图像识别结果和相应的防治方法返回Android平台手机，否则，返回结果为未登记害虫，并将结果申请农业专家进行诊断；

通过提取害虫的颜色矩来提取颜色特征，图像中任何的颜色分布均可以用它的矩来表示，仅采用颜色的一阶矩（mean）、二阶矩（variance）和三阶矩（skewness）就足以表达图像的颜色分布，图像的3个颜色分量上，每个分量上有3个低阶矩，因此图像的颜色矩一共只需9个分量，颜色的三个低阶矩的数学表达式为：

${\mathrm{\μ}}_i=\frac{1}{N}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{P}_{\mathrm{ij}}$

${\mathrm{\σ}}_i={\left(\frac{1}{N}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{(P_{\mathrm{ij}}-{\mathrm{\μ}}_i)}^2\right)}^{1/2}$

${\mathrm{\ζ}}_i={\left(\frac{1}{N}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{(P_{\mathrm{ij}}-{\mathrm{\μ}}_i)}^3\right)}^{1/3}$

其中，N为像素的个数，P_ij是图像中第j个像素的第i个颜色分量的值；μ_i表示第i个颜色分量的一阶矩，σ_i表示第i个颜色分量的二阶矩，ζ_i表示第i个颜色分量的三阶矩；

通过灰度共生矩阵方法来提取图像纹理特征，灰度共生矩阵特征主要通过计算角二阶矩，对比度,和平均以及和方差四个值来体现：

角二阶矩：

$g_1=\underset{i=1}{\overset{L}{\mathrm{\Σ}}}\underset{i=1}{\overset{L}{\mathrm{\Σ}}}p{(i,j)}^2$

对比度：

$g_2=\underset{n=0}{\overset{L-1}{\mathrm{\Σ}}}{n}^2\left[\underset{i=1}{\overset{L}{\mathrm{\Σ}}}\underset{j=1}{\overset{L}{\mathrm{\Σ}}}p{(i,j)}^2\right],|i-j|=n$

和平均：

$g_3=\underset{k=2}{\overset{2L}{\mathrm{\Σ}}}{\mathrm{kp}}_{x+y}\left(k\right)$

其中， $p_{x+y}\left(k\right)=\underset{i=1}{\overset{L}{\mathrm{\Σ}}}\underset{j=1}{\overset{L}{\mathrm{\Σ}}}p(i,j),k=\mathrm{2,3},...2L,i+j=k$

和方差：

$g_4=\underset{i=2}{\overset{2L}{\mathrm{\Σ}}}\left[{(i-g_3)}^2{p}_{x+y}\left(i\right)\right]$

其中L为图像的灰度级，p(i,j)为图像的灰度共生矩阵，i,j表示图像像素点的坐标；

形态特征是以害虫图像的分割为基础的形态特征包括狭长度、圆形度、惯性主轴、偏心率、球状性、紧凑度以及不变矩，可以通过计算出这些特征来得到害虫的形态学特征；由于每一种的特征对害虫的识别的贡献率不同，所以以上三种特征在害虫识别时所赋予的权值也不同，通过神经网络方法训练得到三种特征的权值，可以准确的描绘出各个特征的贡献率，可以减小特征之间的干扰，提高害虫识别的精度。每个特征乘以相应的权值后将它们融合成一个特征矩阵，该特征矩阵分别与训练集中的图像特征矩阵进行比较，最相近的那副图像所属类别就是待识别害虫的种类。

本发明还公开了一种基于Android平台的农作物害虫识别系统，包括：

Android平台手机，采集害虫图像，通过手机终端无线传输模块将害虫图像传输至应用程序服务器；

手机终端无线传输模块，传输害虫图像；

应用程序服务器，接收害虫图像，并对害虫图像进行分割、预处理、特征提取、特征融合和害虫识别；

计算服务器，辅助对害虫图像进行识别判断；

样本服务器，存储害虫样本。

所述的Android平台手机包括：

系统登录模块，启动系统，连接无线网络；

作物种类选择模块，选择农作物的种类；

服务器设置模块，设置所需识别服务器的地址和端口；

图像采集模块，通过自带摄像头对准害虫拍照，采集害虫图像；

图像选择上传模块，将害虫图像传输至手机终端无线传输模块。

所述的应用程序服务器包括：

服务器验证模块，验证Android平台手机所选择的服务器地址及端口；

图像接收模块，接收Android平台手机发送的害虫图像；

图像分割模块，对接收的害虫图像进行图像分割；

分割阈值设置模块，预先设置一个阈值，并判断分割后的害虫图像是否达到该阈值；

图像预处理模块，对达到预设阈值的分割后的图像进行预处理；

图像颜色特征提取模块，提取害虫的颜色特征；

图像纹理特征提取模块，将害虫图像灰度化，提取害虫的纹理特征；

图像形态特征提取模块，将害虫图像二值化，腐蚀、膨胀去噪，提取害虫的形态学特征；

图像多特征融合模块，将害虫的颜色特征、纹理特征和形态学特征进行融合；

害虫图像识别模块，通过计算服务器和样本服务器，对融合后的害虫特征进行识别，并将识别结果发送至Android平台手机。

由上述技术方案可知，本发明使用户随时随地都可以对农作物害虫进行智能诊断，避免一味的依托农业专家的限制，采用现代通信技术、计算机视觉技术、图像处理技术、模式识别技术等现代信息技术，利用Android手机平台，彻底改变了传统的农作物害虫诊断模式，提高了农田管理效率，方便了用户。本发明数据传输快、操作简单、占用资源少、花费少，极大地方便用户对农作物害虫进行防治，降低了农药的使用，提高了农产品品质。

附图说明

图1为本发明的方法流程图；

图2为本发明的功能模块方框图。

具体实施方式

一种基于Android平台的农作物害虫识别方法，包括：（1）启动Android平台手机上的应用软件，连接无线网络，选择农作物的种类，设置所需识别服务器的地址和端口；（2）用Android平台手机的摄像头采集害虫图像，并通过手机终端无线传输模块将害虫图像传输到应用程序服务器；（3）应用程序服务器对接收到的害虫图像进行图像分割，并判断分割后的害虫图像是否达到预期阈值，若判断结果为是，则对害虫图像依次进行预处理、特征提取和多特征融合，否则，返回重新对害虫图像进行分割；（4）通过计算服务器和样本服务器对融合后的害虫图像特征进行识别，并将识别结果及相应的害虫防治方法传送至Android平台手机。如图1所示。

如图1所示，在Android平台手机上启动应用软件，检测网络连接情况，若网络连接成功，则启动应用系统，否则，提示网络连接失败信息；启动Android平台手机上的作物种类选择模块，选择农作物的种类，启动Android平台手机上的服务器设置模块，设置所需识别服务器的地址和端口。启动Android平台手机上的图像采集模块，通过其自带的摄像头采集害虫图像，并通过手机终端无线传输模块将害虫图像传输到应用程序服务器中的图像接收模块；应用程序服务器启动图像接收模块接收害虫图像，若接收成功，则将害虫图像传入应用程序服务器中的图像分割模块，否则，重新接收新的害虫图像。

如图1所示，应用程序服务器中的图像分割模块对接收到的害虫图像进行图像分割处理，通过GrabCut算法对害虫图像进行分割，其迭代能量最小化分割算法的过程如下：

1）定义背景集T_F为矩形框外部分，前景集T_O=φ，未知区域令T_U中像素n的属性α_n=1，其余像素α_n=0，对α_n=1和α_n=0两类像素分别统计GMM；

2）为T_U中像素n估计所在的GMM部件：

$k_n=\arg \underset{k_n}{\min }{D}_n({\mathrm{\α}}_n,k_n,\mathrm{\θ},z_n)$

3）获得GMM参数θ：

$\mathrm{\θ}=\arg \underset{\mathrm{\θ}}{\min }(\mathrm{\α},k,\mathrm{\θ},z)$

4）最小切割方法估计分割：

$\underset{\{{\mathrm{\α}}_n:n\∈T_U\}}{\min }\underset{k}{\min }E(\mathrm{\α},k,\mathrm{\θ},z)$

5）重复第2步，直到收敛；

应用程序服务器启动分割阈值设置模块对分割后的害虫图像的分割效果进行分析，以分割后的图像的面积与分割前的图像面积的比值作为阈值，若害虫图像的阈值达到预先设定的阈值，则认为图像分割效果理想则启动图像预处理模块，否则，返回重新采集害虫图像，重新进行分割；

图像预处理模块首先要对分割后的图像进行去噪操作，减少提取颜色特征的干扰，提取到颜色特征后，将去噪后的图像灰度化，进一步提取图像的纹理特征，提取到纹理特征后运用二值化算法将图像二值化，运用膨胀腐蚀算法去除对识别有干扰的独立的边线，然后运用中值滤波算法进一步去掉噪声点，运用去噪后的图像提取害虫的形态学特征。

如图1所示，应用程序服务器启动图像颜色特征提取模块、图像纹理特征提取模块、图像形态特征提取模块，分别提取害虫图像的颜色特征、纹理特征和形态学特征，应用程序服务器启动图像多特征融合模块，对颜色特征、纹理特征和形态学特征进行融合，害虫图像识别模块通过计算服务器和样本服务器对融合后的害虫图像特征进行识别，若有识别结果，则将害虫图像识别结果和相应的防治方法返回Android平台手机，否则，返回结果为未登记害虫，并将结果申请农业专家进行诊断；

通过提取害虫的颜色矩来提取颜色特征，图像中任何的颜色分布均可以用它的矩来表示，仅采用颜色的一阶矩（mean）、二阶矩（variance）和三阶矩（skewness）就足以表达图像的颜色分布，图像的3个颜色分量上，每个分量上有3个低阶矩，因此图像的颜色矩一共只需9个分量，颜色的三个低阶矩的数学表达式为：

${\mathrm{\μ}}_i=\frac{1}{N}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{P}_{\mathrm{ij}}$

${\mathrm{\σ}}_i={\left(\frac{1}{N}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{(P_{\mathrm{ij}}-{\mathrm{\μ}}_i)}^2\right)}^{1/2}$

${\mathrm{\ζ}}_i={\left(\frac{1}{N}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{(P_{\mathrm{ij}}-{\mathrm{\μ}}_i)}^3\right)}^{1/3}$

其中，N为像素的个数，P_ij是图像中第j个像素的第i个颜色分量的值；μ_i表示第i个颜色分量的一阶矩，σ_i表示第i个颜色分量的二阶矩，ζ_i表示第i个颜色分量的三阶矩；

通过灰度共生矩阵方法来提取图像纹理特征，灰度共生矩阵特征主要通过计算角二阶矩，对比度,和平均以及和方差四个值来体现：

角二阶矩：

$g_1=\underset{i=1}{\overset{L}{\mathrm{\Σ}}}\underset{i=1}{\overset{L}{\mathrm{\Σ}}}p{(i,j)}^2$

对比度：

$g_2=\underset{n=0}{\overset{L-1}{\mathrm{\Σ}}}{n}^2\left[\underset{i=1}{\overset{L}{\mathrm{\Σ}}}\underset{j=1}{\overset{L}{\mathrm{\Σ}}}p{(i,j)}^2\right],|i-j|=n$

和平均：

$g_3=\underset{k=2}{\overset{2L}{\mathrm{\Σ}}}{\mathrm{kp}}_{x+y}\left(k\right)$

其中， $p_{x+y}\left(k\right)=\underset{i=1}{\overset{L}{\mathrm{\Σ}}}\underset{j=1}{\overset{L}{\mathrm{\Σ}}}p(i,j),k=\mathrm{2,3},...2L,i+j=k$

和方差：

$g_4=\underset{i=2}{\overset{2L}{\mathrm{\Σ}}}\left[{(i-g_3)}^2{p}_{x+y}\left(i\right)\right]$

其中L为图像的灰度级，p(i,j)为图像的灰度共生矩阵，i,j表示图像像素点的坐标；

形态特征是以害虫图像的分割为基础的形态特征包括狭长度、圆形度、惯性主轴、偏心率、球状性、紧凑度以及不变矩，可以通过计算出这些特征来得到害虫的形态学特征；由于每一种的特征对害虫的识别的贡献率不同，所以以上三种特征在害虫识别时所赋予的权值也不同，通过神经网络方法训练得到三种特征的权值，可以准确的描绘出各个特征的贡献率，可以减小特征之间的干扰，提高害虫识别的精度。每个特征乘以相应的权值后将它们融合成一个特征矩阵，该特征矩阵分别与训练集中的图像特征矩阵进行比较，最相近的那副图像所属类别就是待识别害虫的种类。

如图2所示，本系统包括：Android平台手机，采集害虫图像，通过手机终端无线传输模块将害虫图像传输至应用程序服务器；手机终端无线传输模块，传输害虫图像；应用程序服务器，接收害虫图像，并对害虫图像进行分割、预处理、特征提取、特征融合和害虫识别；计算服务器，辅助对害虫图像进行识别判断；样本服务器，存储害虫样本。

如图2所示，所述的Android平台手机包括：系统登录模块，启动系统，连接无线网络；作物种类选择模块，选择农作物的种类；服务器设置模块，设置所需识别服务器的地址和端口；图像采集模块，通过自带摄像头对准害虫拍照，采集害虫图像；图像选择上传模块，将害虫图像传输至手机终端无线传输模块。

如图2所示，所述的应用程序服务器包括：服务器验证模块，验证Android平台手机所选择的服务器地址及端口；图像接收模块，接收Android平台手机发送的害虫图像；图像分割模块，对接收的害虫图像进行图像分割；分割阈值设置模块，预先设置一个阈值，并判断分割后的害虫图像是否达到该阈值；图像预处理模块，对达到预设阈值的分割后的图像进行预处理；图像颜色特征提取模块，提取害虫的颜色特征；图像纹理特征提取模块，将害虫图像灰度化，提取害虫的纹理特征；图像形态特征提取模块，将害虫图像二值化，腐蚀、膨胀去噪，提取害虫的形态学特征；图像多特征融合模块，将害虫的颜色特征、纹理特征和形态学特征进行融合；害虫图像识别模块，通过计算服务器和样本服务器，对融合后的害虫特征进行识别，并将识别结果发送至Android平台手机。

综上所述，本发明使用户随时随地都可以对农作物害虫进行智能诊断，避免一味的依托农业专家的限制，采用现代通信技术、计算机视觉技术、图像处理技术、模式识别技术等现代信息技术，利用Android手机平台，彻底改变了传统的农作物害虫诊断模式，提高了农田管理效率，方便了用户。

本发明数据传输快、操作简单、占用资源少、花费少，极大地方便用户对农作物害虫进行防治，降低了农药的使用，提高了农产品的品质。

Claims (8)

1.一种基于Android平台的农作物害虫识别方法，该方法包括下列顺序的步骤：

（1）启动Android平台手机上的应用软件，连接无线网络，选择农作物的种类，设置所需识别服务器的地址和端口；

（2）用Android平台手机的摄像头采集害虫图像，并通过手机终端无线传输模块将害虫图像传输到应用程序服务器；

（3）应用程序服务器对接收到的害虫图像进行图像分割，并判断分割后的害虫图像是否达到预期阈值，若判断结果为是，则对害虫图像依次进行预处理、特征提取和多特征融合，否则，返回重新对害虫图像进行分割；

（4）通过计算服务器和样本服务器对融合后的害虫图像特征进行识别，并将识别结果及相应的害虫防治方法传送至Android平台手机。

2.根据权利要求1所述的基于Android平台的农作物害虫识别方法，其特征在于：在Android平台手机上启动应用软件，检测网络连接情况，若网络连接成功，则启动应用系统，否则，提示网络连接失败信息；启动Android平台手机上的作物种类选择模块，选择农作物的种类，启动Android平台手机上的服务器设置模块，设置所需识别服务器的地址和端口。

3.根据权利要求1所述的基于Android平台的农作物害虫识别方法，其特征在于：启动Android平台手机上的图像采集模块，通过其自带的摄像头采集害虫图像，并通过手机终端无线传输模块将害虫图像传输到应用程序服务器中的图像接收模块；应用程序服务器启动图像接收模块接收害虫图像，若接收成功，则将害虫图像传入应用程序服务器中的图像分割模块，否则，重新接收新的害虫图像。

4.根据权利要求1所述的基于Android平台的农作物害虫识别方法，其特征在于：应用程序服务器中的图像分割模块对接收到的害虫图像进行图像分割处理，通过GrabCut算法对害虫图像进行分割，其迭代能量最小化分割算法的过程如下：

1）定义背景集T_F为矩形框外部分，前景集T_O=φ，未知区域

令T_U中像素n的属性α_n=1，其余像素α_n=0，对α_n=1和α_n=0两类像素分别统计GMM；

2）为T_U中像素n估计所在的GMM部件：

$k_n=\arg \underset{k_n}{\min }{D}_n({\mathrm{\α}}_n,k_n,\mathrm{\θ},z_n)$

3）获得GMM参数θ：

$\mathrm{\θ}=\arg \underset{\mathrm{\θ}}{\min }(\mathrm{\α},k,\mathrm{\θ},z)$

4）最小切割方法估计分割：

$\underset{\{{\mathrm{\α}}_n:n\∈T_U\}}{\min }\underset{k}{\min }E(\mathrm{\α},k,\mathrm{\θ},z)$

5）重复第2步，直到收敛；

应用程序服务器启动分割阈值设置模块对分割后的害虫图像的分割效果进行分析，以分割后的图像的面积与分割前的图像面积的比值作为阈值，若害虫图像的阈值达到预先设定的阈值，则认为图像分割效果理想则启动图像预处理模块，否则，返回重新采集害虫图像，重新进行分割；

图像预处理模块首先要对分割后的图像进行去噪操作，减少提取颜色特征的干扰，提取到颜色特征后，将去噪后的图像灰度化，进一步提取图像的纹理特征，提取到纹理特征后运用二值化算法将图像二值化，运用膨胀腐蚀算法去除对识别有干扰的独立的边线，然后运用中值滤波算法进一步去掉噪声点，运用去噪后的图像提取害虫的形态学特征。

5.根据权利要求1所述的基于Android平台的农作物害虫识别方法，其特征在于：应用程序服务器启动图像颜色特征提取模块、图像纹理特征提取模块、图像形态特征提取模块，分别提取害虫图像的颜色特征、纹理特征和形态学特征，应用程序服务器启动图像多特征融合模块，对颜色特征、纹理特征和形态学特征进行融合，害虫图像识别模块通过计算服务器和样本服务器对融合后的害虫图像特征进行识别，若有识别结果，则将害虫图像识别结果和相应的防治方法返回Android平台手机，否则，返回结果为未登记害虫，并将结果申请农业专家进行诊断；

通过提取害虫的颜色矩来提取颜色特征，图像中任何的颜色分布均可以用它的矩来表示，仅采用颜色的一阶矩（mean）、二阶矩（variance）和三阶矩（skewness）就足以表达图像的颜色分布，图像的3个颜色分量上，每个分量上有3个低阶矩，因此图像的颜色矩一共只需9个分量，颜色的三个低阶矩的数学表达式为：

${\mathrm{\μ}}_i=\frac{1}{N}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{P}_{\mathrm{ij}}$

${\mathrm{\σ}}_i={\left(\frac{1}{N}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{(P_{\mathrm{ij}}-{\mathrm{\μ}}_i)}^2\right)}^{1/2}$

${\mathrm{\ζ}}_i={\left(\frac{1}{N}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{(P_{\mathrm{ij}}-{\mathrm{\μ}}_i)}^3\right)}^{1/3}$

其中，N为像素的个数，P_ij是图像中第j个像素的第i个颜色分量的值；μ_i表示第i个颜色分量的一阶矩，σ_i表示第i个颜色分量的二阶矩，ζ_i表示第i个颜色分量的三阶矩；

通过灰度共生矩阵方法来提取图像纹理特征，灰度共生矩阵特征主要通过计算角二阶矩，对比度,和平均以及和方差四个值来体现：

角二阶矩：

$g_1=\underset{i=1}{\overset{L}{\mathrm{\Σ}}}\underset{i=1}{\overset{L}{\mathrm{\Σ}}}p{(i,j)}^2$

对比度：

$g_2=\underset{n=0}{\overset{L-1}{\mathrm{\Σ}}}{n}^2\left[\underset{i=1}{\overset{L}{\mathrm{\Σ}}}\underset{j=1}{\overset{L}{\mathrm{\Σ}}}p{(i,j)}^2\right],|i-j|=n$

和平均：

$g_3=\underset{k=2}{\overset{2L}{\mathrm{\Σ}}}{\mathrm{kp}}_{x+y}\left(k\right)$

其中， $p_{x+y}\left(k\right)=\underset{i=1}{\overset{L}{\mathrm{\Σ}}}\underset{j=1}{\overset{L}{\mathrm{\Σ}}}p(i,j),k=\mathrm{2,3},...2L,i+j=k$

和方差：

$g_4=\underset{i=2}{\overset{2L}{\mathrm{\Σ}}}\left[{(i-g_3)}^2{p}_{x+y}\left(i\right)\right]$

其中L为图像的灰度级，p(i,j)为图像的灰度共生矩阵，i,j表示图像像素点的坐标；

形态特征是以害虫图像的分割为基础的形态特征包括狭长度、圆形度、惯性主轴、偏心率、球状性、紧凑度以及不变矩，可以通过计算出这些特征来得到害虫的形态学特征；由于每一种的特征对害虫的识别的贡献率不同，所以以上三种特征在害虫识别时所赋予的权值也不同，通过神经网络方法训练得到三种特征的权值，可以准确的描绘出各个特征的贡献率，可以减小特征之间的干扰，提高害虫识别的精度。每个特征乘以相应的权值后将它们融合成一个特征矩阵，该特征矩阵分别与训练集中的图像特征矩阵进行比较，最相近的那副图像所属类别就是待识别害虫的种类。

6.实施权利要求1至5中任一项所述方法的系统，其特征在于：包括：

Android平台手机，采集害虫图像，通过手机终端无线传输模块将害虫图像传输至应用程序服务器；

手机终端无线传输模块，传输害虫图像；

应用程序服务器，接收害虫图像，并对害虫图像进行分割、预处理、特征提取、特征融合和害虫识别；

计算服务器，辅助对害虫图像进行识别判断；

样本服务器，存储害虫样本。

7.根据权利要求6所述的系统，其特征在于：所述的Android平台手机包括：

系统登录模块，启动系统，连接无线网络；

作物种类选择模块，选择农作物的种类；

服务器设置模块，设置所需识别服务器的地址和端口；

图像采集模块，通过自带摄像头对准害虫拍照，采集害虫图像；

图像选择上传模块，将害虫图像传输至手机终端无线传输模块。

8.根据权利要求6所述的系统，其特征在于：所述的应用程序服务器包括：

服务器验证模块，验证Android平台手机所选择的服务器地址及端口；

图像接收模块，接收Android平台手机发送的害虫图像；

图像分割模块，对接收的害虫图像进行图像分割；

分割阈值设置模块，预先设置一个阈值，并判断分割后的害虫图像是否达到该阈值；

图像预处理模块，对达到预设阈值的分割后的图像进行预处理；

图像颜色特征提取模块，提取害虫的颜色特征；

图像纹理特征提取模块，将害虫图像灰度化，提取害虫的纹理特征；

图像形态特征提取模块，将害虫图像二值化，腐蚀、膨胀去噪，提取害虫的形态学特征；

图像多特征融合模块，将害虫的颜色特征、纹理特征和形态学特征进行融合；

害虫图像识别模块，通过计算服务器和样本服务器，对融合后的害虫特征进行识别，并将识别结果发送至Android平台手机。

Images