CN110490861A - 一种用于黄板上蚜虫的识别方法及系统 - Google Patents

Abstract

本发明公开一种用于黄板上蚜虫的识别方法及系统，所述识别方法包括：获取棉花大田环境下的黄板图像；对黄板图像进行两次自适应阈值分割，确定分割黄板图像；根据黄板图像和所述分割黄板图像确定黄板昆虫图像；获取历史昆虫形态特征对应的昆虫种类；以历史昆虫形态特征为输入，以昆虫种类为输出建立昆虫识别网络模型；获取黄板昆虫图像的昆虫形态特征；根据昆虫形态特征和昆虫识别网络模型对棉花大田间的昆虫种类进行识别，确定所述黄板上的蚜虫；根据所述黄板上的蚜虫，确定棉花大田间的蚜虫数量。本发明所提供的一种用于黄板上蚜虫的识别方法及系统，提高了蚜虫识别的准确性和自动性。

Description

一种用于黄板上蚜虫的识别方法及系统

技术领域

本发明涉及图像处理与模式识别领域，特别是涉及一种用于黄板上蚜虫的识别方法及系统。

背景技术

随着新疆Bt抗虫棉的广泛种植，棉铃虫对棉花的危害退居次位，蚜虫虫害逐渐成为制约棉花产量和品质重要因素。蚜虫生育周期短，在高温高湿条件下会大量繁殖，在非适宜环境下会发育有翅蚜虫，具有一定的迁飞性。而且蚜虫与蚂蚁之间存在互利共生现象，蚂蚁也会帮助无翅蚜迁徙。在棉花花期前后伏蚜害频发。蚜虫通过取食棉花幼嫩部位破坏棉花正常的生理状态，影响棉花的产量。其次蚜虫分泌“蜜露”用以招引蚂蚁等昆虫，传播各种病害，且“蜜露”富含大量的糖分，通过影响棉花的绒长进而影响棉花的品质。

目前，基于对抗特征学习的水稻蚜虫识别方法是通过水稻蚜虫图像收集和预处理，建立水稻蚜虫识别模型，进行蚜虫的识别并在蚜虫位置进行标记，实现水稻蚜虫的识别与标记。但该方法存在以下缺陷：1、获取蚜虫图像时仅仅对蚜虫区域图像处理，但并未对图像整体进行图像处理，因此，环境颜色因素会对蚜虫区域图像造成干扰，导致蚜虫识别精度低。2、目前针对于棉花大田蚜虫识别研究当中，仅对单一蚜虫进行计数，并未在蚜虫与其他昆虫干扰之间进行鉴别，导致部分与蚜虫相似的昆虫会被误识为蚜虫，增加错误识别率。

可见，现有技术中，不能准确、自动地识别出蚜虫，从而造成田间蚜虫的统计准确率不高，进而不能有效的对田间采取有效的治理措施。

发明内容

本发明的目的是提供一种用于黄板上蚜虫的识别方法及系统，能够解决蚜虫识别精度低，导致田间蚜虫的统计准确率低的问题。

为实现上述目的，本发明提供了如下方案：

一种用于黄板上蚜虫的识别方法，包括：

获取棉花大田环境下的黄板图像；所述黄板图像包括黄板表面及黄板周边环境的图像；

对所述黄板图像进行两次自适应阈值分割，确定分割黄板图像；所述分割黄板图像为所述黄板图像中只显示黄板表面黄色的图像；

根据所述黄板图像和所述分割黄板图像确定黄板昆虫图像；

获取历史昆虫形态特征对应的昆虫种类；

以所述历史昆虫形态特征为输入，以昆虫种类为输出建立昆虫识别网络模型；所述历史昆虫形态特征包括面积、离心率、长轴、短轴、周长、长短轴比值、复杂度和似圆度；

获取所述黄板昆虫图像的昆虫形态特征；

根据所述昆虫形态特征和所述昆虫识别网络模型对棉花大田间的昆虫种类进行识别，确定棉花大田间的蚜虫；

根据棉花大田间的蚜虫，确定棉花大田间的蚜虫数量。

可选的，所述对所述黄板图像进行两次自适应阈值分割，确定分割黄板图像之前，还包括：

将所述黄板图像进行颜色空间转换，确定转换后的黄板图像。

可选的，所述对所述黄板图像进行两次自适应阈值分割，确定分割黄板图像之后，还包括：

利用形态学开运算对所述分割黄板图像进行平滑边缘处理，确定平滑边缘处理后的分割黄板图像。

可选的，所述根据所述黄板图像和所述分割黄板图像确定黄板昆虫图像，具体包括：

对所述黄板图像进行局部阈值分割，确定局部分割图像；所述局部分割图像为昆虫与黄板分割的图像；所所述局部阈值代表所述黄板图像上昆虫颜色与黄板颜色的高对比性；

根据所述分割黄板图像对所述局部分割图像进行掩膜处理，确定黄板昆虫图像。

一种用于黄板上蚜虫的识别系统，包括：

黄板图像获取模块，用于获取棉花大田环境下的黄板图像；所述黄板图像包括黄板表面及黄板周边环境的图像；

分割黄板图像确定模块，用于对所述黄板图像进行两次自适应阈值分割，确定分割黄板图像；所述分割黄板图像为所述黄板图像中只显示黄板表面黄色的图像；

黄板昆虫图像确定模块，用于根据所述黄板图像和所述分割黄板图像确定黄板昆虫图像；

历史数据获取模块，用于获取历史昆虫形态特征对应的昆虫种类；

昆虫识别网络模型获取模块，用于以所述历史昆虫形态特征为输入，以昆虫种类为输出建立昆虫识别网络模型；所述历史昆虫形态特征包括面积、离心率、长轴、短轴、周长、长短轴比值、复杂度和似圆度；

昆虫形态特征获取模块，用于获取所述黄板昆虫图像的昆虫形态特征；

昆虫种类识别模块，用于根据所述昆虫形态特征和所述昆虫识别网络模型对棉花大田间的昆虫种类进行识别，确定棉花大田间的蚜虫；

蚜虫统计模块，用于根据棉花大田间的蚜虫，确定棉花大田间的蚜虫数量。

可选的，所述的一种用于黄板上蚜虫的识别系统还包括：

转换后的黄板图像确定模块，用于将所述黄板图像进行颜色空间转换，确定转换后的黄板图像。

可选的，所述的一种用于黄板上蚜虫的识别系统还包括：

边缘平滑处理模块，用于利用开边缘运算对所述分割黄板图像进行平滑边缘处理，确定平滑边缘处理后的分割黄板图像。

可选的，所述黄板昆虫图像确定模块具体包括：

局部分割单元，用于对所述黄板图像进行局部阈值分割，确定局部分割图像；所述局部分割图像为昆虫与黄板分割的图像；所述局部阈值代表所述黄板图像上昆虫颜色与黄板颜色的高对比性；

黄板昆虫图像确定单元，用于根据所述分割黄板图像对所述局部分割图像进行掩膜处理，确定黄板昆虫图像。

根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明所提供一种用于黄板上蚜虫的识别方法及系统，通过获取整个黄板的完整图像，并对黄板图像进行两次自适应阈值分割，将黄板图像中的背景及黄板上的昆虫的颜色剔除，即对黄板进行定位；然后通过黄板图像和经过两次自适应阈值分割的换板图像得到黄板昆虫图像，进而通过黄板昆虫图像中提取的昆虫形态特征与蚜虫的形态特征进行识别。本发明对黄板图像进行整体处理，即对黄板图像进行两次自适应阈值分割，去除环境颜色因素的干扰，利用双翅目昆虫对黄板“趋黄性”和机器视觉相结合，能够实现在复杂背景下定位黄板与黄板上各种类害虫的自动识别与计数工作，因此，本发明不仅仅单一的只对蚜虫进行识别，而是在蚜虫与其他昆虫干扰之间进行鉴别，提高了蚜虫识别的准确性和自动性。实现了在复杂背景下定位黄板与黄板上各种类害虫的自动识别与计数工作，应用于病虫害防治与统计领域，极大的减少了在大田蚜虫和其他昆虫数量调查工作中的人工投入。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明所提供的一种用于黄板上蚜虫的识别方法流程示意图；

图2为本发明所提供的一种用于黄板上蚜虫的识别系统结构示意图。

附图说明：201-黄板图像获取模块，202-分割黄板图像确定模块，203-黄板昆虫图像确定模块，204-历史数据获取模块，205-昆虫识别网络模型获取模块，206-昆虫形态特征获取模块，207-昆虫种类识别模块，208-蚜虫统计模块。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明的目的是提供一种用于黄板上蚜虫的识别方法及系统，能够解决蚜虫识别精度低，导致田间蚜虫的统计准确率低的问题。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

图1为本发明所提供的一种用于黄板上蚜虫的识别方法流程示意图，如图1所示，本发明所提供的一种用于黄板上蚜虫的识别方法，包括：

S101，获取棉花大田环境下的黄板图像；所述黄板图像包括黄板表面及黄板周边环境的图像。

S102，对所述黄板图像进行两次自适应阈值分割，确定分割黄板图像；所述分割黄板图像为所述黄板图像中只显示黄板表面黄色的图像。

S103，根据所述黄板图像和所述分割黄板图像确定黄板昆虫图像。

S104，获取历史昆虫形态特征对应的昆虫种类。

S105，以所述历史昆虫形态特征为输入，以昆虫种类为输出建立昆虫识别网络模型；所述历史昆虫形态特征包括面积、离心率、长轴、短轴、周长、长短轴比值、复杂度和似圆度。

S106，获取所述黄板昆虫图像的昆虫形态特征。

S107，根据所述昆虫形态特征和所述昆虫识别网络模型对棉花大田间的昆虫种类进行识别，确定棉花大田间的蚜虫。

S108，根据棉花大田间的蚜虫，确定棉花大田间的蚜虫数量。

在具体的实施例中，本发明所提供的一种用于黄板上蚜虫的识别方法中，通过任意拍摄工具(例如手机、相机等)采集黄色粘虫板图像。

图像采集过程为：拍摄工具水平面尽可能与黄板水平面保持平齐，将黄板尽量容纳在相框范围内，相机设置为自动对焦模式，应尽量保证获取的图像清晰，采集图像的时间要求，尽量选取光线柔和的时间进行拍摄避免强光直射，以19：00到21:00之间为宜(内地时间可替换为17：00到19：00之间)。

在保证黄板完整性的前提下，尽可能使图像中黄板的像素面积最大。黄板面积不得小于相框面积的9/16，通过规定黄板在相框中的最小面积有利于与HSV颜色模型中H分量下的图像处理。

在实际应用中，获取的黄板图像中也存在一些环境颜色因素，比如：天空、棉花植株等干扰。

其中，为了提高识别的准确率，在S102之前，还包括：

将所述黄板图像进行颜色空间转换，确定转换后的黄板图像。

在实际的应用中，将获取的黄板图像应用MATLAB软件进行图像处理，将获取的黄板图像的RGB颜色模型转换为HSV颜色模型。

HSV颜色模型相对于常见的RGB颜色模型来说，更加符合人眼对颜色的感觉，其中H(Hue)表示色调，通过角度量代表色谱颜色，取值范围在0°～360°之间；从红色开始按逆时针方向计算，红色为0°，绿色为120°，蓝色为240°。它们的补色是：黄色为60°，青色为180°，品红为300°；S(Saturation)表示饱和度，颜色接近光谱色的程度越高，颜色的饱和度约高，取值范围在0％～100％之间；V(Value)表示明度，明度代表颜色明亮程度，对于物体色与物体的透射与反射成正比，取值范围在0％～100％。

在MATLAB软件环境下通过颜色空间转换函数(rgb2hsv)将RGB颜色空间转至HSV颜色空间。

在实际应用中，对对所述黄板图像进行两次自适应阈值分割的目的是通过不同颜色空间下不同颜色空间比较，选择了与色谱颜色相关，适合在复杂背景下定位黄板的H颜色分量，在H颜色分量下，通过两次自适应阈值分割，分别将大于黄板色谱颜色的浅色赋值为0，将小于黄板色谱颜色深色赋值为0，将等于黄板色谱颜色的黄色赋值为1，进而确定黄板位置。具体的过程如下：

通过颜色分量读取函数H＝HSV(：，：，1)，读取HSV颜色空间下H颜色分量，命名为第一灰度图。

颜色分量读取函数格式如下A＝B(：，：，n)；A为颜色分量，B为HSV颜色空间，n取值为1、2、3。当n取值为1时，读取H颜色分量，颜色分量读取函数格式为：H＝HSV(：，：，1)；

计算H颜色分量自适应分割阈值，阈值命名为第一自适应分割阈值。

第一自适应分割阈值采用最大类间方差法，最大类间方差法是将图像分为背景和前景两部分，使得背景与前景的平均灰度差别最大。这种差异用方差表示，目标就是求最大方差对应的阈值。

通过第一自适应分割阈值对第一灰度图颜色分量进行自适应阈值分割，第一灰度图H颜色分量灰度值大于第一自适应分割阈值取值为1，灰度值小于或等于第一自适应分割阈值取值为0，分割结果命名为第一二值图。

第一次自适应阈值分割在黄色色谱颜色与大于黄色色谱颜色之间进行了分割，让H颜色空间下黄色色谱颜色和小于黄色色谱颜色值全部取值为0，让H颜色空间下大于黄色色谱颜色全部取值为1。

令第一灰度图的第一二值图取值为1区域赋值为0，赋值后的第一灰度图得到第二灰度图。让第二灰度图中H颜色空间下大于黄色色谱颜色全部取值为0。

通过最大类间方差法再次计算第二自适应分割阈值(部分区域已赋值为0，灰度图)。

通过第二自适应分割阈值对第二灰度图进行自适应阈值分割，令第二灰度图灰度值大于阈值第二自适应分割阈值取值为1，灰度值小于第二自适应分割阈值取值为0，分割结果命名为第二二值图。

第二次自适应阈值分割在黄色色谱颜色与小于黄色色谱颜色之间进行了分割，让第二灰度图小于黄色色谱颜色全部取值为0，让H颜色分量下黄色色谱颜色全部取值为1。通过对H颜色分量两次自适应阈值分割，将大于黄色色谱颜色和小于黄色色谱颜色，赋值为0。黄色色谱颜色赋值为1。

为了保证能够准确地进行识别，在S102之后，还包括：

利用形态学开运算对所述分割黄板图像进行平滑边缘处理，确定平滑边缘处理后的分割黄板图像。

在实际应用中，利用MATLAB软件创建20单位的圆形单位，命名为se。通过se对第二二值图进行形态学开运算，运算结果命名为第三二值图。第二二值图进行形态学开运算是为了平滑黄板边缘。选择开运算是为了使第三二值图比实际黄板面积稍大，有利于后期G颜色分量的图像处理工作。

本发明还包括通过孔洞填充函数对第三二值图进行孔洞填充，填充结果命名为第四二值图。

在本次H颜色分量处理工作中，由于在H颜色分量下黄板上害虫色谱颜色(黑色)小于黄板色谱颜色(黄色)，导致单位面积较大的昆虫(瓢虫等)被视为背景分割掉了，造成了部分孔洞，为了后续图像处理，需要将孔洞进行填充。

S103具体包括：

对所述黄板图像进行局部阈值分割，确定局部分割图像；所述局部分割图像为昆虫与黄板分割的图像；所述局部阈值代表所述黄板图像上昆虫颜色与黄板颜色的高对比性；

根据所述分割黄板图像对所述局部分割图像进行掩膜处理，确定黄板昆虫图像。

在实际的应用中，S103中对所述黄板图像进行局部阈值分割，其中所述黄板图像为RGB颜色模型，选择了昆虫与黄板颜色差异最大、分割效果最好的G颜色空间进行分割。在G颜色分量下，通过局部阈值分割将昆虫(目标)与黄板(背景)进行分割。分别将黄板与蚜虫分别分割为黑色区域(二值取值为0)和白色区域(二值取值为1)。

具体的，通过颜色分量读取函数(G＝RGB(：，：，2)，读取RGB颜色空间下G颜色分量，命名为G(灰度图)。颜色分量读取函数格式如下A＝B(：，：，n)；A为颜色分量，B为RGB颜色空间，n取值为1、2、3；当n取值为1时，读取R颜色分量，颜色分量读取函数格式为：R＝RGB(：，：，1)。

通过中值滤波函数对变量G进行处理，滤波窗口尺寸设置为20×20，格式为[20，20]，处理结果命名为Gm；中值滤波是对图像进行平滑的一种滤波函数，目的是通过中值滤波创建阈值表面。

对Gm和G进行差值，差公式为bw4＝Gm-G+m；bw4为差值结果，为第五二值图，Gm为中值滤波结果，G为G颜色分量灰度图，常量m为中值滤波窗口尺寸m＝20。

设阈值为0，对第五二值图进行自适应阈值分割，分割结果命名为第六二值图；第五二值图中灰度值大于0取值为1，灰度值小于0取值为0；常量m设置为20，常量设置应根据滤波窗口尺寸进行设置；变量G是RGB颜色空间下读取的G颜色分量灰度图，变量Gm是G颜色分量值滤波结果。通过中值滤波建立阈值表面，对G颜色分量灰度图进行分割；变量m是为了剔除G颜色分量下黄板图像中部分干扰(如灰尘、划痕等)；蚜虫灰度值小于黄板灰度值，分割后蚜虫区域为白色(二值取值为1)，黄板区域为黑色(二值取值为0)。

对第六二值图取反，取反结果名为第七二值图；为了视觉上对蚜虫敏感，对图像进行取反，令蚜虫区域为黑色(二值取值为0)，黄板区域为白色(二值取值为1)。

掩膜处理为用选定的图像、图形或物体，对处理的图像进行遮挡，来控制图像处理的区域或处理过程；用于覆盖的特定图像或物体称为掩膜。

选用第四二值图对第七二值图进行遮挡，令第七二值图(G颜色分量局部阈值分割结果)中包含第四二值图(H颜色分量两次自适应阈值分割结果)等于0区域等于1；掩膜算法中的第七二值图(第四二值图＝＝0)＝1；处理结束，保存图像。

获取历史昆虫形态特征对应的昆虫种类，在具体的实施例中，获取历史蚜虫形态特征，通过蚜虫的形态特征实现对蚜虫的识别。

选取8个形态特特征作为蚜虫特征参数，其中8个形态特征分别为面积(Area)、离心率(Eccentricity)、长轴(MajorAxis Length)、短轴(Minor Axis Length)、周长(Perimeter)、长短轴比值、复杂度(Complexity)和似圆度(Roundness)。

8个形态特征提取总体思路如下：

首先，通过regionprops函数直接提取读取目标区域的部分形态特征。直接能提取到的形态特征如下：面积(Area)、离心率(Eccentricity)、长轴(Major Axis Length)、短轴(MinorAxis Length)、周长(Perimeter)。然后，通过面积(Area)、离心率(Eccentricity)、长轴(MajorAxisLength)、短轴(MinorAxisLength)和周长(Perimeter)五个形态特征计算其他形态特征。

其他形态特征的计算方法如下：

长短轴比值，它在一定程度上描述了区域的紧凑性，式中：Axis L为目标区域长轴，Axis S为目标区域短轴。

(1)E＝Axis_L/Axis_S

复杂度描述了区域的紧凑性：式中：P为区域周长，A为区域面积。

(2)C＝P²/4πA

似圆度反应了目标区域的紧凑性与伸长性：式中：A为区域面积，L目标区域长轴。

(3)

具体的提取方法为选择单头害虫或者整张黄板为目标，连通区域标记后，regionprops函数读取目标区域的8个形态特征。

在实际应用中，提取图像中蚜虫与昆虫干扰的形态特征，构建蚜虫与昆虫干扰的支持向量机(SupportVectorMachine,SVM)判别模型；核函数选择linear，交叉验证选择5％，其余参数选择默认值。待SVM判别模型训练完成后，保存SVM判别模型文件，用于识别验证。

图2为本发明所提供的一种用于黄板上蚜虫的识别系统结构示意图，如图2所示，本发明所提供的一种用于黄板上蚜虫的识别系统包括黄板图像获取模块201、分割黄板图像确定模块201、黄板昆虫图像确定模块/203、历史数据获取模块204、昆虫识别网络模型获取模块205、昆虫形态特征获取模块206、昆虫种类识别模块207和蚜虫统计模块208。

黄板图像获取模块201用于获取棉花大田环境下的黄板图像；所述黄板图像包括黄板表面及黄板周边环境的图像。

分割黄板图像确定模块202用于对所述黄板图像进行两次自适应阈值分割，确定分割黄板图像；所述分割黄板图像为所述黄板图像中只显示黄板表面黄色的图像。

黄板昆虫图像确定模块203用于根据所述黄板图像和所述分割黄板图像确定黄板昆虫图像。

历史数据获取模块204用于获取历史昆虫形态特征对应的昆虫种类。

昆虫识别网络模型获取模块205用于以所述历史昆虫形态特征为输入，以昆虫种类为输出建立昆虫识别网络模型；所述形态特征包括面积、离心率、长轴、短轴、周长、长短轴比值、复杂度和似圆度。

昆虫形态特征获取模块206用于获取所述黄板昆虫图像的昆虫形态特征。

昆虫种类识别模块207用于根据所述昆虫形态特征和所述昆虫识别网络模型对棉花大田间的昆虫种类进行识别，确定棉花大田间的蚜虫。

蚜虫统计模块208用于根据棉花大田间的蚜虫，确定棉花大田间的蚜虫数量。

所述的一种用于黄板上蚜虫的识别系统还包括：转换后的黄板图像确定模块；转换后的黄板图像确定模块用于将所述黄板图像进行颜色空间转换，确定转换后的黄板图像。

所述的一种用于黄板上蚜虫的识别系统还包括：边缘平滑处理模块；边缘平滑处理模块用于利用形态学开运算对所述分割黄板图像进行平滑边缘处理，确定平滑边缘处理后的分割黄板图像。

所述黄板昆虫图像确定模块203具体包括：局部分割单元和黄板昆虫图像确定单元；局部分割单元用于对所述黄板图像进行局部阈值分割，确定局部分割图像；所述局部分割图像为昆虫与黄板分割的图像；所述局部阈值代表所述黄板图像上昆虫颜色与黄板颜色的高对比性；黄板昆虫图像确定单元用于根据所述分割黄板图像对所述局部分割图像进行掩膜处理，确定黄板昆虫图像。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (8)

1.一种用于黄板上蚜虫的识别方法，其特征在于，包括：

获取棉花大田环境下的黄板图像；所述黄板图像包括黄板表面及黄板周边环境的图像；

对所述黄板图像进行两次自适应阈值分割，确定分割黄板图像；所述分割黄板图像为所述黄板图像中只显示黄板表面黄色的图像；

根据所述黄板图像和所述分割黄板图像确定黄板昆虫图像；

获取历史昆虫形态特征对应的昆虫种类；

以所述历史昆虫形态特征为输入，以昆虫种类为输出建立昆虫识别网络模型；所述历史昆虫形态特征包括面积、离心率、长轴、短轴、周长、长短轴比值、复杂度和似圆度；

获取所述黄板昆虫图像的昆虫形态特征；

根据所述昆虫形态特征和所述昆虫识别网络模型对棉花大田间的昆虫种类进行识别，确定所述黄板上的蚜虫；

根据所述黄板上的蚜虫，确定棉花大田间的蚜虫数量。

2.根据权利要求1所述的一种用于黄板上蚜虫的识别方法，其特征在于，所述对所述黄板图像进行两次自适应阈值分割，确定分割黄板图像之前，还包括：

将所述黄板图像进行颜色空间转换，确定转换后的黄板图像。

3.根据权利要求1所述的一种用于黄板上蚜虫的识别方法，其特征在于，所述对所述黄板图像进行两次自适应阈值分割，确定分割黄板图像之后，还包括：

利用形态学开运算对所述分割黄板图像进行平滑边缘处理，确定平滑边缘处理后的分割黄板图像。

4.根据权利要求1所述的一种用于黄板上蚜虫的识别方法，其特征在于，所述根据所述黄板图像和所述分割黄板图像确定黄板昆虫图像，具体包括：

对所述黄板图像进行局部阈值分割，确定局部分割图像；所述局部分割图像为昆虫与黄板分割的图像；所述局部阈值代表所述黄板图像上昆虫颜色与黄板颜色的高对比性；

根据所述分割黄板图像对所述局部分割图像进行掩膜处理，确定黄板昆虫图像。

5.一种用于黄板上蚜虫的识别系统，其特征在于，包括：

黄板图像获取模块，用于获取棉花大田环境下的黄板图像；所述黄板图像包括黄板表面及黄板周边环境的图像；

分割黄板图像确定模块，用于对所述黄板图像进行两次自适应阈值分割，确定分割黄板图像；所述分割黄板图像为所述黄板图像中只显示黄板表面黄色的图像；

黄板昆虫图像确定模块，用于根据所述黄板图像和所述分割黄板图像确定黄板昆虫图像；

历史数据获取模块，用于获取历史昆虫形态特征对应的昆虫种类；

昆虫识别网络模型获取模块，用于以所述历史昆虫形态特征为输入，以昆虫种类为输出建立昆虫识别网络模型；所述历史昆虫形态特征包括面积、离心率、长轴、短轴、周长、长短轴比值、复杂度和似圆度；

昆虫形态特征获取模块，用于获取所述黄板昆虫图像的昆虫形态特征；

昆虫种类识别模块，用于根据所述昆虫形态特征和所述昆虫识别网络模型对棉花大田间的昆虫种类进行识别，确定棉花大田间的蚜虫；

蚜虫统计模块，用于根据棉花大田间的蚜虫，确定棉花大田间的蚜虫数量。

6.根据权利要求5所述的一种用于黄板上蚜虫的识别系统，其特征在于，还包括：

转换后的黄板图像确定模块，用于将所述黄板图像进行颜色空间转换，确定转换后的黄板图像。

7.根据权利要求5所述的一种用于黄板上蚜虫的识别系统，其特征在于，所述的一种用于黄板上蚜虫的识别系统还包括：

边缘平滑处理模块，用于利用形态学开运算对所述分割黄板图像进行平滑边缘处理，确定平滑边缘处理后的分割黄板图像。

8.根据权利要求5所述的一种用于黄板上蚜虫的识别系统，其特征在于，所述黄板昆虫图像确定模块具体包括：

局部分割单元，用于对所述黄板图像进行局部阈值分割，确定局部分割图像；所述局部分割图像为昆虫与黄板分割的图像；所述局部阈值代表所述黄板图像上昆虫颜色与黄板颜色的高对比性；

黄板昆虫图像确定单元，用于根据所述分割黄板图像对所述局部分割图像进行掩膜处理，确定黄板昆虫图像。