农业工程学报 2012 年色系统，在 Lab 颜色空间中，一个像素点由 L、a和 b 等 3 个分量表征。其中，L 分量表征亮度，从全黑到全白所对应的 L 值变化范围为 0～100；a 分量表征红色和绿色，当颜色从洋红变化到全绿时，a 值的变化范围为+127～-128；b 分量表征黄色和蓝色，当颜色从黄色变化到蓝色时，b 值的变化范围为+127～-128。李冠林[19]等在 L*a*b 颜色空间模式下，利用 a、b 层二维数据空间的颜色差异，综合运用 K-means 聚类和图像形态学方法实现了对葡萄病害彩色图像较准确的二值化分割和彩色分割。本研究针对复杂背景下的彩色柑橘红蜘蛛图像，利用 Lab 颜色模型中 a、b 层信息，基于 K-means聚类法识别图像中的红蜘蛛目标，拟为快速检测红蜘蛛病虫害提供有效的方法。1 基于 Lab 颜色模型和 K-means 聚类的柑橘红蜘蛛目标识别方法1.1 RGB 模型到 Lab 模型转换本研究中将图像中的像素值由 RGB 空间转换到 Lab 空间方法如式（1）、式（2）和式（3）[20]NL=0.2126×NR+0.7152×NG+0.0722×NB（1）=1.4749(0.2213 -0.3390 +0.1177 )+128aR G BNN N N´´ ´ ´（2）=0.6245(0.1949 -0.6057 -0.8006 )+128bR G BNN N N´´ ´ ´（3）其中，NL为 Lab 图像中某像素点的 L 值；Na为 Lab图像中某像素点的 a 值；Nb为 Lab 图像中某像素点的 b 值；NR为 RGB 图像中某像素点的 R 值；NG为RGB 图像中某像素点的 G 值；NB为 RGB 图像中某像素点的 B 值。颜色空间转换后，选取 Lab 颜色模型图像中 a、b 层信息用于柑橘红蜘蛛图像目标识别。1.2 K-means 聚类算法K-means 聚类法给定一个数据点集合和需要的聚类数目，算法根据特定的距离函数通过迭代将数据点移入各聚类域中，实现步骤为[19]：1）给定像素大小为 n 的样本空间数据集，令迭代次数为 R，根据指定聚类数 k 随机选取 k 个像素作为初始聚类中心 Cj(r)，其中：j=1，2，3，…，k；r=1，2，3，…，R；2）计算样本空间中每个数据对象与初始聚类中心的相似度距离 D(Xi, Cj(r))；其中，i=1，2，3，…，n，形成簇 Wj，如果满足式(4)211( , ( )) ( , ( ))ni j i jiD X C r D X C r e+=å- < （4）则 Xi∈Wj，Xi记为 w；其中 ε为任意给定的正数；3）计算 k 个新的聚类中心，计算公式如下( )11( 1)njjj iiC r Xn=+ = å （5）聚类准则函数值的计算公式如下21( 1) ( 1)jki w W jE r w C r= Î+ = å å- + （6）4）判断聚类是否合理，判别公式如下E(r +1) -E(r) <e （7）若合理则迭代终止；若不合理则返回 2）、3）步继续迭代。1.3 算法的 MATLAB 实现本研究将 K-means 聚类算法用于柑橘红蜘蛛图像分割，以 Lab 模型图像的颜色直方图作为图像的检索特征，将像素间的相似程度归结为颜色间的差距[21]。算法设计的基本思路是：1）从包含 M×N 个像素（M、N 分别为图像中每行和每列所包含的像素数）的图像数据对象中选择 K 个对象作为代表红蜘蛛区域和非红蜘蛛区域的初始聚类中心，对于剩下的其他对象，则根据它们与聚类中心的相似度将其分配给与其最为相似的聚类并进行标记，从而产生 K 种新聚类标记区域；2）计算各新聚类的聚类中心，暨该聚类中所有对象的均值，继续进行聚类；3）不断重复这一过程直到聚类准则函数开始收敛为止，最终产生的 K 种不变的聚类标记区域即为分割结果。研究设计的算法基于 MATLAB（Version 2008a，Mathworks，USA）实现，程序运行的主要软硬件配置为 CPU：Pentium E5200 2.5 GHz，内存容量 2.0 GB，操作系统 Windows XP Service Pack 2。在调用MATLAB 的 K-means 聚类函数前，须对原始图像进行处理以满足聚类函数的要求。在一幅维数为 M×N的 Lab 模式图像中，分别提取图像的 a 层和 b 层，获得矩阵 Lab_a[M，N]和 Lab_b[M，N]。令该图像的像素总量 W=M×N，合并矩阵 Lab_a 和 Lab_b 后进行维度变换，得到待聚类的样本集矩阵 pic[W，2]。得到待聚类样本集矩阵后，可调用 MATLAB中的 kmeans()函数实现聚类，方法为[idx center]=kmeans(pic,n Clusters,'distance','sq Euclidean'，'Start', 'sample','Replicates',5)其中，idx 为 W 行 1 列的向量，存储图像中每个点的聚类标号；center 为 n Clusters 行 2 列的矩阵，存储 n Clusters 个聚类中心位置；pic 为 W 行 2 列的矩阵，存储待聚类样本集；n Clusters 为聚类中心个数，本研究中取值为 2、3、4 和 5；'distance'和'sq Euclidean'—聚类时采用欧式距离作为距离测度；'Replicates',5—聚类重复 5 次。'Start'和'sample'反映了本研究中初始聚类中心农业工程学报 2012 年3 结果与分析3.1 图像清晰度评价结果利用式（8）清晰度评价函数计算得到图 1 中各图的清晰度评价值 J 分别为：4 640、8 770、862、14 920，2 415、553、1 383 和 1 857，说明图 1d 的清晰度较高，图 1f 的清晰度较低。3.2 红蜘蛛识别效果试验结果与分析图 1 中各图的灰度图像如图 3 所示，采用灰度法的目标识别结果如图 4，采用灰度法以及含不同数量的聚类中心时 K-means 聚类法识别红蜘蛛的识别率和误判率如表 1。a. J=4 640 b. J=8 770 c. J=862 d. J=14 920e. J=2 415 f. J=553 g. J=1 383 h. J=1 857图 3 图 1 中各图的灰度图像Fig.3 Gray image of images in Figure 1a. J=4640 b. J=8770 c. J=862 d. J=14920e. J=2415 f. J=553 g. J=1383 h. J=1857图 4 灰度法目标识别结果Fig.4 Target identification result using grayscale method表 1 灰度法及 K-means 聚类法识别红蜘蛛结果Table 1 Red mite recognition result using grayscale method and K-means clustering %灰度法 2 个聚类中心 3 个聚类中心 4 个聚类中心 5 个聚类中心所选图像识别率 误判率 识别率 误判率 识别率 误判率 识别率 误判率 识别率 误判率图 1a 20 340 20 140 100 0 100 0 100 0图 1b 13 125 13 950 100 13 100 0 100 0图 1c 0 60 53 59 88 18 82 0 88 0图 1d 0 536 90 171 72 88 79 0 100 0图 1e 0 50 25 120 80 35 80 0 80 0图 1f 100 0 100 0 100 0 100 0 100 0图 1g 0 500 0 360 100 0 100 0 100 0图 1h 100 0 0 1800 100 0 100 0 100 0平均值 29 201 37 450 93 19 93 0 96 0 李 震等：基于 K-means 聚类的柑橘红蜘蛛图像目标识别 149的设置方法为：从 pic 中随机选取 n Clusrters 个质心点，采用 kmeans 算法进行 5 次重复聚类运算，每次重复的运算均重新随机选取 n Clusters 个质心点进行聚类，最终 kmeans 函数返回多次运算之中类间距离最小的一次聚类结果。1.4 二值化和噪声滤除聚类完成后将图像二值化，采用 5×5 的单位矩阵对二值图像进行开、闭运算以去除图像中的噪声杂点及修复图像中的断点，实现目标识别。2 试验设计2.1 图像清晰度评价数字图像清晰度评价在图像分析和识别中具有重要意义，而数字图像清晰度评价函数是评价图像清晰度的重要依据。常用的评价函数有：基于频率域特征的评价函数、基于边缘特征提取的评价函数和基于离散余弦变换的评价函数等[22-25]。其中基于边缘特征提取的评价函数在计算量、受图像灰度级数影响程度及评价的直观性等方面具有优势。本研究对如图 1 所示的 8 幅具有不同清晰度的柑橘红蜘蛛图像，采用基于 Sobel 边缘检测算子的清晰度评价函数评价各图的清晰度，如式（8）( , )M Ng x yJM N=´åå（8）其中，J 为图像清晰度评价值，J 值越大表征图像清晰度越高；g(x，y)为图像中每个像素经水平 Sobel卷积核和垂直 Sobel 卷积核卷积后的最大值；x、y为图像中某像素的横坐标和纵坐标；M、N 为图像中每行和每列所包含的像素数。注：J 为图像清晰度评价值，J 越大图像清晰度越高。图 1 不同清晰度的柑橘红蜘蛛图像Fig.1 Citrus red mite images with complicated background2.2 红蜘蛛识别效果试验对图 1 中 4 幅图像采用 K-means 聚类算法进行目标识别，对比包含 2、3、4 或 5 个聚类中心时 K-means 聚类法对红蜘蛛目标的识别效果。将图像灰度化并采用大律法（Otsu）[26]计算最佳阈值，基于该阈值进行图像分割和目标识别，对比灰度法和 K-means 聚类法识别红蜘蛛目标的效果。评价的指标为识别率和误判率，分别计算采用不同识别算法针对 8 幅图像进行目标识别得到的识别率和误判率的平均值。各图中实际红蜘蛛数量由人工数取，识别率为算法正确识别的红蜘蛛数量与实际红蜘蛛数量的比值，误判率为算法误将图像中其他内容识别红蜘蛛的数量与实际红蜘蛛数量的比值。图 1d、f 含有大量虫卵，试验中只对其中的红蜘蛛进行识别。图 1 中未被识别的红蜘蛛由检测算法划分为背景。基于 Lab 颜色模型和 K-means 聚类法进行红蜘蛛目标识别的步骤如图 2 所示。图 2 红蜘蛛目标识别步骤Fig.2 Steps of red mite recognition2.3 红蜘蛛识别效率试验利用 MATLAB 中的 tic/toc 函数记录灰度法和K-means 聚类法识别红蜘蛛目标所需时间，分析程序耗时与图像尺寸及聚类中心数量间关系。试验时尽量关闭其他应用程序，各算法针对同一幅图像执行3次，取 3 次执行的平均耗时作为该算法的执行所需时间。基于 K-means 聚类的柑橘红蜘蛛图像目标识别李 震1,2,3，洪添胜1,2,3※，曾祥业1,2,3，郑健宝1,2,3（1.南方农业机械与装备关键技术教育部重点实验室，广州 510642；2.国家柑橘产业技术体系机械研究室，广州 510642；3.华南农业大学工程学院，广州 510642）摘 要：为快速检测红蜘蛛虫害，该研究采用基于 Lab 颜色模型中 a（红/绿）、b（黄/蓝）层信息的 K-means 聚类法识别彩色图像中的红蜘蛛。试验选取 8 幅具有不同清晰度的柑橘红蜘蛛图像，采用基于 Sobel 边缘检测算子的评价函数计算图像清晰度评价值以评价图像清晰度，对比采用灰度法和包含 2、3、4 或 5 个聚类中心的 K-means聚类法的目标识别效果和识别效率。结果表明，灰度法对 8 幅图像中红蜘蛛目标识别率平均值为 29%，误判率平均值为 201%，无法应用于复杂背景图像中的红蜘蛛目标识别。包含 5 个聚类中心的 K-means 聚类法对清晰度较高的图像识别率为 100%，误判率为 0，对清晰度较低的图像识别率为 88%，误判率为 0；当图像尺寸较小时，包含 4 个聚类中心的 K-means 聚类法识别效率与灰度法相当；当图像尺寸较大时，重复计算聚类中心导致识别耗时较长；基于 Lab 颜色空间的识别算法无法有效识别其他颜色的红蜘蛛，继续研究的方向为引入红蜘蛛形态信息以提高识别准确率和优化聚类中心的选取以降低识别耗时。关键词：聚类算法，识别，图像处理，K-means 聚类，目标识别，柑橘，红蜘蛛，机器视觉doi：10.3969/j.issn.1002-6819.2012.23.020中图分类号：TP79；S666 文献标志码：A 文章编号：1002-6819(2012)-23-0147-07李 震，洪添胜，曾祥业，等. 基于 K-means 聚类的柑橘红蜘蛛图像目标识别[J]. 农业工程学报，2012，28(23)：147－153.Li Zhen, Hong Tiansheng, Zeng Xiangye, et al. Citrus red mite image target identification based on K-means clustering[J].Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2012, 28(23): 147－153. (inChinese with English abstract)0 引 言 近年来，红蜘蛛对果园的危害逐渐严重，它分布广、繁殖快、寄主植物广泛，大量发生时可导致树叶变色脱落及果实畸变早落，造成果树减产[1]。目前对红蜘蛛的防治以喷洒化学农药为主，平均每叶有虫 5 头时，应立即喷药[2]。因此，正确和有效地识别果园红蜘蛛的发生情况，合理喷施农药，对实现果园的丰产丰收及保护环境具有重要的意义。传统的虫害检测依靠专业人员在放大镜下对收稿日期：2012-04-15 修订日期：2012-10-25基 金 项 目 ： 国 家 自 然 科 学 基 金 （ 31101077 ）； 广 东 省 科 技 计 划（2011B020308009）；现代农业产业技术体系建设专项资金（CARS-27）；公益性行业（农业）科研专项经费（200903023）；华南农业大学博士启动基金（4500-K10056）项目作者简介：李 震（1981－），男，广东广州人，博士，副教授，主要从事电子信息技术应用方面的研究。广州 华南农业大学工程学院，南方农业机械与装备关键技术教育部重点实验室，国家柑橘产业技术体系机械研究室，510642。Email：lizhen@scau.edu.cn※通信作者：洪添胜（1955－），男，广东梅县人，博士，教授，博士生导师，主要从事机电一体化及信息技术在农业中的应用研究。广州华南农业大学工程学院，南方农业机械与装备关键技术教育部重点实验室，国家柑橘产业技术体系机械研究室，510642。Email：tshong@scau.edu.cn，中国农业工程学会高级会员（E041200036S）农作物样本进行人工辨别、分类和计算，工作量大、漏检率高、效率低下。为克服传统方法的不足，人们研究了声特征检测法、雷达观测法、图像识别法以及光谱法等多种虫害检测和监测新方法[3-6]。其中，图像识别法通过对图像传感器所获得的农作物病虫害图像进行分析和处理，能够有效地识别病虫害的种类、数量和程度，在农作物病虫害识别研究中进展较快[7-10]。常用的图像目标识别方法包括：模版匹配法[11]、形态学识别法[12]、统计学识别法[13]、机器学习法[14]、曲线拟合法[15]、灰度变化法[16-17]以及几种方法的综合应用等[18]。柑橘红蜘蛛雌成螨呈椭圆形或半球形，长 0.32～0.41 mm，体色深红或暗红；雄成螨呈楔形，比雌成螨小，体色鲜红。由于柑橘红蜘蛛体型较大，且体色与树叶及周围环境颜色存在较大差异，因此可利用图像法，基于图像中目标与背景的颜色信息进行识别。目前数码相机拍摄的图像主要通过 RGB（redgreen and blue）颜色模型表征，图像中某一像素点包含红（R）、绿（G）和蓝（B）色的亮度值。该模型只能反映图像中各像素点颜色梯度的变化，无法体现色相间的差异。L*a*b 颜色模型（文中简称Lab）是一种以数字化方式描述人类视觉感应的颜 李 震等：基于 K-means 聚类的柑橘红蜘蛛图像目标识别 151由图 4 和表 1 可得，灰度法对 8 幅图像中红蜘蛛目标识别率平均值为 29%，识别率较低；误判率平均值为 201%，误判率较高，识别效果不理想。虽然图1d 的图像清晰度评价值最高，但是通过观察图 3d 灰度图像发现其背景较复杂，且红蜘蛛、虫卵和背景间差异不明显，导致灰度法无法正确识别目标。含 2 个聚类中心的 K-means 聚类法对图 1b、e、g 和 h 中目标的识别率较低；对图 1b 和 h 中目标的误判率较高。对 8 幅图像中红蜘蛛目标识别率平均值为 37%；误判率平均值为 450%，误判率较高。含 3 个聚类中心的 K-means 聚类法能够正确识别图 1a、b、f、g 和 h 中的目标，但分类数量较少导致算法难以彻底消除背景杂点或虫卵的影响，对图 b、c、d 和 e 等误判率仍较高。含 4 个聚类中心的 K-means 聚类法对图 1a、b、f、g 和 h 的识别率达到 100%，对所有图像误判率均为 0。含 5 个聚类中心的 K-means 聚类法对图 1a、b、d、f、g 和 h 的识别率均达到 100%，误判率为 0%；对图 1c、e 中目标的识别率为 88%和 80%，误判率均为 0。含 5 个聚类中心时图 1 中各图所包含像素的聚类情况如图 5 所示。由图 5 可以看出，含5 个聚类中心时 K-means 聚类算法未能完全识别图 1c、e 中目标的原因为：图 1c 的图像清晰度较低，目标与背景间颜色差异不明显，只基于颜色信息的 K-means 聚类算法无法识别椭圆形框中距离较近的多头红蜘蛛；图 1e 中有一头红蜘蛛为灰黑色，难以从基于 Lab 空间的颜色模型进行区分。进一步研究可通过引入红蜘蛛形态信息以提高识别准确率。图 5 含 5 个聚类中心时像素的分类情况Fig.5 Pixel classification status using 5 clustering centers3.3 红蜘蛛识别效率试验结果与分析采用灰度法以及含不同数量的聚类中心时K-means 聚类法执行所需时间如表 2。表 2 灰度法及 K-means 聚类法目标识别所需时间Table 2 Target recognition time consumption using grayscalemethod and K-means clustering程序执行耗时/s所选图像图像尺寸/像素 灰度法2 个聚类中心3 个聚类中心4 个聚类中心5 个聚类中心图 1a 400×260 0.36 0.37 0.72 0.83 1.23图 1b 490×323 0.39 0.75 1.70 1.09 1.90图 1c 220×165 0.36 0.31 0.26 0.27 0.38图 1d 640×480 0.52 1.72 3.25 3.85 4.42图 1e 246×192 0.45 0.32 0.29 0.33 0.64图 1f 152×220 0.18 0.15 0.16 0.26 0.45图 1g 220×165 0.24 0.22 0.17 0.21 0.45图 1h 320×240 0.37 0.35 0.41 0.51 0.50由表 1、2 可得，虽然灰度法所需时间较短且识别耗时受图像尺寸影响较小，但由于其对除图 f、h 以外图像中目标的识别率较低；同时误判率较高；低识别率和高误判率导致其无法应用于红蜘蛛数量较多的图像中进行目标识别。图 1c、g 的尺寸均为 220×165 像素，应用K-means 聚类法进行目标识别时聚类中心数量对程序执行所需时间的影响较小。当采用包含 4 个聚类中心的 K-means 聚类法时，目标识别率为 82%和100%，误判率均为 0，程序执行耗时 0.27 和 0.21s，识别效果和识别效率均优于灰度法。包含5个聚类中心的K-means聚类法由于K-means聚类算法需要通过重复迭代计算聚类中心及对象与聚类中心间距离，当图像尺寸较大且聚类中心数量较多时，重复计算聚类中心导致识别耗时较长。进一步研究可通过优化聚类中心的选取以降低识别耗时。4 结 论本研究针对复杂背景下的彩色柑橘红蜘蛛图像，综合利用 Lab 颜色模型中 a、b 层信息，基于K-means 聚类法识别图像中的红蜘蛛目标。试验选取 8 幅不同清晰度的柑橘红蜘蛛图像，采用基于Sobel 边缘检测算子的清晰度评价函数计算图像清农业工程学报 2012 年晰度评价值以评价各图的清晰度，对比采用灰度法及含 2、3、4 或 5 个聚类中心时 K-means 聚类法对红蜘蛛目标的识别效果，得到以下结论：1）灰度法虽然所需时间较短且识别耗时受图像尺寸影响较小，但其对 8 幅图像中红蜘蛛目标识别率平均值为 29%，识别率较低；误判率平均值为201%，误判率较高，无法应用于复杂背景图像中的红蜘蛛目标识别。2）包含 5 个聚类中心的 K-means 聚类法对图像清晰度较高的图像识别率为 100%，误判率为 0%，对图像清晰度较低的图像识别率为 88%，误判率也为0%，识别效果优于灰度法。基于 Lab 颜色空间的识别算法无法有效识别如图灰色等其他颜色的红蜘蛛，导致算法对较清晰图像的识别率仅为 80%。3）当图像尺寸较小时，包含 4 个聚类中心的K-means 聚类法识别效率与灰度法相当；当图像尺寸较大时，重复计算聚类中心导致识别耗时较长。4）继续研究的方向为引入红蜘蛛形态信息以提高识别准确率和优化聚类中心的选取以降低识别耗时。[参 考 文 献][1] 林党恩，廖世纯，韦乔现. 17 种阿维菌素混剂对柑桔红蜘蛛的田间防治效果[J]. 中国农学通报，2010，26(23)：295－298.Lin Dangen, Liao Shichun, Wei Qiaoxian. The control effectof 17 type of abamectin mixtures against panonychus citri[J].China Agricultural Science Bulletin, 2010, 26(23): 295－298. (in Chinese with English abstract)[2] 汪学富. 柑桔红蜘蛛生物学特性及防治对策[J]. 陕西林业科技，2009(3)：86－87，90.Wang Xuefu. Biological characteristics of citrus redmites and corresponding measures to control[J]. ShaanxiForest Science and Technology, 2009(3): 86－87, 90. (inChinese with English abstract)[3] 周志艳，罗锡文，张扬，等. 农作物虫害的机器检测与监测技术研究进展[J]. 昆虫学报，2010，53(1)：98－109.Zhou Zhiyan, Luo Xiwen, Zhang Yang, et al.Machine-based technologies for detecting and monitoringinsect pests of crops: a review[J]. Acta Entomologica Sinica,2010, 53(1): 98－109. (in Chinese with English abstract)[4] Shuman D, Weaver D K, Mankin R W. Quantifyinglarval infestation with an acoustical sensor array andcluster analysis of cross-correlation outputs[J]. AppliedAcoustics, 1997, 50(4): 279－296.[5] Mankin R W, Fisher J R. Current and potential uses ofacoustic systems for detection of soil insects infestations[C]// In Proceedings of the Fourth Symposiumon Agroacoustic, Oxford, MS, USA, 2002: 152－158.[6] Ding F, Jones C L, Weckler P. Detection andidentification of stored-grain insects with RF/Microwaveand neural network technology[J]. Transactions of theASABE, 2009, 52(6): 2105－2114.[7] 邓继忠，李敏，袁之报，等. 基于图像识别的小麦腥黑穗病害特征提取与分类[J]. 农业工程学报，2012，28(3)：172－176.Deng Jizhong, Li Min, Yuan Zhibao, et al. Feature extractionand classification of Tilletia diseases based on imagerecognition[J]. Transactions of the Chinese Society ofAgricultural Engineering (Transactions of the CSAE), 2012,28(3): 176－176. (in Chinese with English abstract)[8] 郑永军，吴刚，王一鸣，等. 基于模糊模式的蝗虫图像识别方法[J]. 农业工程学报，2010，26(Supp.2)：21－25.Zheng Yongjun, Wu Gang, Wang Yiming, et al. Locustimages detection based on fuzzy pattern recognition[J].Transactions of the Chinese Society of AgriculturalEngineering (Transactions of the CSAE), 2010,26(Supp.2): 21－25. (in Chinese with English abstract)[9] 刘德营，赵三琴，丁为民，等. 基于图像频谱特征的稻飞虱识别方法[J]. 农业工程学报，2012，28(7)：184－188.Liu Deying, Zhao Sanqin, Ding Weimin, et al. Identificationmethod for rice plant hoppers based on image spectralcharacteristics[J]. Transactions of the Chinese Society ofAgricultural Engineering (Transactions of the CSAE), 2012,28(7): 184－188. (in Chinese with English abstract)[10] 文韬，洪添胜，李 震，等. 基于机器视觉的橘小实蝇运动轨迹跟踪与数量检测[J]. 农业工程学报，2011，27(10)：137－141.Wen Tao, Hong Tiansheng, Li Zhen, et al. Statistics andtracking of Bactrocera Dorsalis based on machine vision[J].Transactions of the Chinese Society of AgriculturalEngineering (Transactions of the CSAE), 2011, 27(10): 137－141. (in Chinese with English abstract)[11] Liu J D. The expert system for identification oftortricinae (Lepidoptera) using venation of tortricinae(Lepidoptera)[J]. Entomol. Sin., 1996, 3(2): 133－137.[12] 王润涛，张长利，房俊龙，等. 基于机器视觉的大豆籽粒精选技术[J]. 农业工程学报，2011，27(8)：355－359.Wang Runtao, Zhang Changli, Fang Junlong. et al.Soybean seeds selection based on computer vision[J].Transactions of the Chinese Society of AgriculturalEngineering (Transactions of the CSAE), 2011, 27(8):355－359. (in Chinese with English abstract)[13] Park J J, Kim J K, Park H, et al. Development oftime— efficient method for estimating aphid density usingyellow sticky traps in cucumber greenhouse[J]. Journal ofAsia-Pacific Entomol, 2001, 4(2): 143－148.[14] 姚青，吕军，杨保军，等. 基于图像的昆虫自动识别与计数研究进展[J]. 中国农业科学，2011，44(14)：2886－2899.Yao Qing, Lü Jun, Yang Baojun, et al. Progress inresearch on digital image processing technology forautomatic insect identification and counting[J]. ScientiaAgricultura Sinica, 2011, 44(14): 2886 － 2899. (inChinese with English abstract)[15] 邱白晶，王天波，李娟娟，等. 黄瓜蚜虫的图像识别与计数方法[J]. 农业机械学报，2010，41(8)：151－155.Qiu Baijing, Wang tianbo, Li Juanjuan, et al. Imagerecognition and counting for glasshouse aphis gossypii[J].Transactions of the Chinese Society of AgriculturalEngineering (Transactions of the CSAE), 2010, 41(8):151－155. (in Chinese with English abstract)[16] 李寒，王库，曹倩，等. 基于机器视觉的番茄多目标提取与匹配[J]. 农业工程学报，2012，28(5)：168－172.Li Han, Wang Ku, Cao Qian, et al. Tomato targetsextraction and matching based on computer vision[J].Transactions of the Chinese Society of AgriculturalEngineering (Transactions of the CSAE), 2012, 28(5):168－172. (in Chinese with English abstract)[17] 陈月华，胡晓光，张长利. 基于机器视觉的小麦害虫分割算法研究[J]. 农业工程学报，2007，23(12)：187－191.Cheng Yuehua, Hu Xiaoguang, Zhang Changli. Algorithm forsegmentation of insect pest images from wheat leaves based