简介这份MATLAB害虫检测识别系统面向植物保护、农业信息化方向的本科生与研究生尤其适合作为毕业设计或课程设计参考解决叶片虫害等级自动判别的问题。系统基于颜色特征实现四分类可区分正常、轻度、中度与严重虫害核心流程包括按等级分文件夹训练颜色分量、生成color.mat训练值再对测试叶片进行亮度调节、色彩空间转换与颜色分量计算最终匹配输出识别结果。压缩包共94个文件以84张jpg样本图、7个m脚本、1个mat训练数据、1份doc说明及1张png运行图为主整体约7.81MB样本按灾害等级分目录组织便于直接复现实验。目前已有1930人学习下载读者可获得完整算法脚本、分等级图像数据集、训练与匹配代码及运行效果参考适合在此基础上做特征改进或扩展识别类别。1. 从一张叶片照片到虫情报告MATLAB害虫检测识别系统到底在做什么田里发现叶片被啃出孔洞但不知道是哪种虫、要不要打药、打什么药——这是植保和农技推广里最日常的困境。MATLAB害虫检测识别系统要解决的就是这件事用手机或普通相机拍一张叶片或诱捕盘的照片在MATLAB里跑完预处理、分割、特征提取、分类四步输出害虫种类和大致数量。它适合三类人做农业智能装备的嵌入式工程师、需要快速验证识别算法的研究生、以及想把虫情监测从人工数虫升级成半自动的植保技术员。整套流程不依赖深度学习框架用MATLAB自带的图像处理工具箱和分类器就能跑通对没有GPU的现场设备特别友好。下面按“先跑通再调优”的顺序把每个环节的参数和坑讲清楚。2. 图像预处理与目标分割把虫子从背景里抠出来2.1 为什么先做颜色空间转换而不是直接灰度化很多新手拿到叶片照片第一反应是rgb2gray然后阈值分割。这在绿色叶片上会翻车害虫和叶脉的灰度值可能只差十几个灰阶阈值根本切不开。更稳的做法是转到HSV或Lab空间利用害虫与叶片在色度通道上的差异。常见做法是取HSV的S通道或Lab的a通道做分割因为这两个通道对绿色背景的抑制最明显。% 读取原始图像并转换到Lab空间 img imread(leaf_sample.jpg); lab rgb2lab(img); % a通道对绿色背景抑制强害虫区域通常偏红/偏暗 a_channel lab(:,:,2); % 用Otsu自动阈值分割避免手动调阈值 level graythresh(a_channel); bw imbinarize(a_channel, level); % 形态学闭运算填补虫体内部空洞 se strel(disk, 3); bw_closed imclose(bw, se); % 去除面积过小的噪点小于50像素视为杂质 bw_clean bwareaopen(bw_closed, 50);逻辑说明rgb2lab把图像转到感知均匀的Lab空间a通道负值偏绿、正值偏红害虫体色通常比叶片更偏红或更暗所以a通道能拉开对比。graythresh用Otsu方法自动找阈值省去手动试参。imclose用半径3的圆盘结构元素闭运算把虫体上因反光造成的断裂连起来。bwareaopen去掉面积小于50像素的连通域这些多半是灰尘或叶面斑点。参数说明strel(disk,3)的半径3是经验值虫子体长在图像里占30到80像素时合适如果拍的是微小蚜虫半径要降到1到2否则会把相邻两只虫粘成一块。bwareaopen的50像素阈值对应约0.5毫米见方的杂质高分辨率图像可以提到100到200。2.2 粘连虫体的分水岭分割当害虫聚集在诱捕盘上时二值化后经常出现一大片粘连区域直接做连通域计数会把十只虫算成一只。这时候要用分水岭算法基于距离变换做拆分。% 对清洗后的二值图做距离变换 D -bwdist(~bw_clean); % 强制最小值避免过度分割 D(~bw_clean) -Inf; % 分水岭分割 L watershed(D); % 把背景标记为0只保留虫体区域 L(~bw_clean) 0; % 统计连通域数量 stats regionprops(L, Area, Centroid); num_pests length(stats);逻辑说明bwdist计算每个前景像素到最近背景的距离虫体中心距离最大。取负值后分水岭算法会把每个“山峰”当成独立区域。D(~bw_clean) -Inf强制背景为最小值防止分割线跑到背景里。watershed返回标签矩阵每个标签对应一只虫。regionprops统计面积和质心面积可用于后续筛选。参数说明分水岭容易过度分割如果发现一只虫被切成两半可以在距离变换后做一次imhmax抑制浅谷或者对regionprops返回的面积做二次过滤把面积小于平均面积40%的区域合并回相邻区域。这个阈值我一般设0.4具体看虫种体型一致性。3. 特征提取与分类器选型用什么特征区分蛾类和甲虫3.1 形态学特征与纹理特征的组合策略分割出虫体后下一步是提取能区分种类的特征。单靠面积和周长不够因为不同种类的蛾类体型可能重叠。我一般用三组特征形态学特征面积、周长、偏心率、凸包比、颜色特征Lab均值、HSV直方图、纹理特征灰度共生矩阵的对比度和能量。这三组特征拼成一个特征向量送进分类器。% 提取形态学特征 stats regionprops(L, Area, Perimeter, Eccentricity, Solidity); % 提取颜色特征Lab三通道均值 mean_a mean(a_channel(bw_clean)); mean_b mean(lab(:,:,3)(bw_clean)); % 提取纹理特征灰度共生矩阵 gray rgb2gray(img); glcm graycomatrix(gray, NumLevels, 8, Offset, [0 1]); props graycoprops(glcm, {Contrast, Energy}); % 拼接特征向量 feature_vec [stats.Area, stats.Perimeter, stats.Eccentricity, ... stats.Solidity, mean_a, mean_b, props.Contrast, props.Energy];逻辑说明regionprops的Eccentricity反映虫体细长程度蛾类通常比甲虫更细长Solidity是面积与凸包面积之比甲虫更接近1。Lab均值捕捉体色差异。graycomatrix的Offset设为[0 1]表示水平方向相邻像素对NumLevels降到8是为了减少稀疏矩阵维度。graycoprops提取对比度和能量对比度高说明纹理粗糙能量高说明纹理均匀。参数说明NumLevels设8到16之间太高会导致GLCM矩阵稀疏、计算变慢。Offset可以设多个方向如[0 1]、[1 0]、[1 1]然后取平均但特征维度会翻倍。如果分类器是SVM特征维度超过20时建议先做PCA降维。3.2 用fitcecoc做多类分类的配置要点MATLAB里做多类分类最省事的是fitcecoc它用纠错输出码把二分类SVM扩展到多类。对于害虫识别这种类别数在5到15之间的任务比直接改神经网络省事得多。% 假设featureTable是表格最后一列是类别标签 % 划分训练集和测试集 cv cvpartition(featureTable.Label, HoldOut, 0.3); trainData featureTable(training(cv), :); testData featureTable(test(cv), :); % 训练ECOC多类SVM template templateSVM(KernelFunction, rbf, BoxConstraint, 1); mdl fitcecoc(trainData(:, 1:end-1), trainData.Label, ... Learners, template, Coding, onevsone); % 预测并计算准确率 pred predict(mdl, testData(:, 1:end-1)); accuracy sum(pred testData.Label) / height(testData);逻辑说明cvpartition按类别分层抽样保证训练集和测试集类别比例一致。templateSVM指定RBF核BoxConstraint控制惩罚力度。fitcecoc的Coding设为onevsone对每两个类别训练一个SVM适合类别数不多的情况。predict返回预测标签直接和真实标签比对算准确率。参数说明BoxConstraint默认是1如果发现训练准确率高但测试准确率低过拟合降到0.1到0.5如果两者都低欠拟合升到10。RBF核的KernelScale建议用auto让MATLAB自己选手动设的话一般取特征矩阵平均范数的倒数。HoldOut的0.3是经验值样本少于200时建议用交叉验证而不是单次划分。4. 避坑与排查虫情识别里最容易翻车的五个地方4.1 现象分割结果把叶脉当成虫子原因叶脉在a通道上和害虫体色接近Otsu阈值切不开。解决在分割前加一步形态学开运算用线形结构元素去掉细长叶脉或者把面积下限从50提到150叶脉连通域通常比虫子大但更细长用Eccentricity大于0.95过滤掉。4.2 现象分类器在训练集上准确率99%测试集只有60%原因特征维度太高而样本太少SVM过拟合。解决先用sequentialfs做特征选择或者用PCA降到5到8维同时把BoxConstraint降到0.1。我一般还会检查是不是把类别标签泄漏进了特征矩阵比如误把文件名里的类别编号当特征。4.3 现象分水岭分割后虫子数量比实际多一倍原因距离变换的局部极大值太多一只虫被切成多个区域。解决在bwdist后加imhmax(D, 2)抑制深度小于2的谷或者对regionprops返回的面积做合并把面积小于平均面积40%的区域合并到最近的相邻区域。4.4 现象换一批照片后识别率骤降原因训练集和测试集的光照条件、拍摄距离不一致颜色特征漂移。解决在预处理阶段加白平衡校正用illumwhite或简单的灰度世界算法或者把颜色特征从绝对Lab值改成相对值比如虫体a通道均值减去叶片背景a通道均值。4.5 现象MATLAB报错“Out of memory”处理大图时原因高分辨率图像做GLCM或分水岭时内存占用大。解决先用imresize把长边降到1024像素再处理GLCM的NumLevels从8降到4分水岭前用bwareaopen去掉小区域减少标签数。如果还不行把图像切成512乘512的块分块处理再合并结果。5. 从单张识别到批量虫情统计一个可复用的脚本框架把前面几步串起来写成一个函数输入是图像文件夹路径输出是每张图的虫种计数和总计数。这个框架我用了两年多换虫种时只需要改特征提取里的参数和重新训练分类器。function pest_report batch_pest_detect(imgFolder, model) % imgFolder: 图像文件夹路径 % model: 训练好的分类器 % 返回表格文件名、各虫种数量、总数 files dir(fullfile(imgFolder, *.jpg)); pest_report table(); for i 1:length(files) img imread(fullfile(imgFolder, files(i).name)); % 预处理与分割 lab rgb2lab(img); a_channel lab(:,:,2); level graythresh(a_channel); bw imbinarize(a_channel, level); bw imclose(bw, strel(disk, 3)); bw bwareaopen(bw, 50); % 分水岭拆分粘连 D -bwdist(~bw); D(~bw) -Inf; L watershed(D); L(~bw) 0; % 逐区域提取特征并分类 stats regionprops(L, Area, Perimeter, Eccentricity, Solidity); counts containers.Map(); for j 1:length(stats) mask (L j); mean_a mean(a_channel(mask)); mean_b mean(lab(:,:,3)(mask)); gray rgb2gray(img); glcm graycomatrix(gray, NumLevels, 8, Offset, [0 1]); props graycoprops(glcm, {Contrast, Energy}); fv [stats(j).Area, stats(j).Perimeter, stats(j).Eccentricity, ... stats(j).Solidity, mean_a, mean_b, props.Contrast, props.Energy]; label predict(model, fv); if isKey(counts, label) counts(label) counts(label) 1; else counts(label) 1; end end % 汇总到表格 row table({files(i).name}, {counts}, sum(cell2mat(values(counts))), ... VariableNames, {FileName, SpeciesCounts, Total}); pest_report [pest_report; row]; end end逻辑说明外层循环遍历文件夹里所有jpg图像。每张图走一遍预处理、分割、分水岭、特征提取、分类的流程。containers.Map用来累计每个虫种的数量键是分类器输出的标签。最后把文件名、虫种计数字典和总数拼成一行表格。这个函数可以直接在MATLAB命令行调用比如report batch_pest_detect(field_photos, trainedModel)。参数说明graycomatrix在循环里对整张图算GLCM再取区域均值效率不高但代码简单如果图像数量大可以改成先算整图GLCM再按标签区域取均值。predict对单个样本调用会有开销批量预测时可以把所有区域的特征向量拼成矩阵一次性预测速度能快5到10倍。containers.Map的键必须是字符或字符串如果分类器返回的是categorical类型要先转成char。进阶用法如果现场设备没有MATLAB许可证可以用MATLAB Coder把训练好的分类器和预处理流程生成C代码部署到树莓派或Jetson Nano上。生成代码时注意graycomatrix和watershed都支持代码生成但containers.Map不支持需要改成固定长度的数组来计数。另一个方向是用迁移学习替换手工特征把预训练的SqueezeNet或MobileNetV2拿来微调MATLAB的Deep Learning Toolbox支持直接导入ONNX模型识别率通常能比手工特征高10到15个百分点代价是需要更多标注样本和训练时间。我自己的习惯是每换一个虫种或换一个拍摄场景先拿20张图跑一遍分割把中间结果bw_clean和L用imshowpair叠在原图上肉眼检查确认分割没问题再往下走特征和分类。这一步花十分钟能省掉后面调分类器参数的两小时。希望帮到你。本文还有配套的精品资源点击获取
