《電子技術(shù)應(yīng)用》
您所在的位置:首頁(yè) > 其他 > 設(shè)計(jì)應(yīng)用 > 基于優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的水稻病害識(shí)別算法研究
基于優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的水稻病害識(shí)別算法研究
2020年電子技術(shù)應(yīng)用第9期
陳悅寧,,郭士增,,張佳巖,蒲一鳴
哈爾濱工業(yè)大學(xué) 電子與信息工程學(xué)院,,黑龍江 哈爾濱150001
摘要: 結(jié)合圖像處理技術(shù)和機(jī)器學(xué)習(xí)算法,,對(duì)水稻的3種最常見(jiàn)病害(即稻瘟病,、白葉枯病和細(xì)菌性條斑病)進(jìn)行識(shí)別和分類(lèi)。首先,,分割出水稻病害圖像中的病斑部分并建立圖像集,,然后針對(duì)病理外在表現(xiàn)提取和優(yōu)化病斑特征。接著,,建立BP神經(jīng)網(wǎng)絡(luò)模型來(lái)根據(jù)優(yōu)化后的特征來(lái)識(shí)別不同種類(lèi)的水稻病害,。最后,利用模擬退火算法結(jié)合自適應(yīng)遺傳算法,,為BP算法選擇合適的初始參數(shù),,以尋求最優(yōu)解,,改進(jìn)分類(lèi)模型,。結(jié)果表明,,改進(jìn)后的NAGSA-BP算法具有較高的水稻病害識(shí)別準(zhǔn)確率,具有可行性,,且與傳統(tǒng)的人工檢測(cè)方法相比更加準(zhǔn)確和高效。
中圖分類(lèi)號(hào): TN911.73;TP183
文獻(xiàn)標(biāo)識(shí)碼: A
DOI:10.16157/j.issn.0258-7998.190998
中文引用格式: 陳悅寧,,郭士增,,張佳巖,等. 基于優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的水稻病害識(shí)別算法研究[J].電子技術(shù)應(yīng)用,,2020,,46(9):85-87,93.
英文引用格式: Chen Yuening,,Guo Shizeng,,Zhang Jiayan,et al. Research on rice disease recognition algorithms based on optimized BP neural network[J]. Application of Electronic Technique,,2020,,46(9):85-87,93.
Research on rice disease recognition algorithms based on optimized BP neural network
Chen Yuening,,Guo Shizeng,,Zhang Jiayan,Pu Yiming
School of Electronic and Information Engineering,,Harbin Institute of Technology,,Harbin 150001,China
Abstract: In this study, image processing technology and machine learning algorithm are combined to identify and classify the three most common diseases of rice, namely rice blast, bacterial leaf blight and bacterial streak. Firstly, the lesion part of rice disease image is segmented and the image set of rice disease is established. Then, according to the pathological appearance of different disease spots, characteristic parameters from various aspects are extracted and optimized. Then, BP neural network is used to build the model and classify the optimized features. Finally, the BP classification model is improved by optimizing the selection process of weights and thresholds in BP algorithm with simulated annealing algorithm and adaptive genetic algorithm. The results show that the improved algorithm has high accuracy in rice disease identification and is feasible. This method is more efficient and accurate than traditional manual diagnosis method.
Key words : identification of rice disease,;BP neural network,;adaptive genetic algorithm;simulated annealing algorithm,;image processing

0 引言

    利用計(jì)算機(jī)視覺(jué)技術(shù)結(jié)合圖像處理和機(jī)器學(xué)習(xí)的手段,,可以通過(guò)植物葉片的外在特征來(lái)識(shí)別水稻等植物的不同病害,,減輕人工工作量,并在保證準(zhǔn)確率的同時(shí)提高效率,。植物病害的識(shí)別算法分為病害圖像目標(biāo)分割算法和病害圖像模型分類(lèi)算法兩大部分,。

    在植物病害圖像目標(biāo)分割的研究中,張武等人[1]在2015年基于K-均值聚類(lèi)算法和最大類(lèi)間方差法進(jìn)行小麥病害圖像分割,,準(zhǔn)確率超過(guò)95%,;馬媛等人[2]在2016年利用方向梯度直方圖特征結(jié)合均值漂移算法監(jiān)督葡萄生長(zhǎng)狀態(tài)與病蟲(chóng)害,該方法取得了80%以上的準(zhǔn)確率,;MAI X等人[3]在2016年針對(duì)水稻病葉的顏色,、紋理等特征,將超像素算法和隨機(jī)森林分類(lèi)器相結(jié)合,,圈定了病斑區(qū)域,。

    在植物病害圖像模型分類(lèi)的研究中,2014年張善文等人[4]利用局部判別映射算法結(jié)合最近鄰分類(lèi)器,,將玉米病斑圖像重組為向量并進(jìn)行識(shí)別,,得到高于90%的準(zhǔn)確率;陳俊伸[5]在2019年改進(jìn)了深度卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行水稻葉瘟病識(shí)別,,與人工抽樣調(diào)查結(jié)果交叉驗(yàn)證的Kappa系數(shù)為0.78,,具有較高一致性。

    圖像處理和機(jī)器學(xué)習(xí)算法在識(shí)別作物病害方向取得了較好成效,。然而受到圖像集效果和作物不同外在特征的影響,,算法還有優(yōu)化空間。本文對(duì)水稻的3種常見(jiàn)病害[6]識(shí)別進(jìn)行研究,,同樣將識(shí)別過(guò)程分為兩個(gè)環(huán)節(jié):首先對(duì)圖像進(jìn)行預(yù)處理,,從中提取病斑特征并降維,用于后續(xù)分類(lèi),;然后使用BP神經(jīng)網(wǎng)絡(luò)算法對(duì)水稻病害進(jìn)行識(shí)別,,將其與自適應(yīng)遺傳算法模擬退火算法結(jié)合后作為最終分類(lèi)器[7]




本文詳細(xì)內(nèi)容請(qǐng)下載:http://forexkbc.com/resource/share/2000002988




作者信息:

陳悅寧,,郭士增,,張佳巖,蒲一鳴

(哈爾濱工業(yè)大學(xué) 電子與信息工程學(xué)院,,黑龍江 哈爾濱150001)

此內(nèi)容為AET網(wǎng)站原創(chuàng),,未經(jīng)授權(quán)禁止轉(zhuǎn)載,。