《電子技術應用》
您所在的位置：首頁 > 其他 > 设计应用 > 基于优化BP神经网络的水稻病害识别算法研究
基于优化BP神经网络的水稻病害识别算法研究
2020年电子技术应用第9期
陈悦宁，郭士增，张佳岩，蒲一鸣
哈尔滨工业大学 电子与信息工程学院，黑龙江 哈尔滨150001
摘要： 结合图像处理技术和机器学习算法，对水稻的3种最常见病害(即稻瘟病、白叶枯病和细菌性条斑病)进行识别和分类。首先，分割出水稻病害图像中的病斑部分并建立图像集，然后针对病理外在表现提取和优化病斑特征。接着，建立BP神经网络模型来根据优化后的特征来识别不同种类的水稻病害。最后，利用模拟退火算法结合自适应遗传算法，为BP算法选择合适的初始参数，以寻求最优解，改进分类模型。结果表明，改进后的NAGSA-BP算法具有较高的水稻病害识别准确率，具有可行性，且与传统的人工检测方法相比更加准确和高效。
中圖分類號： TN911.73；TP183
文獻標識碼： 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)絡的水稻病害識別算法研究[J].電子技術應用，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

    利用計算機視覺技術結合圖像處理和機器學習的手段，可以通過植物葉片的外在特征來識別水稻等植物的不同病害，減輕人工工作量，并在保證準確率的同時提高效率。植物病害的識別算法分為病害圖像目標分割算法和病害圖像模型分類算法兩大部分。

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

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

    圖像處理和機器學習算法在識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。本文對水稻的3種常見病害[6]識別進行研究，同樣將識別過程分為兩個環(huán)節(jié)：首先對圖像進行預處理，從中提取病斑特征并降維，用于后續(xù)分類；然后使用BP神經(jīng)網(wǎng)絡算法對水稻病害進行識別，將其與自適應遺傳算法和模擬退火算法結合后作為最終分類器[7]。




本文詳細內容請下載:http://ihrv.cn/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 電子與信息工程學院，黑龍江 哈爾濱150001)

此內容為AET網(wǎng)站原創(chuàng)，未經(jīng)授權禁止轉載。