《電子技術應用》
您所在的位置:首頁 > 其他 > 設計應用 > 基于優化BP神經網絡的水稻病害識別算法研究
基于優化BP神經網絡的水稻病害識別算法研究
2020年電子技術應用第9期
陳悅寧,郭士增,張佳巖,蒲一鳴
哈爾濱工業大學 電子與信息工程學院,黑龍江 哈爾濱150001
摘要: 結合圖像處理技術和機器學習算法,對水稻的3種最常見病害(即稻瘟病、白葉枯病和細菌性條斑病)進行識別和分類。首先,分割出水稻病害圖像中的病斑部分并建立圖像集,然后針對病理外在表現提取和優化病斑特征。接著,建立BP神經網絡模型來根據優化后的特征來識別不同種類的水稻病害。最后,利用模擬退火算法結合自適應遺傳算法,為BP算法選擇合適的初始參數,以尋求最優解,改進分類模型。結果表明,改進后的NAGSA-BP算法具有較高的水稻病害識別準確率,具有可行性,且與傳統的人工檢測方法相比更加準確和高效。
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. 基于優化BP神經網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督葡萄生長狀態與病蟲害,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網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節:首先對圖像進行預處理,從中提取病斑特征并降維,用于后續分類;然后使用BP神經網絡算法對水稻病害進行識別,將其與自適應遺傳算法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://www.viuna.cn/resource/share/2000002988




作者信息:

陳悅寧,郭士增,張佳巖,蒲一鳴

(哈爾濱工業大學 電子與信息工程學院,黑龍江 哈爾濱150001)

此內容為AET網站原創,未經授權禁止轉載。
主站蜘蛛池模板: 亚洲综合第一页 | 天天干天天曰天天操 | 女性污污18污污 | 日韩 国产 在线 | 国产精品亚洲一区二区三区久久 | 欧美黄色小视频 | 男人的天堂色偷偷之色偷偷 | 午夜网站在线观看免费网址免费 | h片在线观看免费 | 狠狠色狠狠色很很综合很久久 | 午夜欧美成人久久久久久 | 欧美日本道 | 怡红院在线观看视频 | 黄色欧美视频 | 女同志videos最新 | 久久国产精品免费专区 | 婷婷网五月天天综合天天爱 | 精品欧美一区二区精品久久 | 手机看片久久 | 成人免费在线观看网站 | 99re在线视频 | 91最新视频在线观看 | 国产免费无遮挡在线观看视频 | 五月天婷婷缴情五月免费观看 | 亚洲国产情侣偷自在线二页 | 一本久久综合亚洲鲁鲁五月天 | 欧美色欧美亚洲另类二区精品 | 久久青草18免费观看网站 | 久久人体| 高清性色生活片a | 高清色黄毛片一级毛片 | 色播影视| 国产久视频 | 伦理剧在线播放 | 久久免费黄色 | 性欧美巨大极品videos | 黄网址在线永久免费观看 | 色天使亚洲综合在线观看 | 色综合久久88色综合天天提莫 | 中国一级片免费 | 成人羞羞视频国产 |