• 
    

    
    

      99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

      基于主分量分析的蘋果葉部3種常見病害識別方法

      2016-11-28 16:03:52師韻王旭啟張善文
      江蘇農(nóng)業(yè)科學 2016年9期
      關鍵詞:BP神經(jīng)網(wǎng)絡特征提取

      師韻+王旭啟+張善文

      摘要:蘋果葉部的3種常見病害(斑點落葉病、花葉病和銹?。﹪乐赜绊懱O果的產(chǎn)量和質量。病害識別是病害防治的基礎,傳統(tǒng)的蘋果病害識別方法不能有效選擇病害的分類特征?;谥鞣至糠治鏊惴?,提出一種葉片顏色、形狀和紋理特征相結合的蘋果病害識別方法。首先對蘋果病害葉片圖像進行預處理,降低圖像干擾;然后利用改進的分水嶺方法分割病斑,提取病斑圖像的顏色、形狀和紋理特征,組成特征矩陣;再利用主分量分析(PCA)對該矩陣進行維數(shù)約簡,得到低維分類特征;最后利用BP神經(jīng)網(wǎng)絡識別蘋果的3種病害類型。結果表明,該方法能夠有效識別蘋果的3種病害,平均識別率超過94%。

      關鍵詞:蘋果病害識別;特征提??;主分量分析(PCA);BP神經(jīng)網(wǎng)絡

      中圖分類號: S126; TP391. 41 文獻標志碼: A

      文章編號:1002-1302(2016)09-0337-04

      蘋果含有豐富的碳水化合物、維生素、微量元素和果膠等,是世界水果中產(chǎn)量和消費以及益處最多的水果之一。但是,蘋果病害嚴重影響了蘋果的產(chǎn)量和質量[1-3]。當前,西部廣大果農(nóng)病害防治技術水平不高,防治粗放,農(nóng)藥亂配濫用現(xiàn)象比較普遍,造成果品農(nóng)藥殘留超標,果品質量下降,且防治成本大。要防治蘋果病害,首先要識別病害類型[4-8]。葉片是很容易觀察、采集和處理的部位,也是一般蘋果病害癥狀首先出現(xiàn)的部位。因此,多年來蘋果葉片癥狀是果農(nóng)和植保人員診斷病害的重要依據(jù)之一。目前蘋果病害診斷大多采用經(jīng)驗定性診斷方法。該方法的主觀性較強,對專家的依賴性較高,容易混淆癥狀相似的病害。為了準確識別病害,計算機圖像處理是一種很好的方法,但由于蘋果病害種類多,病害葉片形狀及葉片病斑的顏色、紋理和形狀的差異性大,呈現(xiàn)出復雜、多樣、無規(guī)則的特點,使得目前很多病害識別方法的效果不理想[5,9-11]。

      本研究提出一種基于主分量分析(PCA)的蘋果病害葉片的顏色、形狀和紋理特征相結合的蘋果病害識別方法,該方法綜合提取蘋果病害葉片圖像的多種分類特征,然后利用PCA進行維數(shù)約簡,再利用BP神經(jīng)網(wǎng)絡進行訓練,實現(xiàn)對蘋果病害的快速分類識別。

      1 材料與方法

      為了研究基于蘋果病害葉片圖像處理的蘋果病害識別的方法,選用了3 種易混淆的常見蘋果病害:斑點落葉病、花葉病和銹病為研究對象。蘋果斑點落葉病危害葉片,造成早落,葉片染病初期出現(xiàn)褐色圓點,其后逐漸擴大為紅褐色;蘋果花葉病主要在葉片上形成環(huán)斑型、狼斑型等各種類型的鮮黃色病斑;蘋果銹病葉片初患病正面出現(xiàn)油亮的橘紅色小斑點,逐漸擴大,形成圓形橙黃色的病斑,內(nèi)含大量褐色粉末狀銹孢子。肉眼不容易區(qū)分斑點落葉病和銹病2種病害。本研究所使用的這3種蘋果病害葉片圖像均是在西北農(nóng)林科技大學蘋果園利用佳能EOS 700D單反數(shù)碼相機在上午10:00—11:00時間段采集得到。為了便于后續(xù)處理,以灰色紙片作為背景色,在自然光照的非強光條件下對自然發(fā)病的蘋果葉片進行活體圖像采集,得到蘋果病害葉片數(shù)字圖像。拍攝時盡量使相機的鏡頭與蘋果葉面所在的平面平行,使光線在蘋果葉片上均勻分布,避免產(chǎn)生明顯的形變。為了使測量準確,每次采集葉片圖像時,盡量使蘋果葉片充滿整個畫面。由于拍攝環(huán)境的影響,采集到的有些葉片圖像難免存在陰影和大量噪聲。因此,在采集到的數(shù)字葉片圖像中挑選出光照較均勻的圖像各50幅作為試驗的樣本圖像。圖1為試驗中采集到的蘋果常見3種病害葉片圖像實例,圖像格式為BMP,圖像寬度為320像素、高度為240像素。

      2 蘋果病害葉片圖像預處理

      蘋果病害葉片圖像的質量直接影響后續(xù)的病害識別率。在葉片圖像采集過程中,由于受到采集設備、環(huán)境等影響,圖像存在分辨率低、背景復雜、病斑邊緣模糊等特點。所以,需要對病害葉片圖像進行預處理。常用的病害葉片圖像預處理操作有圖像格式轉化、圖像去噪、圖像增強、削弱圖像中顏色、葉柄、蟲洞等無用或干擾信息,使病斑區(qū)域的特征更明顯。為了有效去除噪聲,較好地保留圖像的細節(jié)并突出病斑特征,在試驗對比的基礎上,首先選用自適應直方圖均衡化方法,擴展葉片圖像灰度范圍,對葉片圖像進行對比度增強,然后選用葉片彩色圖像中值濾波方法,即在葉片圖像的R、G、B通道上分別應用中值濾波方法濾波后,再進行通道融合,得到濾波后的彩色圖像,較好地抑制葉片圖像的噪聲,保留葉片圖像的分類信息。再利用Top-Hat方法與歸一化彩色空間法相結合,可使不同光照度下所采集的葉片圖像的R、G、B通道數(shù)據(jù)處理結果差異很小,以此降低圖像亮度對色彩的影響。圖2為葉片圖像預處理流程。

      3 蘋果葉片圖像病斑分割

      病斑圖像分割是病害葉片圖像分析與模式識別中一個重要的環(huán)節(jié),病斑分割的好壞直接影響后續(xù)特征提取與識別結果。本研究的對象是自然環(huán)境下拍攝的蘋果病害葉片圖像,背景復雜、分辨率低,不能直接用于病害分類特征提取[3,10-11]。因此,采用改進的水平集彩色圖像分割方法,即基于區(qū)域和邊緣的變分水平集彩色圖像分割方法[12-13]。該方法充分利用了目標圖像的區(qū)域信息和邊緣信息,并用歐氏距離代替了灰度加權值,使得彩色圖像的顏色空間信息得到充分利用。首先,用N1個水平集函數(shù)將圖像分割成N(N﹥1)個區(qū)域,每個水平集函數(shù)代表1個分割區(qū)域,通過建立獨立多水平集函數(shù)可以消除冗余的輪廓,從而避免分割區(qū)域的重疊和漏分,獲得更加精確的顏色邊緣。為了避免水平集函數(shù)在每次迭代后需重新初始化符號距離函數(shù),增加的能量懲罰項能使水平集函數(shù)在演化過程中保持為逼近的符號距離函數(shù)。再將分割的病斑歸一化圖像轉化為灰度圖。最后,采用形態(tài)學中的開運算和閉運算處理,得到不受葉片蟲洞和葉柄等影響的二值化圖像。3種蘋果病害葉片原圖與病斑分割結果如圖3所示。

      4 特征提取

      由于蘋果病害葉片的病斑圖像復雜、多樣、無規(guī)律,且隨時間而變換,不能用數(shù)學模型來表示[14]。很多基于圖像維數(shù)約簡的人臉、掌紋和步態(tài)等識別方法不能用于蘋果病害識別。由于不同類型病害葉片的病斑圖像的顏色、形狀和紋理之間存在差異,可以提取病斑圖像的分類特征,構成特征向量,進行病害識別。下面介紹從分割后蘋果病斑圖像中提取病害的顏色、形狀和紋理的分類特征計算方法[9,11,15-16]。

      4.1 顏色特征

      由RGB顏色模型轉換到HIS和YCbCr顏色模型,利用歸一化直方圖的統(tǒng)計特征分別計算顏色R、G、B、H、I、S、Y、Cb和Cr的均值、方差、偏度、能量、熵等5個統(tǒng)計特征參數(shù),作為病害葉片圖像分類的顏色特征。

      4.2 形狀特征

      計算病害葉片病斑圖像的面積、周長、周長直徑比、周長長寬比、圓形度、縱橫軸比等6個無量綱的量,作為病斑圖像的形狀分類特征,具體如下:

      由以上分析可以得到每幅病斑圖像的45個顏色特征、6個形狀特征和4個紋理特征,由此組成一個維數(shù)為55的特征向量。

      5 基于主分量分析(PCA)的蘋果病害識別

      盡管可以提取病斑圖像的很多分類特征,但這些特征之間可能存在相關性,而且各個特征對病害分類的貢獻大小不同,一些特征可能降低病害的識別率。所以,需要對得到的眾多特征進行特征提取或維數(shù)約簡。但當特征維數(shù)較大時,不容易快速地提取出對分類結果貢獻大、獨立、不相關的特征。

      主分量分析(PCA)考慮了各個特征之間的相互關系,利用維數(shù)約簡的思想,在損失很少信息的前提下將多個特征轉換為少數(shù)幾個互不相關的特征,成為主成分。每個主成分均是原始變量的線性組合,且各個主成分之間互不相關,這就使得主成分比原始變量具有某些更優(yōu)越的性能,從而進一步使病害類型識別過程變得簡單、快速、準確[17]。

      主成分分析常常通過以下5步解決:

      第1步,將提取的特征進行標準化處理,以消除各個特征在數(shù)量級或量綱上對后續(xù)分類結果的影響。

      第2步,將訓練集中每個病斑圖像標準化后的特征組成1個特征向量,再將所有的特征向量組成1個特征矩陣,計算相關系數(shù)矩陣。

      第3步,計算特征矩陣的特征值及對應的單位特征向量。特征值在某種程度上可以看成表示主成分分類力度大小。如果特征值小于1,說明該主成分的解釋力度還不如直接引入原變量的平均解釋力度大。因此一般可以用特征值大于1作為納入標準。

      第4步,計算主成分的方差貢獻率和累積方差貢獻率。一般來說,提取主成分的累積方差貢獻率超過85%就可以,由此確定需要提取多少個主成分。

      第5步,計算主成分。由具有最大特征值的特征向量構成映射矩陣。大量實際情況表明,如果根據(jù)累積貢獻率來確定主成分個數(shù)往往較多,而用特征值來確定又往往較少,很多時候應當將兩者結合起來,以綜合確定合適的個數(shù)。

      由以上分析,可以歸納出PCA的蘋果病害識別的過程為:

      (1)對蘋果病害葉片圖像進行預處理;(2)對病害葉片圖像分割,得到病斑圖像;(3)提取病斑圖像的顏色、形狀和紋理特征,進行歸一化處理,得到特征向量矩陣,再構造特征矩陣;(4)利用PCA得到主分量,構造映射矩陣A;(5)由A對待識別的病斑的特征向量進行維數(shù)約簡;(6)利用BP神經(jīng)網(wǎng)絡分類識別病害類型。

      BP神經(jīng)網(wǎng)絡分類器包括輸入層、隱層和輸出層。輸入層神經(jīng)元個數(shù)由葉片病斑特征矩陣主分量的個數(shù)決定,輸出層神經(jīng)元個數(shù)為病害類別數(shù)。試驗時需要人工設定BP神經(jīng)網(wǎng)絡的隱層個數(shù)、隱層神經(jīng)元數(shù)量和學習率等參數(shù)。待識別的病斑圖像進行預處理、特征提取、基于PCA的維數(shù)約簡等步驟后得到待分類低維向量,再輸入訓練好的BP神經(jīng)網(wǎng)絡分類器可得到病害識別結果。

      6 驗證試驗

      為了驗證所提出的方法的有效性,對常見的3種蘋果病害斑點落葉病、花葉病和銹病的葉片圖像數(shù)據(jù)庫上各50幅葉片圖像進行病害識別試驗。每種病害葉片的前30 幅,共90 幅作為訓練樣本,其余的60幅作為測試集,依次編號。對所有葉片圖像進行預處理和病斑分割,然后提取每幅蘋果圖像的顏色、形狀和紋理等共55個特征值,組成特征向量;由所有訓練集中的特征向量組成1個60×55的特征矩陣A;利用統(tǒng)計產(chǎn)品與服務解決方案軟件(Statistical Product and Service Solutions,SPSS)中的PCA過程:“分析→降維→因子分析”,求A的協(xié)方差矩陣,取前M個特征值所對應的特征向量,構成一個55×M的矩陣B,這個矩陣為映射矩陣,A乘以B,就得到了1個60×M的新的降維后的低維矩陣C,作為BP分類器的訓練集數(shù)據(jù)。由B可以得到任一待識別病害葉片的病斑圖像的低維特征向量,輸入BP分類器,進行類別識別。試驗中采用Matlab軟件進行BP神經(jīng)網(wǎng)絡訓練。在利用訓練數(shù)據(jù)集訓練BP神經(jīng)網(wǎng)絡前,先將訓練數(shù)據(jù)C進行歸一化處理,以避免數(shù)據(jù)飽和,加快網(wǎng)絡收斂。網(wǎng)絡訓練的輸出目標矩陣大小為1×60,每個元素分別對應于60個輸入樣本的類別。訓練BP神經(jīng)網(wǎng)絡,直至總誤差小于給定值,認為網(wǎng)絡訓練完畢。本試驗中,PCA的主分量數(shù)取為10,其累計方差貢獻率在90%以上。BP分類器的誤差取為0.001,試驗重復進行50次,計算識別結果的平均值,試驗結果見表1。為了說明本研究算法的有效性,與文獻[5]和[10]的蘋果葉片病害識別方法進行比較。這2種方法都是提取分類特征和Hu提出的7個不變矩,再分別利用BP神經(jīng)網(wǎng)絡和支持向量機進行病害識別。表1中給出了3種算法的識別結果。

      試驗結果表明,在3種蘋果病害識別中,本研究算法的平均識別率達到94.34%,高于其他2種算法,其中蘋果花葉病的識別率超過98%。

      7 討論與結論

      文獻[5]應用二值圖像標記法提取病斑邊緣,計算出病斑個數(shù)、面積、圓形度、與葉片面積比、復雜度和葉子的面積等6個形狀特征參數(shù),以及Hu的7個不變矩共13個參數(shù),再利用BP神經(jīng)網(wǎng)絡進行識別;文獻[10]提取病害葉片病斑圖像的顏色直方圖、顏色矩、灰度共生矩陣、常規(guī)形狀和Hu的7個不變矩等特征,并對提取特征進行比較,選擇了15類特征參數(shù),再利用支持向量機進行識別。這2種方法沒有考慮提取的特征對病害分類的貢獻大小。而本研究算法提取55個特征,不是進行特征選擇,而是利用PCA快速得到主分量,再在新的低維特征空間進行識別。所以,該方法適用于提取很多特征情況下,而且考慮了各個特征的重要程度。

      3種算法對斑點落葉病的識別率都比較高,是因為該病害的特征與另外2種病害葉片的區(qū)別較大。出現(xiàn)錯分的原因是斑點落葉病與早期的銹病病斑很像,只是顏色有所差異,在紋理特征和形狀特征方面很相近,而文獻[5]中沒有選用顏色特征,所以識別率不高。

      本研究利用SPSS進行PCA。由于在SPSS中并沒有完整的主成分分析過程,其主成分分析過程集成在因子分析過程中,但并不完善。而主成分的得分需要對因子得分情況進行進一步計算,所以在SPSS中不需保存因子得分情況。對于提取因子的個數(shù)問題,一般遵循2個標準,一是累計方差貢獻率大于80%;二是其特征值大于1。本試驗中之所以設置因子數(shù)目為10,是因為通過預先分析,發(fā)現(xiàn)前10個主成分可以解釋總體信息的99%。

      本研究探討了蘋果病害葉片圖像預處理、病斑分割、病害特征提取和特征降維方法,分析了基于BP神經(jīng)網(wǎng)絡的病害識別過程。訓練后BP神經(jīng)網(wǎng)絡可實現(xiàn)對蘋果的斑點落葉病、花葉病和銹病3種病害識別,平均準確率達到94.33%。試驗結果表明,該算法對蘋果葉部病害識別是可行的。進一步的研究重點是基于農(nóng)業(yè)物聯(lián)網(wǎng)視頻傳感器得到的蘋果病害葉片圖像分割和病害識別方法。

      參考文獻:

      [1]胡 林,周國民,丘 耘. 蘋果樹圖像分割算法研究綜述[J]. 中國農(nóng)業(yè)科技導報,2015,17(2):100-108.

      [2]郝青梅. 蘋果樹常見病害識別和防治[J]. 河北果樹,2010(6):12-14.

      [3]尹秀珍,何東健,霍迎秋. 自然場景下低分辨率蘋果果實病害智能識別方法[J]. 農(nóng)機化研究,2012(10):29-32.

      [4]薛永發(fā). 農(nóng)業(yè)生態(tài)控制蘋果病蟲害的有效途徑和措施[J]. 果農(nóng)之友,2010(11):26-28.

      [5]李宗儒. 基于圖像分析的蘋果病害識別技術研究[D]. 楊凌:西北農(nóng)林科技大學,2010

      [6]李宗儒,何東健. 基于手機拍攝圖像分析的蘋果病害識別技術研究[J]. 計算機工程與設計,2010,31(13): 3051-3053.

      [7]霍迎秋,唐晶磊,尹秀珍,等. 基于壓縮感知理論的蘋果病害識別方法[J]. 農(nóng)業(yè)機械學報,2013,44(10):227-232.

      [8]樊景超. 蘋果果實病害近紅外光譜信息獲取與識別模型研究[D]. 北京:中國農(nóng)業(yè)科學院,2011.

      [9]王蕓蕓,王 璽,蔣建兵,等. 山西省蘋果樹主要病蟲害的種類及綜合防治[J]. 現(xiàn)代園藝,2014(15):117-118.

      [10]畢傲睿. 蘋果葉子病害圖像識別系統(tǒng)的設計與實現(xiàn)[D]. 西安:西安建筑科技大學,2014.

      [11]胡榮明,魏 曼,競 霞,等. 基于成像高光譜的蘋果樹葉片病害區(qū)域提取方法研究[J]. 西北農(nóng)林科技大學學報:自然科學版,2012,40(8):95-99.

      [12]方江雄. 基于變分水平集的圖像分割方法研究[D]. 上海:上海交通大學,2012.

      [13]毛 亮,薛月菊,孔德運,等. 基于稀疏場水平集的荔枝圖[J]. 農(nóng)業(yè)工程學報,2011,27(4):345-349.

      [14]Valliammal N,Geethalakshmi S N. Crop leaf segmentation using nonlinear K means clustering[J]. International Journal of Computer Science Issues,2012,9(3):212-218.

      [15]Pydipati R,Burks T F,Lee W S. Identification of citrus diseaseusing color texture features and discriminant analysis [J].Computers and Electronics in Agriculture,2006,52:49-59.

      [16]賈建楠,吉海彥. 基于病斑形狀和神經(jīng)網(wǎng)絡的黃瓜病害識別[J]. 農(nóng)業(yè)工程學報,2013,29(增刊1):115-121.

      [17] Wang H,Li G,Ma Z,et al. Image recognition of plant diseases based on principal component analysis and neural networks[C]. Natural Computation (ICNC),2012 Eighth International Conference on IEEE,2012:246-251.

      猜你喜歡
      BP神經(jīng)網(wǎng)絡特征提取
      基于Gazebo仿真環(huán)境的ORB特征提取與比對的研究
      電子制作(2019年15期)2019-08-27 01:12:00
      一種基于LBP 特征提取和稀疏表示的肝病識別算法
      基于BP神經(jīng)網(wǎng)絡的旅行社發(fā)展方向研究
      商情(2016年39期)2016-11-21 09:30:36
      復雜背景下的手勢識別方法
      BP神經(jīng)網(wǎng)絡在軟件質量評價中的應用研究 
      軟件導刊(2016年9期)2016-11-07 18:25:50
      BP神經(jīng)網(wǎng)絡算法在數(shù)值預報產(chǎn)品釋用中的應用
      科技視界(2016年20期)2016-09-29 14:15:12
      基于MED和循環(huán)域解調(diào)的多故障特征提取
      Walsh變換在滾動軸承早期故障特征提取中的應用
      軸承(2010年2期)2010-07-28 02:26:12
      隆回县| 荣昌县| 泰兴市| 衡山县| 元阳县| 阿勒泰市| 龙胜| 东光县| 和龙市| 邵阳市| 龙游县| 张家界市| 黎平县| 大兴区| 肇州县| 池州市| 舞阳县| 资兴市| 宝兴县| 青河县| 岢岚县| 宁都县| 福鼎市| 鹰潭市| 团风县| 彭泽县| 抚远县| 盘锦市| 赞皇县| 克拉玛依市| 从江县| 怀化市| 视频| 米脂县| 岳阳市| 温宿县| 安陆市| 侯马市| 县级市| 云和县| 洛扎县|