文獻(xiàn)標(biāo)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(luò)的水稻病害識別算法研究[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.
0 引言
利用計(jì)算機(jī)視覺技術(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(zhǔn)確率的同時(shí)提高效率。植物病害的識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-均值聚類算法和最大類間方差法進(jìn)行小麥病害圖像分割，準(zhǔn)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(jié)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(zhǔn)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(jī)森林分類器相結(jié)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(jié)合最近鄰分類器，將玉米病斑圖像重組為向量并進(jìn)行識別，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(jìn)行研究，同樣將識別過程分為兩個(gè)環(huán)節(jié)：首先對圖像進(jìn)行預(yù)處理，從中提取病斑特征并降維，用于后續(xù)分類；然后使用BP神經(jīng)網(wǎng)絡(luò)算法對水稻病害進(jìn)行識別，將其與自適應(yīng)遺傳算法和模擬退火算法結(jié)合后作為最終分類器[7]。
本文詳細(xì)內(nèi)容請下載:http://www.shi-ke.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(xué) 電子與信息工程學(xué)院，黑龍江 哈爾濱150001)