神經(jīng)網(wǎng)絡(luò)的紅蜘蛛識別研究范文

本站小編為你精心準(zhǔn)備了神經(jīng)網(wǎng)絡(luò)的紅蜘蛛識別研究參考范文，愿這些范文能點燃您思維的火花，激發(fā)您的寫作靈感。歡迎深入閱讀并收藏。

《電子科技雜志》2014年第五期

1圖像預(yù)處理

實驗選擇CanonA700型數(shù)碼相機拍攝紅蜘蛛的靜態(tài)照片，生成24位真彩色圖像。并將圖像保存在特定文件夾下，供后續(xù)處理。以下為識別系統(tǒng)的總體框圖，如圖1所示，其中圖像預(yù)處理的過程主要包括，圖像的灰度化、圖像增強和二值化等，為后續(xù)的特征提取做好準(zhǔn)備。

1.1灰度處理由于使用數(shù)碼照相機所采集的圖像通常均采用24位真彩色來存儲圖像，可最大限度的保證圖像信息的完整性。但是彩色位圖不但存儲占用空間大，且對每個像素處理都要進(jìn)行兩次加運算，為簡化這些問題可將彩色圖像灰度化。彩色圖像可由式(1)轉(zhuǎn)化為灰度圖像，圖2所示為對原圖像灰度化的結(jié)果。

1.2圖像增強處理對圖像進(jìn)行增強處理的目的，一是為了突出圖像中的某些信息，削弱或消除某些不需要的信息，改善圖像的視覺效果，提高圖像的清晰度。二是為了突出圖像病害部位邊緣輪廓，便于計算機處理，以便更好地進(jìn)行特征分析。本文采用直方圖均衡化方法，其基本思想是對原圖像中的像素做某種映射變換，使變換后的圖像灰度的概率密度呈均勻分布，即變換后圖像是一幅灰度級均勻分布的圖像，這意味著圖像灰度的動態(tài)范圍得到了增加，從而可提高圖像的對比度。圖3為對原灰度圖像進(jìn)行直方圖均衡化的效果。

1.3圖像二值化圖像二值化是將目標(biāo)與背景分離出的方法，即將目標(biāo)像素和背景像素分別用0和1加以標(biāo)記，以利于幾何特征的提取。其關(guān)鍵是選取恰當(dāng)?shù)拈撝担撝颠x取的恰當(dāng)與否直接影響到感興趣特征的提取。利用Matlab實現(xiàn)了OTSU確定閾值的算法，對紅蜘蛛的灰度圖像進(jìn)行二值化圖像分割，圖4顯示了采用該方法后的結(jié)果。

2圖像特征提取

要建立一個能識別不同種類對象的系統(tǒng)，首先必須確定識別對象的特性，以產(chǎn)生描述參數(shù)。而所得的參數(shù)值組成了每個對象的特征向量。適當(dāng)?shù)剡x擇特征是極為重要的，這是因為在識別對象時特征向量是唯一的依據(jù)。文中通過研究紅蜘蛛的體態(tài)特征，選擇提取顏色和幾何兩大類特征。下面分別介紹兩類特征的操作方法。(1)顏色特征。害蟲身上的顏色是識別害蟲的重要依據(jù)，基于此認(rèn)識，在HSI模型中，亮度分量I與圖像的彩色信息無關(guān)，色度H和飽和度S分量與人們感受顏色的原理相似，相比RGB模型更易保證識別結(jié)果。故本文采用HSI模型，按文獻(xiàn)將RGB轉(zhuǎn)化為HSI由于顏色矩相比于其他顏色特征有特征向量維數(shù)低且具有選擇、縮放不變性等特點。因此本文采用圖像HSI空間下的H、S、I分量的顏色矩作為識別參數(shù)來表達(dá)棗蟲害的顏色參數(shù)。顏色矩(ColorMoments)是一種簡單而有效的顏色特征。顏色矩的思想是圖像中的顏色分布可用其矩來表示。由于顏色分布信息主要集中在低階顏色矩中，因此僅采用顏色的一階中心矩、二階中心矩和三階中心矩便可表達(dá)圖像的顏色特征。以上3種矩分別表示圖像的平均顏色、標(biāo)準(zhǔn)方差和三次根非對稱性。該方法的另一個好處在于:其無需對顏色特征進(jìn)行向量化。其表示如下其中，A代表圖像像素總數(shù);P代表彩色HSI圖像經(jīng)過合成后的一維灰度圖像在二維空間坐標(biāo)處的像素值。該方法用于顏色匹配相比直方圖具有更好的魯棒性，但因并未考慮像素的空間位置，故該方法仍存在精確度和準(zhǔn)確度不足的缺點。(2)幾何特征。在許多模式識別的問題中，幾何特征通常是重要的。其描述目標(biāo)區(qū)域的幾何性質(zhì)，與區(qū)域的顏色無關(guān)。因此這里主要是對圖像預(yù)處理階段所得到的二值化圖像進(jìn)行操作。在此進(jìn)行特征提取即是對害蟲目標(biāo)的圖像像素灰度值經(jīng)過統(tǒng)計計算來產(chǎn)生一組原始特征。針對害蟲目標(biāo)圖像本身的特點，本系統(tǒng)主要針對目標(biāo)圖像面積、周長進(jìn)行識別分類。1)目標(biāo)面積。指圖像中目標(biāo)所占的像素點總數(shù)，其中圖像的大小為M×N。2)目標(biāo)周長。指目標(biāo)輪廓的像素點總數(shù)。邊界點采用8鄰域來描述區(qū)域邊界。通過以上方法，文中提取了樣本的11個特征值，如表1所示。

3人工神經(jīng)網(wǎng)絡(luò)分類器設(shè)計

人工神經(jīng)網(wǎng)絡(luò)(ArtificialNeuralNetwork)是一種模擬人腦神經(jīng)元細(xì)胞的網(wǎng)絡(luò)結(jié)構(gòu)和功能，其運用大量的處理部件，并是由人工方式建立起自適應(yīng)非線性動態(tài)系統(tǒng)。其中，在模式識別領(lǐng)域中應(yīng)用最廣、最成功的是基于BP算法的前饋網(wǎng)絡(luò)，用上文特征提取棗蟲害的面積、周長、顏色矩作為特征矢量輸入，而特征矢量的個數(shù)決定了BP網(wǎng)絡(luò)的輸入層節(jié)點數(shù)，因此本文所采用的BP網(wǎng)絡(luò)輸入層有11個神經(jīng)元，隱含層神經(jīng)元的個數(shù)為23。基于現(xiàn)有條件的限制，實驗中，取棗蟲害樣本庫中紅蜘蛛1種病蟲害的10幅圖片用于學(xué)習(xí)，測試樣本3幅圖片用于驗證識別的有效性。由于本文識別的是一種棗蟲害樣本，故輸出神經(jīng)元的個數(shù)為2。期望輸出的編碼如表2所示。在具體操作中，可借助Matlab軟件來實現(xiàn)識別的神經(jīng)網(wǎng)絡(luò)分類器。文中采用Matlab7.0神經(jīng)網(wǎng)絡(luò)工具箱中BP網(wǎng)絡(luò)作為分類器模型，按一般的設(shè)計方案，網(wǎng)絡(luò)中間的神經(jīng)元傳遞函數(shù)采用S型正切函數(shù)Tansig，輸出層神經(jīng)元傳遞函數(shù)采用S型對數(shù)函數(shù)Logsig。訓(xùn)練次數(shù)設(shè)定為100，誤差＜0.01。之所以采取S型對數(shù)函數(shù)，是因該函數(shù)為0～1函數(shù)，恰好滿足分類器的輸出要求。

4實驗結(jié)果與展望

實驗選取了200張不同情況下的紅蜘蛛圖像對算法進(jìn)行了驗證，應(yīng)用上述方案進(jìn)行識別試驗，BP網(wǎng)絡(luò)訓(xùn)練全部收斂，且收斂速度較快。實驗中采用識別率來對算法的效率進(jìn)行估計，可定義如下而下一步的研究工作是，在此方法的基礎(chǔ)上，進(jìn)一步尋求更有效識別紅蜘蛛的特征方法，同時增加識別害蟲的種類，并研究提取害蟲的紋理、翅脈等更為有效的整體特征和局部特征及多分類器的信息融合。從而開發(fā)出通用性、適應(yīng)性更強的識別系統(tǒng)，以滿足農(nóng)業(yè)生產(chǎn)的需要。

作者：邱道尹李俊霞楊利濤單位：華北水利水電大學(xué)電力學(xué)院華北水利水電大學(xué)信息工程學(xué)院