油菜缺素診斷研究范文

本站小編為你精心準備了油菜缺素診斷研究參考范文，愿這些范文能點燃您思維的火花，激發您的寫作靈感。歡迎深入閱讀并收藏。

《廣東農業科學雜志》2015年第二十期

在農作物生產過程中，合理施肥對促進作物的生長至關重要，并且還會提高土壤的肥力，對農業環境的可持續發展也起到一定的作用，因此營養診斷是一個十分關鍵的環節［1］。如果作物缺失營養，直接影響到其使用價值，且還會影響到作物的產量，最終造成農民經濟上的損失。現代農業的一個重要研究方向是尋求一種如何進行客觀、準確、及時地對缺素作物實施診斷的方法。眾所周知，油菜重要的生理器官是葉片，當油菜發生缺素現象時，葉片會在其顏色和紋理上有所體現［2］。針對油菜缺素的情況，研究重點是基于機器視覺的油菜葉片診斷。近年來，隨著計算機視覺技術以及模式識別技術的迅猛發展，人工智能化管理體系正逐步完善，其應用領域也大幅擴展，在農業上表現突出，如智能化溫室的建立。在油菜缺素診斷方面，與人工診斷方式相比，計算機診斷可提高診斷的效率和精確度，具有實際的應用意義。目前，支持向量機（SVM）已逐步應用于作物的營養病害診斷方面的研究，且取得了一定的進展。本研究提出了一種基于遺傳算法優化支持向量機參數的方法，進行油菜缺素種類識別，通過對缺素圖片進行顏色和紋理的特征提取，利用優化算法，進行缺素種類的分類識別，從而促進計算機視覺技術在農業工程領域中更加廣泛的應用。

1支持向量機（SVM）概述

1.1SVM原理SVM的主要思想是建立一個恰當的分類超平面，作為分類的決策曲面，使被研究對象中的正例和反例之間形成最大化的隔離邊緣。更精確的說法是，SVM是利用結構風險最小化的原理，為了盡量提高學習機的泛化能力，采取最大化分類邊緣或間隔的方法［3］。在利用支持向量機進行分類的過程中，有兩個參數（懲罰參數c和核函數參數g）對最終的分類精度有很大的影響，因此，尋求最優的c和g可以優化分類結果。

1.2遺傳算法優化參數遺傳算法（GA）對優化問題具有全局尋優能力，基于這個優點，采用人工進化的方式對目標進行隨機優化搜索，啟發式的搜索全局最優解。具體優化步驟如下：Step1：將SVM分類模型中所對應的兩個參數（懲罰因子c與其核函數所對應的參數g）以二進制的形式進行編碼，同時通過隨機的方式形成初始化群種；Step2：利用已經訓練好的SVM分類器去測試評估整個樣本中的數據識別率RR，從而得到適應度函數Fitness=RR；Step3：判斷識別停止條件是否已經達到，若能夠實現輸出優化結果，不能實現則跳轉到Step4；Step4：實時通過選擇、交叉和變異這些操作去形成新一代的種群，然后跳轉到Step2。

2缺素圖片的特征提取

特征提取在模式識別中起到關鍵的作用，前提是要選取好的特征樣本，才會使分類結果更精確。本研究利用油菜葉片進行營養診斷，其中的關鍵是準確地提取缺素葉片的特征，且要求選取的特征要能夠反映不同的缺素情況。在模式識別中，圖像特征提取經常會用到的有顏色特征、紋理特征和形狀特征［6］。本研究主要針對顏色和紋理兩種特征進行提取。

2.1顏色特征當油菜出現缺素狀況時，不同的缺素類型會表現出不同的葉片顏色，這為區分缺素種類提高了重要依據。在進行顏色特征提取時，要選擇合適的顏色模型，這對目標識別的效果有很大的影響。在實際操作中，為了能夠充分有效地提取出顏色的特征，通常都會采用顏色系統相結合的方式。RGB顏色空間是最基本的顏色模型，它與HSV顏色空間在顏色表達方式上不同，各有特點，這兩個顏色空間對光源變化的敏感性不大，均能較理想地被區分開來，在對基于顏色特征的圖像處理中擔當著關鍵的角色，因此本研究選擇RGB和HSV顏色系統。RGB顏色空間與HSV顏色空間都可以反應物體的顏色特征，不同的是，它們是同一物理量的不同表示，給定一幅RGB格式的圖像，它們之間存在著轉換關系，轉換公式如下。

2.2紋理特征紋理到目前為止還沒有一個統一的定義，本研究將紋理理解為圖像中反復出現的排列規則以及局部模式。當作物出現缺素時，作物葉片病變部分會表現出不同的紋理，具體是在葉脈的粗細和走向上表征出來，描述紋理特征的方法有很多，本研究選擇一種比較常見的描述方法——基于灰度共生矩陣的方法，用圖像的灰度共生矩陣為基礎，能很好地描述圖像的綜合信息，如相鄰的間隔、方向和變化幅度等。在對圖像采用灰度共生矩陣方法進行紋理分析時，為了使得到的矩陣具有選擇不變性，計算角度參數為0°、45°、90°、135°，δ=1的灰度共生矩陣的能量、熵、對比度、相關性，計算每一項在4個方向上的均值和方差，用以作為圖像的紋理特征。

3油菜缺素種類分類模型的建立

首先，提取樣本，即把訓練集樣本、測試集樣本從原始數據中提取出來，本研究中原始數據對應了14個特征值。其次，對采集出來的樣本數據進行一定的預處理，本研究采取歸一化的預處理方法，之后用訓練集對SVM進行訓練。最后，用得到的模型來進行預測測試集的分類標簽，具體算法流程如圖1所示。

4仿真結果與分析

4.1實驗材料與實驗工具油菜老葉常見的4種缺素類型分別為缺鎂、缺氮、缺磷和缺鉀［9］。針對油菜的這4種缺素狀況，從油菜缺鎂、缺氮、缺磷和缺鉀的每種樣本圖像（樣本圖片來自華中農業信息網［10］）中選取60×60像素的子圖像25幅（共計100幅），特征向量采用之前獲取的R、G、B、H、S、V…6個顏色特征參數，以及能量、熵、對比度、相關性的均值和方差8個紋理特征參數，共14個特征參數。采用SVM方法進行分類并與BP神經網絡進行性能比較實驗，確定遺傳算法優化支持向量機參數能否得到更高的準確率。本研究采用Matlab…R2012版的libsvm工具箱來進行仿真。

4.2SVM與BP神經網絡分類比較從每種缺素圖像中選取15幅共60幅作為訓練樣本，每種缺素圖像選取10幅作為測試樣本。研究中分別用以下兩種方法進行缺素種類的分類：一是采用支持向量機分類方法，用“一對一”方法來實現本研究多分類的問題，其中，所用的核函數是徑向基核函數，其參數c=0.5，g=0.1；二是采用三層的BP神經網絡分類方法，其中，隱含層神經元個數為10，輸入層（特征值）14個，輸出層（缺素種類）4個，采用多次試驗的方法進行測試。兩類方法最終達到的效果見表1。由表1可知，利用支持向量機進行油菜缺素種類的準確率雖然不是最高的，但是它在訓練過程比較穩定，可以維持一個數值不變，并且它的分類效果還是比較令人滿意的；神經網絡雖然收斂迭代次數較少，準確率相對較高，但是通過大量的訓練發現，其分類精度極不穩定，并不是越訓練得到的結果越好，綜合考慮，采用支持向量機來進行油菜缺素種類的分類效果更好。

4.3優化識別精度對比在采用徑向基核函數的同時，用遺傳算法對支持向量機的兩個參數（c和g）進行優化，初始化的參數：設定種群規模為20，最大進化迭代次數為200，交叉概率為0.4，變異概率為0.01，由此得到的最優結果為：c=17.1093，g=0.21858，最終分類準確率為87.50%，比優化前的82.50%提高了5個百分點。這表明用遺傳算法進行支持向量機參數的優化，可有效提高準確率，起到了優化的作用，達到了預計的效果。

5結語

本研究針對油菜缺素的情況，選取4種常見的缺素類型，利用支持向量機來進行分類識別，提取了R、G、B、H、S、V…6個顏色特征參數以及能量、熵、對比度、相關性的均值和方差8個紋理特征參數，將這些特征值歸一化后，作為分類模式識別的基本特征向量。對比試驗分析表明，相比BP神經網絡，SVM更適于油菜缺素的分類識別；遺傳算法優化支持向量機參數后，識別準確率提高了5個百分點，達到87.5%。本研究結果可為油菜大田施肥提供及時、準確的營養狀況信息，有利于降低防治成本，提高防治效果。下一步可繼續加大訓練樣本數、缺素種類，對該方法進一步進行驗證。另外，為了提高分類的識別率，增強研究的可靠性，應增加圖片前期處理過程，更好地進行各特征的提取。

作者：岳有軍 楊雪 趙輝 王紅君 單位：天津理工大學天津市復雜系統控制理論與應用重點實驗室 天津農學院