基于改进BP神经网络的大豆病害检测.pdfVIP

20l5年 2月 农 机 化 研 究 第 2期 基 于 改进 BP神 经 网络 的大豆病 害检测 张云龙 ，来智勇，景 旭 ，吕 静 (西北农林科技大学 信息工程学院，陕西 杨凌 712100) 摘 要：大豆病害诊断是有效防治的先决条件。为此 ，针对传统 BP神经 网络在处理高维大豆病害数据时存在 的时间复杂度高、诊断准确率低 以及误差收敛缓慢且容易出现震荡现象的问题 ，提 出了一种改进方法。该方法 首先对高维大豆病害数据进行特征选择 ，去除 “贡献”较小的特征 ，实现数据降维 ；然后 ，对传统 BP算法进行改 进 ，根据输出误差动态调整学 习速率 ，并使用改进后 的算法建立大豆病害检测模型。经实验测试 ，该方法在大豆 病害诊 断测试 中准确率达96％以上 ，且各项统计指标 、误差收敛速度及平稳性均优于传 统 BP神经网络 ，证明了 其可靠性和高效性。 关键词：大豆病害；BP神经网络；特征选择；可变学习速率 中图分类号：$24；TP393．01 文献标识码：A 文章编号：1003—188X(2015)02—0079—04 据采集中需要用到定制设备 ，如相机。 0 引言 对于高维大豆病害数据 ，传统 BP神经网络的缺 随着我国大豆种植面积的不断增加 ，大豆病害发 陷更加明显。针对该问题，本文提 出了一种改进方 生率也在不断增高 ，严重影响着大豆的产量和品质。 法。首先，对高维数据进行特征筛选，去掉部分 “贡 在大豆生长过程中及时发现病害并准确诊断可以为 献”较小的特征，实现数据降维；然后 ，对传统 BP算法 后续防治工作提供可靠依据 11，有效减少病害带来的 进行改进，使其能够根据当前误差动态地调整学习速 经济损失。 率，以加快其误差收敛速度，并避免出现大幅度震荡 目前 ，计算机技术辅助诊断大豆病害存在以下几 现象。实验证明，该方法具有检测准确率高、速度快 类常见方法：①基于不确定推理的诊断方法 ]。这 及收敛迅速等优点。 类方法首先将特征集合划分成若干不相关的部分 ，利 1 病害检测方法 用已有专家知识分别对样本空间独立进行判断，然后 用不确定模型组合规则将它们组合起来进行诊断。 病害检测过程分为数据预处理和监测模型构建 此类方法需要大量的专家知识作为支撑。②基于光 两步 。数据预处理完成数据特征的选择 ，实现数据将 谱分析的诊断方法 J。此类方法利用不同病害的叶 维；检测模型构建利用处理过的数据和改进的BP算 面光谱反射率在不同波段的差异进行病害诊断。该 法一变学习速率反向学习算法，完成大豆病害检测模 方法仅能对少量病害进行识别，当病害种类较多时， 型的构建 。 波段之间的差异变小，诊断正确率会明显下降。③基 在数据处理阶段，利用信息论中信息增益 。。对 于图像和传统 BP神经网络的诊断方法_6J。通过采 高维向量的所有特征进行排序，去除信息增益较低的 集大豆叶面图像数据并提取几何形状、颜色、纹理等 特征，实现 向量的降维。在分类系统中，某个特征的 特征数据 ，利用传统 BP神经网络 对大豆病害进行 信息增益越高意味着该特征对分类提供的信息越多。 诊断；但传统BP神经网络存在收敛速度慢和出现震 若以该特征划分，则每个划分具有较高的纯净度 (向 荡现象概率较大的缺陷。此外 ，第②、③类方法在数 量所属类别个数越少越纯净)。