基于GA―BP神经网络温室番茄病害诊断.docVIP

基于GA―BP神经网络温室番茄病害诊断 　　摘要：为了提高温室番茄病害自动识别率，采用P2P无线网络摄像机定点远程监控与数码相机采集设备相结合的方法获取材料，通过分治中值滤波算法和分水岭算法分离复杂背景下的叶片并提取病斑，提取病斑特征参数并最终选择6个颜色参数、4个形状参数、3个纹理参数，改进传统的差反向传播（error back propagation，简称BP）算法，建立遗传算法优化的误差反向传播（genetic algorithm error back propagation，简称GA-BP）番茄病害识别模型。结果表明，GA-BP模型能快速有效地识别番茄叶片病害，对番茄早疫病、晚疫病、叶霉病的识别率分别达到92.50%、91.25%、95.50%。该模型解决了BP神经网络收敛速度慢、寻优不精确的问题，高效地实现了温室番茄病害的诊断。 　　关键词：病害识别；判别模型；GA-BP神经网络；遗传算法；番茄叶片 　　中图分类号： TP391.4 　　文献标志码： A 　　文章编号：1002-1302（2016）04-0387-03 　　温室大棚是设施农业的核心技术之一，温室大棚中作物的病害识别主要通过工作人员定时观察并喷洒农药。我国每年会使用高达25万t的化学农药防治农业病虫害，农药的大量使用增强了病虫害的抗药性，造成作物减产，严重破坏生态平衡[1]。作物病害大多反映在叶片或茎上[2]，植物学家或温室种植人员往往通过经验知识判断作物受害类型及程度，视觉图案的复杂性和人为判断的主观性会造成误判[3]。为了尽可能减少农药的喷洒，并且准确识别作物叶、茎上病害类别，对症下药，需要对肉眼可观察的病虫害症状作精确的定量研究。 　　本研究对采集到的番茄叶片病害图像作预处理，提取病斑特征，建立遗传算法优化的误差反向传播（genetic algorithm error back propagation，简称GA-BP）诊断模型，对传统的误差反向传播（error back propagation，简称BP）神经网络的权值和阈值进行了优化和改进，将病斑的2个颜色参数、3个形状参数、3个纹理参数共8个特征值作为输入，并以00、01、10、11作为4个输出，其中00、01、10、11分别表示早疫病、晚疫病、叶霉病、其他病害。 　　1 材料与方法 　　1.1 材料获取 　　1.1.1 P2P监测 病害发生前期在黑龙江双连能源发展股份有限公司温室大棚棚顶、墙体的上部和下部定点安装摄像头。采用易莱捷P2P无线网络摄像机进行远程监控，内置Wi-Fi 模块有效像素为1 280×720，具有上下旋转90°、左右旋转355°的云台控制，多角度观察番茄植株的长势并实时判断是否受害。摄像机拍摄图像背景复杂，且由于资金成本问题对温室中摄像机的数量有一定的限制，很难对具体的某一植株进行定性定量地准确判断。在摄像机实施观测基础上，及时采取数码相机采集照片的方式加强病害识别的准确性。 　　1.1.2 数码相机图像获取 照相机采用Canon A4000，分辨率为4 608×3 456，在10：00以前和17：00以后，光线比较柔和，关闭闪光灯进行拍摄，以减少阴影造成的误差[4]，采集得到病害叶片图像。 　　1.2 试验方法 　　1.2.1 叶片与背景分离 采集的图像以JPEG格式传入计算机，软件采用MATLAB7.14。为了提高图像处理速度，采用改进的中值滤波算法[5]提高去噪速度，首先采用分治法计算第1个窗口的中值，然后利用数据的相关性计算其余窗口的中值，滤波模板采用3×3模板，经改进，对分辨率为4 608×3 456 的相机采集到的图像，平均每幅图像的处理速度提高9.80%（图1）。 　　目标物与背景分离常用方法是双峰法，然而由图2可见，采集图像的灰度直方图不呈现明显双峰，由于在温室大棚中用数码相机拍照所得的叶片图像背景比较复杂，叶片与茎、土壤存在于同一画面中，并且存在目标叶片与背景叶片彼此粘连的情况，因此本研究选用能有效分离叶片与背景的分水岭算法[6]提取叶片图像。 　　为了避免分水岭算法的过分割问题[7-8]，在中值滤波去除小的噪声和过细的纹理后，本研究采用在前景和背景对象上标注区别后进行分水岭分割。首先采用Sobel计算中值滤波后图像的梯度，并使用梯度的幅度作为分割函数，然后标记前景和背景目标，最终很好地分离出叶片图像，分离结果如图3所示。 　　1.2.2 病斑提取 对番茄叶霉病、早疫病、晚疫病、其他病害的叶片图像，在RGB颜色系统、LAB颜色系统、CMYK颜色系统、灰度图像、R通道、G通道、B通道、R-B颜色特征、G-B颜色特征、R-G颜色特征下比对，病斑提取采用迭代法求阈值[9]，经迭代，最终得出病斑与叶片分离的阈值为0.28，分割得