基于支持向量机农作物缺素症状诊断方法.docVIP

基于支持向量机农作物缺素症状诊断方法 　　摘 要：针对如何利用农作物叶面颜色特征判断其营养症状的实际问题，应用数字图像处理技术和最小二乘支持向量机，提出一种基于支持向量机的农作物缺素症状诊断方法。首先运用数字图像处理技术计算农作物叶面颜色特征;然后将归一化颜色空间特征输入最小二乘支持向量机，相应缺素症状作为输出，通过遗传算法确定最优组合参数，进而建立了农作物缺素症状诊断方法。通过大豆缺素症状实际资料的仿真诊断结果表明，该方法速度快且精度高，具有良好的适应性和实用性。 　　关键词：农作物缺素;诊断方法;颜色特征;支持向量机 　　引言 　　农作物叶片表面不同的颜色特征及规律，可反映其不同的营养状况，对于农业生产的高效益且可持续发展非常重要[1]。20世纪90年代，国内外学者已经开始使用图像处理技术应用到农作物营养信息监测方面的研究[2]，将数字图像的多维特征与智能信息处理技术有机结合[3-5]，为农作物缺素症状诊断提供了理论基础。文章以大豆叶面的彩色图像为研究对象，应用数字图像处理技术计算大豆缺素症状发生时叶面的颜色特征向量，然后将归一化颜色空间特征向量输入最小二乘支持向量机，并运用遗传算法确定最优组合参数，建立大豆叶面颜色特征与相应缺素症状非线性映射关系，从而提出一种基于支持向量机的农作物缺素症状诊断方法。为自然条件下利用智能移动终端解决农作物营养症状及施肥提供技术支持，发挥信息智能处理技术优势为农业生产服务。 　　1 农作物叶面颜色特征 　　本研究在适合的自然条件下，利用彩色数码相机采集不同缺素症状的大豆植株的单叶图像，如图1所示。 　　大豆叶面数字图像的颜色信息作为其营养诊断及生长发育的指标， 依据文献[6]选择机器视觉处理设备的RGB色彩系统和人眼视觉规律相似的HSI模型相结合，提取出大豆生长过程中单叶面图像颜色空间的归一化特征向量，如表1所示。 　　表1 颜色特征参数 　　2 基于支持向量机的缺素症状诊断方法 　　研究中将大豆叶面图像的颜色特征作为最小二乘支持向量机的输入向量，通过其高维特征空间实现大豆缺素症状的诊断。依据文献[7]将最小二乘支持向量机的输入向量非线性映射高维空间的求解凸优化问题，可以等效为如下表达式： 　　式中，ω为权值，c为惩罚因子，ε预测误差，x为输入，y为输出，b为常数;引入Lagrange乘子αi，且选取径向基核函数K（xi，yj），可确定最小二乘支持向量机的决策函数为： 　　式中，xj为高斯核函数的中心，σ为高斯核函数的宽度。 　　在自然环境下采集大豆叶面图像40幅，各选择20幅分别作为训练样本和诊断样本，即大豆缺素症状正常、缺氮、缺钾及缺磷4类样本。采用二进制编码的遗传算法确定最小二乘最优组合参数，初始化：种群规模100，遗传代数100，交叉概率0.8，变异概率0.2，设定参数c，σ∈[2-5，210]，其编码长度各10位。通过实际问题中20幅大豆营养症状6个颜色特征因子，训练获取最优参数并建立大豆缺素症状诊断模型。利用训练好的最小二乘支持向量机，对20幅大豆缺素症状图像进行诊断，计算输出值和期望输出值的误差很小，出现了2处错误，准确率达到90%因此，该方法是一种快速有效的大豆营养诊断模式分类方法。 　　3 结束语 　　文章给出了一种基于最小二乘支持向量机的农作物营养症状诊断方法，通过对大豆缺素症状叶面图像资料处理和应用的结果表明，可作为提高农作物营养智能决策的新途径。根据农作物叶面颜色指标结合机器视觉特性在RGB和HIS颜色空间中等诸多因素条件，运用数字图像处理技术计算农作物叶面颜色特征;利用最小二乘支持向量机自动获得营养诊断中各个颜色特征及影响因素在缺素症状推理规则中的非线性映射关系，在进行缺素症状诊断时避免了传统的复杂回归分析，可自动应用支持向量机训练取得诊断规律。该方法实现了农作物营养自动智能诊断技术，为目前农作物生长健康状况监测及合理施肥技术提供了理论基础和技术支持。 　　参考文献 　　[1]Lukina E， Stone M， Raun W. Estimating vegetation coverage in wheat using digital images[J].Plant Nutri， 1999，22（2）：341-350. 　　[2]曹敏，马旭，姚亚利.图像处理技术在农作物营养信息检测中的研究展望[J].农机化研究，2005，27（5）：5-8. 　　[3]陈兵旗，郭学梅，李晓华.基于图像处理的小麦病害诊断算法[J].农业机械学报，2009，40（12）：190-195. 　　[4]Adamsen F J， Coffelt T A， Nelson J M， et al. Method for using images from