為建立準(zhǔn)確高效的黃瓜病斑葉片的檢測與識(shí)別算法提供參考,針對黃瓜葉片常見病斑檢測與識(shí)別時(shí)存在的環(huán)境適應(yīng)性差、識(shí)別精度低等問題,提出基于改進(jìn)的SVM（支持向量機(jī)）和CNN（卷積神經(jīng)網(wǎng)絡(luò)）組合模型的黃瓜病斑葉片檢測與識(shí)別算法。依據(jù)黃瓜設(shè)施場景特征,首先對病斑圖像進(jìn)行色彩增強(qiáng),通過直方圖均衡化對圖像進(jìn)行再處理,利用優(yōu)化的HOG+SVM分類器對黃瓜葉片進(jìn)行提取;通過稀疏濾波器及增加偏置對CNN算法進(jìn)行改進(jìn),識(shí)別出葉片的病斑類別。結(jié)果表明:在黃瓜設(shè)施場景下,改進(jìn)SVM和CNN組合模型的黃瓜病斑葉片檢測與識(shí)別算法對葉片提取的查準(zhǔn)率及差全率分別達(dá)87.21%和88.77%,對病斑的整體識(shí)別精準(zhǔn)率為91.9%。算法實(shí)時(shí)性強(qiáng),具有實(shí)際推廣應(yīng)用前景。 

【文章來源】：貴州農(nóng)業(yè)科學(xué). 2020,48(10)

【文章頁數(shù)】：6 頁

【部分圖文】：

黃瓜葉片的檢測與病斑識(shí)別算法流程

以上操作之后，需進(jìn)一步對黃瓜圖像中像素個(gè)數(shù)多的灰度值進(jìn)行展寬處理，使得像素能均勻分布占有更多的灰度級(jí)。同時(shí)，通過直方圖均衡化處理進(jìn)一步提高病害圖像的對比度[17]。1.4 基于優(yōu)化的HOG+SVM的病斑葉片檢測

一般傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練步驟首先是對網(wǎng)絡(luò)進(jìn)行權(quán)值的初始化，之后樣本數(shù)據(jù)先后經(jīng)過卷積層、下采樣層、全連接層，通過向前傳播的方式得到最終輸出值。但是一個(gè)完整的圖像在應(yīng)用卷積神經(jīng)時(shí)，由于其隱藏單元較多，導(dǎo)致連接權(quán)值量非常大，對如此龐大的數(shù)據(jù)進(jìn)行整合運(yùn)算復(fù)雜度較高。同時(shí)，權(quán)值學(xué)習(xí)迭代次數(shù)足夠多，容易出現(xiàn)局部最優(yōu)解或訓(xùn)練過擬合的情況，導(dǎo)致整個(gè)算法的魯棒性不高。因此，采用在每個(gè)映射面上進(jìn)行共享權(quán)值的稀疏連接，并通過稀疏濾波器進(jìn)行特征提取，在保證反映圖像真實(shí)情況下，降低整個(gè)神經(jīng)網(wǎng)絡(luò)的數(shù)量級(jí)。全連接、疏連接、稀疏濾波器的對比見圖3。應(yīng)用共享權(quán)值稀疏濾波器的CNN網(wǎng)絡(luò)架構(gòu)圖如圖4，對圖片進(jìn)行歸一化處理，把病斑圖片的像素處理為64×64后輸入到卷積神經(jīng)網(wǎng)絡(luò)中，第1個(gè)卷積層C1包含3個(gè)稀疏濾波器，當(dāng)樣本被輸入到C1層后，應(yīng)用稀疏疏濾波器對圖像特征進(jìn)行優(yōu)化，稀疏疏濾波器的目標(biāo)函數(shù)可以表示為：

【參考文獻(xiàn)】：
期刊論文
[1]信息技術(shù)在農(nóng)作物病蟲害監(jiān)測預(yù)警中的應(yīng)用綜述[J]. 李素,郭兆春,王聰,陳天恩,袁志高.  江蘇農(nóng)業(yè)科學(xué). 2018(22)
[2]基于直方圖均衡化圖像增強(qiáng)的兩種改進(jìn)方法[J]. 董麗麗,丁暢,許文海.  電子學(xué)報(bào). 2018(10)
[3]基于改進(jìn)HOG特征提取的車型識(shí)別算法[J]. 耿慶田,趙浩宇,于繁華,王宇婷,趙宏偉.  中國光學(xué). 2018(02)
[4]基于Android的自然背景下黃瓜霜霉病定量診斷系統(tǒng)[J]. 葉海建,郎睿.  農(nóng)業(yè)機(jī)械學(xué)報(bào). 2017(03)
[5]基于局部二值模式的作物葉部病斑檢測[J]. 李超,彭進(jìn)業(yè),孔韋韋,張善文.  計(jì)算機(jī)工程與應(yīng)用. 2017(24)
[6]水下圖像增強(qiáng)和復(fù)原方法研究進(jìn)展[J]. 郭繼昌,李重儀,郭春樂,陳善繼.  中國圖象圖形學(xué)報(bào). 2017(03)
[7]基于可控濾波器和空間頻率的圖像融合算法[J]. 郭峰,楊靜,史健芳.  計(jì)算機(jī)工程與設(shè)計(jì). 2016(08)
[8]基于混合顏色空間和雙次Otsu的黃瓜靶斑病圖像分割[J]. 吳娜,李淼,袁媛,卞程飛,陳雷.  中國農(nóng)業(yè)大學(xué)學(xué)報(bào). 2016(03)
[9]基于顏色和紋理特征的黃瓜病害識(shí)別算法[J]. 胡敏,陳紅波,許良鳳,謝成軍,江河.  電子測量與儀器學(xué)報(bào). 2015(07)
[10]基于葉片圖像和環(huán)境信息的黃瓜病害識(shí)別方法[J]. 王獻(xiàn)鋒,張善文,王震,張強(qiáng).  農(nóng)業(yè)工程學(xué)報(bào). 2014(14)



本文編號(hào)：3324412