神经网络的红蜘蛛识别研究范文

本站小编为你精心准备了神经网络的红蜘蛛识别研究参考范文，愿这些范文能点燃您思维的火花，激发您的写作灵感。欢迎深入阅读并收藏。

《电子科技杂志》2014年第五期

1图像预处理

实验选择CanonA700型数码相机拍摄红蜘蛛的静态照片，生成24位真彩色图像。并将图像保存在特定文件夹下，供后续处理。以下为识别系统的总体框图，如图1所示，其中图像预处理的过程主要包括，图像的灰度化、图像增强和二值化等，为后续的特征提取做好准备。

1.1灰度处理由于使用数码照相机所采集的图像通常均采用24位真彩色来存储图像，可最大限度的保证图像信息的完整性。但是彩色位图不但存储占用空间大，且对每个像素处理都要进行两次加运算，为简化这些问题可将彩色图像灰度化。彩色图像可由式(1)转化为灰度图像，图2所示为对原图像灰度化的结果。

1.2图像增强处理对图像进行增强处理的目的，一是为了突出图像中的某些信息，削弱或消除某些不需要的信息，改善图像的视觉效果，提高图像的清晰度。二是为了突出图像病害部位边缘轮廓，便于计算机处理，以便更好地进行特征分析。本文采用直方图均衡化方法，其基本思想是对原图像中的像素做某种映射变换，使变换后的图像灰度的概率密度呈均匀分布，即变换后图像是一幅灰度级均匀分布的图像，这意味着图像灰度的动态范围得到了增加，从而可提高图像的对比度。图3为对原灰度图像进行直方图均衡化的效果。

1.3图像二值化图像二值化是将目标与背景分离出的方法，即将目标像素和背景像素分别用0和1加以标记，以利于几何特征的提取。其关键是选取恰当的阈值，阈值选取的恰当与否直接影响到感兴趣特征的提取。利用Matlab实现了OTSU确定阈值的算法，对红蜘蛛的灰度图像进行二值化图像分割，图4显示了采用该方法后的结果。

2图像特征提取

要建立一个能识别不同种类对象的系统，首先必须确定识别对象的特性，以产生描述参数。而所得的参数值组成了每个对象的特征向量。适当地选择特征是极为重要的，这是因为在识别对象时特征向量是唯一的依据。文中通过研究红蜘蛛的体态特征，选择提取颜色和几何两大类特征。下面分别介绍两类特征的操作方法。(1)颜色特征。害虫身上的颜色是识别害虫的重要依据，基于此认识，在HSI模型中，亮度分量I与图像的彩色信息无关，色度H和饱和度S分量与人们感受颜色的原理相似，相比RGB模型更易保证识别结果。故本文采用HSI模型，按文献将RGB转化为HSI由于颜色矩相比于其他颜色特征有特征向量维数低且具有选择、缩放不变性等特点。因此本文采用图像HSI空间下的H、S、I分量的颜色矩作为识别参数来表达枣虫害的颜色参数。颜色矩(ColorMoments)是一种简单而有效的颜色特征。颜色矩的思想是图像中的颜色分布可用其矩来表示。由于颜色分布信息主要集中在低阶颜色矩中，因此仅采用颜色的一阶中心矩、二阶中心矩和三阶中心矩便可表达图像的颜色特征。以上3种矩分别表示图像的平均颜色、标准方差和三次根非对称性。该方法的另一个好处在于:其无需对颜色特征进行向量化。其表示如下其中，A代表图像像素总数;P代表彩色HSI图像经过合成后的一维灰度图像在二维空间坐标处的像素值。该方法用于颜色匹配相比直方图具有更好的鲁棒性，但因并未考虑像素的空间位置，故该方法仍存在精确度和准确度不足的缺点。(2)几何特征。在许多模式识别的问题中，几何特征通常是重要的。其描述目标区域的几何性质，与区域的颜色无关。因此这里主要是对图像预处理阶段所得到的二值化图像进行操作。在此进行特征提取即是对害虫目标的图像像素灰度值经过统计计算来产生一组原始特征。针对害虫目标图像本身的特点，本系统主要针对目标图像面积、周长进行识别分类。1)目标面积。指图像中目标所占的像素点总数，其中图像的大小为M×N。2)目标周长。指目标轮廓的像素点总数。边界点采用8邻域来描述区域边界。通过以上方法，文中提取了样本的11个特征值，如表1所示。

3人工神经网络分类器设计

人工神经网络(ArtificialNeuralNetwork)是一种模拟人脑神经元细胞的网络结构和功能，其运用大量的处理部件，并是由人工方式建立起自适应非线性动态系统。其中，在模式识别领域中应用最广、最成功的是基于BP算法的前馈网络，用上文特征提取枣虫害的面积、周长、颜色矩作为特征矢量输入，而特征矢量的个数决定了BP网络的输入层节点数，因此本文所采用的BP网络输入层有11个神经元，隐含层神经元的个数为23。基于现有条件的限制，实验中，取枣虫害样本库中红蜘蛛1种病虫害的10幅图片用于学习，测试样本3幅图片用于验证识别的有效性。由于本文识别的是一种枣虫害样本，故输出神经元的个数为2。期望输出的编码如表2所示。在具体操作中，可借助Matlab软件来实现识别的神经网络分类器。文中采用Matlab7.0神经网络工具箱中BP网络作为分类器模型，按一般的设计方案，网络中间的神经元传递函数采用S型正切函数Tansig，输出层神经元传递函数采用S型对数函数Logsig。训练次数设定为100，误差＜0.01。之所以采取S型对数函数，是因该函数为0～1函数，恰好满足分类器的输出要求。

4实验结果与展望

实验选取了200张不同情况下的红蜘蛛图像对算法进行了验证，应用上述方案进行识别试验，BP网络训练全部收敛，且收敛速度较快。实验中采用识别率来对算法的效率进行估计，可定义如下而下一步的研究工作是，在此方法的基础上，进一步寻求更有效识别红蜘蛛的特征方法，同时增加识别害虫的种类，并研究提取害虫的纹理、翅脉等更为有效的整体特征和局部特征及多分类器的信息融合。从而开发出通用性、适应性更强的识别系统，以满足农业生产的需要。

作者：邱道尹李俊霞杨利涛单位：华北水利水电大学电力学院华北水利水电大学信息工程学院