油菜缺素诊断研究范文

本站小编为你精心准备了油菜缺素诊断研究参考范文，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。

《广东农业科学杂志》2015年第二十期

在农作物生产过程中，合理施肥对促进作物的生长至关重要，并且还会提高土壤的肥力，对农业环境的可持续发展也起到一定的作用，因此营养诊断是一个十分关键的环节［1］。如果作物缺失营养，直接影响到其使用价值，且还会影响到作物的产量，最终造成农民经济上的损失。现代农业的一个重要研究方向是寻求一种如何进行客观、准确、及时地对缺素作物实施诊断的方法。众所周知，油菜重要的生理器官是叶片，当油菜发生缺素现象时，叶片会在其颜色和纹理上有所体现［2］。针对油菜缺素的情况，研究重点是基于机器视觉的油菜叶片诊断。近年来，随着计算机视觉技术以及模式识别技术的迅猛发展，人工智能化管理体系正逐步完善，其应用领域也大幅扩展，在农业上表现突出，如智能化温室的建立。在油菜缺素诊断方面，与人工诊断方式相比，计算机诊断可提高诊断的效率和精确度，具有实际的应用意义。目前，支持向量机（SVM）已逐步应用于作物的营养病害诊断方面的研究，且取得了一定的进展。本研究提出了一种基于遗传算法优化支持向量机参数的方法，进行油菜缺素种类识别，通过对缺素图片进行颜色和纹理的特征提取，利用优化算法，进行缺素种类的分类识别，从而促进计算机视觉技术在农业工程领域中更加广泛的应用。

1支持向量机（SVM）概述

1.1SVM原理SVM的主要思想是建立一个恰当的分类超平面，作为分类的决策曲面，使被研究对象中的正例和反例之间形成最大化的隔离边缘。更精确的说法是，SVM是利用结构风险最小化的原理，为了尽量提高学习机的泛化能力，采取最大化分类边缘或间隔的方法［3］。在利用支持向量机进行分类的过程中，有两个参数（惩罚参数c和核函数参数g）对最终的分类精度有很大的影响，因此，寻求最优的c和g可以优化分类结果。

1.2遗传算法优化参数遗传算法（GA）对优化问题具有全局寻优能力，基于这个优点，采用人工进化的方式对目标进行随机优化搜索，启发式的搜索全局最优解。具体优化步骤如下：Step1：将SVM分类模型中所对应的两个参数（惩罚因子c与其核函数所对应的参数g）以二进制的形式进行编码，同时通过随机的方式形成初始化群种；Step2：利用已经训练好的SVM分类器去测试评估整个样本中的数据识别率RR，从而得到适应度函数Fitness=RR；Step3：判断识别停止条件是否已经达到，若能够实现输出优化结果，不能实现则跳转到Step4；Step4：实时通过选择、交叉和变异这些操作去形成新一代的种群，然后跳转到Step2。

2缺素图片的特征提取

特征提取在模式识别中起到关键的作用，前提是要选取好的特征样本，才会使分类结果更精确。本研究利用油菜叶片进行营养诊断，其中的关键是准确地提取缺素叶片的特征，且要求选取的特征要能够反映不同的缺素情况。在模式识别中，图像特征提取经常会用到的有颜色特征、纹理特征和形状特征［6］。本研究主要针对颜色和纹理两种特征进行提取。

2.1颜色特征当油菜出现缺素状况时，不同的缺素类型会表现出不同的叶片颜色，这为区分缺素种类提高了重要依据。在进行颜色特征提取时，要选择合适的颜色模型，这对目标识别的效果有很大的影响。在实际操作中，为了能够充分有效地提取出颜色的特征，通常都会采用颜色系统相结合的方式。RGB颜色空间是最基本的颜色模型，它与HSV颜色空间在颜色表达方式上不同，各有特点，这两个颜色空间对光源变化的敏感性不大，均能较理想地被区分开来，在对基于颜色特征的图像处理中担当着关键的角色，因此本研究选择RGB和HSV颜色系统。RGB颜色空间与HSV颜色空间都可以反应物体的颜色特征，不同的是，它们是同一物理量的不同表示，给定一幅RGB格式的图像，它们之间存在着转换关系，转换公式如下。

2.2纹理特征纹理到目前为止还没有一个统一的定义，本研究将纹理理解为图像中反复出现的排列规则以及局部模式。当作物出现缺素时，作物叶片病变部分会表现出不同的纹理，具体是在叶脉的粗细和走向上表征出来，描述纹理特征的方法有很多，本研究选择一种比较常见的描述方法——基于灰度共生矩阵的方法，用图像的灰度共生矩阵为基础，能很好地描述图像的综合信息，如相邻的间隔、方向和变化幅度等。在对图像采用灰度共生矩阵方法进行纹理分析时，为了使得到的矩阵具有选择不变性，计算角度参数为0°、45°、90°、135°，δ=1的灰度共生矩阵的能量、熵、对比度、相关性，计算每一项在4个方向上的均值和方差，用以作为图像的纹理特征。

3油菜缺素种类分类模型的建立

首先，提取样本，即把训练集样本、测试集样本从原始数据中提取出来，本研究中原始数据对应了14个特征值。其次，对采集出来的样本数据进行一定的预处理，本研究采取归一化的预处理方法，之后用训练集对SVM进行训练。最后，用得到的模型来进行预测测试集的分类标签，具体算法流程如图1所示。

4仿真结果与分析

4.1实验材料与实验工具油菜老叶常见的4种缺素类型分别为缺镁、缺氮、缺磷和缺钾［9］。针对油菜的这4种缺素状况，从油菜缺镁、缺氮、缺磷和缺钾的每种样本图像（样本图片来自华中农业信息网［10］）中选取60×60像素的子图像25幅（共计100幅），特征向量采用之前获取的R、G、B、H、S、V…6个颜色特征参数，以及能量、熵、对比度、相关性的均值和方差8个纹理特征参数，共14个特征参数。采用SVM方法进行分类并与BP神经网络进行性能比较实验，确定遗传算法优化支持向量机参数能否得到更高的准确率。本研究采用Matlab…R2012版的libsvm工具箱来进行仿真。

4.2SVM与BP神经网络分类比较从每种缺素图像中选取15幅共60幅作为训练样本，每种缺素图像选取10幅作为测试样本。研究中分别用以下两种方法进行缺素种类的分类：一是采用支持向量机分类方法，用“一对一”方法来实现本研究多分类的问题，其中，所用的核函数是径向基核函数，其参数c=0.5，g=0.1；二是采用三层的BP神经网络分类方法，其中，隐含层神经元个数为10，输入层（特征值）14个，输出层（缺素种类）4个，采用多次试验的方法进行测试。两类方法最终达到的效果见表1。由表1可知，利用支持向量机进行油菜缺素种类的准确率虽然不是最高的，但是它在训练过程比较稳定，可以维持一个数值不变，并且它的分类效果还是比较令人满意的；神经网络虽然收敛迭代次数较少，准确率相对较高，但是通过大量的训练发现，其分类精度极不稳定，并不是越训练得到的结果越好，综合考虑，采用支持向量机来进行油菜缺素种类的分类效果更好。

4.3优化识别精度对比在采用径向基核函数的同时，用遗传算法对支持向量机的两个参数（c和g）进行优化，初始化的参数：设定种群规模为20，最大进化迭代次数为200，交叉概率为0.4，变异概率为0.01，由此得到的最优结果为：c=17.1093，g=0.21858，最终分类准确率为87.50%，比优化前的82.50%提高了5个百分点。这表明用遗传算法进行支持向量机参数的优化，可有效提高准确率，起到了优化的作用，达到了预计的效果。

5结语

本研究针对油菜缺素的情况，选取4种常见的缺素类型，利用支持向量机来进行分类识别，提取了R、G、B、H、S、V…6个颜色特征参数以及能量、熵、对比度、相关性的均值和方差8个纹理特征参数，将这些特征值归一化后，作为分类模式识别的基本特征向量。对比试验分析表明，相比BP神经网络，SVM更适于油菜缺素的分类识别；遗传算法优化支持向量机参数后，识别准确率提高了5个百分点，达到87.5%。本研究结果可为油菜大田施肥提供及时、准确的营养状况信息，有利于降低防治成本，提高防治效果。下一步可继续加大训练样本数、缺素种类，对该方法进一步进行验证。另外，为了提高分类的识别率，增强研究的可靠性，应增加图片前期处理过程，更好地进行各特征的提取。

作者：岳有军 杨雪 赵辉 王红君 单位：天津理工大学天津市复杂系统控制理论与应用重点实验室 天津农学院