基于SVM和CNN组合模型的黄瓜病斑叶片检测与识别

发布时间：2021-08-05 20:29

　　为建立准确高效的黄瓜病斑叶片的检测与识别算法提供参考,针对黄瓜叶片常见病斑检测与识别时存在的环境适应性差、识别精度低等问题,提出基于改进的SVM（支持向量机）和CNN（卷积神经网络）组合模型的黄瓜病斑叶片检测与识别算法。依据黄瓜设施场景特征,首先对病斑图像进行色彩增强,通过直方图均衡化对图像进行再处理,利用优化的HOG+SVM分类器对黄瓜叶片进行提取;通过稀疏滤波器及增加偏置对CNN算法进行改进,识别出叶片的病斑类别。结果表明:在黄瓜设施场景下,改进SVM和CNN组合模型的黄瓜病斑叶片检测与识别算法对叶片提取的查准率及差全率分别达87.21%和88.77%,对病斑的整体识别精准率为91.9%。算法实时性强,具有实际推广应用前景。 

【文章来源】：贵州农业科学. 2020,48(10)

【文章页数】：6 页

【部分图文】：

黄瓜叶片的检测与病斑识别算法流程

以上操作之后，需进一步对黄瓜图像中像素个数多的灰度值进行展宽处理，使得像素能均匀分布占有更多的灰度级。同时，通过直方图均衡化处理进一步提高病害图像的对比度[17]。1.4 基于优化的HOG+SVM的病斑叶片检测

一般传统卷积神经网络的训练步骤首先是对网络进行权值的初始化，之后样本数据先后经过卷积层、下采样层、全连接层，通过向前传播的方式得到最终输出值。但是一个完整的图像在应用卷积神经时，由于其隐藏单元较多，导致连接权值量非常大，对如此庞大的数据进行整合运算复杂度较高。同时，权值学习迭代次数足够多，容易出现局部最优解或训练过拟合的情况，导致整个算法的鲁棒性不高。因此，采用在每个映射面上进行共享权值的稀疏连接，并通过稀疏滤波器进行特征提取，在保证反映图像真实情况下，降低整个神经网络的数量级。全连接、疏连接、稀疏滤波器的对比见图3。应用共享权值稀疏滤波器的CNN网络架构图如图4，对图片进行归一化处理，把病斑图片的像素处理为64×64后输入到卷积神经网络中，第1个卷积层C1包含3个稀疏滤波器，当样本被输入到C1层后，应用稀疏疏滤波器对图像特征进行优化，稀疏疏滤波器的目标函数可以表示为：

【参考文献】：
期刊论文
[1]信息技术在农作物病虫害监测预警中的应用综述[J]. 李素,郭兆春,王聪,陈天恩,袁志高.  江苏农业科学. 2018(22)
[2]基于直方图均衡化图像增强的两种改进方法[J]. 董丽丽,丁畅,许文海.  电子学报. 2018(10)
[3]基于改进HOG特征提取的车型识别算法[J]. 耿庆田,赵浩宇,于繁华,王宇婷,赵宏伟.  中国光学. 2018(02)
[4]基于Android的自然背景下黄瓜霜霉病定量诊断系统[J]. 叶海建,郎睿.  农业机械学报. 2017(03)
[5]基于局部二值模式的作物叶部病斑检测[J]. 李超,彭进业,孔韦韦,张善文.  计算机工程与应用. 2017(24)
[6]水下图像增强和复原方法研究进展[J]. 郭继昌,李重仪,郭春乐,陈善继.  中国图象图形学报. 2017(03)
[7]基于可控滤波器和空间频率的图像融合算法[J]. 郭峰,杨静,史健芳.  计算机工程与设计. 2016(08)
[8]基于混合颜色空间和双次Otsu的黄瓜靶斑病图像分割[J]. 吴娜,李淼,袁媛,卞程飞,陈雷.  中国农业大学学报. 2016(03)
[9]基于颜色和纹理特征的黄瓜病害识别算法[J]. 胡敏,陈红波,许良凤,谢成军,江河.  电子测量与仪器学报. 2015(07)
[10]基于叶片图像和环境信息的黄瓜病害识别方法[J]. 王献锋,张善文,王震,张强.  农业工程学报. 2014(14)



本文编号：3324412