摘 要：基于數(shù)字圖像的植物葉部病害識(shí)別技術(shù)研究，能夠快速準(zhǔn)確診斷出植物病害，提高產(chǎn)量。傳統(tǒng)的基于閾值的圖像分割方法，不能精確的分割出病斑區(qū)域，而且存在閾值難以確定的缺點(diǎn)。文章采用bp神經(jīng)網(wǎng)絡(luò)，對(duì)植物病斑區(qū)域進(jìn)行識(shí)別。當(dāng)訓(xùn)練樣本足夠全面的時(shí)候，能夠精確的分割出病斑區(qū)域。該算法魯棒性高，識(shí)別精準(zhǔn)，效率高。

關(guān)鍵詞：bp神經(jīng)網(wǎng)絡(luò)；植物病斑；應(yīng)用

1 bp神經(jīng)網(wǎng)絡(luò)

bp神經(jīng)網(wǎng)絡(luò)是1986年由科學(xué)家Rumelhart和McCelland提出的，它模擬人類大腦的工作方式。bp是一種多層前饋神經(jīng)網(wǎng)絡(luò)。bp通過誤差逆向傳播訓(xùn)練網(wǎng)絡(luò)。bp神經(jīng)網(wǎng)絡(luò)具有非線性映射能力，能夠以任意精度逼近任意連續(xù)函數(shù)。bp神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)如圖1所示。

圖1中，P1，P2，…，Pn是BP神經(jīng)網(wǎng)絡(luò)的輸入值，T1，T2，…，Tn是預(yù)測(cè)值，Aij和Bjk是權(quán)值。輸入節(jié)點(diǎn)數(shù)為n，隱含層節(jié)點(diǎn)數(shù)為l，輸出層節(jié)點(diǎn)數(shù)為m。

bp神經(jīng)網(wǎng)絡(luò)算法描述如下：

第一步：初始化神經(jīng)網(wǎng)絡(luò)。根據(jù)樣本特征數(shù)，確定輸入節(jié)點(diǎn)數(shù)n。根據(jù)樣本所含類別數(shù)，確定輸出節(jié)點(diǎn)數(shù)m。輸入層與隱含層之間的權(quán)值為Aij，隱含層與輸出層的權(quán)值為Bjk，隱含層的閾值為a，輸出層的閾值為b。Aij和Bjk為隨機(jī)值，a和b也為隨機(jī)值，范圍為-1到1。

第二步：計(jì)算隱含層的值。

2 植物病斑識(shí)別中神經(jīng)網(wǎng)絡(luò)的應(yīng)用

2.1 建立神經(jīng)網(wǎng)絡(luò)模型

bp神經(jīng)網(wǎng)絡(luò)的輸入、輸出維數(shù)需要根據(jù)具體問題具體設(shè)計(jì)，問題不同輸入輸出的維數(shù)也不同。文章的輸入樣本為植物的病斑葉片的圖像，在RGB空間中每一個(gè)像素點(diǎn)具有R、G和B三個(gè)屬性，將其作為bp神經(jīng)網(wǎng)絡(luò)的輸入，同時(shí)需要判斷該像素點(diǎn)是否屬于病斑，屬于二值判斷，所以該bp網(wǎng)絡(luò)的輸入節(jié)點(diǎn)數(shù)為3，輸出節(jié)點(diǎn)數(shù)為1。隱含層節(jié)點(diǎn)數(shù)沒有特別的要求，一般需要比輸入節(jié)點(diǎn)數(shù)和輸出節(jié)點(diǎn)數(shù)都要大，文章將隱藏節(jié)點(diǎn)數(shù)設(shè)為8。

2.2 訓(xùn)練神經(jīng)網(wǎng)絡(luò)

采集訓(xùn)練樣本，如圖3所示，樣本為10×10像素的圖片，其中1-3號(hào)為正常葉片取樣圖像，4-6號(hào)為病斑取樣圖像。

訓(xùn)練樣本數(shù)為600，其中300個(gè)正常樣本，另外300位病斑樣本，樣本的特征個(gè)數(shù)為3，范圍是0-255。因?yàn)槲恼轮械腷p神經(jīng)網(wǎng)絡(luò)隱含層的激勵(lì)函數(shù)實(shí)用的是sigmod函數(shù)，該函數(shù)如圖4所示。對(duì)于sigmod函數(shù)，當(dāng)輸入量大于6或者小于-6的時(shí)候，sigmod的函數(shù)輸出值變化很小，而且他的輸出量在0-1之間，作為輸出層的輸入量，所以輸出層的樣本數(shù)據(jù)進(jìn)行歸一化處理，保證每一個(gè)樣本特征的范圍為0-1。

600個(gè)樣本，其中420個(gè)作為訓(xùn)練樣本，90個(gè)作為驗(yàn)證集合，90個(gè)作為測(cè)試集合，訓(xùn)練的結(jié)果如圖5所示。

圖6為兩片函數(shù)病斑的植物葉子。實(shí)用訓(xùn)練好的bp神經(jīng)網(wǎng)絡(luò)，對(duì)葉子圖像進(jìn)行進(jìn)行病斑分割，分割結(jié)果如圖7所示。

3 結(jié)束語

植物病斑區(qū)域分割，是利用計(jì)算機(jī)技術(shù)識(shí)別植物圖像中的病斑區(qū)域。常規(guī)的閾值分割方法，不能對(duì)其進(jìn)行很好的分割。文章針對(duì)病斑圖像非線性和不確定性的特點(diǎn)，采用bp神經(jīng)網(wǎng)絡(luò)對(duì)病斑區(qū)域進(jìn)行分割，能夠很好的診斷病害?；赽p具神經(jīng)網(wǎng)絡(luò)對(duì)植物病斑進(jìn)行分割，魯棒性好。

參考文獻(xiàn)

[1]關(guān)海鷗，許少華，譚峰.基于遺傳模糊神經(jīng)網(wǎng)絡(luò)的植物病斑區(qū)域圖像分割模型[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2010，11（11）：163-167.

[2]管澤鑫，姚青，楊保軍，等.數(shù)字圖像處理技術(shù)在農(nóng)作物病蟲草識(shí)別中的應(yīng)用[J].中國農(nóng)業(yè)科學(xué)，2009，7（7）：2349-2358.