馬曉丹 關(guān)海鷗 祁廣云 劉 剛 譚 峰

(1.黑龍江八一農(nóng)墾大學(xué)信息技術(shù)學(xué)院， 大慶 163319；2.中國農(nóng)業(yè)大學(xué)現(xiàn)代精細(xì)農(nóng)業(yè)系統(tǒng)集成研究教育部重點(diǎn)實(shí)驗(yàn)室， 北京 100083)

基于改進(jìn)級聯(lián)神經(jīng)網(wǎng)絡(luò)的大豆葉部病害診斷模型

馬曉丹1關(guān)海鷗1祁廣云1劉 剛2譚 峰1

(1.黑龍江八一農(nóng)墾大學(xué)信息技術(shù)學(xué)院， 大慶 163319；2.中國農(nóng)業(yè)大學(xué)現(xiàn)代精細(xì)農(nóng)業(yè)系統(tǒng)集成研究教育部重點(diǎn)實(shí)驗(yàn)室， 北京 100083)

針對大豆葉部病害性狀特征與病種之間的模糊性和不確定性，將數(shù)字圖像處理技術(shù)與神經(jīng)網(wǎng)絡(luò)智能推理技術(shù)相結(jié)合，充分挖掘大豆受病害脅迫后表現(xiàn)性狀與病種之間的潛在規(guī)律，提出了基于改進(jìn)級聯(lián)神經(jīng)網(wǎng)絡(luò)的大豆病害診斷模型。首先利用自制載物模板無損采集大田大豆葉部病害數(shù)字圖像，計算病斑區(qū)域的形狀特征、顏色特征及紋理特征14維度特征參數(shù)；為突顯各方面特征對于不同病害種類決定作用的差異性，構(gòu)建各子神經(jīng)網(wǎng)絡(luò)并聯(lián)的第1級網(wǎng)絡(luò)，第2級網(wǎng)絡(luò)的輸入為第1級網(wǎng)絡(luò)的輸出，利用多維特征各自優(yōu)勢來自動取得病種模式推理規(guī)則，建立了用于大豆葉部病害自動診斷的兩級級聯(lián)神經(jīng)網(wǎng)絡(luò)模型，仿真實(shí)驗(yàn)準(zhǔn)確率為97.67%；同時應(yīng)用量子遺傳計算優(yōu)化級聯(lián)神經(jīng)網(wǎng)絡(luò)參數(shù)，平均迭代次數(shù)為743，平均網(wǎng)絡(luò)誤差為0.000 995 445，提高了學(xué)習(xí)效率，實(shí)現(xiàn)了大豆葉部病害的高效自動診斷和精確測報，為大田農(nóng)作物全面系統(tǒng)地開展作物病害監(jiān)測、智能施藥及自動防治提供了理論依據(jù)。

大豆病害; 特征提取; 級聯(lián)神經(jīng)網(wǎng)絡(luò); 量子遺傳算法; 診斷模型

引言

農(nóng)作物病害是影響農(nóng)產(chǎn)品高產(chǎn)、優(yōu)質(zhì)、高效益的重要因素[1]。大豆作為糧食、產(chǎn)油及畜牧業(yè)兼用的重要農(nóng)作物，在生長過程中其病害發(fā)生率較高，需及時發(fā)現(xiàn)并準(zhǔn)確診斷[2]。隨著精細(xì)農(nóng)業(yè)技術(shù)[3]的發(fā)展，基于計算機(jī)視覺的智能信息處理技術(shù)逐漸被應(yīng)用于農(nóng)作物病害的自動診斷與防治領(lǐng)域，為大豆病害的無損檢測及快速診斷奠定了理論基礎(chǔ)[4-10]。但基于機(jī)器視覺的大豆病害快速診斷模型鮮有報道，大豆病害表現(xiàn)的性狀特征與病種之間存在的非線性復(fù)雜映射關(guān)系，難以定量精確的對其進(jìn)行描述，本文采用數(shù)字圖像處理技術(shù)獲取大豆病害圖像形狀、顏色以及紋理3方面數(shù)字特征，利用不同特征指標(biāo)識別不同病害種類的差異性和一致性，應(yīng)用前饋神經(jīng)網(wǎng)絡(luò)的高維非線性分類特性和高層知識推理能力，建立大豆病害自動診斷的級聯(lián)神經(jīng)網(wǎng)絡(luò)模型。

1 大豆病害圖像性狀特征提取

在大田自然環(huán)境下，應(yīng)用自制的圖像采集模板及便攜數(shù)碼相機(jī)采集大豆褐斑病、灰斑病以及灰星病的圖像，為后期病斑圖像數(shù)字化處理提供信噪低、干擾小、數(shù)字信號真實(shí)可靠的圖像，如圖1所示。

圖1 大豆病害數(shù)字圖像Fig.1 Digital image of soybean disease

依據(jù)農(nóng)學(xué)植保專家知識和統(tǒng)計分析可以確定，大豆葉部病害可以通過綜合葉片病斑圖像的形狀、顏色及紋理等特征進(jìn)行診斷。參照文獻(xiàn)[11]病害圖像預(yù)處理方法和文獻(xiàn)[7]的圖像分割方法獲得相應(yīng)病斑區(qū)域圖像結(jié)果，如圖2所示。

圖2 大豆病斑區(qū)域圖像Fig.2 Images of soybean spot area

1.1 形狀特征

參照文獻(xiàn)[11]對病斑區(qū)域圖像的形狀特征進(jìn)行提取，具體計算公式如下：

(1)圓度C

病斑圓度C是指大豆病害病斑區(qū)域形狀接近圓形的程度，計算公式為

(1)

式中A——面積L——周長

(2)球狀性S

病斑球狀性S不受其圖形幾何變換(旋轉(zhuǎn)、平移)以及尺度變化的影響，計算公式為

(2)

式中ri——病斑區(qū)域內(nèi)切圓半徑rc——外接圓半徑

(3)等效橢圓B

等效橢圓B由病斑區(qū)域圖形的面積以及和極慣性矩相同的相似程度來表示。計算公式為

(3)

其中，M=M(2,0)+M(0,2)表示極慣性矩是兩個二階矩之和。

(4)平均變動系數(shù)d

以病斑圖像重心為分割點(diǎn)，以5°為間隔進(jìn)行均分，得到重心到輪廓線之間的平均變動系數(shù)，計算公式為

(4)

式中Vn——病斑重心到其輪廓線的長度

大田環(huán)境下獲取灰斑病、褐斑病及灰星病，每種病害各采集100幅圖像，共計300幅大豆葉部病害圖像，利用式(1)～(4)計算相應(yīng)病害區(qū)域的形狀特征參數(shù)，結(jié)果如表1所示。

表1 歸一化形狀特征參數(shù)
Tab.1 Geometric parameters after normalized

序號圓度球狀度長短軸比變動系數(shù)病害種類10.70370.53480.26100.1674灰星病20.72140.56370.15540.2266灰斑病30.86890.72470.10710.1232褐斑病40.51210.36290.36170.1970灰星病50.81390.57810.21540.2118灰斑病60.81060.73920.09710.0837褐斑病??????

1.2 顏色特征

大豆葉面圖像顏色信息可反映其生長發(fā)育過程中病害狀況，HSI顏色空間與人眼感覺顏色的原理相似，符合植物保護(hù)專家在自然光條件下利用肉眼觀察病害顏色的規(guī)律；由于大豆病害采集裝置和處理設(shè)備通常采用RGB色彩空間，所以在RGB、HSI顏色空間中提取顏色特征，可更好發(fā)揮色彩空間在病害診斷中優(yōu)勢，計算病斑區(qū)域的紅色分量R、綠色分量G、藍(lán)色分量B、色度H、飽和度S及亮度I，參照文獻(xiàn)[12]計算大豆病害圖像的顏色特征，結(jié)果如表2所示。

表2 歸一化顏色特征參數(shù)
Tab.2 Color parameters after normalized

序號RGB模型HSI模型RGBHSI病害種類10.61110.50530.36840.57140.54540.5357灰星病20.53330.55910.48680.74280.22730.5357灰斑病30.28890.24730.18420.51430.45450.2143褐斑病40.50000.43010.36840.54290.40910.4643灰星病50.55560.63440.68420.77140.04550.6429灰斑病60.41110.34410.15790.62860.68180.2857褐斑病????????

1.3 紋理特征

大豆病害圖像不僅包含顏色信息和形狀信息，同時具有豐富的紋理信息，大豆病害的宏觀信息可通過數(shù)字圖像的紋理來獲取。由于大豆致病病原物的種類不盡相同，病斑區(qū)域也會表現(xiàn)出不同的紋理特征，計算病斑區(qū)域的紋理特征參數(shù)如下：

(1)平均灰度G

平均灰度表示病斑區(qū)域的亮度，計算公式為

(5)

式中Zi——灰度級隨機(jī)變量Pi——灰度圖相對應(yīng)的出現(xiàn)頻率L——可區(qū)分灰度級數(shù)目

(2)光滑度R

病斑區(qū)域的粗糙程度可以由光滑度R來表示，R越小，病斑圖像區(qū)域越平滑，R越大，病斑區(qū)域越粗糙，當(dāng)R=0時，病斑區(qū)域的各個部分強(qiáng)度相等，計算公式為

(6)

(3)一致性U

病斑區(qū)域的規(guī)則程度用一致性U來度量，計算公式為

(7)

(4)熵e

病斑區(qū)域的復(fù)雜性和隨機(jī)性用熵e表征，熵越大，病斑區(qū)域的可變性越大越復(fù)雜，否則可變性就越小越簡單，計算公式為

(8)

應(yīng)用式(5)～(8)計算大豆病害圖像的病斑區(qū)域的紋理特征，結(jié)果如表3所示。

表3 歸一化紋理特征參數(shù)
Tab.3 Texture parameters after normalized

序號平均灰度光滑度一致性熵病害種類10.86460.16170.79800.2062灰星病20.59030.51240.60550.3960灰斑病30.60920.64260.64070.3566褐斑病40.26880.66150.21680.7400灰星病50.48910.70860.53710.4647灰斑病60.96670.09810.97870.0214褐斑病??????

大豆病害圖像預(yù)處理后計算其形狀特征、顏色特征及紋理特征，從而為大豆病害診斷模型提供了有效特征的信息源。

2 大豆病害診斷的級聯(lián)神經(jīng)網(wǎng)絡(luò)設(shè)計

大豆病害癥狀表現(xiàn)具有復(fù)雜性和模糊性，病害種類與表現(xiàn)特征之間存在著較強(qiáng)的潛在規(guī)律，難以用精確數(shù)學(xué)模型表示。大豆病斑區(qū)域的形狀特征、顏色特征及紋理特征存在較強(qiáng)獨(dú)立性又相互關(guān)聯(lián)，為此，提出了采用級聯(lián)前饋神經(jīng)網(wǎng)絡(luò)對大豆病害進(jìn)行診斷方法。通過對大豆病害診斷機(jī)理的分析，確定級聯(lián)的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，第1級網(wǎng)絡(luò)由3個并列網(wǎng)絡(luò)構(gòu)成，輸入分別為形狀特征、顏色特征及紋理特征，輸出為各組特征對應(yīng)病害種類，第2級網(wǎng)絡(luò)輸入為第1級網(wǎng)絡(luò)的輸出，輸出為級聯(lián)網(wǎng)絡(luò)診斷病害種類。

2.1 級聯(lián)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

圖3 級聯(lián)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.3 Structure of cascade neural network

應(yīng)用3層前饋神經(jīng)網(wǎng)絡(luò)具有的自適應(yīng)學(xué)習(xí)能力和歸納推理機(jī)制，能夠以任意精度逼近一個非線性函數(shù)[13]，建立兩級級聯(lián)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，如圖3所示。

圖3級聯(lián)神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)中，一級并聯(lián)神經(jīng)網(wǎng)絡(luò)的3個子網(wǎng)絡(luò)和二級診斷網(wǎng)絡(luò)均為典型前饋網(wǎng)絡(luò)構(gòu)成。各網(wǎng)絡(luò)結(jié)構(gòu)分為：輸入層、隱含層和輸出層，層與層之間一般采用全互連方式，同層單元之間不存在相互連接，網(wǎng)絡(luò)各層分別有n1、n2和n3個節(jié)點(diǎn)數(shù)。

第1層為輸入層。設(shè)網(wǎng)絡(luò)輸入向量為x∈Rn1，其中x=(x1,x2,…,xn1)T。

第2層為隱含層。令輸入層到隱含層的連接權(quán)為wij，隱含層為高斯激勵函數(shù)，閾值為θj，該層輸出向量v∈Rn2，則該層第j節(jié)點(diǎn)輸出vj為

(9)

第3層為輸出層。令輸出向量為y∈Rn3，隱含層到輸出層的連接權(quán)為wjk，則隱含層、輸出層的第k節(jié)點(diǎn)輸出yk為

(10)

第1級并聯(lián)網(wǎng)絡(luò)分別由形狀特征、顏色特征及紋理特征3組特征向量構(gòu)成3個子神經(jīng)網(wǎng)絡(luò)，利用各自指標(biāo)優(yōu)勢對病害種類進(jìn)行計算輸出；第2級網(wǎng)絡(luò)以一級網(wǎng)絡(luò)的輸出為輸入，利用自身自適應(yīng)性和局部逼近特性的優(yōu)勢，建立大豆病害智能診斷模型，其輸出為級聯(lián)網(wǎng)絡(luò)最終確定的病害種類。

2.2 神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)方法

(11)

式中n1——輸入層節(jié)點(diǎn)數(shù)n2——隱含層節(jié)點(diǎn)數(shù)n3——輸出層節(jié)點(diǎn)數(shù)

令w為前饋神經(jīng)網(wǎng)絡(luò)各層可調(diào)整的連接權(quán)和閾值，則學(xué)習(xí)規(guī)則為

(12)

式中η——學(xué)習(xí)速度α——慣性系數(shù)t——學(xué)習(xí)次數(shù)

2.3 優(yōu)化網(wǎng)絡(luò)學(xué)習(xí)的量子遺傳算法

量子遺傳算法具有的全局搜索能力可有效克服神經(jīng)網(wǎng)絡(luò)易限于局部極小的缺陷，但該算法不能直接處理問題空間的參數(shù)，必須按照一定基因結(jié)構(gòu)的量子染色體編碼。參照文獻(xiàn)[14-15]方法給出優(yōu)化網(wǎng)絡(luò)學(xué)習(xí)中量子染色體的編碼方案為

(13)

其中cij=2πr(i=1,2,…,m；j=1,2,…,n)

式中r——(0,1)間的隨機(jī)數(shù)m——種群規(guī)模n——染色體長度

量子旋轉(zhuǎn)門操作[16]：確定本文量子比特相位旋轉(zhuǎn)門的更新規(guī)則為

(14)

轉(zhuǎn)角Δθ的方向選取時，如果R=0，sgn(Δθ)正負(fù)均可；否則sgn(Δθ)=-sgn(R)；更新轉(zhuǎn)角步長為[0.005π,0.1π]。

應(yīng)用量子遺傳算法可加快網(wǎng)絡(luò)學(xué)習(xí)速度，提高級聯(lián)神經(jīng)網(wǎng)絡(luò)效率和適應(yīng)性。

3 大豆病害癥狀診斷模型應(yīng)用

在大田環(huán)境下無損地采集大豆病害數(shù)字圖像，可避免在采摘作物時對作物生長連續(xù)性的破壞。通過計算大豆病害區(qū)域的形狀、顏色及紋理特征參數(shù)值，建立基于級聯(lián)神經(jīng)網(wǎng)絡(luò)的大豆病害智能分類器，可完成大豆灰斑病、褐斑病及灰星病的診斷過程。

3.1 基于級聯(lián)神經(jīng)網(wǎng)絡(luò)的大豆病害診斷方法

基于級聯(lián)神經(jīng)網(wǎng)絡(luò)的大豆病害無損智能診斷技術(shù)步驟為：首先在自然光照射下，選定感染病害的大豆葉片，將其平放在具有標(biāo)準(zhǔn)灰卡的自制載物模板上，利用數(shù)碼相機(jī)進(jìn)行拍攝，避免逆光現(xiàn)象；其次選取大豆病害區(qū)域和健康區(qū)域的部分典型像素，確定遺傳神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)，識別病害數(shù)字圖像的病斑；然后計算大豆病害病斑區(qū)域的形狀特征、顏色特征及紋理特征參數(shù)值；最后將3組特征值輸入二級前饋神經(jīng)網(wǎng)絡(luò)對大豆病害種類進(jìn)行診斷。

3.2 網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)確定及學(xué)習(xí)訓(xùn)練

采集大豆灰斑病、褐斑病及灰星病3類圖像樣本，分別編碼為100、010及001，共300種病害樣本，其中150個樣本用于算法訓(xùn)練，150個樣本用于測試。級聯(lián)神經(jīng)網(wǎng)結(jié)構(gòu)主要是確定第1級并聯(lián)網(wǎng)絡(luò)的3個子網(wǎng)絡(luò)結(jié)構(gòu)和第2級網(wǎng)絡(luò)結(jié)構(gòu)。將大豆病害病斑圖像的形狀特征(4維向量)，作為大豆病害識別子網(wǎng)絡(luò)模型的輸入向量，通過3.1節(jié)的前饋神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)確定子網(wǎng)絡(luò)結(jié)構(gòu)的輸入層節(jié)點(diǎn)數(shù)為4；輸出層為大豆病害癥狀分類模式編碼長度，共3個節(jié)點(diǎn)；隱含層神經(jīng)元節(jié)點(diǎn)為12個；所以基于形狀特征的子網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)為4-12-3型，同理可確定基于顏色特征和紋理特征的子網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)分別為6-16-3型和4-12-3型。第2級網(wǎng)絡(luò)以第1級并聯(lián)網(wǎng)絡(luò)的輸出向量為輸入，可確定輸入層節(jié)點(diǎn)數(shù)為9；輸出層為大豆病害種類模式編碼長度3；隱含層神經(jīng)元節(jié)點(diǎn)為18；該級網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)為9-18-3型。

在所有參數(shù)都相同的情況下，采用量子遺傳算法和梯度算法相結(jié)合的學(xué)習(xí)算法對網(wǎng)絡(luò)進(jìn)行訓(xùn)練。首先確定量子遺傳算法的訓(xùn)練樣本，隨機(jī)選取每種病害種類各10個病害樣本，共計30個樣本作為學(xué)習(xí)算法訓(xùn)練樣本。級聯(lián)神經(jīng)網(wǎng)絡(luò)的第2級網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)中，輸入層與隱含層的連接權(quán)值為162，隱含層閾值為18，隱含層與輸出層的連接權(quán)值為54；因此可確定其優(yōu)化網(wǎng)絡(luò)學(xué)習(xí)的量子遺傳算法的染色體長度為234，同理可確定第1級并聯(lián)神經(jīng)網(wǎng)絡(luò)的染色體長度分別為96、160及96。在網(wǎng)絡(luò)實(shí)際訓(xùn)練中，優(yōu)化代數(shù)為30；種群規(guī)模為30；變異概率為0.05；旋轉(zhuǎn)角初值為0.05π，將計算結(jié)果作為各網(wǎng)絡(luò)的可調(diào)整參數(shù)初始值。最后利用梯度下降算法繼續(xù)求解最優(yōu)解，選定150個病害樣本，設(shè)定訓(xùn)練目標(biāo)迭代精度為0.001，學(xué)習(xí)速度為0.8，慣性系數(shù)為0.5，最大學(xué)習(xí)次數(shù)為40 000。

在設(shè)定相同的目標(biāo)誤差精度前提下，利用傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)和本文提出的量子遺傳神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，其中子網(wǎng)絡(luò)收斂情況如圖4所示。

圖4 網(wǎng)絡(luò)收斂速度對比Fig.4 Comparison of network convergence speed

從圖4可知：BP神經(jīng)網(wǎng)絡(luò)迭代次數(shù)為6 730次，精度誤差為0.000 999 98；將量子遺傳算法優(yōu)化30代時，染色體中最優(yōu)解作為網(wǎng)絡(luò)可調(diào)整參數(shù)初始值；網(wǎng)絡(luò)迭代次數(shù)為461次，精度誤差為0.000 992 15。兩種學(xué)習(xí)算法都使網(wǎng)絡(luò)達(dá)到設(shè)定精度要求。

利用傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)和本文提出的量子遺傳神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，各子網(wǎng)絡(luò)的迭代次數(shù)統(tǒng)計情況如表4所示。

表4 各網(wǎng)絡(luò)迭代次數(shù)
Tab.4 Iteration times of networks

學(xué)習(xí)算法第1級并聯(lián)網(wǎng)絡(luò)形狀特征顏色特征紋理特征第2級網(wǎng)絡(luò)BP神經(jīng)網(wǎng)絡(luò)6730921895335249量子神經(jīng)網(wǎng)絡(luò)4611156832523

3.3 診斷模型應(yīng)用

利用訓(xùn)練好的基于級聯(lián)神經(jīng)網(wǎng)絡(luò)的大豆病害癥狀診斷模型，對300幅大豆病害圖像進(jìn)行診斷，結(jié)果如表5所示。

從大豆病害診斷效果可見，級聯(lián)神經(jīng)網(wǎng)絡(luò)的實(shí)際輸出值和期望輸出值的誤差很小，共出現(xiàn)了7個錯誤的預(yù)測結(jié)果，準(zhǔn)確率達(dá)到97.67%；利用傳統(tǒng)的多元線性回歸模型計算時出現(xiàn)了105個錯誤的預(yù)測結(jié)果，準(zhǔn)確率為65%；利用傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)模型計算時出現(xiàn)了86個錯誤的預(yù)測結(jié)果，準(zhǔn)確率為71.33%，因此本文方法是一種較為理想的大豆病害診斷模型。

表5 大豆病害診斷效果
Tab.5 Diagnosis result of soybean diseases

序號期望輸出值實(shí)際輸出值絕對誤差和病害種類11001.14230.0345-0.01440.1912灰斑病20100.02681.00140.00470.0329褐斑病?????????3000010.16330.04980.99510.2180灰星病

4 結(jié)論

(1)將數(shù)字圖像處理技術(shù)與神經(jīng)網(wǎng)絡(luò)智能推理技術(shù)相結(jié)合，充分挖掘了大豆受病害脅迫各表征指標(biāo)與病種之間的潛在規(guī)律，提出了基于級聯(lián)前饋神經(jīng)網(wǎng)絡(luò)的大豆病害診斷模型。利用自制載物模板無損地采集大田大豆病害數(shù)字圖像，計算大豆病害病斑區(qū)域的形狀特征(圓度、球狀性、等效橢圓、變動系數(shù))、顏色特征(紅色分量、綠色分量、藍(lán)色分量、色度、飽和度、亮度)及紋理特征(平均灰度、光滑度、一致性、熵)共14維度特征參數(shù)值，提出了大豆病害圖像的數(shù)字特征提取方法，為大豆病害智能診斷模型提供了有效特征的信息源。

(2)級聯(lián)前饋神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)了大豆病害與相對應(yīng)數(shù)字特征向量之間不確定性潛在規(guī)律的非線性映射關(guān)系。以病害形狀特征、顏色特征及紋理特征3組特征向量，構(gòu)建具有3個子神經(jīng)網(wǎng)絡(luò)的第1級并聯(lián)網(wǎng)絡(luò)，更好地體現(xiàn)了各方面特征對于不同病害種類決定作用的差異性；第2級網(wǎng)絡(luò)輸入為第1級網(wǎng)絡(luò)的輸出，綜合14維度特征在病種模式推理過程中各自優(yōu)勢，建立大豆病害自動診斷的級聯(lián)神經(jīng)網(wǎng)絡(luò)模型。大豆病害診斷仿真準(zhǔn)確率為97.67%。

(3)量子遺傳算法優(yōu)化級聯(lián)神經(jīng)網(wǎng)絡(luò)參數(shù)的學(xué)習(xí)方法，平均迭代次數(shù)為743，平均網(wǎng)絡(luò)誤差為0.000 995 445，滿足誤差精度要求，避免了傳統(tǒng)梯度下降學(xué)習(xí)算法易出現(xiàn)局部最小值的缺陷，提高了學(xué)習(xí)效率。基于兩級級聯(lián)神經(jīng)網(wǎng)絡(luò)的大豆病害診斷模型，具有高效準(zhǔn)確性和易推廣性。

1 LUKINA E，STONE M，RAUN W. Estimating vegetation coverage in wheat using digital images[J].Journal of Plant Nutrition， 1999，22(2):341-350.

2 張云龍，來智勇，景旭，等. 基于改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的大豆病害檢測[J]. 農(nóng)機(jī)化研究，2015，37(2)：79-82.

3 汪懋華，李民贊. 現(xiàn)代精細(xì)農(nóng)業(yè)理論與實(shí)踐[M]. 北京：中國農(nóng)業(yè)大學(xué)出版社，2012.

4 DARRELL T，GORDON G，HARVILLE M，et al. Integrated person tracking using stereo, color, and pattern detection[C]∥IEEE Conference on Computer Vision and Pattern Recognition,1998:601-608.

5 OIDE M，NINOMIYA S. Discrimination of soybean leaflet shape by neural networks with image input[J]. Computers & Electronics in Agriculture，2000，29(1)：59-72.

6 陳兵旗，郭學(xué)梅，李曉華. 基于圖像處理的小麥病害診斷算法[J]. 農(nóng)業(yè)機(jī)械學(xué)報，2009，40(12)：190-195. CHEN Bingqi, GUO Xuemei, LI Xiaohua. Image diagnosis algorithm of diseased wheat[J].Transactions of the Chinese Society for Agricultural Machinery,2009,40(12)190-195. (in Chinese)

7 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，2010，41(11)：163-167. GUAN Haiou, XU Shaohua, TAN Feng. Image segmentation model of plant lesion based on genetic algorithm and fuzzy euralnetwork[J]. Transactions of the Chinese Society for Agricultural Machinery,2010,41(11):163-167. (in Chinese)

8 馬曉丹，譚峰，許少華. 基于量子神經(jīng)網(wǎng)絡(luò)的馬鈴薯早疫病診斷模型[J]. 農(nóng)業(yè)機(jī)械學(xué)報，2011，42(6)：174-178. MA Xiaodan, TAN Feng, XU Shaohua. Diagnosis method of potato early blight based on quantum neural network[J]. Transactions of the Chinese Society for Agricultural Machinery, 2011,42(6):174-178. (in Chinese)

9 關(guān)海鷗，杜松懷，馬曉丹，等. 基于證據(jù)可信度不確定推理的大豆病害診斷方法[J].農(nóng)業(yè)工程學(xué)報，2013，29(增刊1)：109-114. GUAN Haiou, DU Songhuai, MA Xiaodan, et al. Diagnostic method of soybean diseases based on uncertain reasoning of evidence credibility[J]. Transactions of the CSAE, 2013,29(Supp.1):109-114. (in Chinese)

10 王立舒. 基于Dempster-Shafer理論的大豆病害信息診斷模型[J]. 農(nóng)機(jī)化研究，2010(8)：50-52,78.

11 關(guān)海鷗，黃燕. 大豆病斑智能識別無損預(yù)處理及其特征提取方法的研究[J]. 河北農(nóng)業(yè)大學(xué)學(xué)報，2010，33(5)：123-127. GUAN Haiou, HUANG Yan．Study on the method of non-loss pre-processing and feature extraction for intelligent recognition of soybean diseased spots[J]. Journal of Agricultural University of Hebei,2010,33(5):123-127. (in Chinese)

12 關(guān)海鷗，衣淑娟，焦峰，等. 農(nóng)作物缺素癥狀診斷的正則化模糊神經(jīng)網(wǎng)絡(luò)模型[J/OL]. 農(nóng)業(yè)機(jī)械學(xué)報，2012，43(5)：162-167,156.http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?file_no=20120528&flag=1.DOI：10.6041/j.issn.1000-1298.2012.05.028. GUAN Haiou, YI Shujuan, JIAO Feng, et al. Diagnosis model of crop nutrient deficiency symptoms based on regularized adaptive fuzzy neural network [J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2012, 43(5):162-167,156. (in Chinese)

13 劉彩紅. BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法的研究[D].重慶:重慶師范大學(xué),2008. LIU Caihong. The study of algorithm of BP neural network[D]. Chongqing: Chongqing Normal University， 2008. ( in Chinese)

14 李盼池，李士勇. 基于量子遺傳算法的正規(guī)模糊神經(jīng)網(wǎng)絡(luò)控制器設(shè)計[J].系統(tǒng)仿真學(xué)報，2007，19(16)：3710-3716. LI Panchi, LI Shiyong. Optimal design of normalized fuzzy neural network controller based on quantum genetic algorithm[J].Journal of System Simulation,2007,19(16):3710-3716. (in Chinese)

15 楊俊安，莊鎮(zhèn)泉，史亮. 多宇宙并行量子遺傳算法[J]. 電子學(xué)報，2004，32(6)：923-928. YANG Jun’an, ZHUANG Zhenquan, SHI Liang. Multi universe parallel quantum genetic algorithm[J]. Acta Electronica Sinica,2004,32(6):923-928. (in Chinese)

16 馬曉丹，劉剛，周薇,等. 基于量子遺傳模糊神經(jīng)網(wǎng)絡(luò)的蘋果果實(shí)識別[J/OL]. 農(nóng)業(yè)機(jī)械學(xué)報，2013，44(12)：227-232.http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?file_no=20131238&flag=1. DOI：10.6041/j.issn.1000-1298.2013.12.038. MA Xiaodan, LIU Gang, ZHOU Wei, et al. Apple recognition based on fuzzy neural network and quantum genetic algorithm [J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2013, 44(12):227-232. (in Chinese)

Diagnosis Model of Soybean Leaf Diseases Based on Improved Cascade Neural Network

MA Xiaodan1GUAN Haiou1QI Guangyun1LIU Gang2TAN Feng1

(1.CollegeofInformationTechnology,HeilongjiangBayiAgriculturalUniversity,Daqing163319,China2.KeyLaboratoryofModernPrecisionAgricultureSystemIntegrationResearch,MinistryofEducation,ChinaAgriculturalUniversity,Beijing100083,China)

Crop disease is an important factor to restrict high-yielding, high-quality and high efficiency of products. Soybean is a critical crop, but incidence of soybean diseases increases year by year during their growth, so diagnosis of soybean diseases timely and accurately can provide reliable basis for prevention and control of soybean. Therefore, aiming at the fuzzy and uncertainty between disease traits and diseases of soybean leaf diseases, combining digital image possessing and neural network technology, the diagnosis model of soybean diseases was proposed based on improved cascade neural network after the potential rules of disease traits and diseases was fully mined. Firstly, the diseases images were acquitted by home-made slide template, the 14 dimensional characteristic parameters were calculated based on the geometry characteristic, color characteristic and texture characteristic of disease areas. Secondly, in order to highlight all aspects of characteristics for different kinds of diseases, the first level of each parallel neural network was constructed, the output of the first level was the input of the second level. Thirdly, the two slopes cascade neural network model was established for diagnosis soybean leaf diseases automatically, which based on inference rules of diseases using respective advantages of multidimensional characteristics, the simulation accuracy was 97.67%. Meanwhile, the cascade neural network parameters were optimized by quantum genetic algorithm. The average number of iterations was 743, and the average network error was 0.000 995 445. The proposed method realized the automatic diagnosis and precise forwards, which also provided important theory basis for disease monitoring and smart pesticide spraying.

soybean diseases; characteristic extraction; cascade neural network; quantum genetic algorithm; diagnosis model

10.6041/j.issn.1000-1298.2017.01.021

2016-02-20

2016-03-30

國家自然科學(xué)基金項(xiàng)目(31601220、31371532)、黑龍江省自然科學(xué)基金項(xiàng)目(QC2016031)、“十二五”國家科技支撐計劃項(xiàng)目(2014BAD06B01)和黑龍江省農(nóng)墾總局科技項(xiàng)目(HNK125A-08-03)

馬曉丹(1980—)，女，副教授，博士，主要從事計算機(jī)農(nóng)業(yè)應(yīng)用技術(shù)研究，E-mail： bynd_mxd@163.com

祁廣云(1963—)，男，教授，主要從事電子信息在農(nóng)業(yè)中的應(yīng)用研究，E-mail： bynd_qgy@163.com

TN911.73； TP183

A

1000-1298(2017)01-0163-06