亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于專家系統(tǒng)的穴盤苗品種識(shí)別算法設(shè)計(jì)與試驗(yàn)

        2019-08-10 03:46:59何彥虎武傳宇童俊華賀磊盈王榮楊楊太瑋
        江蘇農(nóng)業(yè)科學(xué) 2019年4期
        關(guān)鍵詞:穴盤苗推理機(jī)專家系統(tǒng)

        何彥虎 武傳宇 童俊華 賀磊盈 王榮楊 楊太瑋

        摘要:為提高穴盤苗品種識(shí)別準(zhǔn)確率,確保全自動(dòng)穴盤苗移栽的實(shí)施,設(shè)計(jì)基于專家系統(tǒng)的識(shí)別算法。首先對(duì)采集穴盤苗圖像進(jìn)行K均值聚類算法圖像分割、二值化和形態(tài)圖像處理,獲得0.6L-0.4(R+B+G)/3、0.3b-0.7a、H+0.2S、0.3L-0.7a等4個(gè)顏色特征值向量和長(zhǎng)寬比、橢圓扁率、矩形度、傅里葉描述子等4個(gè)形狀特征向量。然后對(duì)圖像特征進(jìn)行語(yǔ)義轉(zhuǎn)換,構(gòu)建穴盤苗知識(shí)模型,并設(shè)計(jì)苗的知識(shí)庫(kù)及推理機(jī),推理采用了不確定推理算法及學(xué)習(xí)算法。系統(tǒng)采集了120盤10個(gè)品種的穴盤苗,采用專家系統(tǒng)識(shí)別試驗(yàn),成功率達(dá)到了98.3%,而相同樣本采用支持向量機(jī)(support vector machine,簡(jiǎn)稱SVM)的識(shí)別率是84.0%,采用粒子群優(yōu)化支持向量機(jī)(particle-swarm optimization SVM,簡(jiǎn)稱PSOSVM)的識(shí)別率是86.3%,采用反向傳遞(back propagation,簡(jiǎn)稱BP)神經(jīng)網(wǎng)絡(luò)的識(shí)別率是62.0%,證明基于專家系統(tǒng)的識(shí)別方法可以滿足自動(dòng)移栽作業(yè)要求。

        關(guān)鍵詞:穴盤苗;圖像識(shí)別;專家系統(tǒng);不確定性推理;推理機(jī)

        中圖分類號(hào): TP391.41? 文獻(xiàn)標(biāo)志碼: A? 文章編號(hào):1002-1302(2019)04-0176-06

        為改善勞動(dòng)條件,穴盤苗自動(dòng)移栽技術(shù)得到廣泛研究,由于穴盤苗的種類繁多,形態(tài)各異,在全自動(dòng)穴盤苗移栽時(shí),要對(duì)不同品種的苗采用不同的移栽方法,因此,穴盤苗品種識(shí)別是自動(dòng)移栽的技術(shù)需求之一。目前常用的識(shí)別方法是通過圖像處理,得到穴盤苗特征,通過苗葉面積、形狀、顏色等特征進(jìn)行識(shí)別。胡飛等采用1.8G-1.5R-1.8B顏色分量對(duì)番茄穴盤苗圖像進(jìn)行灰度化處理,并采用最大類間方差進(jìn)行圖像分割,實(shí)現(xiàn)對(duì)弱苗的識(shí)別[1]。賀磊盈等提出了1種基于機(jī)器視覺用橢圓擬合的方法恢復(fù)幼苗葉面,提取葉面輪廓并根據(jù)輪廓上的拐點(diǎn),應(yīng)用橢圓擬合的方法參數(shù)化葉面形狀,提取幼苗的葉面參數(shù)[2]。程玉柱采用分?jǐn)?shù)階微積分理論的主動(dòng)輪廓模型(ACM,active contours model)對(duì)分?jǐn)?shù)階ACM圖像分割算法進(jìn)行研究,發(fā)現(xiàn)對(duì)玉米苗的圖像分割效果優(yōu)于閾值分割[3]。童俊華開發(fā)了穴盤苗健康信息檢測(cè)方法,通過灰度增強(qiáng)降噪等處理技術(shù)將穴盤苗與背景分割,提高了苗葉識(shí)別可靠性[4]。蔣煥煜等采用(3G-R-B)/3色差法及分水嶺分割算法分割番茄苗葉[5]。尹建軍等采用(R-G)色差對(duì)番茄圖像進(jìn)行動(dòng)態(tài)分割[6]。胡建平等通過辣椒穴盤苗的顏色、頸粗、面積等特征來識(shí)別健康苗[7]。近年來,許多研究者開始采用智能化的識(shí)別方法。李浩采用紅綠藍(lán)(red green blue,簡(jiǎn)稱RGB)及色飽和強(qiáng)度(hue saturationb intensity,簡(jiǎn)稱HSI)顏色模型并采用貝葉斯判別法建立煙葉分組判別模型[8]。劉念等采用多特征融合和深度信念網(wǎng)絡(luò)對(duì)植物葉片品種進(jìn)行識(shí)別,識(shí)別率為95.6%[9]。

        智能化識(shí)別通過視覺提取苗的外形、顏色、紋理等信息,然后采用神經(jīng)網(wǎng)絡(luò)、貝葉斯、卷積神經(jīng)網(wǎng)絡(luò)等算法進(jìn)行分類。因穴盤苗存在層次不齊、黏連重疊等現(xiàn)象,且光照變化對(duì)苗葉顏色和形狀特征的獲取影響較大,造成識(shí)別誤差較大,魯棒性和穩(wěn)定性較差。本研究提出了1種基于專家系統(tǒng)決策的識(shí)別算法,并對(duì)10種類型的穴盤苗進(jìn)行識(shí)別驗(yàn)證,以證明該算法可有效提高穴盤苗品種的識(shí)別準(zhǔn)確率。

        1 設(shè)備與材料

        1.1 試驗(yàn)設(shè)備

        試驗(yàn)設(shè)備如圖1所示,該設(shè)備由4條苗盤輸送帶、1個(gè)視覺箱、3個(gè)伺服軸、1套移栽末端執(zhí)行器、伺服控制系統(tǒng)、圖像處理模塊、專家系統(tǒng)識(shí)別模塊組成。視覺箱里包括相機(jī)及燈光,相機(jī)采用grey point公司的GRAS-50S5C,鏡頭是Sony ICX625AQ 2 448×2 048 CCD,接口是IEEE-1394,PCIeBus Speed是2.5 GT/s。燈光布置成4×4個(gè)燈帶(4層,每層4個(gè))。相機(jī)與上位機(jī)相連接,上位機(jī)上安裝了圖像采集卡、專家識(shí)別系統(tǒng)。設(shè)備的工作過程為:在進(jìn)料輸送帶上放入待識(shí)別的穴盤苗,通過視覺箱采集穴盤苗圖像,并經(jīng)過圖像處理模塊獲得苗特征向量,該特征向量被上位機(jī)的專家系統(tǒng)捕獲,專家系統(tǒng)識(shí)別出苗的品種,然后根據(jù)該品種苗的移栽閾值(這里僅取面積閾值驗(yàn)證)實(shí)施移栽。移栽穴盤苗通過輸送帶1(可在導(dǎo)軌3前后移動(dòng))傳送到輸送帶5處,XYZ伺服系統(tǒng)帶動(dòng)末端執(zhí)行器9動(dòng)作,將苗從輸送帶5處的穴盤里移栽到輸送帶6處的穴盤中。

        1.2 試驗(yàn)材料

        2017年6—10月從浙江理工大學(xué)、浙江大學(xué)、浙江省現(xiàn)代農(nóng)業(yè)園區(qū)采集穴盤苗樣本共120盤10個(gè)品種,在樣本的選擇上,考慮了相似樣本的選擇,也考慮了光照、拍攝位置、苗齡等多個(gè)因素,具體樣本情況是:三色堇苗S1(S11~S14)共4個(gè)樣本,分別在4、3、2、1層燈帶發(fā)光下采集;一串紅苗S2(S21~S24)共4個(gè)樣本,在不同放置角度下采集(測(cè)試拍照角度對(duì)系統(tǒng)的影響);黃瓜苗S3共66個(gè)樣本,其中7 d苗(S301~S310)10個(gè),8 d苗(S311~S320)10個(gè),9 d苗(S321~S330)10個(gè),10 d苗(S331~S340)10個(gè),11 d苗(S341~S350)10個(gè),12 d苗(S351~S360)10個(gè),13 d苗(S361~S366)6個(gè);番茄苗S4共20個(gè)樣本,分別是6、8、17、24 d的樣本;辣椒苗S5共6個(gè)樣本,分別是17、24 d的樣本;另外還有吉利紅星苗S6、蒲瓜苗S7、茄子苗S8、西葫蘆S9、有機(jī)花菜苗S10各4個(gè)樣本。算法的主要目標(biāo)是在整個(gè)樣本空間下,進(jìn)行苗品種判別。

        2 識(shí)別算法

        2.1 識(shí)別框架設(shè)計(jì)

        實(shí)現(xiàn)穴盤苗品種識(shí)別的關(guān)鍵是設(shè)計(jì)專家系統(tǒng)識(shí)別算法,該算法按照層次化構(gòu)建識(shí)別框架,分別為圖像特征獲取層、語(yǔ)義轉(zhuǎn)換層和專家系統(tǒng)識(shí)別層。圖像特征獲取層的主要作用是獲取苗葉的顏色和形狀特征;語(yǔ)義轉(zhuǎn)換層主要完成與知識(shí)庫(kù)的對(duì)接,把苗的特征信息表達(dá)成知識(shí)庫(kù)的格式存儲(chǔ)。專家推理層主要完成對(duì)這些知識(shí)的推理與再學(xué)習(xí)。專家系統(tǒng)主要由知識(shí)庫(kù)、推理機(jī)、數(shù)據(jù)庫(kù)、人機(jī)交互等組成,穴盤苗的專家識(shí)別總體方案設(shè)計(jì)如圖2所示。

        2.2 圖像特征獲取

        2.2.1 顏色值提取 不同品種穴盤苗的外在形態(tài)在重疊程度、疏密程度、健康程度等方面各有不同,須要在不同顏色空間下尋找顏色的組合特征,目前常用的顏色模型有RGB模型、HIS模型、Lab(luminosity,a表示從紅色至綠色的范圍,b表示從藍(lán)色至黃色的范圍)模型、CMYK(cyan magenta yellow black)模型。通過K均值聚類進(jìn)行圖像分割,然后獲取R、G、B、L、a、b、H、S各分量的顏色值。

        2.2.2 形狀特征獲取 穴盤苗的形狀特征需與葉片的大小和方向無(wú)關(guān)。選取的特征參數(shù)有:矩形度(R),描述苗葉與苗葉外接矩形的接近程度,如式(1)所示;橢圓扁率(u),指苗葉的狹長(zhǎng)程度,如式(2)所示;長(zhǎng)寬比(P),葉片外接矩形長(zhǎng)寬的比值如式(3)所示。

        式中:A表示面積;W是外接矩形的寬;L是外接矩形的長(zhǎng);a是橢圓長(zhǎng)軸;b是橢圓短軸,圖像處理中,采用的單位都是像素點(diǎn)數(shù)。形狀特征獲取算法的關(guān)鍵是在苗葉重疊情況下,在畸變苗葉中找到形狀接近度高的理想苗葉集,以獲取較準(zhǔn)確的形狀特征,算法流程為

        Step1:采用K均值在Lab顏色空間下分割出苗葉,并用最大類間方差法(OTSU)去除噪點(diǎn)。

        Step2:形態(tài)運(yùn)算分離苗葉。首先設(shè)定1個(gè)2×2的矩陣模板,對(duì)圖像進(jìn)行腐蝕,增大苗葉距離。然后進(jìn)行填充孔洞運(yùn)算,最后采用圓形為1的模板對(duì)圖像開運(yùn)算。

        Step3:理想苗葉篩選。首先采用面積閾值法除去大面積粘連區(qū)域,再計(jì)算面積均值和方差,選擇小于“面積均值+方差”并大于“面積均值-方差”的區(qū)域。最后統(tǒng)計(jì)橢圓扁率u的頻次,凡是頻次出現(xiàn)高的被保留,頻次低的一般是非理想苗葉形狀,予以濾出。

        Step4:傅里葉描述子精選理想苗葉。經(jīng)過第3步的篩選,已將大面積的粘連苗葉、殘缺苗葉、重疊苗葉除去,但仍偶然出現(xiàn)不理想苗葉,甚至畸形苗葉沒有被濾出,因此再采用傅里葉描述子進(jìn)行辨識(shí)與分離。設(shè)單獨(dú)的1個(gè)苗葉是由N個(gè)像素組成的封閉邊界,則邊界上任意一點(diǎn)的坐標(biāo)可以用復(fù)數(shù)表示為式(4)。

        式中:fx表示匹配情況,fx為0表示匹配不成功,大于0表示匹配成功。這時(shí)就形成了C(i,j)個(gè)類,最終被選為理想苗葉算法的是最小誤差法,即計(jì)算每一個(gè)類的傅里葉“誤差和”,“誤差和”最小的類被選中,說明該類中苗葉非常相似。最后計(jì)算出目標(biāo)苗葉的長(zhǎng)寬比、矩形度、橢圓扁率、傅里葉描述子等平均值作為形狀特征值。

        2.3 專家系統(tǒng)識(shí)別

        穴盤苗的專家識(shí)別算法包括穴盤苗特征的語(yǔ)義轉(zhuǎn)換、知識(shí)表示與推理機(jī)的設(shè)計(jì)。

        2.3.1 穴盤苗特征語(yǔ)義映射 穴盤苗特征主要包括顏色和形狀,顏色的語(yǔ)義映射主要是將顏色數(shù)據(jù)轉(zhuǎn)變成顏色語(yǔ)義,便于推理機(jī)的識(shí)別。形狀特征的語(yǔ)義映射主要是將苗特征值轉(zhuǎn)換成推理機(jī)可識(shí)別的語(yǔ)義信息。這里采用一個(gè)三元組表達(dá),如式(7)所示。

        式中:i=1,2,3,…,n,N是特征名稱,V是該特征對(duì)應(yīng)的數(shù)值;δ表示允許誤差,即當(dāng)前采樣值與知識(shí)庫(kù)中知識(shí)特征值的差。(+,-,*,/)表示特征可以按照該運(yùn)算組成新的特征。

        2.3.2 穴盤苗建模 在推理過程中,還須要建立穴盤苗的知識(shí)模型,用于對(duì)苗特征的表征與推理,實(shí)現(xiàn)對(duì)不同苗的識(shí)別。1個(gè)完整的穴盤苗具有顏色、形狀等特征,模型要能表達(dá)這些特征,據(jù)此定義穴盤苗模型如式(8)所示。

        式中:SEEDi表示穴盤苗的模型;SNi表示第i盤苗的名稱;Aij表示第i盤苗的第j個(gè)特征名稱;Vij表示第i盤苗的第j個(gè)特征的特征值;δij為接近度,即第i盤苗的第j個(gè)特征的采樣值與知識(shí)特征值的差值;(OR,AND)表示這些特征可以進(jìn)行“或”運(yùn)算或者“與”運(yùn)算;wij為客觀可信度,表示穴盤苗某特征對(duì)穴盤苗支持的客觀可信度,是客觀存在的,該參數(shù)一般在知識(shí)庫(kù)中是靜態(tài)存在的,由領(lǐng)域?qū)<掖_定;CFij為Aij特征的學(xué)習(xí)可信度,在學(xué)習(xí)的過程中,可以改變自身的值,一些對(duì)穴盤苗支持程度高的特征,其CF值隨著學(xué)習(xí)不斷加強(qiáng),支持度小的CF值則不斷減小和弱化,其隨著學(xué)習(xí)更加趨近合理;SCFi為穴盤苗的總體可信度;λi為可信度閾值。

        2.3.3 知識(shí)模型及推理機(jī)設(shè)計(jì) 語(yǔ)義映射完成的穴盤苗特征將成為專家系統(tǒng)的事實(shí),是專家系統(tǒng)辨識(shí)穴盤苗的依據(jù),因采集環(huán)境以及圖像處理中的信息丟失等影響,采集信息存在模糊性、隨機(jī)性等強(qiáng)非線性因素,具有不完備和不精確性。對(duì)于這類問題在專家系統(tǒng)中都?xì)w一到不確定性推理框架,常見的推理模型有D-S證據(jù)理論、貝葉斯網(wǎng)絡(luò)、權(quán)重邏輯推理(weighted logical inference,簡(jiǎn)稱WLI)[10],針對(duì)穴盤苗特征構(gòu)建的事實(shí),提出不確定推理模型。推理知識(shí)表示如式(9)所示。

        式中:m為穴盤苗數(shù)量;n為某一個(gè)穴盤苗的特征數(shù),wi1+wi2+,…,win=1;λ為閾值,范圍為[0,1]。

        推理機(jī)是專家系統(tǒng)的關(guān)鍵,本系統(tǒng)采用的專家系統(tǒng)是CLIPS,CLIPS是用C語(yǔ)言實(shí)現(xiàn)的高效產(chǎn)生式系統(tǒng),因效率高、可移植性強(qiáng)而得到廣泛的應(yīng)用[11]。它構(gòu)成的專家系統(tǒng)包括:規(guī)則(defrule)、事實(shí)(deffacts)、推理。推理機(jī)不斷地掃描規(guī)則,并把匹配成功的規(guī)則激活,放入議程之中[12]。CLIPS既可以獨(dú)立編程,也可以嵌入到VC中,知識(shí)庫(kù)可以隨時(shí)填入知識(shí)而不影響其他程序結(jié)構(gòu)。CLIPS的推理循環(huán)可分為4個(gè)階段:模式匹配、沖突消解、激活規(guī)則、動(dòng)作[12]。推理機(jī)的推理過程為

        Step1:系統(tǒng)相機(jī)拍照,并將圖像傳入圖像處理模塊,分別計(jì)算出該穴盤苗圖像的特征值V={v1,v2,v3,…,vn,n為特征數(shù)},其對(duì)應(yīng)的特征名稱為A={A1,A2,A3,…,An}。

        Step2:推理機(jī)啟動(dòng),打開并搜索知識(shí)庫(kù),與所有知識(shí)進(jìn)行匹配。假設(shè)匹配苗S11,則根據(jù)特征名A,可以匹配得到:特征值VB={VB1,VB2,VB3,…,VBn,n為特征數(shù)}、允許誤差δ={δ1,δ2,δ3,…,δn,n為特征數(shù)}、客觀可信度w={w1,w2,w3,…,wn,n為特征數(shù)}、學(xué)習(xí)可信度CF={CF1,CF2,CF3,…CFn,n為特征數(shù)},然后計(jì)算VB與V的差值并與δ比較,凡是小于δ的特征被保留,并計(jì)算出每一個(gè)特征的可信度,則苗S11的總可信度SCF11如式(10)所示。

        說明第j條知識(shí)正好是第k個(gè)苗的知識(shí),即識(shí)別成功苗的總可信度在整個(gè)樣本空間中最大。

        2.3.4 學(xué)習(xí)算法 學(xué)習(xí)分首次學(xué)習(xí)和再學(xué)習(xí)。當(dāng)穴盤苗知識(shí)庫(kù)中沒有某種苗知識(shí)時(shí),通過首次學(xué)習(xí),建立該苗的“苗知識(shí)”。再學(xué)習(xí)是通過改變CF的權(quán)重值,提高識(shí)別能力。現(xiàn)設(shè)存在苗S11的知識(shí),其差異度為{h11,h12,…h(huán)1n,n為特征數(shù)},再設(shè)苗S12為待學(xué)習(xí)的苗,其差異度表示為{h21,h22,…,h2n},再學(xué)習(xí)算法的步驟為

        式中:m為目標(biāo)搜索空間;c1和c2為學(xué)習(xí)因子;r1和r2為[0,1]范圍內(nèi)的均勻隨機(jī)數(shù);w為慣性因子;Vim為速度;Pim為個(gè)體最優(yōu)位置;Pgm為全局最優(yōu)值;CFim為第i個(gè)穴盤的第m個(gè)特征的可信度。這樣,在搜索的過程中,CF的值被優(yōu)化,接近度高的權(quán)重得以加強(qiáng),接近度低的予以抑制。

        3 結(jié)果與分析

        通過信號(hào)采集,首先獲得120個(gè)穴盤苗特征向量,然后用專家系統(tǒng)識(shí)別測(cè)試。軟件主要采用了VC+ +(6.0)、MATLAB(2013a)、圖像采集軟件、CLIPS專家推理系統(tǒng)(版本為6.22)。

        3.1 圖像特征提取與分析

        3.1.1 理想苗葉篩選測(cè)試 把苗S330(圖3-a)用K均值聚類后得到圖3-b,同時(shí)得到顏色特征的均值,然后進(jìn)行二值化得到圖3-c,采用面積過濾篩除粘連的大塊面積得到圖 3-d,然后用參量u進(jìn)行篩選得到圖3-e,最后用傅里葉描述子聚類分離得到圖3-f,并求出其形狀特征的均值。從圖3可以看出,特征獲取算法能在苗葉粘連的情況下,濾除畸形苗葉,得到理想苗葉,證明該算法合理有效。

        3.1.2 特征值選擇及效果 通過分析同類苗的R、G、B、L、a、b、H、S等顏色值發(fā)現(xiàn),在Lab空間中,L隨著采集燈光的減弱而減弱,a值隨著亮度的增加而逐步轉(zhuǎn)向深綠,b值隨亮度的變化反應(yīng)不規(guī)律;在RGB顏色空間中,R、G、B的值隨著亮度的增大逐步增大;在HIS顏色空間中,H雖然隨著光照度的增大而增大,但增大的幅值非常小,而S卻隨著光照度的增強(qiáng)而降低。在特征值的選擇中發(fā)現(xiàn),對(duì)不同顏色進(jìn)行組合后,可得到較穩(wěn)定的特征量,因此選取0.6L-0.4(R+B+G)/3、03b-0.7a、H+0.2S、0.3L-0.7a等顏色特征作為特征值。形狀特征值選擇長(zhǎng)寬比、橢圓扁率、矩形度及傅里葉描述子4個(gè)參數(shù)?,F(xiàn)設(shè)特征F1=0.6L-0.4(R+B+G)/3,并以苗S3的40個(gè)樣本為例分析,其特征分布情況如圖4所示,可以看出,生長(zhǎng)期相近的苗特征基本相近,特征值相對(duì)穩(wěn)定,波動(dòng)較小。

        3.2 專家系統(tǒng)識(shí)別試驗(yàn)

        3.2.1 不同品種穴盤苗識(shí)別測(cè)試

        3.2.1.1 可信度識(shí)別結(jié)果分析 根據(jù)苗品種及生長(zhǎng)期的不同,建立多條苗的知識(shí),本試驗(yàn)采用苗S11、S21、S301、S320、S351、S361、S401、S407、S414、S501、S506、S6、S7、S8、S9、S10的知識(shí),對(duì)所有穴盤苗進(jìn)行識(shí)別測(cè)試,通過可信度值進(jìn)行統(tǒng)計(jì)識(shí)別情況,圖5-a是第1類苗S1的4盤穴盤苗的識(shí)別結(jié)果,圖5-b是第2類穴盤苗S2的識(shí)別情況。

        由圖5可知,在苗S1和苗S2中的8個(gè)樣本中,每一個(gè)苗的總體可信度在整個(gè)樣本空間中最大,說明識(shí)別成功。表2是苗S3、S4、S5的識(shí)別情況,可以看出,苗S301構(gòu)建的知識(shí)能識(shí)別生長(zhǎng)期為7、8 d的苗。苗S320構(gòu)建的知識(shí)能識(shí)別9、10、11 d的苗。在生長(zhǎng)期早的苗葉中,識(shí)別率非常高,這主要是由于生長(zhǎng)期早的苗葉沒有重疊或有輕微的重疊,容易取到理想的樣本,也說明推理機(jī)與知識(shí)庫(kù)設(shè)計(jì)合理。識(shí)別出現(xiàn)錯(cuò)誤的主要是生長(zhǎng)期比較晚的苗葉如S356號(hào)苗(12 d)和S419號(hào)苗(24 d),主要是因?yàn)檫@些苗為嚴(yán)重重疊苗,形態(tài)復(fù)雜,苗葉畸形造成形態(tài)特征值誤差太大。苗S6、S7、S8、S9、S10識(shí)別全部正確。

        3.2.1.2 移栽結(jié)果分析 本研究只采用面積閾值驗(yàn)證專家系統(tǒng)識(shí)別結(jié)果,專家系統(tǒng)識(shí)別成功后,根據(jù)該苗的移栽面積閾值實(shí)施移栽,面積閾值存儲(chǔ)在知識(shí)庫(kù)中,當(dāng)檢測(cè)到當(dāng)前苗的面積在知識(shí)庫(kù)中閾值面積范圍內(nèi)時(shí),說明匹配成功,則發(fā)送移栽命令,通過測(cè)試發(fā)現(xiàn),S356號(hào)苗移栽動(dòng)作沒有發(fā)生,S419號(hào)雖然苗的識(shí)別錯(cuò)誤,但卻發(fā)生了移栽動(dòng)作。分析其原因,苗S3的S356號(hào)苗的葉面積是651,但專家系統(tǒng)識(shí)別結(jié)果是苗S6(錯(cuò)誤結(jié)果),S6的面積閾值是226~310,與S356的面積651匹配不成功,無(wú)法啟動(dòng)移栽命令,因此沒有動(dòng)作;苗S4的第S419號(hào)苗的葉面積是447,專家系統(tǒng)識(shí)別結(jié)果是苗S3(錯(cuò)誤結(jié)果),但苗S3的閾值面積包含了447,因此,實(shí)施了移栽動(dòng)作。綜上測(cè)試說明,通過專家系統(tǒng)可信度識(shí)別錯(cuò)誤的穴盤苗,也有發(fā)生移栽的可能,主要原因是不同苗葉面積閾值相近造成的,因此在實(shí)踐應(yīng)用中,還要通過其他的閾值條件進(jìn)行限定,以確保移栽可靠性。

        3.2.2 光照影響下穴盤苗識(shí)別測(cè)試 不同的光照會(huì)影響特征值的采集,因此,需要測(cè)試光照影響下專家系統(tǒng)的識(shí)別率?,F(xiàn)以S11、S12、S13、S14為例測(cè)試,這4個(gè)是同種苗,但光照度減弱,現(xiàn)以F11(seed11)特征值構(gòu)建知識(shí),當(dāng)輸入F12、F13、F14幾個(gè)采集特征值時(shí),各個(gè)苗的總可信度如表4所示,可以看出,采集特征值F12、F13、F14在同種苗S1上的信任度遠(yuǎn)遠(yuǎn)高于在其他苗上產(chǎn)生的信任度,說明盡管穴盤苗的采集特征值在變化,但依然能準(zhǔn)確地識(shí)別同類型的穴盤苗。

        3.2.3 學(xué)習(xí)可信度學(xué)習(xí)測(cè)試 為了提高識(shí)別的魯棒性,并測(cè)試學(xué)習(xí)的效果,現(xiàn)對(duì)S1的知識(shí)進(jìn)行學(xué)習(xí),改變其學(xué)習(xí)可信度的權(quán)值,S1學(xué)習(xí)前后信任度對(duì)比如圖6所示。

        由圖6可知,經(jīng)過學(xué)習(xí)后,采集特征值F12、F13、F14在同種苗的總信任度高于沒有學(xué)習(xí)時(shí)的信任度,這說明識(shí)別同類苗的能力大大增強(qiáng)。

        3.2.4 相似度大小對(duì)識(shí)別的影響測(cè)試 相似度的取值要求能區(qū)分其他穴盤苗,本研究通過逐步增大相似度取值,分析相似度大小對(duì)苗識(shí)別的影響(以S1為例)。由圖7可知,逐步增大苗S1的相似度值時(shí),除了S11因構(gòu)建知識(shí),相似度不變外,S12、S13等總可信度隨著相似度值的增大而增大,但到一定值時(shí),就不再增大。同時(shí)可以看出,對(duì)苗3等其他苗的總可信度沒有影響。對(duì)任意一個(gè)穴盤苗知識(shí)庫(kù)中知識(shí)的相似度而言,不易設(shè)置過大,一般設(shè)置在可信度曲線轉(zhuǎn)平前的拐點(diǎn)附近,如圖7中的[4,5]區(qū)間,相似度大小一般由領(lǐng)域?qū)<掖_定。

        3.2.5 幾種識(shí)別算法比較 本研究在樣本特征值保持不變的情況下,將樣本分成訓(xùn)練樣本70個(gè),測(cè)試樣本50個(gè),采用反向傳遞(back propageation,簡(jiǎn)稱BP)神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)(support vector machine,簡(jiǎn)稱SVM)網(wǎng)絡(luò)、粒子群優(yōu)化支持向量機(jī)(particle-swarm optimizaion,簡(jiǎn)稱PSOSVM)進(jìn)行識(shí)別測(cè)試。BP神經(jīng)網(wǎng)絡(luò)的識(shí)別率為62.0%,其中目標(biāo)誤差是 0.001,訓(xùn)練次數(shù)是9 000次;支持向量機(jī)SVM的識(shí)別率為840%,其中SVM的懲罰參數(shù)c取2,核函數(shù)參數(shù)g取1,工具箱版本是libsvm 3.12;基于粒子群優(yōu)化的支持向量機(jī)識(shí)別率為86.3%,其中懲罰參數(shù)c優(yōu)化值為 1.642 6,核函數(shù)參數(shù)g優(yōu)化值為9.786 4,目標(biāo)誤差0.001,PSO的迭代次數(shù)200次,種群20;本研究專家系統(tǒng)的識(shí)別率為98.3%,總樣本數(shù)為120個(gè),其中學(xué)習(xí)樣本數(shù)16個(gè),識(shí)別失敗樣本2個(gè)(分別是S356號(hào)苗和S419號(hào)苗),成功118個(gè)。

        4 結(jié)論

        在穴盤苗專家系統(tǒng)識(shí)別算法中,采用了8個(gè)特征向量,可以識(shí)別生長(zhǎng)期相近的穴盤苗品種,不需要訓(xùn)練。專家系統(tǒng)的知識(shí)庫(kù)容易管理,對(duì)新增加的穴盤苗,不需要改變推理機(jī),只要在知識(shí)庫(kù)中增添一條知識(shí)即可進(jìn)行識(shí)別,知識(shí)庫(kù)獨(dú)立性強(qiáng)。

        在穴盤苗特征向量獲取算法中,采用組合顏色特征的方法以及形狀特征均值的方法,并采用傅里葉描述子聚類算法獲得理想苗葉集,尤其在苗葉有重疊的情況下,仍能取得較為理想的苗葉特征。

        通過測(cè)試在光照影響下、拍照角度影響下、不同苗期苗葉形態(tài)不同的影響下穴盤苗的識(shí)別,證明基于專家系統(tǒng)識(shí)別的有效性。

        參考文獻(xiàn):

        [1]胡 飛,尹文慶,陳彩蓉,等. 基于機(jī)器視覺的穴盤幼苗識(shí)別與定位研究[J]. 西北農(nóng)林科技大學(xué)學(xué)報(bào)(自然科學(xué)版),2013,41(5):183-188.

        [2]賀磊盈,蔡麗苑,武傳宇. 基于機(jī)器視覺的幼苗自動(dòng)嫁接參數(shù)提取[J]. 農(nóng)業(yè)工程學(xué)報(bào),2013,29(24):190-195.

        [3]程玉柱. 分?jǐn)?shù)階ACM圖像分割算法及其在雜草圖像中的應(yīng)用[D]. 南京:南京林業(yè)大學(xué),2014.

        [4]童俊華. 蔬菜缽苗穴盤間移栽執(zhí)行器設(shè)計(jì)、移栽信息檢測(cè)與路徑規(guī)劃[D]. 杭州:浙江大學(xué),2014.

        [5]蔣煥煜,施經(jīng)揮,任 燁,等. 機(jī)器視覺在幼苗自動(dòng)移缽作業(yè)中的應(yīng)用[J]. 農(nóng)業(yè)工程學(xué)報(bào),2009,25(5):127-131.

        [6]尹建軍,毛罕平,王新忠,等. 不同生長(zhǎng)狀態(tài)下多目標(biāo)番茄圖像的自動(dòng)分割方法[J]. 農(nóng)業(yè)工程學(xué)報(bào),2006,22(10):149-153.

        [7]胡建平,侯 碩. 溫室缽苗移栽機(jī)器人健康苗圖像識(shí)別技術(shù)研究[D]. 鎮(zhèn)江:江蘇大學(xué),2015.

        [8]李 浩. 基于數(shù)字圖像處理技術(shù)的烤煙煙葉自動(dòng)分組模型研究[D]. 武漢:華中農(nóng)業(yè)大學(xué),2007.

        [9]劉 念,闞江明. 基于多特征融合和深度信念網(wǎng)絡(luò)的植物葉片識(shí)別[J]. 北京林業(yè)大學(xué)學(xué)報(bào),2016,38(3):110-119.

        [10]董春玲,張 勤. 用于不確定性故障診斷的權(quán)重邏輯推理算法研究[J]. 自動(dòng)化學(xué)報(bào),2014,40(12):2766-2781.

        [11]何彥虎,左希慶,張曉通,等. 基于CBR-FAT的液壓機(jī)故障診斷專家系統(tǒng)構(gòu)建[J]. 機(jī)床與液壓,2016,44(13):191-196.

        [12]Giarratano J,Riley G. 專家系統(tǒng)原理與編程[M]. 北京:機(jī)械工業(yè)出版社,2000.孫瀟鵬,林 建,劉燦燦,等. 水稻收割機(jī)的割臺(tái)輕量化設(shè)計(jì)及經(jīng)濟(jì)性分析[J]. 江蘇農(nóng)業(yè)科學(xué),2019,47(4):182-186.

        猜你喜歡
        穴盤苗推理機(jī)專家系統(tǒng)
        “紅顏”草莓穴盤苗在溫室栽培中的應(yīng)用效果
        園藝與種苗(2023年7期)2023-08-11 04:52:24
        基于高速攝影技術(shù)穴盤苗拋投運(yùn)動(dòng)試驗(yàn)與分析
        立體花壇穴盤苗工藝用植物的應(yīng)用與發(fā)展
        不同移栽苗對(duì)甜葉菊生長(zhǎng)及產(chǎn)量的影響
        面向?qū)ο蟮膸缀味ɡ硗茖?dǎo)系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)
        基于Naive Bayesian算法改進(jìn)的智能診病系統(tǒng)研究
        數(shù)控機(jī)床液壓系統(tǒng)故障診斷專家系統(tǒng)的研究
        商情(2016年42期)2016-12-23 16:53:09
        FCCU精餾塔故障診斷專家系統(tǒng)的研究與開發(fā)
        基于LabVIEW和Access的陀螺儀組故障診斷專家系統(tǒng)
        科技視界(2016年21期)2016-10-17 18:23:56
        火電機(jī)組汽輪機(jī)故障診斷方法總結(jié)研究
        科技視界(2016年5期)2016-02-22 13:39:03
        日韩在线精品视频一区| 人人做人人爽人人爱| 果冻传媒2021精品一区| 最近最新中文字幕| 亚洲熟妇色xxxxx欧美老妇| 亚洲九九九| 亚洲免费一区二区av| 91成人自拍在线观看| 亚洲精品国偷拍自产在线观看| 一区二区三区在线 | 欧| 四虎精品影视| 在线视频日韩精品三区| 国产毛片视频一区二区三区在线 | 久久熟女五十路| 大陆少妇一区二区三区| 色综合久久中文娱乐网| 亚洲人成人77777网站| 欧美在线日韩| 久久无码高潮喷水抽搐| 亚洲福利二区三区四区| 亚洲熟妇自偷自拍另欧美| 亚洲精品乱码久久久久久久久久久久| 国产WW久久久久久久久久| 日韩精品一区二区亚洲av性色 | 国产不卡一区二区三区免费视| 亚洲视频在线播放免费视频| 伊人青青草综合在线视频免费播放 | 亚洲av少妇高潮喷水在线| 日本无遮挡真人祼交视频| 欧洲熟妇色xxxx欧美老妇性| 精品国产乱码久久久软件下载| 国产午夜精品一区二区三区视频| 人妻熟女妇av北条麻记三级| av影片手机在线观看免费网址| 久久精品www人人爽人人| AV无码最在线播放| 亚洲av第一区综合激情久久久 | 国产女人高潮视频在线观看| 亚洲情a成黄在线观看动漫尤物| 青青操视频手机在线免费观看| 精品一二三四区中文字幕|