本站小編為你精心準(zhǔn)備了神經(jīng)網(wǎng)絡(luò)的紅蜘蛛識(shí)別研究參考范文，愿這些范文能點(diǎn)燃您思維的火花，激發(fā)您的寫(xiě)作靈感。歡迎深入閱讀并收藏。

《電子科技雜志》2014年第五期

1圖像預(yù)處理

實(shí)驗(yàn)選擇CanonA700型數(shù)碼相機(jī)拍攝紅蜘蛛的靜態(tài)照片，生成24位真彩色圖像。并將圖像保存在特定文件夾下，供后續(xù)處理。以下為識(shí)別系統(tǒng)的總體框圖，如圖1所示，其中圖像預(yù)處理的過(guò)程主要包括，圖像的灰度化、圖像增強(qiáng)和二值化等，為后續(xù)的特征提取做好準(zhǔn)備。

1.1灰度處理由于使用數(shù)碼照相機(jī)所采集的圖像通常均采用24位真彩色來(lái)存儲(chǔ)圖像，可最大限度的保證圖像信息的完整性。但是彩色位圖不但存儲(chǔ)占用空間大，且對(duì)每個(gè)像素處理都要進(jìn)行兩次加運(yùn)算，為簡(jiǎn)化這些問(wèn)題可將彩色圖像灰度化。彩色圖像可由式(1)轉(zhuǎn)化為灰度圖像，圖2所示為對(duì)原圖像灰度化的結(jié)果。

1.2圖像增強(qiáng)處理對(duì)圖像進(jìn)行增強(qiáng)處理的目的，一是為了突出圖像中的某些信息，削弱或消除某些不需要的信息，改善圖像的視覺(jué)效果，提高圖像的清晰度。二是為了突出圖像病害部位邊緣輪廓，便于計(jì)算機(jī)處理，以便更好地進(jìn)行特征分析。本文采用直方圖均衡化方法，其基本思想是對(duì)原圖像中的像素做某種映射變換，使變換后的圖像灰度的概率密度呈均勻分布，即變換后圖像是一幅灰度級(jí)均勻分布的圖像，這意味著圖像灰度的動(dòng)態(tài)范圍得到了增加，從而可提高圖像的對(duì)比度。圖3為對(duì)原灰度圖像進(jìn)行直方圖均衡化的效果。

1.3圖像二值化圖像二值化是將目標(biāo)與背景分離出的方法，即將目標(biāo)像素和背景像素分別用0和1加以標(biāo)記，以利于幾何特征的提取。其關(guān)鍵是選取恰當(dāng)?shù)拈撝担撝颠x取的恰當(dāng)與否直接影響到感興趣特征的提取。利用Matlab實(shí)現(xiàn)了OTSU確定閾值的算法，對(duì)紅蜘蛛的灰度圖像進(jìn)行二值化圖像分割，圖4顯示了采用該方法后的結(jié)果。

2圖像特征提取

要建立一個(gè)能識(shí)別不同種類(lèi)對(duì)象的系統(tǒng)，首先必須確定識(shí)別對(duì)象的特性，以產(chǎn)生描述參數(shù)。而所得的參數(shù)值組成了每個(gè)對(duì)象的特征向量。適當(dāng)?shù)剡x擇特征是極為重要的，這是因?yàn)樵谧R(shí)別對(duì)象時(shí)特征向量是唯一的依據(jù)。文中通過(guò)研究紅蜘蛛的體態(tài)特征，選擇提取顏色和幾何兩大類(lèi)特征。下面分別介紹兩類(lèi)特征的操作方法。(1)顏色特征。害蟲(chóng)身上的顏色是識(shí)別害蟲(chóng)的重要依據(jù)，基于此認(rèn)識(shí)，在HSI模型中，亮度分量I與圖像的彩色信息無(wú)關(guān)，色度H和飽和度S分量與人們感受顏色的原理相似，相比RGB模型更易保證識(shí)別結(jié)果。故本文采用HSI模型，按文獻(xiàn)將RGB轉(zhuǎn)化為HSI由于顏色矩相比于其他顏色特征有特征向量維數(shù)低且具有選擇、縮放不變性等特點(diǎn)。因此本文采用圖像HSI空間下的H、S、I分量的顏色矩作為識(shí)別參數(shù)來(lái)表達(dá)棗蟲(chóng)害的顏色參數(shù)。顏色矩(ColorMoments)是一種簡(jiǎn)單而有效的顏色特征。顏色矩的思想是圖像中的顏色分布可用其矩來(lái)表示。由于顏色分布信息主要集中在低階顏色矩中，因此僅采用顏色的一階中心矩、二階中心矩和三階中心矩便可表達(dá)圖像的顏色特征。以上3種矩分別表示圖像的平均顏色、標(biāo)準(zhǔn)方差和三次根非對(duì)稱性。該方法的另一個(gè)好處在于:其無(wú)需對(duì)顏色特征進(jìn)行向量化。其表示如下其中，A代表圖像像素總數(shù);P代表彩色HSI圖像經(jīng)過(guò)合成后的一維灰度圖像在二維空間坐標(biāo)處的像素值。該方法用于顏色匹配相比直方圖具有更好的魯棒性，但因并未考慮像素的空間位置，故該方法仍存在精確度和準(zhǔn)確度不足的缺點(diǎn)。(2)幾何特征。在許多模式識(shí)別的問(wèn)題中，幾何特征通常是重要的。其描述目標(biāo)區(qū)域的幾何性質(zhì)，與區(qū)域的顏色無(wú)關(guān)。因此這里主要是對(duì)圖像預(yù)處理階段所得到的二值化圖像進(jìn)行操作。在此進(jìn)行特征提取即是對(duì)害蟲(chóng)目標(biāo)的圖像像素灰度值經(jīng)過(guò)統(tǒng)計(jì)計(jì)算來(lái)產(chǎn)生一組原始特征。針對(duì)害蟲(chóng)目標(biāo)圖像本身的特點(diǎn)，本系統(tǒng)主要針對(duì)目標(biāo)圖像面積、周長(zhǎng)進(jìn)行識(shí)別分類(lèi)。1)目標(biāo)面積。指圖像中目標(biāo)所占的像素點(diǎn)總數(shù)，其中圖像的大小為M×N。2)目標(biāo)周長(zhǎng)。指目標(biāo)輪廓的像素點(diǎn)總數(shù)。邊界點(diǎn)采用8鄰域來(lái)描述區(qū)域邊界。通過(guò)以上方法，文中提取了樣本的11個(gè)特征值，如表1所示。

3人工神經(jīng)網(wǎng)絡(luò)分類(lèi)器設(shè)計(jì)

人工神經(jīng)網(wǎng)絡(luò)(ArtificialNeuralNetwork)是一種模擬人腦神經(jīng)元細(xì)胞的網(wǎng)絡(luò)結(jié)構(gòu)和功能，其運(yùn)用大量的處理部件，并是由人工方式建立起自適應(yīng)非線性動(dòng)態(tài)系統(tǒng)。其中，在模式識(shí)別領(lǐng)域中應(yīng)用最廣、最成功的是基于BP算法的前饋網(wǎng)絡(luò)，用上文特征提取棗蟲(chóng)害的面積、周長(zhǎng)、顏色矩作為特征矢量輸入，而特征矢量的個(gè)數(shù)決定了BP網(wǎng)絡(luò)的輸入層節(jié)點(diǎn)數(shù)，因此本文所采用的BP網(wǎng)絡(luò)輸入層有11個(gè)神經(jīng)元，隱含層神經(jīng)元的個(gè)數(shù)為23。基于現(xiàn)有條件的限制，實(shí)驗(yàn)中，取棗蟲(chóng)害樣本庫(kù)中紅蜘蛛1種病蟲(chóng)害的10幅圖片用于學(xué)習(xí)，測(cè)試樣本3幅圖片用于驗(yàn)證識(shí)別的有效性。由于本文識(shí)別的是一種棗蟲(chóng)害樣本，故輸出神經(jīng)元的個(gè)數(shù)為2。期望輸出的編碼如表2所示。在具體操作中，可借助Matlab軟件來(lái)實(shí)現(xiàn)識(shí)別的神經(jīng)網(wǎng)絡(luò)分類(lèi)器。文中采用Matlab7.0神經(jīng)網(wǎng)絡(luò)工具箱中BP網(wǎng)絡(luò)作為分類(lèi)器模型，按一般的設(shè)計(jì)方案，網(wǎng)絡(luò)中間的神經(jīng)元傳遞函數(shù)采用S型正切函數(shù)Tansig，輸出層神經(jīng)元傳遞函數(shù)采用S型對(duì)數(shù)函數(shù)Logsig。訓(xùn)練次數(shù)設(shè)定為100，誤差＜0.01。之所以采取S型對(duì)數(shù)函數(shù)，是因該函數(shù)為0～1函數(shù)，恰好滿足分類(lèi)器的輸出要求。

4實(shí)驗(yàn)結(jié)果與展望

實(shí)驗(yàn)選取了200張不同情況下的紅蜘蛛圖像對(duì)算法進(jìn)行了驗(yàn)證，應(yīng)用上述方案進(jìn)行識(shí)別試驗(yàn)，BP網(wǎng)絡(luò)訓(xùn)練全部收斂，且收斂速度較快。實(shí)驗(yàn)中采用識(shí)別率來(lái)對(duì)算法的效率進(jìn)行估計(jì)，可定義如下而下一步的研究工作是，在此方法的基礎(chǔ)上，進(jìn)一步尋求更有效識(shí)別紅蜘蛛的特征方法，同時(shí)增加識(shí)別害蟲(chóng)的種類(lèi)，并研究提取害蟲(chóng)的紋理、翅脈等更為有效的整體特征和局部特征及多分類(lèi)器的信息融合。從而開(kāi)發(fā)出通用性、適應(yīng)性更強(qiáng)的識(shí)別系統(tǒng)，以滿足農(nóng)業(yè)生產(chǎn)的需要。

作者：邱道尹李俊霞楊利濤單位：華北水利水電大學(xué)電力學(xué)院華北水利水電大學(xué)信息工程學(xué)院