基于改進(jìn)型人工神經(jīng)網(wǎng)絡(luò)的溫室大棚蔬菜作物苗期雜草識別技術(shù)

1、基于改進(jìn)型人工神經(jīng)網(wǎng)絡(luò)的溫室大棚蔬 菜作物苗期雜草識別技術(shù)董亮雷良育李雪原劉兵張輝浙江農(nóng)林大學(xué)工程學(xué)院摘要：溫室大棚在蔬菜培育屮有著廣泛應(yīng)用，在高效生產(chǎn)的同時，除草問題亟待解決。 該設(shè)計采用一種改進(jìn)型的人工神經(jīng)網(wǎng)絡(luò)算法應(yīng)對大棚作物苗期雜草識別，通過 對遺傳算法的神經(jīng)元參數(shù)的優(yōu)化，以減少錯誤的發(fā)生次數(shù)。結(jié)果表明：與采用徑 向基核函數(shù)的支持向量機算法相比較，改進(jìn)型人工神經(jīng)網(wǎng)絡(luò)算法識別正確率更 高，達(dá)到94%以上，可為進(jìn)一步的除草機器人開發(fā)提供技術(shù)支持。關(guān)鍵詞：神經(jīng)網(wǎng)絡(luò);改進(jìn);溫室大棚;雜草識別;作者簡介：董亮（1990-）,男，江蘇溧陽人，碩士研究生，研究方向為智能檢 測與控制技術(shù)。e-mail:

2、dongli-angl990foxmai 1. com.作者簡介：雷良育（1966-），男，湖北蘄春人，博士，教授，研究方向為機電 檢測與控制技術(shù)。e-mail: llyzafu. .收稿日期：2017-05-09weed identification technology of greenhouse vegetable crops in greenhouse based on improved artificial neural networkdong liang lei liangyu li xueyuan liu bing zhanghuischool of engineering, z

3、hejiang a & f university;abstract：the greenhouse has been widely used in the cultivation of vegetables, in the production of high efficiency, weed control problems need to be solved urgently. the design was used an improved artificial neural network algorithm to deal with the weed identification

4、 in the seedling stage, and the optimization of the parameters of the genetic algorithm in order to reduce the number of errors. the results showed that with the radial basis kernel function of support vector machine algorithm, improved artificial neural network algorithm to identify the correct rat

5、e was more high，more than 94% and high efficiency of identification could provide technical support for further weeding robot development.keyword：neural network; improvement; greenhouse; weed identification;received： 2017-05-09雜草對農(nóng)作物的產(chǎn)量和品質(zhì)有著非常大的影響ul，過去很長一段時間里，人們 都保留著人工除草和大規(guī)模農(nóng)藥除草的方式。人工除草勞動密集，效率低下;農(nóng) 藥

6、除草污染大，影響土壤肥力和作物的生長率m。除草機器人識別雜草后可以 采用機械手除草，消除對作物和土壤的不利影響，或者噴灑選擇性除草劑以減 少環(huán)境污染。溫室大棚較露天環(huán)境光照度穩(wěn)定，更利于機器視覺的應(yīng)用。在苗期 進(jìn)行雜草識別，一方面可提高雜草識別效率，另一方面也可減少除草劑使用量, 提尚農(nóng)作物品質(zhì)。為了提高雜草識別的準(zhǔn)確度和效率，該試驗以溫室大棚種植的花椰菜為研宄對 象，提出丫一種改進(jìn)型人工神經(jīng)網(wǎng)絡(luò)算法，通過對遺傳算法的神經(jīng)元參數(shù)的優(yōu) 化，進(jìn)行識別試驗，以期為智能化的除草機器研宄開發(fā)提供一定的參考。1材料與方法1.1試驗材料花椰菜及空心蓮子草、馬唐草、小畫眉草、馬齒莧、婆婆納取自同期生長的溫室

7、大棚，ccd閣像傳感器（eff10-e 700型，索尼公司生產(chǎn)）。1.2試驗方法2016年3刀在浙江農(nóng)林大學(xué)農(nóng)作物園蔬菜作物大棚，采用ccd圖像傳感器對苗 期花椰菜（出苗后15d）和雜草圖像樣木進(jìn)行釆集。共獲取花椰菜圖像100幅， 空心蓮子草20幅，馬唐草20幅，小畫眉草圖像20幅，馬齒莧圖像20幅，婆婆 納圖像20幅。1.2.1雜草識別流程對圖像進(jìn)行獲取與預(yù)處理，提取顏色特征，利用顏色特征將竹景分割出去，獲 得圖像的幾何特征，再釆用改進(jìn)的人工祌經(jīng)網(wǎng)絡(luò)識別技術(shù)對雜草進(jìn)行自動識別 3,直至輸出最優(yōu)結(jié)果（圖1）。圖1雜草識別流程fig. 1 flow of weed identification下

8、載原圖1.2.2圖像采集在溫室大棚環(huán)境下，采用ccd圖像傳感器獲取花椰菜苗期和各種雜草圖像進(jìn)行 研宂?；ㄒ嗣缙诤筒糠蛛s草圖像見圖2。1.2.3特征提取與選擇采集圖像后，使用matlab軟件對獲得的圖像進(jìn)行處理和分析，把雜草從背景中 分離出來m。最終的圖像零以上的值被定義為植物，低于零的定義為背景，形 成一個完整的二值化圖像（圖3）。采用形狀分析的特征方法來識別花椰菜和雜草，將樣本圖像進(jìn)行預(yù)處理m，提 取出5種特征參數(shù):面積、周長、外形因子、仲長度、圓形度，其參數(shù)定義見表 1肌圖 2 雜草和花椰菜苗期圖像 fig. 2 seedling images of various weeds and

9、cauliflower下載原圖注：(a)花椰菜；(b)空心蓮子草；(c)馬唐草；(d)小畫眉草；(e)馬齒莧；(f) 婆婆納o 下同。note: (a) cauliflower; (b) alternanthera philoxeroides; (c) crabgrass; (d) little thrush; (e) purslane; (f) veronica. the same as below.(b)>-圖3花椰菜苗期和各種榮草二值化圖像fig. 3 binary image of cauliflower seedling and all kinds of weeds 下載原圖表

10、 1 夕卜形特征參數(shù)的定義 table 1 definition of shape characteristic parameters下載原表特征參數(shù)characteristicparameter定義vdefinition面積area表面圖形大小周長 perimeter邊緣的長度積分外形閑 了 shape factor外接矩形寬與長之比伸長度 stretch length區(qū)域的細(xì)長性e=(圓形度roundness圓的緊密度1.3數(shù)據(jù)分析1.3.1圖像判別分析處理后的圖像被導(dǎo)入到形狀分析，判別分析區(qū)分對象有2組為“花椰菜”或“演草”。采用逐步判別的分析方法，使用統(tǒng)計分析系統(tǒng)statistical

11、 analysissystem (sas)，選擇分類貢獻(xiàn)較大的特征。把模型外對模型判別作用最大的特 征分量引入模型，把已經(jīng)在模型中不符合模型分類調(diào)節(jié)的特征向量去除，每一 步都對模型進(jìn)行檢驗，形成最終的分類特征向量7。1.3.2人工神經(jīng)網(wǎng)絡(luò)反向傳播網(wǎng)絡(luò)用于人工神經(jīng)網(wǎng)絡(luò)建模。在輸入層中，給每個輸入節(jié)點分配一個形 狀特征值。訓(xùn)練文件的預(yù)期輸出1，0為花椰菜，0, 1為雜草。將乙狀結(jié)腸傳 遞函數(shù)應(yīng)用于每個處理單元，所提出的反向傳播人工祌經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)如圖4 所示。改進(jìn)的人工神經(jīng)網(wǎng)絡(luò)模型，使用正i法8。對于獨立同分布的訓(xùn)練樣本yi），（x2，y2），（n）ekz?x學(xué)習(xí)問題可以歸結(jié)為求解下述'm

12、in /（ w）w 、=門|w"+丄 eul（x,y）es中，ii w iu，是正則化項，用于抑帶 合；z （w; x，y）是損失函數(shù)，控制招 度。通過調(diào)整系數(shù)a為合適的值，貝 練精度和泛化能力的模型10，使網(wǎng)會 權(quán)重和偏見。輸入層隱藏g輸出層10 01 圖4反向傳播人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)fig. 4 back propagation artificial neural network structure下載原圖2結(jié)果與分析2.1支持向量機分類采用圓形度、仲長度、周長3個特征量組合作為輸入特征，然后采用徑向基核函 數(shù)的支持向量機進(jìn)行分類測試。由表2可知，識別花椰菜時，將6株花椰菜識別 為雜

13、草，識別準(zhǔn)確率為88%，雜草的識別率為90%。表2徑向基核函數(shù)的支持向量機分類識別情況ta ble 2 support vector machine classification and recognition of radial basis kernel function 下 載原表測試樣本識別情況identification ctest sample花椰菜/個雜草/個花椰菜 cauliflower446雜草 weed10902.2改進(jìn)的人工神經(jīng)網(wǎng)絡(luò)分類改進(jìn)的人工祌經(jīng)網(wǎng)絡(luò)模型釆用正則化方法。由表2可知，識別花椰菜時，將3株花椰菜識別為雜草，識別準(zhǔn)確率為94%，雜草的識別率為96%。表3改進(jìn)的

14、人工神經(jīng)網(wǎng)絡(luò)分類識別情況table 3 improved classification of art if icial neural network下載原表測試樣本識別情況identification ctest sample花椰菜/個雜草/個花椰菜 cauliflower473雜草 weed4963結(jié)論人工智能是用進(jìn)化的神經(jīng)網(wǎng)絡(luò)識別雜草，以盡量減少分類訓(xùn)練的吋間，并通過 優(yōu)化的神經(jīng)元參數(shù)的誤差最小化。該研究在溫室人棚環(huán)境k,采用改進(jìn)型人工祌 經(jīng)網(wǎng)絡(luò)模型進(jìn)行對花椰菜和各種雜草進(jìn)行分類。在該研宂中，采用正則化方法機 器學(xué)習(xí)，以防止過擬合，盡量減少分類的時間，取得了較高的識別率，且實時性較好。進(jìn)一

15、步的試驗研究可針對自然環(huán)境下進(jìn)行雜草識別以及雜草根部的識別 確定，為除草機械開發(fā)提供技術(shù)支持。參考文獻(xiàn)1 張琨，王新宇，王志強.田間雜草的危害及防治技術(shù)j.現(xiàn)代農(nóng)業(yè)，2011 (9) : 40-41.2 王宏艷，呂繼興.基于紋理特征與改進(jìn)svm算法的玉米田間雜草識別j.湖 北農(nóng)業(yè)科學(xué)，2014, 53 (13) :3163-3166.3 戴香糧.圖像處理技術(shù)在水稻雜草識別中的應(yīng)用j.湘潭師范學(xué)院學(xué)報(自 然科學(xué)版)，2008, 30 (2) : 53-54.4 李欣，張晉國，張孟杰，等.麥田雜草的閣像識別技術(shù)的研究j.農(nóng)機化研 究，2007 (5) : 64-68.5 侯晨偉，陳麗.基于概率祌經(jīng)網(wǎng)絡(luò)的玉米苗期雜草識別方法的研究j.農(nóng)機 化研究，2010, 32 (11) :41-43.6 蔡云驤，田振錫，畢道鵾.背景典型斑點特征的聚類分析j.光電技術(shù)應(yīng)用， 2012，27 (3) : 69-73.7 王獻(xiàn)鋒，張善文，王震