玉米品種識(shí)別多算法模型比較研究

《玉米品種識(shí)別多算法模型比較研究》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在工程資料-天天文庫(kù)。

1、玉米品種識(shí)別多算法模型比較研究摘要：為了比較玉米品種圖像識(shí)別中各種祌經(jīng)網(wǎng)絡(luò)識(shí)別模型的性能，搭建了一套基于統(tǒng)計(jì)特征提取和模式識(shí)別分類算法的玉米品種識(shí)別系統(tǒng)。采用掃描儀獲得了11個(gè)玉米品種每個(gè)品種50粒子粒圖像，基于圖像的統(tǒng)計(jì)特征，分別研宄了7種人工神經(jīng)網(wǎng)絡(luò)（ANN）模型（BP、rbf、pnn、pnn、competesofnl、ELM）的識(shí)別性能，進(jìn)一步考察了極限學(xué)習(xí)機(jī)（ELM）、支持向量機(jī)（SVM）模式分類過(guò)程性能。結(jié)果表明，在同樣的情況下SVM模型較ANN模型的特征識(shí)別率高，另外神經(jīng)網(wǎng)絡(luò)模型grnn和EL

2、M識(shí)別效果較好，其他識(shí)別模型性能較差。對(duì)11個(gè)玉米品種種子的最高檢出率為91.73%，另外，所采用的特征降維方法、特征維數(shù)、初始權(quán)值的隨機(jī)性選擇等因素都會(huì)影響模型的識(shí)別效果，這對(duì)玉米種子純度和品種真實(shí)性檢驗(yàn)中人工神經(jīng)網(wǎng)絡(luò)模型的構(gòu)建具有指導(dǎo)意義。關(guān)鍵詞：玉米種子；品種識(shí)別；人工神經(jīng)網(wǎng)絡(luò)；支持向量機(jī)中圖分類號(hào)：S513；S326文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：0439-8114（2016）09-2366-04近年來(lái)，假種子事件頻發(fā)，給農(nóng)業(yè)造成巨大損失，農(nóng)民由于缺乏識(shí)別種子的能力和設(shè)備，往往不能有效區(qū)分各個(gè)品種，迫切需

3、要一種快速的種子識(shí)別方法。數(shù)字圖像識(shí)別作為一種快速識(shí)別技術(shù)而被廣泛應(yīng)用，在水稻、小麥和花生等作物種子識(shí)別上都有成功應(yīng)用的報(bào)道?，F(xiàn)代玉米種植和水稻一樣，廣泛雜交育種，不能自留種，增大了不法商家販賣假種子的空間。為了有效鑒別玉米種子的真?zhèn)魏皖悇e，郝建平等、楊錦忠等通過(guò)數(shù)十個(gè)外觀特征，采用圖像處理的方法識(shí)別種子:韓仲志等研究了對(duì)種子識(shí)別起關(guān)鍵作用的特征提取方法，如子粒的胚部特征和果穗DUS測(cè)試特征的提取方法：另外楊錦忠等針對(duì)玉米果穗形態(tài)研宄了品種識(shí)別問(wèn)題，對(duì)關(guān)鍵特征進(jìn)行了選擇優(yōu)化。在玉米識(shí)別相關(guān)算法和系統(tǒng)工程應(yīng)

4、用之前，需要對(duì)品種識(shí)別過(guò)程中的關(guān)鍵因素進(jìn)行有效的性能與效率測(cè)試。由于人工神經(jīng)網(wǎng)絡(luò)方法廣泛應(yīng)用于識(shí)別問(wèn)題，本研宄擬針對(duì)不同的神經(jīng)網(wǎng)絡(luò)模型進(jìn)行比較研宄，進(jìn)而考察各種模型的效能，為將來(lái)品種識(shí)別軟件的開(kāi)發(fā)與工程應(yīng)用提供算法支持。1材料與方法1，1試驗(yàn)材料供試玉米品種共11個(gè)，均是北方黃玉米品種，種質(zhì)來(lái)源為青島農(nóng)業(yè)大學(xué)種質(zhì)資源庫(kù)，每個(gè)品種50粒種子。采用平板掃描儀采集圖像（圖1）。基于Matalb2010b編程，采用子粒區(qū)域標(biāo)記的方法將圖像中各個(gè)子粒的子圖（Subimage）提取出來(lái)。然后進(jìn)行特征提取。1.2特征提

5、取提取的特征包括顏色、形態(tài)和紋理3大類，見(jiàn)表1，相關(guān)定義參見(jiàn)文獻(xiàn)。從二值圖上提取形態(tài)特征，從RGB和HSV彩色圖獲取顏色特征，依據(jù)灰度圖像獲取紋理特征。1.3特征優(yōu)化隨著統(tǒng)計(jì)指標(biāo)的增加，統(tǒng)計(jì)特征的維數(shù)相應(yīng)增加，因此也需要進(jìn)行必要的降維和特征優(yōu)化。傳統(tǒng)的特征降維與優(yōu)化是基于二階統(tǒng)計(jì)量進(jìn)行的主分量分析（PCA）方法。PCA是統(tǒng)計(jì)學(xué)中分析數(shù)據(jù)的一種有效的方法，其目的是在數(shù)據(jù)空間中找一組向量以盡可能地解釋數(shù)據(jù)的方差，將數(shù)據(jù)從原來(lái)的R維空間降維投影到M維空間（R〉M）。降維后保存了數(shù)據(jù)中的主要信息，從而使數(shù)據(jù)更易于

6、處理。PCA方法是沿?cái)?shù)據(jù)集方差最大方向?qū)ふ乙恍┫嗷フ坏妮S，主成分分析方法是一種最小均方誤差下的最優(yōu)維數(shù)壓縮方法，特征提取和優(yōu)化后，特征維數(shù)將進(jìn)一步減少。1.4品種識(shí)別基于表1中的特征可實(shí)時(shí)進(jìn)行品種識(shí)別。人工神經(jīng)網(wǎng)絡(luò)是模擬人的神經(jīng)感知結(jié)構(gòu)，尋找非線性情況下的一種最優(yōu)映射，由于所提取的特征與玉米類別之間存在著非常復(fù)雜的非線性映射關(guān)系，所以特別適合采用此方法進(jìn)行品種識(shí)別。由于神經(jīng)網(wǎng)絡(luò)的初始權(quán)值由系統(tǒng)隨機(jī)給出，所以往往帶來(lái)結(jié)果的不穩(wěn)定，通常的做法是多次測(cè)試取最優(yōu)實(shí)現(xiàn)。基于提取的特征數(shù)據(jù)即可進(jìn)行種子檢驗(yàn)和品種識(shí)別

7、，本研究涉及的神經(jīng)網(wǎng)絡(luò)模型包括7種，即BP、rbf、gmn、pnn、competesofm,以及一個(gè)BP（backpropagation）神經(jīng)網(wǎng)絡(luò)的改進(jìn)型，即極限學(xué)習(xí)機(jī)ELM。其中神經(jīng)網(wǎng)絡(luò)BP算法是最典型的神經(jīng)網(wǎng)絡(luò)分類方法。支持向量機(jī)（SVM）模型是近幾年發(fā)展起來(lái)的優(yōu)秀的識(shí)別模型，在農(nóng)作物種子識(shí)別領(lǐng)域已經(jīng)被證明比神經(jīng)網(wǎng)絡(luò)識(shí)別模型具有更為穩(wěn)健的性能。2結(jié)果與分析圖2是6種神經(jīng)網(wǎng)絡(luò)識(shí)別模型的識(shí)別結(jié)果，圖3是BP神經(jīng)網(wǎng)絡(luò)的改進(jìn)型極限學(xué)習(xí)機(jī)（ELM）與支持向量機(jī)（SVM）模型識(shí)別結(jié)果。表2為上述8種識(shí)別模型在不同

8、主分量及不同特征下的識(shí)別效果。2.1不同模型的識(shí)別性能比較6種神經(jīng)網(wǎng)絡(luò)識(shí)別模型可以發(fā)現(xiàn)（圖2、表2），首先從識(shí)別率上，基于60個(gè)原始統(tǒng)計(jì)特征，6種祌經(jīng)網(wǎng)絡(luò)識(shí)別模型和1種改進(jìn)型識(shí)別模型的識(shí)別性能從高到低為grnn〉ELM〉pnn〉rbf〉BP〉compet〉sofm，決定系數(shù)R2從大到小為grnn>rbf>ELM>BP〉pnn〉compet〉sofm，所耗時(shí)間上從少到多為ELM2越接近于1，識(shí)別的時(shí)間越短，說(shuō)明模型越優(yōu)秀。在這些