基于粒子群算法和支持向量机的黄花菜叶部病害识别

doi:10.11924/j.issn.1000-6850.casb2021-1215

中国农学通报 ›› 2022, Vol. 38 ›› Issue (8): 135-140.doi: 10.11924/j.issn.1000-6850.casb2021-1215

所属专题：生物技术；植物保护；园艺

基于粒子群算法和支持向量机的黄花菜叶部病害识别

孙瑜¹(), 张永梅¹, 武玉军²

¹山西农业大学信息科学与工程学院,山西太谷 030801
²大同大学,山西大同 037000

收稿日期:2021-12-28 修回日期:2022-02-08 出版日期:2022-03-15 发布日期:2022-04-06
作者简介:孙瑜,女,1988年出生,陕西延安人,讲师,硕士研究生,研究方向：基于近红外光谱及高光谱图像的作物无损检测。通信地址：030801 山西省晋中市太谷区铭贤南路1号山西农业大学,E-mail： xa8318sy@163.com。
基金资助:
国家自然科学基金“数字图像处理技术辅助相场法模拟压电织构陶瓷晶粒取向生长”(52102138);山西省基础研究计划青年科学研究“基于机器视觉的动物个体及其姿势识别研究”(20210302124497)

Recognition of Hemerocallis citrina Leaf Disease Based on PSO and SVM

SUN Yu¹(), ZHANG Yongmei¹, WU Yujun²

¹College of Information Science and Engineering, Shanxi Agriculture University, Taigu, Shanxi 030801
²Datong University, Datong, Shanxi 037000

Received:2021-12-28 Revised:2022-02-08 Online:2022-03-15 Published:2022-04-06

摘要/Abstract

摘要：

使用数字图像处理技术,以黄花菜叶部病害图像为识别对象,基于Lab空间和K-means聚类算法分割病害区域,提取目标区域的颜色特征、方向梯度直方图(histogram of oriented gradient,HOG)特征和形状特征,分别建立单一特征模型和特征融合模型,采用粒子群(particle swarm optimization,PSO)算法通过交叉验证优化支持向量机(support vector machine,SVM)模型的惩罚因子和核参数,建立基于PSO-SVM的多特征融合分类模型识别黄花菜病害。基于SVM的多特征融合分类模型识别率高于单一特征分类模型,识别率可达为81.67%;基于PSO-SVM多特征融合分类模型识别率高达92.39%。基于PSO-SVM的多特征分类模型识别率高,可以及时、便捷、高效地识别黄花菜病害。

关键词: 图像处理, 黄花菜, 病害识别, 支持向量机, 粒子群算法, 多特征融合

Abstract:

By using digital image processing technology, the disease image of Hemerocallis citrina leaf was taken as the recognition object. The disease area was segmented based on Lab space and K-means clustering algorithm, and the color characteristics, histogram of oriented gradient (HOG) and shape characteristics of the target areas were extracted from the images. The single-feature model and multi-feature model were established respectively based on the extracted features. Particle swarm optimization (PSO) algorithm was used to optimize the penalty factor and kernel parameter of the support vector machine (SVM) model through cross validation. Multi-feature classification model based on PSO-SVM was established to identify diseases of H. citrina leaves. The recognition rate of SVM based multi-feature classification model was higher than that of single-feature classification model, and the recognition rate could reach 81.67%. The recognition rate of multi-feature classification model based on PSO-SVM was as high as 92.39%. The multi-feature classification model based on PSO-SVM has high recognition rate and can identify the disease of H. citrina leaf timely, conveniently and efficiently.

Key words: image processing, Hemerocallis citrina, disease recognition, support vector machine (SVM), particle swarm optimization (PSO), multi-feature fusion

中图分类号:

TP391.41

孙瑜, 张永梅, 武玉军. 基于粒子群算法和支持向量机的黄花菜叶部病害识别[J]. 中国农学通报, 2022, 38(8): 135-140.

SUN Yu, ZHANG Yongmei, WU Yujun. Recognition of Hemerocallis citrina Leaf Disease Based on PSO and SVM[J]. Chinese Agricultural Science Bulletin, 2022, 38(8): 135-140.

图/表 8

图1. 病害叶片处理图

图2. 健康叶片处理图

图3. 图像分割及灰度化结果图

图4. HOG特征提取步骤图

图5. SVM分类原理图

图6. PSO算法原理图

输入特征	训练集识别率/%
颜色特征	71.67
HOG特征	78.33
形状特征	76.67
颜色+HOG+形状特征	81.67

表1. 基于不同特征参数的识别结果

特征	最优参数设置			训练集识别率/%
特征	t	-c	-g	训练集识别率/%
SVM+特征融合	2	8.1	13.2	81.67
PSO-SVM+特征融合	2	2.3073	12.2195	92.39

表2. 不同SVM模型识别结果

参考文献 28

[1]	武江, 侯非凡, 李森, 等. 大同黄花菜产业调研报告[J]. 山西农经, 2021(20):100-101.
[2]	霍宇恒. 大同黄花菜病虫害监测及绿色防控技术[J]. 农业技术与装备, 2020, 362(2):46-47.
[3]	黄卫红, 帅娜娜, 张秀丽, 等. 甘肃庆阳市黄花菜常见病害对落蕾的影响[J]. 农业工程技术:综合版, 2020(9):24-25.
[4]	李旺. 基于图像处理的黄瓜叶部病害识别研究[D]. 长沙:湖南农业大学, 2013.
[5]	杨英茹, 吴华瑞, 张燕, 等. 基于复杂环境的番茄叶部图像病虫害识别[J]. 中国农机化学报, 2021, 42(9):177-186.
[6]	郭小清, 范涛杰, 舒欣. 基于图像融合特征的番茄叶部病害的识别[J]. 湖南农业大学学报:自然科学版, 2019, 45(2):212-217,224
[7]	刘翠翠, 杨涛, 马京晶, 等. 基于PCA-SVM的麦冬叶部病害识别系统[J]. 中国农机化学报, 2019, 40(8):132-136.
[8]	董斌, 王云涛, 贾立男, 等. 改变的PSO优化SVM的病理图像分类算法[J]. 河北大学学报:自然科学版, 2020, 40(5):543-551.
[9]	顾兴健, 朱剑峰, 任守纲, 等. 多尺度U网络实现番茄叶部病斑分割与识别[J]. 计算机科学, 2021, 11(48):360-366.
[10]	XU W, CHEN H, SU Q, et al. Shadow detection and removal in apple image segmentation under natural light conditions using an ultrametric contour map[J]. Biosystems engineering, 2019, 84:142-154.
[11]	宋丽娟. 基于图像的农作物病害识别关键算法研究[D]. 西安:西北大学, 2018.
[12]	GIOVANNI L F, THALES L A V, ARISTOFANES C S, et al. Convolutional neural network-based PSO for lung nodule false positive reduction on CT image[J]. Computer methods and programs in biomedicine, 2018, 162:109-118. doi: 10.1016/j.cmpb.2018.05.006 URL
[13]	刘永波, 胡亮, 曹艳, 等. 基于U-Net的玉米叶部病斑分割算法[J]. 中国农学通报, 2021, 37(5):88-95
[14]	吴焕丽, 崔可旺, 张馨, 等. 基于改进K-means图像分割算法的细叶作物覆盖度提取[J]. 农业机械学报, 2019, 50(1):42-50.
[15]	王春雷, 卢彩云, 李洪文, 等. 基于支持向量机的玉米粉茬行图像分割[J]. 农业工程学报, 2021, 37(16):117-126.
[16]	DRERY J L, LUCK B D, WILLETT R M, et al. Predicting kernel processing score of harvested and processed corn silage via image processing techniques[J]. Computers and electronics in agriculture, 2019, 160:144-152 doi: 10.1016/j.compag.2019.03.020 URL
[17]	JIANG B, WANG P, ZHUANG S, et al. Detection of maize drought based on texture and morphological features[J]. Computers and electronics in agriculture, 2018, 151:50-60. doi: 10.1016/j.compag.2018.03.017 URL
[18]	韩欣欣. 基于多特征融合的行为识别算法研究[D]. 南京:南京邮电大学, 2019.
[19]	张亚军. 基于改进支持向量机算法的农业害虫图像识别研究[J]. 中国农机化学报, 2021, 42(2):146-152.
[20]	KUMAR S Dhakshina, ESAKKIRAJAN S, BAMA B, et al. A microcontroller based machine vision approach for tomato grading and sorting using SVM classifier[J]. Microprocessors and microsystems, 2020, 76.
[21]	BHASKAR N, SUCHETHA M. PSO optimized 1-D CNN-SVM architecture for real-time detection and classification application[J]. Computers in biology and medicine, 2018, 108:85-92. doi: 10.1016/j.compbiomed.2019.03.017 URL
[22]	NOURI-AHMADABADI H, OMID M, MOHTASEBI S S, et al. Design, development and evaluation of an online grading system for peeled pistachios equipped with machine vision technology and support vector machine[J]. Information processing in agriculture, 2017, 4(4):333-341. doi: 10.1016/j.inpa.2017.06.002 URL
[23]	CAVALLARO G, RIEDEL M, RICHERZHAGEN M, et al. On understanding big data impacts in remotely sensed image classification using support vector machine methods[J]. IEEE journal of selected topics in applied earth observations & remote sensing, 2017, 8(10):4634-4646.
[24]	KEERTHI J, MALOJI S, KRISHNA P G. An approach of tomato leaf disease detection based on SVM classifier[J]. International journal of recent technology and engineering, 2019, 7(6):697-704.
[25]	KONSTANTINOS L, PATRIZIA B, DIMITRIOS M, et al. Machine learning in agriculture: A review[J]. Sensors, 2018, 8(8):2674.
[26]	姜雯. 基于改进粒子群算法的SVM参数优化及应用[D]. 镇江:江苏科技大学, 2020.
[27]	姜吉光, 盛宇博, 常川, 等. 基于粒子群优化算法-支持向量回归算法的氨氮传感器温度补偿[J]. 科学技术与工程, 2021, 21(21):8983-8988.
[28]	陈荣, 李旺, 周文玉, 等. 基于灰度共生矩阵和支持向量机的茶叶病害诊断研究[J]. 工程与材料科学, 2021, 39(4):80-84.

基于粒子群算法和支持向量机的黄花菜叶部病害识别

Recognition of Hemerocallis citrina Leaf Disease Based on PSO and SVM

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 8

参考文献 28

相关文章 15

编辑推荐

Metrics

本文评价

关于本刊

作者中心

审者中心

在线期刊

联系我们

[1]	重阳, 赵建凯, 马修才. 牧草观测自动化技术研究与系统设计[J]. 中国农学通报, 2022, 38(22): 126-133.
[2]	李博, 江朝晖, 谢军, 饶元, 张武. 基于迁移学习的园艺作物叶部病害识别及应用[J]. 中国农学通报, 2021, 37(7): 138-143.
[3]	刘永波, 胡亮, 曹艳, 唐江云, 雷波. 基于U-Net的玉米叶部病斑分割算法[J]. 中国农学通报, 2021, 37(5): 88-95.
[4]	王军, 姜芸. 基于无人机多光谱遥感的大豆叶面积指数反演[J]. 中国农学通报, 2021, 37(19): 134-142.
[5]	雷春苗, 肖建设, 史飞飞, 郭英香, 赵金龙, 郑玲. 柴达木地区枸杞种植区遥感提取方法对比研究[J]. 中国农学通报, 2020, 36(17): 134-143.
[6]	杨红云, 罗建军, 万颖, 孙爱珍. 计算机视觉技术在水稻氮素营养诊断中应用的研究进展[J]. 中国农学通报, 2020, 36(16): 149-155.
[7]	赵树弥,张龙,徐大勇,堵劲松,李志刚,孙淼,刘勇. 机器视觉检测鲜烟叶的分级装置设计[J]. 中国农学通报, 2019, 35(16): 133-140.
[8]	张泰,张莉,彭佳红. 基于主成分与支持向量机的邵阳县烟草亩产量预测[J]. 中国农学通报, 2019, 35(13): 152-156.
[9]	刘永波,雷波,曹艳,唐江云,胡亮. 基于深度卷积神经网络的玉米病害识别[J]. 中国农学通报, 2018, 34(36): 159-164.
[10]	李琼,姚遥,杨青春,舒文涛,李金花,张保亮,张东辉,耿臻. 基于MATLAB图像处理的大豆颗粒检测方法研究[J]. 中国农学通报, 2018, 34(30): 20-25.
[11]	张鹏,朱育强,王丽莉,周胜军. 基于机器视觉技术的黄瓜叶片白粉病识别[J]. 中国农学通报, 2017, 33(21): 134-137.
[12]	施珮,袁永明,张红燕,贺艳辉. 罗非鱼池塘养殖溶解氧预测研究[J]. 中国农学通报, 2016, 32(29): 22-28.
[13]	袁开放,陶栋材,徐浩,谢巍. 基于最小外接矩形的牛角椒大小分级研究[J]. 中国农学通报, 2016, 32(16): 166-170.
[14]	胡林. 植物叶面积系数法改进研究[J]. 中国农学通报, 2015, 31(5): 228-233.
[15]	徐义鑫,李凤菊,王建春,花登峰,张雪飞,吕雄杰,钱春阳. 基于OpenCV的Android手机植物叶片几何参数测量系统[J]. 中国农学通报, 2015, 31(35): 236-244.