基于多特征的BP神经网络多种植物叶片病害识别研究

doi:10.11924/j.issn.1000-6850.casb2022-1025

摘要/Abstract

摘要：

为准确识别植物的健康状况，更好地对植物进行健康管理和治疗，以芒果、柠檬和石榴3种植物健康和病害叶片为研究对象，设计BP神经网络模型对植物健康状况进行识别。首先提取植物叶片表型特征数据，包括叶片颜色特征、形状特征和纹理特征。其中使用小波变换提取植物叶片的纹理特征，并用PCA主成分分析法对提取的特征数据降维。其次建立BP神经网络模型对植物进行分类识别。采用不同特征组合进行实验，识别准确率最高可达83.9%。采用颜色、形状和纹理组合特征建立的BP神经网络植物叶片健康识别模型具有最好的识别效果，可以便捷、高效地识别植物病害。

关键词: 植物叶片, 病害识别, 特征提取, 主成分分析, BP神经网络

Abstract:

In order to accurately identify the health status of plants and better manage the health of plants, this study took healthy and diseased leaves of pomegranate, lemon and mango plants as the research objects, and designed BP neural network model to identify the health status of plants. Firstly, the color and shape features of plant leaves were extracted, then the texture features of plant leaves were extracted by wavelet transform, and the dimension of extracted feature data was reduced by PCA method. Secondly, BP neural network model was established to classify and recognize plants. The recognition accuracy of different feature combinations was up to 83.9%. The BP neural network based on color, shape and texture features has the best recognition effect, and can identify the disease of various plant leaf conveniently and efficiently.

Key words: leaves of plants, disease identification, feature extraction, principal component analysis (PCA), BP neural network

马娜, 任宇翔. 基于多特征的BP神经网络多种植物叶片病害识别研究[J]. 中国农学通报, 2024, 40(4): 158-164.

MA Na, REN Yuxiang. Identification of Various Plant Leaf Diseases Based on Multi-feature BP Neural Network[J]. Chinese Agricultural Science Bulletin, 2024, 40(4): 158-164.

图/表 10

参考文献 26

[1]	李俞利. 植物叶片分类方法研究[D]. 兰州: 西北师范大学, 2021.
[2]	翟传敏, 杜吉祥. 基于形状上下文特征的植物叶图像匹配方法[J]. 广西师范大学学报(自然科学版), 2009, 27(3):171-174.
[3]	杨维, 李歧强. 粒子群优化算法综述[J]. 中国工程科学, 2004, 6(5):87-94.
[4]	王艳菲. 基于CENTRIST的植物叶片识别算法研究及移动平台上的实现[D]. 杨凌: 西北农林科技大学, 2012.
[5]	谭峰, 马晓丹. 基于叶片的植物病虫害识别方法[J]. 农机化研究, 2009, 31(6):41-43.
[6]	田有文, 李天来, 李成华, 等. 基于支持向量机的葡萄病害图像识别方法[J]. 农业工程学报, 2007, 23(6):175-180.
[7]	王献锋, 张善文, 王震, 等. 基于叶片图像和环境信息的黄瓜病害识别方法[J]. 农业工程学报, 2014, 30(14):148-153.
[8]	龚丁禧. 基于卷积神经网络的植物叶片分类[J]. 计算机与现代化, 2014(4):12-15.
[9]	张帅, 淮永建. 基于分层卷积深度学习系统的植物叶片识别研究[J]. 北京林业大学学报, 2016, 38(9):108-115.
[10]	何前, 郭峰林, 王哲豪, 等. 基于改进AlexNet的葡萄叶部病害分类算法[J]. 扬州大学学报(自然科学版), 2023, 26(2):52-58.
[11]	宋晨勇, 白皓然, 孙伟浩, 等. 基于GoogLeNet改进模型的苹果叶病诊断系统设计[J]. 中国农机化学报, 2021, 42(7):148-155. doi: 10.13733/j.jcam.issn.2095-5553.2021.07.22
[12]	熊梦园, 詹炜, 桂连友, 等. 基于ResNet模型的玉米叶片病害检测与识别[J]. 江苏农业科学, 2023, 51(8):164-170.
[13]	SLADOJEVIC S, ARSENOVIC M, ANDERLA A, et al. Deep neural networks based recognition of plant diseases by leaf image classification[J]. Computational lntelligence and neuroscience, 2016(6):1-11.
[14]	BRAHIMI M, BOUKHALFA K, MOUSSAOUI A. Deep learning for tomato diseases: Classification and symptoms visualization[J]. Applied artificial intelligence, 2017, 31(4-6):1-17.
[15]	MATIN M M H, KHATUN A, MOAZZAM M G, et al. An efficient disease detection technique of rice leaf using AlexNet[J]. Journal of computer and communications, 2020, 8(12):49-57. doi: 10.4236/jcc.2020.812005 URL
[16]	邓廷鹏, 张贵仓. 新小波阈值函数在图像去噪中的研究应用[J]. 现代电子技术, 2023, 46(9):55-60.
[17]	李娜, 薛佳盟, 贾澎涛. 基于灰度差分的改进K-means算法在煤矿图像分割的应用[J]. 矿业研究与开发, 2022, 42(12):180-185.
[18]	陈科尹, 吴崇友, 关卓怀, 等. 基于统计直方图K-means聚类的水稻冠层图像分割[J]. 江苏农业学报, 2021, 37(6):1425-1435.
[19]	龚瑞昆, 刘佳. 改进K-means算法的玉米叶部病害图像分割研究[J]. 现代电子技术, 2021, 44(22):131-134.
[20]	苗荣慧, 黄锋华, 杨华, 等. 基于光谱和Gabor纹理信息融合的油桃品种识别[J]. 江苏农业科学, 2019, 47(6):174-178.
[21]	周婷, 汪炎, 邹俊, 等. 基于PCA和SVM的遥感影像水体提取方法及验证[J]. 水资源保护, 2023, 39(2):180-189.
[22]	刘文宇, 刘璐, 刘馨然, 等. 基于改进BP神经网络的低压配电台区智能电能表误差状态评估模型[J]. 电测与仪表, 2022, 59(11):176-181.
[23]	刘冀文, 王树森, 罗于洋, 等. 基于BP神经网络的沙柳地上生物量预测模型[J]. 林业科学研究, 2022, 35(3):193-198.
[24]	刘坤, 刘娜, 张娜, 等. 改进BP神经网络和特征提取的黄瓜病害识别研究[J]. 安徽农学通报, 2022, 28(3):119-122.
[25]	王小敏, 陈荣, 谯斌. BP神经网络在茶叶病害多分类识别中的应用研究[J]. 贵州科学, 2020, 38(4):93-96.
[26]	杨文姬, 胡文超, 赵应丁, 等. 基于改进Yolov5植物病害检测算法研究[J]. 中国农机化学报, 2023, 44(1):108-115.

类别	周长/mm	面积/mm²	质心/mm	长短轴之比	离心率	似圆性
1	1955.716	221411	359.8323778	1.506073975	0.7477521	-0.232831622
2	1955.716	218496	360.026799	1.498772904	0.744867434	-0.241925897
3	2785.082	108624	450.2232819	2.596794006	0.922878928	11.54332354
4	3858.01	118174	408.8239076	1.951608902	0.858748247	0.548939342
5	1955.716	212807	360.9768233	1.496645718	0.744016899	-0.236452475
6	1955.716	212581	359.240866	1.507050405	0.748133878	-0.479311432

类别	周长/mm	面积/mm²	质心/mm	长短轴之比	离心率	似圆性
1	1955.716	221411	359.8323778	1.506073975	0.7477521	-0.232831622
2	1955.716	218496	360.026799	1.498772904	0.744867434	-0.241925897
3	2785.082	108624	450.2232819	2.596794006	0.922878928	11.54332354
4	3858.01	118174	408.8239076	1.951608902	0.858748247	0.548939342
5	1955.716	212807	360.9768233	1.496645718	0.744016899	-0.236452475
6	1955.716	212581	359.240866	1.507050405	0.748133878	-0.479311432

类别	训练集	测试集	总计
芒果病害	185	80	265
芒果健康	119	51	170
柠檬病害	53	24	77
柠檬健康	111	48	159
石榴病害	190	82	272
石榴健康	200	87	287
总计	858	372	1230

类别	训练集	测试集	总计
芒果病害	185	80	265
芒果健康	119	51	170
柠檬病害	53	24	77
柠檬健康	111	48	159
石榴病害	190	82	272
石榴健康	200	87	287
总计	858	372	1230

方法	类别	检出数/个	样本数/个	正确率/%	总体识别正确率/%
颜色+纹理+形状	芒果病害	79	80	98.8	83.9
	芒果健康	47	51	92.2
	柠檬病害	17	24	70.8
	柠檬健康	39	48	81.3
	石榴病害	44	82	53.7
	石榴健康	86	87	98.9
纹理+形状	芒果病害	77	80	96.3	79.0
	芒果健康	45	51	88.2
	柠檬病害	13	24	54.2
	柠檬健康	24	48	50.0
	石榴病害	59	82	72.0
	石榴健康	76	87	87.4
颜色+纹理	芒果病害	79	80	98.8	78.8
	芒果健康	35	51	68.6
	柠檬病害	17	24	70.8
	柠檬健康	34	48	70.8
	石榴病害	47	82	57.3
	石榴健康	81	87	93.1
颜色+形状	芒果病害	79	80	98.8	66.4
	芒果健康	46	51	90.2
	柠檬病害	12	24	50.0
	柠檬健康	38	48	79.2
	石榴病害	20	82	24.4
	石榴健康	52	87	59.8