基于bp神經網絡的植物病斑區域識別

摘 要：基于數字圖像的植物葉部病害識別技術研究，能夠快速準確診斷出植物病害，提高產量。傳統的基于閾值的圖像分割方法，不能精確的分割出病斑區域，而且存在閾值難以確定的缺點。文章采用bp神經網絡，對植物病斑區域進行識別。當訓練樣本足夠全面的時候，能夠精確的分割出病斑區域。該算法魯棒性高，識別精準，效率高。

關鍵詞：bp神經網絡；植物病斑；應用

1 bp神經網絡

bp神經網絡是1986年由科學家Rumelhart和McCelland提出的，它模擬人類大腦的工作方式。bp是一種多層前饋神經網絡。bp通過誤差逆向傳播訓練網絡。bp神經網絡具有非線性映射能力，能夠以任意精度逼近任意連續函數。bp神經網絡的拓撲結構如圖1所示。

圖1中，P1，P2，…，Pn是BP神經網絡的輸入值，T1，T2，…，Tn是預測值，Aij和Bjk是權值。輸入節點數為n，隱含層節點數為l，輸出層節點數為m。

bp神經網絡算法描述如下：

第一步：初始化神經網絡。根據樣本特征數，確定輸入節點數n。根據樣本所含類別數，確定輸出節點數m。輸入層與隱含層之間的權值為Aij，隱含層與輸出層的權值為Bjk，隱含層的閾值為a，輸出層的閾值為b。Aij和Bjk為隨機值，a和b也為隨機值，范圍為-1到1。

第二步：計算隱含層的值。

2 植物病斑識別中神經網絡的應用

2.1 建立神經網絡模型

bp神經網絡的輸入、輸出維數需要根據具體問題具體設計，問題不同輸入輸出的維數也不同。文章的輸入樣本為植物的病斑葉片的圖像，在RGB空間中每一個像素點具有R、G和B三個屬性，將其作為bp神經網絡的輸入，同時需要判斷該像素點是否屬于病斑，屬于二值判斷，所以該bp網絡的輸入節點數為3，輸出節點數為1。隱含層節點數沒有特別的要求，一般需要比輸入節點數和輸出節點數都要大，文章將隱藏節點數設為8。

2.2 訓練神經網絡

采集訓練樣本，如圖3所示，樣本為10×10像素的圖片，其中1-3號為正常葉片取樣圖像，4-6號為病斑取樣圖像。

訓練樣本數為600，其中300個正常樣本，另外300位病斑樣本，樣本的特征個數為3，范圍是0-255。因為文章中的bp神經網絡隱含層的激勵函數實用的是sigmod函數，該函數如圖4所示。對于sigmod函數，當輸入量大于6或者小于-6的時候，sigmod的函數輸出值變化很小，而且他的輸出量在0-1之間，作為輸出層的輸入量，所以輸出層的樣本數據進行歸一化處理，保證每一個樣本特征的范圍為0-1。

600個樣本，其中420個作為訓練樣本，90個作為驗證集合，90個作為測試集合，訓練的結果如圖5所示。

圖6為兩片函數病斑的植物葉子。實用訓練好的bp神經網絡，對葉子圖像進行進行病斑分割，分割結果如圖7所示。

3 結束語

植物病斑區域分割，是利用計算機技術識別植物圖像中的病斑區域。常規的閾值分割方法，不能對其進行很好的分割。文章針對病斑圖像非線性和不確定性的特點，采用bp神經網絡對病斑區域進行分割，能夠很好的診斷病害。基于bp具神經網絡對植物病斑進行分割，魯棒性好。

參考文獻

[1]關海鷗，許少華，譚峰.基于遺傳模糊神經網絡的植物病斑區域圖像分割模型[J].農業機械學報，2010，11（11）：163-167.

[2]管澤鑫，姚青，楊保軍，等.數字圖像處理技術在農作物病蟲草識別中的應用[J].中國農業科學，2009，7（7）：2349-2358.