一种新的不变矩与神经网络玉米病害识别系统

RBF
logsig

On
2.2
标准化及病害图像特征提取
矢量标准化公式如下： y - y min t= y max - y min
图 2 RBF-BP 神经网络结构图
3.2
RBF-BP 神经网络分类及竞争选择
网络节点数根据经验按照如下公式进行设计[10]：
l= n+m +a
式中，y 为不变矩特征向量的特征值，y Î R d ；y min 为不变矩 特征向量的特征最小值，y min Î R d ；y max 为不变矩特征向量的 特征最大值，y max Î R ； tÎR 。 t 为标准化特征向量的特征值， 将不变矩输入矢量中的特征转换为 [0， 1] 之间的 7 个新 的不变矩 t1、 t2、 t3、 t4、 t5、 t6、 t7， 以便于 BP 神经网络权值与阈值调 节和运算。对此 816 个样本进行不变矩归一化与标准化的处 理， 发现对图像旋转的数据几乎没有变化， 仅放大缩小时的图 像数据发生了变化， 所有把样本数量减少为 17×4×3=204 个， 即每种病害可以由 4×3=12 个样本构成一种病害库。 17 种病 害各包括： 粗缩病 1、 粗缩病 2、 ......、 粗缩病 12； 大斑病 1、 大斑 病 2、 ......、 大斑病 12； ......； 炭疽病 1、 炭疽病 2、 ......、 炭疽病 12。 表 1 所示是所有病害 1 的样本图像经不变矩归一化与标准化 的特征矢量。
d d
l 为隐含层节点数； n 为输入节点数； m 为输出节点数； 式中， a 为 1～10 之间的调节常数。 a 取 10， 本文输入节点 n=7， 输出层节点 m =17， 隐含层节
点设 l =14。目标输出为 17 种病害的输出值， 其中仅只有一个 输出为 1， 其余的都为 0， 输出为 1 的病害种类被确定。目标输 出确定后， 计算网络的实际输出值与目标值误差， 再将误差值 送入网络， 修改网络参数。此过程选择那些距离加权值最大 的训练样本模式作为网络的输出， 以每个模式出现的概率大 小作为最终输出的依据 [11-12]。这样确认出 17 种病害的种类。 RBF-BF 网络识别系统如图 3 所示。
220
2012， 48 （4）
Computer Engineering and Applications 计算机工程与应用
x0 ，y0 为图像 f (m n) 的 式中，f (m n) 为图像离散灰度函数；
灰度重心坐标。与大小无关的归一化中心将为： μ pq η pq = ( p + q + 2)/2 μ00 式中 p + q = 2 3 。 利用了二阶、 三阶中心矩来构造与平移、 大小、 旋转无关 的 7 个离散不变矩φ1、 φ2、 φ3、 φ4、 φ5、 φ6、 φ7。在识别过程中， 如果 不变矩特征值越小， 对识别结果的贡献就越小； 如果越大其贡 献就越大。为此， 对 7 个不变矩进行如下修正， 以调整其取值 范围[6]。
o o o o
病害图， 病害样本比例放大 2 倍、 比例缩小 0.5 倍、 比例不变的 3 种形式， 旋转 0o、 旋转 90o、 180o和 270o的 4 方式， 即共 816 个样本 ） 。
2 不变矩归一化及标准化 2.1 不变矩归一化
不变矩是图像的重要全局特征之一， 也是模式识别的重 要手段之一。不变矩通过几何矩的一系列非线性组合构造 7 个具有旋转、 平移和尺度不变性的不变矩 （Hu 矩） ， 再经过特征 向量的标准化， 使其对应的不变矩特征值转换为[0， 1]之间， 能 够增大神经网络的计算速率和收敛速率[5]。 根据不变矩理论， 二维图像 p+q 阶矩相应中心矩的公式为：
t1 RBF logsig O1
|
|
每一幅图像可以通过不变矩处理得到一组特征矢量， 那 么 17 种玉米病害图像通过处理可以形成 816 组特征矢量。但 是经过归一化与修正运算， 所得到的数据大， 影响系统的计算 效率和收敛效率 [7] 。所有， 还需要对每一组特征向量标准化 处理。
tn t2 RBF … logsig … O2
μ pq =
使用同样的方法， 对玉米粗缩病 2、 粗缩病 3、 粗缩病 4 以 及其他 16 种病害图像预处理。最终形成 17×4×3×4=816 幅玉 米病害样本图 （此算式表示： 共 17 种病害， 同病不同株的 4 幅
å å (m - x0) (n - y0) m = 1n = 1
p
M
N
q
f (m n)
17 种病害期望输出矢量 10000000000000000 01000000000000000 ...... 00000000000001000 00000000000000100 00000000000000010 000000000000000001 + － 样本训练 输出
表1
病害种类 粗缩病 1 大斑病 1 褐斑病 1 黑腐病 1 灰斑病 1 枯死病 1 丝黑穗病 1 穗腐病 1 孢菌叶斑病 1 纹枯病 1 小斑病 1 锈病 1 缺钾 1 缺磷 1 缺氮 1 茎基腐病 1 炭疽病 1 t1 0 0 0 0 0 0 0 0 0 0 0.075 7 0 0 0 0 t2
Computer Engineering and Applications 计算机工程与应用
2012， 48 （4）
219
一种新的不变矩与神经网络玉米病害识别系统
付立思， 何荣卜， 刘朋维 FU Lisi, HE Rongbu, LIU Pengwei
沈阳农业大学 信息与电气工程学院， 沈阳 110866 School of Information and Electronic Engineering, Shenyang Agriculture University, Shenyang 110866, China FU Lisi, HE Rongbu, LIU Pengwei. New system about moment invariant and neural network used in maize disease recognition. Computer Engineering and Applications， 2012， 48 （4） ： 219-221. Abstract：According to the invariant moment theory, the binary and normalized maize disease images are obtained. A new and better RBF-BP neural network recognition system with the approximation and the fault tolerance is proposed. The Hu invariant moment’ s advantages that contain translation, proportion, rotation invariant and good anti-jamming are all used to deal with the complex and changeful maize disease images. According to the invariant moment’ s reliability, independence, and little number of those characteristics, it can get a better convergence of recognition system to extract the maize image’ s features and the training and recognition of RBF-BP neural network. The results of simulation show that the maize disease recognition of RBF-BP neural network has high accuracy and efficiency. Key words： maize disease recognition; Hu moment invariant; Radial Basis Function-Back Propagation （RBF-BP）neural network 摘 要： 基于不变矩理论， 对玉米病害图像进行二值化、 图像归一化处理， 提出一种新的、 具有较好逼近能力和较强容错能力的 RBF-BP 神经网络识别系统。利用 Hu 不变矩特征的平移不变性、 比例不变性、 旋转不变性和对目标良好的抗干扰性等特性， 处理 复杂、 多变的玉米病害图像， 形成不变矩特征矢量样本库。根据 Hu 不变矩在提取图像特征过程中的可靠性、 独立性及数目小的 特点和 RBF-BP 神经网络在识别过程中较好收敛性特点， 对玉米病害图像进行特征提取、 网络训练和病害特征的识别。仿真实验 结果表明 RBF-BP 神经网络系统的有效性。 关键词： 玉米病害识别； Hu 不变矩； 径向基函数-反向传播 （RBF-BP） 神经网络 DOI： 10.3778/j.issn.1002-8331.2012.04.064 文章编号： 1002-8331 （2012） 04-0219-03 文献标识码： A 中图分类号： TP391.4； S24
i = 1 2 7 。修正后得到的 7 个特征值。 yi = lg(| φi |) ，
3 RBF-BP 神经网络分类 3.1 RBF-BP 神经网络工作原理
本文的 RBF-BP 神经网络是基于 BP 神经网络结构所构造 的， 其隐层神经元使用径向基函数 （Radial basis function） 作 为传递函数， 输出层神经元使用对数型函数 （logsig） 作为传递 函数。RBF-BP 神经网络既具有 RBF 神经网络的分类、 容错能 力[8-9]， 又具有 BP 神经网的误差反向传播能力。其隐含层使用 径向基函数具有一种局部逼近网络能力， 对每个训练样本， 只 需要对少量的权值和阈值进行修正， 网络收敛效果好。 RBF-BF 网络结构图如图 2 所示。
近年来， 以信息科学为指导， 以信息技术为工具， 用信息 流调控农业全过程的信息化农业实现了快速发展的条件下， 农业信息科学技术取得了较好发展 [1]。当前已开发的一些农 作物相关的识别系统， 其主要是以病虫害和生长状况的图像 特征作为识别网络的训练和识别样本， 其构造的病害识别特 征数据库十分庞大， 实用性不强。本文探讨利用提出 Hu 不变 矩特征方法对玉米病害图像归一化和标准化处理， 减少了神 经网络的的特征输入量， 使识别系统的逼近能力和容错能力 得到增强。
作者简介： 付立思 （1964—） ， 男， 博士， 教授， 博士生导师， 主要从事智能检测与控制方面研究； 何荣卜 （1984—） ， 男， 硕士研究生； 刘朋维 （1988—） ， 男， 硕士研究生。E-mail： hezhe0607@ 收稿日期： 2011-08-02； 修回日期： 2011-10-12
旋转 270° 比例不变 扩大 2 倍 缩小 0.5 倍 原始图 灰度图 二值图旋转 0° 旋转 90° 旋转 180°
图 1 粗缩病 1 图像处理图
1 图像预处理
本研究涉及了 17 种常见的玉米病害。这 17 种玉米病害 中， 每种病害选取同病不同株的 4 幅图像作为收集对象， 其目 的是使病害的特征更加呈现多样性。对每种玉米病害的同病 不同株的 4 幅图像二值化 [2-4]。然后再对图像进行比例放大 2 倍、 比例缩小 0.5 倍、 比例不变及旋转 0o、 旋转 90o、 旋转 180o 和 旋转 270o 的方法来增加样本的多样性。利用 MATLAB 编程仿 真处理图像， 经过编译运行得到所需要处理的玉米病害样本 图像， 如图 1 为同株玉米粗缩病 1 的原始彩图、 灰度图、 与通过 二值化后旋转 0 、 90 、 180 、 270 的病害样本图像。