基于叶片图像算法的植物种类识别方法研究

引用本文

毕立恒. 基于叶片图像算法的植物种类识别方法研究[J]. 浙江农业学报, 2018,29(12): 2142-2148.
BI Liheng. Plant species recognition based on leaf image algorithm[J]. ACTA AGRICULTURAE ZHEJIANGENSIS, 2018,29(12): 2142-2148. 复制到剪切板

Permissions

《浙江农业学报》编辑部所有

基于叶片图像算法的植物种类识别方法研究

毕立恒

黄河水利职业技术学院,河南开封 475004

作者简介:毕立恒(1973—),男,河南信阳人,硕士,讲师,主要从事嵌入式系统、数字信号处理研究。E-mail:3065991303@qq.com

收稿日期: 2017-06-09

基金资助: 中国国家专利(公开号CN202189701U); 河南省科学技术成果(豫科鉴委字2013年第201号)

摘要

为了提高植物种类的识别率,采用叶片图像算法。首先建立植物种类特征模型,包括植物叶片颜色特征、形状特征、纹理特征;然后确定径向基函数神经网络的输入层、输出层、隐含层之间的关系;接着对径向基函数个数、中心及宽度优化,基于梯度下降方法对权重参数计算,自适应调节学习率;最后给出了植物种类识别过程。实验仿真选择植物叶片颜色特征、形状特征、纹理特征的特征量分别为6、7、7个,其中本文算法对植物种类识别的三个组合特征平均识别率为93.5%,高于单个特征、两个组合特征的平均识别率,形状特征对识别率所起的作用最大。

关键词: 叶片; 植物种类; 径向基函数; 图像算法

中图分类号:TP391.4 文献标志码:A 文章编号:1004-1524(2017)12-2142-07 doi: 10.3969/j.issn.1004-1524.2017.12.25

Plant species recognition based on leaf image algorithm

BI Liheng

Yellow River Conservancy Technical Institute, Kaifeng 475004, China

Abstract

In order to improve the recognition rate of plant species, leaf image algorithm was proposed. Firstly, the plant species characteristic model was established, including leaf color, shape and texture characteristics. Secondly, relations of input, output and hidden layer of radial basis function neural network was built. Thirdly, the numbers of radial function, center and width was optimized, weighting parameter was calculated based on gradient descent method, and learning rate was adaptively adjusted. Finally, plant species recognition process was given. Plant leaf color, shape and texture characteristic numbers of simulation were selected as 6, 7 and 7, the three characteristics average recognition rate of improved radial basis function neural network algorithm was 93.5%, higher than single and two characteristics, the shape characteristic had maximum recognition rate.

Keyword: leaves; plant species; radial basis functions; image algorithm

Show Figures

植物种类识别一般是通过对植物的外部形态描述得以实现, 各种植物叶片的纹理、颜色和形状结构具有差异性, 同时植物叶片一年四季变化不大, 比较容易采集, 因此利用叶片通过人工智能方法进行植物种类识别是一种简单而有效的方法^[1], 对植物可进行方便的管理和保护。

传统人工识别结果受主观性影响比较大, 正确识别率较低, 目前智能算法主要有:Guyer等^[2]提取了17种叶片形状特征, 并对40类植物进行分类; Oide等^[3]将叶片形状作为神经网络的输入, 使用Hopfield网络和感知器对大豆叶片进行分类; Soderkvist^[4]使用叶片的几何特征, 采用BP前馈神经网络对15种瑞典树木进行分类, 最终形成Swedish叶片标准测试数据集; Backes等^[5]利用复杂网络算法分析叶片特征并进行识别, 可对不同分辨率以及一定采样噪声的叶片图像识别, 有很好的效果; Ghazi等^[6]利用PCANet算法在扫描叶片图像上取得了90.49%的识别率, 但是普通叶片图像识别率比较低; 朱静等^[7]通过叶片图像的形状和叶缘特征, 对14种植物337份叶片样本的叶形测试准确率达92%; Munisami等^[8]采用基于特征的神经网络分类器对植物叶片识别, 包括矩形、圆度、偏心率等; Lee等^[9]提出了基于叶片轮廓质心的植物叶片识别系统, 使用4种基本几何特征和5个静脉特征。

为了提高植物种类的识别率, 采用改进径向基函数神经网络(improved radial basis function neural network, IRBFNN)算法。首先建立植物种类特征模型, 包括植物叶片颜色特征、形状特征、纹理特征; 然后确定径向基函数神经网络的输入层、输出层、隐含层之间的关系; 接着对径向基函数个数、中心及宽度优化, 基于梯度下降方法对权重参数计算, 自适应调节学习率; 最后给出了植物种类识别过程。实验仿真选择植物叶片颜色特征、形状特征、纹理特征的特征量分别为6、7、7个, 其中本文算法对植物种类识别的3个组合特征平均识别率为93.5%, 高于单个特征、两个组合特征的平均识别率, 形状特征对识别率所起的作用最大。

1 植物种类特征

1.1 植物叶片颜色特征

颜色信息集中分布在一阶颜色矩、二阶颜色矩和三阶颜色矩上^[10], 通过低阶颜色矩分别描述颜色的平均值、方差和斜度:

$M_{1} = \frac{1}{N} \overset{N}{\sum_{l = 1}} q_{kl} 。$

$M_{2} = {[\frac{1}{N} \overset{N}{\sum_{l = 1}} (q_{kl} - M_{1})^{2}]}^{\frac{1}{2}} 。$

$M_{3} = {[\frac{1}{N} \overset{N}{\sum_{l = 1}} (q_{kl} - M_{1})^{3}]}^{\frac{1}{3}} 。$

其中:M₁、M₂、M₃分别表示一、二、三阶颜色矩; q_kl表示第k个颜色通道中灰度为l的像素值出现的概率; N表示图像中像素值总个数。由于HSI颜色模型中, 只有H和S分量中包含颜色信息, 因此提取H和S颜色分量图像的一、二、三阶颜色矩作为叶片图像的颜色特征, 则叶片图像的颜色特征M= $\begin{matrix} [M_{1 H}, M_{2 H}, M_{3 H}, M_{1 S}, M_{2 S}, M_{3 S}] \end{matrix}$ 。

1.2 形状特征

形状特征是叶片的主要特征^[11], 主要罗列如下:

纵横轴比:α ₁= $\begin{matrix} \frac{L}{H} \end{matrix}$ 。

其中L、H为叶片外接矩形的长与宽。

矩形度α ₂= $\begin{matrix} \frac{s}{L \times H} \end{matrix}$ 。

其中:s为叶片区域面积; L× H为叶片外接矩形的面积。

球形性比α ₃= $\begin{matrix} \frac{r_{1}}{r_{2}} \end{matrix}$ 。

其中r₁、r₂分别为叶片内切圆半径与外接圆半径。

圆形度α ₄= $\begin{matrix} \frac{d_{1}}{d_{2}} \end{matrix}$ 。

其中:d₁为边界各点到叶片区域重心的平均距离; d₂为边界各点到叶片区域重心的均方差。

形状参数α ₅= $\begin{matrix} \frac{s}{d_{3}^{2}} \end{matrix}$ 。

其中 $\begin{matrix} d_{3}^{2} \end{matrix}$ 为叶片周长d₃的平方值。

周径比α ₆= $\begin{matrix} \frac{d_{3}}{l_{\max}} \end{matrix}$ 。

其中l_max为叶片主脉长度最大值。

叶状性α ₇= $\begin{matrix} \frac{l_{\min}}{l} \end{matrix}$ 。

其中:l为叶片短轴长度值; l_min为重心到边界的最短距离。

1.3 纹理特征

1.3.1 分形特征

叶片图像的纹理主要由叶片角质层的固有纹理和叶脉纹理构成, 同时主叶脉和延伸的叶脉组成具有一定自相似性的网状结构, 符合分形特征^[12], 主要采用自相似性特征以及缝隙量两个特征。

描述对象不规则度的自相似性特征:

f₁=kr²^-Fλ ²^-F。

其中:k为常数; r为尺度; F为分形维数; kλ ²^-F为分形表面积。

描述纹理的疏密程度的缝隙量:

f₂=E $\begin{matrix} [(M / E {(M) - 1)}^{2}] \end{matrix}$ 。

其中:M为分形体质量; E(M)为期望值。

1.3.2 基于灰度共生矩阵的特征

在进行植物叶片分析和处理过程中, 纹理特征也是重要特征之一^[13], 利用灰度共生矩阵的统计特性生成0° 、45° 、90° 、135° 四个方向的共生矩阵, 分别计算四个方向的特征如下。

同质性T₁平均值:

$T_{1} = \overset{L - 1}{\sum_{i = 0}} \overset{L - 1}{\sum_{j = 0}} \frac{p (i, j)}{(1 + |i - j|)} 。$

其中:i、j为灰度值; p(i, j)为灰度值(i, j)同时出现的概率; L为灰度等级。

对比度T₂平均值:

$T_{2} = \overset{L - 1}{\sum_{i = 0}} \overset{L - 1}{\sum_{j = 0}} {|i - j|}^{2} p (i, j) 。$

能量T₃平均值:

$T_{3} = \overset{L - 1}{\sum_{i = 0}} \overset{L - 1}{\sum_{j = 0}} p^{2} (i, j) 。$

相关性T₄平均值:

$T_{4} = \overset{L - 1}{\sum_{i = 0}} \overset{L - 1}{\sum_{j = 0}} \frac{ijp (i, j) - u_{1} u_{2}}{σ_{1} σ_{2}} 。$

其中: $u_{1} = \overset{L - 1}{\sum_{i = 0}} i \overset{L - 1}{\sum_{j = 0}} p (i, j);$ $u_{2} = \overset{L - 1}{\sum_{j = 0}} j \overset{L - 1}{\sum_{i = 0}} p (i, j);$ $σ_{1} = \overset{L - 1}{\sum_{i = 0}} (i - u_{1})^{2} \overset{L - 1}{\sum_{j = 0}} p (i, j);$ $σ y = \overset{L - 1}{\sum_{j = 0}} (j - u_{2})^{2} \overset{L - 1}{\sum_{i = 0}} p (i, j) 。$

则叶片图像的纹理特征可表示为:

$T = [{\overset{̅}{T}}_{1}, {\overset{̅}{T}}_{2}, {\overset{̅}{T}}_{3}, {\overset{̅}{T}}_{4}]$ 。

1.3.3 静脉特征

静脉特征v₁主要通过叶片灰度图像进行形态学运算^[14^-^15]。

v₁= $\begin{matrix} \frac{A_{1}}{A} \end{matrix}$ 。

其中:A为叶片上的总像素数; A₁为叶片上的静脉像素总数。

2 改进径向基函数神经网络算法

2.1 径向基函数神经网络

径向基函数(radial basis function, RBF)神经网络在逼近能力和学习速度等方面都优于BP神经网络^[16]。输入层是用来接受数据的, 隐含层是一个非线性函数, 对输入数据进行建模, 输出层作为数据的输出。

假设输入向量为X= $\begin{matrix} [x_{1}, x_{2}, \dots, x_{n}] \end{matrix}$ (n为输入层单元个数), 输出向量为Y= $\begin{matrix} {[y_{1}, y_{2}, \dots, y_{q}]}^{T} \end{matrix}$ (q为输出层单元个数), 期望输出向量为O= $\begin{matrix} {[o_{1}, o_{2}, \dots, o_{q}]}^{T} \end{matrix}$ , 隐含层至输出层的连接权值W_k= $\begin{matrix} {[w_{k 1}, w_{k 2}, \dots, w_{kp}]}^{T} \end{matrix}$ (k=1, 2, …, q)。

隐含层中最常用的函数是高斯函数, 隐含层第j个神经元的输出值z_j为:

z_j=exp (- $\begin{matrix} (\frac{X - C_{j}}{D_{j}}) \end{matrix}$ )。

其中:j=1, 2, …, p; C_j、D_j是隐含层第j个径向基函数中心向量、宽度, D_j与C_j对应, D_j越大, 隐含层对输入向量的响应范围就越大, 且神经元间的平滑度也较好; $\begin{matrix} (\cdot) \end{matrix}$ 为范数, 表示X与C_j的欧拉距离。

输出层神经元的输出公式为:

$\begin{matrix} y_{k} = \overset{p}{\sum_{j = 1}} w_{kj} z_{j} \end{matrix}$ 。

其中:w_kj为输出层第k个神经元与隐含层第j个神经元之间的调节权重。

2.2 改进模型

2.2.1 径向基函数个数、中心及宽度初始化方法

改进径向基函数神经网络(improved radial basis function neural network, IRBFNN)算法, 隐含层结点数少量冗余能够提高RBF的泛化能力^[17], 通过聚类方法求得隐结点基数, 适当增加冗余, 得到最佳隐结点数。设M为隐结点数; J为样本原始聚类数; β 为冗余系数, 则:M=(1+β )· J。

其中:β 一般取值范围为[0, 0.5], 本文取值0.35。

为提高RBF训练速度, 参数C_j、D_j需要初始化。

C_j为: $\begin{matrix} \{\begin{matrix} C_{j} = {[c_{j 1}, c_{j 2}, \dots, c_{jn}]}^{T} \\ c_{ji} = mini + \frac{maxi - mini}{2 p} + (j - 1) \frac{maxi - mini}{p} \end{matrix} \end{matrix}$ 。

其中:j=1, 2, …, p; mini为训练集中第i个特征所有输入信息的最小值; p为隐含层神经元总个数; maxi为训练集中第i个特征所有输入信息的最大值。

类内样本分散度大或类间距大, 径向基函数的宽度取大些, D_j为:

$\begin{matrix} \{\begin{matrix} D_{j} = {[d_{j 1}, d_{j 2}, \dots, d_{jn}]}^{T} \\ d_{ji} = ε \cdot \sqrt[]{\frac{1}{N} \overset{N}{\sum_{k - 1}} (x_{i}^{k} - c_{ji})} \end{matrix} 。 \end{matrix}$

其中: ε 为宽度调节系数, 本文取值0.65。

2.2.2 基于梯度下降方法的权重参数计算

IRBFNN权重参数的训练方法本文取为梯度下降法。迭代过程为:

w_kj(t)=w_kj(t-1)-η $\begin{matrix} \frac{\partial E}{\partial w_{kj} (t - 1)} \end{matrix}$ +a[w_kj(t-1)-w_kj(t-2)]c_ji(t)=c_ji(t-1)-η $\begin{matrix} \frac{\partial E}{\partial c_{ji} (t - 1)} \end{matrix}$ +a[c_ji(t-1)-c_ji(t-2)]。

其中:w_kj(t)为第k个输出神经元与第j个隐含层神经元之间在第t次迭代计算时的调节权重; c_ji(t)为第j个隐含层神经元对应于第i个输入神经元在第t次迭代计算时的中心分量; η 为学习率; E为IRBFNN评价函数。

$\begin{matrix} E = \frac{1}{2} \overset{N}{\sum_{l = 1}} \overset{q}{\sum_{k = 1}} (y_{lk} - o_{lk})^{2} 。 \end{matrix}$

其中:o_lk为第k个输出神经元在第l个输入样本时的期望输出值; y_lk为第k个输出神经元在第l个输入样本时的网络输出值。

将当前迭代误差和上一次迭代误差相比^[18], 若误差变化量是负数, 则认为迭代结果趋近于极小点, 为了提高收敛速度可增加学习率, 若误差变化量是整数, 同时值较大, 则认为迭代结果偏离极小点, 需减小学习率η :

η (t+1)= $\begin{matrix} \{\begin{matrix} 1.05 η (t) E (t + 1) < E (t) \\ 0.7 η (t) E (t + 1) > 10.4 E (t) \\ η (t) else \end{matrix} \end{matrix}$ 。

2.2.3 训练样本初始化方法

对于给定的输入数据, 只有一小部分靠近的中心值被激活。因此, 为了提高模型的计算性, 在训练之前先将训练样本的数据进行归一化处理:

x'_n= $\begin{matrix} \frac{x_{n}}{x_{nmax}} \end{matrix}$ 。

式中:x_n_max为输入样本中第n个节点中的最大值; $\begin{matrix} x_{n}^{'} \end{matrix}$ 为x_n归一化后的输入向量。

2.3 植物种类识别过程

①初始化IRBFNN参数, 输入植物叶片训练样本;

②IRBFNN训练, 获得参数;

③对权值、学习率进行调整;

④计算IRBFNN评价函数, 达到E=0.05的要求或满足训练次数, 训练结束, 进行步骤⑤; 否则进行步骤②;

⑤将测试数据传输至训练完成的IRBFNN模型中进行植物种类识别, 输出的即为植物种类识别数据。

3 实验仿真

实验配置如下:CPU:Intel Core i5-3470, 操作系统:Windows 64位, 内存:8 G, 开发工具:Matlab7.0。利用数码相机通过自然场景有针对性地采集了10种观叶植物叶片图像, 每种植物叶片要求没有明显斑点且叶片大小完整, 每种植物图像85幅左右, 统一保存为bmp格式、300× 300分辨率的叶片图像, 并将每种叶片中总样本图像的1/3作为训练样本, 其余作为测试样本。

3.1 叶片样本数据构建

植物叶片主要有:桂花叶片、木瓜叶片、银杏叶片、红枫叶片、冬青叶片、秃瓣杜英叶片、夹竹桃叶片、东京樱花叶片、龙牙花叶片和含笑叶片, 各种叶片的典型特征如图1所示。

Figure Option
View Download New Window

图1 各种叶片的典型特征
a, 桂花叶片; b, 木瓜叶片; c, 银杏叶片; d, 红枫叶片; e, 冬青叶片; f, 秃瓣杜英叶片; h, 夹竹桃叶片; i, 东京樱花叶片; j, 龙牙花叶片; k, 含笑叶片Fig.1 Typical features of various leaves
a, Fragrans; b, Papaya; c, Ginkgo; d, Acer palmatum; e, Holly; f, Elaeocarpus decipiens; h, Nerium oleander; i, Sakura; j, Erythrina corallodendron; k, Michelia figo

每种植物叶片数据如下:桂花叶片90幅、木瓜叶片90幅、银杏叶片90幅、红枫叶片85幅、冬青叶片85幅、秃瓣杜英叶片85幅、夹竹桃叶片85幅、东京樱花叶片90幅、龙牙花叶片90幅和含笑叶片85幅。在对叶片图像进行相关预处理后, 通过6个颜色特征、7个形状特征、7个纹理特征参数构成叶片图像的多特征。

	Figure Option View Download New Window
	图2 不同算法的对单个特征平均识别率Fig.2 Average recognition rate of different algorithms with single characteristic

3.2 识别结果

IRBFNN输入节点数为 26, 输出节点数为 20, 隐含层节点数为30, 每种算法进行30次实验, 算法包括Guyer、Soderkvist、Backes、Ghaz、Trishen、Lee、IRBFNN。图2为30次实验不同算法对单个特征的平均识别率, 分别为颜色特征、形状特征、纹理特征的平均识别率; 图3为30次实验不同算法的对两个组合特征平均识别率, 分别为颜色与形状特征、颜色与纹理特征、形状与纹理特征的平均识别率, 图4为30次实验不同算法的对三个组合特征平均识别率, 即颜色、形状与纹理特征的平均识别率。

	Figure Option View Download New Window
	图3 不同算法的对两个组合特征平均识别率Fig.3 Average recognition rate of different algorithms with two characteristics

	Figure Option View Download New Window
	图4 不同算法的对三个组合特征平均识别率Fig.4 Average recognition rate of different algorithms with three characteristics

由图2可知, 仅用植物叶片单个特征识别植物种类, 单个特征的平均识别率都比较低, 特别是颜色特征最低, 为70%以下, 虽然形状特征、纹理特征的特征量相同, 都是7个, 但是形状特征对识别率贡献较大, 本文算法可达88%, 以后研究可减少颜色特征数量, 增加形状、纹理特征数量; 由图3可知, 两个组合特征的平均识别率, 形状与纹理组合特征平均识别率高于颜色与形状组合特征、颜色与纹理组合特征, 同时两个组合特征的平均识别率高于单个特征, 这是因为每种植物叶子形状、纹理具有单一性特点, 组合起来避免了数据重复性, 因此可作为识别的重要特征; 由图4可知, 三个组合特征平均识别率高于单个特征、两个组合特征, 本文提出的IRBFNN算法的平均识别率最高, 这是因为IRBFNN算法对隐结点数、权重、学习率进行了调整, 克服了NN神经网络参数难于设置的问题, 提高了植物种类识别率。

4 总结

本文算法对径向基函数个数、权重、学习率进行了调整, 使得IRBFNN算法对植物种类的平均识别率较高, 实验仿真显示本文算法对植物种类的三个组合特征平均识别率高于单个特征、两个组合特征, 形状特征对识别率贡献最大, 因此以后研究可增加植物叶片形状特征的数量, 对提高植物种类识别率会有一定的帮助。

(责任编辑张韵)

The authors have declared that no competing interests exist.

参考文献

View Option

[1]	恩德, 忽胜强. 基于集成神经网络的植物叶片识别方法[J]. 浙江农业学报, 2015, 27(12): 2225-2233. EN D, HU S Q. Plant leaf recognition based on artificial neural network ensemble[J]. Acta Agriculturae Zhejiangensis, 2015, 27(12): 2225-2233. (in Chinese with English abstract) [本文引用:1]
[2]	GUYER D E, MILES G E. Application of machine to shape analysis in leaf and plant identification[J]. Transactions of the ASAE, 1993, 36(1): 163-171. [本文引用:1]
[3]	OIDE M, NINOMIYA S, MURASE H. Discrimination of soybean leaflet shape by neural networks with image input[J]. Computers and Electronics in Agriculture, 2000, 29(2): 59-72. [本文引用:1]
[4]	SÖDERKVIST O. Computer vision classification of leaves from swedish trees[J]. Teknik Och Teknologier, 2010, 33(3): 202-206. [本文引用:1]
[5]	BACKES A R, CASANOVA D, BRUNO O M. A complex network-based approach for boundary shape analysis[J]. Pattern Recognition, 2009, 42(1): 54-67. [本文引用:1]
[6]	GHAZI M M, YANIKOGLU B, APTOULA E, et al. Sabanci-Okan system in LifeCLEF 2015 plant identification competition[C]. Conference and Labs of the Evaluation forum, 2015: 697-705. [本文引用:1]
[7]	朱静, 田兴军, 陈彬, 等. 植物叶形的计算机识别系统[J]. 植物学通报, 2005, 22(5): 599-604. ZHU J, TIAN X J, CHEN B, et al. Computer recognition system of plant leaf-shape[J]. Chinese Bulletin of Botany, 2005, 22(5): 599-604. (in Chinese with English abstract) [本文引用:1]
[8]	MUNISAMI T, RAMSURN M, KISHNAH S, et al. Plant leaf recognition using shape features and colour histogram with K-nearest neighbour classifiers[J]. Procedia Computer Science, 2015, 58: 740-747. [本文引用:1]
[9]	LEE K B, CHUNG K W, HONG K S. An implementation of leaf recognition system based on leaf contour and centroid for plant classification[J]. Springer Netherland s, 2013, 214: 109-116. [本文引用:1]
[10]	丁娇. 基于流形学习算法的植物叶片图像识别方法研究[D]. 合肥: 安徽大学, 2014: 38-39. DING J. Research on image recognition method of plant blade based on manifold learning algorithm[D]. Hefei: Anhui University, 2014: 38-39. (in Chinese with English abstract) [本文引用:1]
[11]	王丽君, 淮永建, 彭月橙. 基于叶片图像多特征融合的观叶植物种类识别[J]. 北京林业大学学报 , 2015, 37(1): 55-61. WANG L J, HUAI Y J, PENG Y C. Method of identification of foliage from plants based on extraction of multiple features of leaf images[J]. Journal of Beijing Forestry University, 2015, 37(1): 55-61. (in Chinese with English abstract) [本文引用:1]
[12]	张宁, 刘文萍. 基于克隆选择算法和K近邻的植物叶片识别方法[J]. 计算机应用, 2013, 33(7): 2009-2013. ZHANG N, LIU W P. Plant leaf recognition method based on clonal selection algorithm and K-nearest neighbor[J]. Journal of Computer Applications, 2013, 33(7): 2009-2013. (in Chinese with English abstract) [本文引用:1]
[13]	张芳, 李晓辉, 杨洪伟. 复杂背景下植物叶片病害的图像特征提取与识别技术研究[J]. 辽宁大学学报(自然科学版), 2016, 43(4): 311-318. ZHANG F, LI X H, YANG H W. Image feature extraction and recognition of plant leaf disease in complex background[J]. Journal of Liaoning University( Natural Science Edition), 2016, 43(4): 311-318. (in Chinese with English abstract) [本文引用:1]
[14]	CRAVIOTTO R M, ARANGO M R, GALLO C, et al. Automatic classification of legumes using leaf vein image features[J]. Pattern Recognition, 2014, 47(1): 158-168. [本文引用:1]
[15]	KULKARN A H, RAI H M, JAHAGIRDAR D K A, et al. A leaf recognition technique for plant classification using rbpnn and zernike moments[J]. Journal of Computer-Mediated Communication, 2013, 2(1): 984-988. [本文引用:1]
[16]	阚江明, 王怡萱, 杨晓微, 等. 基于叶片图像的植物识别方法[J]. 科技导报, 2010, 28(23): 81-85. KAN J M, WANG Y X, YANG X W, et al. Plant recognition method based on leaf images[J]. Science & Technology Review, 2010, 28(23): 81-85. (in Chinese with English abstract) [本文引用:1]
[17]	梁斌梅, 韦琳娜. 改进的径向基函数神经网络预测模型[J]. 计算机仿真, 2009, 26(11): 191-194. LIANG B M, WEI L N. An improved prediction model based on radial basis function neural network[J]. Computer Simulation, 2009, 26(11): 191-194. (in Chinese with English abstract) [本文引用:1]
[18]	张景璐, 赵妍. 基于改进神经网络的光纤故障监测优化[J]. 激光杂志, 2016, 37(6): 131-134. ZHANG J l, ZHAO Y. Fiber optic fault monitoring and optimization based on the improved neural network[J]. Laser Journal, 2016, 37(6): 131-134. (in Chinese with English abstract) [本文引用:1]

2015

0.0

恩德, 忽胜强. 基于集成神经网络的植物叶片识别方法[J]. 浙江农业学报, 2015, 27(12): 2225-2233.

, HU S

Plant leaf recognition based on artificial neural network ensemble[J]. Acta Agriculturae Zhejiangensis, 2015, 27(12): 2225-2233. (in Chinese with English abstract)

... 植物种类识别一般是通过对植物的外部形态描述得以实现,各种植物叶片的纹理、颜色和形状结构具有差异性,同时植物叶片一年四季变化不大,比较容易采集,因此利用叶片通过人工智能方法进行植物种类识别是一种简单而有效的方法^[1],对植物可进行方便的管理和保护 ...

1993

0.0

... 传统人工识别结果受主观性影响比较大,正确识别率较低,目前智能算法主要有:Guyer等^[2]提取了17种叶片形状特征,并对40类植物进行分类 ...

2000

0.0

... Oide等^[3]将叶片形状作为神经网络的输入,使用Hopfield网络和感知器对大豆叶片进行分类 ...

2010

0.0

... Soderkvist^[4]使用叶片的几何特征,采用BP前馈神经网络对15种瑞典树木进行分类,最终形成Swedish叶片标准测试数据集 ...

2009

0.0

... Backes等^[5]利用复杂网络算法分析叶片特征并进行识别,可对不同分辨率以及一定采样噪声的叶片图像识别,有很好的效果 ...

2015

0.0

... Ghazi等^[6]利用PCANet算法在扫描叶片图像上取得了90 ...

2005

0.0

朱静, 田兴军, 陈彬, 等. 植物叶形的计算机识别系统[J]. 植物学通报, 2005, 22(5): 599-604.

ZHU

, TIAN X

, CHEN

, et al. Computer recognition system of plant leaf-shape[J]. Chinese Bulletin of Botany, 2005, 22(5): 599-604. (in Chinese with English abstract)

... 朱静等^[7]通过叶片图像的形状和叶缘特征,对14种植物337份叶片样本的叶形测试准确率达92% ...

2015

0.0

... Munisami等^[8]采用基于特征的神经网络分类器对植物叶片识别,包括矩形、圆度、偏心率等 ...

2013

0.0

... Lee等^[9]提出了基于叶片轮廓质心的植物叶片识别系统,使用4种基本几何特征和5个静脉特征 ...

2014

0.0

丁娇. 基于流形学习算法的植物叶片图像识别方法研究[D]. 合肥: 安徽大学, 2014: 38-39.

DING

Research on image recognition method of plant blade based on manifold learning algorithm[D].

Hefei: Anhui University, 2014: 38-39. (in Chinese with English abstract)

农业是人类赖以生存的基础条件,提高农作物产量需要了解不同作物的生长特征和生理生化参数。准确识别与分类作物是监测其长势的首要前提。相比作物植株,叶片存活时间长,容易采集,且包含丰富的营养及长势信息。因此,可通过识别叶片的特征信息来区分植物类别。近年来,流形学习算法被引入到叶片识别研究中。该方法的核心思想是利用流形学习算法对提取到的叶片特征进行维数约简,实现叶片图像特征信息的聚类。现有的基于流形学习算法的叶片图像识别方法虽然在实拍的植物叶片图像数据库上取得了不错的分类率,但这些方法本身存在着不足,例如提取的特征问题、流形学习的有监督问题和有效地分类器识别问题等。针对目前叶片识别方法存在的一些不足,本文分别对植物叶片识别中的特征提取、流形降维以及分类器进行研究,提出新的叶片识别方法。首先,提取原始叶片图像的高维特征,利用流形学习算法对高维特征进行维数约简,得到这些高维特征的低维嵌入；然后,在低维空间利用分类器识别植物叶片的类别；最后,基于实拍的叶片图像数据库,进行仿真实验并对实验结果进行分析。主要研究内容和结果如下： (1)提出一种基于WLLE和SVM的植物叶片图像识别方法。该方法利用加权局部线性嵌入算法(WLLE)对由叶片图像所有像素值构成的高维颜色特征进行降维,然后利用支持向量机(SVM)在低维空间识别叶片图像的类别。该方法解决了低维空间最近邻分类器不能有效识别植物叶片类别问题。由实验结果表明,该方法提高了叶片图像识别率。 (2)提出一种基于差异性值监督局部线性嵌入(D-LLE)算法的多特征植物叶片图像识别方法。该方法提取叶片的颜色、形状和纹理作为叶片多特征,然后在加权局部线性嵌入(WLLE)算法中引入样本的差异性值构成差异性值监督LLE算法(D-LLE)对叶片多特征进行降维,最后在低维空间采用最近邻分类器实现叶片的识别。该方法解决了传统叶片识别方法不能充分提取叶片图像特征,同时已有的流形学习算法不能充分挖掘样本类别信息的问题。基于实拍的叶片图像数据库实验结果表明,该方法有效的提高了叶片的识别精度。

... 1 植物叶片颜色特征颜色信息集中分布在一阶颜色矩、二阶颜色矩和三阶颜色矩上^[10],通过低阶颜色矩分别描述颜色的平均值、方差和斜度: ...

2015

0.0

王丽君, 淮永建, 彭月橙. 基于叶片图像多特征融合的观叶植物种类识别[J]. 北京林业大学学报 , 2015, 37(1): 55-61.

WANG L

, HUAI Y

, PENG Y

Method of identification of foliage from plants based on extraction of multiple features of leaf images[J]. Journal of Beijing Forestry University, 2015, 37(1): 55-61. (in Chinese with English abstract)

叶片图像特征提取对于植物自动分类识别有着重要的研究意义。本文以观叶植物叶片为研究对象,综合提取叶片图像的颜色、形状和纹理特征,基于支持向量机(SVM)原理提出了基于图像分析的观叶植物自动识别分类方法。通过对50种观叶植物样本图像进行训练和识别,与BP神经网络和KNN识别方法进行比较,本文所采用的SVM分类器的识别率能够达到91.41%,取得了较好的识别效果。

... 2 形状特征形状特征是叶片的主要特征^[11],主要罗列如下: ...

2013

0.0

张宁, 刘文萍. 基于克隆选择算法和K近邻的植物叶片识别方法[J]. 计算机应用, 2013, 33(7): 2009-2013.

ZHANG

, LIU W

Plant leaf recognition method based on clonal selection algorithm and K-nearest neighbor[J]. Journal of Computer Applications, 2013, 33(7): 2009-2013. (in Chinese with English abstract)

... 叶片图像的纹理主要由叶片角质层的固有纹理和叶脉纹理构成,同时主叶脉和延伸的叶脉组成具有一定自相似性的网状结构,符合分形特征^[12],主要采用自相似性特征以及缝隙量两个特征 ...

2016

0.0

张芳, 李晓辉, 杨洪伟. 复杂背景下植物叶片病害的图像特征提取与识别技术研究[J]. 辽宁大学学报(自然科学版), 2016, 43(4): 311-318.

ZHANG

, LI X

, YANG H

Image feature extraction and recognition of plant leaf disease in complex background[J]. Journal of Liaoning University( Natural Science Edition), 2016, 43(4): 311-318. (in Chinese with English abstract)

为了减少植物病害给农业生产者带来的损失,提高植物病害的识别率和识别精度,对复杂背景下植物叶部病害的图像特征提取和识别方法进行了研究.采用基于超像素和形状上下文的方法对复杂背景下的黄瓜病害叶片图像进行分割.通过局部二值模式(LBP)、区域平均方差和区域平均熵值等方法,分别从颜色、形状和纹理三个方面提取了植物病害图像的11个典型特征.在对病斑检测器训练时主要使用了两种核函数,分别是线性核函数和高斯径向基核函数.在使用两种核函数进行训练时,需要进行参数优化,采用k-folder交叉验证和网格搜索法来选择最优的参数,并对采用基于径向基核函数和线性核函数的SVM方法的识别结果进行对比分析.结果表明:对于黄瓜白粉病的识别,采用基于径向基核函数的SVM病斑检测器的结果进行黄瓜叶片白粉病的检测的平均正确识别率为98.3％,而采用基于线性核函数SVM病斑检测器的结果进行黄瓜叶片白粉病的检测的平均正确识别率为96.7％,基于径向基核函数的SVM方法要优于基于线性核函数的SVM方法,更适合对黄瓜白粉病的识别研究.说明提出的植物叶部病害的图像特征提取和识别方法能对植物病害进行有效地识别.

... 在进行植物叶片分析和处理过程中,纹理特征也是重要特征之一^[13],利用灰度共生矩阵的统计特性生成0#cod#x000b0 ...

2014

0.0

2013

0.0

... 静脉特征v₁主要通过叶片灰度图像进行形态学运算^[14^-^15] ...

2010

0.0

阚江明, 王怡萱, 杨晓微, 等. 基于叶片图像的植物识别方法[J]. 科技导报, 2010, 28(23): 81-85.

KAN J

, WANG Y

, YANG X

, et al. Plant recognition method based on leaf images[J]. Science & Technology Review, 2010, 28(23): 81-85. (in Chinese with English abstract)

This paper proposes a plant automatic recognition method based on the leaf images, to be used in the computer-based automatic recognition system of the plant taxonomy. The color image is first transformed into a grey-level and a binary image in pre-processing including brightness correction, median filter and threshold segmentation. Six relative shape parameters and 5 texture parameters are then calculated, respectively, from the binary image and the grey-level image. The 6 shape parameters are the eccentricity, roundness, roundness index, direction angle, width and length ratio of the smallest rectangle that can cover the leaf, and short and long axes ratio of the best ellipse that can cover the leaf; and the five texture parameters are the second moment, contrast, correlation, entropy, moment deficit. Finally, an automatic recognition classifier based on RBF neural network is designed to determine which type of plant the leaf is from with the image of the leaf being used as a sample. Then, 60 images of leaf from 3 plants are used as samples to test the performance of the automatic recognition classifier. The average correct recognition rate reaches 70.83% when only the 6 shape parameters are used as the input data of the classifier, and it reaches 83.33% when both shape parameters and texture parameters are used as the input data of the classifier. The results show that the texture features can improve the average correct rate, and that the plant automatic recognition based on the leaf images is feasible.

基于计算机的植物自动识别是植物识别分类学的发展趋势，本文提出了一种基于植物叶片图像的植物自动识别方法。该方法在对叶片图像进行亮度校正、中值滤波和阈值分割等预处理后，计算植物叶片的偏心率、圆形性、圆形度指标、方向角、最小矩形宽轴/长轴、最佳椭圆短轴/长轴6个形状特征参数和植物叶片的二阶矩、对比度、相关、熵、逆差矩5个纹理特征参数，再使用径向基人工神经网络设计了植物自动识别的分类器。通过对3种植物的60个叶片图像进行实验，仅用植物叶片形状特征进行植物识别的平均正确识别率为70.83%，利用植物叶片形状特征和纹理特征进行植物自动识别的平均正确识别率为83.3%，并得到了径向基人工神经网络的参数。实验结果表明，植物叶片图像的纹理特征能够提高植物自动识别的平均正确率，基于植物叶片图像的植物自动识别是切实可行的，研究成果为深入研究植物自动识别分类系统奠定了一定的理论基础。

... 1 径向基函数神经网络径向基函数(radial basis function,RBF)神经网络在逼近能力和学习速度等方面都优于BP神经网络^[16] ...

2009

0.0

梁斌梅, 韦琳娜. 改进的径向基函数神经网络预测模型[J]. 计算机仿真, 2009, 26(11): 191-194.

LIANG B

, WEI L

An improved prediction model based on radial basis function neural network[J]. Computer Simulation, 2009, 26(11): 191-194. (in Chinese with English abstract)

在提高网络传输性能的研究中,径向基函数神经网络(RBF网络)的基函数个数、中心及宽度的确定一直是难解决的问题,为提高RBF网络泛化能力是当前一个重要的研究问题.分析了传统RBF网络工作原理及不足,提出了改进.采用梯度下降法训练径向基函数中心和宽度,提高网络泛化性能.改进最优停止训练算法,使算法效率提高,且避免过拟合现象,最终使RBF网络获得更优的泛化能力.用改进的RBF网络对iris及wine数据集建立预测模型,进行仿真.结果表明,梯度下降方法训练出更优的基函数参数,改进的最优停止训练方法缩短了训练时间、提高预测精度,网络泛化能力有明显提高.

... 改进径向基函数神经网络(improved radial basis function neural network,IRBFNN)算法,隐含层结点数少量冗余能够提高RBF的泛化能力^[17],通过聚类方法求得隐结点基数,适当增加冗余,得到最佳隐结点数 ...

2016

0.0

张景璐, 赵妍. 基于改进神经网络的光纤故障监测优化[J]. 激光杂志, 2016, 37(6): 131-134.

ZHANG J

, ZHAO

. Fiber optic fault monitoring and optimization based on the improved neural network[J]. Laser Journal, 2016, 37(6): 131-134. (in Chinese with English abstract)

随着光纤承载业务量的逐渐增加,光纤线路产生的故障数据越来越多,传统方法对光纤故障数据的采集过程复杂,不能快速得到故障信息,导致光纤故障监测实时性能差,无法及时发现故障,因此,提出基于改进神经网络的光纤故障监测方法,通过小波变换法对光纤OTDR曲线进行分析,得到光纤信号中的所有细节,获取故障光纤信号,利用小波包对故障光纤信号进行特征提取,将提取到的光纤故障向量作为神经网络的输入,通过前向计算过程、误差计算和误差反向传播过程完成神经网络的训练。针对BP神经网络收敛速度慢和学习率、惯性系数确定方法不合理的弊端,利用自适应学习速率动量梯度下降反向传播算法对神经网络进行改进,给出利用改进方法对光纤故障进行监测的实现过程。实验结果表明,所提方法具有很高的故障监测精度。

... 将当前迭代误差和上一次迭代误差相比^[18],若误差变化量是负数,则认为迭代结果趋近于极小点,为了提高收敛速度可增加学习率,若误差变化量是整数,同时值较大,则认为迭代结果偏离极小点,需减小学习率#cod#x003b7 ...