摘要： 結(jié)合圖像處理技術(shù)和機器學(xué)習(xí)算法，對水稻的3種最常見病害(即稻瘟病、白葉枯病和細(xì)菌性條斑病)進(jìn)行識別和分類。首先，分割出水稻病害圖像中的病斑部分并建立圖像集，然后針對病理外在表現(xiàn)提取和優(yōu)化病斑特征。接著，建立BP神經(jīng)網(wǎng)絡(luò)模型來根據(jù)優(yōu)化后的特征來識別不同種類的水稻病害。最后，利用模擬退火算法結(jié)合自適應(yīng)遺傳算法，為BP算法選擇合適的初始參數(shù)，以尋求最優(yōu)解，改進(jìn)分類模型。結(jié)果表明，改進(jìn)后的NAGSA-BP算法具有較高的水稻病害識別準(zhǔn)確率，具有可行性，且與傳統(tǒng)的人工檢測方法相比更加準(zhǔn)確和高效。
0 引言
利用計算機視覺技術(shù)結(jié)合圖像處理和機器學(xué)習(xí)的手段，可以通過植物葉片的外在特征來識別水稻等植物的不同病害，減輕人工工作量，并在保證準(zhǔn)確率的同時提高效率。植物病害的識別算法分為病害圖像目標(biāo)分割算法和病害圖像模型分類算法兩大部分。
在植物病害圖像目標(biāo)分割的研究中，張武等人[1]在2015年基于K-均值聚類算法和最大類間方差法進(jìn)行小麥病害圖像分割，準(zhǔn)確率超過95%；馬媛等人[2]在2016年利用方向梯度直方圖特征結(jié)合均值漂移算法監(jiān)督葡萄生長狀態(tài)與病蟲害，該方法取得了80%以上的準(zhǔn)確率；MAI X等人[3]在2016年針對水稻病葉的顏色、紋理等特征，將超像素算法和隨機森林分類器相結(jié)合，圈定了病斑區(qū)域。
在植物病害圖像模型分類的研究中，2014年張善文等人[4]利用局部判別映射算法結(jié)合最近鄰分類器，將玉米病斑圖像重組為向量并進(jìn)行識別，得到高于90%的準(zhǔn)確率；陳俊伸[5]在2019年改進(jìn)了深度卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行水稻葉瘟病識別，與人工抽樣調(diào)查結(jié)果交叉驗證的Kappa系數(shù)為0.78，具有較高一致性。
圖像處理和機器學(xué)習(xí)算法在識別作物病害方向取得了較好成效。然而受到圖像集效果和作物不同外在特征的影響，算法還有優(yōu)化空間。本文對水稻的3種常見病害[6]識別進(jìn)行研究，同樣將識別過程分為兩個環(huán)節(jié)：首先對圖像進(jìn)行預(yù)處理，從中提取病斑特征并降維，用于后續(xù)分類；然后使用BP神經(jīng)網(wǎng)絡(luò)算法對水稻病害進(jìn)行識別，將其與自適應(yīng)遺傳算法和模擬退火算法結(jié)合后作為最終分類器[7]。
