本站小編為你精心準備了神經網絡的紅蜘蛛識別研究參考范文，愿這些范文能點燃您思維的火花，激發您的寫作靈感。歡迎深入閱讀并收藏。

《電子科技雜志》2014年第五期

1圖像預處理

實驗選擇CanonA700型數碼相機拍攝紅蜘蛛的靜態照片，生成24位真彩色圖像。并將圖像保存在特定文件夾下，供后續處理。以下為識別系統的總體框圖，如圖1所示，其中圖像預處理的過程主要包括，圖像的灰度化、圖像增強和二值化等，為后續的特征提取做好準備。

1.1灰度處理由于使用數碼照相機所采集的圖像通常均采用24位真彩色來存儲圖像，可最大限度的保證圖像信息的完整性。但是彩色位圖不但存儲占用空間大，且對每個像素處理都要進行兩次加運算，為簡化這些問題可將彩色圖像灰度化。彩色圖像可由式(1)轉化為灰度圖像，圖2所示為對原圖像灰度化的結果。

1.2圖像增強處理對圖像進行增強處理的目的，一是為了突出圖像中的某些信息，削弱或消除某些不需要的信息，改善圖像的視覺效果，提高圖像的清晰度。二是為了突出圖像病害部位邊緣輪廓，便于計算機處理，以便更好地進行特征分析。本文采用直方圖均衡化方法，其基本思想是對原圖像中的像素做某種映射變換，使變換后的圖像灰度的概率密度呈均勻分布，即變換后圖像是一幅灰度級均勻分布的圖像，這意味著圖像灰度的動態范圍得到了增加，從而可提高圖像的對比度。圖3為對原灰度圖像進行直方圖均衡化的效果。

1.3圖像二值化圖像二值化是將目標與背景分離出的方法，即將目標像素和背景像素分別用0和1加以標記，以利于幾何特征的提取。其關鍵是選取恰當的閾值，閾值選取的恰當與否直接影響到感興趣特征的提取。利用Matlab實現了OTSU確定閾值的算法，對紅蜘蛛的灰度圖像進行二值化圖像分割，圖4顯示了采用該方法后的結果。

2圖像特征提取

要建立一個能識別不同種類對象的系統，首先必須確定識別對象的特性，以產生描述參數。而所得的參數值組成了每個對象的特征向量。適當地選擇特征是極為重要的，這是因為在識別對象時特征向量是唯一的依據。文中通過研究紅蜘蛛的體態特征，選擇提取顏色和幾何兩大類特征。下面分別介紹兩類特征的操作方法。(1)顏色特征。害蟲身上的顏色是識別害蟲的重要依據，基于此認識，在HSI模型中，亮度分量I與圖像的彩色信息無關，色度H和飽和度S分量與人們感受顏色的原理相似，相比RGB模型更易保證識別結果。故本文采用HSI模型，按文獻將RGB轉化為HSI由于顏色矩相比于其他顏色特征有特征向量維數低且具有選擇、縮放不變性等特點。因此本文采用圖像HSI空間下的H、S、I分量的顏色矩作為識別參數來表達棗蟲害的顏色參數。顏色矩(ColorMoments)是一種簡單而有效的顏色特征。顏色矩的思想是圖像中的顏色分布可用其矩來表示。由于顏色分布信息主要集中在低階顏色矩中，因此僅采用顏色的一階中心矩、二階中心矩和三階中心矩便可表達圖像的顏色特征。以上3種矩分別表示圖像的平均顏色、標準方差和三次根非對稱性。該方法的另一個好處在于:其無需對顏色特征進行向量化。其表示如下其中，A代表圖像像素總數;P代表彩色HSI圖像經過合成后的一維灰度圖像在二維空間坐標處的像素值。該方法用于顏色匹配相比直方圖具有更好的魯棒性，但因并未考慮像素的空間位置，故該方法仍存在精確度和準確度不足的缺點。(2)幾何特征。在許多模式識別的問題中，幾何特征通常是重要的。其描述目標區域的幾何性質，與區域的顏色無關。因此這里主要是對圖像預處理階段所得到的二值化圖像進行操作。在此進行特征提取即是對害蟲目標的圖像像素灰度值經過統計計算來產生一組原始特征。針對害蟲目標圖像本身的特點，本系統主要針對目標圖像面積、周長進行識別分類。1)目標面積。指圖像中目標所占的像素點總數，其中圖像的大小為M×N。2)目標周長。指目標輪廓的像素點總數。邊界點采用8鄰域來描述區域邊界。通過以上方法，文中提取了樣本的11個特征值，如表1所示。

3人工神經網絡分類器設計

人工神經網絡(ArtificialNeuralNetwork)是一種模擬人腦神經元細胞的網絡結構和功能，其運用大量的處理部件，并是由人工方式建立起自適應非線性動態系統。其中，在模式識別領域中應用最廣、最成功的是基于BP算法的前饋網絡，用上文特征提取棗蟲害的面積、周長、顏色矩作為特征矢量輸入，而特征矢量的個數決定了BP網絡的輸入層節點數，因此本文所采用的BP網絡輸入層有11個神經元，隱含層神經元的個數為23。基于現有條件的限制，實驗中，取棗蟲害樣本庫中紅蜘蛛1種病蟲害的10幅圖片用于學習，測試樣本3幅圖片用于驗證識別的有效性。由于本文識別的是一種棗蟲害樣本，故輸出神經元的個數為2。期望輸出的編碼如表2所示。在具體操作中，可借助Matlab軟件來實現識別的神經網絡分類器。文中采用Matlab7.0神經網絡工具箱中BP網絡作為分類器模型，按一般的設計方案，網絡中間的神經元傳遞函數采用S型正切函數Tansig，輸出層神經元傳遞函數采用S型對數函數Logsig。訓練次數設定為100，誤差＜0.01。之所以采取S型對數函數，是因該函數為0～1函數，恰好滿足分類器的輸出要求。

4實驗結果與展望

實驗選取了200張不同情況下的紅蜘蛛圖像對算法進行了驗證，應用上述方案進行識別試驗，BP網絡訓練全部收斂，且收斂速度較快。實驗中采用識別率來對算法的效率進行估計，可定義如下而下一步的研究工作是，在此方法的基礎上，進一步尋求更有效識別紅蜘蛛的特征方法，同時增加識別害蟲的種類，并研究提取害蟲的紋理、翅脈等更為有效的整體特征和局部特征及多分類器的信息融合。從而開發出通用性、適應性更強的識別系統，以滿足農業生產的需要。

作者：邱道尹李俊霞楊利濤單位：華北水利水電大學電力學院華北水利水電大學信息工程學院