-
题名基于TSDPSO-SVM的水稻稻瘟病图像识别
被引量：4
- 1
-
-
作者
路阳
杨化龙
陈宇
杜娇娇
管闯
-
机构
黑龙江八一农垦大学信息与电气工程学院
东北石油大学黑龙江省网络化与智能控制重点实验室
南京优玛软件科技有限公司
黑龙江省鸡西市公安局
-
出处
《江苏农业科学》
北大核心
2022年第23期164-170,共7页
-
基金
国家自然科学基金(编号:61873058、U21A2019)
黑龙江省自然科学基金联合引导项目(编号:LH2020F042)
黑龙江省博士后科研启动金(编号:LBH-Q17134)。
-
文摘
针对水稻稻瘟病诊断中存在的工作量大、效率较低且主观性强的问题,基于改进的粒子群优化支持向量机模型提出水稻稻瘟病的图像快速识别新方法。首先,采用基于超绿特征的最大类间方差法分割病害图像病斑,利用主成分分析快速得到病斑颜色和形状特征的主分量,构建水稻病害图像特征数据库。其次,提出牵引切换延迟粒子群优化算法优化支持向量机模型的识别方法。通过延迟信息的选择策略和牵引操作,使粒子跳出局部最优,更快收敛到全局最优。选取最优化算法性能测试函数Ackley函数、Rosenbrock函数和Sphere函数评估算法性能。仿真结果表明牵引切换延迟粒子群优化算法的寻优能力优于传统的粒子群优化算法且收敛速度最快。最后,分别利用牵引切换延迟粒子群,切换延迟粒子群,传统的粒子群优化支持向量机模型进行水稻稻瘟病图像识别。通过十重交叉验证,牵引切换延迟粒子群优化的支持向量机平均识别率达到96.0%,比其他3种传统优化算法提高10%以上,且召回率指标达到97.5%,训练时间仅为73.6 s。结果表明,该方法有利于提升水稻稻瘟病的识别准确率。
-
关键词
稻瘟病
图像识别
牵引交换延迟粒子群优化算法
支持向量机
最大类间方差法
-
分类号
TP391.41
[自动化与计算机技术—计算机应用技术]
-
