模糊神经网络优缺点范文

时间:2024-03-28 18:12:28

导语:如何才能写好一篇模糊神经网络优缺点,这就需要搜集整理更多的资料和文献,欢迎阅读由公务员之家整理的十篇范文,供你借鉴。

模糊神经网络优缺点

篇1

[关键词] 光伏系统;发电量预测;模糊神经网络

doi : 10 . 3969 / j . issn . 1673 - 0194 . 2017. 13. 077

[中图分类号] TM615 [文献标识码] A [文章编号] 1673 - 0194(2017)13- 0180- 04

0 引 言

目前光伏发电量预测的方法主要有神经网络法、灰色预测法、多元线性分析法这三种方法,通过对这三种预测模型进行比较,发现多元线性回归和灰色理论虽然方法较为简单,但是预测误差也较大,而神经网络法预测则可以比较准确但是预测过程较为繁杂。在基于神经网络的预测中,多是以传统的BP神经网络为基础模型,在此基础上采用一些新的方法对BP网络加以改进。例如在BP网络的学习过程中采用Fletcher-Reeves共轭梯度算法,可以提高学习率,部分地简化了预测过程,但输入量过多,且预测的局限性较大。

在对比了众多方法的优缺点之后,发现BP神经网络普遍存在中间隐层数难以确定、输入数据量过多,且学习时间过长等劣势。因此本文提出了一种基于模糊神经网络的预测模型,所选取的输入量是和当天的发电量相关程度比较大的当天的平均气温以及当天的总日照量,模糊神经网络的结构是由大量的先验知识而设计出来的。在不影响预测精度的情况下,为了降低整个网络的复杂程度,对整个网络的模糊化层中的隶属度函数及去模糊化层的输出函数都做了适当的变化,解决了传统神经网络收敛速度慢的问题,从而使整个神经网络结构简洁,训练速度较快,且预测精度较高。

1 模糊神经网络

模糊神经网络是在神经网络和模糊系统的基础上发展起来的,在模糊神经网络出现之前,神经网络与模糊系统都已有了多年的研究历史,都有着较完备的理论基础。

模糊神经网络是一种将模糊逻辑推理的知识性结构和神经网络的自学习能力结合起来的一种局部逼近网络,融合弥补了神经网络在数据处理方面的不足和模糊逻辑在学习方面的缺陷,是一个集语言计算、逻辑推理、分布式处理和非线性动力学过程为一身的系统。因此,它具有处理不确定信息的模糊推理能力和依据样本数据进行学习的能力。模糊神经网络主要利用神经网络结构来实现模糊推理,从而使神经网络的权值具有在模糊逻辑中推理参数的物理意义。

常见的模糊神经网络有基于Mamdani推理的和基于Takgai-Sugeno推理的这两种模糊神经网络。基于Mamdani推理的模糊神经网络多用于模糊逻辑控制器、模糊逻辑决策系统、模糊逻辑辨识系统等方面;基于Takgai-Sugeno推理的模糊神经网络则是一种非线性模型,宜于表达复杂系统的动态特性。光伏系统的发电量由于受日照量、温度、湿度、材料转换率等多方面因素的影响,因此,光伏系统的输出是一个不稳定的非线性变化的动态工程,所以本文所采用的就是基于Takgai-Sugeno推理的模糊神经网络(简称TS模糊神经网络)。

2 TS模糊神经网络

2.1 TS模糊逻辑

在TS模糊逻辑系统中,模糊规则有着如下的特殊形式:

R(1):if x1 is F1l,…,if xnis Fnl then

y l=P0l+P1lx1+…+Pnlxn

3 预测模型的建立

3.1 输入量的确定

光伏电池之所以能发电,是由于当阳光照射到半导体材料的太阳能电池板上时,光能被吸收在太阳能电池内,并且产生电子(-)和空穴(+),而负价的电子多向n型聚集,正价的空穴多向p型聚集,因此,将太阳能电池的正面和背面接上电极与灯泡等负荷连接,就能产生流。因此,日照量是影响光伏发电发电量的重要因素之一,所以日照量应作为输入量之一。此外光伏发电的发电量还受温度、湿度、安装角度、材料转换率等众多因素的影响,在这众多因素中,温度对光伏发电量的影响是较大的,因此将温度作为另一个输入量输入到预测模型中。

本文的输入量为日照量与温度组成的一个2×1的列向量,因为本文所预测的是晴天一整日的发电量(单位kW・h/日),因此,日照量取一整日的日照量(单位kW・h/日),温度取一整日的平均温度(单位℃)。若输入向量用x表示,一整天的日照量用h表示,温度用t表示,则输入量可表示为下面的形式:

x=[h,t]T

3.2 TS型模糊神经网络结构与初始参数的确定

本文是针对全年晴天的当天发电量做出预测的,所以按季节划分将全年的数据划分成了春、夏、冬,由于秋天的日照量与温度和春天的接近,所以在本文中并没有单独列出秋季,而是只按春、夏、冬三季的数据来建模预测。

由已有的先验知识,可将数据按照春、夏、冬三季进行划分,所以模糊神经网络的规则层的隐层节点数也就为三,由于规则层已经确定,故可以知道模糊化层与去模糊化层的隐层节点数均为三个,因此可知本文的模糊神经网络的预测模型结构如图2所示。

3.3 TS型模糊神经网络学习算法

设有输入、输出样本为{(xl,dl),l=1,2,…,L},在这里L表示训练样本的数量,为输入向量,在本文中表示由当天日照量与当天平均温度组成的一个2×1的列向量。将网络误差E设为:

E=■(yl-dl)2-||y-d|22

其中,y=[y1,y2,…,yL]T,表示神经网络的实际输出;d=[d1,d2,…dL]T,表示神经网络的期望输出;||.|2表示向量的2范数。

本文中,在不影响结果的前提下,为了降低神经网络学习算法的复杂度,故将隶属度函数变为:

ωij=exp-■(bij(xil-cij))2

将神经网络的输出函数变为:

yl =■ωij=(p0j+p1jx1l+…+pnjxnl)

因为本文是在MATLAB中进行编程预测,所以将各种数据都表示成矩阵的形式,通过对矩阵的处理,使模糊神经网络的理解难度和操作难度都大大降低,因此,规定X=[x1,x2,…,xL]表示输入样本组成的n×L维矩阵;Ω=[ω1,ω2,…,ωL]表示输入样本X的隶属度函数值ωl j所组成的m×L维矩阵;P=[p0,p1,…,pn]表示线性系数pi j所组成的m×(n+1)维矩阵;C=[c1,c2,…,cm]表示中心ci j所组成的n×m维矩阵;B=[b1,b2,…,bm]表示中心宽度bi j所组成的n×m维矩阵。

在训练神经网络时,首先计算隶属度函数值ωl j所组成的矩阵Ω=[ω1,ω2,…,ωL],在此基础上计算神经网络的输出y及相应的误差E;然后计算误差E对系数矩阵P,B,C的偏导数,根据梯度下降法更新P,B,C;最后利用P,B,C来更新Ω,E等参数。如果未达到退出条件,则继续迭代,达到了,则退出整个迭代过程,最终,就可以完成整个模糊神经网络的训练。在MATLAB中矩阵P和B的初始值可以由normrnd函数随机生成,而矩阵C则可以由kmeans函数得到相应的初始聚类中心,通过训练数据的学习过程,得到一个符合要求的模糊神经网络。

4 预测模型的训练与结果分析

为了使模糊神经网络的训练有较高的精度,需要大量的数据对模型进行评估训练,本次模拟采用了120组数据进行预测,其中90组作为训练样本,30组作为测试样本,所用的数据均是随机模拟5kW光伏逆变器日发电量数据, 在训练过程中,共取了90组数据来训练,因此L=90;而规则数共有3条,因此这里m=3;而输入的是有温度与日照量组成的两行一列的列向量,因此n=2;为了使训练结果更加精确化,这里O置的最大迭代步数为1 000,迭代步长为0.001,图3是训练预测结果与实际结果的折线图。

在图中,实线表示预测输出,用“+”表示实际输出,而用虚线表示实际输出与预测输出之间的差值,从图中可以明显看出训练好的模糊神经网络符合要求。随后,再将用于测试的数据带入已训练好的模糊神经网络中,结果如图4所示。

图4是用于测试的数据的实际输出与预测输出的比较,“+”表示实际输出,实线表示预测输出,虚线表示实际输出与预测输出的差值。从预测的结果来看,相较于传统的预测方法来说,本文所提出的模糊神经网络的预测方法,不论是在预测精度上还是在训练收敛速度上,都有一定程度的提高,虽说本文的原始数据并非实测数据,但是本文所用的数据皆是参考了大量资料之后拟合出的数据,所以有实际参考价值。

5 结 语

为了提高光伏并网系统的稳定性与安全性,本文提出了一种基于模糊神经网络的电量预测模型。根据光伏系统的发电原理与大量的研究资料,确定了以每一天的日照量与平均温度为整个系统的输入量,来对这一整天的光伏系统的发电量做出预测,并且根据已有的先验知识与相关理论,确定了本文所用的模糊神经网络的结构。再通过拟合的符合实际的数据来训练整个模型,最后通过一组测试数据来测试本预测模型是否达到要求。实验结果表明,本模型能较为准确地预测出光伏发电系统一整天的发电量,具有一定的工程应用价值。

主要参考文献

篇2

关键词: 供应链绩效评价;模糊综合评估;粗糙集;BP神经网络

中图分类号:C93 文献标识码: A文章编号:1003-7217(2011)05-0119-06

一、引 言

在供应链条件下,各节点企业运作行为往往具有随机性和不确定性。动态供应链绩效评价是一个包含多个指标和输入输出的复杂评估系统,各绩效指标具有模糊性、不确定性,彼此之间存在非线性关联性。软计算[1-7]理论与方法是处理动态供应链绩效这样复杂的、具有大量不确定性和模糊性的评估系统的重要技术。在相当多的领域(自然科学、社会科学与工程技术)中,都涉及到对不完备信息和不确定因素的处理。从实际系统中采集到的数据常常包含着噪声、不精确甚至不完整,如果我们采用纯数学上的假设来消除或回避这种不确定性,效果往往不理想。但如果对这种信息使用恰当的方式进行处理,常常有助于实际系统问题的解决。

二、相关研究评述

多年来,研究人员一直在努力寻找科学地处理不完整性和不确定性的有效途径,实践证明,1965年Zadeh[8]创立的模糊集理论与1982年Pawlak[9]倡导的粗糙集理论是处理不确定性的两种很好的方法。事实上,除了上述两种方法外,基于概率统计方法的证据理论也是处理不确定性的一种有效方法。以上众多的方法都属于软计算[10-15](Soft Computing)的范畴。Zadeh教授提出了软计算的概念,软计算的主要工具包括粗糙集、模糊逻辑(Fuzzy Logic)、神经网络、概率推理(Probability Reasoning)、信任度网络(Belief Network)、遗传算法(Genetic Arithmetic)、混沌理论(Chaos)等。传统的计算方法,即所谓的硬计算(Hard Computing),使用精确、固定和不变的算法来表达和解决问题,软计算利用所允许的不精确性、不确定性和部分真实性得到易于处理、鲁棒性强和成本较低的解决方案,以便更好地与现实系统相协调。因此,软计算作为知识获取和智能信息处理的重要手段,在许多研究领域有着广泛而深入的应用。

(一)基于模糊综合评估的供应链绩效评价

模糊集理论是经典理论的推广,它认为元素总是以一定的程度属于某个集合, 也可能以不同的程度属于几个集合。经典理论中集合的边界是清晰的,而模糊集理论中集合的边界是不清晰的,对人们显示生活中大量使用的一些含义确定但不准确的语言表述,模糊数学可以较好地表达,因而可以自然地用于事物的评价。

在动态供应链绩效评价体系中,各绩效指标之间往往存在着复杂的因果关系,这些指标中既有定性指标也有定量指标,具有模糊和不确定的特点,模糊综合评估方法为处理这种不确定性提供了有力的工具,它能够尽可能地减少个人主观臆断所带来的危害,为合理评价决策提供科学的依据。作者在文献[16]中详细讨论了基于模糊综合分析的供应链绩效评价方法,并结合Markov链预测理论给出了供应链绩效未来的发展趋势。

(二)基于粗糙集约简的供应链绩效评价

Rough集理论是一种刻画含噪声、不完整、不精确、不相容的数学工具,它能有效分析和处理不精确、不一致、不完整等各种不完备信息,并从中发现隐含的知识,揭示潜在的规律,是一种重要的软计算技术。其主要思想是在保持分类能力不变的前提下,通过知识约简,导出概念的分类原则。Rough 集理论是基于不可分辨的思想和知识简化的方法,从数据中推理逻辑规则作为知识系统模型。

如前所述,在供应链条件下,各节点企业运作策略具有动态可调节性,其运作行为具有随机性和不确定性,这就要求在对供应链绩效进行评价必须采用动态评价方法,同时对供应链在未来某一时刻的整体绩效进行预测。粗糙集及其约简理论是处理这种不确定性的重要技术。作者在文献[17]中基于粗糙集理论的绩效评价模型,建立了动态供应链绩效评价决策表,利用粗糙集约简方法得到了预测绩效评价结果的决策规则集,并把粗糙集约简和模糊综合评估技术相结合进行动态供应链绩效评价,显然地缩小了数据处理的规模,降低了模型的计算复杂度。

(三)基于神经网络的供应链绩效评价

神经网络可大规模地并行处理和分布式地存储信息,具有良好的自适应、自组织性以及很强的学习功能、联想功能和容错功能。与当今的冯诺依曼式计算机相比,更加接近人脑的信息处理模式,主要表现为能够处理连续的模拟信号。神经网络并行分布工作,各组成部分同时参与运算,单个神经元的动作速度不高,但总体的处理速度很快。神经网络信息存储分布于全网络各个权重变换之中,某些单元障碍并不影响信息的完整。传统计算机要求有准确的输入条件, 才能给出精确解。神经网络只要求部分条件,甚至对于包含有部分错误的输入,也能得出较好的解答,因此具有较好的容错性。

动态供应链绩效评价是一个包含多个指标输入输出的复杂评估系统,各绩效指标具有模糊性,彼此之间存在非线性关联性。针对这样一个复杂的评估系统,作者曾利用BP神经网络技术来找出供应链绩效评价系统输入-输出之间的非线性映射关系,从而对动态供应链绩效评价结果进行学习和预测。通过与粗糙集约简理论相结合,简化了BP神经网络的结构设计,减小了运算量。

(四)几种软计算方法的优缺点

软计算是一个方法的集合体,目前主要包括粗糙集、模糊逻辑、神经网络、概率推理、信任度网络、遗传算法以及混沌理论等。软计算方法已广泛应用于包括模式识别、数据挖掘、系统评价、故障诊断、专家系统等在内的诸多领域的不精确、不确定问题。软计算方法按照其特点各有优势。例如,模糊集可以通过对人类思维建模来给不确定性问题提供自然的解决机制;粗糙集在属性约简和规则抽取方面性能优良;神经网络对噪声具有强鲁棒性,分类精度高;遗传算法广泛用于优化搜索问题。 同时,以上软计算方法依照算法的不同有各自的局限性:模糊集过度依赖专家知识,遗传算法收敛速度慢、稳定性差,神经网络训练时间过长、知识解释性差,而粗糙集对数据中的噪声较敏感。本文为了克服单一方法的局限,试图通过集成两种或两种以上的软计算方法的软计算融合系统来解决供应链绩效评价的实际问题[6, 7]。

财经理论与实践(双月刊)2011年第5期2011年第5期(总第173期)郑 培,万 炜:基于智能信息处理的供应链绩效评价方法

(五)软计算融合技术在动态供应链绩效评价中的应用

作者详细研究了模糊综合分析、粗糙集理论、神经网络等软计算技术在动态供应链绩效评价中的应用方法。从文献[16-17]实验结果可以初步看出,通过把几种软计算技术融合起来应用于供应链绩效评价,就能够克服单一智能信息处理方法的缺陷,取得更好的效果。本文使用的几种软计算技术能在多个方面进行融合[6, 7]。

粗糙集和神经网络的融合。通过粗糙集的属性约简可以显著减少原始数据量,使神经网络训练时间缩短,从训练后的神经网络中抽取规则也可显著提高神经网络中知识可理解性;神经网络的强鲁棒性也可解决粗糙集处理数据中的噪声问题。

粗糙集理论和模糊集理论的融合。粗糙集理论和模糊集理论都是研究信息系统中知识不完善、不精确问题的方法,但粗糙集理论解决问题的出发点是信息系统中知识的不可分辨性,而模糊集理论则关注信息系统中知识的模糊性,两者在处理方法上各有特色。两者的结合可以更好地解决信息系统中不完善、不精确性知识的问题。

模糊集和神经网络的融合。模糊集和神经网络的融合主要有模糊神经网络和神经模糊系统。神经模糊系统以神经网络为主,结合模糊集理论,将神经网络作为实现模糊模型的工具,即在神经网络的框架下实现模糊系统或其一部分功能。从结构上看,一般是四层或五层的前向神经网络。模糊神经网络是神经网络的模糊化,即以模糊集、模糊逻辑为主,结合神经网络方法,利用神经网络的自组织性,达到柔性信息处理的目的。

三、基于智能信息处理的供应链绩效评价方法比较

(一)基本思路

在作者以前的研究里,曾应用模糊综合分析、粗糙集理论和BP神经网络等智能信息处理方法建立了多个供应链绩效评价模型,本文对这些评价模型的效果和优缺点进行了分析和总结。我们的基本思路是以某动态供应链为例,选取合适的绩效指标集,对得到的绩效指标按照评价模型的数据要求进行预处理,然后输入到不同的动态绩效评价模型中进行处理,对各个绩效评价模型进行解算。通过对模型输出的结果的比较和分析来归纳各个绩效评价模型的主要特点,并对评价模型的实际效果进行总结。

(二)数据预处理

如前所述,本文已经根据文献[15]提出的供应链五维平衡计分卡,选择了15个关键绩效指标作为动态供应链的绩效评价指标集C,C={F1, F2, F3, C1, C2, C3, P1, P2, P3, P4, L1, L2, L3, S1, S2}。在15个绩效指标中,既有定性指标,也有定量指标。由于BP神经网络只能处理数值向量,因此在这些绩效指标输入BP网络训练之前必须对它们进行预处理。在基于粗糙集理论的供应链绩效评价模型里,根据决策表信息约简的要求,需要对所有属性的取值进行离散化处理。这里对某动态联盟供应链绩效决策表条件属性采用表1的方法进行离散化处理。

假设根据历史经验或供应链行规,把供应链的绩效评价结果划分为G1、G2、G3、G4四个等级,分别对应供应链绩效评价为优、良、中、差的状态,其划分的依据如表1所示。

在基于模糊综合评估的供应链绩效评价模型里,表1将作为构造各绩效指标属于各类的隶属度函数的依据。

(三)实验结果比较与分析

实验的数据源仍采用文献[15]某供应链相关指标的调查结果,经调查得到该供应链在2007年1~12个月的绩效指标取值和绩效综合评价结果。本文已经详细讨论了对该供应链绩效采用基于BP网络训练和学习的过程,并结合粗糙集约简给出两者相结合的混合绩效评价方法及结果。

BP网络学习完毕后,就可以用来对下一评估时刻的供应链绩效进行预测。针对上述供应链,经调查得到该供应链在2008年前4个月的绩效指标取值结果,如表2所示。

将上述各绩效指标规一化后输入训练好的BP网络,得到相应的输出向量分别为(0.0023, 0.998, -0.002, 0.007)、(-0.008, 0.003, 0.988, -0.005)、(-0.008, 0.958, -0.008, -0.002)和(0.987, -0.010, -0.005, 0.005)。据此可判断该供应链在2008年1~4月的绩效综合评价结果分别为G2、G3、G2、G1。

进一步,针对表1所示的供应链绩效分级标准,可以通过Rough约简得到供应链绩效分级决策表的最佳约简,即供应链绩效评价的关键绩效指标集。通过约简得到供应链绩效评价的关键指标集为{F1, F2, F3, C1, C2, P1, P2, P3, L1, L2, L3, S1},这样这12个关键绩效指标就构成了BP网络的输入层节点。把表2所示的供应链在2008年1~4月的关键绩效指标量化结果输入训练好的BP网络,可求出其相应的绩效评价结果分别为G2、G3、G2、G1,与供应链绩效实际调查结果一致。

下面,针对同一供应链,分别采用基于粗糙集理论的动态供应链绩效评价模型、基于模糊综合评估的供应链绩效评价模型及两者的结合来得出供应链绩效评价结果,并进行方法间的比较。

在基于粗糙集理论的供应链绩效评价模型里,先对各绩效指标进行离散化处理,离散化后的该动态供应链绩效决策表如下。

对于表3所示的绩效评价决策表,利用约简算法对决策表进行属性约简,以便去掉决策表的冗余条件属性。进一步,利用归纳值约简算法对绩效决策表进行值约简,可以得到一系列用于供应链绩效评价的决策规则集。由于决策属性值被离散化为四个等级,亦即信息系统具有四个概念。针对这四个概念的最一般规则分别为:

根据上述关于决策属性取值的最一般规则,就可以对某一考察周期动态联盟的综合绩效评价结果作出判断。当条件属性集不完全满足规则前件时,可以选取关于各个概念的次一般(或可信度较高)的生成式规则对绩效作出综合评估。

把表2所示的该供应链在2008年前4个月的绩效指标离散化,然后针对上述供应链绩效评价决策规则进行匹配,可得这4个月供应链绩效综合评价结果分别为G3、G3、G2、G1。

接着,采用模糊综合评估方法来对同一供应链的绩效评价结果进行分析。首先建立模糊关系矩阵,单因素评价矩阵取各因素在评价集上的隶属度,各隶属度函数均取为二次函数。根据供应链绩效分类标准表1,建立F1属于各类的隶属度函数为:

同理,可分别建立其它绩效指标属于各类的隶属度函数,对应绩效评价指标集C的权向量取为:

W=(0.17,0.06,0.02,0.08,0.13,0.02,0.05,0.04,0.10,0.01,0.10,0.04,0.05,0.11,0.02)

于是,由模糊综合评估法可求出该供应链在2008年前4个月的绩效分别为G3、G3、G2、G1。

最后,采用结合了粗糙集约简和模糊综合评估的动态供应链绩效评价方法来得到该供应链绩效评价结果。首先借助于动态供应链绩效评价决策表对绩效评价指标进行约简和降维,通过Rough约简得到供应链绩效评价的关键绩效指标集为{F1, F2, F3, C1, C2, P1, P2, P3, L1, L2, L3, S1},根据供应链绩效分类标准表2分别建立上述关键绩效指标属于各类的隶属度函数,然后利用模糊评估方法对供应链绩效进行综合评价。根据该混合供应链绩效评价方法求出该供应链在2008年前4个月的绩效分别为G2、G3、G3、G1。

我们给出了采用上述五种基于智能信息处理的绩效评价方法得到的该供应链在2007年1月~2008年4月间绩效评价结果的变化趋势,如图1所示。其中,如图例所示圆圈、方块实线、下三角实线、粗标圆卷实线和带星虚线分别代表了对应月份由五种评估方法得到的供应链绩效评价结果。

图1 某供应链采用五种绩效综合评估方法得到的评价结果

从图1可以看出,采用五种不同的供应链绩效评价方法得到的结果略有差异。这一差异由多种原因引起,首先基于BP神经网络的绩效评价方法和基于粗糙集理论的绩效评价方法都是有监督的智能学习算法,即在对动态供应链绩效评价结果作出预测之前,都有个训练的过程,这需要大量的历史数据。而基于模糊综合评估的供应链绩效评价方法隶属度函数主要由绩效分级标准确定,并不“显式”地需要历史绩效结果。其次,许多基于智能信息处理的绩效评价模型都需要事先确定一些参数,如BP网络需要确定网络结构、学习速率、冲量因子;模糊综合评估需要确定指标权值和隶属度函数表示方法等。另外,不同的绩效评价模型对输入数据的要求各不相同,BP神经网络和模糊综合评估处理的是连续数据,粗糙集约简处理的是离散数据,而实际获得的绩效指标中既有定性指标,也有定量指标,这就需要在绩效指标输入模型之前进行预处理,预处理方法的不同导致模型输出有很大的差异。上述几种不同的基于智能信息处理的供应链绩效评价方法输出结果与供应链实际绩效基本相符,在实际使用时要根据情况灵活选择。

此外,实验结果也表明通过几种智能信息处理方法融合在动态供应链绩效评价中能取得更好的效果。通过粗糙集约简和模糊综合评估的融合,显然缩小了数据处理的规模,降低了评估模型的计算复杂度,同时克服了模糊评估过度依赖专家知识(领域知识)的缺点。通过粗糙集约简和BP神经网络的融合,降低BP网络的设计复杂度,克服了神经网络训练时间长、知识解释性较差的缺点。两种融合方法都保持了较高的准确度,在动态供应链绩效评价中更为有效。

本文的研究结果弥补了目前国内外动态供应链绩效评价中智能信息处理方法的融合理论研究少、应用不够深入的缺点,对实际供应链运作与管理中基于软计算的动态绩效评价模型和方法的选择与应用具有理论指导意义。

四、结 论

软计算作为知识获取和智能信息处理的重要手段,在供应链绩效评价领域有着良好的应用前景。越来越多的学者开始集成两种或两种以上的软计算方法的智能信息融合算法来克服单一方法的局限性。本文针对之前使用的模糊综合评估、粗糙集约简及BP神经网络等软计算方法在动态供应链绩效评价中的主要特点和效果进行了简要的比较和分析,指出了每种方法的优缺点。然而,由于每种智能信息处理方法存在着本质上的差异,对这些方法间的效果差异进行严格的比较存在理论上的困难。某种智能信息处理方法可能适用于某种供应链,而另一种智能信息处理方法则可能更适用于另一种供应链。因此,在实际使用时,要根据供应链具体情况灵活选择或融合多种智能信息处理方法以取得更好的效果。

参考文献:

[1]Anna, M. R. and Etienne, E. K. A comparative study of fuzzy rough sets[J]. Fuzzy Sets and System, 2002 ,126(2): 137-155.

[2]Nagatanit, Helbingd. Stability analysis and stabilization strategies for linear supply chains.[J].Physica A., 2004, 35 (3-4): 644-660.

[3]Mohamed. Q. A-RST: a generation of rough set theory[J]. Information Science, 2000 ,124(1-4): 301-316.

[4]Roman, W. S., Larry, H. Rough sets as a front end of neuraln-etworks texture classifiers[J]. Neurocomputing, 2001, 36: 85-102.

[5]Yahia, M. E., Mahmod R. and N. Sulaiman, et al. Rough neural expert systems[J]. Expert Systems with Applications. 2002, 18: 87-99.

[6]McKee, T. E., Terje, L. Genetic programming and rough sets: a hybrid approach to bankruptcy classification[J]. European Journal of Operational Research, 2002 ,138: 436-451.

[7]Bolch G., Greine, S., H. D. Meer, etc. Queuing networks and markov chains-modeling and performance evaluation with computer science applications (2nd edition)[M]. A John Wiley & Sons, Inc., publication, 2006.

[8]Zadeh L. A. Fuzzy sets[J]. Information and Control. 1965, 8 (3): 338-353.

[9]Pawlak, Z. Rough set-theoretical aspects of reasoning about data [M]. Boston: MA: Kluwer Academic Publishers, 1991.

[10]曹庆奎,阮俊虎.基于粗糙集-未确知测度的矿井通风系统合理性评价[J].科学决策,2009.5:89-94.

[11]刘敬学,陈曦. 基于神经网络的专家预测方法研究[J].科学决策,2009,11:78-81.

[12]Bhagwat and Sharma.Management of information system in SMEs: an exploratory study. [J].International Journal of Enterprise and Network Management. 2006,1(1): 99-125.

[13]Bititici et al..Implementation of performance measurement systems:private and public sectors[J]. Editorial, Production Planning and Control. 2005,16(2):99-100.

[14]郑培,黎建强. 基于BP神经网络的供应链绩效评价方法[J].运筹与管理,2010,19(2):26-32.

[15]宋莎莎,戴锋,卫保璐.基于模糊层次分析法和聚类分析的突发事件分级研究[J].科学决策,2010,10:68-72.

[16]郑培,黎建强. 基于模糊评估和马尔可夫预测的供应链动态平衡记分卡研究 [J]. 系统工程理论与实践,2008,4(4): 57-64.

[17]郑培,黎建强. 基于粗糙集理论的供应链动态绩效评估方法研究 [J]. 运筹与管理,2008,10(5):6-11.

[18]王俊峰,刘立东.基于博弈论的闭环供应链中三方协调研究[J].科学决策,2009,(3):33-37.

Supply Chain Performance Measurement Methods based on Intelligent Information Processing

ZHENG Pei 1, WAN Wei2

(College of Business Administration, Hunan University, Changsha Hunan 410082, China)

篇3

关键字:计算机视觉;作物病害诊断;进展;模式识别

中图分类号:TP311 文献标识号:A 文章编号:2095-2163(2015)02-

The Research Development of Computer Vision in the Plant Disease Diagnosis

PU Yongxian

(Computer Science Dept .Dehong Teachers'college, Dehong Yunnan 678400, China)

Abstract: according to the statistics, crop yield loss caused by disease in more than 12% on average, disease occurs not only affect the production, also decreased the quality of the product. Research by computer vision technology realizes fast and accurate diagnosis of crop disease, and provides scientific basis for disease prevention and control, which is the urgent demand of agricultural informatization development. Articles on computer vision technology is applied to the crop disease diagnosis has carried on the detailed analysis and research, in order to get these new technologies in the current situation of crop disease diagnosis each link, points out the shortages of computer vision in the diagnosis of crop diseases and research direction. The study on the development of crop disease intelligent detection technology will play an important role.

Key words:Computer Vision; Crop Disease Diagnosis; Progress; Pattern Recognition

0引言

在作物生产中,病害是制约作物质与量的重要因素。病害发生,往往致使作物的使用价值降低,甚至还会导致大面积减产,乃至绝收,造成巨大的经济损失。因此,在作物生长过程中,病害防治是个关键的问题之一。因各种原因植保人员匮乏,而种植户个体素质差异及受一些主观人为因素的影响,对作物病害诊断存在主观性、局限性、模糊性等,不能对作物病害的类型及受害程度做出客观、定量的分析与判断,结果要么是药量不对、要么是药不对症,严重影响了作物的质与量。

计算机视觉也称为机器视觉,是研究如何用计算机来模拟和再现人类视觉功能的科学,也被称为图像理解和图像分析,是人工智能领域的一个重要分支。随着计算机技术、图像处理和人工智能等学科的发展,以及数码相机、手机等摄像工具像素的提高,将机器视觉用于作物病害诊断,实现作物病害的无损检测、快速诊断提供了新的途径和方法[1]。报道最早的是在1989年穗波信雄等人[2]对采集的缺乏钙、铁、镁营养元素的茨菇叶片图像进行研究,在RGB模型中,利用直方图分析了正常和病态的颜色特征。为适应农业信息化的迫切需求,国内外学者对机器视觉用于作物病害诊断进行了研究和实践,而取得进展主要集中在近10年,涉及的作物有水稻、玉米、小麦、葡萄、黄瓜、甘蔗、蔬菜等病害[3-14],这些研究针对不同作物,从不同侧面为作物病害实现自动化诊断提供了理论和实践基础。因机器视觉比人眼能更早发现作物因病虫危害所表现的颜色、纹理、形状等细微变化,所以利用这种技术病害病害与人工方式相比,提高了诊断的效率和精准度,为作物保护智能化、变量喷药等提供了科学依据。

本文综述和归纳了机器视觉诊断作物病害的主要技术:病害图像采集、增强处理、病斑分割、特征提取、特征优化、病害识别等各环节的方法及现状,指出了机器视觉诊断作物病害存在的不足和研究方向。该研究对实现作物病害的机器视觉诊断技术的发展将起到重要的推动作用。

1机器视觉识别作物病害的技术路线与进展

作物病害因其病原物种类不同会产生形状、颜色、纹理等不同的病斑,通常专业植保技术人员就是根据这些特征判断病害的。机器视觉诊断作物病害是通过无损采集病害图像,利用图像处理技术对图像增强处理、分割病斑,提取病斑特征、优化特征,用模式识别技术诊断病害类别及危害程度,从而为病害的防治提供科学依据。图1为机器视觉诊断作物病害的技术路线图。

图1机器视觉识别作物病害技术路线图

Fig 1 Technology roadmap of machine vision recognition crop diseases

1.1病害图像采集与增强处理

(1)病害图像采集方法。图像采集是病害识别的第一步,采集的质量会直接影响识别结果。常用采集设备有数码摄像机、扫描仪、数码相机、手机等。其中,数码相机便于携带,能满足图像清晰度要求,符合野外作业等特点,因此病害图像采集中用得较多。依据采集环境氛围分为室内采集和室外(田间)采集两种。室内采集是将田间采摘到的病害标本经密封保湿后使用CCD摄像机或数码相机在室内摄取病害的标本图像。在田间采集图像中,有学者为了采集到高质量的图像,采取了一系列措施以减少外界因素的影响。如陈佳娟[5]采用便携式扫描仪采集图像,以减少自然光照对图像质量的影响。徐贵力等人[6]设计了活体采光箱,使照射光变成反射光,从而避免了阴影,以减少误差。这种规范图像采集方式虽简化了后期图像处理和识别的难度,但基层生产单位可能缺乏配套的技术设备,且会使病害识别过度依赖图像。为扩展应用范围和通用性,有学者对在田间自然光照射下直接获取的病害图像,用图像处理和模式识别技术诊断病害进行了研究,如李宗儒[7]用手机拍摄了苹果的圆斑病、花叶病等5种病害图像,对病害图像增强处理、分割病斑,提取病斑特征,用BP神经网络识别病害,获得了较好效果。姜武[8]用Canon EOS 50D相机在阳光充足的早晨拍摄山茶叶片图像,进行颜色分形和RGB强度值提取,用支持向量机对山茶分类识别,取得了较好效果。

(2)图像增强方法。在采集图像过程中,因受设备、环境等因素影响,往往使采集到的图像含有噪声,若不对其增强处理会影响到病害的正确识别率。病害图像增强是为病斑分割,特征提取做准备,所以应确保在去除噪声的同时,保证病斑边缘不模糊。图像增强处理根据其处理的空间不同,分为空域法和频域法。空域法是对图像本身直接进行滤波操作,而频域法是对图像进行转化,将其转化到频率域中去噪处理,之后再还原到图像的空间域。图像增强处理常用方法有:直方图均衡化、对比度增强、均值滤波、中值滤波、高斯滤波、锐化等。王静[9]利用数码相机采集了赤星病与野火病两种病害图像80幅,采用灰度图像直方图均衡化及中值滤波两种方法对图像增强处理,实验表明,中值滤波去噪效果最好,在保留图像病斑边缘信息的同时,使病斑轮廓与细节更加清晰,便于后期病斑分割及特征提取。刘芝京[10]采集黄瓜早、中、晚期的角斑病病害图像,分别用均值滤波、中值滤波、高斯滤波等对图像处理,实验表明这些去噪方法中,高斯滤波效果最好。

1.2病斑特征获取

(1)病斑分割

计算机视觉主要是依据病斑的特征信息诊断病害类别及危害程度的。因此,彩色病斑的准确分割,是后期提取病斑特征,病害类别的客观、准确诊断的关键环节之一。当前针对作物病害图像分割算法有阈值分割、空间聚类、区域分割、边缘检测分割、计算智能方法等。由于作物病害图像存在背景复杂、病斑区域排列无序、颜色、纹理分布不均、病斑边界模糊、叶片表面纹理噪声等干扰,因此尚无一种鲁棒性好,且简单适用的通用方法,也还没有一种判断分割是否成功的客观标准。近年来学者们对作物病害图像的分割进行了大量研究,试图寻找一种更具潜力的分割算法,以期获得更完美,通用的分割方法。赵进辉等人[11]分析了甘蔗病害图像的颜色与形状特征,采用面积阈值及链码分割赤腐病和环斑病病斑,收到了较好的效果。管泽鑫等人[12]提取水稻病斑与斑点外轮廓颜色,用最大类间方差法(Otsu[13])分割病斑,取得了较好的效果。邵庆等人[14]以小麦条锈病为例,对获取的小麦病害图像采用迭代阈值分割和微分边缘检测分割病斑。温长吉等人[15].用改进蜂群算法优化神经网络实现玉米病害图像分割。祁广云等[16]采用改进的遗传算法及BP神经网络对大豆叶片病斑分割,能有效提取病斑区域。毛罕平等人[17-18]利用模糊C均值聚类对棉花、玉米病害图像的病斑进行分割。张飞云[19]采用K-means硬聚类算法对玉米叶部病害图像分割,得到彩色病斑。张芳、仁玉刚[20-21]用采分水岭算法分割黄瓜病害图像,正确率均在90%以上。刘立波[22]对水稻叶部病害图像的分割进行研究,结果证明,模糊C均值聚类法的分割效果较好,但速度欠佳,Otsu法分割效果略差,但速度较快。濮永仙[23]利用支持向量机检测烟草病斑边缘,以分割彩色病斑。石凤梅等人[24]利用支持向量机分割水稻稻瘟病彩色图像病斑,其分割效果优于Otsu法。

(2)病斑特征提取

计算机视觉识别作物病害用到的特征主要有颜色、纹理、形状等特征。颜色是区分病害类别的重要特征,有RGB、HSI、Lab、YUV等7种颜色空间模型,可得到颜色特征值和颜色特征差异,而模型的选择会影响到病害识别效果。纹理是指图像中反复出现的局部模式及排列规则。作物病害图像正常与病变部分的纹理在粗细、走向上有较大差异。纹理特征有基于灰度直方图的统计测度,基于灰度共生矩阵的纹理特征和基于游程的纹理描述特征。提取纹理特征的方法有分形维数、小波变换、Gabor小波变换、局域二值模式,以及Gabor分块局域二值模式方法等。形状常与目标联系在一起,形状特征可以看作是比颜色和纹理更高层的特征,它能直观描述目标和背景之间的区别,不同病害的病斑在尺寸大小、似圆性、长短轴等方面有不同特性,对旋转、平移有很强的稳定性。提取病斑形状特征的方法有弗里曼链码法,傅里叶描述子,多尺度曲率空间方法等。王美丽等人[25] 在HSV颜色空间提取小麦白粉病和锈病病害图像的颜色和形状特征,对病害进行识别,识别率达96%以上。蔡清等人[26]对虫食菜叶图像处理后,提取其形状的圆形度、复杂度、球形度等7个特征,用BP神经网络识别病害。王克如[27]提取玉米病害图像中纹理特征的能量、熵及惯性矩作为识别病害的特征,实验得出,以单个特征识别正确识别率达90%,综合应用三个纹理特征,识别率达100%。田有文等人[28]提取葡萄叶部病斑的颜色、纹理、形状特征,用支持向量机识别,实验表明,综合应用三种特征的识别率比只用单一特征的识别高。李旺[29]以黄瓜叶部3种常见病害图像为研究对象,提取病斑颜色、纹理和形态特征总共14个特征,用支持向量机识别,实验表明,分别以颜色、纹理、形状特征识别,识别率分别为72.23%、90.70%、90.24%,综合3种特征识别率为96.00%。

(3)特征优化

特征优化是指在特征提取完成后,将特征因子中对识别病害贡献低的因子丢弃,以确保在降低特征维度的同时,能提高病害的识别率。常用的特征优化方法有:逐步判别法、主成分分析法、遗传算法等。实践证明,优化后的特征能更好的表征病害,能在特征减少的情况下提高诊断的正确率。管泽鑫等人[12]提取水稻3种常见病害图像的形态、颜色、纹理共63个特征,用逐步判别法对特征优化,用贝叶斯判别法识别病害,可使特征数减少到原来的35.2%,而病害准确识别率达97.2%。柴洋等人[30]提取了番茄早疫病、晚疫病等4种叶部病害图像的颜色、纹理和形状共18个特征,用逐步判别法优化,最终选取12个特征,用主成分优化后综合成2个新变量,分别用贝叶斯判别法和用费歇尔判别函数识别病害,均取得了较好的效果。陈丽等人[31]提取了玉米5种叶部病害图像病斑特征,用遗传算法优化特征,用概率神经网络识别病害,识别率为90.4%。彭占武[32]提取了黄瓜6种常见病害图像的颜色、纹理、形状特征14个,用遗传算法优化得到8个特征,用模糊识别模式识别病害,其识别率达93.3%。濮永仙[33]提取了烟草常见病害图像的颜色、纹理及形态共26个特征,用双编码遗传算法与支持向量机结合优化特征,最后得到16个特征,该方法与没有采用遗传算法的支持向量机识别相比,在同等条件下,特征向量减少了38%,正确率提高了6.29%。所谓双编码遗传算法,即二进制编码和实数编码结合,支持向量机作为底层分类器,分类精度作为遗传算法的适应度对个体进行评估,在去除冗余特征的同时为保留的特征赋予权重,如图2所示。韩瑞珍[34]提取了害虫的颜色、纹理特征共35个,用蚁群算法对特征优化,将35个特征降低到29个,识别准确率从87.4%提高到89.5%。

图2双编码遗传算法中的个体

Fig 2 Individual in the double coding genetic algorithm

1.3病害模式识别

模式识别也叫模式分类,指依据输入的原始数据,判断其类别并采取相应的行为[35]。病害模式识别的任务是依据特征数据由分类器完成分类的,分类器设计和特征描述共同决定了模式识别系统的性能。用于病害识别的模式可分为统计模式、句法结构模式、模糊模式和机器学习方法四类。其中,统计模式识别是用概率统计原理,获取满足某种已知分布的特征向量,然后通过决策函数来分类,不同的决策函数能够产生不同的分类方法。常见的统计模式识别方法有两种:一是由Neyman决策和贝叶斯决策等构成的基于似然函数的分类方法,另一种是基于距离函数的分类识别方法。模糊模式识别是基于模糊理论利用模糊信息进行模糊分类的,主要方法有最大隶属原则识别法、接近原则识别法和模糊聚类分析法三种。机器学习指计算机模拟或者实现人类的某些行为,它的应用已涉及很多领域。目前常用于作物病害识别的机器学习方法有人工神经网络、支持向量机(SVM)、移动中心超球分类器等。其中,支持向量机分类器是目前机器学习领域的研究热点之一,它能够较好地解决小样本、非线性、高维数的分类问题,且具有良好的推广和泛化能力。神经网络是基于经验风险最小化原则,以训练误差最小化为优化目标,而SVM以训练误差作为优化问题的约束条件,以置信范围最小化为优化目标,所以SVM的解具有唯一性,也是全局最优[36]。移动中心超球分类器是近年来新提出的一种分类器,它是一种对参考样本进行压缩的方法,可以节省空间,但其识别率不如人工神经网络高。以下是在作物病害诊断中较成功的几种识别模式及技术进展。

1.3.1 贝叶斯判断法

贝叶斯判别法是一种典型的基于统计方法的分类器。它的基本原理是将代表模式的特征向量X分到m个类别(C1,C2,…,Cm)中的某一类。操作步骤为:

(1)设样本有n个属性(W1,W2,…Wn),每个样本可看作是n维空间的一个点X=(x1,x2,…,xn);

(2)设有m个不同的类(C1,C2,…,Cm),X是一个未知类别的样本,预测X的类别为后验概率最大的那个类别;3)用贝叶斯后验概率公式计算,并进行比较,依据后验概率可将样本X归到Ci类中,当且仅当>,成立。贝叶斯分类器因其结构简单、易于扩展等特点,被广泛用于作物病害诊断。杨昕薇等人[37]对3种寒地水稻常见病害图像处理、提取特征,用贝叶斯判别法识别病害,其识别率达97.5%。赵玉霞等人[38]提取玉米锈病、灰斑病等5种病斑图像的特征,利用朴素贝叶斯分类器识别,其识别精度在83%以上。柴阿丽等人[39]提取了番茄早疫病、晚疫病等4种叶部病害图像病斑的颜色、纹理和形状特征,优化特征后,用贝叶斯判别法识别病害,其识别率达94.71%。

1.3.2 人工神经网络识别法

神经网络技术是目前广泛使用的一种机器学习方法,其研究工作始于19世纪末20世纪初[40],因具有并行处理、非线性映射、自适应学习、鲁棒容错性等优点,以及采用数据驱动模式,故在模式识别领域得到广泛应用。人工神经网络诊断作物病害的基本步骤是:构建神经网络识别模型,将已提取并优化好的病害图像特征数据作为分类器的输入特征矢量对模型训练,经过训练后的模型可实现作物病害的分类识别。目前应用于作物病害识别的人工神经网络主要有:BP神经网络、概率神经网络、自组织特征映射网络,并衍生出模糊神经网络、量子神经网络等。BP神经网络具有较好的自学习性、自适应性、鲁棒性和泛化性。概率神经网络是径向基网络的一个重要分支,其分类器是一种有监督的网络分类器,在识别过程中随着训练病害种类的增加[41],其运算速度会减慢。自组织特征映射网络分类器是于1981年提出的一种由全连接的神经元阵列组成的自组织自学习网络[42],可以直接或间接地完成数据压缩、概念表示和分类的任务,多项实验表明它的病害图像识别率都在90%以上。模糊神经网络是模糊理论同神经网络相结合的产物,它汇集了神经网络与模糊理论的优点,集学习、联想、识别、信息处理于一体。量子神经网络是量子计算理论和人工神经网络结合的产物,并集成了两者的优点。王军英[43]以葡萄发病部位、病斑形状、病斑颜色和主要症状为特征,用改进的BP神经网络识别病害,识别率达95.36%。谭克竹等人[44]用BP神经网络识别大豆的灰斑病、霜霉病和斑点病的特征与病害的关系,其轻度病害的识别精度为87.19%,中度病害的识别精度为90.31%,重度病害的识别精度为93.13%。魏清凤等人[45]利用模糊神经网络诊断模型以诊断蔬菜病害,其病害识别率达85.5%。张飞云[19]提取了玉米灰斑病、锈病和小斑病病害图像的颜色、纹理、形状特征,用量子神经网络进行病害识别,其平均识别率达94.5%。陈丽等人[31]对田间采集的玉米叶部病害图像,对图像分割、特征提取,利用概率神经网络识别病害,其识别率为90.4%,同样条件下高于BP神经网络。

1.3.3 支持向量机识别法

支持向量机[46](Support Vector Machine,简称SVM)是Vapnik等人提出的一款新型的机器学习方法。SVM有线性可分和线性不可分两种情况,采用不同的核函数会有不同的SVM 算法。常用的核函数有:线性核函数、多项式核函数、径向基核函数、Sigmoid核函数等。SVM在基于数据的机器学习领域,它兼顾训练误差和泛化能力,在解决小样本、非线性、高维数、局部极小值等模式识别问题中表现出许多特有的优势[47-48],在基于图像诊断作物病害领域应用越来越多。宋凯等人[49]提取了玉米叶部病害图像特征,选择基于SVM的不同的核函数识别病害,其中径向基核函数的正确识别率为89.6%,多项式核函数为79.2%,Sigmoid核函数的识别性能最差。刘鹏[50]提取甜柿病害图像的纹理特征和颜色特征采用SVM识别病害,结果表明,当SVM类型为nu-SVR,核函数为Sigmoid,参数C=26、ξ=24时识别效果最好。田有文等人[51]用支持向量机识别黄瓜病害,实验表明,SVM方法在处理小样本问题中具有良好的分类效果,线性核函数和径向基核函数的SVM分类方法在黄瓜病害的识别方面优于其他类型核函数的SVM。越鲜梅[52]提取了向日葵叶部的叶斑病、黑斑病、霜霉病3种病害图像的颜色矩、纹理特征共9个特征,采用一对一投票决策的SVM多分类模型识别病害,取得了较好的效果。刘立波[22]提取了水稻常见叶部病害图像的颜色、纹理、形状等特征,对特征优化后,分别用最近邻域、BP神经网络和SVM方法识别病害,其中识别率最高的是SVM,BP神经网络居中,最近邻域法最差,BP神经网络的训练速度最慢。

2机器视觉识别作物病害存在的问题与进一步研究重点

将计算机视觉用于作物病害诊断,以改变传统的诊断方式,为种植户准确诊断病害,以及变量施药提供了决策支持。目前,计算机视觉诊断作物病害虽然取得了一定的进展,但从研究的深度、应用的范围和实用化角度看,还存在许多不足,还需进一步深入研究。

2.1机器视觉诊断作物病害存在的问题

笔者查阅了大量文献,对目前常用的机器视觉识别作物病害的技术进行了研读,目前机器视觉识别作物病害的技术还不够成熟,存在以下问题:

(1)在实验室条件下计算机视觉诊断作物病害正确率高,但应用到田间,难度较大,主要原因是大多研究是在简单背景下、对少数几种病害图像诊断,而对大田复杂背景下诊断多种病害的研究还比较少。

(2)病害图像分割背景简单,对于自然状态和复杂背景下的病害图像分割有待进一步的研究。

(3)因作物病斑的大小、颜色等图像特征在不同时期有差异,对于某一发病时期建立的作物病害诊断系统,用于不同发病时期诊断识别率会有所不同。

(4)许多分类算法和分类器都存在各自的优缺点,不能适合所有作物病害识别,没有统一的评价标准,难以实现各诊断系统之间的客观比较。

(5)不同研究者使用的病害图像各不相同,难以比较不同。

(6)机器视觉诊断作物病还是少数专家对某类作物在局部范围内的研究,很难满足现实生产的多种作物、不同区域同时诊断的要求。

2.2进一步研究重点

根据以上存在的问题,今后的研究方向和重点为:

(1)机器视觉识别作物病害技术从实验室向大田扩展时,需综合考虑所提取的病害图像特征在复杂背景下的可获取性、稳定性、可操作性等。

(2)机器视觉诊断作物病害系统应充分考虑不同发病时期,识别特征的变化规律。

(3)研究适合多种作物在复杂背景下实现病斑分割、特征提取等高效的图像处理算法,在模式识别方面要侧重于模糊数学、支持向量机、神经网络、遗传算法、组合优化等理论与技术的研究。

(4)建立规范统一的作物病害图像数据库,图像可普遍获取,建立合理完善的病害分割、特征提取、病害种类识别等系统,以及病害评价标准。

(5)模式识别病害中的算法需进一步发展和优化,建立统一的评判标准,评价方法适合所有的识别算法和各应用领域,采用定量和客观评价准则,可精确描述算法性能,评判应摆脱人为因素。

参考文献:

[1]GEORGIEVA K, GEORGIEVA Y, DASKALOV D.Theoretical substantiation of model of system for evaluation a state of vine plants and taking a decision for plant protection activities[J]. Trakia Journal of Sciences (Series Social Sciences),2003,1:30-32.

[2]穗波信雄.图像处理在植物生长信息提取中的应用[R].日本:农业机械学会关西支部研究会资,1992:63-46.

[3]SASAKI Y , OKAMOTO T. Automatic diagnosis of plantdisease-recognition between healthy and diseased leaf[J]. Journal of the Japanese Society of Agricultural Machinery,1999,61(2):119-126.

[4]陈佳娟,纪寿文,李娟,等.采用计算机视觉进行棉花虫害程度的自动测定[J].农业工程学报,2001,17(2):157-160.

[5]贾浩.基于计算机视觉的玉米叶部病害识别技术研究[D]. 泰安:山东农业大学,2013.

[6]徐贵力,毛罕平,李萍萍,等.差分百分率直方图法提取缺素叶片纹理特征[J].农业机械学报,2003,34(2):76-79.

[7]李宗儒.基于图像分析的苹果病害识别技术研究[D].杨凌:西北农林科技大学,2010.

[8]姜武.模式识别技术在山茶属植物数值分类学和叶绿素含量预测中的应用研究[D]. 金华:浙江师范大学,2013.

[9]王静.基于图像处理技术的烟叶病害自动识别研究[D]. 昆明:昆明理工大学,2009.

[10]刘芝京.基于图像处理的黄瓜细菌性角斑病的识别研究[D]. 成都:西华大学.2012.

[11]赵进辉,罗锡文,周志艳.基于颜色与形状特征的甘蔗病害图像分割方法[J].农业机械学报,2008,39(9).

[12]管泽鑫,唐健,杨保军,等.基于图像的水稻病害识别方法研究[J].中国水稻科学,2010,24(5):497~502.

[13]OTSU N A. Threshold selection method from gray-level histo-gram[J]. IEEE Trans Syst Man Cybenet, 1979, 15: 652-655.

[14]邵庆,张楠,路阳.小麦病害图像识别处理及形状特征提取研究[J].农机化研究,2013,35(8):35-37.

[15]温长吉,王生生,于合龙,等.基于改进蜂群算法优化神经网络的玉米病害图像分割[J].农业工程学报,2013,29(13):142-147.

[16]祁广云,马晓丹,关海鸥.采用改进的遗传算法提取大豆叶片病斑图像[J].农业工程学报.2009,25(5).

[17]毛罕平,张艳诚,胡波.基于模糊C均值聚类的作物病害叶片图像分割方法研究[J].农业工程学报.2008,24.

[18]张柏毅,朱景福,刘勇.基于模糊C-均值聚类的作物叶部病斑图像分割[J].智能计算机与应用.2011,3(10).

[19]张云飞.基于量子神经网络和组合特征参数的玉米叶部病害识别[J].南方农业学报,2013,44(8):1286-1290.

[20]张芳.复杂背景下黄瓜叶部病害识别方法研究[D]. 沈阳:沈阳农业大学,2014.

[21]任玉刚,张建,李淼,等.基于分水岭算法的作物病害叶片图像分割方法[J].计算机应用,2012,32(3):752-755.

[22]刘立波.基于图像的水稻叶部病害诊断技术研究[D]. 北京:中国农业科学院,2010.

[23]濮永仙.基于支持向量机与多特征选择的作物彩色病斑边缘检测[J].计算机应用系统,2014,9(23):118-123.

[24]石凤梅,赵开才,孟庆林,等.基于支持向量机的水稻稻瘟病图像分割研究[J].东北农业大学学报,44(2):128-135.

[25]王美丽,牛晓静,张宏鸣,等.小麦叶部常见病害特征提取及识别技术研究[J].计算机工程与应用, 2014,50(7):154-157.

[26]蔡清,何东健.基于图像分析的蔬菜食叶害虫识别技术[J].计算机应用, 2010,7(30):1870-1872.

[27]王克如.基于图像识别的作物病虫草害诊断研究[D]. 北京:中国农业科学院,2005.

[28]田有文,李天来,李成华,等.基于支持向量机的葡萄病害图像识别方法[J].农业工程学报,2007,23(6):175-179.

[29]李旺.基于图像处理的黄瓜叶部病害识别研究[D]. 长沙:湖南农业大学,2013.

[30]柴洋,王向东.基于图像处理的温室大棚中番茄的病害识别[J].模式识别与仿真,2013,32(9):83-88.

[31]陈丽,王兰英.概率神经网络在玉米叶部病害识别中的应用[J].农机化研究,2011,(6):145-148.

[32]彭占武.基于图像处理和模式识别技术的黄瓜病害识别研究[D].长春:吉林农业大学,2007.

[33]濮永仙,余翠兰.基于双编码遗传算法的支持向量机作物病害图像识别方法[J].贵州农业科学,2013,7(41)187-191.

[34]韩瑞珍.基于机器视觉的农田害虫快速枪测与识别研究[D].杭州:浙江大学,2014.

[35]边肇祺,张学工.模式识别[M].北京:清华大学出版社,2002:284-304.

[36]奉国和.基于聚类的大样本支持向量研究[J].计算机科学,2006,33(4):145-147.

[37]杨昕薇,谭峰.基于贝叶斯分类器的水稻病害识别处理的研究[J].黑龙江八一农垦大学学报,2012,24(3):64-67.

[38]赵玉霞,王克如,白中英等.基于图像识别的玉米叶部病害诊断研究[J].中国农业科学 2007,40(4):698-703

[39]柴阿丽,李宝聚等.基于计算机视觉技术的番茄叶部病害识别[J].园艺学报,2010,37(9):1423-1430.

[40]Han Jiawei,Kamber M.数据挖掘概念与技术[M].第二版. 范明,孟小峰,译.北京:机械工业出社,2007:251-306.

[41]贺鹏,黄林.植物叶片特征提取及识别[J].农机化研究,2008(6):168-170.

[42]杨占华,杨燕.SOM神经网络算法的研究与进展[J].计算机工程,2006,32(16):201-228.

[43]王军英.基于BP神经网络的葡萄病害诊断系统研究[J].农业信息网,2013,8:30-33.

[44]谭克竹,沈维政.基于BP神经网络的大豆叶片病害诊断模型的研究[J].控制理论与应用,2013,32(12):5-7.

[45]魏清凤,罗长寿,曹承忠,等.基于模糊神经网络的蔬菜病害诊断模型研究[J].河南农业科学,2013,(9):4224-4227.

[46]BURGOS-ARTIST X P, RIBERA A, TELLAECHE A, et al. Improving weed pressure assessment using digital images from an experience-based reasoning approach [J]. Computers and Electronics in Agriculture, 2009, 65(2): 176-185.

[47] BURGES C J C. A tutorial on support vector machines for pattern recognition [J].Data Mining and Knowledge Discovery, 1998, 2(2):121-169.

[48]Steve R Gunn. Support vector machines for classification and regression [R].Southampton: University of Southampton, 1998:1-28.

[49]宋凯,孙晓艳,纪建伟.基于支持向量机的玉米叶部病害识别[J].农业工程学报,2007,23(1):155-157.

[50]刘鹏,屠康,徐洪蕊,等.基于支持向量机的甜柿表面病害识别[J].现代食品科技,2011,27(3):349-353.

[51]田有文,牛妍.支持向量机在黄瓜病害识别中的应用研究[J].农机化研究,2009,(3):36-38.

[52]越鲜梅.基于图像识别的向日葵叶部病害诊断技术研究[D].呼和浩特:内蒙古工业大学,2013.

1 项目基金:云南省科学研究基金子课题(2013Y571)。

作者简介:濮永仙( 1976-),女,云南腾冲人,硕士,副教授,主要研究方向:机器视觉诊断作物病害,智能农业方面的研究。

??

??

篇4

背景

传统的肥水控制器采用简单的时序和星期组合控制已经逐渐无法满足设施高品质农产品生产的需求,基于模糊神经网络的PID控制器开始在温室得到应用(罗淳,2009),充分利用现代信息技术的信息采集控制、信息传输、信息处理的优势,将控制系统的优缺点与实际应用环境的复杂性密切结合,开发简单而控制智能化的控制器具有重要意义。

硬件设计

硬件设计由电源模块、时钟芯片、液晶显示、触摸屏、屏显控制、窗口通讯模块、MCU、继电器输出、电磁润控制、报警控制、传感器输入等组成(图1)。按照功能区将硬件电路分割为操作区(图1中的液晶显示和触摸屏)、声光指示区、输出区(图1中的继电器ABC)三个部分。操作区以液晶显示模块和键盘为主,主要是进行程序控制输入操作的区域,建立了友好的人机交互界面。声光指示区主要是由红、绿两种颜色的发光二极管来显示电路硬件的状态是否正常。输出区主要是端子,用来连接的设备,如肥水加压泵、送水泵、施肥电磁阀和各种传感器。时钟芯片用来动态显示当前时间,在系统外部断电后,时钟芯片仍旧能正常保存当前时间,同时继续运行,提供自动模式下的施肥程序时间控制。

程序控制器

程序控制器采用基于ATmegal28核心单元。

・电源模块单元

电源模块由稳压模块7805及滤波电容组成。如图2所示。

・程序控制器主控制单元

主控单元由Mega128最小系统组成,包括电源电路、复位电路、时钟电路组成。如图晰示。

・串口通信单元

串口单元将单片机TTL电平转换为RS232电平。如图4所示。也可用来将水肥历史作业数据、各分区工作状态等数据传送给上位机软件。自动统计并生成统计表。方便肥水作业管理的科学合理,有据可依。

・声光指示单元

声光指示单元由一个LED模块和一个蜂鸣器组成。主要是将控制其工作状态给出实时提示。如图5所示。

友好人机触摸交互流程

人机触摸交互流程主要实现控制系统人机交互,输入采用触摸屏,输出采用彩色液晶显示,人机触摸交互包括进八主操作页面,手动注肥设置、自动注肥设置、帮助等,流程如图6所示。

试验结果

为了测试控制器自动控制施肥作业时肥水体积和浓度的均匀性,可以通过一个滴灌带各滴点不同时期荧光浓度试验来考证。标液稀释5倍后取稀释液400 mL用来试验。(进口压力:0.25 MPa,V是体积,A是滴点溶液浓度,小计的结果是具体的施肥量)

试验材料和方法是:使用标准溶液著丹明(WT)溶液取400 mL,倒入500 mL大烧杯中,将控制器和注肥泵出水口和入水口的电磁阀连接,将注肥泵吸肥管放入烧杯中吸取母液,启动用来提供稳定水压力的压力泵,同时将集液瓶放在各滴点下收集各滴点的溶液,烧杯中的400 mL母液全部吸完后,停止试验系统,关闭压力泵。将集液瓶从各滴点取下来,进行体积(V表示)测量,同时使用荧光测量仪(Trilogy试验专用荧光仪)测试各滴点的溶液样本的浓度(A表示)。