玉米品种识别多算法模型比较研究

《玉米品种识别多算法模型比较研究》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、玉米品种识别多算法模型比较研究摘要：为了比较玉米品种图像识别中各种祌经网络识别模型的性能，搭建了一套基于统计特征提取和模式识别分类算法的玉米品种识别系统。采用扫描仪获得了11个玉米品种每个品种50粒子粒图像，基于图像的统计特征，分别研宄了7种人工神经网络（ANN）模型（BP、rbf、pnn、pnn、competesofnl、ELM）的识别性能，进一步考察了极限学习机（ELM）、支持向量机（SVM）模式分类过程性能。结果表明，在同样的情况下SVM模型较ANN模型的特征识别率高，另外神经网络模型grnn和EL

2、M识别效果较好，其他识别模型性能较差。对11个玉米品种种子的最高检出率为91.73%，另外，所采用的特征降维方法、特征维数、初始权值的随机性选择等因素都会影响模型的识别效果，这对玉米种子纯度和品种真实性检验中人工神经网络模型的构建具有指导意义。关键词：玉米种子；品种识别；人工神经网络；支持向量机中图分类号：S513；S326文献标识码：A文章编号：0439-8114（2016）09-2366-04近年来，假种子事件频发，给农业造成巨大损失，农民由于缺乏识别种子的能力和设备，往往不能有效区分各个品种，迫切需

3、要一种快速的种子识别方法。数字图像识别作为一种快速识别技术而被广泛应用，在水稻、小麦和花生等作物种子识别上都有成功应用的报道。现代玉米种植和水稻一样，广泛杂交育种，不能自留种，增大了不法商家贩卖假种子的空间。为了有效鉴别玉米种子的真伪和类别，郝建平等、杨锦忠等通过数十个外观特征，采用图像处理的方法识别种子:韩仲志等研究了对种子识别起关键作用的特征提取方法，如子粒的胚部特征和果穗DUS测试特征的提取方法：另外杨锦忠等针对玉米果穗形态研宄了品种识别问题，对关键特征进行了选择优化。在玉米识别相关算法和系统工程应

4、用之前，需要对品种识别过程中的关键因素进行有效的性能与效率测试。由于人工神经网络方法广泛应用于识别问题，本研宄拟针对不同的神经网络模型进行比较研宄，进而考察各种模型的效能，为将来品种识别软件的开发与工程应用提供算法支持。1材料与方法1，1试验材料供试玉米品种共11个，均是北方黄玉米品种，种质来源为青岛农业大学种质资源库，每个品种50粒种子。采用平板扫描仪采集图像（图1）。基于Matalb2010b编程，采用子粒区域标记的方法将图像中各个子粒的子图（Subimage）提取出来。然后进行特征提取。1.2特征提

5、取提取的特征包括颜色、形态和纹理3大类，见表1，相关定义参见文献。从二值图上提取形态特征，从RGB和HSV彩色图获取颜色特征，依据灰度图像获取纹理特征。1.3特征优化随着统计指标的增加，统计特征的维数相应增加，因此也需要进行必要的降维和特征优化。传统的特征降维与优化是基于二阶统计量进行的主分量分析（PCA）方法。PCA是统计学中分析数据的一种有效的方法，其目的是在数据空间中找一组向量以尽可能地解释数据的方差，将数据从原来的R维空间降维投影到M维空间（R〉M）。降维后保存了数据中的主要信息，从而使数据更易于

6、处理。PCA方法是沿数据集方差最大方向寻找一些相互正交的轴，主成分分析方法是一种最小均方误差下的最优维数压缩方法，特征提取和优化后，特征维数将进一步减少。1.4品种识别基于表1中的特征可实时进行品种识别。人工神经网络是模拟人的神经感知结构，寻找非线性情况下的一种最优映射，由于所提取的特征与玉米类别之间存在着非常复杂的非线性映射关系，所以特别适合采用此方法进行品种识别。由于神经网络的初始权值由系统随机给出，所以往往带来结果的不稳定，通常的做法是多次测试取最优实现。基于提取的特征数据即可进行种子检验和品种识别

7、，本研究涉及的神经网络模型包括7种，即BP、rbf、gmn、pnn、competesofm,以及一个BP（backpropagation）神经网络的改进型，即极限学习机ELM。其中神经网络BP算法是最典型的神经网络分类方法。支持向量机（SVM）模型是近几年发展起来的优秀的识别模型，在农作物种子识别領域已经被证明比神经网络识别模型具有更为稳健的性能。2结果与分析图2是6种神经网络识别模型的识别结果，图3是BP神经网络的改进型极限学习机（ELM）与支持向量机（SVM）模型识别结果。表2为上述8种识别模型在不同

8、主分量及不同特征下的识别效果。2.1不同模型的识别性能比较6种神经网络识别模型可以发现（图2、表2），首先从识别率上，基于60个原始统计特征，6种祌经网络识别模型和1种改进型识别模型的识别性能从高到低为grnn〉ELM〉pnn〉rbf〉BP〉compet〉sofm，决定系数R2从大到小为grnn>rbf>ELM>BP〉pnn〉compet〉sofm，所耗时间上从少到多为ELM2越接近于1，识别的时间越短，说明模型越优秀。在这些