基于粒子群的支持向量机图像识别.pdf

《基于粒子群的支持向量机图像识别.pdf》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

第３２卷第１期液晶与显示Ｖｏｌ．３２Ｎｏ．１２０１７年１月ＣｈｉｎｅｓｅＪｏｕｒｎａｌｏｆＬｉｑｕｉｄＣｒｙｓｔａｌｓａｎｄＤｉｓｐｌａｙｓＪａｎ．２０１７文章编号：１００７－２７８０（２０１７）０１－００６９－０７基于粒子群的支持向量机图像识别韩晓艳１，２，赵东３＊（１．吉林农业大学信息技术学院，吉林长春１３０１１８；２．长春理工大学光电信息学院信息工程分院，吉林长春１３００１２；３．长春师范大学计算机科学与技术学院，吉林长春１３００３２）摘要：为了实现对田间水稻缺素的精准识别，构建一个图像识别系统。对该系统所采用的图像采集、图像分割、基于支持向量机图像分类等算法进行研究。首先，根据田间水稻的缺素现象进行图像采集和处理。然后提取图像与氮元素相关的颜色特征。在分析比较ＳＶＭ算法对图像分割的基础上，提出一种基于改进粒子群算法进行ＳＶＭ参数优化算法模型（即ＩＰＳＯ－ＳＶＭ）。最后，对实验进行设置，对算法模型与其他算法进行测试对比。实验结果表明：对水稻缺素诊断的准确率达到９５．４５％，基本满足田间水稻缺素的科学诊断要求。关键词：图像分割；支持向量机；粒子群；缺素中图分类号：ＴＰ３９４．１；ＴＨ６９１．９文献标识码：Ａｄｏｉ：１０．３７８８／ＹＪＹＸＳ２０１７３２０１．００６９Ｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅｉｍａｇｅｒｅｃｏｇｎｉｔｉｏｎｂａｓｅｄｏｎｐａｒｔｉｃｌｅｓｗａｒｍ１，２，ＺＨＡＯＤｏｎｇ３＊ＨＡＮＸｉａｏ－ｙａｎ（１．ＣｏｌｌｅｇｅｏｆＩｎｆｏｒｍａｔｉｏｎＴｅｃｈｎｏｌｏｇｙ，ＪｉｌｉｎＡｇｒｉｃｕｌｔｕｒａｌＵｎｉｖｅｒｓｉｔｙ，Ｃｈａｎｇｃｈｕｎ１３０１１８，Ｃｈｉｎａ；２．ＣｏｌｌｅｇｅｏｆＩｎｆｏｒｍａｔｉｏｎＥｎｇｉｎｅｅｒｉｎｇ，ＣｏｌｌｅｇｅｏｆＯｐｔｉｃａｌａｎｄＥｌｅｃｔｒｏｎｉｃａｌＩｎｆｏｒｍａｔｉｏｎ，ＣｈａｎｇｃｈｕｎＵｎｉｖｅｒｓｉｔｙｏｆＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ，Ｃｈａｎｇｃｈｕｎ１３００３２，Ｃｈｉｎａ；３．ＣｏｌｌｅｇｅｏｆＣｏｍｐｕｔｅｒＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ，ＣｈａｎｇｃｈｕｎＮｏｒｍａｌＵｎｉｖｅｒｓｉｔｙ，Ｃｈａｎｇｃｈｕｎ１３００３２，Ｃｈｉｎａ）Ａｂｓｔｒａｃｔ：Ｉｎｏｒｄｅｒｔｏｒｅａｌｉｚｅｔｈｅｐｒｅｃｉｓｅｉｄｅｎｔｉｆｉｃａｔｉｏｎｏｆｔｈｅｍｉｓｓｉｎｇｅｌｅｍｅｎｔｓｉｎｔｈｅｆｉｅｌｄｏｆｒｉｃｅ，ａｎｉｍａｇｅｒｅｃｏｇｎｉｔｉｏｎｓｙｓｔｅｍｗａｓｃｏｎｓｔｒｕｃｔｅｄ．Ｔｈｅｉｍａｇｅａｃｑｕｉｓｉｔｉｏｎ，ｉｍａｇｅｓｅｇｍｅｎｔａｔｉｏｎａｎｄｉｍａｇｅｃｌａｓ－ｓｉｆｉｃａｔｉｏｎｂａｓｅｄｏｎｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅａｒｅｓｔｕｄｉｅｄｉｎｔｈｉｓｓｙｓｔｅｍ．Ｆｉｒｓｔｌｙ，ｉｍａｇｅａｃｑｕｉｓｉｔｉｏｎａｎｄ收稿日期：２０１６－０８－１１；修订日期：２０１６－１０－１７．基金项目：国家自然科学基金（Ｎｏ．６１１０１１５５）；吉林省自然科学基金（Ｎｏ．２０１４０１０１１８４ＪＣ）；长春市科技计划资助项目（Ｎｏ．２０１２０９１）；吉发改高技（Ｎｏ．２０１４８１７）；吉林省教育厅（Ｎｏ．２０１６３９２）ＳｕｐｐｏｒｔｅｄｂｙＮａｔｉｏｎａｌＮａｔｕｒａｌＳｃｉｅｎｃｅＦｏｕｎｄａｔｉｏｎｏｆＣｈｉｎａ（Ｎｏ．６１１０１１５５）；ＪｉｌｉｎＰｒｏｖｉｎｃｅＮａｔｕｒａｌＳｃｉｅｎｃｅＦｏｕｎｄａｔｉｏｎｏｆＣｈｉｎａ（Ｎｏ．２０１４０１０１１８４ＪＣ）；ＣｈａｎｇｃｈｕｎＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙＰｌａｎＰｒｏｊｅｃｔｓ（Ｎｏ．２０１２０９１）；ＪｉｌｉｎＰｒｏｖｉｎｃｅＤｅｖｅｌｏｐｍｅｎｔａｎｄＲｅｆｏｒｍＣｏｍｍｉｓｓｉｏｎＨｉｇｈＴｅｃｈｎｏｌｏｇｙＩｎｄｕｓｔｒｙＤｅｖｅｌｏｐｍｅｎｔ（Ｎｏ．２０１４８１７）；ＪｉｌｉｎｐｒｏｖｉｎｃｅＥｄｕｃａｔｉｏｎＤｅｐａｒｔｍｅｎｔ（Ｎｏ．２０１６３９２）　＊通信联系人，Ｅ－ｍａｉｌ：ｚｄ－ｈｙ＠１６３．ｃｏｍ ７０液晶与显示第３２卷ｐｒｏｃｅｓｓｉｎｇｗｅｒｅｃａｒｒｉｅｄｏｕｔａｃｃｏｒｄｉｎｇｔｏｔｈｅｐｈｅｎｏｍｅｎｏｎｏｆｄｅｆｉｃｉｅｎｃｙｏｆｒｉｃｅｉｎｔｈｅｆｉｅｌｄ．Ｔｈｅｎｔｈｅｃｏｌｏｒｆｅａｔｕｒｅｓｗｅｒｅｅｘｔｒａｃｔｅｄｒｅｌａｔｅｄｔｏｔｈｅｉｍａｇｅｏｆｎｉｔｒｏｇｅｎｅｌｅｍｅｎｔｓ．ＯｎｔｈｅｂａｓｉｓｏｆａｎａｌｙｚｉｎｇａｎｄｃｏｍｐａｒｉｎｇｔｈｅＳＶＭａｌｇｏｒｉｔｈｍｔｏｉｍａｇｅｓｅｇｍｅｎｔａｔｉｏｎ，ａｎｉｍｐｒｏｖｅｄｐａｒｔｉｃｌｅｓｗａｒｍｏｐｔｉｍｉｚａｔｉｏｎａｌｇｏ－ｒｉｔｈｍｉｓｐｒｏｐｏｓｅｄｔｏｏｐｔｉｍｉｚｅｔｈｅＳＶＭｐａｒａｍｅｔｅｒｓ（ｉ．ｅ．ＩＰＳＯ－ＳＶＭ）．Ａｔｌａｓｔ，ｔｈｅｅｘｐｅｒｉｍｅｎｔｉｓｓｅｔｕｐ，ａｎｄｔｈｅａｌｇｏｒｉｔｈｍｍｏｄｅｌｉｓｔｅｓｔｅｄａｎｄｃｏｍｐａｒｅｄｗｉｔｈｏｔｈｅｒａｌｇｏｒｉｔｈｍｓ．Ｔｈｅｅｘｐｅｒｉｍｅｎｔａｌｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅａｃｃｕｒａｃｙｒａｔｅｏｆｔｈｅｄｉａｇｎｏｓｉｓｏｆｒｉｃｅｄｅｆｉｃｉｅｎｃｙｉｓ９５．４５％，ｗｈｉｃｈｂａｓｉｃａｌｌｙｍｅｅｔｓｔｈｅｒｅ－ｑｕｉｒｅｍｅｎｔｓｏｆｔｈｅｓｃｉｅｎｔｉｆｉｃｄｉａｇｎｏｓｉｓｏｆｔｈｅｄｅｆｉｃｉｅｎｃｙｏｆｒｉｃｅｉｎｔｈｅｆｉｅｌｄ．Ｋｅｙｗｏｒｄｓ：ｉｍａｇｅｓｅｇｍｅｎｔａｔｉｏｎ；ｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅ；ｐａｒｔｉｃｌｅｓｗａｒｍ；ｄｅｆｉｃｉｅｎｃｙ构建一种优化模型，并进行了详细的结果对比和１引言分析。实验证明本文提出的算法，具有较好的识别准确度。随着农业信息化不断推进，精细农业已经走进农业的历史舞台，不仅促进农业生态的加速革２粒子群算法及ＳＶＭ算法原理新，同时改变了人们对农业的认知。对农作物的缺素诊断是精细农业的重要目的之一。传统以农２．１支持向量机算法民自己积累的经验为主判断作物是否缺少某种营支持向量机即ＳＶＭ（ｓｕｐｐｏｒｔｖｅｃｔｏｒｍａ－养元素，缺乏综合性的判断，从而导致了农作物的ｃｈｉｎｅ），一种基于统计理论的学习方法，根据对象产量和质量降低。传统的检测手段难以满足现代的特征分割平面，使得对象的分布最优化，处于分化农业发展的要求，因此利用图像识别技术来解割面边缘的点被称为支持向量［７－９］。ＳＶＭ可将非决上面的问题已成为领域的研究热点，它把被测线性的问题映射到高维空间，从而形成分割面实的农作物对象的图像进行处理和分析，从中提取现线性分类。图像中重要特征信息进行对比判断，生成科学判通过寻求结构化风险最小来改进学习机的泛断结果，从而提高精细农业中农作物缺素诊断的化能力，ＳＶＭ是一种监督式学习方法，采用二类水平。分类模型，其基本模型称为特征空间上的间隔最当前，基于ＳＶＭ的图像处理技术在缺素和大的线性分类器，即支持向量机的学习策略便是［１］病虫害识别方面有较多的应用。刘伟等利用粒间隔最大化，最终可转化为一个凸二次规划问题子群进行目标函数寻优提高基于ＳＶＭ的番茄红的求解。［２］素含量预测。李冠林等提出了一种基于支持向图１中圆形代表类１，方形代表类２，中间直量机和多特征参数的小麦条锈病和叶锈病图像分线Ｈ称为最优超平面，左下直线Ｈ１和右上直线［３］类识别方法。田有文等利用图像处理技术和Ｈ２与超平面之间的距离相等，Ｈ１、Ｈ２之间称为ＳＶＭ对玉米病害识别进行了深入研究。文献［４］针对在实际应用中，较暗的背景下对图像目标的识别较难的问题，结合在线支持向量机和Ｍｅａｎ－［５］Ｓｈｉｆｔ算法实现彩色图像的跟踪。岳有军等通过遗传算法对支持向量机参数进行优化实现油菜缺素诊断。文献［６］利用粒子群算法对图像采用聚类方法进行处理，旨在获取最优的聚类效果。以上文献从不同方向使用不同方法对农作物图像进行识别处理，但识别精度还有待改进。本文对支持向量机的特点进行深入剖析，发现误差惩罚图１支持向量机超平面坐标因子和松弛变量参数是影响其性能的关键因素。Ｆｉｇ．１Ｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅｈｙｐｅｒｐｌａｎｅｓｃｏｏｒｄｉｎａｔｅｓ本文利用粒子群对支持向量机的关键因素优化， 第１期韩晓艳，等：基于粒子群的支持向量机图像识别７１分类间隔，以这两条直线为边界实现了分布点的步骤４：一般情况下，准确率ＡＣＣ值越大，该类别划分。分类器的性能表现越好。同时支持向量个数ＳＶｓ２．２ＳＶＭ算法原理越少，证明ＳＶＭ的泛化能力越好，说明ＳＶｓ和ＳＶＭ算法研究的主要问题就是凸二次规划ＳＶＭ的泛化性能成反比的关系。所以本文针对［５］的求解，进而达到分类识别的目的。假定训练二者同时考虑实现目标函数的设计，适应度值根样本为ｔｒａｉｎｉ＝（ｘｉ，ｙｉ），ｉ＝１…ｔ，ｙｉ∈（－１，１），据目标函数进行计算：ｘｉ为输入样本，ｙｉ代表划分的两种类别。设超Ｋ烄平面为ｙ＝ｗｘ＋ｂ＝０，分类间隔距离可描述为：∑Ｔｅｓｔ＿Ａｃｃｕｒａｃｙｉｉ＝１ｆ１＝１Ｋδｉ＝｜ｇ（ｘｉ）｜，当间隔距离最大时取得分类烅，（３）‖ｗ‖ｎｓｖ最优解。ｆ２＝（１－）ｍ以上定义适用于点分布均匀的情况，当分类烆ｆ＝α×ｆ１＋β×ｆ２对象中存在奇异点或偏离点时，可通过增加参数其中第一个子目标函数ｆ１代表ＳＶＭ分类模型松弛变量ξｉ≥０和惩罚因子Ｃ（大于０的常数）实的５－ＣＶ结果获得的分类精度值。注意，这里的现划分。构造模型如下：５－ＣＶ过程用来确定最优参数（包括Ｃ和γ），而外ｔ１２层循环则采用１０－ＣＶ，用于评估整个模型的分类ｍｉｎ‖ｗ‖＋Ｃ∑ξｉ，（１）２ｉ＝１性能。在第二个子目标函数ｆ２中ｎｓｖ和ｍ分别约束为：代表支持向量数量和训练集中的总体样本数。两ｙｉ［（ｗｘｉ）＋ｂ］≥１－ξｉ，（２）个子目标函数的加权求和被选定为最终的目标函从公式（１）和（２）可以得出在一定约束下当数。函数ｆ中，α是ＳＶＭ模型的准确率的权重，‖ｗ‖取得最小值时可以取得δｉ最大值，即最大。权重可以调整β表示支持向量数量所占的权重分类间隔，进而获取最佳解空间。到一个适当的值，主要取决于各个子目标对分类的贡献大小。根据我们的初步试验，模型性能受３基于改进ＰＳＯ参数选优的模型准确率的影响大于支持向量个数的大小，因此α构建设置的值比β大一些。通常权重一般设置为常量。我们通过试验发现，将权重设置为随时间线３．１ＳＶＭ参数选优形递增／递减函数可以在大多数数据集上改进在ＳＶＭ模型中，惩罚因子Ｃ和ＲＢＦ核宽γＳＶＭ的分类性能。是影响其结果的主要因素。本文利用改进粒子群因此我们将α和β分别设置为如下形式：α＝算法全局寻优的能力，对二者进行选优以获得最ｔｔ（α１－α２）＋α２、β＝（β１－β２）＋β２。其中，优解，进而求解最佳超平面达到最佳分类效果。ｔｍａｘｔｍａｘ在该方法中，我们引入了变异操作，即当粒子经多α、β满足α１＋β１＝１，α２＋β２＝１。获得适应度值次迭代解的质量还未获得改善，则对粒子当前的后，将全局最优适应度值保存为ｇｆｉｔ，个体最优位置进行变异，以避免其陷入局部最优解。适应度值存为ｐｆｉｔ，全局最优粒子的位置设为３．２ＰＳＯ－ＳＶＭ算法模型ｇｂｅｓｔ，个体历史最优的位置设为ｐｂｅｓｔ；［１０－１２］ＰＳＯ是一种智能优化算法，对ＳＶＭ的步骤５：增加迭代次数：ｉｔｅｒ＝ｉｔｅｒ＋１；优化模型具体步骤如下：步骤６：增加种群数量，同时更新每个粒子前步骤１：选择二维的粒子对个体进行编码，用两维Ｃ和γ的位置和速度；于表示Ｃ和γ两个连续值；步骤７：为了进一步开发ＰＳＯ算法的性能，步骤２：对种群进行随机初始化，指定速度上限、引入了变异策略。下限、初始速度、种群的大小和迭代次数等参数；ｉｆ（ｃｏｕｎｔ（ｇｂｅｓｔ）≥５）ｎ步骤３：利用第二步选中的特征集合进行ｔｈｅｎｇｂｅｓｔ＝０；∑ｆｔｉ＝０ＳＶＭ模型训练；ｉ＝１ ７２液晶与显示第３２卷替换为当前的适应度值和粒子的位置；步骤１０：如果粒子数序号达到种群最大规模值时，则转至步骤１１。否则，转到步骤６继续执行；步骤１１：通过比较ｇｆｉｔ和历史记录中的最佳ｐｆｉｔ来更新全局最优适应度值（ｇｆｉｔ）和全局最优位置（ｇｂｅｓｔ），如果当前最优ｐｆｉｔ小于历史记录中存储的ｇｆｉｔ，则保持历史记录中的ｇｆｉｔ和ｇｂｅｓｔ不变；否则，将ｇｆｉｔ和ｇｂｅｓｔ更换为历史记录中的ｇｆｉｔ和ｇｂｅｓｔ；步骤１２：如果停止条件得到满足，则转到步骤１３。否则，转到步骤５继续执行。终止条件为迭代次数达到最大值或者ｇｆｉｔ值１００次保持连续迭代执行都不发生变化；步骤１３：从ｇｂｅｓｔ中获取最佳参数组合（Ｃ，γ）。４测量实验与结果４．１实验环境设置针对水稻的缺失氮元素的问题，从水稻缺氮样本（样本图片采集自吉林榆树地区实验田）中选取１００×１００像素的图集６０幅（由于篇幅原因，图片未给出），首先进行图像预处理，然后提取图片中颜色特征作为待输入的特征向量。采用ＩＰＳＯ－ＳＶＭ、ＰＳＯ－ＳＶＭ、ＳＶＭ和ＢＰ四种方法进行性能比较，以验证本文提出的基于改进粒子群的支持向量机模型的有效性。实验中ＰＳＯ算法的参数设置情况如表１所示。表１实验参数设置图２ＰＳＯ－ＳＶＭ模型流程图Ｔａｂ．１ＥｘｐｅｒｉｍｅｎｔａｌｐａｒａｍｅｔｅｒｓｅｔｔｉｎｇＦｉｇ．２Ｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅｈｙｐｅｒｐｌａｎｅｓｃｏｏｒｄｉｎａｔｅｓ序号参数名称参数值取值范围描述其中：函数ｃｏｕｎｔ表示ｇｂｅｓｔ值连续多次保持不１ｃ１１．６１～２局部搜索能力变，ｆｔｉ代表选中的特征数。整个策略代表如果ｇｂｅｓｔ值保持５次连续不变，则将其视为陷入局部２ｃ２１．８１～２全局搜索能力极值；３ｍａｘｇｅｎ１０００～１００最大迭代次数步骤８：利用第６步选中的特征进行ＳＶＭ模型训练，同时计算每个粒子的适应度值；４ｓｉｚｅｐｏｐ２００～２０种群最大数量步骤９：通过比较当前适应度值与内存中的５Ｋ０．６０．１～１权值ｐｆｉｔ来更新个体最优适应度值（ｐｆｉｔ）和个体最优位置（ｐｂｅｓｔ）。如果当前适应度值小于历史记录６ｗｖ１０．８～１．２个体速度弹性系数中存储的ｐｆｉｔ，则保持ｐｆｉｔ和历史记录中的７ｗｐ１０．５～２种群速度弹性系数ｐｂｅｓｔ不变，否则，将历史记录中的ｐｆｉｔ和ｐｂｅｓｔ 第１期韩晓艳，等：基于粒子群的支持向量机图像识别７３续表从图中可以看出在１折、３折、５折和７折数据上序号参数名称参数值取值范围描述ＰＳＯ－ＳＶＭ模型获得最佳适应度值所需的迭代次数基本都控制在２０次迭代范围内，之后精度不再８ｖ１０１～１０交叉验证折数发生变化一直到迭代结束。这说明ＰＳＯ可以迅速地收敛到最优解，协助ＳＶＭ获得最佳参数，进９ｐｏｐｃｍａｘ１００１～１００参数ｃ最大值而获得最优的识别精度。实验结果表明ＰＳＯ－１０ｐｏｐｃｍｉｎ０．０１０．０１～１参数ｃ最小值ＳＶＭ模型可以获得９３．８９％的识别精度。１１ｐｏｐｇｍａｘ１００１～１００参数ｇ最大值图５描述了ＩＰＳＯ－ＳＶＭ在十折交叉过程中四折数据上的识别精度随着迭代次数的演化过１２Ｐｏｐｇｍｉｎ０．０１０．０１～１参数ｇ最小值程，从图中可以看出在１折、３折、５折和７折数据ＡＮＮ中隐层上ＩＰＳＯ－ＳＶＭ模型获得最佳适应度值所需的迭１３ｎ２０１－１００神经元个数代次数基本都控制在１０次迭代范围内，之后精度不再发生变化一直到迭代结束。对比图４，我们可以发现ＩＰＳＯ可以获得更高４．２对比试验的解，同时收敛速度比ＰＳＯ更快。这说明提出的本文在实验中，分别对比了ＩＰＳＯ－ＳＶＭ，变异策略可以有效防止粒子陷入局部最优解，使ＰＳＯ－ＳＶＭ，ＳＶＭ和ＢＰ的运行效果。为了验证得ＳＶＭ获得更好的参数，进而获得最优的识别本文提出的基于ＩＰＳＯ方法的有效性，我们采用精度。实验结果表明ＩＰＳＯ－ＳＶＭ模型可以获得基于网格搜索的ＳＶＭ参数选取方法和基于原始９５．４５％的识别精度。ＰＳＯ算法的参数选优方法作为实验对比对象。基于网格搜索的ＳＶＭ参数寻优过程如图３所示，从图中可以看出ＳＶＭ对参数的选取非常敏感。实验结果表明，基于网格搜索的ＳＶＭ可以获得９２．３７％的识别准确率。图４ＰＳＯ－ＳＶＭ的识别精度随着迭代次数的变化过程（Ａ、Ｂ、Ｃ、Ｄ分别代表十折交叉过程中的第１、３、５、７折数据）Ｆｉｇ．４ＲｅｃｏｇｎｉｔｉｏｎａｃｃｕｒａｃｙｏｆＰＳＯ－ＳＶＭｃｈａｎｇｅｄｗｉｔｈｔｈｅｎｕｍｂｅｒｏｆｉｔｅｒａｔｉｏｎｓ（Ａ，Ｂ，Ｃ，Ｄｒｅ－ｐｒｅｓｅｎｔｓｔｈｅｆｏｌｄ１，３，５ａｎｄ７ｄａｔａｒｅｓｐｅｃ－图３基于网格搜索的ＳＶＭ参数寻优过程ｔｉｖｅｌｙ）Ｆｉｇ．３ＳＶＭｐａｒａｍｅｔｅｒｏｐｔｉｍｉｚａｔｉｏｎｐｒｏｃｅｓｓｂａｓｅｄｏｎｇｒｉｄｓｅａｒｃｈ四种方法的平均识别精度和方法对比情况如图６和图７所示。从这两个图中可以清楚地看到图４描述了ＰＳＯ－ＳＶＭ在十折交叉过程中四折数据上的识别精度随着迭代次数的演化过程，ＩＰＳＯ－ＳＶＭ在４种方法中取得了最高的识别精 ７４液晶与显示第３２卷度（９５．４５％），其次是ＰＳＯ－ＳＶＭ和ＳＶＭ。ＢＰ表从结果可以看出，通过改进的和原始的粒子群算现相对较差。法对ＳＶＭ进行优化能够得到更好的诊断结果，这说明ＰＳＯ方法使得ＳＶＭ寻找最优解，与传统的神经网络算法相比，ＳＶＭ对非线性处理更具优势。图７中图示说明，４种方法中属ＩＰＳＯ－ＳＶＭ的方差最小，这表明了４种方法中ＩＰＳＯ－ＳＶＭ表现最稳定，最适合实际应用情况。图５ＩＰＳＯ－ＳＶＭ的识别精度随着迭代次数的变化过程（Ａ、Ｂ、Ｃ、Ｄ分别代表十折交叉过程中的图７四种方法的方差对比图第１、３、５、７折数据）Ｆｉｇ．７ＣｏｍｐａｒｉｓｏｎｏｆｔｈｅｆｏｕｒｍｅｔｈｏｄｓｉｎｔｅｒｍｓｏｆＦｉｇ．５ＲｅｃｏｇｎｉｔｉｏｎａｃｃｕｒａｃｙｏｆＩＰＳＯ－ＳＶＭｃｈａｎｇｅｄｓｔａｎｄａｒｄｄｅｖｉａｔｉｏｎｗｉｔｈｔｈｅｎｕｍｂｅｒｏｆｉｔｅｒａｔｉｏｎｓ（Ａ，Ｂ，Ｃ，Ｄｒｅ－ｐｒｅｓｅｎｔｓｔｈｅｆｏｌｄ１，３，５ａｎｄ７ｄａｔａｒｅｓｐｅｃｔｉｖｅ－ｌｙ）５结论本文根据精细农业中作物缺素的科学诊断的要求，提出一种改进粒子群的支持向量机的图像识别方法。方法中利用变异因子改进粒子群算法的种群，从而获得最佳解集。然后通过改进的粒子群算法对ＳＶＭ的两个主要参数进行优化选取。最后，选取水稻缺素图集，进行实验的仿真和测试，并和ＰＳＯ－ＳＶＭ、ＳＶＭ、ＢＰ算法结果进行对比分析。实验结果证明，本文提出病虫害识别图６四种方法的十折交叉结果对比图精度可达９５．４５％左右，优于其他四种算法，能够Ｆｉｇ．６Ｃｏｍｐａｒｉｓｏｎｏｆｔｈｅｆｏｕｒｍｅｔｈｏｄｓｂａｓｅｄｏｎｔｈｅ满足水稻缺素诊断的目的。１０－ｆｏｌｄｃｒｏｓｓｖａｌｉｄａｔｉｏｎｒｅｓｕｌｔｓ参考文献：［１］刘伟，王建平，刘长虹，等．基于粒子群寻优的支持向量机番茄红素含量预测［Ｊ］．农业机械学报，２０１２，４３（４）：１４３－１４７，１５５．ＬＩＵＷ，ＷＡＮＧＪＰ，ＬＩＵＣＨ，ｅｔａｌ．Ｌｙｃｏｐｅｎｅｃｏｎｔｅｎｔｐｒｅｄｉｃｔｉｏｎｂａｓｅｄｏｎｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅｗｉｔｈｐａｒｔｉｃｌｅｓｗａｒｍｏｐｔｉｍｉｚａｔｉｏｎ［Ｊ］．ＴｒａｎｓａｃｔｉｏｎｓｏｆｔｈｅＣｈｉｎｅｓｅＳｏｃｉｅｔｙｆｏｒＡｇｒｉｃｕｌｔｕｒａｌＭａｃｈｉｎｅｒｙ，２０１２，４３（４）：１４３－１４７，１５５．（ｉｎＣｈｉｎｅｓｅ）［２］李冠林，马占鸿，王海光．基于支持向量机的小麦条锈病和叶锈病图像识别［Ｊ］．中国农业大学学报，２０１２，１７（２）：７２－７９．ＬＩＧＬ，ＭＡＺＨ，ＷＡＮＧＨＧ．Ｉｍａｇｅｒｅｃｏｇｎｉｔｉｏｎｏｆｗｈｅａｔｓｔｒｉｐｅｒｕｓｔａｎｄｗｈｅａｔｌｅａｆｒｕｓｔｂａｓｅｄｏｎｓｕｐｐｏｒｔｖｅｃｔｏｒ 第１期韩晓艳，等：基于粒子群的支持向量机图像识别７５ｍａｃｈｉｎｅ［Ｊ］．ＪｏｕｒｎａｌｏｆＣｈｉｎａＡｇｒｉｃｕｌｔｕｒａｌＵｎｉｖｅｒｓｉｔｙ，２０１２，１７（２）：７２－７９．（ｉｎＣｈｉｎｅｓｅ）［３］田有文，王立地，姜淑华．基于图像处理和支持向量机的玉米病害识别［Ｊ］．仪器仪表学报，２００６，２７（Ｓ６）：２１２３－２１２４．ＴＩＡＮＹＷ，ＴＩＡＮＬＤ，ＪＩＡＮＧＳＨ．ＲｅｃｏｇｎｉｔｉｏｎｏｆｍａｉｚｅｄｉｓｅａｓｅｂａｓｅｄｏｎｉｍａｇｅｐｒｏｃｅｓｓｉｎｇａｎｄＳＶＭ［Ｊ］．Ｃｈｉ－ｎｅｓｅＪｏｕｒｎａｌｏｆＳｃｉｅｎｔｉｆｉｃＩｎｓｔｒｕｍｅｎｔ，２００６，２７（Ｓ６）：２１２３－２１２４．（ｉｎＣｈｉｎｅｓｅ）［４］郭敬明，何昕，魏仲慧．基于在线支持向量机的ＭｅａｎＳｈｉｆｔ彩色图像跟踪［Ｊ］．液晶与显示，２０１４，２９（１）：１２０－１２８．ＧＵＯＪＭ，ＨＥＸ，ＷＥＩＺＨ．Ｎｅｗｍｅａｎｓｈｉｆｔｔｒａｃｋｉｎｇｆｏｒｃｏｌｏｒｉｍａｇｅｂａｓｅｄｏｎｏｎｌｉｎｅｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅ［Ｊ］．ＣｈｉｎｅｓｅＪｏｕｒｎａｌｏｆＬｉｑｕｉｄＣｒｙｓｔａｌｓａｎｄＤｉｓｐｌａｙｓ，２０１４，２９（１）：１２０－１２８．（ｉｎＣｈｉｎｅｓｅ）［５］岳有军，杨雪，赵辉，等．基于支持向量机的油菜缺素诊断研究［Ｊ］．广东农业科学，２０１５，４２（２０）：１４５－１４８．ＹＵＥＹＪ，ＹＡＮＧＸ，ＺＨＡＯＨ，ｅｔａｌ．Ｄｉａｇｎｏｓｉｓｏｆｒａｐｅｎｕｔｒｉｅｎｔｄｅｆｉｃｉｅｎｃｙｂａｓｅｄｏｎｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅ［Ｊ］．ＧｕａｎｇｄｏｎｇＡｇｒｉｃｕｌｔｕｒａｌＳｃｉｅｎｃｅｓ，２０１５，４２（２０）：１４５－１４８．（ｉｎＣｈｉｎｅｓｅ）［６］ＯＭＲＡＮＭ，ＥＮＧＥＬＢＲＥＣＨＴＡＰ，ＳＡＬＭＡＮＡ．Ｐａｒｔｉｃｌｅｓｗａｒｍｏｐｔｉｍｉｚａｔｉｏｎｍｅｔｈｏｄｆｏｒｉｍａｇｅｃｌｕｓｔｅｒｉｎｇ［Ｊ］．ＩｎｔｅｒｎａｔｉｏｎａｌＪｏｕｒｎａｌｏｆＰａｔｔｅｒｎＲｅｃｏｇｎｉｔｉｏｎａｎｄＡｒｔｉｆｉｃｉａｌＩｎｔｅｌｌｉｇｅｎｃｅ，２００５，１９（３）：２９７－３２１．［７］汪海燕，黎建辉，杨风雷．支持向量机理论及算法研究综述［Ｊ］．计算机应用研究，２０１４，３１（５）：１２８１－１２８６．ＷＡＮＧＨＹ，ＬＩＪＨ，ＹＡＮＧＦＬ．Ｏｖｅｒｖｉｅｗｏｆｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅａｎａｌｙｓｉｓａｎｄａｌｇｏｒｉｔｈｍ［Ｊ］．ＡｐｐｌｉｃａｔｉｏｎＲｅｓｅａｒｃｈｏｆＣｏｍｐｕｔｅｒｓ，２０１４，３１（５）：１２８１－１２８６．（ｉｎＣｈｉｎｅｓｅ）［８］ＣＯＲＴＥＳＣ，ＶＡＰＮＩＫＶ．Ｓｕｐｐｏｒｔ－ｖｅｃｔｏｒｎｅｔｗｏｒｋｓ［Ｊ］．ＭａｃｈｉｎｅＬｅａｒｎｉｎｇ，１９９５，２０（３）：２７３－２９７．［９］ＪＩＡＯＬＣ，ＢＯＬＦ，ＷＡＮＧＬ．Ｆａｓｔｓｐａｒｓｅａｐｐｒｏｘｉｍａｔｉｏｎｆｏｒｌｅａｓｔｓｑｕａｒｅｓｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅ［Ｊ］．ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＮｅｕｒａｌＮｅｔｗｏｒｋｓ，２００７，１８（３）：６８５－６９７．［１０］刘淳安．一种求解动态多目标优化问题的粒子群算法［Ｊ］．系统仿真学报，２０１１，２３（２）：２８８－２９３．ＬＩＵＣＡ．Ｐａｒｔｉｃｌｅｓｗａｒｍａｌｇｏｒｉｔｈｍｆｏｒｓｏｌｖｉｎｇｄｙｎａｍｉｃｍｕｌｔｉ－ｏｂｊｅｃｔｉｖｅｏｐｔｉｍｉｚａｔｉｏｎｐｒｏｂｌｅｍｓ［Ｊ］．ＪｏｕｒｎａｌｏｆＳｙｓｔｅｍＳｉｍｕｌａｔｉｏｎ，２０１１，２３（２）：２８８－２９３．（ｉｎＣｈｉｎｅｓｅ）［１１］程万胜，臧希喆，赵杰，等．面向Ｏｔｓｕ阈值搜索的ＰＳＯ惯性因子改进方法［Ｊ］．光学精密工程，２００８，１６（１０）：１９０７－１９１２．ＣＨＥＮＧＷＳ，ＺＡＮＧＸＺ，ＺＨＡＯＪ，ｅｔａｌ．ＭｏｄｉｆｉｅｄｓｔｒａｔｅｇｙｔｏｉｎｅｒｔｉａｗｅｉｇｈｔｉｎＰＳＯｆｏｒｓｅａｒｃｈｉｎｇｔｈｒｅｓｈｏｌｄｏｆＯｔｓｕｒｕｌｅ［Ｊ］．ＯｐｔｉｃｓａｎｄＰｒｅｃｉｓｉｏｎＥｎｇｉｎｅｅｒｉｎｇ，２００８，１６（１０）：１９０７－１９１２．（ｉｎＣｈｉｎｅｓｅ）［１２］崔长彩，黄富贵，张认成，等．粒子群优化算法及其在圆柱度误差评定中的应用［Ｊ］．光学精密工程，２００６，１４（２）：２５６－２６０．ＣＵＩＣＢ，ＨＵＡＮＧＦＧ，ＺＨＡＮＧＲＣ，ｅｔａｌ．ＲｅｓｅａｒｃｈｏｎｃｙｌｉｎｄｒｉｃｉｔｙｅｖａｌｕａｔｉｏｎｂａｓｅｄｏｎｔｈｅＰａｒｔｉｃｌｅＳｗａｒｍＯｐ－ｔｉｍｉｚａｔｉｏｎ（ＰＳＯ）［Ｊ］．ＯｐｔｉｃｓａｎｄＰｒｅｃｉｓｉｏｎＥｎｇｉｎｅｅｒｉｎｇ，２００８，１４（２）：２５６－２６０．（ｉｎＣｈｉｎｅｓｅ）作者简介：韩晓艳（１９７８－），女，吉林德惠人，硕士研究生，主要从事数据挖掘与云计算方面的研究。Ｅ－ｍａｉｌ：３７７５４９６１＠ｑｑ．ｃｏｍ赵东（１９７８－），男，吉林德惠人，副教授，博士研究生，主要从事智能信息处理与嵌入式技术的研究。Ｅ－ｍａｉｌ：ｚｄ－ｈｙ＠１６３．ｃｏｍ