基于优化BP神经网络的水稻病害识别算法研究

摘要： 结合图像处理技术和机器学习算法，对水稻的3种最常见病害(即稻瘟病、白叶枯病和细菌性条斑病)进行识别和分类。首先，分割出水稻病害图像中的病斑部分并建立图像集，然后针对病理外在表现提取和优化病斑特征。接着，建立BP神经网络模型来根据优化后的特征来识别不同种类的水稻病害。最后，利用模拟退火算法结合自适应遗传算法，为BP算法选择合适的初始参数，以寻求最优解，改进分类模型。结果表明，改进后的NAGSA-BP算法具有较高的水稻病害识别准确率，具有可行性，且与传统的人工检测方法相比更加准确和高效。

0 引言

利用计算机视觉技术结合图像处理和机器学习的手段，可以通过植物叶片的外在特征来识别水稻等植物的不同病害，减轻人工工作量，并在保证准确率的同时提高效率。植物病害的识别算法分为病害图像目标分割算法和病害图像模型分类算法两大部分。

在植物病害图像目标分割的研究中，张武等人^[1]在2015年基于K-均值聚类算法和最大类间方差法进行小麦病害图像分割，准确率超过95%；马媛等人^[2]在2016年利用方向梯度直方图特征结合均值漂移算法监督葡萄生长状态与病虫害，该方法取得了80%以上的准确率；MAI X等人^[3]在2016年针对水稻病叶的颜色、纹理等特征，将超像素算法和随机森林分类器相结合，圈定了病斑区域。

在植物病害图像模型分类的研究中，2014年张善文等人^[4]利用局部判别映射算法结合最近邻分类器，将玉米病斑图像重组为向量并进行识别，得到高于90%的准确率；陈俊伸^[5]在2019年改进了深度卷积神经网络模型进行水稻叶瘟病识别，与人工抽样调查结果交叉验证的Kappa系数为0.78，具有较高一致性。

图像处理和机器学习算法在识别作物病害方向取得了较好成效。然而受到图像集效果和作物不同外在特征的影响，算法还有优化空间。本文对水稻的3种常见病害^[6]识别进行研究，同样将识别过程分为两个环节：首先对图像进行预处理，从中提取病斑特征并降维，用于后续分类；然后使用BP神经网络算法对水稻病害进行识别，将其与自适应遗传算法和模拟退火算法结合后作为最终分类器^[7]。