基于稀疏自编码和SPSO-SVM的稻瘟病早期病害识别

摘要

为及早准确识别水稻叶部慢性型、急性型、褐点型和白点型4种类型稻瘟病,将稀疏自动编码器和交换粒子群优化支持向量机(SPSO-SVM:Switching Particle Swarm Optimization Support Vector Machine)相结合,构建了一个深度神经网络。相较于其他算法,当神经网络输入的图像数量很多时,自动编码器可提取出原图片中最具代表性的信息,缩减输入中的信息量,再将缩减过后的信息放入神经网络中学习,降低了学习难度、减少了学习时间。首先依靠稀疏自动编码器编码、解码重构输入数据,对稻瘟病叶斑进行分层特征学习,并在自动编码器上加入稀疏性条件约束,对隐含层进行压缩,进而学习到更高层的隐含特征。其次应用交换粒子群优化的支持向量机对水稻稻瘟病类型识别。实验采用公开的Kaggle水稻病害图像数据库及实际采集的水稻稻瘟病图像作为数据集,每类选取350幅图像组成样本,并将每幅图像归一化为4 096维向量。从样本集中随机选取80%作为训练集,剩余20%作为测试集。通过10重交叉验证,测试集平均识别准确率达95.7%。实验结果表明,该方法能有效地从病斑特征中识别出水稻叶部稻瘟病早期病害,对水稻稻瘟病的早期预防有重要意义。