模糊神經網絡優缺點范文

導語：如何才能寫好一篇模糊神經網絡優缺點，這就需要搜集整理更多的資料和文獻，歡迎閱讀由公務員之家整理的十篇范文，供你借鑒。

篇1

[關鍵詞] 光伏系統；發電量預測；模糊神經網絡

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

[中圖分類號] TM615 [文獻標識碼] A [文章編號] 1673 - 0194（2017）13- 0180- 04

0 引 言

目前光伏發電量預測的方法主要有神經網絡法、灰色預測法、多元線性分析法這三種方法，通過對這三種預測模型進行比較，發現多元線性回歸和灰色理論雖然方法較為簡單，但是預測誤差也較大，而神經網絡法預測則可以比較準確但是預測過程較為繁雜。在基于神經網絡的預測中，多是以傳統的BP神經網絡為基礎模型，在此基礎上采用一些新的方法對BP網絡加以改進。例如在BP網絡的學習過程中采用Fletcher-Reeves共軛梯度算法，可以提高學習率，部分地簡化了預測過程，但輸入量過多，且預測的局限性較大。

在對比了眾多方法的優缺點之后，發現BP神經網絡普遍存在中間隱層數難以確定、輸入數據量過多，且學習時間過長等劣勢。因此本文提出了一種基于模糊神經網絡的預測模型，所選取的輸入量是和當天的發電量相關程度比較大的當天的平均氣溫以及當天的總日照量，模糊神經網絡的結構是由大量的先驗知識而設計出來的。在不影響預測精度的情況下，為了降低整個網絡的復雜程度，對整個網絡的模糊化層中的隸屬度函數及去模糊化層的輸出函數都做了適當的變化，解決了傳統神經網絡收斂速度慢的問題，從而使整個神經網絡結構簡潔，訓練速度較快，且預測精度較高。

1 模糊神經網絡

模糊神經網絡是在神經網絡和模糊系統的基礎上發展起來的，在模糊神經網絡出現之前，神經網絡與模糊系統都已有了多年的研究歷史，都有著較完備的理論基礎。

模糊神經網絡是一種將模糊邏輯推理的知識性結構和神經網絡的自學習能力結合起來的一種局部逼近網絡，融合彌補了神經網絡在數據處理方面的不足和模糊邏輯在學習方面的缺陷，是一個集語言計算、邏輯推理、分布式處理和非線性動力學過程為一身的系統。因此，它具有處理不確定信息的模糊推理能力和依據樣本數據進行學習的能力。模糊神經網絡主要利用神經網絡結構來實現模糊推理，從而使神經網絡的權值具有在模糊邏輯中推理參數的物理意義。

常見的模糊神經網絡有基于Mamdani推理的和基于Takgai-Sugeno推理的這兩種模糊神經網絡?；贛amdani推理的模糊神經網絡多用于模糊邏輯控制器、模糊邏輯決策系統、模糊邏輯辨識系統等方面；基于Takgai-Sugeno推理的模糊神經網絡則是一種非線性模型，宜于表達復雜系統的動態特性。光伏系統的發電量由于受日照量、溫度、濕度、材料轉換率等多方面因素的影響，因此，光伏系統的輸出是一個不穩定的非線性變化的動態工程，所以本文所采用的就是基于Takgai-Sugeno推理的模糊神經網絡（簡稱TS模糊神經網絡）。

2 TS模糊神經網絡

2.1 TS模糊邏輯

在TS模糊邏輯系統中，模糊規則有著如下的特殊形式：

R（1）：if x1 is F1l，…，if xnis Fnl then

y l=P0l+P1lx1+…+Pnlxn

3 預測模型的建立

3.1 輸入量的確定

光伏電池之所以能發電，是由于當陽光照射到半導體材料的太陽能電池板上時，光能被吸收在太陽能電池內，并且產生電子（-）和空穴（+），而負價的電子多向n型聚集，正價的空穴多向p型聚集，因此，將太陽能電池的正面和背面接上電極與燈泡等負荷連接，就能產生流。因此，日照量是影響光伏發電發電量的重要因素之一，所以日照量應作為輸入量之一。此外光伏發電的發電量還受溫度、濕度、安裝角度、材料轉換率等眾多因素的影響，在這眾多因素中，溫度對光伏發電量的影響是較大的，因此將溫度作為另一個輸入量輸入到預測模型中。

本文的輸入量為日照量與溫度組成的一個2×1的列向量，因為本文所預測的是晴天一整日的發電量（單位kW?h/日），因此，日照量取一整日的日照量（單位kW?h/日），溫度取一整日的平均溫度（單位℃）。若輸入向量用x表示，一整天的日照量用h表示，溫度用t表示，則輸入量可表示為下面的形式：

x=[h，t]T

3.2 TS型模糊神經網絡結構與初始參數的確定

本文是針對全年晴天的當天發電量做出預測的，所以按季節劃分將全年的數據劃分成了春、夏、冬，由于秋天的日照量與溫度和春天的接近，所以在本文中并沒有單獨列出秋季，而是只按春、夏、冬三季的數據來建模預測。

由已有的先驗知識，可將數據按照春、夏、冬三季進行劃分，所以模糊神經網絡的規則層的隱層節點數也就為三，由于規則層已經確定，故可以知道模糊化層與去模糊化層的隱層節點數均為三個，因此可知本文的模糊神經網絡的預測模型結構如圖2所示。

3.3 TS型模糊神經網絡學習算法

設有輸入、輸出樣本為{（xl，dl），l=1，2，…，L}，在這里L表示訓練樣本的數量，為輸入向量，在本文中表示由當天日照量與當天平均溫度組成的一個2×1的列向量。將網絡誤差E設為：

E=■（yl-dl）2-||y-d|22

其中，y=[y1，y2，…，yL]T，表示神經網絡的實際輸出；d=[d1，d2，…dL]T，表示神經網絡的期望輸出；||.|2表示向量的2范數。

本文中，在不影響結果的前提下，為了降低神經網絡學習算法的復雜度，故將隸屬度函數變為：

ωij=exp-■（bij（xil-cij））2

將神經網絡的輸出函數變為：

yl =■ωij=（p0j+p1jx1l+…+pnjxnl）

因為本文是在MATLAB中進行編程預測，所以將各種數據都表示成矩陣的形式，通過對矩陣的處理，使模糊神經網絡的理解難度和操作難度都大大降低，因此，規定X=[x1，x2，…，xL]表示輸入樣本組成的n×L維矩陣；Ω=[ω1，ω2，…，ωL]表示輸入樣本X的隸屬度函數值ωl j所組成的m×L維矩陣；P=[p0，p1，…，pn]表示線性系數pi j所組成的m×（n+1）維矩陣；C=[c1，c2，…，cm]表示中心ci j所組成的n×m維矩陣；B=[b1，b2，…，bm]表示中心寬度bi j所組成的n×m維矩陣。

在訓練神經網絡時，首先計算隸屬度函數值ωl j所組成的矩陣Ω=[ω1，ω2，…，ωL]，在此基礎上計算神經網絡的輸出y及相應的誤差E；然后計算誤差E對系數矩陣P，B，C的偏導數，根據梯度下降法更新P，B，C；最后利用P，B，C來更新Ω，E等參數。如果未達到退出條件，則繼續迭代，達到了，則退出整個迭代過程，最終，就可以完成整個模糊神經網絡的訓練。在MATLAB中矩陣P和B的初始值可以由normrnd函數隨機生成，而矩陣C則可以由kmeans函數得到相應的初始聚類中心，通過訓練數據的學習過程，得到一個符合要求的模糊神經網絡。

4 預測模型的訓練與結果分析

為了使模糊神經網絡的訓練有較高的精度，需要大量的數據對模型進行評估訓練，本次模擬采用了120組數據進行預測，其中90組作為訓練樣本，30組作為測試樣本，所用的數據均是隨機模擬5kW光伏逆變器日發電量數據， 在訓練過程中，共取了90組數據來訓練，因此L=90；而規則數共有3條，因此這里m=3；而輸入的是有溫度與日照量組成的兩行一列的列向量，因此n=2；為了使訓練結果更加精確化，這里O置的最大迭代步數為1 000，迭代步長為0.001，圖3是訓練預測結果與實際結果的折線圖。

在圖中，實線表示預測輸出，用“+”表示實際輸出，而用虛線表示實際輸出與預測輸出之間的差值，從圖中可以明顯看出訓練好的模糊神經網絡符合要求。隨后，再將用于測試的數據帶入已訓練好的模糊神經網絡中，結果如圖4所示。

圖4是用于測試的數據的實際輸出與預測輸出的比較，“+”表示實際輸出，實線表示預測輸出，虛線表示實際輸出與預測輸出的差值。從預測的結果來看，相較于傳統的預測方法來說，本文所提出的模糊神經網絡的預測方法，不論是在預測精度上還是在訓練收斂速度上，都有一定程度的提高，雖說本文的原始數據并非實測數據，但是本文所用的數據皆是參考了大量資料之后擬合出的數據，所以有實際參考價值。

5 結 語

為了提高光伏并網系統的穩定性與安全性，本文提出了一種基于模糊神經網絡的電量預測模型。根據光伏系統的發電原理與大量的研究資料，確定了以每一天的日照量與平均溫度為整個系統的輸入量，來對這一整天的光伏系統的發電量做出預測，并且根據已有的先驗知識與相關理論，確定了本文所用的模糊神經網絡的結構。再通過擬合的符合實際的數據來訓練整個模型，最后通過一組測試數據來測試本預測模型是否達到要求。實驗結果表明，本模型能較為準確地預測出光伏發電系統一整天的發電量，具有一定的工程應用價值。

主要參考文獻

篇2

關鍵詞： 供應鏈績效評價；模糊綜合評估；粗糙集；BP神經網絡

中圖分類號：C93 文獻標識碼： A文章編號：1003-7217(2011)05-0119-06

一、引 言

在供應鏈條件下，各節點企業運作行為往往具有隨機性和不確定性。動態供應鏈績效評價是一個包含多個指標和輸入輸出的復雜評估系統，各績效指標具有模糊性、不確定性，彼此之間存在非線性關聯性。軟計算［1-7］理論與方法是處理動態供應鏈績效這樣復雜的、具有大量不確定性和模糊性的評估系統的重要技術。在相當多的領域（自然科學、社會科學與工程技術）中，都涉及到對不完備信息和不確定因素的處理。從實際系統中采集到的數據常常包含著噪聲、不精確甚至不完整，如果我們采用純數學上的假設來消除或回避這種不確定性，效果往往不理想。但如果對這種信息使用恰當的方式進行處理，常常有助于實際系統問題的解決。

二、相關研究評述

多年來，研究人員一直在努力尋找科學地處理不完整性和不確定性的有效途徑，實踐證明，1965年Zadeh［8］創立的模糊集理論與1982年Pawlak［9］倡導的粗糙集理論是處理不確定性的兩種很好的方法。事實上，除了上述兩種方法外，基于概率統計方法的證據理論也是處理不確定性的一種有效方法。以上眾多的方法都屬于軟計算［10－15］(Soft Computing)的范疇。Zadeh教授提出了軟計算的概念，軟計算的主要工具包括粗糙集、模糊邏輯(Fuzzy Logic)、神經網絡、概率推理(Probability Reasoning)、信任度網絡(Belief Network)、遺傳算法（Genetic Arithmetic）、混沌理論(Chaos)等。傳統的計算方法，即所謂的硬計算(Hard Computing)，使用精確、固定和不變的算法來表達和解決問題，軟計算利用所允許的不精確性、不確定性和部分真實性得到易于處理、魯棒性強和成本較低的解決方案，以便更好地與現實系統相協調。因此，軟計算作為知識獲取和智能信息處理的重要手段，在許多研究領域有著廣泛而深入的應用。

（一）基于模糊綜合評估的供應鏈績效評價

模糊集理論是經典理論的推廣，它認為元素總是以一定的程度屬于某個集合， 也可能以不同的程度屬于幾個集合。經典理論中集合的邊界是清晰的，而模糊集理論中集合的邊界是不清晰的，對人們顯示生活中大量使用的一些含義確定但不準確的語言表述，模糊數學可以較好地表達，因而可以自然地用于事物的評價。

在動態供應鏈績效評價體系中，各績效指標之間往往存在著復雜的因果關系，這些指標中既有定性指標也有定量指標，具有模糊和不確定的特點，模糊綜合評估方法為處理這種不確定性提供了有力的工具，它能夠盡可能地減少個人主觀臆斷所帶來的危害，為合理評價決策提供科學的依據。作者在文獻［16］中詳細討論了基于模糊綜合分析的供應鏈績效評價方法，并結合Markov鏈預測理論給出了供應鏈績效未來的發展趨勢。

（二）基于粗糙集約簡的供應鏈績效評價

Rough集理論是一種刻畫含噪聲、不完整、不精確、不相容的數學工具，它能有效分析和處理不精確、不一致、不完整等各種不完備信息，并從中發現隱含的知識，揭示潛在的規律，是一種重要的軟計算技術。其主要思想是在保持分類能力不變的前提下，通過知識約簡，導出概念的分類原則。Rough 集理論是基于不可分辨的思想和知識簡化的方法，從數據中推理邏輯規則作為知識系統模型。

如前所述，在供應鏈條件下，各節點企業運作策略具有動態可調節性，其運作行為具有隨機性和不確定性，這就要求在對供應鏈績效進行評價必須采用動態評價方法，同時對供應鏈在未來某一時刻的整體績效進行預測。粗糙集及其約簡理論是處理這種不確定性的重要技術。作者在文獻［17］中基于粗糙集理論的績效評價模型，建立了動態供應鏈績效評價決策表，利用粗糙集約簡方法得到了預測績效評價結果的決策規則集，并把粗糙集約簡和模糊綜合評估技術相結合進行動態供應鏈績效評價，顯然地縮小了數據處理的規模，降低了模型的計算復雜度。

（三）基于神經網絡的供應鏈績效評價

神經網絡可大規模地并行處理和分布式地存儲信息，具有良好的自適應、自組織性以及很強的學習功能、聯想功能和容錯功能。與當今的馮諾依曼式計算機相比，更加接近人腦的信息處理模式，主要表現為能夠處理連續的模擬信號。神經網絡并行分布工作，各組成部分同時參與運算，單個神經元的動作速度不高，但總體的處理速度很快。神經網絡信息存儲分布于全網絡各個權重變換之中，某些單元障礙并不影響信息的完整。傳統計算機要求有準確的輸入條件, 才能給出精確解。神經網絡只要求部分條件，甚至對于包含有部分錯誤的輸入，也能得出較好的解答，因此具有較好的容錯性。

動態供應鏈績效評價是一個包含多個指標輸入輸出的復雜評估系統，各績效指標具有模糊性，彼此之間存在非線性關聯性。針對這樣一個復雜的評估系統，作者曾利用BP神經網絡技術來找出供應鏈績效評價系統輸入-輸出之間的非線性映射關系，從而對動態供應鏈績效評價結果進行學習和預測。通過與粗糙集約簡理論相結合，簡化了BP神經網絡的結構設計，減小了運算量。

（四）幾種軟計算方法的優缺點

軟計算是一個方法的集合體，目前主要包括粗糙集、模糊邏輯、神經網絡、概率推理、信任度網絡、遺傳算法以及混沌理論等。軟計算方法已廣泛應用于包括模式識別、數據挖掘、系統評價、故障診斷、專家系統等在內的諸多領域的不精確、不確定問題。軟計算方法按照其特點各有優勢。例如，模糊集可以通過對人類思維建模來給不確定性問題提供自然的解決機制；粗糙集在屬性約簡和規則抽取方面性能優良；神經網絡對噪聲具有強魯棒性，分類精度高；遺傳算法廣泛用于優化搜索問題。 同時，以上軟計算方法依照算法的不同有各自的局限性：模糊集過度依賴專家知識，遺傳算法收斂速度慢、穩定性差，神經網絡訓練時間過長、知識解釋性差，而粗糙集對數據中的噪聲較敏感。本文為了克服單一方法的局限，試圖通過集成兩種或兩種以上的軟計算方法的軟計算融合系統來解決供應鏈績效評價的實際問題［6, 7］。

財經理論與實踐(雙月刊)2011年第5期2011年第5期(總第173期)鄭 培，萬 煒：基于智能信息處理的供應鏈績效評價方法

（五）軟計算融合技術在動態供應鏈績效評價中的應用

作者詳細研究了模糊綜合分析、粗糙集理論、神經網絡等軟計算技術在動態供應鏈績效評價中的應用方法。從文獻［16-17］實驗結果可以初步看出，通過把幾種軟計算技術融合起來應用于供應鏈績效評價，就能夠克服單一智能信息處理方法的缺陷，取得更好的效果。本文使用的幾種軟計算技術能在多個方面進行融合［6, 7］。

粗糙集和神經網絡的融合。通過粗糙集的屬性約簡可以顯著減少原始數據量，使神經網絡訓練時間縮短，從訓練后的神經網絡中抽取規則也可顯著提高神經網絡中知識可理解性；神經網絡的強魯棒性也可解決粗糙集處理數據中的噪聲問題。

粗糙集理論和模糊集理論的融合。粗糙集理論和模糊集理論都是研究信息系統中知識不完善、不精確問題的方法，但粗糙集理論解決問題的出發點是信息系統中知識的不可分辨性，而模糊集理論則關注信息系統中知識的模糊性，兩者在處理方法上各有特色。兩者的結合可以更好地解決信息系統中不完善、不精確性知識的問題。

模糊集和神經網絡的融合。模糊集和神經網絡的融合主要有模糊神經網絡和神經模糊系統。神經模糊系統以神經網絡為主，結合模糊集理論，將神經網絡作為實現模糊模型的工具，即在神經網絡的框架下實現模糊系統或其一部分功能。從結構上看，一般是四層或五層的前向神經網絡。模糊神經網絡是神經網絡的模糊化，即以模糊集、模糊邏輯為主，結合神經網絡方法，利用神經網絡的自組織性，達到柔性信息處理的目的。

三、基于智能信息處理的供應鏈績效評價方法比較

（一）基本思路

在作者以前的研究里，曾應用模糊綜合分析、粗糙集理論和BP神經網絡等智能信息處理方法建立了多個供應鏈績效評價模型，本文對這些評價模型的效果和優缺點進行了分析和總結。我們的基本思路是以某動態供應鏈為例，選取合適的績效指標集，對得到的績效指標按照評價模型的數據要求進行預處理，然后輸入到不同的動態績效評價模型中進行處理，對各個績效評價模型進行解算。通過對模型輸出的結果的比較和分析來歸納各個績效評價模型的主要特點，并對評價模型的實際效果進行總結。

（二）數據預處理

如前所述，本文已經根據文獻［15］提出的供應鏈五維平衡計分卡，選擇了15個關鍵績效指標作為動態供應鏈的績效評價指標集C，C＝{F1, F2, F3, C1, C2, C3, P1, P2, P3, P4, L1, L2, L3, S1, S2}。在15個績效指標中，既有定性指標，也有定量指標。由于BP神經網絡只能處理數值向量，因此在這些績效指標輸入BP網絡訓練之前必須對它們進行預處理。在基于粗糙集理論的供應鏈績效評價模型里，根據決策表信息約簡的要求，需要對所有屬性的取值進行離散化處理。這里對某動態聯盟供應鏈績效決策表條件屬性采用表1的方法進行離散化處理。

假設根據歷史經驗或供應鏈行規，把供應鏈的績效評價結果劃分為G1、G2、G3、G4四個等級，分別對應供應鏈績效評價為優、良、中、差的狀態，其劃分的依據如表1所示。

在基于模糊綜合評估的供應鏈績效評價模型里，表1將作為構造各績效指標屬于各類的隸屬度函數的依據。

（三）實驗結果比較與分析

實驗的數據源仍采用文獻［15］某供應鏈相關指標的調查結果，經調查得到該供應鏈在2007年1~12個月的績效指標取值和績效綜合評價結果。本文已經詳細討論了對該供應鏈績效采用基于BP網絡訓練和學習的過程，并結合粗糙集約簡給出兩者相結合的混合績效評價方法及結果。

BP網絡學習完畢后，就可以用來對下一評估時刻的供應鏈績效進行預測。針對上述供應鏈，經調查得到該供應鏈在2008年前4個月的績效指標取值結果，如表2所示。

將上述各績效指標規一化后輸入訓練好的BP網絡，得到相應的輸出向量分別為(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)。據此可判斷該供應鏈在2008年1~4月的績效綜合評價結果分別為G2、G3、G2、G1。

進一步，針對表1所示的供應鏈績效分級標準，可以通過Rough約簡得到供應鏈績效分級決策表的最佳約簡，即供應鏈績效評價的關鍵績效指標集。通過約簡得到供應鏈績效評價的關鍵指標集為{F1, F2, F3, C1, C2, P1, P2, P3, L1, L2, L3, S1}，這樣這12個關鍵績效指標就構成了BP網絡的輸入層節點。把表2所示的供應鏈在2008年1~4月的關鍵績效指標量化結果輸入訓練好的BP網絡，可求出其相應的績效評價結果分別為G2、G3、G2、G1，與供應鏈績效實際調查結果一致。

下面，針對同一供應鏈，分別采用基于粗糙集理論的動態供應鏈績效評價模型、基于模糊綜合評估的供應鏈績效評價模型及兩者的結合來得出供應鏈績效評價結果，并進行方法間的比較。

在基于粗糙集理論的供應鏈績效評價模型里，先對各績效指標進行離散化處理,離散化后的該動態供應鏈績效決策表如下。

對于表3所示的績效評價決策表，利用約簡算法對決策表進行屬性約簡，以便去掉決策表的冗余條件屬性。進一步，利用歸納值約簡算法對績效決策表進行值約簡，可以得到一系列用于供應鏈績效評價的決策規則集。由于決策屬性值被離散化為四個等級，亦即信息系統具有四個概念。針對這四個概念的最一般規則分別為：

根據上述關于決策屬性取值的最一般規則，就可以對某一考察周期動態聯盟的綜合績效評價結果作出判斷。當條件屬性集不完全滿足規則前件時，可以選取關于各個概念的次一般(或可信度較高)的生成式規則對績效作出綜合評估。

把表2所示的該供應鏈在2008年前4個月的績效指標離散化，然后針對上述供應鏈績效評價決策規則進行匹配，可得這4個月供應鏈績效綜合評價結果分別為G3、G3、G2、G1。

接著，采用模糊綜合評估方法來對同一供應鏈的績效評價結果進行分析。首先建立模糊關系矩陣，單因素評價矩陣取各因素在評價集上的隸屬度，各隸屬度函數均取為二次函數。根據供應鏈績效分類標準表1，建立F1屬于各類的隸屬度函數為：

同理，可分別建立其它績效指標屬于各類的隸屬度函數，對應績效評價指標集C的權向量取為：

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，由模糊綜合評估法可求出該供應鏈在2008年前4個月的績效分別為G3、G3、G2、G1。

最后，采用結合了粗糙集約簡和模糊綜合評估的動態供應鏈績效評價方法來得到該供應鏈績效評價結果。首先借助于動態供應鏈績效評價決策表對績效評價指標進行約簡和降維，通過Rough約簡得到供應鏈績效評價的關鍵績效指標集為{F1, F2, F3, C1, C2, P1, P2, P3, L1, L2, L3, S1}，根據供應鏈績效分類標準表2分別建立上述關鍵績效指標屬于各類的隸屬度函數，然后利用模糊評估方法對供應鏈績效進行綜合評價。根據該混合供應鏈績效評價方法求出該供應鏈在2008年前4個月的績效分別為G2、G3、G3、G1。

我們給出了采用上述五種基于智能信息處理的績效評價方法得到的該供應鏈在2007年1月~2008年4月間績效評價結果的變化趨勢，如圖1所示。其中，如圖例所示圓圈、方塊實線、下三角實線、粗標圓卷實線和帶星虛線分別代表了對應月份由五種評估方法得到的供應鏈績效評價結果。

圖1 某供應鏈采用五種績效綜合評估方法得到的評價結果

從圖1可以看出，采用五種不同的供應鏈績效評價方法得到的結果略有差異。這一差異由多種原因引起，首先基于BP神經網絡的績效評價方法和基于粗糙集理論的績效評價方法都是有監督的智能學習算法，即在對動態供應鏈績效評價結果作出預測之前，都有個訓練的過程，這需要大量的歷史數據。而基于模糊綜合評估的供應鏈績效評價方法隸屬度函數主要由績效分級標準確定，并不“顯式”地需要歷史績效結果。其次，許多基于智能信息處理的績效評價模型都需要事先確定一些參數，如BP網絡需要確定網絡結構、學習速率、沖量因子；模糊綜合評估需要確定指標權值和隸屬度函數表示方法等。另外，不同的績效評價模型對輸入數據的要求各不相同，BP神經網絡和模糊綜合評估處理的是連續數據，粗糙集約簡處理的是離散數據，而實際獲得的績效指標中既有定性指標，也有定量指標，這就需要在績效指標輸入模型之前進行預處理，預處理方法的不同導致模型輸出有很大的差異。上述幾種不同的基于智能信息處理的供應鏈績效評價方法輸出結果與供應鏈實際績效基本相符，在實際使用時要根據情況靈活選擇。

此外,實驗結果也表明通過幾種智能信息處理方法融合在動態供應鏈績效評價中能取得更好的效果。通過粗糙集約簡和模糊綜合評估的融合，顯然縮小了數據處理的規模，降低了評估模型的計算復雜度，同時克服了模糊評估過度依賴專家知識（領域知識）的缺點。通過粗糙集約簡和BP神經網絡的融合，降低BP網絡的設計復雜度，克服了神經網絡訓練時間長、知識解釋性較差的缺點。兩種融合方法都保持了較高的準確度，在動態供應鏈績效評價中更為有效。

本文的研究結果彌補了目前國內外動態供應鏈績效評價中智能信息處理方法的融合理論研究少、應用不夠深入的缺點，對實際供應鏈運作與管理中基于軟計算的動態績效評價模型和方法的選擇與應用具有理論指導意義。

四、結 論

軟計算作為知識獲取和智能信息處理的重要手段，在供應鏈績效評價領域有著良好的應用前景。越來越多的學者開始集成兩種或兩種以上的軟計算方法的智能信息融合算法來克服單一方法的局限性。本文針對之前使用的模糊綜合評估、粗糙集約簡及BP神經網絡等軟計算方法在動態供應鏈績效評價中的主要特點和效果進行了簡要的比較和分析，指出了每種方法的優缺點。然而，由于每種智能信息處理方法存在著本質上的差異，對這些方法間的效果差異進行嚴格的比較存在理論上的困難。某種智能信息處理方法可能適用于某種供應鏈，而另一種智能信息處理方法則可能更適用于另一種供應鏈。因此，在實際使用時，要根據供應鏈具體情況靈活選擇或融合多種智能信息處理方法以取得更好的效果。

參考文獻：

［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］曹慶奎,阮俊虎.基于粗糙集-未確知測度的礦井通風系統合理性評價［J］.科學決策,2009.5:89-94.

［11］劉敬學,陳曦. 基于神經網絡的專家預測方法研究［J］.科學決策,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］鄭培，黎建強. 基于BP神經網絡的供應鏈績效評價方法［J］.運籌與管理，2010,19(2):26-32.

［15］宋莎莎,戴鋒,衛保璐.基于模糊層次分析法和聚類分析的突發事件分級研究［J］.科學決策,2010,10:68-72.

［16］鄭培，黎建強. 基于模糊評估和馬爾可夫預測的供應鏈動態平衡記分卡研究 ［J］. 系統工程理論與實踐，2008，4(4): 57-64.

［17］鄭培，黎建強. 基于粗糙集理論的供應鏈動態績效評估方法研究 ［J］. 運籌與管理,2008,10(5):6-11.

［18］王俊峰,劉立東.基于博弈論的閉環供應鏈中三方協調研究［J］.科學決策,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

關鍵字：計算機視覺；作物病害診斷；進展；模式識別

中圖分類號：TP311 文獻標識號：A 文章編號：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

在作物生產中，病害是制約作物質與量的重要因素。病害發生，往往致使作物的使用價值降低，甚至還會導致大面積減產，乃至絕收，造成巨大的經濟損失。因此，在作物生長過程中，病害防治是個關鍵的問題之一。因各種原因植保人員匱乏，而種植戶個體素質差異及受一些主觀人為因素的影響，對作物病害診斷存在主觀性、局限性、模糊性等，不能對作物病害的類型及受害程度做出客觀、定量的分析與判斷，結果要么是藥量不對、要么是藥不對癥，嚴重影響了作物的質與量。

計算機視覺也稱為機器視覺，是研究如何用計算機來模擬和再現人類視覺功能的科學，也被稱為圖像理解和圖像分析，是人工智能領域的一個重要分支。隨著計算機技術、圖像處理和人工智能等學科的發展，以及數碼相機、手機等攝像工具像素的提高，將機器視覺用于作物病害診斷，實現作物病害的無損檢測、快速診斷提供了新的途徑和方法[1]。報道最早的是在1989年穗波信雄等人[2]對采集的缺乏鈣、鐵、鎂營養元素的茨菇葉片圖像進行研究，在RGB模型中，利用直方圖分析了正常和病態的顏色特征。為適應農業信息化的迫切需求，國內外學者對機器視覺用于作物病害診斷進行了研究和實踐，而取得進展主要集中在近10年，涉及的作物有水稻、玉米、小麥、葡萄、黃瓜、甘蔗、蔬菜等病害[3-14]，這些研究針對不同作物，從不同側面為作物病害實現自動化診斷提供了理論和實踐基礎。因機器視覺比人眼能更早發現作物因病蟲危害所表現的顏色、紋理、形狀等細微變化，所以利用這種技術病害病害與人工方式相比，提高了診斷的效率和精準度，為作物保護智能化、變量噴藥等提供了科學依據。

本文綜述和歸納了機器視覺診斷作物病害的主要技術：病害圖像采集、增強處理、病斑分割、特征提取、特征優化、病害識別等各環節的方法及現狀，指出了機器視覺診斷作物病害存在的不足和研究方向。該研究對實現作物病害的機器視覺診斷技術的發展將起到重要的推動作用。

1機器視覺識別作物病害的技術路線與進展

作物病害因其病原物種類不同會產生形狀、顏色、紋理等不同的病斑，通常專業植保技術人員就是根據這些特征判斷病害的。機器視覺診斷作物病害是通過無損采集病害圖像，利用圖像處理技術對圖像增強處理、分割病斑，提取病斑特征、優化特征，用模式識別技術診斷病害類別及危害程度，從而為病害的防治提供科學依據。圖1為機器視覺診斷作物病害的技術路線圖。

圖1機器視覺識別作物病害技術路線圖

Fig 1 Technology roadmap of machine vision recognition crop diseases

1.1病害圖像采集與增強處理

（1）病害圖像采集方法。圖像采集是病害識別的第一步，采集的質量會直接影響識別結果。常用采集設備有數碼攝像機、掃描儀、數碼相機、手機等。其中，數碼相機便于攜帶，能滿足圖像清晰度要求，符合野外作業等特點，因此病害圖像采集中用得較多。依據采集環境氛圍分為室內采集和室外（田間）采集兩種。室內采集是將田間采摘到的病害標本經密封保濕后使用CCD攝像機或數碼相機在室內攝取病害的標本圖像。在田間采集圖像中，有學者為了采集到高質量的圖像，采取了一系列措施以減少外界因素的影響。如陳佳娟[5]采用便攜式掃描儀采集圖像，以減少自然光照對圖像質量的影響。徐貴力等人[6]設計了活體采光箱，使照射光變成反射光，從而避免了陰影，以減少誤差。這種規范圖像采集方式雖簡化了后期圖像處理和識別的難度，但基層生產單位可能缺乏配套的技術設備，且會使病害識別過度依賴圖像。為擴展應用范圍和通用性，有學者對在田間自然光照射下直接獲取的病害圖像，用圖像處理和模式識別技術診斷病害進行了研究，如李宗儒[7]用手機拍攝了蘋果的圓斑病、花葉病等5種病害圖像，對病害圖像增強處理、分割病斑，提取病斑特征，用BP神經網絡識別病害，獲得了較好效果。姜武[8]用Canon EOS 50D相機在陽光充足的早晨拍攝山茶葉片圖像，進行顏色分形和RGB強度值提取，用支持向量機對山茶分類識別，取得了較好效果。

（2）圖像增強方法。在采集圖像過程中，因受設備、環境等因素影響，往往使采集到的圖像含有噪聲，若不對其增強處理會影響到病害的正確識別率。病害圖像增強是為病斑分割，特征提取做準備，所以應確保在去除噪聲的同時，保證病斑邊緣不模糊。圖像增強處理根據其處理的空間不同，分為空域法和頻域法。空域法是對圖像本身直接進行濾波操作，而頻域法是對圖像進行轉化，將其轉化到頻率域中去噪處理，之后再還原到圖像的空間域。圖像增強處理常用方法有：直方圖均衡化、對比度增強、均值濾波、中值濾波、高斯濾波、銳化等。王靜[9]利用數碼相機采集了赤星病與野火病兩種病害圖像80幅，采用灰度圖像直方圖均衡化及中值濾波兩種方法對圖像增強處理，實驗表明，中值濾波去噪效果最好，在保留圖像病斑邊緣信息的同時，使病斑輪廓與細節更加清晰，便于后期病斑分割及特征提取。劉芝京[10]采集黃瓜早、中、晚期的角斑病病害圖像，分別用均值濾波、中值濾波、高斯濾波等對圖像處理，實驗表明這些去噪方法中，高斯濾波效果最好。

1.2病斑特征獲取

（1）病斑分割

計算機視覺主要是依據病斑的特征信息診斷病害類別及危害程度的。因此，彩色病斑的準確分割，是后期提取病斑特征，病害類別的客觀、準確診斷的關鍵環節之一。當前針對作物病害圖像分割算法有閾值分割、空間聚類、區域分割、邊緣檢測分割、計算智能方法等。由于作物病害圖像存在背景復雜、病斑區域排列無序、顏色、紋理分布不均、病斑邊界模糊、葉片表面紋理噪聲等干擾，因此尚無一種魯棒性好，且簡單適用的通用方法，也還沒有一種判斷分割是否成功的客觀標準。近年來學者們對作物病害圖像的分割進行了大量研究，試圖尋找一種更具潛力的分割算法，以期獲得更完美，通用的分割方法。趙進輝等人[11]分析了甘蔗病害圖像的顏色與形狀特征，采用面積閾值及鏈碼分割赤腐病和環斑病病斑，收到了較好的效果。管澤鑫等人[12]提取水稻病斑與斑點外輪廓顏色，用最大類間方差法（Otsu[13]）分割病斑，取得了較好的效果。邵慶等人[14]以小麥條銹病為例，對獲取的小麥病害圖像采用迭代閾值分割和微分邊緣檢測分割病斑。溫長吉等人[15].用改進蜂群算法優化神經網絡實現玉米病害圖像分割。祁廣云等[16]采用改進的遺傳算法及BP神經網絡對大豆葉片病斑分割，能有效提取病斑區域。毛罕平等人[17-18]利用模糊C均值聚類對棉花、玉米病害圖像的病斑進行分割。張飛云[19]采用K-means硬聚類算法對玉米葉部病害圖像分割，得到彩色病斑。張芳、仁玉剛[20-21]用采分水嶺算法分割黃瓜病害圖像，正確率均在90%以上。劉立波[22]對水稻葉部病害圖像的分割進行研究，結果證明，模糊C均值聚類法的分割效果較好，但速度欠佳，Otsu法分割效果略差，但速度較快。濮永仙[23]利用支持向量機檢測煙草病斑邊緣，以分割彩色病斑。石鳳梅等人[24]利用支持向量機分割水稻稻瘟病彩色圖像病斑，其分割效果優于Otsu法。

（2）病斑特征提取

計算機視覺識別作物病害用到的特征主要有顏色、紋理、形狀等特征。顏色是區分病害類別的重要特征，有RGB、HSI、Lab、YUV等7種顏色空間模型，可得到顏色特征值和顏色特征差異，而模型的選擇會影響到病害識別效果。紋理是指圖像中反復出現的局部模式及排列規則。作物病害圖像正常與病變部分的紋理在粗細、走向上有較大差異。紋理特征有基于灰度直方圖的統計測度，基于灰度共生矩陣的紋理特征和基于游程的紋理描述特征。提取紋理特征的方法有分形維數、小波變換、Gabor小波變換、局域二值模式，以及Gabor分塊局域二值模式方法等。形狀常與目標聯系在一起，形狀特征可以看作是比顏色和紋理更高層的特征，它能直觀描述目標和背景之間的區別，不同病害的病斑在尺寸大小、似圓性、長短軸等方面有不同特性，對旋轉、平移有很強的穩定性。提取病斑形狀特征的方法有弗里曼鏈碼法，傅里葉描述子，多尺度曲率空間方法等。王美麗等人[25] 在HSV顏色空間提取小麥白粉病和銹病病害圖像的顏色和形狀特征，對病害進行識別，識別率達96%以上。蔡清等人[26]對蟲食菜葉圖像處理后，提取其形狀的圓形度、復雜度、球形度等7個特征，用BP神經網絡識別病害。王克如[27]提取玉米病害圖像中紋理特征的能量、熵及慣性矩作為識別病害的特征，實驗得出，以單個特征識別正確識別率達90%，綜合應用三個紋理特征，識別率達100%。田有文等人[28]提取葡萄葉部病斑的顏色、紋理、形狀特征，用支持向量機識別，實驗表明，綜合應用三種特征的識別率比只用單一特征的識別高。李旺[29]以黃瓜葉部3種常見病害圖像為研究對象，提取病斑顏色、紋理和形態特征總共14個特征，用支持向量機識別，實驗表明，分別以顏色、紋理、形狀特征識別，識別率分別為72.23%、90.70%、90.24%，綜合3種特征識別率為96.00%。

（3）特征優化

特征優化是指在特征提取完成后，將特征因子中對識別病害貢獻低的因子丟棄，以確保在降低特征維度的同時，能提高病害的識別率。常用的特征優化方法有：逐步判別法、主成分分析法、遺傳算法等。實踐證明，優化后的特征能更好的表征病害，能在特征減少的情況下提高診斷的正確率。管澤鑫等人[12]提取水稻3種常見病害圖像的形態、顏色、紋理共63個特征，用逐步判別法對特征優化，用貝葉斯判別法識別病害，可使特征數減少到原來的35.2%，而病害準確識別率達97.2%。柴洋等人[30]提取了番茄早疫病、晚疫病等4種葉部病害圖像的顏色、紋理和形狀共18個特征，用逐步判別法優化，最終選取12個特征，用主成分優化后綜合成2個新變量，分別用貝葉斯判別法和用費歇爾判別函數識別病害，均取得了較好的效果。陳麗等人[31]提取了玉米5種葉部病害圖像病斑特征，用遺傳算法優化特征，用概率神經網絡識別病害，識別率為90.4%。彭占武[32]提取了黃瓜6種常見病害圖像的顏色、紋理、形狀特征14個，用遺傳算法優化得到8個特征，用模糊識別模式識別病害，其識別率達93.3%。濮永仙[33]提取了煙草常見病害圖像的顏色、紋理及形態共26個特征，用雙編碼遺傳算法與支持向量機結合優化特征，最后得到16個特征，該方法與沒有采用遺傳算法的支持向量機識別相比，在同等條件下，特征向量減少了38%，正確率提高了6.29%。所謂雙編碼遺傳算法，即二進制編碼和實數編碼結合，支持向量機作為底層分類器，分類精度作為遺傳算法的適應度對個體進行評估，在去除冗余特征的同時為保留的特征賦予權重，如圖2所示。韓瑞珍[34]提取了害蟲的顏色、紋理特征共35個，用蟻群算法對特征優化，將35個特征降低到29個，識別準確率從87.4%提高到89.5%。

圖2雙編碼遺傳算法中的個體

Fig 2 Individual in the double coding genetic algorithm

1.3病害模式識別

模式識別也叫模式分類，指依據輸入的原始數據，判斷其類別并采取相應的行為[35]。病害模式識別的任務是依據特征數據由分類器完成分類的，分類器設計和特征描述共同決定了模式識別系統的性能。用于病害識別的模式可分為統計模式、句法結構模式、模糊模式和機器學習方法四類。其中，統計模式識別是用概率統計原理，獲取滿足某種已知分布的特征向量，然后通過決策函數來分類，不同的決策函數能夠產生不同的分類方法。常見的統計模式識別方法有兩種：一是由Neyman決策和貝葉斯決策等構成的基于似然函數的分類方法，另一種是基于距離函數的分類識別方法。模糊模式識別是基于模糊理論利用模糊信息進行模糊分類的，主要方法有最大隸屬原則識別法、接近原則識別法和模糊聚類分析法三種。機器學習指計算機模擬或者實現人類的某些行為，它的應用已涉及很多領域。目前常用于作物病害識別的機器學習方法有人工神經網絡、支持向量機（SVM）、移動中心超球分類器等。其中，支持向量機分類器是目前機器學習領域的研究熱點之一，它能夠較好地解決小樣本、非線性、高維數的分類問題，且具有良好的推廣和泛化能力。神經網絡是基于經驗風險最小化原則，以訓練誤差最小化為優化目標，而SVM以訓練誤差作為優化問題的約束條件，以置信范圍最小化為優化目標，所以SVM的解具有唯一性，也是全局最優[36]。移動中心超球分類器是近年來新提出的一種分類器，它是一種對參考樣本進行壓縮的方法，可以節省空間，但其識別率不如人工神經網絡高。以下是在作物病害診斷中較成功的幾種識別模式及技術進展。

1.3.1 貝葉斯判斷法

貝葉斯判別法是一種典型的基于統計方法的分類器。它的基本原理是將代表模式的特征向量X分到m個類別（C1，C2，…，Cm）中的某一類。操作步驟為：

（1）設樣本有n個屬性（W1，W2，…Wn），每個樣本可看作是n維空間的一個點X=（x1，x2，…，xn）；

（2）設有m個不同的類（C1，C2，…，Cm），X是一個未知類別的樣本，預測X的類別為后驗概率最大的那個類別；3）用貝葉斯后驗概率公式計算，并進行比較，依據后驗概率可將樣本X歸到Ci類中，當且僅當>，成立。貝葉斯分類器因其結構簡單、易于擴展等特點，被廣泛用于作物病害診斷。楊昕薇等人[37]對3種寒地水稻常見病害圖像處理、提取特征，用貝葉斯判別法識別病害，其識別率達97.5%。趙玉霞等人[38]提取玉米銹病、灰斑病等5種病斑圖像的特征，利用樸素貝葉斯分類器識別，其識別精度在83%以上。柴阿麗等人[39]提取了番茄早疫病、晚疫病等4種葉部病害圖像病斑的顏色、紋理和形狀特征，優化特征后，用貝葉斯判別法識別病害，其識別率達94.71%。

1.3.2 人工神經網絡識別法

神經網絡技術是目前廣泛使用的一種機器學習方法，其研究工作始于19世紀末20世紀初[40]，因具有并行處理、非線性映射、自適應學習、魯棒容錯性等優點，以及采用數據驅動模式，故在模式識別領域得到廣泛應用。人工神經網絡診斷作物病害的基本步驟是：構建神經網絡識別模型，將已提取并優化好的病害圖像特征數據作為分類器的輸入特征矢量對模型訓練，經過訓練后的模型可實現作物病害的分類識別。目前應用于作物病害識別的人工神經網絡主要有：BP神經網絡、概率神經網絡、自組織特征映射網絡，并衍生出模糊神經網絡、量子神經網絡等。BP神經網絡具有較好的自學習性、自適應性、魯棒性和泛化性。概率神經網絡是徑向基網絡的一個重要分支，其分類器是一種有監督的網絡分類器，在識別過程中隨著訓練病害種類的增加[41]，其運算速度會減慢。自組織特征映射網絡分類器是于1981年提出的一種由全連接的神經元陣列組成的自組織自學習網絡[42]，可以直接或間接地完成數據壓縮、概念表示和分類的任務，多項實驗表明它的病害圖像識別率都在90%以上。模糊神經網絡是模糊理論同神經網絡相結合的產物，它匯集了神經網絡與模糊理論的優點，集學習、聯想、識別、信息處理于一體。量子神經網絡是量子計算理論和人工神經網絡結合的產物，并集成了兩者的優點。王軍英[43]以葡萄發病部位、病斑形狀、病斑顏色和主要癥狀為特征，用改進的BP神經網絡識別病害，識別率達95.36%。譚克竹等人[44]用BP神經網絡識別大豆的灰斑病、霜霉病和斑點病的特征與病害的關系，其輕度病害的識別精度為87.19%，中度病害的識別精度為90.31%，重度病害的識別精度為93.13%。魏清鳳等人[45]利用模糊神經網絡診斷模型以診斷蔬菜病害，其病害識別率達85.5%。張飛云[19]提取了玉米灰斑病、銹病和小斑病病害圖像的顏色、紋理、形狀特征，用量子神經網絡進行病害識別，其平均識別率達94.5%。陳麗等人[31]對田間采集的玉米葉部病害圖像，對圖像分割、特征提取，利用概率神經網絡識別病害，其識別率為90.4%，同樣條件下高于BP神經網絡。

1.3.3 支持向量機識別法

支持向量機[46]（Support Vector Machine，簡稱SVM）是Vapnik等人提出的一款新型的機器學習方法。SVM有線性可分和線性不可分兩種情況，采用不同的核函數會有不同的SVM 算法。常用的核函數有：線性核函數、多項式核函數、徑向基核函數、Sigmoid核函數等。SVM在基于數據的機器學習領域，它兼顧訓練誤差和泛化能力，在解決小樣本、非線性、高維數、局部極小值等模式識別問題中表現出許多特有的優勢[47-48]，在基于圖像診斷作物病害領域應用越來越多。宋凱等人[49]提取了玉米葉部病害圖像特征，選擇基于SVM的不同的核函數識別病害，其中徑向基核函數的正確識別率為89.6%，多項式核函數為79.2%，Sigmoid核函數的識別性能最差。劉鵬[50]提取甜柿病害圖像的紋理特征和顏色特征采用SVM識別病害，結果表明，當SVM類型為nu-SVR，核函數為Sigmoid，參數C=26、ξ=24時識別效果最好。田有文等人[51]用支持向量機識別黃瓜病害，實驗表明，SVM方法在處理小樣本問題中具有良好的分類效果，線性核函數和徑向基核函數的SVM分類方法在黃瓜病害的識別方面優于其他類型核函數的SVM。越鮮梅[52]提取了向日葵葉部的葉斑病、黑斑病、霜霉病3種病害圖像的顏色矩、紋理特征共9個特征，采用一對一投票決策的SVM多分類模型識別病害，取得了較好的效果。劉立波[22]提取了水稻常見葉部病害圖像的顏色、紋理、形狀等特征，對特征優化后，分別用最近鄰域、BP神經網絡和SVM方法識別病害，其中識別率最高的是SVM，BP神經網絡居中，最近鄰域法最差，BP神經網絡的訓練速度最慢。

2機器視覺識別作物病害存在的問題與進一步研究重點

將計算機視覺用于作物病害診斷，以改變傳統的診斷方式，為種植戶準確診斷病害，以及變量施藥提供了決策支持。目前，計算機視覺診斷作物病害雖然取得了一定的進展，但從研究的深度、應用的范圍和實用化角度看，還存在許多不足，還需進一步深入研究。

2.1機器視覺診斷作物病害存在的問題

筆者查閱了大量文獻，對目前常用的機器視覺識別作物病害的技術進行了研讀，目前機器視覺識別作物病害的技術還不夠成熟，存在以下問題：

（1）在實驗室條件下計算機視覺診斷作物病害正確率高，但應用到田間，難度較大，主要原因是大多研究是在簡單背景下、對少數幾種病害圖像診斷，而對大田復雜背景下診斷多種病害的研究還比較少。

（2）病害圖像分割背景簡單，對于自然狀態和復雜背景下的病害圖像分割有待進一步的研究。

（3）因作物病斑的大小、顏色等圖像特征在不同時期有差異，對于某一發病時期建立的作物病害診斷系統，用于不同發病時期診斷識別率會有所不同。

（4）許多分類算法和分類器都存在各自的優缺點，不能適合所有作物病害識別，沒有統一的評價標準，難以實現各診斷系統之間的客觀比較。

（5）不同研究者使用的病害圖像各不相同，難以比較不同。

（6）機器視覺診斷作物病還是少數專家對某類作物在局部范圍內的研究，很難滿足現實生產的多種作物、不同區域同時診斷的要求。

2.2進一步研究重點

根據以上存在的問題，今后的研究方向和重點為：

（1）機器視覺識別作物病害技術從實驗室向大田擴展時，需綜合考慮所提取的病害圖像特征在復雜背景下的可獲取性、穩定性、可操作性等。

（2）機器視覺診斷作物病害系統應充分考慮不同發病時期，識別特征的變化規律。

（3）研究適合多種作物在復雜背景下實現病斑分割、特征提取等高效的圖像處理算法，在模式識別方面要側重于模糊數學、支持向量機、神經網絡、遺傳算法、組合優化等理論與技術的研究。

（4）建立規范統一的作物病害圖像數據庫，圖像可普遍獲取，建立合理完善的病害分割、特征提取、病害種類識別等系統，以及病害評價標準。

（5）模式識別病害中的算法需進一步發展和優化，建立統一的評判標準，評價方法適合所有的識別算法和各應用領域，采用定量和客觀評價準則，可精確描述算法性能，評判應擺脫人為因素。

參考文獻：

[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.圖像處理在植物生長信息提取中的應用[R].日本：農業機械學會關西支部研究會資，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]陳佳娟，紀壽文，李娟，等.采用計算機視覺進行棉花蟲害程度的自動測定[J].農業工程學報，2001，17（2）：157-160.

[5]賈浩.基于計算機視覺的玉米葉部病害識別技術研究[D]. 泰安：山東農業大學，2013.

[6]徐貴力，毛罕平，李萍萍，等.差分百分率直方圖法提取缺素葉片紋理特征[J].農業機械學報，2003，34（2）：76-79.

[7]李宗儒.基于圖像分析的蘋果病害識別技術研究[D].楊凌：西北農林科技大學，2010.

[8]姜武.模式識別技術在山茶屬植物數值分類學和葉綠素含量預測中的應用研究[D]. 金華：浙江師范大學，2013.

[9]王靜.基于圖像處理技術的煙葉病害自動識別研究[D]. 昆明：昆明理工大學，2009.

[10]劉芝京.基于圖像處理的黃瓜細菌性角斑病的識別研究[D]. 成都：西華大學.2012.

[11]趙進輝，羅錫文，周志艷.基于顏色與形狀特征的甘蔗病害圖像分割方法[J].農業機械學報，2008，39（9）.

[12]管澤鑫，唐健，楊保軍，等.基于圖像的水稻病害識別方法研究[J].中國水稻科學，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]邵慶，張楠，路陽.小麥病害圖像識別處理及形狀特征提取研究[J].農機化研究，2013，35（8）：35-37.

[15]溫長吉，王生生，于合龍，等.基于改進蜂群算法優化神經網絡的玉米病害圖像分割[J].農業工程學報，2013，29（13）：142-147.

[16]祁廣云，馬曉丹，關海鷗.采用改進的遺傳算法提取大豆葉片病斑圖像[J].農業工程學報.2009，25（5）.

[17]毛罕平，張艷誠，胡波.基于模糊C均值聚類的作物病害葉片圖像分割方法研究[J].農業工程學報.2008，24.

[18]張柏毅，朱景福，劉勇.基于模糊C-均值聚類的作物葉部病斑圖像分割[J].智能計算機與應用.2011，3（10）.

[19]張云飛.基于量子神經網絡和組合特征參數的玉米葉部病害識別[J].南方農業學報，2013，44（8）：1286-1290.

[20]張芳.復雜背景下黃瓜葉部病害識別方法研究[D]. 沈陽：沈陽農業大學，2014.

[21]任玉剛，張建，李淼，等.基于分水嶺算法的作物病害葉片圖像分割方法[J].計算機應用，2012，32（3）：752-755.

[22]劉立波.基于圖像的水稻葉部病害診斷技術研究[D]. 北京：中國農業科學院，2010.

[23]濮永仙.基于支持向量機與多特征選擇的作物彩色病斑邊緣檢測[J].計算機應用系統，2014，9（23）：118-123.

[24]石鳳梅，趙開才，孟慶林，等.基于支持向量機的水稻稻瘟病圖像分割研究[J].東北農業大學學報，44（2）：128-135.

[25]王美麗，牛曉靜，張宏鳴，等.小麥葉部常見病害特征提取及識別技術研究[J].計算機工程與應用， 2014，50（7）：154-157.

[26]蔡清，何東健.基于圖像分析的蔬菜食葉害蟲識別技術[J].計算機應用， 2010，7（30）：1870-1872.

[27]王克如.基于圖像識別的作物病蟲草害診斷研究[D]. 北京：中國農業科學院，2005.

[28]田有文，李天來，李成華，等.基于支持向量機的葡萄病害圖像識別方法[J].農業工程學報，2007，23（6）：175-179.

[29]李旺.基于圖像處理的黃瓜葉部病害識別研究[D]. 長沙：湖南農業大學，2013.

[30]柴洋，王向東.基于圖像處理的溫室大棚中番茄的病害識別[J].模式識別與仿真，2013，32（9）：83-88.

[31]陳麗，王蘭英.概率神經網絡在玉米葉部病害識別中的應用[J].農機化研究，2011，（6）：145-148.

[32]彭占武.基于圖像處理和模式識別技術的黃瓜病害識別研究[D].長春：吉林農業大學，2007.

[33]濮永仙，余翠蘭.基于雙編碼遺傳算法的支持向量機作物病害圖像識別方法[J].貴州農業科學，2013，7（41）187-191.

[34]韓瑞珍.基于機器視覺的農田害蟲快速槍測與識別研究[D].杭州：浙江大學，2014.

[35]邊肇祺，張學工.模式識別[M].北京：清華大學出版社，2002：284-304.

[36]奉國和.基于聚類的大樣本支持向量研究[J].計算機科學，2006，33（4）：145-147.

[37]楊昕薇，譚峰.基于貝葉斯分類器的水稻病害識別處理的研究[J].黑龍江八一農墾大學學報，2012，24（3）：64-67.

[38]趙玉霞，王克如，白中英等.基于圖像識別的玉米葉部病害診斷研究[J].中國農業科學 2007，40（4）：698-703

[39]柴阿麗，李寶聚等.基于計算機視覺技術的番茄葉部病害識別[J].園藝學報，2010，37（9）：1423-1430.

[40]Han Jiawei，Kamber M.數據挖掘概念與技術[M].第二版. 范明，孟小峰，譯.北京：機械工業出社，2007：251-306.

[41]賀鵬，黃林.植物葉片特征提取及識別[J].農機化研究，2008（6）：168-170.

[42]楊占華，楊燕.SOM神經網絡算法的研究與進展[J].計算機工程，2006，32（16）：201-228.

[43]王軍英.基于BP神經網絡的葡萄病害診斷系統研究[J].農業信息網，2013，8：30-33.

[44]譚克竹，沈維政.基于BP神經網絡的大豆葉片病害診斷模型的研究[J].控制理論與應用，2013，32（12）：5-7.

[45]魏清鳳，羅長壽，曹承忠，等.基于模糊神經網絡的蔬菜病害診斷模型研究[J].河南農業科學，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]宋凱，孫曉艷，紀建偉.基于支持向量機的玉米葉部病害識別[J].農業工程學報，2007，23（1）：155-157.

[50]劉鵬，屠康，徐洪蕊，等.基于支持向量機的甜柿表面病害識別[J].現代食品科技，2011，27（3）：349-353.

[51]田有文，牛妍.支持向量機在黃瓜病害識別中的應用研究[J].農機化研究，2009，（3）：36-38.

[52]越鮮梅.基于圖像識別的向日葵葉部病害診斷技術研究[D].呼和浩特：內蒙古工業大學，2013.

1 項目基金：云南省科學研究基金子課題（2013Y571）。

作者簡介：濮永仙（ 1976-），女，云南騰沖人，碩士，副教授，主要研究方向：機器視覺診斷作物病害，智能農業方面的研究。

？？

？？

篇4

背景

傳統的肥水控制器采用簡單的時序和星期組合控制已經逐漸無法滿足設施高品質農產品生產的需求，基于模糊神經網絡的PID控制器開始在溫室得到應用(羅淳，2009)，充分利用現代信息技術的信息采集控制、信息傳輸、信息處理的優勢，將控制系統的優缺點與實際應用環境的復雜性密切結合，開發簡單而控制智能化的控制器具有重要意義。

硬件設計

硬件設計由電源模塊、時鐘芯片、液晶顯示、觸摸屏、屏顯控制、窗口通訊模塊、MCU、繼電器輸出、電磁潤控制、報警控制、傳感器輸入等組成(圖1)。按照功能區將硬件電路分割為操作區(圖1中的液晶顯示和觸摸屏)、聲光指示區、輸出區(圖1中的繼電器ABC)三個部分。操作區以液晶顯示模塊和鍵盤為主，主要是進行程序控制輸入操作的區域，建立了友好的人機交互界面。聲光指示區主要是由紅、綠兩種顏色的發光二極管來顯示電路硬件的狀態是否正常。輸出區主要是端子，用來連接的設備，如肥水加壓泵、送水泵、施肥電磁閥和各種傳感器。時鐘芯片用來動態顯示當前時間，在系統外部斷電后，時鐘芯片仍舊能正常保存當前時間，同時繼續運行，提供自動模式下的施肥程序時間控制。

程序控制器

程序控制器采用基于ATmegal28核心單元。

?電源模塊單元

電源模塊由穩壓模塊7805及濾波電容組成。如圖2所示。

?程序控制器主控制單元

主控單元由Mega128最小系統組成，包括電源電路、復位電路、時鐘電路組成。如圖晰示。

?串口通信單元

串口單元將單片機TTL電平轉換為RS232電平。如圖4所示。也可用來將水肥歷史作業數據、各分區工作狀態等數據傳送給上位機軟件。自動統計并生成統計表。方便肥水作業管理的科學合理，有據可依。

?聲光指示單元

聲光指示單元由一個LED模塊和一個蜂鳴器組成。主要是將控制其工作狀態給出實時提示。如圖5所示。

友好人機觸摸交互流程

人機觸摸交互流程主要實現控制系統人機交互，輸入采用觸摸屏，輸出采用彩色液晶顯示，人機觸摸交互包括進八主操作頁面，手動注肥設置、自動注肥設置、幫助等，流程如圖6所示。

試驗結果

為了測試控制器自動控制施肥作業時肥水體積和濃度的均勻性，可以通過一個滴灌帶各滴點不同時期熒光濃度試驗來考證。標液稀釋5倍后取稀釋液400 mL用來試驗。(進口壓力：0.25 MPa，V是體積，A是滴點溶液濃度，小計的結果是具體的施肥量)

試驗材料和方法是：使用標準溶液著丹明(WT)溶液取400 mL，倒入500 mL大燒杯中，將控制器和注肥泵出水口和入水口的電磁閥連接，將注肥泵吸肥管放入燒杯中吸取母液，啟動用來提供穩定水壓力的壓力泵，同時將集液瓶放在各滴點下收集各滴點的溶液，燒杯中的400 mL母液全部吸完后，停止試驗系統，關閉壓力泵。將集液瓶從各滴點取下來，進行體積(V表示)測量，同時使用熒光測量儀(Trilogy試驗專用熒光儀)測試各滴點的溶液樣本的濃度(A表示)。