導(dǎo)語：如何才能寫好一篇模糊神經(jīng)網(wǎng)絡(luò)優(yōu)缺點(diǎn)，這就需要搜集整理更多的資料和文獻(xiàn)，歡迎閱讀由公務(wù)員之家整理的十篇范文，供你借鑒。

篇1

[關(guān)鍵詞] 光伏系統(tǒng)；發(fā)電量預(yù)測；模糊神經(jīng)網(wǎng)絡(luò)

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

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

0 引 言

目前光伏發(fā)電量預(yù)測的方法主要有神經(jīng)網(wǎng)絡(luò)法、灰色預(yù)測法、多元線性分析法這三種方法，通過對這三種預(yù)測模型進(jìn)行比較，發(fā)現(xiàn)多元線性回歸和灰色理論雖然方法較為簡單，但是預(yù)測誤差也較大，而神經(jīng)網(wǎng)絡(luò)法預(yù)測則可以比較準(zhǔn)確但是預(yù)測過程較為繁雜。在基于神經(jīng)網(wǎng)絡(luò)的預(yù)測中，多是以傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)模型，在此基礎(chǔ)上采用一些新的方法對BP網(wǎng)絡(luò)加以改進(jìn)。例如在BP網(wǎng)絡(luò)的學(xué)習(xí)過程中采用Fletcher-Reeves共軛梯度算法，可以提高學(xué)習(xí)率，部分地簡化了預(yù)測過程，但輸入量過多，且預(yù)測的局限性較大。

在對比了眾多方法的優(yōu)缺點(diǎn)之后，發(fā)現(xiàn)BP神經(jīng)網(wǎng)絡(luò)普遍存在中間隱層數(shù)難以確定、輸入數(shù)據(jù)量過多，且學(xué)習(xí)時間過長等劣勢。因此本文提出了一種基于模糊神經(jīng)網(wǎng)絡(luò)的預(yù)測模型，所選取的輸入量是和當(dāng)天的發(fā)電量相關(guān)程度比較大的當(dāng)天的平均氣溫以及當(dāng)天的總?cè)照樟?，模糊神?jīng)網(wǎng)絡(luò)的結(jié)構(gòu)是由大量的先驗(yàn)知識而設(shè)計(jì)出來的。在不影響預(yù)測精度的情況下，為了降低整個網(wǎng)絡(luò)的復(fù)雜程度，對整個網(wǎng)絡(luò)的模糊化層中的隸屬度函數(shù)及去模糊化層的輸出函數(shù)都做了適當(dāng)?shù)淖兓?，解決了傳統(tǒng)神經(jīng)網(wǎng)絡(luò)收斂速度慢的問題，從而使整個神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)簡潔，訓(xùn)練速度較快，且預(yù)測精度較高。

1 模糊神經(jīng)網(wǎng)絡(luò)

模糊神經(jīng)網(wǎng)絡(luò)是在神經(jīng)網(wǎng)絡(luò)和模糊系統(tǒng)的基礎(chǔ)上發(fā)展起來的，在模糊神經(jīng)網(wǎng)絡(luò)出現(xiàn)之前，神經(jīng)網(wǎng)絡(luò)與模糊系統(tǒng)都已有了多年的研究歷史，都有著較完備的理論基礎(chǔ)。

模糊神經(jīng)網(wǎng)絡(luò)是一種將模糊邏輯推理的知識性結(jié)構(gòu)和神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)能力結(jié)合起來的一種局部逼近網(wǎng)絡(luò)，融合彌補(bǔ)了神經(jīng)網(wǎng)絡(luò)在數(shù)據(jù)處理方面的不足和模糊邏輯在學(xué)習(xí)方面的缺陷，是一個集語言計(jì)算、邏輯推理、分布式處理和非線性動力學(xué)過程為一身的系統(tǒng)。因此，它具有處理不確定信息的模糊推理能力和依據(jù)樣本數(shù)據(jù)進(jìn)行學(xué)習(xí)的能力。模糊神經(jīng)網(wǎng)絡(luò)主要利用神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)來實(shí)現(xiàn)模糊推理，從而使神經(jīng)網(wǎng)絡(luò)的權(quán)值具有在模糊邏輯中推理參數(shù)的物理意義。

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

2 TS模糊神經(jīng)網(wǎng)絡(luò)

2.1 TS模糊邏輯

在TS模糊邏輯系統(tǒng)中，模糊規(guī)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(yù)測模型的建立

3.1 輸入量的確定

光伏電池之所以能發(fā)電，是由于當(dāng)陽光照射到半導(dǎo)體材料的太陽能電池板上時，光能被吸收在太陽能電池內(nèi)，并且產(chǎn)生電子（-）和空穴（+），而負(fù)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(fù)荷連接，就能產(chǎn)生流。因此，日照量是影響光伏發(fā)電發(fā)電量的重要因素之一，所以日照量應(yīng)作為輸入量之一。此外光伏發(fā)電的發(fā)電量還受溫度、濕度、安裝角度、材料轉(zhuǎn)換率等眾多因素的影響，在這眾多因素中，溫度對光伏發(fā)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(yù)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?yàn)楸疚乃A(yù)測的是晴天一整日的發(fā)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(jīng)網(wǎng)絡(luò)結(jié)構(gòu)與初始參數(shù)的確定

本文是針對全年晴天的當(dāng)天發(fā)電量做出預(yù)測的，所以按季節(jié)劃分將全年的數(shù)據(jù)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(dú)列出秋季，而是只按春、夏、冬三季的數(shù)據(jù)來建模預(yù)測。

由已有的先驗(yàn)知識，可將數(shù)據(jù)按照春、夏、冬三季進(jìn)行劃分，所以模糊神經(jīng)網(wǎng)絡(luò)的規(guī)則層的隱層節(jié)點(diǎn)數(shù)也就為三，由于規(guī)則層已經(jīng)確定，故可以知道模糊化層與去模糊化層的隱層節(jié)點(diǎn)數(shù)均為三個，因此可知本文的模糊神經(jīng)網(wǎng)絡(luò)的預(yù)測模型結(jié)構(gòu)如圖2所示。

3.3 TS型模糊神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法

設(shè)有輸入、輸出樣本為{（xl，dl），l=1，2，…，L}，在這里L(fēng)表示訓(xùn)練樣本的數(shù)量，為輸入向量，在本文中表示由當(dāng)天日照量與當(dāng)天平均溫度組成的一個2×1的列向量。將網(wǎng)絡(luò)誤差E設(shè)為：

E=■（yl-dl）2-||y-d|22

其中，y=[y1，y2，…，yL]T，表示神經(jīng)網(wǎng)絡(luò)的實(shí)際輸出；d=[d1，d2，…dL]T，表示神經(jīng)網(wǎng)絡(luò)的期望輸出；||.|2表示向量的2范數(shù)。

本文中，在不影響結(jié)果的前提下，為了降低神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法的復(fù)雜度，故將隸屬度函數(shù)變?yōu)椋?/p>

ωij=exp-■（bij（xil-cij））2

將神經(jīng)網(wǎng)絡(luò)的輸出函數(shù)變?yōu)椋?/p>

yl =■ωij=（p0j+p1jx1l+…+pnjxnl）

因?yàn)楸疚氖窃贛ATLAB中進(jìn)行編程預(yù)測，所以將各種數(shù)據(jù)都表示成矩陣的形式，通過對矩陣的處理，使模糊神經(jīng)網(wǎng)絡(luò)的理解難度和操作難度都大大降低，因此，規(guī)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(shù)值ωl j所組成的m×L維矩陣；P=[p0，p1，…，pn]表示線性系數(shù)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(xùn)練神經(jīng)網(wǎng)絡(luò)時，首先計(jì)算隸屬度函數(shù)值ωl j所組成的矩陣Ω=[ω1，ω2，…，ωL]，在此基礎(chǔ)上計(jì)算神經(jīng)網(wǎng)絡(luò)的輸出y及相應(yīng)的誤差E；然后計(jì)算誤差E對系數(shù)矩陣P，B，C的偏導(dǎo)數(shù)，根據(jù)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(shù)。如果未達(dá)到退出條件，則繼續(xù)迭代，達(dá)到了，則退出整個迭代過程，最終，就可以完成整個模糊神經(jīng)網(wǎng)絡(luò)的訓(xùn)練。在MATLAB中矩陣P和B的初始值可以由normrnd函數(shù)隨機(jī)生成，而矩陣C則可以由kmeans函數(shù)得到相應(yīng)的初始聚類中心，通過訓(xùn)練數(shù)據(jù)的學(xué)習(xí)過程，得到一個符合要求的模糊神經(jīng)網(wǎng)絡(luò)。

4 預(yù)測模型的訓(xùn)練與結(jié)果分析

為了使模糊神經(jīng)網(wǎng)絡(luò)的訓(xùn)練有較高的精度，需要大量的數(shù)據(jù)對模型進(jìn)行評估訓(xùn)練，本次模擬采用了120組數(shù)據(jù)進(jìn)行預(yù)測，其中90組作為訓(xùn)練樣本，30組作為測試樣本，所用的數(shù)據(jù)均是隨機(jī)模擬5kW光伏逆變器日發(fā)電量數(shù)據(jù)， 在訓(xùn)練過程中，共取了90組數(shù)據(jù)來訓(xùn)練，因此L=90；而規(guī)則數(shù)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(xùn)練結(jié)果更加精確化，這里O置的最大迭代步數(shù)為1 000，迭代步長為0.001，圖3是訓(xùn)練預(yù)測結(jié)果與實(shí)際結(jié)果的折線圖。

在圖中，實(shí)線表示預(yù)測輸出，用“+”表示實(shí)際輸出，而用虛線表示實(shí)際輸出與預(yù)測輸出之間的差值，從圖中可以明顯看出訓(xùn)練好的模糊神經(jīng)網(wǎng)絡(luò)符合要求。隨后，再將用于測試的數(shù)據(jù)帶入已訓(xùn)練好的模糊神經(jīng)網(wǎng)絡(luò)中，結(jié)果如圖4所示。

圖4是用于測試的數(shù)據(jù)的實(shí)際輸出與預(yù)測輸出的比較，“+”表示實(shí)際輸出，實(shí)線表示預(yù)測輸出，虛線表示實(shí)際輸出與預(yù)測輸出的差值。從預(yù)測的結(jié)果來看，相較于傳統(tǒng)的預(yù)測方法來說，本文所提出的模糊神經(jīng)網(wǎng)絡(luò)的預(yù)測方法，不論是在預(yù)測精度上還是在訓(xùn)練收斂速度上，都有一定程度的提高，雖說本文的原始數(shù)據(jù)并非實(shí)測數(shù)據(jù)，但是本文所用的數(shù)據(jù)皆是參考了大量資料之后擬合出的數(shù)據(jù)，所以有實(shí)際參考價值。

5 結(jié) 語

為了提高光伏并網(wǎng)系統(tǒng)的穩(wěn)定性與安全性，本文提出了一種基于模糊神經(jīng)網(wǎng)絡(luò)的電量預(yù)測模型。根據(jù)光伏系統(tǒng)的發(fā)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(tǒng)的輸入量，來對這一整天的光伏系統(tǒng)的發(fā)電量做出預(yù)測，并且根據(jù)已有的先驗(yàn)知識與相關(guān)理論，確定了本文所用的模糊神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)。再通過擬合的符合實(shí)際的數(shù)據(jù)來訓(xùn)練整個模型，最后通過一組測試數(shù)據(jù)來測試本預(yù)測模型是否達(dá)到要求。實(shí)驗(yàn)結(jié)果表明，本模型能較為準(zhǔn)確地預(yù)測出光伏發(fā)電系統(tǒng)一整天的發(fā)電量，具有一定的工程應(yīng)用價值。

主要參考文獻(xiàn)

篇2

關(guān)鍵詞： 供應(yīng)鏈績效評價；模糊綜合評估；粗糙集；BP神經(jīng)網(wǎng)絡(luò)

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

一、引 言

在供應(yīng)鏈條件下，各節(jié)點(diǎn)企業(yè)運(yùn)作行為往往具有隨機(jī)性和不確定性。動態(tài)供應(yīng)鏈績效評價是一個包含多個指標(biāo)和輸入輸出的復(fù)雜評估系統(tǒng)，各績效指標(biāo)具有模糊性、不確定性，彼此之間存在非線性關(guān)聯(lián)性。軟計(jì)算［1-7］理論與方法是處理動態(tài)供應(yīng)鏈績效這樣復(fù)雜的、具有大量不確定性和模糊性的評估系統(tǒng)的重要技術(shù)。在相當(dāng)多的領(lǐng)域（自然科學(xué)、社會科學(xué)與工程技術(shù)）中，都涉及到對不完備信息和不確定因素的處理。從實(shí)際系統(tǒng)中采集到的數(shù)據(jù)常常包含著噪聲、不精確甚至不完整，如果我們采用純數(shù)學(xué)上的假設(shè)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(dāng)?shù)姆绞竭M(jìn)行處理，常常有助于實(shí)際系統(tǒng)問題的解決。

二、相關(guān)研究評述

多年來，研究人員一直在努力尋找科學(xué)地處理不完整性和不確定性的有效途徑，實(shí)踐證明，1965年Zadeh［8］創(chuàng)立的模糊集理論與1982年P(guān)awlak［9］倡導(dǎo)的粗糙集理論是處理不確定性的兩種很好的方法。事實(shí)上，除了上述兩種方法外，基于概率統(tǒng)計(jì)方法的證據(jù)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(jì)算［10－15］(Soft Computing)的范疇。Zadeh教授提出了軟計(jì)算的概念，軟計(jì)算的主要工具包括粗糙集、模糊邏輯(Fuzzy Logic)、神經(jīng)網(wǎng)絡(luò)、概率推理(Probability Reasoning)、信任度網(wǎng)絡(luò)(Belief Network)、遺傳算法（Genetic Arithmetic）、混沌理論(Chaos)等。傳統(tǒng)的計(jì)算方法，即所謂的硬計(jì)算(Hard Computing)，使用精確、固定和不變的算法來表達(dá)和解決問題，軟計(jì)算利用所允許的不精確性、不確定性和部分真實(shí)性得到易于處理、魯棒性強(qiáng)和成本較低的解決方案，以便更好地與現(xiàn)實(shí)系統(tǒng)相協(xié)調(diào)。因此，軟計(jì)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(lǐng)域有著廣泛而深入的應(yīng)用。

（一）基于模糊綜合評估的供應(yīng)鏈績效評價

模糊集理論是經(jīng)典理論的推廣，它認(rèn)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(jīng)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(zhǔn)確的語言表述，模糊數(shù)學(xué)可以較好地表達(dá)，因而可以自然地用于事物的評價。

在動態(tài)供應(yīng)鏈績效評價體系中，各績效指標(biāo)之間往往存在著復(fù)雜的因果關(guān)系，這些指標(biāo)中既有定性指標(biāo)也有定量指標(biāo)，具有模糊和不確定的特點(diǎn)，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(xué)的依據(jù)。作者在文獻(xiàn)［16］中詳細(xì)討論了基于模糊綜合分析的供應(yīng)鏈績效評價方法，并結(jié)合Markov鏈預(yù)測理論給出了供應(yīng)鏈績效未來的發(fā)展趨勢。

（二）基于粗糙集約簡的供應(yīng)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(shù)學(xué)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(fā)現(xiàn)隱含的知識，揭示潛在的規(guī)律，是一種重要的軟計(jì)算技術(shù)。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(dǎo)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(shù)據(jù)中推理邏輯規(guī)則作為知識系統(tǒng)模型。

如前所述，在供應(yīng)鏈條件下，各節(jié)點(diǎn)企業(yè)運(yùn)作策略具有動態(tài)可調(diào)節(jié)性，其運(yùn)作行為具有隨機(jī)性和不確定性，這就要求在對供應(yīng)鏈績效進(jìn)行評價必須采用動態(tài)評價方法，同時對供應(yīng)鏈在未來某一時刻的整體績效進(jìn)行預(yù)測。粗糙集及其約簡理論是處理這種不確定性的重要技術(shù)。作者在文獻(xiàn)［17］中基于粗糙集理論的績效評價模型，建立了動態(tài)供應(yīng)鏈績效評價決策表，利用粗糙集約簡方法得到了預(yù)測績效評價結(jié)果的決策規(guī)則集，并把粗糙集約簡和模糊綜合評估技術(shù)相結(jié)合進(jìn)行動態(tài)供應(yīng)鏈績效評價，顯然地縮小了數(shù)據(jù)處理的規(guī)模，降低了模型的計(jì)算復(fù)雜度。

（三）基于神經(jīng)網(wǎng)絡(luò)的供應(yīng)鏈績效評價

神經(jīng)網(wǎng)絡(luò)可大規(guī)模地并行處理和分布式地存儲信息，具有良好的自適應(yīng)、自組織性以及很強(qiáng)的學(xué)習(xí)功能、聯(lián)想功能和容錯功能。與當(dāng)今的馮諾依曼式計(jì)算機(jī)相比，更加接近人腦的信息處理模式，主要表現(xiàn)為能夠處理連續(xù)的模擬信號。神經(jīng)網(wǎng)絡(luò)并行分布工作，各組成部分同時參與運(yùn)算，單個神經(jīng)元的動作速度不高，但總體的處理速度很快。神經(jīng)網(wǎng)絡(luò)信息存儲分布于全網(wǎng)絡(luò)各個權(quán)重變換之中，某些單元障礙并不影響信息的完整。傳統(tǒng)計(jì)算機(jī)要求有準(zhǔn)確的輸入條件, 才能給出精確解。神經(jīng)網(wǎng)絡(luò)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(tài)供應(yīng)鏈績效評價是一個包含多個指標(biāo)輸入輸出的復(fù)雜評估系統(tǒng)，各績效指標(biāo)具有模糊性，彼此之間存在非線性關(guān)聯(lián)性。針對這樣一個復(fù)雜的評估系統(tǒng)，作者曾利用BP神經(jīng)網(wǎng)絡(luò)技術(shù)來找出供應(yīng)鏈績效評價系統(tǒng)輸入-輸出之間的非線性映射關(guān)系，從而對動態(tài)供應(yīng)鏈績效評價結(jié)果進(jìn)行學(xué)習(xí)和預(yù)測。通過與粗糙集約簡理論相結(jié)合，簡化了BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)設(shè)計(jì)，減小了運(yùn)算量。

（四）幾種軟計(jì)算方法的優(yōu)缺點(diǎn)

軟計(jì)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(jīng)網(wǎng)絡(luò)、概率推理、信任度網(wǎng)絡(luò)、遺傳算法以及混沌理論等。軟計(jì)算方法已廣泛應(yīng)用于包括模式識別、數(shù)據(jù)挖掘、系統(tǒng)評價、故障診斷、專家系統(tǒng)等在內(nèi)的諸多領(lǐng)域的不精確、不確定問題。軟計(jì)算方法按照其特點(diǎn)各有優(yōu)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(jī)制；粗糙集在屬性約簡和規(guī)則抽取方面性能優(yōu)良；神經(jīng)網(wǎng)絡(luò)對噪聲具有強(qiáng)魯棒性，分類精度高；遺傳算法廣泛用于優(yōu)化搜索問題。 同時，以上軟計(jì)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(wěn)定性差，神經(jīng)網(wǎng)絡(luò)訓(xùn)練時間過長、知識解釋性差，而粗糙集對數(shù)據(jù)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(jì)算方法的軟計(jì)算融合系統(tǒng)來解決供應(yīng)鏈績效評價的實(shí)際問題［6, 7］。

財經(jīng)理論與實(shí)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(yīng)鏈績效評價方法

（五）軟計(jì)算融合技術(shù)在動態(tài)供應(yīng)鏈績效評價中的應(yīng)用

作者詳細(xì)研究了模糊綜合分析、粗糙集理論、神經(jīng)網(wǎng)絡(luò)等軟計(jì)算技術(shù)在動態(tài)供應(yīng)鏈績效評價中的應(yīng)用方法。從文獻(xiàn)［16-17］實(shí)驗(yàn)結(jié)果可以初步看出，通過把幾種軟計(jì)算技術(shù)融合起來應(yīng)用于供應(yīng)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(jì)算技術(shù)能在多個方面進(jìn)行融合［6, 7］。

粗糙集和神經(jīng)網(wǎng)絡(luò)的融合。通過粗糙集的屬性約簡可以顯著減少原始數(shù)據(jù)量，使神經(jīng)網(wǎng)絡(luò)訓(xùn)練時間縮短，從訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)中抽取規(guī)則也可顯著提高神經(jīng)網(wǎng)絡(luò)中知識可理解性；神經(jīng)網(wǎng)絡(luò)的強(qiáng)魯棒性也可解決粗糙集處理數(shù)據(jù)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(tǒng)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(fā)點(diǎn)是信息系統(tǒng)中知識的不可分辨性，而模糊集理論則關(guān)注信息系統(tǒng)中知識的模糊性，兩者在處理方法上各有特色。兩者的結(jié)合可以更好地解決信息系統(tǒng)中不完善、不精確性知識的問題。

模糊集和神經(jīng)網(wǎng)絡(luò)的融合。模糊集和神經(jīng)網(wǎng)絡(luò)的融合主要有模糊神經(jīng)網(wǎng)絡(luò)和神經(jīng)模糊系統(tǒng)。神經(jīng)模糊系統(tǒng)以神經(jīng)網(wǎng)絡(luò)為主，結(jié)合模糊集理論，將神經(jīng)網(wǎng)絡(luò)作為實(shí)現(xiàn)模糊模型的工具，即在神經(jīng)網(wǎng)絡(luò)的框架下實(shí)現(xiàn)模糊系統(tǒng)或其一部分功能。從結(jié)構(gòu)上看，一般是四層或五層的前向神經(jīng)網(wǎng)絡(luò)。模糊神經(jīng)網(wǎng)絡(luò)是神經(jīng)網(wǎng)絡(luò)的模糊化，即以模糊集、模糊邏輯為主，結(jié)合神經(jīng)網(wǎng)絡(luò)方法，利用神經(jīng)網(wǎng)絡(luò)的自組織性，達(dá)到柔性信息處理的目的。

三、基于智能信息處理的供應(yīng)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(yīng)用模糊綜合分析、粗糙集理論和BP神經(jīng)網(wǎng)絡(luò)等智能信息處理方法建立了多個供應(yīng)鏈績效評價模型，本文對這些評價模型的效果和優(yōu)缺點(diǎn)進(jìn)行了分析和總結(jié)。我們的基本思路是以某動態(tài)供應(yīng)鏈為例，選取合適的績效指標(biāo)集，對得到的績效指標(biāo)按照評價模型的數(shù)據(jù)要求進(jìn)行預(yù)處理，然后輸入到不同的動態(tài)績效評價模型中進(jìn)行處理，對各個績效評價模型進(jìn)行解算。通過對模型輸出的結(jié)果的比較和分析來歸納各個績效評價模型的主要特點(diǎn)，并對評價模型的實(shí)際效果進(jìn)行總結(jié)。

（二）數(shù)據(jù)預(yù)處理

如前所述，本文已經(jīng)根據(jù)文獻(xiàn)［15］提出的供應(yīng)鏈五維平衡計(jì)分卡，選擇了15個關(guān)鍵績效指標(biāo)作為動態(tài)供應(yīng)鏈的績效評價指標(biāo)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(biāo)中，既有定性指標(biāo)，也有定量指標(biāo)。由于BP神經(jīng)網(wǎng)絡(luò)只能處理數(shù)值向量，因此在這些績效指標(biāo)輸入BP網(wǎng)絡(luò)訓(xùn)練之前必須對它們進(jìn)行預(yù)處理。在基于粗糙集理論的供應(yīng)鏈績效評價模型里，根據(jù)決策表信息約簡的要求，需要對所有屬性的取值進(jìn)行離散化處理。這里對某動態(tài)聯(lián)盟供應(yīng)鏈績效決策表?xiàng)l件屬性采用表1的方法進(jìn)行離散化處理。

假設(shè)根據(jù)歷史經(jīng)驗(yàn)或供應(yīng)鏈行規(guī)，把供應(yīng)鏈的績效評價結(jié)果劃分為G1、G2、G3、G4四個等級，分別對應(yīng)供應(yīng)鏈績效評價為優(yōu)、良、中、差的狀態(tài)，其劃分的依據(jù)如表1所示。

在基于模糊綜合評估的供應(yīng)鏈績效評價模型里，表1將作為構(gòu)造各績效指標(biāo)屬于各類的隸屬度函數(shù)的依據(jù)。

（三）實(shí)驗(yàn)結(jié)果比較與分析

實(shí)驗(yàn)的數(shù)據(jù)源仍采用文獻(xiàn)［15］某供應(yīng)鏈相關(guān)指標(biāo)的調(diào)查結(jié)果，經(jīng)調(diào)查得到該供應(yīng)鏈在2007年1~12個月的績效指標(biāo)取值和績效綜合評價結(jié)果。本文已經(jīng)詳細(xì)討論了對該供應(yīng)鏈績效采用基于BP網(wǎng)絡(luò)訓(xùn)練和學(xué)習(xí)的過程，并結(jié)合粗糙集約簡給出兩者相結(jié)合的混合績效評價方法及結(jié)果。

BP網(wǎng)絡(luò)學(xué)習(xí)完畢后，就可以用來對下一評估時刻的供應(yīng)鏈績效進(jìn)行預(yù)測。針對上述供應(yīng)鏈，經(jīng)調(diào)查得到該供應(yīng)鏈在2008年前4個月的績效指標(biāo)取值結(jié)果，如表2所示。

將上述各績效指標(biāo)規(guī)一化后輸入訓(xùn)練好的BP網(wǎng)絡(luò)，得到相應(yīng)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(jù)此可判斷該供應(yīng)鏈在2008年1~4月的績效綜合評價結(jié)果分別為G2、G3、G2、G1。

進(jìn)一步，針對表1所示的供應(yīng)鏈績效分級標(biāo)準(zhǔn)，可以通過Rough約簡得到供應(yīng)鏈績效分級決策表的最佳約簡，即供應(yīng)鏈績效評價的關(guān)鍵績效指標(biāo)集。通過約簡得到供應(yīng)鏈績效評價的關(guān)鍵指標(biāo)集為{F1, F2, F3, C1, C2, P1, P2, P3, L1, L2, L3, S1}，這樣這12個關(guān)鍵績效指標(biāo)就構(gòu)成了BP網(wǎng)絡(luò)的輸入層節(jié)點(diǎn)。把表2所示的供應(yīng)鏈在2008年1~4月的關(guān)鍵績效指標(biāo)量化結(jié)果輸入訓(xùn)練好的BP網(wǎng)絡(luò)，可求出其相應(yīng)的績效評價結(jié)果分別為G2、G3、G2、G1，與供應(yīng)鏈績效實(shí)際調(diào)查結(jié)果一致。

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

在基于粗糙集理論的供應(yīng)鏈績效評價模型里，先對各績效指標(biāo)進(jìn)行離散化處理,離散化后的該動態(tài)供應(yīng)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(jìn)行屬性約簡，以便去掉決策表的冗余條件屬性。進(jìn)一步，利用歸納值約簡算法對績效決策表進(jìn)行值約簡，可以得到一系列用于供應(yīng)鏈績效評價的決策規(guī)則集。由于決策屬性值被離散化為四個等級，亦即信息系統(tǒng)具有四個概念。針對這四個概念的最一般規(guī)則分別為：

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

把表2所示的該供應(yīng)鏈在2008年前4個月的績效指標(biāo)離散化，然后針對上述供應(yīng)鏈績效評價決策規(guī)則進(jìn)行匹配，可得這4個月供應(yīng)鏈績效綜合評價結(jié)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(yīng)鏈的績效評價結(jié)果進(jìn)行分析。首先建立模糊關(guān)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(shù)均取為二次函數(shù)。根據(jù)供應(yīng)鏈績效分類標(biāo)準(zhǔn)表1，建立F1屬于各類的隸屬度函數(shù)為：

同理，可分別建立其它績效指標(biāo)屬于各類的隸屬度函數(shù)，對應(yīng)績效評價指標(biāo)集C的權(quán)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(yīng)鏈在2008年前4個月的績效分別為G3、G3、G2、G1。

最后，采用結(jié)合了粗糙集約簡和模糊綜合評估的動態(tài)供應(yīng)鏈績效評價方法來得到該供應(yīng)鏈績效評價結(jié)果。首先借助于動態(tài)供應(yīng)鏈績效評價決策表對績效評價指標(biāo)進(jìn)行約簡和降維，通過Rough約簡得到供應(yīng)鏈績效評價的關(guān)鍵績效指標(biāo)集為{F1, F2, F3, C1, C2, P1, P2, P3, L1, L2, L3, S1}，根據(jù)供應(yīng)鏈績效分類標(biāo)準(zhǔn)表2分別建立上述關(guān)鍵績效指標(biāo)屬于各類的隸屬度函數(shù)，然后利用模糊評估方法對供應(yīng)鏈績效進(jìn)行綜合評價。根據(jù)該混合供應(yīng)鏈績效評價方法求出該供應(yīng)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(yīng)鏈在2007年1月~2008年4月間績效評價結(jié)果的變化趨勢，如圖1所示。其中，如圖例所示圓圈、方塊實(shí)線、下三角實(shí)線、粗標(biāo)圓卷實(shí)線和帶星虛線分別代表了對應(yīng)月份由五種評估方法得到的供應(yīng)鏈績效評價結(jié)果。

圖1 某供應(yīng)鏈采用五種績效綜合評估方法得到的評價結(jié)果

從圖1可以看出，采用五種不同的供應(yīng)鏈績效評價方法得到的結(jié)果略有差異。這一差異由多種原因引起，首先基于BP神經(jīng)網(wǎng)絡(luò)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(jiān)督的智能學(xué)習(xí)算法，即在對動態(tài)供應(yīng)鏈績效評價結(jié)果作出預(yù)測之前，都有個訓(xùn)練的過程，這需要大量的歷史數(shù)據(jù)。而基于模糊綜合評估的供應(yīng)鏈績效評價方法隸屬度函數(shù)主要由績效分級標(biāo)準(zhǔn)確定，并不“顯式”地需要?dú)v史績效結(jié)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(shù)，如BP網(wǎng)絡(luò)需要確定網(wǎng)絡(luò)結(jié)構(gòu)、學(xué)習(xí)速率、沖量因子；模糊綜合評估需要確定指標(biāo)權(quán)值和隸屬度函數(shù)表示方法等。另外，不同的績效評價模型對輸入數(shù)據(jù)的要求各不相同，BP神經(jīng)網(wǎng)絡(luò)和模糊綜合評估處理的是連續(xù)數(shù)據(jù)，粗糙集約簡處理的是離散數(shù)據(jù)，而實(shí)際獲得的績效指標(biāo)中既有定性指標(biāo)，也有定量指標(biāo)，這就需要在績效指標(biāo)輸入模型之前進(jìn)行預(yù)處理，預(yù)處理方法的不同導(dǎo)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(yīng)鏈績效評價方法輸出結(jié)果與供應(yīng)鏈實(shí)際績效基本相符，在實(shí)際使用時要根據(jù)情況靈活選擇。

此外,實(shí)驗(yàn)結(jié)果也表明通過幾種智能信息處理方法融合在動態(tài)供應(yīng)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(shù)據(jù)處理的規(guī)模，降低了評估模型的計(jì)算復(fù)雜度，同時克服了模糊評估過度依賴專家知識（領(lǐng)域知識）的缺點(diǎn)。通過粗糙集約簡和BP神經(jīng)網(wǎng)絡(luò)的融合，降低BP網(wǎng)絡(luò)的設(shè)計(jì)復(fù)雜度，克服了神經(jīng)網(wǎng)絡(luò)訓(xùn)練時間長、知識解釋性較差的缺點(diǎn)。兩種融合方法都保持了較高的準(zhǔn)確度，在動態(tài)供應(yīng)鏈績效評價中更為有效。

本文的研究結(jié)果彌補(bǔ)了目前國內(nèi)外動態(tài)供應(yīng)鏈績效評價中智能信息處理方法的融合理論研究少、應(yīng)用不夠深入的缺點(diǎn)，對實(shí)際供應(yīng)鏈運(yùn)作與管理中基于軟計(jì)算的動態(tài)績效評價模型和方法的選擇與應(yīng)用具有理論指導(dǎo)意義。

四、結(jié) 論

軟計(jì)算作為知識獲取和智能信息處理的重要手段，在供應(yīng)鏈績效評價領(lǐng)域有著良好的應(yīng)用前景。越來越多的學(xué)者開始集成兩種或兩種以上的軟計(jì)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(jīng)網(wǎng)絡(luò)等軟計(jì)算方法在動態(tài)供應(yīng)鏈績效評價中的主要特點(diǎn)和效果進(jìn)行了簡要的比較和分析，指出了每種方法的優(yōu)缺點(diǎn)。然而，由于每種智能信息處理方法存在著本質(zhì)上的差異，對這些方法間的效果差異進(jìn)行嚴(yán)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(yīng)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(yīng)鏈。因此，在實(shí)際使用時，要根據(jù)供應(yīng)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(xiàn)：

［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(fēng)系統(tǒng)合理性評價［J］.科學(xué)決策,2009.5:89-94.

［11］劉敬學(xué),陳曦. 基于神經(jīng)網(wǎng)絡(luò)的專家預(yù)測方法研究［J］.科學(xué)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(qiáng). 基于BP神經(jīng)網(wǎng)絡(luò)的供應(yīng)鏈績效評價方法［J］.運(yùn)籌與管理，2010,19(2):26-32.

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

［16］鄭培，黎建強(qiáng). 基于模糊評估和馬爾可夫預(yù)測的供應(yīng)鏈動態(tài)平衡記分卡研究 ［J］. 系統(tǒng)工程理論與實(shí)踐，2008，4(4): 57-64.

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

［18］王俊峰,劉立東.基于博弈論的閉環(huán)供應(yīng)鏈中三方協(xié)調(diào)研究［J］.科學(xué)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(guān)鍵字：計(jì)算機(jī)視覺；作物病害診斷；進(jìn)展；模式識別

中圖分類號：TP311 文獻(xiàn)標(biāo)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(chǎn)中，病害是制約作物質(zhì)與量的重要因素。病害發(fā)生，往往致使作物的使用價值降低，甚至還會導(dǎo)致大面積減產(chǎn)，乃至絕收，造成巨大的經(jīng)濟(jì)損失。因此，在作物生長過程中，病害防治是個關(guān)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(zhì)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(jié)果要么是藥量不對、要么是藥不對癥，嚴(yán)重影響了作物的質(zhì)與量。

計(jì)算機(jī)視覺也稱為機(jī)器視覺，是研究如何用計(jì)算機(jī)來模擬和再現(xiàn)人類視覺功能的科學(xué)，也被稱為圖像理解和圖像分析，是人工智能領(lǐng)域的一個重要分支。隨著計(jì)算機(jī)技術(shù)、圖像處理和人工智能等學(xué)科的發(fā)展，以及數(shù)碼相機(jī)、手機(jī)等攝像工具像素的提高，將機(jī)器視覺用于作物病害診斷，實(shí)現(xiàn)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(yǎng)元素的茨菇葉片圖像進(jìn)行研究，在RGB模型中，利用直方圖分析了正常和病態(tài)的顏色特征。為適應(yīng)農(nóng)業(yè)信息化的迫切需求，國內(nèi)外學(xué)者對機(jī)器視覺用于作物病害診斷進(jìn)行了研究和實(shí)踐，而取得進(jìn)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(cè)面為作物病害實(shí)現(xiàn)自動化診斷提供了理論和實(shí)踐基礎(chǔ)。因機(jī)器視覺比人眼能更早發(fā)現(xiàn)作物因病蟲危害所表現(xiàn)的顏色、紋理、形狀等細(xì)微變化，所以利用這種技術(shù)病害病害與人工方式相比，提高了診斷的效率和精準(zhǔn)度，為作物保護(hù)智能化、變量噴藥等提供了科學(xué)依據(jù)。

本文綜述和歸納了機(jī)器視覺診斷作物病害的主要技術(shù)：病害圖像采集、增強(qiáng)處理、病斑分割、特征提取、特征優(yōu)化、病害識別等各環(huán)節(jié)的方法及現(xiàn)狀，指出了機(jī)器視覺診斷作物病害存在的不足和研究方向。該研究對實(shí)現(xiàn)作物病害的機(jī)器視覺診斷技術(shù)的發(fā)展將起到重要的推動作用。

1機(jī)器視覺識別作物病害的技術(shù)路線與進(jìn)展

作物病害因其病原物種類不同會產(chǎn)生形狀、顏色、紋理等不同的病斑，通常專業(yè)植保技術(shù)人員就是根據(jù)這些特征判斷病害的。機(jī)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(shù)對圖像增強(qiáng)處理、分割病斑，提取病斑特征、優(yōu)化特征，用模式識別技術(shù)診斷病害類別及危害程度，從而為病害的防治提供科學(xué)依據(jù)。圖1為機(jī)器視覺診斷作物病害的技術(shù)路線圖。

圖1機(jī)器視覺識別作物病害技術(shù)路線圖

Fig 1 Technology roadmap of machine vision recognition crop diseases

1.1病害圖像采集與增強(qiáng)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(zhì)量會直接影響識別結(jié)果。常用采集設(shè)備有數(shù)碼攝像機(jī)、掃描儀、數(shù)碼相機(jī)、手機(jī)等。其中，數(shù)碼相機(jī)便于攜帶，能滿足圖像清晰度要求，符合野外作業(yè)等特點(diǎn)，因此病害圖像采集中用得較多。依據(jù)采集環(huán)境氛圍分為室內(nèi)采集和室外（田間）采集兩種。室內(nèi)采集是將田間采摘到的病害標(biāo)本經(jīng)密封保濕后使用CCD攝像機(jī)或數(shù)碼相機(jī)在室內(nèi)攝取病害的標(biāo)本圖像。在田間采集圖像中，有學(xué)者為了采集到高質(zhì)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(zhì)量的影響。徐貴力等人[6]設(shè)計(jì)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(guī)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(chǎn)單位可能缺乏配套的技術(shù)設(shè)備，且會使病害識別過度依賴圖像。為擴(kuò)展應(yīng)用范圍和通用性，有學(xué)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(shù)診斷病害進(jìn)行了研究，如李宗儒[7]用手機(jī)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(qiáng)處理、分割病斑，提取病斑特征，用BP神經(jīng)網(wǎng)絡(luò)識別病害，獲得了較好效果。姜武[8]用Canon EOS 50D相機(jī)在陽光充足的早晨拍攝山茶葉片圖像，進(jìn)行顏色分形和RGB強(qiáng)度值提取，用支持向量機(jī)對山茶分類識別，取得了較好效果。

（2）圖像增強(qiáng)方法。在采集圖像過程中，因受設(shè)備、環(huán)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(qiáng)處理會影響到病害的正確識別率。病害圖像增強(qiáng)是為病斑分割，特征提取做準(zhǔn)備，所以應(yīng)確保在去除噪聲的同時，保證病斑邊緣不模糊。圖像增強(qiáng)處理根據(jù)其處理的空間不同，分為空域法和頻域法?？沼蚍ㄊ菍D像本身直接進(jìn)行濾波操作，而頻域法是對圖像進(jìn)行轉(zhuǎn)化，將其轉(zhuǎn)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(qiáng)處理常用方法有：直方圖均衡化、對比度增強(qiáng)、均值濾波、中值濾波、高斯濾波、銳化等。王靜[9]利用數(shù)碼相機(jī)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(qiáng)處理，實(shí)驗(yàn)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(xì)節(jié)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(shí)驗(yàn)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(jì)算機(jī)視覺主要是依據(jù)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(zhǔn)確分割，是后期提取病斑特征，病害類別的客觀、準(zhǔn)確診斷的關(guān)鍵環(huán)節(jié)之一。當(dāng)前針對作物病害圖像分割算法有閾值分割、空間聚類、區(qū)域分割、邊緣檢測分割、計(jì)算智能方法等。由于作物病害圖像存在背景復(fù)雜、病斑區(qū)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(biāo)準(zhǔn)。近年來學(xué)者們對作物病害圖像的分割進(jìn)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(jìn)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(huán)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(diǎn)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(jìn)蜂群算法優(yōu)化神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)玉米病害圖像分割。祁廣云等[16]采用改進(jìn)的遺傳算法及BP神經(jīng)網(wǎng)絡(luò)對大豆葉片病斑分割，能有效提取病斑區(qū)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(jìn)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(jìn)行研究，結(jié)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(jī)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(jī)分割水稻稻瘟病彩色圖像病斑，其分割效果優(yōu)于Otsu法。

（2）病斑特征提取

計(jì)算機(jī)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(qū)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(fù)出現(xiàn)的局部模式及排列規(guī)則。作物病害圖像正常與病變部分的紋理在粗細(xì)、走向上有較大差異。紋理特征有基于灰度直方圖的統(tǒng)計(jì)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(shù)、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(biāo)聯(lián)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(biāo)和背景之間的區(qū)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(zhuǎn)、平移有很強(qiáng)的穩(wěn)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(jìn)行識別，識別率達(dá)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(fù)雜度、球形度等7個特征，用BP神經(jīng)網(wǎng)絡(luò)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(shí)驗(yàn)得出，以單個特征識別正確識別率達(dá)90%，綜合應(yīng)用三個紋理特征，識別率達(dá)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(jī)識別，實(shí)驗(yàn)表明，綜合應(yīng)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(tài)特征總共14個特征，用支持向量機(jī)識別，實(shí)驗(yàn)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(yōu)化

特征優(yōu)化是指在特征提取完成后，將特征因子中對識別病害貢獻(xiàn)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(yōu)化方法有：逐步判別法、主成分分析法、遺傳算法等。實(shí)踐證明，優(yōu)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(tài)、顏色、紋理共63個特征，用逐步判別法對特征優(yōu)化，用貝葉斯判別法識別病害，可使特征數(shù)減少到原來的35.2%，而病害準(zhǔn)確識別率達(dá)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(yōu)化，最終選取12個特征，用主成分優(yōu)化后綜合成2個新變量，分別用貝葉斯判別法和用費(fèi)歇爾判別函數(shù)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(yōu)化特征，用概率神經(jīng)網(wǎng)絡(luò)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(yōu)化得到8個特征，用模糊識別模式識別病害，其識別率達(dá)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(tài)共26個特征，用雙編碼遺傳算法與支持向量機(jī)結(jié)合優(yōu)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(jī)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(jìn)制編碼和實(shí)數(shù)編碼結(jié)合，支持向量機(jī)作為底層分類器，分類精度作為遺傳算法的適應(yīng)度對個體進(jìn)行評估，在去除冗余特征的同時為保留的特征賦予權(quán)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(yōu)化，將35個特征降低到29個，識別準(zhǔn)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(jù)輸入的原始數(shù)據(jù)，判斷其類別并采取相應(yīng)的行為[35]。病害模式識別的任務(wù)是依據(jù)特征數(shù)據(jù)由分類器完成分類的，分類器設(shè)計(jì)和特征描述共同決定了模式識別系統(tǒng)的性能。用于病害識別的模式可分為統(tǒng)計(jì)模式、句法結(jié)構(gòu)模式、模糊模式和機(jī)器學(xué)習(xí)方法四類。其中，統(tǒng)計(jì)模式識別是用概率統(tǒng)計(jì)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(shù)來分類，不同的決策函數(shù)能夠產(chǎn)生不同的分類方法。常見的統(tǒng)計(jì)模式識別方法有兩種：一是由Neyman決策和貝葉斯決策等構(gòu)成的基于似然函數(shù)的分類方法，另一種是基于距離函數(shù)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(jìn)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(jī)器學(xué)習(xí)指計(jì)算機(jī)模擬或者實(shí)現(xiàn)人類的某些行為，它的應(yīng)用已涉及很多領(lǐng)域。目前常用于作物病害識別的機(jī)器學(xué)習(xí)方法有人工神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)（SVM）、移動中心超球分類器等。其中，支持向量機(jī)分類器是目前機(jī)器學(xué)習(xí)領(lǐng)域的研究熱點(diǎn)之一，它能夠較好地解決小樣本、非線性、高維數(shù)的分類問題，且具有良好的推廣和泛化能力。神經(jīng)網(wǎng)絡(luò)是基于經(jīng)驗(yàn)風(fēng)險最小化原則，以訓(xùn)練誤差最小化為優(yōu)化目標(biāo)，而SVM以訓(xùn)練誤差作為優(yōu)化問題的約束條件，以置信范圍最小化為優(yōu)化目標(biāo)，所以SVM的解具有唯一性，也是全局最優(yōu)[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(jìn)行壓縮的方法，可以節(jié)省空間，但其識別率不如人工神經(jīng)網(wǎng)絡(luò)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(shù)進(jìn)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(tǒng)計(jì)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(shè)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(diǎn)X=（x1，x2，…，xn）；

（2）設(shè)有m個不同的類（C1，C2，…，Cm），X是一個未知類別的樣本，預(yù)測X的類別為后驗(yàn)概率最大的那個類別；3）用貝葉斯后驗(yàn)概率公式計(jì)算，并進(jìn)行比較，依據(jù)后驗(yàn)概率可將樣本X歸到Ci類中，當(dāng)且僅當(dāng)>，成立。貝葉斯分類器因其結(jié)構(gòu)簡單、易于擴(kuò)展等特點(diǎn)，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(dá)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(yōu)化特征后，用貝葉斯判別法識別病害，其識別率達(dá)94.71%。

1.3.2 人工神經(jīng)網(wǎng)絡(luò)識別法

神經(jīng)網(wǎng)絡(luò)技術(shù)是目前廣泛使用的一種機(jī)器學(xué)習(xí)方法，其研究工作始于19世紀(jì)末20世紀(jì)初[40]，因具有并行處理、非線性映射、自適應(yīng)學(xué)習(xí)、魯棒容錯性等優(yōu)點(diǎn)，以及采用數(shù)據(jù)驅(qū)動模式，故在模式識別領(lǐng)域得到廣泛應(yīng)用。人工神經(jīng)網(wǎng)絡(luò)診斷作物病害的基本步驟是：構(gòu)建神經(jīng)網(wǎng)絡(luò)識別模型，將已提取并優(yōu)化好的病害圖像特征數(shù)據(jù)作為分類器的輸入特征矢量對模型訓(xùn)練，經(jīng)過訓(xùn)練后的模型可實(shí)現(xiàn)作物病害的分類識別。目前應(yīng)用于作物病害識別的人工神經(jīng)網(wǎng)絡(luò)主要有：BP神經(jīng)網(wǎng)絡(luò)、概率神經(jīng)網(wǎng)絡(luò)、自組織特征映射網(wǎng)絡(luò)，并衍生出模糊神經(jīng)網(wǎng)絡(luò)、量子神經(jīng)網(wǎng)絡(luò)等。BP神經(jīng)網(wǎng)絡(luò)具有較好的自學(xué)習(xí)性、自適應(yīng)性、魯棒性和泛化性。概率神經(jīng)網(wǎng)絡(luò)是徑向基網(wǎng)絡(luò)的一個重要分支，其分類器是一種有監(jiān)督的網(wǎng)絡(luò)分類器，在識別過程中隨著訓(xùn)練病害種類的增加[41]，其運(yùn)算速度會減慢。自組織特征映射網(wǎng)絡(luò)分類器是于1981年提出的一種由全連接的神經(jīng)元陣列組成的自組織自學(xué)習(xí)網(wǎng)絡(luò)[42]，可以直接或間接地完成數(shù)據(jù)壓縮、概念表示和分類的任務(wù)，多項(xiàng)實(shí)驗(yàn)表明它的病害圖像識別率都在90%以上。模糊神經(jīng)網(wǎng)絡(luò)是模糊理論同神經(jīng)網(wǎng)絡(luò)相結(jié)合的產(chǎn)物，它匯集了神經(jīng)網(wǎng)絡(luò)與模糊理論的優(yōu)點(diǎn)，集學(xué)習(xí)、聯(lián)想、識別、信息處理于一體。量子神經(jīng)網(wǎng)絡(luò)是量子計(jì)算理論和人工神經(jīng)網(wǎng)絡(luò)結(jié)合的產(chǎn)物，并集成了兩者的優(yōu)點(diǎn)。王軍英[43]以葡萄發(fā)病部位、病斑形狀、病斑顏色和主要癥狀為特征，用改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)識別病害，識別率達(dá)95.36%。譚克竹等人[44]用BP神經(jīng)網(wǎng)絡(luò)識別大豆的灰斑病、霜霉病和斑點(diǎn)病的特征與病害的關(guān)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(jīng)網(wǎng)絡(luò)診斷模型以診斷蔬菜病害，其病害識別率達(dá)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(jīng)網(wǎng)絡(luò)進(jìn)行病害識別，其平均識別率達(dá)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(jīng)網(wǎng)絡(luò)識別病害，其識別率為90.4%，同樣條件下高于BP神經(jīng)網(wǎng)絡(luò)。

1.3.3 支持向量機(jī)識別法

支持向量機(jī)[46]（Support Vector Machine，簡稱SVM）是Vapnik等人提出的一款新型的機(jī)器學(xué)習(xí)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(shù)會有不同的SVM 算法。常用的核函數(shù)有：線性核函數(shù)、多項(xiàng)式核函數(shù)、徑向基核函數(shù)、Sigmoid核函數(shù)等。SVM在基于數(shù)據(jù)的機(jī)器學(xué)習(xí)領(lǐng)域，它兼顧訓(xùn)練誤差和泛化能力，在解決小樣本、非線性、高維數(shù)、局部極小值等模式識別問題中表現(xiàn)出許多特有的優(yōu)勢[47-48]，在基于圖像診斷作物病害領(lǐng)域應(yīng)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(shù)識別病害，其中徑向基核函數(shù)的正確識別率為89.6%，多項(xiàng)式核函數(shù)為79.2%，Sigmoid核函數(shù)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(jié)果表明，當(dāng)SVM類型為nu-SVR，核函數(shù)為Sigmoid，參數(shù)C=26、ξ=24時識別效果最好。田有文等人[51]用支持向量機(jī)識別黃瓜病害，實(shí)驗(yàn)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(shù)和徑向基核函數(shù)的SVM分類方法在黃瓜病害的識別方面優(yōu)于其他類型核函數(shù)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(yōu)化后，分別用最近鄰域、BP神經(jīng)網(wǎng)絡(luò)和SVM方法識別病害，其中識別率最高的是SVM，BP神經(jīng)網(wǎng)絡(luò)居中，最近鄰域法最差，BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練速度最慢。

2機(jī)器視覺識別作物病害存在的問題與進(jìn)一步研究重點(diǎn)

將計(jì)算機(jī)視覺用于作物病害診斷，以改變傳統(tǒng)的診斷方式，為種植戶準(zhǔn)確診斷病害，以及變量施藥提供了決策支持。目前，計(jì)算機(jī)視覺診斷作物病害雖然取得了一定的進(jìn)展，但從研究的深度、應(yīng)用的范圍和實(shí)用化角度看，還存在許多不足，還需進(jìn)一步深入研究。

2.1機(jī)器視覺診斷作物病害存在的問題

筆者查閱了大量文獻(xiàn)，對目前常用的機(jī)器視覺識別作物病害的技術(shù)進(jìn)行了研讀，目前機(jī)器視覺識別作物病害的技術(shù)還不夠成熟，存在以下問題：

（1）在實(shí)驗(yàn)室條件下計(jì)算機(jī)視覺診斷作物病害正確率高，但應(yīng)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(shù)幾種病害圖像診斷，而對大田復(fù)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(tài)和復(fù)雜背景下的病害圖像分割有待進(jìn)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(fā)病時期建立的作物病害診斷系統(tǒng)，用于不同發(fā)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(yōu)缺點(diǎn)，不能適合所有作物病害識別，沒有統(tǒng)一的評價標(biāo)準(zhǔn)，難以實(shí)現(xiàn)各診斷系統(tǒng)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(jī)器視覺診斷作物病還是少數(shù)專家對某類作物在局部范圍內(nèi)的研究，很難滿足現(xiàn)實(shí)生產(chǎn)的多種作物、不同區(qū)域同時診斷的要求。

2.2進(jìn)一步研究重點(diǎn)

根據(jù)以上存在的問題，今后的研究方向和重點(diǎn)為：

（1）機(jī)器視覺識別作物病害技術(shù)從實(shí)驗(yàn)室向大田擴(kuò)展時，需綜合考慮所提取的病害圖像特征在復(fù)雜背景下的可獲取性、穩(wěn)定性、可操作性等。

（2）機(jī)器視覺診斷作物病害系統(tǒng)應(yīng)充分考慮不同發(fā)病時期，識別特征的變化規(guī)律。

（3）研究適合多種作物在復(fù)雜背景下實(shí)現(xiàn)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(cè)重于模糊數(shù)學(xué)、支持向量機(jī)、神經(jīng)網(wǎng)絡(luò)、遺傳算法、組合優(yōu)化等理論與技術(shù)的研究。

（4）建立規(guī)范統(tǒng)一的作物病害圖像數(shù)據(jù)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(tǒng)，以及病害評價標(biāo)準(zhǔn)。

（5）模式識別病害中的算法需進(jìn)一步發(fā)展和優(yōu)化，建立統(tǒng)一的評判標(biāo)準(zhǔn)，評價方法適合所有的識別算法和各應(yīng)用領(lǐng)域，采用定量和客觀評價準(zhǔn)則，可精確描述算法性能，評判應(yīng)擺脫人為因素。

參考文獻(xiàn)：

[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(yīng)用[R].日本：農(nóng)業(yè)機(jī)械學(xué)會關(guān)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(jì)壽文，李娟，等.采用計(jì)算機(jī)視覺進(jìn)行棉花蟲害程度的自動測定[J].農(nóng)業(yè)工程學(xué)報，2001，17（2）：157-160.

[5]賈浩.基于計(jì)算機(jī)視覺的玉米葉部病害識別技術(shù)研究[D]. 泰安：山東農(nóng)業(yè)大學(xué)，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(nóng)業(yè)機(jī)械學(xué)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(shù)研究[D].楊凌：西北農(nóng)林科技大學(xué)，2010.

[8]姜武.模式識別技術(shù)在山茶屬植物數(shù)值分類學(xué)和葉綠素含量預(yù)測中的應(yīng)用研究[D]. 金華：浙江師范大學(xué)，2013.

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

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

[11]趙進(jìn)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(nóng)業(yè)機(jī)械學(xué)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(xué)，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(nóng)機(jī)化研究，2013，35（8）：35-37.

[15]溫長吉，王生生，于合龍，等.基于改進(jìn)蜂群算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的玉米病害圖像分割[J].農(nóng)業(yè)工程學(xué)報，2013，29（13）：142-147.

[16]祁廣云，馬曉丹，關(guān)海鷗.采用改進(jìn)的遺傳算法提取大豆葉片病斑圖像[J].農(nóng)業(yè)工程學(xué)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(nóng)業(yè)工程學(xué)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(jì)算機(jī)與應(yīng)用.2011，3（10）.

[19]張?jiān)骑w.基于量子神經(jīng)網(wǎng)絡(luò)和組合特征參數(shù)的玉米葉部病害識別[J].南方農(nóng)業(yè)學(xué)報，2013，44（8）：1286-1290.

[20]張芳.復(fù)雜背景下黃瓜葉部病害識別方法研究[D]. 沈陽：沈陽農(nóng)業(yè)大學(xué)，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(jì)算機(jī)應(yīng)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(shù)研究[D]. 北京：中國農(nóng)業(yè)科學(xué)院，2010.

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

[24]石鳳梅，趙開才，孟慶林，等.基于支持向量機(jī)的水稻稻瘟病圖像分割研究[J].東北農(nóng)業(yè)大學(xué)學(xué)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(shù)研究[J].計(jì)算機(jī)工程與應(yīng)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(shù)[J].計(jì)算機(jī)應(yīng)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(nóng)業(yè)科學(xué)院，2005.

[28]田有文，李天來，李成華，等.基于支持向量機(jī)的葡萄病害圖像識別方法[J].農(nóng)業(yè)工程學(xué)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(nóng)業(yè)大學(xué)，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(jīng)網(wǎng)絡(luò)在玉米葉部病害識別中的應(yīng)用[J].農(nóng)機(jī)化研究，2011，（6）：145-148.

[32]彭占武.基于圖像處理和模式識別技術(shù)的黃瓜病害識別研究[D].長春：吉林農(nóng)業(yè)大學(xué)，2007.

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

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

[35]邊肇祺，張學(xué)工.模式識別[M].北京：清華大學(xué)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(jì)算機(jī)科學(xué)，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(nóng)墾大學(xué)學(xué)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(nóng)業(yè)科學(xué) 2007，40（4）：698-703

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

[40]Han Jiawei，Kamber M.數(shù)據(jù)挖掘概念與技術(shù)[M].第二版. 范明，孟小峰，譯.北京：機(jī)械工業(yè)出社，2007：251-306.

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

[42]楊占華，楊燕.SOM神經(jīng)網(wǎng)絡(luò)算法的研究與進(jìn)展[J].計(jì)算機(jī)工程，2006，32（16）：201-228.

[43]王軍英.基于BP神經(jīng)網(wǎng)絡(luò)的葡萄病害診斷系統(tǒng)研究[J].農(nóng)業(yè)信息網(wǎng)，2013，8：30-33.

[44]譚克竹，沈維政.基于BP神經(jīng)網(wǎng)絡(luò)的大豆葉片病害診斷模型的研究[J].控制理論與應(yīng)用，2013，32（12）：5-7.

[45]魏清鳳，羅長壽，曹承忠，等.基于模糊神經(jīng)網(wǎng)絡(luò)的蔬菜病害診斷模型研究[J].河南農(nóng)業(yè)科學(xué)，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(jì)建偉.基于支持向量機(jī)的玉米葉部病害識別[J].農(nóng)業(yè)工程學(xué)報，2007，23（1）：155-157.

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

[51]田有文，牛妍.支持向量機(jī)在黃瓜病害識別中的應(yīng)用研究[J].農(nóng)機(jī)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(shù)研究[D].呼和浩特：內(nèi)蒙古工業(yè)大學(xué)，2013.

1 項(xiàng)目基金：云南省科學(xué)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(jī)器視覺診斷作物病害，智能農(nóng)業(yè)方面的研究。

？？

？？

篇4

背景

傳統(tǒng)的肥水控制器采用簡單的時序和星期組合控制已經(jīng)逐漸無法滿足設(shè)施高品質(zhì)農(nóng)產(chǎn)品生產(chǎn)的需求，基于模糊神經(jīng)網(wǎng)絡(luò)的PID控制器開始在溫室得到應(yīng)用(羅淳，2009)，充分利用現(xiàn)代信息技術(shù)的信息采集控制、信息傳輸、信息處理的優(yōu)勢，將控制系統(tǒng)的優(yōu)缺點(diǎn)與實(shí)際應(yīng)用環(huán)境的復(fù)雜性密切結(jié)合，開發(fā)簡單而控制智能化的控制器具有重要意義。

硬件設(shè)計(jì)

硬件設(shè)計(jì)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(qū)將硬件電路分割為操作區(qū)(圖1中的液晶顯示和觸摸屏)、聲光指示區(qū)、輸出區(qū)(圖1中的繼電器ABC)三個部分。操作區(qū)以液晶顯示模塊和鍵盤為主，主要是進(jìn)行程序控制輸入操作的區(qū)域，建立了友好的人機(jī)交互界面。聲光指示區(qū)主要是由紅、綠兩種顏色的發(fā)光二極管來顯示電路硬件的狀態(tài)是否正常。輸出區(qū)主要是端子，用來連接的設(shè)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(tài)顯示當(dāng)前時間，在系統(tǒng)外部斷電后，時鐘芯片仍舊能正常保存當(dāng)前時間，同時繼續(xù)運(yùn)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(wěn)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(tǒng)組成，包括電源電路、復(fù)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(jī)TTL電平轉(zhuǎn)換為RS232電平。如圖4所示。也可用來將水肥歷史作業(yè)數(shù)據(jù)、各分區(qū)工作狀態(tài)等數(shù)據(jù)傳送給上位機(jī)軟件。自動統(tǒng)計(jì)并生成統(tǒng)計(jì)表。方便肥水作業(yè)管理的科學(xué)合理，有據(jù)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(tài)給出實(shí)時提示。如圖5所示。

友好人機(jī)觸摸交互流程

人機(jī)觸摸交互流程主要實(shí)現(xiàn)控制系統(tǒng)人機(jī)交互，輸入采用觸摸屏，輸出采用彩色液晶顯示，人機(jī)觸摸交互包括進(jìn)八主操作頁面，手動注肥設(shè)置、自動注肥設(shè)置、幫助等，流程如圖6所示。

試驗(yàn)結(jié)果

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

試驗(yàn)材料和方法是：使用標(biāo)準(zhǔn)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(wěn)定水壓力的壓力泵，同時將集液瓶放在各滴點(diǎn)下收集各滴點(diǎn)的溶液，燒杯中的400 mL母液全部吸完后，停止試驗(yàn)系統(tǒng)，關(guān)閉壓力泵。將集液瓶從各滴點(diǎn)取下來，進(jìn)行體積(V表示)測量，同時使用熒光測量儀(Trilogy試驗(yàn)專用熒光儀)測試各滴點(diǎn)的溶液樣本的濃度(A表示)。