基于改進(jìn)概率神經(jīng)網(wǎng)絡(luò)的玉米與雜草識(shí)別

張新明，涂強(qiáng)，馮夢(mèng)清

（1.河南師范大學(xué) 計(jì)算機(jī)與信息工程學(xué)院，河南 新鄉(xiāng) 453007；

2.河南省高校計(jì)算智能與數(shù)據(jù)挖掘工程技術(shù)研究中心，河南 新鄉(xiāng) 453007）

0 引言

玉米是我國(guó)主要的糧食、飼料及經(jīng)濟(jì)作物，在糧食作物生產(chǎn)中占有非常重要的地位，但農(nóng)田中的雜草一直影響著玉米的豐收。對(duì)雜草不加控制一般降低農(nóng)作物產(chǎn)量在10%到95%之間［1］。因此，尋找有效的雜草控制方法至關(guān)重要。目前，控制雜草的策略主要包括人工除草，機(jī)械除草，或使用除草劑除草。其中，玉米田中的雜草防除方式以化學(xué)藥品除草為主，而長(zhǎng)期大量地使用除草劑會(huì)造成雜草易產(chǎn)生抗藥性、環(huán)境污染及除草劑殘留等問題。機(jī)器學(xué)習(xí)系統(tǒng)能夠區(qū)分農(nóng)作物和雜草，以便有效地應(yīng)用除草劑可以提高農(nóng)業(yè)的收益并且減少環(huán)境污染。這種方法通過一個(gè)自動(dòng)化系統(tǒng)在農(nóng)田的不同部分采集圖像，對(duì)相應(yīng)的雜草識(shí)別并噴灑藥劑，因此機(jī)器學(xué)習(xí)系統(tǒng)在農(nóng)作物和雜草的識(shí)別中越來(lái)越受到關(guān)注，成為研究的熱點(diǎn)。這類研究主要分為兩大類，第一類是識(shí)別方法的研究：如Guerrero等人［2］在玉米田中使用SVM識(shí)別玉米、雜草和背景。Montalvo等人［3］提出了一種基于自動(dòng)化專家系統(tǒng)的玉米與雜草識(shí)別方法，用于處理混雜有黃色土壤的農(nóng)作物與雜草的識(shí)別；Tellaeche等人［4］提出了一種結(jié)合分割技術(shù)和基于決策方法的雜草分類方法；Rumpf等人［5］介紹了一種基于順序SVM小粒雜草識(shí)別的方法。第二類主要是農(nóng)作物與雜草特征提取的研究，如王懷宇等人［6］和王宏艷等人［7］提出了一種基于紋理特征的玉米與雜草的分類方法；袁海波［8］使用綠色增強(qiáng)因子統(tǒng)計(jì)圖，利用過綠特征作為參數(shù)，結(jié)合BP神經(jīng)網(wǎng)絡(luò)，采用像素位置直方圖法識(shí)別出雜草；侯晨偉［9］使用目標(biāo)對(duì)象的形狀特征作為輸入向量，由概率神經(jīng)網(wǎng)絡(luò)（Probabilistic Neural Networks，PNN）識(shí)別出玉米幼苗。這些研究都對(duì)機(jī)器學(xué)習(xí)方法在農(nóng)作物與雜草識(shí)別上的應(yīng)用起到了非常重要的作用。但在實(shí)際運(yùn)用中，基于傳統(tǒng)PNN的方法存在識(shí)別精度不高、性能不穩(wěn)定，實(shí)時(shí)性不強(qiáng)的問題。而且在雜草識(shí)別方法中，研究PNN的甚少。因此，本文結(jié)合玉米與雜草圖像以綠色為主色、大小和方向不同等特點(diǎn)，采用易于實(shí)現(xiàn)和有效的圖像預(yù)處理方案，提取有效的圖像特征，期望能提高識(shí)別性能；又針對(duì)PNN計(jì)算復(fù)雜度高難以應(yīng)用到實(shí)時(shí)性高的場(chǎng)合等問題，對(duì)傳統(tǒng)的概率神經(jīng)網(wǎng)絡(luò)進(jìn)行改進(jìn)，形成改進(jìn)的概率神經(jīng)網(wǎng)絡(luò)（Improved PNN，IPNN），以此構(gòu)建出一種有效和快速的玉米與雜草識(shí)別方法。

1 雜草與玉米圖像特征的提取

玉米與雜草特征的有效提取不僅決定識(shí)別性能，而且也影響著識(shí)別速度，所以特征提取尤為重要。在玉米農(nóng)田中采集的圖像一般具有如下特點(diǎn)：第一、玉米與雜草都是綠色植物，有別于農(nóng)田中的其他顏色物體，如紅花等，或背景如黃土等；第二、采集的玉米與雜草不可能是大小相同的；第三、這些玉米與雜草在圖片中可能方向是不同的；第四、為了實(shí)時(shí)應(yīng)用，特征提取算法應(yīng)該具有簡(jiǎn)單、高效和快速的優(yōu)點(diǎn)。因此，針對(duì)以上特點(diǎn)，本文首先采用綠色加重法將RGB彩色圖像轉(zhuǎn)化灰度圖像，綠色加重法主要增強(qiáng)綠色權(quán)重，減弱紅色和藍(lán)色權(quán)重，以便消除其他顏色物體對(duì)識(shí)別算法的影響，將彩色圖像轉(zhuǎn)化為灰度圖像主要是為了降低整個(gè)算法的計(jì)算復(fù)雜度；然后采用一種高效的分割算法分割出圖片中的玉米、雜草等對(duì)象，其后對(duì)分割后的圖片進(jìn)行形態(tài)學(xué)處理，主要目的就是為了消除野點(diǎn)和毛刺；最后鑒于圖片中的玉米與雜草大小、方向不同，提取顏色和不變矩特征，能夠保證尺度不變、旋轉(zhuǎn)不變和平移不變。

1.1 圖像灰度化、圖像分割和形態(tài)學(xué)處理

圖像灰度化。以圖1（a）所示的雜草圖像為例，利用綠色在農(nóng)作物（玉米及雜草）中所占權(quán)重比大的特點(diǎn)來(lái)進(jìn)行彩色圖像的灰度化，通過式（1）將RGB圖像變成灰度圖像：

其中r，g和b是權(quán)重系數(shù)，T為轉(zhuǎn)化后的灰度圖像，R、G和B分別為RGB圖像中的紅色、綠色和藍(lán)色三分量。使用綠色加重法的參數(shù)選擇如下：r＝－1，g＝2，b＝－1，即綠色分量的權(quán)重遠(yuǎn)遠(yuǎn)大于其他兩種顏色分量的權(quán)重。作越界處理：對(duì)于uint8類型的圖像，如果T＜＝0，則T＝0；如果T＞＝255，則T＝255，如此保證灰度輸出值T在［0，255］的范圍之內(nèi)。如圖1（b）是采用綠色加重法進(jìn)行灰度轉(zhuǎn)換得到的灰度圖像。

圖像分割。由于采集的圖像有可能是雜草、玉米和背景等多個(gè)對(duì)象的圖像，所以必須對(duì)圖像進(jìn)行分割。目前分割方法有許多，而閾值分割方法以簡(jiǎn)單、高效、穩(wěn)定和易實(shí)現(xiàn)被廣泛使用，本文采用文獻(xiàn)［10］提出的高效Otsu分割方法進(jìn)行分割，這種方法不僅抗干擾能力強(qiáng)，而且運(yùn)行速度也快捷。采用該方法對(duì)圖1（b）進(jìn)行分割，其分割結(jié)果見如圖1 c所示。

形態(tài)學(xué)處理。分割后的圖像如果不作后處理，會(huì)出現(xiàn)野點(diǎn)和不必要的毛刺等，這些都會(huì)影響有效特征提取最終影響識(shí)別性能。本文采用形態(tài)學(xué)的Open算子和Close算子對(duì)分割后的圖像進(jìn)行形態(tài)學(xué)處理消除野點(diǎn)等的影響，圖1（d）是形態(tài)學(xué)處理后的二值圖。

Fig.1 Image preprocessing圖1 圖像預(yù)處理

1.2 特征提取

通過以上的預(yù)處理，然后從每個(gè)分割對(duì)象圖像中提取13個(gè)有效特征。這些特征被分成兩類：6個(gè)顏色特征，7個(gè)不變矩特征。

1.2.1 顏色特征

為了得到有效的顏色特征，首先對(duì)分割后的對(duì)象圖像進(jìn)行亮度歸一化。讓R、G和B分別表示原RGB圖像三個(gè)顏色分量，那么亮度歸一化就是每個(gè)顏色分量除以所有的三個(gè)顏色分量的總和，這樣可以使不同亮度級(jí)的顏色特征一致。

其中，r，g和b是處理過的顏色分量。然后計(jì)算顏色特征，這些顏色特征包括：r、g和b的平均值，標(biāo)準(zhǔn)方差一共六個(gè)特征。

1.2.2 不變矩特征

不變矩主要表征了圖像區(qū)域的幾何特征，又稱為幾何矩。令f（x，y）表示植物的二值化圖像，則f（x，y）值為“1”時(shí)表示要處理對(duì)象的像素點(diǎn)，f（x，y）值為“0”時(shí)表示為非處理對(duì)象的像素點(diǎn)。本文挑選了7個(gè)二維不變矩，具體計(jì)算公式見文獻(xiàn)［11］。這些不變矩是由歸一化的二階和三階中心距得到的，對(duì)于平移、旋轉(zhuǎn)、鏡面以及尺度變換具有不變性。

2 改進(jìn)概率神經(jīng)網(wǎng)絡(luò)的玉米與雜草識(shí)別

2.1 傳統(tǒng)的概率神經(jīng)網(wǎng)絡(luò)

概率神經(jīng)網(wǎng)絡(luò)（PNN）是1990年Specht首先提出的一種基于貝葉斯決策理論與Parzen窗口的概率密度估計(jì)方法的神經(jīng)網(wǎng)絡(luò)［12］。PNN是建立在徑向基函數(shù)網(wǎng)絡(luò)（RBF）基礎(chǔ)之上、結(jié)構(gòu)簡(jiǎn)單和容易設(shè)計(jì)的分類網(wǎng)絡(luò)，能用線性學(xué)習(xí)算法實(shí)現(xiàn)非線性學(xué)習(xí)算法的功能，在模式分類問題中獲得了廣泛應(yīng)用。與傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)相比具有如下優(yōu)點(diǎn)：第一、連接權(quán)重由訓(xùn)練樣本唯一確定，所以訓(xùn)練過程簡(jiǎn)單，速度快，且無(wú)須反復(fù)訓(xùn)練網(wǎng)絡(luò)；第二、分類能力強(qiáng)，收斂性能好，在足夠的訓(xùn)練樣本情況下能夠保證獲得貝葉斯準(zhǔn)則下的最優(yōu)解；第三、結(jié)構(gòu)設(shè)計(jì)方便靈活，有較好的容錯(cuò)性和擴(kuò)充性，隱含層神經(jīng)元個(gè)數(shù)由訓(xùn)練樣本自適應(yīng)確定。它的層次模型由輸入層、模式層、求和層、輸出層共四層組成如圖2所示。

輸入層含有q個(gè)神經(jīng)元，代表輸入樣本的維數(shù)，即

模式層含有m個(gè)隱神經(jīng)元，即各個(gè)類別訓(xùn)練樣本之和為m；針對(duì)輸入樣本，計(jì)算它與每一個(gè)訓(xùn)練樣本之間的歐式距離，再用高斯概率密度函數(shù)得到其相似度見式（4）所示。

Fig.2 Structure graph of PNN model圖2 PNN模型的結(jié)構(gòu)圖

其中，X為待分類的輸入樣本，Yk為訓(xùn)練樣本，｜｜X－Yk｜｜表示求歐式距離，即待分類的輸入樣本X與訓(xùn)練樣本Yk之間的距離，σ為平滑因子。

求和層是對(duì)同一類別訓(xùn)練樣本的模式層輸出進(jìn)行概率累計(jì)，依據(jù)式（5）計(jì)算得到分類模式的估計(jì)概率密度函數(shù)，其中mi為訓(xùn)練樣本中屬于第i類別的樣本個(gè)數(shù)。求和層單元將屬于自己類的模式層單元的輸出相加，與屬于其他類別的模式層單元的輸出無(wú)關(guān)。

針對(duì)求和層的輸出，競(jìng)爭(zhēng)層選擇最大的后驗(yàn)概率密度作為整個(gè)系統(tǒng)的輸出，每種輸出代表一種類別，概率密度函數(shù)最大的那個(gè)神經(jīng)元輸出為1，所對(duì)應(yīng)的那一類即為待識(shí)別樣本的類別，其他神經(jīng)元的輸出為0。

2.2 改進(jìn)的概率神經(jīng)網(wǎng)絡(luò)

雖然PNN有許多優(yōu)點(diǎn)，但從以上結(jié)構(gòu)可以看出，PNN在估計(jì)概率密度時(shí)，需要利用所有訓(xùn)練樣本與輸入樣本計(jì)算歐式距離見式（4），而對(duì)于維數(shù)較高的樣本，計(jì)算歐式距離是非常耗時(shí)的，而且隨著訓(xùn)練樣本數(shù)的增加，隱神經(jīng)元的個(gè)數(shù)增加，計(jì)算復(fù)雜度大幅度增加。所以對(duì)于玉米與雜草識(shí)別的實(shí)時(shí)性較高場(chǎng)合，對(duì)PNN的結(jié)構(gòu)進(jìn)行改進(jìn)是非常必要的。本文針對(duì)此問題，提出了一種改進(jìn)的PNN方法，其步驟描述如下：

步驟1 Y＝｛Y1，Y2，…，Yi，…，Ym｝，其中Yi＝（yi1，yi2，…，yij，…，yiq），則計(jì)算訓(xùn)練樣本各個(gè)特征的中值如式（6）所示：

步驟2 計(jì)算待識(shí)別的每個(gè)樣本與特征中值Ymed的差Xd，再計(jì)算訓(xùn)練樣本與特征中值Ymed的差Yd；

步驟3 對(duì)Yd進(jìn)行歸一化，得到歸一化的Ydg；

步驟4 先對(duì)Xd轉(zhuǎn)置，然后采用矩陣的乘法計(jì)算兩個(gè)矩陣的乘積，其中T表示轉(zhuǎn)置；

步驟5 采用式（8）計(jì)算高斯概率密度函數(shù)：

步驟6 同原PNN一樣進(jìn)行求和層和競(jìng)爭(zhēng)層的計(jì)算。

從改進(jìn)的PNN算法可以看出，計(jì)算復(fù)雜度大幅度降低，因?yàn)橄嗽璓NN中歐式距離的計(jì)算，相對(duì)于訓(xùn)練樣本，IPNN算法只有一次中值計(jì)算、兩次差運(yùn)算和一次矩陣乘法。

2.3 基于IPNN的玉米與雜草識(shí)別

用13個(gè)特征組成特征向量，用該向量表示一個(gè)樣本。但在13個(gè)特征中，每個(gè)特征對(duì)識(shí)別率的貢獻(xiàn)是不一樣的。另外用少數(shù)特征進(jìn)行分類器設(shè)計(jì)，不僅在樣本不多的條件下可以改善分類器的總體性能，而且在很多情況下，能夠簡(jiǎn)化特征的獲取過程和降低圖像識(shí)別系統(tǒng)的代價(jià)，因此進(jìn)行特征選擇是必要的。本文采用簡(jiǎn)單易操作的次優(yōu)搜索法進(jìn)行特征選擇，即采用文獻(xiàn)［13］中的順序前進(jìn)法、單獨(dú)最優(yōu)特征組合法和順序后退法獲得三種特征選擇方案。13維特征向量及三種特征方案如表1所示。

表1 13個(gè)特征組成的特征向量及特征選擇方案Table 1 13 dimensional feature vector and feature selection approaches

13個(gè)特征對(duì)應(yīng)二進(jìn)制數(shù)組中的13個(gè)邏輯變量，即x＝｛x1，x2，…，x13｝，其中，x1，x2，…，x13取1或者0，當(dāng)取1時(shí)為有效特征，取0時(shí)無(wú)效?；贗PNN玉米與雜草識(shí)別方法的基本流程包括訓(xùn)練樣本和測(cè)試樣本的獲取，樣本的歸一化、創(chuàng)建網(wǎng)絡(luò)模型、訓(xùn)練樣本和測(cè)試樣本。

（1）訓(xùn)練樣本和測(cè)試樣本的獲取。將獲取的樣本隨機(jī)分為兩組，分別為訓(xùn)練樣本和測(cè)試樣本，在本文中要求各類樣本在兩組樣本中大體上分布均勻，并標(biāo)注每個(gè)樣本的類別；

（2）樣本歸一化。因?yàn)轭伾卣骱筒蛔兙靥卣鲿?huì)有不同的取值范圍，即尺度不同，為了使其能夠在統(tǒng)一特征向量情況下發(fā)揮各自特征的作用，必須對(duì)樣本（不管是訓(xùn)練樣本還是測(cè)試樣本）進(jìn)行歸一化，即將每個(gè)特征歸一到一個(gè)限定的取值范圍［fmin，fmax］，在本文中fmin＝0，fmax＝13；

（3）創(chuàng)建網(wǎng)絡(luò)模型。采用訓(xùn)練樣本對(duì)IPNN進(jìn)行訓(xùn)練，獲得網(wǎng)絡(luò)模型，以便用此網(wǎng)絡(luò)模型測(cè)試待測(cè)樣本的類別；

（4）樣本測(cè)試。采用IPNN進(jìn)行樣本測(cè)試。

3 仿真結(jié)果與分析

為了驗(yàn)證本文提出方法的有效性，將本文提出的方法用于實(shí)際的玉米與雜草識(shí)別，并將識(shí)別結(jié)果與傳統(tǒng)的PNN、廣義回歸神經(jīng)網(wǎng)絡(luò) GRNN（Generalized Grgression Neural Network）和極限學(xué)習(xí)網(wǎng)絡(luò) ELM（Extreme Learning Machine）［14］的識(shí)別結(jié)果進(jìn)行比較，由于沒有基準(zhǔn)玉米與雜草圖像數(shù)據(jù)庫(kù)，所以本文直接采集玉米農(nóng)田的圖像數(shù)據(jù)，并進(jìn)行預(yù)處理和特征提取，構(gòu)建樣本數(shù)據(jù)。限于示例說(shuō)明，本文選用140個(gè)樣本，其中70個(gè)樣本屬于玉米，余下的70個(gè)樣本為雜草。

3.1 實(shí)驗(yàn)圖像的采集

拍攝的圖像使用了一個(gè)普通數(shù)碼相機(jī)，相機(jī)圖像的分辨率設(shè)置為1 200×768像素。在圖像樣本采集期間，所有的玉米與雜草圖片拍攝于苗期階段，選取玉米田中常見的雜草，并選擇來(lái)自田地的不同區(qū)域。這樣拍出的圖片，具有一定的普適性，以使系統(tǒng)符合實(shí)際農(nóng)田的需求。為了模擬系統(tǒng)安裝在機(jī)器上的要求，圖片盡量做到垂直于地面拍攝。

3.2 軟硬件環(huán)境和參數(shù)設(shè)置

算法采用MATLAB R2014A語(yǔ)言實(shí)現(xiàn)，所有實(shí)驗(yàn)是在CPU主頻3.4 GHz的Intel Core（TM）i7-3770和內(nèi)存8 GB的聯(lián)想電腦上進(jìn)行，操作系統(tǒng)為32位的Window 7。以隨機(jī)均衡抽取的方式選取總樣本的一半作為四種識(shí)別方法的訓(xùn)練集，其余一半作為測(cè)試集。另外PNN和GRNN直接采用Matlab自帶的函數(shù)實(shí)現(xiàn)，而ELM采用Huang［14］提供的Matlab程序代碼，并加上了集成方案。為了公平起見，PNN、GRNN和IPNN使用的平滑因子采用相同的值為0.5；ELM采用程序代碼中的默認(rèn)參數(shù)值，其集成方案中的分類器個(gè)數(shù)為11

3.3 實(shí)驗(yàn)結(jié)果及分析

實(shí)驗(yàn)1：四種神經(jīng)網(wǎng)絡(luò)的識(shí)別性能對(duì)比

為了考察IPNN的識(shí)別精度，將其與PNN、GRNN、ELM三種識(shí)別方法進(jìn)行對(duì)比，測(cè)試四種方法使用三種特征選擇方案在測(cè)試集上的識(shí)別結(jié)果，其中三種特征選擇方案見表1：方案1使用了13個(gè)特征中的8個(gè)特征，分別是r的方差、g的均值、g的方差、b的方差、第一不變矩、第五到第七不變矩，方案2使用了13個(gè)特征中的9個(gè)特征，分別是r的均值、g的方差、b的均值以及除了第四不變矩以外的其他六個(gè)不變矩，方案3使用了13個(gè)特征中的7個(gè)特征，分別是r的均值、g的方差、b的方差以及除了第二到第四不變矩以外的其他四個(gè)不變矩。表2列出了四種方法在三種特征方案上的識(shí)別率。圖3是四種神經(jīng)網(wǎng)絡(luò)識(shí)別方法在特征選擇方案1的識(shí)別效果圖。從表2可以看出，IPNN的識(shí)別率最高，平均為95.238 1見表2的最后一行，比PNN高近4個(gè)百分點(diǎn)；且在三種特征選擇方案中，識(shí)別率都是最高的。從圖3可以看出IPNN在70個(gè)測(cè)試樣本中，有3個(gè)樣本識(shí)別錯(cuò)誤（見圖3（a）中的三條豎線），識(shí)別率為95.714 3%，而PNN和GRNN有四個(gè)樣本識(shí)別錯(cuò)誤，ELM有22個(gè)樣本識(shí)別錯(cuò)誤，IPNN的錯(cuò)誤識(shí)別數(shù)是最少的。

Fig.3 Identification results of 4 NN methos on Approach 1圖3 四種神經(jīng)網(wǎng)絡(luò)方法在方案1上的識(shí)別結(jié)果圖

由表2還可知，不同的特征選擇方案會(huì)影響識(shí)別性能，如方案1在三種方案中，對(duì)于PNN和GRNN識(shí)別性能最好，而IPNN在方案3上最好，ELM在方案2上有更好的表現(xiàn)。因此，對(duì)于不同的玉米與雜草識(shí)別算法應(yīng)該選擇適合自己最優(yōu)的特征組合，以便提高識(shí)別精度，本文選擇方案3的樣本特征向量作為IPNN的輸入。另外，不管是哪一個(gè)方案，特征數(shù)都少于13，也就是說(shuō)選用某一個(gè)方案不僅會(huì)影響識(shí)別性能，而且因?yàn)樘卣鲾?shù)減少，可以減少特征提取的時(shí)間，樣本數(shù)據(jù)越多，這種優(yōu)勢(shì)就越明顯。

實(shí)驗(yàn)2：四種神經(jīng)網(wǎng)絡(luò)的運(yùn)行速度對(duì)比

表3列出了四種神經(jīng)網(wǎng)絡(luò)識(shí)別方法在三種特征方案上的運(yùn)行時(shí)間，此時(shí)間不包括圖像的采集、預(yù)處理和特征提取的時(shí)間。從表3可以看出IPNN耗時(shí)最少為0.016 6s見表3最后一行，是PNN的3.7%，也比GRNN和ELM少許多，正如上文所述PNN的計(jì)算復(fù)雜度隨著訓(xùn)練樣本增加而大幅度增加，所以如果采用大量的訓(xùn)練樣本，這種速度差距會(huì)更加明顯，這說(shuō)明本文的改進(jìn)是有效的。即使加上圖像預(yù)處理和特征提取的時(shí)間，本文提出的IPNN方法在四種識(shí)別方法中的耗時(shí)仍然較少，可滿足實(shí)時(shí)要求較高的應(yīng)用場(chǎng)合。

表2 四種方法在三種特征選擇方案上的識(shí)別率／%Table 2 Identification rates of 4 methods on 3 feature selection approaches

表3 四種方法在三種特征選擇方案上的運(yùn)行時(shí)間／sTable 3 Running times of 4 methods on 3 feature selection approaches

綜合兩個(gè)實(shí)驗(yàn)的結(jié)果，本文提出的IPNN識(shí)別方法不僅識(shí)別性能提高，而且識(shí)別速度更快，說(shuō)明IPNN方法和特征提取方案是可行的。

4 結(jié)論與展望

本文針對(duì)玉米與雜草圖像的特點(diǎn)，提出了一種基于改進(jìn)概率神經(jīng)網(wǎng)絡(luò)的玉米與雜草識(shí)別方法，首先通過對(duì)彩色圖像綠色加重灰度化，再使用有效的Otsu分割法和形態(tài)學(xué)方法對(duì)玉米雜草圖像進(jìn)行分割和預(yù)處理；然后提取出玉米與雜草的13個(gè)有效特征；其次，通過對(duì)概率神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的改進(jìn)提高運(yùn)行速度和識(shí)別性能，通過次優(yōu)搜索方法選擇最優(yōu)的特征組合更好地提高了識(shí)別性能。分析結(jié)果表明，基于IPNN的識(shí)別方法可以達(dá)到95.2%以上的精度。為了進(jìn)一步提高算法的效率，我們未來(lái)的任務(wù)將包括研究更快速的圖像預(yù)處理方法、快速提取更有效的特征和特征的最佳選擇方案，以及在實(shí)時(shí)雜草識(shí)別系統(tǒng)中引入更高效的機(jī)器學(xué)習(xí)技術(shù)，以便更好地適應(yīng)大數(shù)據(jù)時(shí)代下的精細(xì)化農(nóng)業(yè)需求。

［1］ Young D，Miller S，F(xiàn)isher H，etal.Selecting Appropriate Weed Control Systems for Developing Countries［J］.WeedScience，1978，26（3）：209-212.

［2］ Guerrero J M，Pajares G，Montalvo M，etal.Support Vector Machines for Crop／Weeds Identification in Maize Fields［J］.ExpertSystemswithApplications，2012，39（12）：11149-11155.

［3］ Montalvo M，Guerrero J M，Romeo J，etal.Automatic Expert System for Weeds／Crops Identification in Images from Maize Fields［J］.ExpertSystemswithApplications，2013，40（1）：75-82.

［4］ Tellaeche A，Pajares G，Burgos-Artizzu X P，etal.A Computer Vision Approach for Weeds Identification Through Support Vector Machines［J］.AppliedSoftComputing，2011，11（1）：908-915.

［5］ Rumpf T，R?mer C，Weis M，etal.Sequential Support Vector Machine Classification for Small-grain Weed Species Discrimination With Special Regard to Cirsium Arvense and Galium Aparine［J］.ComputersandElectronicsinAgriculture，2012，80：89-96.

［6］ 王懷宇，李景麗.基于紋理特征的玉米苗期田間雜草識(shí)別［J］.江蘇農(nóng)業(yè)科學(xué)，2014，4（27）：143-145.

［7］ 王宏艷，呂繼興.基于紋理特征與改進(jìn)SVM 算法的玉米田間雜草識(shí)別［J］.湖北農(nóng)業(yè)科學(xué)，2014，53（13）：3163-3169.

［8］ 袁海波，史巖，梁安波，等.基于神經(jīng)網(wǎng)絡(luò)的雜草識(shí)別試驗(yàn)研究［J］.機(jī)電工程，2008，25（4）：28-30，33.

［9］ 侯晨偉，陳麗.基于概率神經(jīng)網(wǎng)絡(luò)的玉米苗期雜草識(shí)別方法的研究［J］.農(nóng)機(jī)化研究，2010，11（11）：41-43.

［10］ 張新明，孫印杰，鄭延斌.二維直方圖準(zhǔn)分的 Otsu圖像分割及其快速實(shí)現(xiàn)［J］.電子學(xué)報(bào)，2011，39（8）：1778-1784.

［11］ Gonzalez R C，Woods R E.Digital Image Processing（3rd Edition）［M］.Upeer Saddle River，NJ：Prentice Hall，2010.

［12］ Specht D.Probabilistic Neural Network［J］.NeuralNetworks，1990，3（1）：109-118.

［13］ 邊肇祺，張學(xué)工.模式識(shí)別：第二版［M］.北京：清華大學(xué)出版社，2000：202-205.

［14］ Huang G B，Ding X J，Zhou H M，etal.Extreme Learning Machine for Regression and Multiclass Classification［J］.IEEE Transactions on Systems，Man，and Cybernetics-Part B：Cybernetics，2012，42（2）：513-529.