基于模糊神經(jīng)網(wǎng)絡(luò)的蔬菜病害診斷模型研究

摘要：為探索蔬菜病害診斷的有效方法，研究采用模糊系統(tǒng)與神經(jīng)網(wǎng)絡(luò)相結(jié)合的方法，在對蔬菜病害癥狀進行合理劃分的基礎(chǔ)上，利用綜合考慮癥狀特征及隸屬度的術(shù)語統(tǒng)一描述輸入向量構(gòu)建方法，建立蔬菜病害模糊神經(jīng)網(wǎng)絡(luò)診斷模型。結(jié)果表明，輸入向量構(gòu)建方法有效地表達了病害診斷規(guī)律，診斷模型容錯能力強，正確率達85.5%。

關(guān)鍵詞：模糊神經(jīng)網(wǎng)絡(luò)；蔬菜；病害；診斷

中圖分類號：TP182；S435 文獻標識碼：A 文章編號：0439-8114（2013）17-4224-04

Research on vegetables Disease Diagnosis Model Based on Fuzzy Neural Network

WEI Qing-feng，LUO Chang-shou，CAO Cheng-zhong，GUO Qiang

（Institute of Agriculture Science and Technology Information， Beijing Academy of Agriculture and Forestry Sciences， Beijing， 100097）

Abstract： To explore the effective method for the diagnosis of vegetables diseases， through reasonable division of symptoms， using input vector construction method which contained characteristics of symptoms and membership grade， a vegetables disease diagnosis of fuzzy neural network model was constructed. The experimental results showed that the input vector construction method had effectively expressed the disease diagnosis rule， the model had strong fault tolerant ability， and the average diagnostic accuracy was 85.5%.

Key words： fuzzy neural network； vegetable； disease； diagnosis

收稿日期：2013-01-30

基金項目：國家現(xiàn)代農(nóng)業(yè)科技城綜合信息“三農(nóng)”服務(wù)平臺建設(shè)項目（PT01）；北京市自然科學基金項目（9093019）；北京農(nóng)業(yè)科學院信息所

創(chuàng)新基金項目（SJJ201203）

作者簡介：魏清鳳（1983-），女，湖北武漢人，助理研究員，碩士，主要從事農(nóng)業(yè)信息技術(shù)的研究工作，（電話）13439026360（電子信箱）

weiqingfeng201@163.com；通訊作者，羅長壽，副研究員，（電話）010-51503387（電子信箱）luochangshou@163.com。

病害是影響蔬菜優(yōu)質(zhì)生產(chǎn)的重要制約因素之一。我國農(nóng)村基層還相對缺乏有經(jīng)驗的病害診斷專家，對蔬菜病害不能正確判斷，不但延誤了防治最佳時機，還嚴重降低了蔬菜品質(zhì)。

當前農(nóng)業(yè)病害診斷技術(shù)方法主要有圖像分析診斷[1-4]、專家系統(tǒng)診斷[5-7]以及人工神經(jīng)網(wǎng)絡(luò)診斷[8]等。基于圖像分析的病害診斷方法其圖像的獲取受環(huán)境光照的影響較大，且需要專業(yè)人員在室內(nèi)進行數(shù)據(jù)分析和識別，時效性差，無法實時滿足具體生產(chǎn)實踐的要求?；趯＜蚁到y(tǒng)的診斷方法，采用 IF-THEN產(chǎn)生式推理，存在診斷知識獲取有瓶頸、推理規(guī)則更新難、容錯能力差、串行搜索運行效率低等不足。近年基于人工神經(jīng)網(wǎng)絡(luò)的方法無需建立推理規(guī)則，具有自學習及并行處理能力，較引人注目，但存在對病害癥狀的典型性、非典型性模糊特點無法區(qū)分度量，樣本診斷規(guī)律學習不充分等問題。模糊神經(jīng)網(wǎng)絡(luò)可以將不確定的癥狀信息通過模糊隸屬集來表示，能解決診斷系統(tǒng)中的不確定性知識表示、并行推理等問題，對具有模糊性復(fù)雜性的蔬菜病害診斷非常適用。此文利用模糊系統(tǒng)和神經(jīng)網(wǎng)絡(luò)相結(jié)合的方法，在對病害特征模糊量化方法研究的基礎(chǔ)上，建立能夠?qū)嶋H應(yīng)用的蔬菜病害模糊神經(jīng)網(wǎng)絡(luò)診斷模型，為蔬菜病蟲害防治提供依據(jù)。

1 蔬菜病害診斷知識整理

一般研究中，將植株的發(fā)病部位劃分為根、莖、葉、花、果5個部分[9]。由于部分蔬菜病害（如猝倒?。┰诿缙诩幢憩F(xiàn)出典型癥狀，因此，為提高診斷的全面性和準確性，將蔬菜植株發(fā)病表現(xiàn)最終劃分為根、莖蔓、葉、花、果、苗6個部分。表示如下：

S={Si | i=1，2，3，4，5，6}

式中，Si表示根、莖蔓、葉、花、果、苗6個部分中的1個。

以“北京農(nóng)業(yè)數(shù)字資源中心”中蔬菜病害數(shù)據(jù)庫的知識為基礎(chǔ)，結(jié)合文獻資料、植保專家咨詢及案例分析，對病害特征知識根據(jù)根、莖蔓、葉、花、果、苗6個部分進行分別提取，建立二維知識表。

2 病害癥狀重要性劃分及隸屬函數(shù)

不同癥狀對病害診斷的貢獻程度不同，一些特征明顯的癥狀表現(xiàn)往往是確定某種病害的重要依據(jù)。通常用模糊的自然語言來描述癥狀對于病害識別的重要程度，這里將其劃分為典型癥狀、主要癥狀、一般癥狀3個層次（表1）。

將癥狀重要性隸屬函數(shù)定義為模糊語言值，根據(jù)專家經(jīng)驗法，確定不同層次的隸屬度如下：

L（Si）=1.0 Si∈a0.7 Si∈b0.4 Si∈c i={1，2，3，4，5，6}

L為Si的隸屬度，a、b、c為癥狀類型。

3 基于術(shù)語統(tǒng)一描述的病害癥狀向量構(gòu)建

一般方法中，直接利用診斷資料的原始文本，以癥狀表現(xiàn)部位為單元賦權(quán)值（或隸屬度）作為樣本分量構(gòu)建輸入向量[10]，不僅存在向量攜帶信息量少、向量模長短不一、診斷規(guī)律體現(xiàn)不明顯等問題，還容易產(chǎn)生相同的樣本向量對應(yīng)不同病害種類的錯誤情況，不能較好地對病害原因進行區(qū)分，這也勢必影響到診斷的準確性。對此，本方法將原始資料的自然語言樣本映射到共同語義空間中，統(tǒng)一利用病狀病癥的相關(guān)術(shù)語對癥狀資料的原始文本進行描述，并根據(jù)術(shù)語的定義值以及癥狀重要性隸屬度來確定語義樣本的樣本值，從而構(gòu)建輸入向量，能有效豐富向量信息承載量，充分表達診斷規(guī)律，具體如下。

3.1 自然語言癥狀的術(shù)語映射

本環(huán)節(jié)即是對原始自然語言病害癥狀資料在共同語義空間中利用相關(guān)術(shù)語進行統(tǒng)一描述。根據(jù)植物學知識，感病植株的外觀病態(tài)表現(xiàn)可分為病狀和病征兩大類。共同語義空間的病害癥狀術(shù)語如表2所示。

根據(jù)病害癥狀表，癥狀的自然語言描述轉(zhuǎn)化為術(shù)語描述。如辣椒枯萎病莖蔓部自然語言癥狀={水浸狀腐爛，后全株枯萎，病部白色霉狀物}，經(jīng)語義空間映射后，S2={濕腐，枯死，霉狀物}，其樣本定義值D（S2）為{0，0，2，2，0，1}。

3.2 輸入向量的構(gòu)建

綜合樣本定義值和癥狀重要性隸屬度，形成具有癥狀特征和癥狀重要性信息的向量。為了降低輸入向量維度，對矩陣中同列均為0值的列進行簡約，形成最終輸入向量矩陣。輸入向量表示為：

Xi={D（S1）×L（S1），D（S2）×L（S2），……，D（Si）×L（Si）}

其中，D（Si）為Si癥狀的樣本定義值，L（Si）為Si癥狀的重要性隸屬度。

4 蔬菜病害診斷模型建立

蔬菜病害診斷神經(jīng)網(wǎng)絡(luò)模型采用模糊BP神經(jīng)網(wǎng)絡(luò)構(gòu)建（圖1）。模糊系統(tǒng)和神經(jīng)網(wǎng)絡(luò)按串聯(lián)方式連接，用模糊系統(tǒng)對原始知識進行前處理，用神經(jīng)網(wǎng)絡(luò)進行病害診斷。

第一層為輸入層，其每一個節(jié)點代表一個輸入變量，它將樣本定義值傳遞到模糊層。

第二層為模糊層，基于癥狀樣本定義值和癥狀隸屬度構(gòu)建輸入向量。

第三層為隱含層，實現(xiàn)輸入變量模糊值到輸出變量模糊值映射。隱含層節(jié)點數(shù)確定方法如下：

l=■+a 0

式中，l為隱含層神經(jīng)元個數(shù)，n為輸入層神經(jīng)元個數(shù)，m為輸出層神經(jīng)元個數(shù)，a為取值0～10之間的常數(shù)。

第四層為輸出層，輸出向量采用“n中取1”的二進制編碼法。其中n為編碼長度，即病害總數(shù)。每組編碼中僅有1位為1，其余n-1位為0，表示某一種病害。診斷過程中，最大向元值對應(yīng)著可疑病害。該最大值若接近0， 則表示發(fā)生相對應(yīng)病害的可能性很??；若接近1，則表明發(fā)生相對應(yīng)病害的可能性極大。

5 診斷測試分析

以番茄白絹病、番茄猝倒病、番茄根霉果腐病、番茄青枯病等19種病害為例，經(jīng)上文方法構(gòu)建20維輸入向量（部分輸入如表3），19維輸出向量（部分輸出向量如表4）。設(shè)隱層單元15個，目標誤差0.000 1，循環(huán)1 000次，采用Levenberg-Marquardt 算法進行訓練，并開發(fā)系統(tǒng)界面，對訓練好的模型從診斷容錯性和診斷準確性兩個角度進行分析。

5.1 模型診斷容錯性測試

在實際應(yīng)用過程中，用戶提供的病害癥狀無法與樣本完全一致，病害典型癥狀被選的可能性最大，但部分主要癥狀和一般癥狀存在A-誤選（提供癥狀與樣本癥狀不一致）、B-多選（提供癥狀多于樣本癥狀）、C-少選（提供癥狀少于樣本癥狀）、A+B-多選及誤選、A+C-少選及誤選的情況，據(jù)此選取用戶5組具有代表性測試數(shù)據(jù)（表5），以番茄潰瘍病為例來檢驗?zāi)Ｐ偷娜蒎e性，輸出結(jié)果如表6。

樣本輸出向量中第17位為向元最大值，則表明該輸出結(jié)果為番茄潰瘍病。在5組具有代表性的用戶測試數(shù)據(jù)中，輸出向量的向元最大值始終在第17位，說明診斷模型具有較強的容錯能力。同時，當用戶“誤選”、“多選”，以及“多選+誤選”時，輸出向量第17位向元值分別為0.999 9、0.987 6、0.921 6，接近樣本模擬值1；當用戶“少選”以及“少選+誤選”時，輸出向量第17位向元值分別為0.778 6、0.594 6，較之其他組測試數(shù)據(jù)，較遠離樣本模擬值1，說明用戶提供的病害癥狀信息越多，進行正確診斷的可能性越大。

5.2 模型診斷準確性測試

將本研究與一般方法中直接利用癥狀權(quán)值作為輸入向量的一般神經(jīng)網(wǎng)絡(luò)診斷模型進行準確性比較。測試數(shù)據(jù)包括兩類，即實驗室根據(jù)田間數(shù)據(jù)資料生成的數(shù)據(jù)，以及涉農(nóng)用戶根據(jù)實際生產(chǎn)情況進行癥狀選擇操作生成的數(shù)據(jù)。經(jīng)植保專家驗證，獲得測試結(jié)果平均值見表7。

統(tǒng)計結(jié)果顯示，室內(nèi)室外測試中，基于模糊神經(jīng)網(wǎng)絡(luò)的診斷方法較一般神經(jīng)網(wǎng)絡(luò)在正確率方面均有所提高，說明本研究的思路方案是有效的。其中，實驗室所利用的田間數(shù)據(jù)資料測試結(jié)果好于農(nóng)戶實際應(yīng)用。其原因在于，實驗室所使用的田間數(shù)據(jù)資料較接近文獻資料中的診斷知識，且基于模糊神經(jīng)網(wǎng)絡(luò)的蔬菜病害模型具有較好的容錯性，因此診斷正確率較高。外部基層農(nóng)戶則完全按照自己在生產(chǎn)中見到的癥狀表現(xiàn)進行選擇操作而形成測試數(shù)據(jù)，更為真實地反映了模型的實際應(yīng)用情況。由于實際生產(chǎn)中存在多個病害夾雜同時表現(xiàn)的復(fù)雜情況，這一定程度上影響了診斷正確率，因此也說明在該方面努力能進一步提高模型的實用性。

6 小結(jié)

利用基于術(shù)語統(tǒng)一描述的病害癥狀量化方法，能構(gòu)建既能描述癥狀特征又能反映癥狀重要性的輸入向量，更能有效地體現(xiàn)病害診斷規(guī)律。經(jīng)過誤選、多選、少選、多選+誤選、少選+誤選的5組測試中，診斷結(jié)果仍然能指向正確的病害，模型容錯推理能力較強。將模糊數(shù)學方法引入神經(jīng)網(wǎng)絡(luò)中，結(jié)合基于術(shù)語統(tǒng)一描述的病害癥狀量化方法，建立基于模糊神經(jīng)網(wǎng)絡(luò)的蔬菜病害診斷模型，較之一般基于神經(jīng)網(wǎng)絡(luò)的病害模型，診斷準確性得到了有效提高。

由于農(nóng)業(yè)生產(chǎn)中病害作用的復(fù)雜性，今后將在多個病害同時作用的診斷方面進一步努力探索，以提高模型的生產(chǎn)實用性。同時，隨著移動網(wǎng)絡(luò)技術(shù)的迅猛發(fā)展以及移動設(shè)備終端的日益普及，將進行蔬菜病害診斷系統(tǒng)的研究，以期為蔬菜病蟲害防治咨詢提供更加便捷、靈活、有效的服務(wù)。

參考文獻：

[1] LAI J C， MING B， LI S K， et al. An image-based diagnostic expert system for corn diseases[J]. Agricultural Sciences in China，2010（8）：1221-1229.

[2] 李 旺，唐少先.基于圖像處理的農(nóng)作物病害識別研究現(xiàn)狀[J].湖南農(nóng)機（學術(shù)版），2012，39（1）：176-178.

[3] 劉連忠，張 武，朱 誠. 基于改進顏色特征的小麥病害圖像識別技術(shù)研究[J]. 安徽農(nóng)業(yè)科學，2010，40（26）：12877-12879.

[4] 鄒修國. 基于計算機視覺的農(nóng)作物病蟲害識別研究現(xiàn)狀[J]. 計算機系統(tǒng)應(yīng)用，2011，20（6）：238-242.

[5] MANSINGH G， REICHGELT H， BRYSON K O. CPEST： An expert system for the management of pests and diseases in the Jamaican coffee industry[J]. Expert Systems with Applications，2007，32（1）：184-192.

[6] 林 瀟，李紹穩(wěn)，張友華，等.基于本體的水稻病害診斷專家系統(tǒng)研究[J].數(shù)字技術(shù)與應(yīng)用，2010（11）：109-111.

[7] GHOSH I， SAMANTA R K. Teapest：An expert system for insect pest management in tea[J].Applied Engineering in Agriculture，2003，19（5）：619-625.

[8] 王軍英.基于BP神經(jīng)網(wǎng)絡(luò)的葡萄病害診斷方法研究[J].農(nóng)業(yè)網(wǎng)絡(luò)信息，2010（6）：21-23，36.

[9] 金 燕，石雪暉，熊興耀，等.基于人工神經(jīng)網(wǎng)絡(luò)的葡萄病害診斷專家系統(tǒng)[J].計算機工程與應(yīng)用，2009，45（21）：215-217.

[10] 崔應(yīng)峰，王世平.葡萄病害智能診斷網(wǎng)絡(luò)模型的比較[J]. 上海交通大學學報（農(nóng)業(yè)科學版），2011，29（4）：79-86.

（責任編輯 王曉芳）