版权信息
省级大型综合性科技类期刊
主管部门:自治区科技厅
主办单位:自治区科学技术信息研究院 
协办单位:自治区科学技术情报学会
编辑出版:科技期刊编译室
刊社地址:呼和浩特新城西街149号本刊杂志社
邮政编码:010000
电      话:0471-2536371

E-mail  :

nmgkjzz@vip.163.com 

网站地址:www.nmgkjzz.com


往期杂志
当前位置: 首页>往期杂志>详细介绍

基于改进遗传算法的农作物生育期自动识别方法

时间:2016-07-28来源: 作者: 点击: 321次




摘 要在有限的可分配资源内,为了能够在最短的时间内实现对多种农作物在不同生育期的自动识别,本文采用任务完成的总时间倒数作为适应度函数,确保完成的总时间最小,同时采用了改进型交叉算子和改进型变异算子,保证了遗传算法的收敛能力,提高了算法的优化能力,有效的避免了“早熟”现象的发生,避免陷入局部最优,输出了最优的算法调度机制。通过对甘蔗及棉花试验结果表明,此算法与改进前相比,作物发育期自动识别时间有明显缩短。

关键词:作物生育期;自动识别;改进遗传算法

中图分类号          文献标志码

 

0. 引言

我国是一个农业生产大国,农作物生育期的自动准确的识别,对农事活动,农业防灾减灾具有重要的指导作用[1-2]。目前对农作物生育期的自动识别,主要基于图像处理技术[3-5]和农田小气候处理分析技术[6-7],而不同的农作物有不同的生育期,每个生育期的处理算法也存在很大差异,算法的复杂度也不尽相同[3-6]。如何对资源进行合理的分配,对任务进行高效的调度,能够在较短的时间内,最大程度的满足用户服务质量是农作物生育期自动识别系统的重点和难点。

目前已有的较为经典的资源调度算法有最早截止算法、短任务优先算法,先到先服务算法、时间片轮询算法等[8-10]。但对农作物生育期自动识别系统而言,存在着作物种类多、任务处理长、各个生育期算法不同等现状。

本研究采用任务完成的总时间倒数作为适应度函数,确保完成的总时间最小,同时采用改进型交叉算子和改进型变异算子,保证了遗传算法的收敛能力,提高了算法的优化能力,避免了“早熟”现象的发生。实现了最佳策略的任务调度机制算法对多种作物,多个台站作物的生育期的自动识别。

1数据来源

在农田自然光照下,使用佳能200万像素数码相机两路拍摄系统,在广西分别对甘蔗的幼苗期、分蘖期、伸长期及成熟期进行拍摄,对棉花的出苗期、现蕾期、开花期、吐絮期进行拍摄,获取的图片保存于后台处理器中。

2识别方法

2.1编码和解码

通过编码,能保证任务编码序列的唯一性。具体方法为:首先提供Ntype种待检测的农作物,并确定Ntype种农作物待检测的总生育期数量为Total;然后对每一待检测农作物的染色体进行编码,任意待检测农作物染色体的长度均为Total,在系统的可分配资源个数为W时,染色体内每个基因在资源编号[0,W-1]内随机取值;对提供的Ntype种待检测的农作物中,第i种农作物有个台站的待检测图像序列,且第i种农作物有个阶段的生育期,则Ntype种农作物待检测的总生育期数量Total为:

          (1)

系统的可分配资源是指用于识别农作物生育期的识别系统能用于进行识别的可用资源,不同的识别系统具有不同的可分配资源个数。通常每个监测台站在相同时刻只负责采集一种作物的图片序列,但对于每块观测的种植区域,这季作物成熟后,下一季可能种植其它类型的作物,每种作物有不同的生育周期。每个监测台站的待检测图片序列存在两种情况:不同作物的生育期图片序列;一种作物的生育期图片序列。

2.2生成初始种群

首先随机生成由S条染色体构成的初始种群,初始种群中每一染色体的染色体长度均为Total,且初始种群的染色体内每个基因在资源编号[0,W-1]内随机取值;

初始种群内S条染色体的编码方式采用2.1小节中的编码方式,由系统采用随机函数进行随机生成。初始种群中染色体的数量S与总生育期数量Total之间无任何关联。

2.3构造适应度函数

根据任务总执行时间的倒数得到适应度函数得到初始种群中每个染色体的适应度,其过程为:

1)统计第k个生育期执行任务长度为(单位:百万指令),k取值范围为[1,Total];第j个资源的执行能力为(单位:百万指令/秒),j的取值为[0,W-1];则第k个生育期在可该分配资源上的预完成时间为:

   (2)

2)统计所有生育期执行的总时间,得到

   (3)

其中,x取值范围[1,S];

3)采用任务总完成时间的倒数作为适应度函数,得到

        (4)

在初始种群的S条染色体中,由于每个染色体的基因不同,导致每个生育期的任务长度不同。第K个生育期会调用检测该生育期的检测算法,同一种作物生育期图像特征均不一样,检测算法也不一样。这种统计只负责生育期检测模块的任务调度策略,具体的识别任务是在该策略的调度下,调用的生育期检测模块来完成。

2.4选择操作

根据每个染色体的适应度值,以确定每个染色体被选择的概率,根据每个染色体的选择概率后,选择用于交叉的M条染色体;

每个染色体被选择的概率为:

        (5)

其中,为当前染色体的适应度值。

选择操作是遗传算法评价个体适应性强度的方式,首先根据2.3小节计算得到初始种群中每个染色体的适应度值,然后通过公式(5)得到每个染色体的适应度值在整个初始种群的所有湿度值中所占的比例。即适应度值高的染色体以较高的概率被继承下来,为下一代提供了良好的基因。具体实施时,采用轮盘赌选择法,使用随机函数RANDOM产生[00.5]的随机常数r,选择概率r进行比较,选择概率大于r的染色体被选中,若选中的染色体是偶数个,则刚好全部可以参与后续的交叉配对操作,若被选中的染色体是奇数个,则需去掉其中的任意一个,即选择的染色体个数M为偶数。

2.5交叉操作

对于上述选择的M条染色体,采用随机配对方式生成配对个体组;对配对个体组的染色体根据交叉算子进行交叉操作,所述交叉算子为:

    (6)

其中,为交叉操作时M条染色体的适应度值中的最大适应度值,为交叉操作时M条染色的适应度值的平均值,是配对个体组中待交叉操作的两个染色体的适应度值中较大的适应度值。

交叉操作是遗传算法区别于其它算法的的重要特征,它在遗传算法中起着关键作用,是产生新个体的主要方法。在交叉算法前对染色体中的个体进行配对,采用随机配对的方式,即将群体中的M条染色体以随机的方式组成M/2对配对个体组。交叉操作是在这些配对个体组中的两个染色体之间进行。

每进行一配对个体组内染色体交叉操作后,且在进行下一配对个体组内染色体交叉操作前,计算待进行交叉操作的配对个体组内染色体间的交叉算子,以计算得到的交叉算子对配对个体组内两染色体进行交叉操作。具体如下:

对于被选中的M条染色体,在2.4小节中以得到M条染色体中每条染色体的适应度值。在对首个配对个体组内染色体进行交叉操作前,根据已得到的每条染色体的适应度值,则能得到具体的交叉算子,然后根据交叉算子完成首个配对个体组内两染色体的交叉。在完成首个配对个体组内两染色体交叉后,计算两交叉后染色体的对应适应度值,得到交叉后染色体的适应度值后,结合所有未进行交叉操作染色体的适应度值,能得到新的交叉算子,利用交叉算子进行第二配对个体组内两染色体的交叉操作。重复上述过程,直至所有的配对个体组均进行交叉操作。

2.6变异操作

对上述交叉后的M条染色体,利用变异算子对每条算子进行均匀变异,变异算子为:

   (7)

其中,是一染色体变异前M条染色体的适应度值中的最大适应度值,是一染色体变异前M条染色体的适应度值的平均值,是当前要变异染色体在变异操作前的适应度值;

均匀变异操作是指用均匀分布的随机数,以较小的概率来替代染色体基因编码串上的原有基因值。具体过程如下:

1)、依次指定个体编码中的每个基因为变异点;

2)、对每一个变异点,以概率从对应基因的取值范围内取一随机数来替代原有基因的值。

2.7 迭代进化

在变异操作后,若变异后的染色体的适应度值大于变异前染色体的适应度值,则用变异后的染色体替换变异前的染色体,否则,保留变异前的染色体;

若满足迭代进化结束条件,则输出最优的染色体,否则,跳转至2.4小节的步骤,以重复进行迭代进化操作;

本文使用的方法中,迭代进化结束条件可以为迭代次数或适应度值达到设定的阈值,具体的结束条件可以根据需要进行选择。图1中示出了以循环变量n与Toatl之间的大小作为迭代进化结束条件,即当循环变量达到Total时,则输出最优的染色体,此时,识别系统也结束了整个迭代进化的操作。

1 流程图

 

 

2.8 最优染色体输出

根据输出最优的染色体,对每一农作物编码后的染色体进行解码,以确定农作物的生育期。

3结果与分析

试验选取了甘蔗的4个生育期图片:幼苗期、分蘖期、伸长期及成熟期,棉花的7个生育期图片:出苗期、三真叶期、五真叶期、开花期、裂铃期、吐絮期、停止生长期进行自动识别。分别采用改进前算法和本文算法进行了对比试验,识别时间如表1,表2所示。

表1 2种方法对甘蔗图像检测的比较

Table 1 Comparison of two kinds of sugarcane image detection

发育期

自动识别时间

缩短时间/s

改进前/s

本文算法/s

幼苗期

73.98

55.44

18.54

分蘖期

200.04

171.36

28.68

伸长期

283.92

228.72

55.2

成熟期

387.3

340.5

46.8

表2 2种方法对棉花图像检测的比较

Table 2 Comparison of two kinds of cotton image detection

发育期

自动识别时间

缩短时间/s

改进前/s

本文算法/s

出苗期

93.78

56.92

36.86

三真叶期

117.66

61.92

55.74

五真叶期

110.04

66.9

43.14

开花期

169.32

115.88

53.44

裂铃期

271.5

230.04

41.46

吐絮期

193.92

151.9

42.02

停止生长

151.68

115.82

35.86

从表1、表2中可以看到,使用改进遗传算法自动识别作物生育期的时间明显缩短,缩短时间在18.54s以上,尤其在棉花的开花期检测缩短时间最多,为55.74s。

 

4小节

本文提出来一种改进遗传算法的农作物生育期自动识别方法,采用任务完成的总时间倒数作为适应度函数,同时采用改进型交叉算子和改进型变异算子,确保完成的总时间最小,保证了遗传算法的收敛能力,提高了算法的优化能力,有效的避免了“早熟”现象的发生,避免陷入局部最优,输出最优的算法调度机制。由甘蔗及棉花试验结果表明,此算法与改进前相比,作物发育期自动识别时间有明显缩短,缩短时间在18.54s以上。本方法操作简单方便,在有限的可分配资源内,能在最短的时间内实现对多种农作物生育期的识别。下一步,将对其它作物,如小麦、玉米等进行试验研究。

 

参考文献

[1] 中国气象局. 农业气象观测规范[M]. 北京: 气象局出版社, 1993.

[2] 周文魁. 气候变化对中国粮食生产的影响及应对策略[D]. 南京农业大学, 2012.

[3] 吴茜. 基于图像处理技术的棉花发育期自动观测研究[D]. 华中科技大学,2013.

[4] 张雪芬, 薛红喜, 孙涵, 等. 自动农业气象观测系统功能与设计[J]. 应用气象学报, 2012, 23(1): 105-112.

[5] 陆明, 申双和, 王春艳, 等. 基于图像识别技术的夏玉米生育期识别方法初探[J]. 中国农业气象, 2011,  32(3): 423-429.

[6] 王江. 冬小麦主要发育期农田小气候与大气候相关规律的研究[D]. 河南农业大学, 2003.

[7] 胡萌琦. 普及型生态-农业气象自动观测方法研究与应用[D]. 南京农业大学, 2011.

[8] 庄嘉祥, 姜海燕, 刘蕾蕾, 等. 基于个体优势遗传算法的水稻生育期模型参数优化[J]. 中国农业科学, 2013, 46(11): 2220-2231.

[9] 师韵, 王震, 王旭启, 等. 基于改进遗传算法的最大熵作物病害叶片图像分割算法[J]. 江苏农业科学, 2015, 43(9): 453-455.

[10] Ferreyra R A. A faster algorithm for crop model parameterization by inverse modeling: simulated annealing with data reuse. Transactions of the ASABE, 2004, 47(5): 1793-1801.

.

 

Automatic identification method of crop growing stages based on improved genetic algorithm

XU Wen-xin1, YANG Xin-hao2, JING Hong-wei2, XU Li-bin3

(School of Mechanical and Electrical Engineering, Soochow University, Suzhou, Jiangsu 215021 , China, JiangSu Province Radio Scientific Institute Co ., Ltd, WuXi, JiangSu, China, 214127)

 

Abstract: In order to achieve the automatic identification of a variety of different growing stages of the crops within the limited distributable resources in the shortest possible time. This paper Used the reciprocal of the total time of complete the task as a fitness function, ensured that the total completed time is minimal, used the improved crossover and improved mutation operator, ensured the convergence ability of the genetic algorithm, improved the optimization ability of the algorithm, outputted the optimal algorithm scheduling mechanism, effectively avoided the "premature" phenomenon and falling into local optimum. The experimental results by sugar cane and cotton showed that the recognition time of the crop growing stages was significantly shortened by using the improved algorithm.

Key words: Crop growing stages; Automatic identification; Improved genetic algorithm



作者简介:许文鑫,男,1988年生,本科学士,助理工程师,主要从事传感器技术、电路设计、可靠性研究,E-mail:xu.wenxin@js1959.com

通讯作者:金红伟,男,1970年生,硕士,高级工程师,主要从事传感器技术、可靠性工程、通信技术研究,.E-mail: realjhw@163.com

 

本刊创刊于1982年,是由自治区科技厅主管、自治区科技信息研究院主办,由自治区科技情报学会协办、国内外公开发行的省级综合性科技刊物,是反映内蒙古自治区科技与经济发展的窗口。杂志入选《中国期刊全文数据(CJFD)》全文收录期刊和《中国学术期刊综合评价数据(CAJCED)统计刊源期刊,《中国核心期刊(遴选)数据库》收录。本刊是公开发行的综合性科技期刊,为月刊,大16开本。本刊坚持以科技创新为目标,融科技、经济、信息、产业、市场为一体,是促进科技成果转化、推动科技进步、加强技术创新,促进经济发展的专业性期刊。