|本期目录/Table of Contents|

[1]王慧,李康顺,蔡铁,等.基于约束性多目标优化算法的柑橘黄龙病识别算法[J].江苏农业科学,2023,51(6):159-167.
　Wang Hui,et al.Citrus Huanglongbing recognition algorithm based on constrained multi-objective optimization algorithm[J].Jiangsu Agricultural Sciences,2023,51(6):159-167.
点击复制

基于约束性多目标优化算法的柑橘黄龙病识别算法(PDF)
分享到：

《江苏农业科学》[ISSN:1002-1302/CN:32-1214/S]

卷:
第51卷
期数:
2023年第6期
页码:
159-167
栏目:
农业工程与信息技术
出版日期:
2023-03-20

文章信息/Info

Title:
Citrus Huanglongbing recognition algorithm based on constrained multi-objective optimization algorithm
作者:
王慧1;  李康顺2;  蔡铁1;  王文祥2;  董纯铿1
1.深圳信息职业技术学院，广东深圳 518172； 2.华南农业大学数学与信息学院，广东广州 510642
Author(s):
Wang Hui; et al
关键词:
约束性多目标优化算法; 近邻分类算法; 柑橘黄龙病; 病害识别; 最优化特征
Keywords:
-
分类号:
TP391.41
DOI:
-
文献标志码:
A
摘要:
为了克服柑橘黄龙病监测和识别难的问题，提出一种基于约束性多目标优化算法的柑橘黄龙病识别算法(CMOA-CHDIA)。将柑橘黄龙病特征最优化转换为约束性多目标优化问题模型，采用基于勒贝格测度约束性多目标粒子群优化算法(LCMOPSO)求解该模型，并获取最优柑橘黄龙病特征；根据获得的最优特征采用近邻分类算法识别柑橘黄龙病。试验结果显示，基于约束性多目标优化算法的柑橘黄龙病识别算法对柑橘黄龙病的识别准确率达到98.55%，较FSMEA、PSO-MOFSA、FSMDEA识别准确率分别增加14.55%、11.55%、12.55%，在提高柑橘黄龙病识别准确度方面效果较好，对柑橘黄龙病防治具有一定的指导意义。
Abstract:
-

参考文献/References:

［1］黄世炎，张艺琴，杨壹，等. 感染柑橘黄龙病对沃柑秋梢叶片理化指标和果实品质的影响［J］. 中国果树，2021(12)：42-46.
［2］Grafton-Cardwell E E，Stelinski L L，Stansly P A. Biology and management of Asian citrus psyllid，vector of the huanglongbing pathogens［J］. Annual Review of Entomology，2013，58：413-432.
［3］Gottwald T R. Current epidemiological understanding of citrus huanglongbing［J］. Annual Review of Phytopathology，2010，48：119-139.
［4］胡文娟，张宇平，祁春节，等. 永春芦柑生产成本与收益的比较研究：基于柑橘黄龙病防控新栽培模式［J］. 中国果树，2022(2)：60-64.
［5］侯显达，陈传武，贾书刚，等. 恭城县和阳朔县砂糖橘黄龙病发病程度预测模型［J］. 吉林农业大学学报，2022(2)：1-15.
［6］刘洋，冯全，王书志. 基于轻量级CNN的植物病害识别方法及移动端应用［J］. 农业工程学报，2019，35(17)：194-204.
［7］Saleem M H，Potgieter J，Arif K M. Plant disease classification：a comparative evaluation of convolutional neural networks and deep learning optimizers［J］. Plants，2020，9(10)：1319.
［8］孙俊，谭文军，毛罕平，等. 基于改进卷积神经网络的多种植物叶片病害识别［J］. 农业工程学报，2017，33(19)：209-215.
［9］王立舒，秦铭霞，雷洁雅，等. 基于改进YOLOv4-Tiny的蓝莓成熟度识别方法［J］. 农业工程学报，2021，37(18)：170-178.
［10］赵志成，罗泽，王鹏彦，等. 基于深度残差网络图像分类算法研究综述［J］. 计算机系统应用，2020，29(1)：14-21.
［11］孙云云，江朝晖，董伟，等. 基于卷积神经网络和小样本的茶树病害图像识别［J］. 江苏农业学报，2019，35(1)：48-55.
［12］邱靖，刘继荣，曹志勇，等. 基于卷积神经网络的水稻病害图像识别研究［J］. 云南农业大学学报(自然科学)，2019，34(5)：884-888.
［13］朱楠楠，李汪根，李童. 基于微型YOLO的行人检测［J］. 计算机应用研究，2020，37(增刊1)：398-399，425.
［14］李萍，邵彧，齐国红，等. 基于跨深度学习模型的作物病害检测方法［J］. 江苏农业科学，2022，50(8)：193-199.
［15］肖怀春. 基于高光谱成像技术的柑橘黄龙病诊断方法研究［D］. 南昌：华东交通大学，2019.
［16］陆健强，林佳翰，黄仲强，等. 基于Mixup算法和卷积神经网络的柑橘黄龙病果实识别研究［J］. 华南农业大学学报，2021，42(3)：94-101.
［17］范世达，马伟荣，姜文博，等. 基于深度学习的柑橘黄龙病远程诊断技术初探［J］. 中国果树，2022(4)：76-79，86，133.
［18］林少丹，李效彬，杨碧云，等. 适用于小样本显微图像数据集的柑橘黄龙病快速诊断模型［J］. 农业工程学报，2022，38(12)：216-223.
［19］林奕桐，梁健，刘书田，等. 基于无人机可见光通道及支持向量机模型的柑橘黄龙病个体识别方法［J］. 西南农业学报，2022，12(13)：1-12.
［20］Sankaran S，Maja J M，Buchanon S，et al. Huanglongbing (Citrus greening) detection using visible，near infrared and thermal imaging techniques［J］. Sensors，2013，13(2)：2117-2130.
［21］Mishra A R，Karimi D，Ehsani R，et al. Identification of Citrus greening (HLB) using a VIS-NIR spectroscopy technique［J］. Transactions of the ASABE，2012，55(2)：711-720.
［22］Pourreza A，Lee W S，Ehsani R，et al. An optimum method for real-time in-field detection of Huanglongbing disease using a vision sensor［J］. Computers and Electronics in Agriculture，2015，110：221-232.
［23］Jiang Y J，Zhang C X，Chen R Z，et al. Challenging battles of plants with phloem-feeding insects and prokaryotic pathogens［J］. Proceedings of the National Academy of Sciences of the United States of America，2019，116(47)：23390-23397.
［24］Aksenov A A，Pasamontes A，Peirano D J，et al. Detection of huanglongbing disease using differential mobility spectrometry［J］. Analytical Chemistry，2014，86(5)：2481-2488.
［25］Deng X L，Huang Z X，Zheng Z，et al. Field detection and classification of citrus huanglongbing based on hyperspectral reflectance［J］. Computers and Electronics in Agriculture，2019，167：105006.
［26］Wang H，Cai T，Li K S，et al. Constraint handling technique based on Lebesgue measure for constrained multiobjective particle swarm optimization algorithm［J］. Knowledge-Based Systems，2021，227：107131.
［27］Wang H，Cai T，Cao W. Citrus huanglongbing recognition algorithm based on CKMOPSO［J］. International Journal of Cognitive Informatics and Natural Intelligence，2021，15(4)：1-11.

相似文献/References:

备注/Memo

备注/Memo:
收稿日期：2022-10-04
基金项目：国家自然科学基金青年基金(编号：62203310)；广东省基础与应用基础研究基金(编号：2022A1515011447)；深圳市科技计划面上项目(编号：0220820010535001)；广东省教育厅特色创新项目(编号：2021KTSCX281)。
作者简介：王慧(1987—)，女，四川南充人，博士，讲师，主要从事约束性多目标优化、智能识别研究。E-mail：hnndwh@sina.com。
通信作者：李康顺，博士，教授，主要从事计算机视觉、智能计算研究。E-mail：278828464@qq.com。
更新日期/Last Update: 2023-03-20