基于Spark的支持向量机在小麦病害图像识别中的应用

摘要：

为了提高小麦病害图像分类的效率,提出了一种基于Spark的并行式支持向量机算法.首先对小麦病害图像进行滤波去噪、灰度压缩等处理,利用灰度共生矩阵、不变矩阵等从颜色、纹理和形状3个方面提取49个特征向量;然后通过数据集的切分和并行框架的支持,将大数据并行处理技术Spark与支持向量机结合,运用Scala语言实现了串行支持向量机算法的并行化,并将其应用于小麦病害图像识别.针对小麦锈病和白粉病的图像分类测试结果表明,当测试图像分别是2 600、3 900、5 120张时,该算法对锈病的分类精度依次是76.03％、81.18％、77.82％,对白粉病的分类精度依次是83.27％、85.91％、83.14％,比串行支持向量机分类精度有所提升.分类时间依次是13 928.0、18 506.1、24 897.2 ms,明显低于串行支持向量机的分类时间.改进的算法实现了小麦病害分类精度的小幅度提升,明显提高了处理速度,具有较快的学习收敛速率.

关键词：小麦病害、图像分类、Spark、支持向量机、大数据、并行计算、图像特征提取

所属期刊栏目：46

分类号：S435.121;TP391.41(病虫害及其防治)

资助基金：山东省自然科学基金项目ZR2012FM024;2013年山东省农业重大应用技术创新课题

在线出版日期：2017-09-18（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：148-153