基于Spark的支持向量机在小麦病害图像识别中的应用

• 作者: 孙肖肖 时爱菊 李磊 林中琦 牟少敏
• 来源期刊: 河南农业科学
• 学科: 农学
• 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
• 年，卷（期）: 2017,（7）
• 所属期刊栏目: 农产品加工与安全·农业工程·农业信息技术
• 页码范围: 148-153
• 页数: 6页
• 分类号: S435.121|TP391.41
• 字数: 4497字
• 语种: 中文
• DOI: 10.15933/j.cnki.1004-3268.2017.07.027

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.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	牟少敏	山东农业大学信息科学与工程学院	44	376	11.0	18.0
2	时爱菊	山东农业大学化学与材料科学学院	20	97	6.0	9.0
3	林中琦	山东农业大学信息科学与工程学院	3	16	3.0	3.0
4	孙肖肖	山东农业大学信息科学与工程学院	4	15	3.0	3.0
5	李磊	山东农业大学信息科学与工程学院	3	29	3.0	3.0