基于GA—BP神經(jīng)網(wǎng)絡(luò)的溫室番茄病害診斷

徐凱宏+米雅婷+谷志新

摘要：為了提高溫室番茄病害自動識別率，采用P2P無線網(wǎng)絡(luò)攝像機(jī)定點(diǎn)遠(yuǎn)程監(jiān)控與數(shù)碼相機(jī)采集設(shè)備相結(jié)合的方法獲取材料，通過分治中值濾波算法和分水嶺算法分離復(fù)雜背景下的葉片并提取病斑，提取病斑特征參數(shù)并最終選擇6個(gè)顏色參數(shù)、4個(gè)形狀參數(shù)、3個(gè)紋理參數(shù)，改進(jìn)傳統(tǒng)的差反向傳播（error back propagation，簡稱BP）算法，建立遺傳算法優(yōu)化的誤差反向傳播（genetic algorithm error back propagation，簡稱GA-BP）番茄病害識別模型。結(jié)果表明，GA-BP模型能快速有效地識別番茄葉片病害，對番茄早疫病、晚疫病、葉霉病的識別率分別達(dá)到92.50%、91.25%、95.50%。該模型解決了BP神經(jīng)網(wǎng)絡(luò)收斂速度慢、尋優(yōu)不精確的問題，高效地實(shí)現(xiàn)了溫室番茄病害的診斷。

關(guān)鍵詞：病害識別；判別模型；GA-BP神經(jīng)網(wǎng)絡(luò)；遺傳算法；番茄葉片

中圖分類號： TP391.4

文獻(xiàn)標(biāo)志碼： A

文章編號：1002-1302（2016）04-0387-03

溫室大棚是設(shè)施農(nóng)業(yè)的核心技術(shù)之一，溫室大棚中作物的病害識別主要通過工作人員定時(shí)觀察并噴灑農(nóng)藥。我國每年會使用高達(dá)25萬t的化學(xué)農(nóng)藥防治農(nóng)業(yè)病蟲害，農(nóng)藥的大量使用增強(qiáng)了病蟲害的抗藥性，造成作物減產(chǎn)，嚴(yán)重破壞生態(tài)平衡[1]。作物病害大多反映在葉片或莖上[2]，植物學(xué)家或溫室種植人員往往通過經(jīng)驗(yàn)知識判斷作物受害類型及程度，視覺圖案的復(fù)雜性和人為判斷的主觀性會造成誤判[3]。為了盡可能減少農(nóng)藥的噴灑，并且準(zhǔn)確識別作物葉、莖上病害類別，對癥下藥，需要對肉眼可觀察的病蟲害癥狀作精確的定量研究。

本研究對采集到的番茄葉片病害圖像作預(yù)處理，提取病斑特征，建立遺傳算法優(yōu)化的誤差反向傳播（genetic algorithm error back propagation，簡稱GA-BP）診斷模型，對傳統(tǒng)的誤差反向傳播（error back propagation，簡稱BP）神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值進(jìn)行了優(yōu)化和改進(jìn)，將病斑的2個(gè)顏色參數(shù)、3個(gè)形狀參數(shù)、3個(gè)紋理參數(shù)共8個(gè)特征值作為輸入，并以00、01、10、11作為4個(gè)輸出，其中00、01、10、11分別表示早疫病、晚疫病、葉霉病、其他病害。

1 材料與方法

1.1 材料獲取

1.1.1 P2P監(jiān)測 病害發(fā)生前期在黑龍江雙連能源發(fā)展股份有限公司溫室大棚棚頂、墻體的上部和下部定點(diǎn)安裝攝像頭。采用易萊捷P2P無線網(wǎng)絡(luò)攝像機(jī)進(jìn)行遠(yuǎn)程監(jiān)控，內(nèi)置Wi-Fi 模塊有效像素為1 280×720，具有上下旋轉(zhuǎn)90°、左右旋轉(zhuǎn)355°的云臺控制，多角度觀察番茄植株的長勢并實(shí)時(shí)判斷是否受害。攝像機(jī)拍攝圖像背景復(fù)雜，且由于資金成本問題對溫室中攝像機(jī)的數(shù)量有一定的限制，很難對具體的某一植株進(jìn)行定性定量地準(zhǔn)確判斷。在攝像機(jī)實(shí)施觀測基礎(chǔ)上，及時(shí)采取數(shù)碼相機(jī)采集照片的方式加強(qiáng)病害識別的準(zhǔn)確性。

1.1.2 數(shù)碼相機(jī)圖像獲取 照相機(jī)采用Canon A4000，分辨率為4 608×3 456，在10：00以前和17：00以后，光線比較柔和，關(guān)閉閃光燈進(jìn)行拍攝，以減少陰影造成的誤差[4]，采集得到病害葉片圖像。

1.2 試驗(yàn)方法

1.2.1 葉片與背景分離 采集的圖像以JPEG格式傳入計(jì)算機(jī)，軟件采用MATLAB7.14。為了提高圖像處理速度，采用改進(jìn)的中值濾波算法[5]提高去噪速度，首先采用分治法計(jì)算第1個(gè)窗口的中值，然后利用數(shù)據(jù)的相關(guān)性計(jì)算其余窗口的中值，濾波模板采用3×3模板，經(jīng)改進(jìn)，對分辨率為4 608×3 456 的相機(jī)采集到的圖像，平均每幅圖像的處理速度提高9.80%（圖1）。

目標(biāo)物與背景分離常用方法是雙峰法，然而由圖2可見，采集圖像的灰度直方圖不呈現(xiàn)明顯雙峰，由于在溫室大棚中用數(shù)碼相機(jī)拍照所得的葉片圖像背景比較復(fù)雜，葉片與莖、土壤存在于同一畫面中，并且存在目標(biāo)葉片與背景葉片彼此粘連的情況，因此本研究選用能有效分離葉片與背景的分水嶺算法[6]提取葉片圖像。

為了避免分水嶺算法的過分割問題[7-8]，在中值濾波去除小的噪聲和過細(xì)的紋理后，本研究采用在前景和背景對象上標(biāo)注區(qū)別后進(jìn)行分水嶺分割。首先采用Sobel計(jì)算中值濾波后圖像的梯度，并使用梯度的幅度作為分割函數(shù)，然后標(biāo)記前景和背景目標(biāo)，最終很好地分離出葉片圖像，分離結(jié)果如圖3所示。

1.2.2 病斑提取 對番茄葉霉病、早疫病、晚疫病、其他病害的葉片圖像，在RGB顏色系統(tǒng)、LAB顏色系統(tǒng)、CMYK顏色系統(tǒng)、灰度圖像、R通道、G通道、B通道、R-B顏色特征、G-B顏色特征、R-G顏色特征下比對，病斑提取采用迭代法求閾值[9]，經(jīng)迭代，最終得出病斑與葉片分離的閾值為0.28，分割得到的病斑如圖4所示。

比較不同顏色系統(tǒng)、通道、顏色特征下病斑的提取結(jié)果得出：在R-G顏色特征下將黃褐色或紅褐色病斑從葉片上分離出來的效果最好，G通道次之。

利用統(tǒng)計(jì)分析軟件SAS 9.2統(tǒng)計(jì)采集到的不同病癥圖像病斑特征，最終選擇顏色特征6個(gè)，分別為R、G、B，歸一化的r、g、b；形狀特征4個(gè)，分別為偏心率SECC、圓形度SCIR、球狀性SFAC、復(fù)雜度Scom；紋理特征3個(gè)，即能量TENE、熵TENT、慣性矩TINV，共13個(gè)特征作為下一步網(wǎng)絡(luò)訓(xùn)練的輸入量。

1.3 GA-BP模型建立

本研究GA-BP算法步驟如下。

（1）編碼形成初始種群。設(shè)輸入層神經(jīng)元數(shù)為i，隱含層神經(jīng)元數(shù)為 k，輸出層神經(jīng)元數(shù)為 j，隱含層、輸出層對應(yīng)的權(quán)值分別為 W1、W2，對應(yīng)的閾值分別為B1、B2，編碼的長度為 i×k+k×j+k+j，構(gòu)成初始群體。

（3）計(jì)算個(gè)體選擇概率。采用排序法確定染色體的選擇概率，忽略實(shí)際染色體的適應(yīng)值，原則為大適應(yīng)值選擇概率高，小適應(yīng)值選擇概率低。首先確定選擇概率Ps，計(jì)算標(biāo)準(zhǔn)分布值為：t=Ps1-（1-ps）p。則染色體的選擇概率為：Pk=t（1-pk）n（k）-k。k=1，2，…，p；n（k）-k為染色體的適應(yīng)值在種群中由大到小排列的序號。然后計(jì)算染色體的累計(jì)選擇概率：qk=∑kj=1Pj。式中：k=1，2，…，p。最后在[0，1]中產(chǎn)生按升序排列的隨機(jī)序列r，然后對染色體進(jìn)行選擇。

（4）交叉和變異。通過交叉算子生成包含更多優(yōu)良基因的新個(gè)體，本研究采用算術(shù)交叉法，即2個(gè)父代以線性組合的方式產(chǎn)生子代。連續(xù)操作直到滿足條件為止，用新產(chǎn)生的染色體替代原交叉染色體，計(jì)算新染色體的適應(yīng)值。變異將權(quán)值擴(kuò)大范圍，反復(fù)迭代，將新染色體代替原染色體，反復(fù)進(jìn)化n代后，可得n代中的最佳染色體。

（5）最終獲得BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值。

GA-BP運(yùn)算流程如圖5所示。

通過GA算法，最終得到 BP 神經(jīng)網(wǎng)絡(luò)誤差最小的一組初始權(quán)值和閾值。MATLAB中，首先創(chuàng)建BP神經(jīng)網(wǎng)絡(luò)，然后利用函數(shù)initializega（）進(jìn)行種群初始化，在選擇、交叉、變異時(shí)，調(diào)用gaot工具箱，其中目標(biāo)函數(shù)定義為gabpEval，繪制收斂曲線圖時(shí)，xlabel代表遺傳代數(shù)，ylabel代表平方和誤差。GA-BP 網(wǎng)絡(luò)的輸入節(jié)點(diǎn)數(shù)為13個(gè)，隱含層節(jié)點(diǎn)數(shù)為26個(gè)，輸出節(jié)點(diǎn)數(shù)為4個(gè)。

2 結(jié)果與分析

本研究利用GA算法優(yōu)化了BP網(wǎng)絡(luò)，進(jìn)行番茄葉片病害早疫病、晚疫病、葉霉病的識別。材料為黑龍江雙連能源發(fā)展股份有限公司溫室大棚中采集的番茄病害葉片，采用早疫病、晚疫病、葉霉病和其他病害的葉片圖像各80幅進(jìn)行測試。GA-BP網(wǎng)絡(luò)的均方誤差設(shè)置為10-2，當(dāng)誤差小于該值時(shí)停止訓(xùn)練，收斂曲線如圖6所示。

BP算法容易出現(xiàn)局部極小而非全局最優(yōu)，隱含層神經(jīng)元個(gè)數(shù)隨機(jī)確定，不同的初始權(quán)值可能會導(dǎo)致網(wǎng)絡(luò)不收斂或陷入局部極值點(diǎn)的問題。同時(shí)由于BP 算法具有尋優(yōu)精確的特點(diǎn)，而遺傳算法具有很強(qiáng)的宏觀搜索能力和良好的全局優(yōu)化性能[12-13]，因此通過GA算法對BP神經(jīng)網(wǎng)絡(luò)權(quán)值和閾值進(jìn)行優(yōu)化，可達(dá)到精確求解、快速收斂、全局尋優(yōu)的目的。番茄葉片病害測試結(jié)果如表2所示。

3 結(jié)論與討論

本研究采用GA-BP模型對溫室番茄病害癥狀體現(xiàn)于葉片部位的早疫病、晚疫病、葉霉病等3種病害進(jìn)行了識別，識別準(zhǔn)確率分別達(dá)到92.50%、91.25%、95.50%，研究得到以下結(jié)論：（1）利用GA-BP模型對番茄葉霉病的識別效果最佳，這與番茄葉霉病肉眼判別識別率較高相一致，早疫病識別率次之，對晚疫病的識別效果不是很好，這可能與晚疫病病斑輪廓不清晰、提取精度不高有關(guān)；（2）GA-BP模型通過對BP神經(jīng)網(wǎng)絡(luò)權(quán)值和閾值進(jìn)行優(yōu)化，達(dá)到了精確求解、快速收斂、全局尋優(yōu)的目的，有效識別了溫室番茄葉片病害，識別率較高，且識別效果較好。

通過以上方法節(jié)省了估測溫室番茄病害時(shí)，人工所需的時(shí)間和費(fèi)用，同時(shí)避免了人為主觀因素，為判斷番茄葉片病害程度提供了準(zhǔn)確的數(shù)學(xué)依據(jù)。

參考文獻(xiàn)：

[1]郭佳君. 現(xiàn)階段農(nóng)業(yè)病蟲害防治現(xiàn)狀與建議探討[J]. 河北農(nóng)

機(jī)，2013（5）：69.

[2]Patil J K，Kumar R，Vidyapeeth B，et al. Advances in image progressing for detection of plant disease [J]. Advanced Bioinformatics Applications and Research，2011，2（2）：135-141.

[3]張 寧，劉文萍. 基于圖像分析的植物葉片識別技術(shù)綜述[J]. 計(jì)算機(jī)應(yīng)用研究，2011，28（11）：4001-4007.

[4]劉煥軍，王耀南，段 峰. 機(jī)器視覺中的圖像采集技術(shù)[J]. 電腦與信息技術(shù)，2003，1（1）：18-21.

[5]楊 明，宋麗華. 改進(jìn)的快速中值濾波算法在圖像去噪中的應(yīng)用[J]. 測繪工程，2011，20（3）：65-69.

[6]楊高波，杜青松. MATLAB圖像/視頻處理應(yīng)用及實(shí)例[M]. 北京：電子工業(yè)出版社，2010.

[7]朱圣盼. 基于計(jì)算機(jī)視覺技術(shù)的植物病害檢測方法的研究[D]. 杭州：浙江大學(xué)，2007.

[8]王小兵，孫久運(yùn). 幾種圖像分割技術(shù)在醫(yī)學(xué)圖像處理中的應(yīng)用研究[J]. 醫(yī)療衛(wèi)生裝備，2011，32（7）：76-79.

[9]劉 爽. 圖象分割中閾值選取方法的研究及其算法實(shí)現(xiàn)[J]. 電腦知識與技術(shù)，2005（21）：68-70.

[10]沈佐銳，于新文. 溫室白粉虱自動計(jì)數(shù)技術(shù)研究初報(bào)[J]. 生態(tài)學(xué)報(bào)，2001，21（1）：95-99.

[11]王克如. 基于圖像識別的作物病蟲草害診斷研究[D]. 北京：中國農(nóng)業(yè)科學(xué)院，2005.

[12]萬盛萍. GA 優(yōu)化 BP 神經(jīng)網(wǎng)絡(luò)[J]. 軟件導(dǎo)刊，2007（3）：24-25.

[13]劉春艷，凌建春，寇林元，等. GA-BP 神經(jīng)網(wǎng)絡(luò)與 BP 神經(jīng)網(wǎng)絡(luò)性能比較[J]. 中國衛(wèi)生統(tǒng)計(jì)，2013，30（2）：173-176.何 玲，陳長喜. 基于物聯(lián)網(wǎng)技術(shù)的生豬屠宰自動化監(jiān)管系統(tǒng)[J]. 江蘇農(nóng)業(yè)科學(xué)，2016，44（4）：390-393.