基于ABC-SVM的內(nèi)部含蟲麥粒多光譜圖像特征選擇研究

張紅濤，阮朋舉，母建茹，孫志勇，李德偉

(華北水利水電大學(xué)，河南鄭州 450045)

?

基于ABC-SVM的內(nèi)部含蟲麥粒多光譜圖像特征選擇研究

張紅濤，阮朋舉，母建茹，孫志勇，李德偉

(華北水利水電大學(xué)，河南鄭州 450045)

為探討利用人工蜂群算法(ABC)對(duì)內(nèi)部含蟲麥粒進(jìn)行特征選擇的可行性，基于該算法，以交叉驗(yàn)證訓(xùn)練模型的識(shí)別率作為特征子集的性能評(píng)價(jià)準(zhǔn)則, 對(duì)內(nèi)部含蟲麥粒的特征進(jìn)行分析。結(jié)果表明，該算法從內(nèi)部含蟲麥粒的32維直方圖特征和紋理特征中自動(dòng)選擇出6個(gè)特征的最優(yōu)特征子空間，采用參數(shù)優(yōu)化之后的SVM分類器對(duì)80個(gè)麥粒樣本進(jìn)行分類，識(shí)別率達(dá)到92%以上，說(shuō)明應(yīng)用人工蜂群算法對(duì)內(nèi)部含蟲麥粒進(jìn)行特征選擇是可行的。

內(nèi)部含蟲麥粒；人工蜂群算法；支持向量機(jī)；特征選擇；識(shí)別

近年來(lái)，麥粒內(nèi)部害蟲的檢測(cè)在糧蟲檢測(cè)領(lǐng)域備受關(guān)注，傳統(tǒng)的麥粒內(nèi)部害蟲檢測(cè)方法有直觀檢查法、伯利斯漏斗法、染色法等[1]。這些方法都存在或多或少的不足，如主觀性強(qiáng)、過(guò)程復(fù)雜、費(fèi)時(shí)、具有破壞性等。因此，一些新型物理類檢測(cè)方法被用于糧蟲檢測(cè)領(lǐng)域，如聲測(cè)法、電導(dǎo)率法、電子鼻、多光譜成像法等。Shuman等研制了依據(jù)害蟲進(jìn)食活動(dòng)所發(fā)出的聲信號(hào)來(lái)判別谷物內(nèi)部侵染的檢測(cè)系統(tǒng)，利用聲傳感器陣列可確定發(fā)聲幼蟲的方位[2-3]。隨后，國(guó)內(nèi)耿森林、彭 慧等對(duì)麥粒內(nèi)部害蟲聲信號(hào)采集傳輸、識(shí)別分類等方面進(jìn)行了研究，實(shí)現(xiàn)了聲信號(hào)的實(shí)時(shí)遠(yuǎn)程傳輸，但該法易受環(huán)境噪聲的影響，不易檢測(cè)低齡幼蟲和“假死”害蟲[4-5]。Pearson等提出利用電導(dǎo)率法檢測(cè)麥粒內(nèi)部的害蟲，但該法需壓碎麥粒，無(wú)法檢測(cè)幼蟲侵染的麥粒[6]。張紅梅等利用電子鼻傳感器陣列來(lái)判斷糧食是否受到害蟲的侵染，該法對(duì)檢測(cè)樣本容器的密閉性要求較高，樣本準(zhǔn)備和采樣的時(shí)間過(guò)長(zhǎng)[7]。目前，這些新的檢測(cè)方法多數(shù)不能檢測(cè)侵染程度較低的麥粒。

多光譜成像技術(shù)是采集可見(jiàn)光、近紅外等波段的光譜圖像，并進(jìn)行分析處理的技術(shù),它不僅結(jié)合了光譜分析技術(shù)和機(jī)器視覺(jué)技術(shù)，而且也彌補(bǔ)了光譜儀抗干擾能力較弱和RGB圖像波段感受范圍窄的缺陷,由于其同時(shí)獲取可見(jiàn)光和近紅外圖像，且采集圖像成本相對(duì)較低,因此利用多光譜相機(jī)來(lái)獲取麥粒的多光譜圖像，在經(jīng)過(guò)預(yù)處理后可為麥粒原始特征空間的構(gòu)建奠定基礎(chǔ)。提取內(nèi)部含蟲麥粒的最優(yōu)特征子集可縮短糧蟲分類的時(shí)間和提高識(shí)別的精度，因此內(nèi)部含蟲麥粒的特征選擇是麥粒圖像識(shí)別中一個(gè)關(guān)鍵的預(yù)處理環(huán)節(jié)。實(shí)質(zhì)上內(nèi)部含蟲麥粒的特征選擇是一個(gè)組合優(yōu)化問(wèn)題，可以采用一些啟發(fā)式的搜索算法來(lái)選擇特征子空間。窮舉法和啟發(fā)法是經(jīng)典的特征選擇方法，通過(guò)遍歷或按照設(shè)定的方向重復(fù)迭代來(lái)選擇最優(yōu)或次優(yōu)特征組合，但這兩類方法的計(jì)算量太大，或者優(yōu)化程度比較低。人工蜂群算法(artificial bee colony algorithm，ABC)是由土耳其埃爾吉斯大學(xué)的Karaboga于2005年提出的一種基于蜜蜂群智能搜索行為的隨機(jī)優(yōu)化算法,其模擬蜂群采蜜過(guò)程，蜜蜂根據(jù)分工不同完成采蜜過(guò)程的各階段任務(wù)，通過(guò)蜜源信息的收集與共享，尋找問(wèn)題的最優(yōu)解[8]。本研究提出應(yīng)用ABC算法對(duì)內(nèi)部含蟲麥粒特征進(jìn)行最優(yōu)特征子集的自動(dòng)選擇，實(shí)驗(yàn)結(jié)果驗(yàn)證了ABC算法用于內(nèi)部含蟲麥粒特征選擇的可行性和有效性。

1 內(nèi)部含蟲麥粒特征空間的建立

本實(shí)驗(yàn)采用MS3100多光譜相機(jī)采集麥粒的多光譜圖像，該相機(jī)幀速為10 fps，通過(guò)棱鏡實(shí)現(xiàn)光譜波段的過(guò)濾，可同時(shí)獲取紅、綠、藍(lán)、近紅外四個(gè)波段通道的單色圖像以及RGB全色圖像，采集卡通過(guò)PCI總線將采集到的圖像傳送保存到計(jì)算機(jī)。

運(yùn)用多波段圖像融合及彩色空間轉(zhuǎn)換后的圖像融合技術(shù)提高麥粒圖像的質(zhì)量，針對(duì)多種融合方式，采用主成分分析法進(jìn)行評(píng)價(jià)，最終選擇出紅(R)和近紅外-紅(IR-R)圖像的最佳圖像組合方式。分別提取R和IR-R圖像下10個(gè)直方圖特征(Ni)和均值(m)、標(biāo)準(zhǔn)偏差(σ)、平滑度(γ)、三階矩(μ)、一致性(U)、熵(e)等6種紋理特征，共32個(gè)特征指標(biāo)，并進(jìn)行歸一化處理，消除特征之間量綱、量級(jí)等不同的影響，形成原始特征空間。32個(gè)特征指標(biāo)分別記為NR1、NR2、…、NR10、mR、σR、γR、μR、UR、eR和NI1、NI2、…、NI10、mI、σI、γI、μI、UI、eI.

2 ABC算法的基本原理

蜜蜂是自然界中一種典型的群居生物，在采蜜過(guò)程中，蜜蜂能通過(guò)不同個(gè)體之間的協(xié)作在短時(shí)間內(nèi)找到優(yōu)質(zhì)的蜜源。人工蜂群算法是模仿蜂群覓食行為提出的一種優(yōu)化方法，算法包括蜜源和蜜蜂兩個(gè)基本要素。其中蜜源代表候選解，蜜蜂負(fù)責(zé)搜索蜜源。算法中的蜂群由引領(lǐng)蜂、跟隨蜂和偵察蜂構(gòu)成。

人工蜂群算法包括蜜源初始化過(guò)程、引領(lǐng)蜂搜索過(guò)程、跟隨蜂選擇過(guò)程和偵察蜂搜索過(guò)程4個(gè)重要的步驟[9]。對(duì)于D維待優(yōu)化問(wèn)題，假設(shè)蜜蜂總數(shù)為SN，蜜源數(shù)目為FN,向量αij表示第i個(gè)蜜源(j=1,2,…，D),蜜源位置的初始化如式(1)所示。

αij=αmin,j+rand(0,1)*(αmax,j-αmin,j)

(1)

式中,i=1,2,…,FN；αmax,j和αmin,j分別表示第j維的最大值和最小值。

引領(lǐng)蜂按式(2)搜索新的蜜源。

βij=αij+rand(-1,1)*(αij-αkj)

(2)

式中，βij是一個(gè)新蜜源，k∈{1，2，…，F(xiàn)N}，且k≠i。

跟隨蜂以輪盤賭的方式選擇待搜索優(yōu)良蜜源，第i個(gè)蜜源被選擇的概率計(jì)算如式(3)所示,其中proi表示第i個(gè)蜜源的收益度。跟隨蜂選擇蜜源后，同樣通過(guò)式(2)搜索新蜜源。

(3)

MSN是算法中的一個(gè)重要參數(shù)，負(fù)責(zé)控制蜜源質(zhì)量未改善的迭代次數(shù)，當(dāng)某個(gè)蜜源質(zhì)量沒(méi)有改善的次數(shù)超過(guò)參數(shù)MSN時(shí)，此蜜源將被放棄，該蜜源對(duì)應(yīng)的引領(lǐng)蜂將變成偵察蜂，并由公式(1)隨機(jī)搜索產(chǎn)生新蜜源。

3 特征選擇的算法實(shí)現(xiàn)

內(nèi)部含蟲麥粒的特征選擇是一個(gè)離散組合優(yōu)化問(wèn)題，其基本任務(wù)就是從32個(gè)特征指標(biāo)中自動(dòng)選擇出n個(gè)特征指標(biāo)的最優(yōu)組合，使其性能評(píng)價(jià)準(zhǔn)則達(dá)到最大。蜂群采蜜行為與特征優(yōu)化問(wèn)題對(duì)應(yīng)關(guān)系如表1所示。由表1可知，在ABC算法解決特征優(yōu)化問(wèn)題中，蜜源對(duì)應(yīng)問(wèn)題的若干個(gè)特征組合，蜜源的收益度對(duì)應(yīng)解的質(zhì)量，決定蜜源收益度的因素對(duì)應(yīng)問(wèn)題的各個(gè)特征，尋找并采集蜜源的速度對(duì)應(yīng)問(wèn)題求解的速度[10-11]。將ABC算法用于糧蟲特征選擇涉及到蜜源初始化方式、解的表示方法、收益度函數(shù)的選取及鄰域搜索方法的問(wèn)題等,在優(yōu)化算法中，NP、EN、D、MI、MSN、Iter分別為蜂群規(guī)模、引領(lǐng)蜂數(shù)量、解空間維數(shù)、最大循環(huán)迭代次數(shù)、蜜源質(zhì)量未改善次數(shù)和當(dāng)前迭代次數(shù)。

表1 蜂群覓食行為與特征優(yōu)化問(wèn)題的對(duì)應(yīng)關(guān)系

3.1 解的表示與蜜源初始化

本研究采用一個(gè)二進(jìn)制位串表示一個(gè)可行解。因?yàn)橛?jì)算過(guò)程是對(duì)32個(gè)特征指標(biāo)進(jìn)行優(yōu)化，故可用長(zhǎng)度為32的二進(jìn)制位串，每一位對(duì)應(yīng)一個(gè)特征指標(biāo)。若某位取值為1，則表示選擇其對(duì)應(yīng)的特征；若某位取值為0，則表示去除其對(duì)應(yīng)的特征。蜜源初始化時(shí)，根據(jù)式(4)隨機(jī)產(chǎn)生EN個(gè)可行解：

(4)

其中，i∈{1,2,…,EN},j∈{1,2,…,D}。這里EN=10，D=32。

3.2 收益度函數(shù)

定義收益度函數(shù)如下：

pro(ξ)=100*PSVM-d/D

(5)

其中，PSVM為v折交叉驗(yàn)證訓(xùn)練模型的識(shí)別率，d為所選特征子集的特征個(gè)數(shù)，v折交叉驗(yàn)證是指將每類麥粒的訓(xùn)練樣本分為v份，其中v-1份作為訓(xùn)練數(shù)據(jù)集，剩下的1份作為驗(yàn)證數(shù)據(jù)集，以驗(yàn)證采用所選特征子集時(shí)分類器的識(shí)別率，一般需要循環(huán)v次，直到所有v份數(shù)據(jù)全部被選擇一遍為止，v次識(shí)別率的平均值即為PSVM，參數(shù)v表示交叉驗(yàn)證的折數(shù)，取v=5。這里采用SVM分類器，懲罰因子C=20，徑向基核函數(shù)參數(shù)g=10/d。由此可見(jiàn)， pro越大，選擇的特征子集性能越好，即利用較少的特征獲得了較高的分類正確率。

3.3 鄰域搜索

在引領(lǐng)蜂完成解的搜索后，利用跟隨蜂在解空間內(nèi)搜索策略以提高生成解的質(zhì)量。搜索策略采用遺傳算法中的變異操作，對(duì)于蜜源αi的鄰域搜索，采用單點(diǎn)變異并按公式(6)產(chǎn)生新蜜源βi，然后計(jì)算新蜜源收益度值，若新蜜源的收益度值較大，則保存新蜜源。

(6)

其中，k是[1,D]的隨機(jī)整數(shù)。

人工蜂群算法分為引領(lǐng)蜂階段、跟隨蜂階段和偵察蜂階段三個(gè)搜索階段，算法主要有蜜源初始化、收益度評(píng)價(jià)、蜜源的更新和選擇等步驟，具體算法流程如表2所示。

4 實(shí)驗(yàn)結(jié)果及其分析

在參數(shù)設(shè)置方面，蜂群規(guī)模NP取值越大，蜜源的選擇性越廣，存在更好蜜源的概率越高，但NP取值也并非沒(méi)有限制，蜂群數(shù)量過(guò)大不僅會(huì)增加算法復(fù)雜度，同時(shí)也會(huì)大幅度增加算法的計(jì)算時(shí)間，這里取NP=20；MI是算法的終止條件，控制算法的循環(huán)次數(shù)，直接影響算法的計(jì)算時(shí)間，這里取MI=100；MSN是最重要的參數(shù)之一，取值太低會(huì)產(chǎn)生過(guò)多的偵察蜂，整個(gè)蜂群對(duì)空間的拓展能力會(huì)增強(qiáng)，隨機(jī)性也隨之增強(qiáng)，但收斂性就會(huì)變慢,取值太高會(huì)導(dǎo)致覓食過(guò)程中偵察蜂不常出現(xiàn)，這會(huì)使蜂群的探索能力變?nèi)酰紫萑刖植孔顑?yōu)，這里取MSN=10。本研究著力于內(nèi)部含蟲麥粒的特征選擇，最終目的是選擇優(yōu)化出最優(yōu)特征子集，使其分類正確率達(dá)到最高，因而從兩類麥粒中隨機(jī)選取200個(gè)樣本進(jìn)行訓(xùn)練，80個(gè)樣本進(jìn)行驗(yàn)證。選用上述參數(shù)設(shè)置后，ABC-SVM算法優(yōu)化10次的特征選擇和識(shí)別試驗(yàn)結(jié)果見(jiàn)表3。

表2 基于ABC-SVM特征選擇實(shí)現(xiàn)的偽代碼

由表3可以看出，在10次實(shí)驗(yàn)中，效果最差的第10次實(shí)驗(yàn)也成功將32維特征壓縮至10維，與原始特征相比，極大地壓縮了特征空間，并且10次結(jié)果都能夠保持高于原始特征的正確分類率87.5%(表4)，識(shí)別率最高提升了3.75%。表明ABC-SVM算法能夠成功選擇出特征空間中較優(yōu)的特征子集。

由表3可以得出，運(yùn)行10次結(jié)果顯示，實(shí)驗(yàn)4收益度達(dá)到最大為90.812，實(shí)驗(yàn)3和4驗(yàn)證集識(shí)別率都達(dá)到最高為91.25%。兩次實(shí)驗(yàn)對(duì)比，實(shí)驗(yàn)4選擇出的特征較少，因此實(shí)驗(yàn)4選擇出的6個(gè)特征即為ABC算法優(yōu)化出的最優(yōu)結(jié)果。這6個(gè)特征指標(biāo)分別是mR、UR、NI4、NI9、NI10、γi。在實(shí)驗(yàn)4中，收斂特性曲線如圖1所示。由圖1可見(jiàn)，收益度隨著迭代次數(shù)的增加而增加，表明可行解的質(zhì)量不斷提高，逐漸向最優(yōu)解靠近，結(jié)果顯示在循環(huán)53次時(shí)收益度達(dá)到了最優(yōu)值90.812，也就表明此刻的結(jié)果是優(yōu)化出來(lái)的最優(yōu)解?？傊谔卣鹘M合優(yōu)化問(wèn)題上，ABC-SVM算法具有尋優(yōu)能力強(qiáng)、收斂速度快的特點(diǎn)。

表3 ABC-SVM算法優(yōu)化10次的特征選擇結(jié)果

圖1 實(shí)驗(yàn)4收斂特性曲線

由表4可知， 與原始特征法相比，ABC算法特征空間由32維降為6維，識(shí)別率提高了3.75%。這是由于ABC算法在尋優(yōu)的過(guò)程中拋棄了對(duì)分類識(shí)別起干擾作用的不良特征及冗余特征，保留了對(duì)分類貢獻(xiàn)較大的特征。

表4 2種方法的特征選擇和分類實(shí)驗(yàn)結(jié)果

5 內(nèi)部含蟲麥粒的識(shí)別分類

支持向量機(jī)(support vector machine，SVM)是依據(jù)統(tǒng)計(jì)學(xué)理論中的結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則，從線性可分情況下的最優(yōu)分類面發(fā)展而來(lái)的，在解決小樣本、非線性及高維數(shù)等模式識(shí)別問(wèn)題中表現(xiàn)出良好的分類能力。在采用SVM分類器識(shí)別的過(guò)程中，懲罰因子C和徑向基核函數(shù)參數(shù)g選擇對(duì)識(shí)別率有較大的影響。參數(shù)C和g的取值范圍分別為C∈(2-5,215)和g∈(2-16,24)。當(dāng)這兩個(gè)參數(shù)優(yōu)化之后，識(shí)別率可能有所提高。若采用ABC算法選擇出的6維特征子集，并按照文獻(xiàn)[12]的方法對(duì)這兩個(gè)參數(shù)進(jìn)行優(yōu)化，當(dāng)PSVM達(dá)到最高值91.0%時(shí)，C=4.924 6，g=3.732 1。用訓(xùn)練好的SVM分類器對(duì)80個(gè)麥粒(含蟲和健康各40粒)樣本進(jìn)行檢驗(yàn)，僅有6個(gè)被錯(cuò)判，得到的正確識(shí)別率為92.5%。可見(jiàn)，利用ABC算法所選擇的特征子集，利用優(yōu)化之后的SVM分類器進(jìn)行識(shí)別，取得了較好的分類效果。

6 結(jié) 論

本研究提出將ABC-SVM算法應(yīng)用到內(nèi)部含蟲麥粒的特征選擇上，該算法自動(dòng)從32個(gè)特征中選擇出6個(gè)特征的最優(yōu)特征子集。與原始特征法相比較，該算法不僅可壓縮特征空間，而且識(shí)別率提高了3.75%。同時(shí)，利用ABC-SVM算法所選擇的特征子集，運(yùn)用優(yōu)化之后的SVM分類器進(jìn)行識(shí)別分類，識(shí)別率達(dá)到92.5%，從而證實(shí)了基于ABC-SVM算法在內(nèi)部含蟲麥粒特征選擇的應(yīng)用是可行和有效的。

[1]HU Y X,ZHANG H T,LUO K,etal.Feature extraction of stored-grain insects based on ant colony optimization and support vector machine algorithm [J].AgriculturalScience&Technology-Hunan,2012,13(2):457.

[2]SHUMAN D,COFFELT J A,VICK K W,etal.Quantitative acoustical detection of larvae feeding inside kernels of grain [J].JournalofEconomicEntomology,1993,86(3):933.

[3]SHUMAN D,WEAVER D K,MANKIN R W.Quantifying larval infestation with an acoustical sensor array and cluster analysis of cross-correlation outputs [J].AppliedAcoustics,1997,50(4):279.

[4]耿森林,尚志遠(yuǎn).倉(cāng)儲(chǔ)糧食中害蟲活動(dòng)聲的提取與頻譜分析[J].西南師范大學(xué)學(xué)報(bào)(自然科學(xué)版),2005,30(6):1057.

GENG S L,SHANG Z Y.The sampling of the insect activity sound in the storage grain and its frequency spectrum analysis [J].JournalofSouthwestChinaNormalUniversity(NaturalScience),2005,30(6):1057.

[5]彭 慧,趙子愷,洪 俊.基于壓縮感知的無(wú)線糧蟲聲信號(hào)采集方案[J].農(nóng)機(jī)化研究,2014,36(5):83.

PENG H,ZHAO Z K,HONG J.Research on wireless audio sensor networks data compression method based on compressive sensing [J].JournalofAgriculturalMechanizationResearch,2014,36(5):83.

[6]PEARSON T,BRABEC D L.Detection of wheat kernels with hidden insect infestations with an electrically conductive roller mill [J].AppliedEngineeringinAgriculture,2007,23(5):639.

[7]ZHANG H M,WANG J.Detection of age and insect damage incurred by wheat,with an electronic nose [J].JournalofStoredProductsResearch,2007,43(4):489.

[8]KARABOGA D.Artificial bee colony algorithm [J].Scholarpedia,2010,5(3):6915.

[9]SCHIEZARO M,PEDRINI H.Data feature selection based on artificial bee colony algorithm [J].EURASIPJournalonImageandVideoProcessing,2013,2013(1):1.

[10]PALANISAMY S,KANMANI S.Artificial bee colony approach for optimizing feature selection [J].InternationalJournalofComputerScienceIssues,2012,9(3):432.

[11]OZTURK C,HANCER E,KARABOGA D.A novel binary artificial bee colony algorithm based on genetic operators [J].InformationSciences,2015,297:154.

[12]胡玉霞,張紅濤.基于模擬退火算法-支持向量機(jī)的儲(chǔ)糧害蟲識(shí)別分類[J].農(nóng)業(yè)機(jī)械學(xué)報(bào),2008,39(9):108.

HU Y X,ZHANG H T.Recognition of the stored-grain pests based on simulated annealing algorithm and support vector machine [J].TransactionsoftheChineseSocietyforAgriculturalMachinery,2008,39(9):108.

Multispectral Image Feature Selection of Insect-infected Wheat Grains Based on ABC and SVM Algorithm

ZHANG Hongtao, RUAN Pengju, MU Jianru, SUN Zhiyong, LI Dewei

(North China University of Water Resources and Electric Power, Zhengzhou，Henan 450045, China)

In order to study the feature selection of insect-infected wheat grains based on artificial bee colony algorithm and support vector machine algorithm, and to explore the feasibility of the feature selection of insect-infected wheat grains, the feature selection was firstly proposed based on the artificial bee colony algorithm, and the recognition accuracy of fold cross validation training model was taken as the evaluation principle of the feature subset. The artificial bee colony algorithm was applied to the feature selection of the insect-infected wheat grains.The results showed that the the optimal feature subspace of six features were extracted from 32 histogram features and textural features, and 80 image samples of the insect-infected wheat grains were automatically recognized by the optimized SVM classifier, with the recognition accuracy over 92%. The experiment showed that the application of artificial bee colony algorithm for the feature selection of grain insects was feasible．

Insect-infected wheat grains; Artificial bee colony algorithm; Support vector machine; Feature selection; Recognition

時(shí)間：2016-10-08

2016-03-22

2016-05-18

國(guó)家自然科學(xué)基金項(xiàng)目(31671580)；國(guó)家自然科學(xué)基金項(xiàng)目(31101085)；河南省科技攻關(guān)項(xiàng)目(162102110112)；華北水利水電大學(xué)教學(xué)名師培育項(xiàng)目(2104108)

E-mail：zht1977@ncwu.edu.cn

S512.1；S186

A

1009-1041(2016)10-1391-05

網(wǎng)絡(luò)出版地址：http://www.cnki.net/kcms/detail/61.1359.S.20161008.0932.032.html