基于SVM和AdaBoost的棉葉螨危害等級(jí)識(shí)別

楊麗麗 張大衛(wèi) 羅 君 王振鵬 吳才聰

(中國(guó)農(nóng)業(yè)大學(xué)信息與電氣工程學(xué)院， 北京 100083)

0 引言

新疆作為我國(guó)最大的產(chǎn)棉區(qū)和商品棉基地，棉花對(duì)當(dāng)?shù)亟?jīng)濟(jì)發(fā)展和社會(huì)穩(wěn)定起著重要的作用。隨著近年來(lái)新疆棉花種植面積的擴(kuò)大，病蟲(chóng)害大面積的爆發(fā)嚴(yán)重影響了當(dāng)?shù)孛藁ǖ漠a(chǎn)量和品質(zhì)[1-2]。棉葉螨作為棉花最難防治的害蟲(chóng)之一，因其個(gè)體微小、隱蔽性強(qiáng)、傳播性廣、危害周期長(zhǎng)的特點(diǎn)，導(dǎo)致防治困難，危害程度深[3-5]。傳統(tǒng)棉葉螨危害等級(jí)識(shí)別主要依靠有經(jīng)驗(yàn)的植保人員進(jìn)行實(shí)地人工抽查，其檢測(cè)范圍小，時(shí)效性差，農(nóng)業(yè)信息化水平低，難以準(zhǔn)確評(píng)估整塊棉田的受害情況，在一定程度上影響棉花的產(chǎn)量和品質(zhì)。因此，及時(shí)準(zhǔn)確地識(shí)別棉葉螨的危害等級(jí)，對(duì)整個(gè)害蟲(chóng)防治過(guò)程按“采集-噴藥-復(fù)查”進(jìn)行周期性數(shù)字化處理，可為實(shí)現(xiàn)棉田蟲(chóng)害精細(xì)監(jiān)測(cè)與精準(zhǔn)管理提供可靠依據(jù)。

隨著數(shù)字圖像處理技術(shù)和農(nóng)業(yè)信息化的發(fā)展，國(guó)內(nèi)外學(xué)者使用機(jī)器視覺(jué)技術(shù)，進(jìn)行了一些植物的病蟲(chóng)害等級(jí)識(shí)別和病斑分類(lèi)研究[6-11]。結(jié)合以上研究，本文在自然條件下通過(guò)智能手機(jī)拍攝不同棉葉螨危害等級(jí)的圖像，使用圖像分割算法，完成葉片與背景分離，對(duì)完成分割后的棉葉，分別提取顏色、紋理和邊界特征[12]，比較分析得到不同棉葉螨危害等級(jí)的可區(qū)分特征集合。使用SVM和AdaBoost相結(jié)合的算法，訓(xùn)練棉葉螨危害等級(jí)識(shí)別分類(lèi)模型。

1 材料與方法

1.1 圖像采集

2017年6—8月在新疆石河子四分場(chǎng)和六分場(chǎng)棉田，采集200幅不同棉葉螨危害等級(jí)圖像，每種危害等級(jí)圖像各50幅，4種不同棉葉螨危害等級(jí)圖像如圖1所示(正常葉片定義為0級(jí)蟲(chóng)害)。采集設(shè)備為華為榮耀7手機(jī)，后置攝像頭為2 000萬(wàn)像素，設(shè)置焦距為自動(dòng)調(diào)節(jié)，為了保證初始拍攝圖像的清晰度，圖像的分辨率設(shè)置為2 448像素×3 264像素。因?yàn)槊奕~螨在葉面背部危害棉葉，所以實(shí)驗(yàn)所用的棉葉圖像都從葉面背部拍攝。同時(shí)，以白色底板作為輔助背景，避免復(fù)雜背景下棉花葉片分割困難。

圖1 不同棉葉螨危害等級(jí)圖像Fig.1 Images of different cotton spider mites damage levels

1.2 棉葉螨危害等級(jí)劃分標(biāo)準(zhǔn)

識(shí)別棉葉螨危害等級(jí)需首先確定棉葉螨危害等級(jí)劃分標(biāo)準(zhǔn)，在國(guó)家標(biāo)準(zhǔn)《棉花葉螨測(cè)報(bào)技術(shù)規(guī)范》中螨害等級(jí)被分為4級(jí)[13]：0級(jí)，無(wú)為害；1級(jí)，葉面有零星黃色斑塊；2級(jí)，紅色斑塊占葉面1/3以下；3級(jí)，紅色斑塊占葉面1/3及以上。但在實(shí)際應(yīng)用中，棉葉螨危害初期會(huì)在葉莖底端出現(xiàn)散亂的白點(diǎn)，并且隨著蟲(chóng)害的加重，葉片會(huì)出現(xiàn)黃斑和紅斑并存，甚至出現(xiàn)大面積黃斑的現(xiàn)象，在危害更加嚴(yán)重的情況下，還會(huì)出現(xiàn)葉面的卷曲和變形，在一定程度上會(huì)遮擋病斑的面積。因此，國(guó)家標(biāo)準(zhǔn)在實(shí)際應(yīng)用中起判定參考的作用，通過(guò)咨詢(xún)當(dāng)?shù)氐霓r(nóng)技人員和植保專(zhuān)家，本文將棉葉螨危害等級(jí)重新劃分，如表1所示。

1.3 預(yù)處理

在棉花種植的實(shí)際環(huán)境中，由于白天光照強(qiáng)度的快速變化、不同的天氣狀況和人為因素的干擾，都會(huì)影響棉葉圖像的成像質(zhì)量[14]。為了解決在復(fù)雜背景下提取棉葉圖像困難的問(wèn)題，在拍攝時(shí)以白色底板為背景來(lái)減少后期棉葉圖像分割的難度。但在實(shí)際操作時(shí)，圖像上仍然會(huì)出現(xiàn)陰影、暗光，且白色底板上會(huì)出現(xiàn)飛蟲(chóng)、泥土和其他雜質(zhì)。為了消除圖像上的無(wú)關(guān)信息，增強(qiáng)有關(guān)信息的檢測(cè)性，需要去除圖像的背景信息。圖像預(yù)處理分為：圖像尺寸縮放和背景去除兩步。

1.3.1圖像尺寸縮放

為了減少圖像后續(xù)處理的計(jì)算量，縮減數(shù)據(jù)冗余，同時(shí)更高程度上保證幾何變換后圖像的質(zhì)量，本文采用三次內(nèi)插法[15]對(duì)圖像尺寸等比例壓縮，得到壓縮后的圖像尺寸為653像素×490像素。

1.3.2圖像背景去除

大津法[16](Otsu法)是一種自適應(yīng)閾值分割方法，基于圖像的灰度特征，使用最大類(lèi)間方差，獲得將圖像前景和背景分開(kāi)的最佳閾值。本文使用大津法在多個(gè)顏色分量上進(jìn)行圖像分割實(shí)驗(yàn)，對(duì)于大津法未能完成分割的背景雜色和誤拍區(qū)域，使用形態(tài)學(xué)的腐蝕、膨脹和最大連通區(qū)域標(biāo)記算法進(jìn)行去除。使用圖像平均分割精度來(lái)檢驗(yàn)在不同顏色分量上的圖像分割效果[17]，計(jì)算公式為

(1)

圖2 葉片與背景分離Fig.2 Separation of leaves from background

式中S——棉葉圖像的平均分割精度

h——圖像分割實(shí)驗(yàn)的樣本數(shù)

Ri——棉葉圖像目標(biāo)區(qū)域的像素點(diǎn)數(shù)

Ti——本文算法分割后得到的圖像目標(biāo)區(qū)域像素點(diǎn)數(shù)

各棉葉螨危害等級(jí)內(nèi)任取5幅圖像，共20幅圖像，在不同顏色分量上對(duì)其進(jìn)行圖像分割實(shí)驗(yàn)，得到的平均分割精度如表2所示。

表2 基于不同顏色分量的平均分割精度對(duì)比Tab.2 Comparison of average segmentation accuracy based on different components

由表2可以發(fā)現(xiàn)，在H分量上分割效果最好。使用大津法獲得的動(dòng)態(tài)閾值，使圖像的前景和背景在色調(diào)上差異最大，能很好完成圖像前景和背景的分離，并且在一定程度上能夠減少陰影對(duì)圖像分割效果的影響。本文在H分量上使用大津法、形態(tài)學(xué)法和最大連通區(qū)域算法消除圖像背景和誤拍區(qū)域，將得到的二值圖像與原圖像進(jìn)行邏輯與運(yùn)算，完成棉葉圖像背景的去除。具體操作過(guò)程如圖2所示。

1.4 特征提取與選擇

棉葉在遭受棉葉螨侵害后，最直觀的體現(xiàn)是病斑顏色和面積會(huì)發(fā)生變化，并且隨著危害的加重，棉葉上會(huì)出現(xiàn)孔洞和褶皺，導(dǎo)致圖像邊緣信息產(chǎn)生變化。本文以目標(biāo)區(qū)域的視覺(jué)特征為基礎(chǔ)，從目標(biāo)圖像的全局信息出發(fā)，分別提取圖像的顏色特征、紋理特征和邊緣特征數(shù)據(jù)進(jìn)行分析，按照同一危害等級(jí)特征數(shù)據(jù)差異小，不同危害等級(jí)特征數(shù)據(jù)差異大的原則，完成特征數(shù)據(jù)的篩選。

1.4.1顏色特征提取

采用基于RGB和HSV的顏色空間[18]，分別提取4類(lèi)不同棉葉螨危害等級(jí)圖像的R、G、B、H、S、V、2G-B-R、2R-B-G和2B-R-G顏色分量的特征數(shù)據(jù)進(jìn)行統(tǒng)計(jì)分析，得到圖3所示的統(tǒng)計(jì)結(jié)果。

1.4.2紋理特征提取

灰度共生矩陣是求取圖像紋理的重要方法，其反映圖像上具有相似亮度和同樣亮度的2個(gè)像素點(diǎn)在位置上的分布情況，反映圖像灰度關(guān)于方向、相鄰間隔和變化幅度的綜合信息[19-20]。但是灰度共生矩陣不能反映出圖像的紋理特征，還需要計(jì)算出紋理的統(tǒng)計(jì)量，如熵、能量、慣性矩和相關(guān)性等。求取不同危害等級(jí)棉葉螨圖像的4個(gè)紋理特征數(shù)據(jù)，統(tǒng)計(jì)結(jié)果如圖4所示。

圖3 顏色特征統(tǒng)計(jì)結(jié)果Fig.3 Color feature statistics result

圖4 紋理特征統(tǒng)計(jì)結(jié)果Fig.4 Texture feature statistics result

分別求取能量、熵、慣性矩和相關(guān)性在4個(gè)危害等級(jí)上的極差為0.001、0.012、0.089和0.001，結(jié)合圖4可以得到，圖像紋理的慣性矩在等級(jí)1上和其他等級(jí)的數(shù)據(jù)有很大區(qū)別，極差也最大。能量、熵和相關(guān)性3個(gè)紋理性質(zhì)極差相差較小，在棉葉螨4個(gè)危害等級(jí)上分布均勻，所以選擇慣性矩作為紋理的區(qū)分特征。

1.4.3邊緣特征提取

圖5 邊緣特征統(tǒng)計(jì)結(jié)果Fig.5 Edge characteristics statistics result

邊緣檢測(cè)是對(duì)圖像中灰度變化較明顯部分求取微分來(lái)完成邊緣定位的計(jì)算[21]，常用的檢測(cè)算子有Sobel算子、Prewitt算子、Log算子和Canny算子等。遭受棉葉螨侵害的葉片，會(huì)隨著葉綠素和汁液的丟失出現(xiàn)空洞和卷曲，導(dǎo)致受害葉片和正常葉片的邊緣特征有所不同，圖像的邊緣特征統(tǒng)計(jì)結(jié)果如圖5所示。

由圖5可得，利用4個(gè)邊緣算子求得各危害等級(jí)圖像的邊緣特征數(shù)據(jù)差異性較大，其中，利用Sobel算子和Prewitt算子求得3級(jí)特征數(shù)據(jù)明顯大于其他等級(jí)，利用Canny算子和Log算子求得各危害等級(jí)特征數(shù)據(jù)之間存在明顯的差異。計(jì)算各算子對(duì)應(yīng)的不同危害等級(jí)特征數(shù)據(jù)的極差，分別為0.024、0.023、0.033和0.025，極差數(shù)據(jù)較大。因此選擇這4種算子提取的邊緣特征作為可區(qū)分特征。

綜上，最后選取6個(gè)顏色特征、1個(gè)紋理特征和4個(gè)邊緣特征，作為棉葉螨危害等級(jí)分類(lèi)的特征數(shù)據(jù)。

唐娜·斯特里克蘭（Donna Strickland）、杰拉德·穆魯（Gérard Mourou）和阿瑟·阿什金（Arthur Ashkin）分享了2018年的諾貝爾物理學(xué)獎(jiǎng)，以表彰他們?yōu)榧す饧夹g(shù)的進(jìn)步所做出的貢獻(xiàn)。50多年以來(lái)，斯特里克蘭是首位女性諾貝爾物理學(xué)獎(jiǎng)的得主，也是諾獎(jiǎng)歷史上第三位女性物理學(xué)獎(jiǎng)得主。BELLA和其他高功率激光器采用了斯特里克蘭和穆魯開(kāi)發(fā)的技術(shù)——啁啾脈沖放大技術(shù)，產(chǎn)生了令人難以置信的高能激光脈沖。有朝一日，這些設(shè)備可能：成為醫(yī)用桌面粒子加速器的動(dòng)力，用作原子成像的顯微鏡，推動(dòng)物理學(xué)前沿進(jìn)一步發(fā)展。

2 棉葉螨危害等級(jí)識(shí)別

對(duì)棉葉螨危害等級(jí)識(shí)別進(jìn)行仿真實(shí)驗(yàn)。軟件平臺(tái)為Windows 10系統(tǒng)，Matlab R2014a；計(jì)算機(jī)CPU為Intel Core i5-7400，頻率為3 GHz，8 GB內(nèi)存。根據(jù)1.4節(jié)得到的結(jié)論，對(duì)200幅棉葉圖像進(jìn)行特征數(shù)據(jù)提取，不同危害等級(jí)各50幅圖像，其中30幅訓(xùn)練集，20幅測(cè)試集。

2.1 SVM算法對(duì)棉葉螨危害識(shí)別與分析

參考國(guó)內(nèi)外研究現(xiàn)狀發(fā)現(xiàn)，SVM算法是植物病斑分類(lèi)和病蟲(chóng)危害等級(jí)識(shí)別最常用的分類(lèi)算法。因此，本文在建立棉葉螨危害等級(jí)分類(lèi)器時(shí)，首先選用SVM算法進(jìn)行分類(lèi)模型的訓(xùn)練。SVM算法作為有監(jiān)督的機(jī)器學(xué)習(xí)算法，特別是對(duì)于小樣本數(shù)據(jù)，在尋找全局最優(yōu)解時(shí)，得到的分類(lèi)器具有較強(qiáng)的泛化能力[22]。

SVM算法作為經(jīng)典的二分類(lèi)學(xué)習(xí)算法，在解決多分類(lèi)的問(wèn)題上，需要對(duì)多分類(lèi)問(wèn)題進(jìn)行拆分。常用的拆分策略[23]有“一對(duì)一”、“一對(duì)多”和“多對(duì)多”?！岸鄬?duì)多”的方法實(shí)現(xiàn)復(fù)雜，正反類(lèi)的構(gòu)造須有特殊的設(shè)計(jì)，不適合棉葉螨危害等級(jí)的特征分類(lèi)。本文選擇“一對(duì)一”和“一對(duì)多”的4分類(lèi)拆分策略，使用0～3級(jí)表示危害等級(jí)0～3，對(duì)應(yīng)生成分類(lèi)器的結(jié)果如圖6所示。

由圖6可知，“一對(duì)多”的拆分方法生成4個(gè)分類(lèi)器，與“一對(duì)一”的方法生成6個(gè)分類(lèi)器相比，少訓(xùn)練2個(gè)。但這并不意味著采用“一對(duì)多”的方法會(huì)比“一對(duì)一”的方法在訓(xùn)練時(shí)間和存儲(chǔ)空間上更小。因?yàn)椤耙粚?duì)多”的方法在訓(xùn)練一個(gè)分類(lèi)器時(shí)，需要使用全部訓(xùn)練樣本，那么訓(xùn)練4個(gè)分類(lèi)器需要對(duì)480個(gè)訓(xùn)練數(shù)據(jù)進(jìn)行運(yùn)算，而“一對(duì)一”方法訓(xùn)練6個(gè)分類(lèi)器只需要360個(gè)訓(xùn)練數(shù)據(jù)，這就使得“一對(duì)一”的拆分策略在前期訓(xùn)練分類(lèi)器時(shí)訓(xùn)練時(shí)間和存儲(chǔ)空間較小。同時(shí)，在“一對(duì)多”的方法上訓(xùn)練模型，訓(xùn)練數(shù)據(jù)在正反類(lèi)的構(gòu)造上會(huì)造成數(shù)據(jù)不平衡的問(wèn)題，例如在訓(xùn)練分類(lèi)器C1時(shí)，正類(lèi)數(shù)據(jù)為30，負(fù)類(lèi)數(shù)據(jù)為90。這樣得到的分類(lèi)器會(huì)更加偏向數(shù)據(jù)類(lèi)多的一方，導(dǎo)致生成的分類(lèi)器泛化能力差[24]。本文對(duì)“一對(duì)多”的方法進(jìn)行了實(shí)驗(yàn)，為解決數(shù)據(jù)不平衡的問(wèn)題，使用smote算法對(duì)數(shù)據(jù)少的一類(lèi)進(jìn)行模擬填充[25]。使用SVM算法訓(xùn)練得到4個(gè)分類(lèi)器進(jìn)行分類(lèi)識(shí)別，最終得到棉葉螨4種危害等級(jí)平均識(shí)別正確率為70%，識(shí)別結(jié)果不理想。

因此，本文選用“一對(duì)一”的拆分策略，對(duì)棉葉螨4種危害等級(jí)生成6個(gè)分類(lèi)器，采用投票法完成棉葉螨危害等級(jí)的劃分。

使用SVM算法訓(xùn)練生成6個(gè)分類(lèi)器，對(duì)80個(gè)測(cè)試樣本進(jìn)行分類(lèi)識(shí)別，結(jié)果如表3所示。表中棉葉螨1級(jí)危害識(shí)別正確率僅為40%，與之相比3級(jí)危害識(shí)別正確率為100%，4個(gè)等級(jí)平均識(shí)別正確率為76.25%，分類(lèi)結(jié)果達(dá)不到實(shí)際應(yīng)用需求。對(duì)1級(jí)危害識(shí)別正確率較低的原因進(jìn)行分析，發(fā)現(xiàn)是與1級(jí)危害相關(guān)的3個(gè)分類(lèi)器F1、F4和F5選取不當(dāng)所導(dǎo)致。

當(dāng)可區(qū)分特征數(shù)據(jù)集合確定后，SVM分類(lèi)器的生成主要與核函數(shù)和SVM內(nèi)的參數(shù)選取有關(guān)。通過(guò)多次實(shí)驗(yàn)測(cè)試，SVM內(nèi)的核函數(shù)選擇為徑向基核函數(shù)(Radial basis function，RBF)。通過(guò)人工調(diào)優(yōu)和窮舉法調(diào)整SVM內(nèi)的懲罰參數(shù)C和核函數(shù)內(nèi)的gamma參數(shù)來(lái)尋找最優(yōu)分類(lèi)器，發(fā)現(xiàn)gamma參數(shù)對(duì)各危害等級(jí)識(shí)別正確率有很大的影響。以危害等級(jí)1級(jí)和3級(jí)生成的分類(lèi)器F5為例，當(dāng)gamma參數(shù)取不同值時(shí)，識(shí)別正確率變化很大，圖7為危害等級(jí)1級(jí)和3級(jí)在測(cè)試集上識(shí)別正確率的統(tǒng)計(jì)結(jié)果。

圖7 gamma參數(shù)對(duì)1級(jí)和3級(jí)危害識(shí)別正確率的影響Fig.7 Effect of gamma value on accuracy of 1 and 3 classifications

由圖7可知，當(dāng)3級(jí)危害識(shí)別正確率較高時(shí)，1級(jí)危害識(shí)別正確率較低，否則相反，3級(jí)和1級(jí)識(shí)別正確率符合互斥現(xiàn)象。按照同樣的操作，通過(guò)改變gamma參數(shù)對(duì)0級(jí)和1級(jí)、1級(jí)和2級(jí)進(jìn)行測(cè)試，在測(cè)試集上得到的識(shí)別正確率和gamma參數(shù)之間的關(guān)系，同樣符合圖7所示的規(guī)律。經(jīng)過(guò)上述實(shí)驗(yàn)發(fā)現(xiàn)，在現(xiàn)有特征數(shù)據(jù)基礎(chǔ)上，使用SVM算法很難訓(xùn)練出0級(jí)和1級(jí)、1級(jí)和2級(jí)、1級(jí)和3級(jí)識(shí)別正確率比值較高的分類(lèi)器。

2.2 AdaBoost分類(lèi)器的生成

為了解決上述問(wèn)題，本文引入了AdaBoost集成學(xué)習(xí)算法，通過(guò)訓(xùn)練若干個(gè)弱分類(lèi)器，組合成強(qiáng)分類(lèi)器[26]，替代SVM生成的F1、F4和F5分類(lèi)器。以危害等級(jí)1、3級(jí)生成的強(qiáng)分類(lèi)器F5為例，AdaBoost算法計(jì)算流程如下：

(1)構(gòu)建圖像特征數(shù)據(jù)訓(xùn)練集為G={(x1,y1),(x2,y2),…,(xn,yn)}，其中，xi為圖像的特征數(shù)據(jù)，yi為標(biāo)簽集，yi∈(-1,1)，i=1,2,…,n，n=60。

(2)初始化每個(gè)圖像特征數(shù)據(jù)的權(quán)值D1=(w11,w12,…,w1i，…,w1n)，其中，w1i=1/i，w1i為第i個(gè)圖像特征數(shù)據(jù)對(duì)應(yīng)的初始權(quán)值。

(3)迭代循環(huán)m次，m=1,2,…,M，使用決策樹(shù)算法對(duì)具有權(quán)值分布的訓(xùn)練集G訓(xùn)練出弱分類(lèi)器fm(x)。

計(jì)算弱分類(lèi)器fm(x)在樣本集G上的誤差率為

(2)

式中I——弱分類(lèi)器fm在樣本集G上錯(cuò)分的個(gè)數(shù)，滿足fm(xi)≠yi

wmi——第m次迭代循環(huán)對(duì)應(yīng)第i個(gè)圖像特征數(shù)據(jù)的權(quán)值

弱分類(lèi)器fm(x)的系數(shù)αm為

(3)

更新訓(xùn)練集的權(quán)重?cái)?shù)據(jù)

Dm+1=(wm+1,1,wm+1,2,…,wm+1,i,…,wm+1,n)

(4)

其中

(5)

重復(fù)步驟(3)M次，將訓(xùn)練的弱分類(lèi)器進(jìn)行組合得到強(qiáng)分類(lèi)器F5，計(jì)算公式為

(6)

使用上述算法，完成新分類(lèi)器F1和F4的生成，用于和SVM生成的分類(lèi)器F2、F3和F6組合，完成棉葉螨危害等級(jí)的識(shí)別。

2.3 SVM和AdaBoost對(duì)棉葉螨危害等級(jí)識(shí)別

使用SVM算法訓(xùn)練生成F2、F3和F6共3個(gè)分類(lèi)器。使用AdaBoost算法訓(xùn)練生成F1、F4和F5共3個(gè)分類(lèi)器。將兩種算法得到的6個(gè)分類(lèi)器進(jìn)行集成，采用投票法得到最終分類(lèi)結(jié)果，如表4所示。從表中可得，SVM和AdaBoost生成的集成分類(lèi)器平均識(shí)別正確率為88.75%。在4個(gè)危害等級(jí)識(shí)別中， 0級(jí)樣本中有1個(gè)樣本錯(cuò)分為2級(jí)，主要由于在室外拍攝圖像時(shí)，因?yàn)檎趽醯脑?，葉片上一部分曝光過(guò)高，一部分過(guò)暗。在1級(jí)樣本內(nèi)有2個(gè)樣本錯(cuò)分為0級(jí)，主要由于在葉片的葉莖底端有散亂的白點(diǎn)，危害較輕，不易分辨。在2級(jí)樣本內(nèi)有2個(gè)樣本錯(cuò)分為3級(jí)，主要由于在田間拍攝時(shí)葉片上出現(xiàn)雜質(zhì)和飛蟲(chóng)，從而導(dǎo)致錯(cuò)分。在3級(jí)樣本內(nèi)有1個(gè)樣本錯(cuò)分為0級(jí)，主要由于該葉片的邊角部分受害過(guò)重，導(dǎo)致蜷曲，病斑部分被完全遮擋。識(shí)別結(jié)果表明，使用集成分類(lèi)器可較好地對(duì)棉葉螨危害等級(jí)進(jìn)行識(shí)別。

表4 集成分類(lèi)器識(shí)別棉葉螨危害等級(jí)的結(jié)果Tab.4 Cotton spider mites damage level recognition result generated by combination classifier

2.4 棉葉螨危害等級(jí)識(shí)別比較實(shí)驗(yàn)

以BP神經(jīng)網(wǎng)絡(luò)和AdaBoost為訓(xùn)練算法，進(jìn)行棉葉螨危害等級(jí)的對(duì)比實(shí)驗(yàn)，利用2.3節(jié)所使用的訓(xùn)練集和測(cè)試集進(jìn)行訓(xùn)練和測(cè)試。構(gòu)建3層BP神經(jīng)網(wǎng)絡(luò)，輸入層為11個(gè)神經(jīng)元，隱含層22個(gè)神經(jīng)元，輸出層4個(gè)神經(jīng)元，隱含層的傳遞函數(shù)選擇Sigmoid函數(shù)。AdaBoost算法采用“一對(duì)一”的拆分方法訓(xùn)練6個(gè)二分類(lèi)器，對(duì)于弱分類(lèi)器，分別選擇34、55、20、38、25和35個(gè)二分類(lèi)器。對(duì)比實(shí)驗(yàn)統(tǒng)計(jì)結(jié)果如表5所示。

表5 棉葉螨危害等級(jí)識(shí)別比較實(shí)驗(yàn)結(jié)果Tab.5 Experiment results of cotton spider mites damage level comparison

從表5可知，本文算法比BP神經(jīng)網(wǎng)絡(luò)識(shí)別正確率高13.75個(gè)百分點(diǎn)，運(yùn)行時(shí)間減少了0.225 s；與SVM算法相比，雖然運(yùn)行時(shí)間多了0.171 s，但識(shí)別正確率顯著提高；與AdaBoost算法相比，識(shí)別正確率和運(yùn)行時(shí)間都有所改善。

3 結(jié)論

(1)參考棉葉螨危害等級(jí)的國(guó)家測(cè)定標(biāo)準(zhǔn)，結(jié)合實(shí)際生產(chǎn)狀況和棉葉螨危害特點(diǎn)，提出了新的棉葉螨等級(jí)測(cè)定方法，為后續(xù)棉葉螨危害等級(jí)的判斷提供了理論基礎(chǔ)。

(2)棉葉螨危害等級(jí)識(shí)別上，本文算法平均識(shí)別正確率為88.75%，耗時(shí)0.389 s，與SVM生成的分類(lèi)器相比，識(shí)別正確率提高了12.5個(gè)百分點(diǎn)；與AdaBoost生成的分類(lèi)器相比，耗時(shí)減少了0.092 s；與BP神經(jīng)網(wǎng)路生成的分類(lèi)器相比，識(shí)別精度和耗時(shí)均有改進(jìn)。