BP 神經(jīng)網(wǎng)絡(luò)與 HOG特征相結(jié)合的小花清風藤葉片智能鑒別模型建立

郭文凱， 孫慶文

(貴州中醫(yī)藥大學， 貴州 貴陽 550025)

小花清風藤(SabiaparvifloraWall.ex Roxb.)為清風藤科(Sabiaceae)清風藤屬(Sabia)植物[1-2]，是貴州苗族、布依族等少數(shù)民族治療肝炎、風濕痹痛、跌打損傷等疾病的常用藥物[3]。現(xiàn)代化學、藥理研究表明，小花清風藤含有生物堿、黃酮、萜類、甾體及皂苷等成分，具有明顯的保肝、抗炎、鎮(zhèn)痛等作用[4]。筆者所在的作者課題組對小花清風藤的資源狀況、生藥鑒定、引種栽培、質(zhì)量控制以及化學藥理等方面進行了系統(tǒng)研究[5-12]，經(jīng)過長期的研究發(fā)現(xiàn)，小花清風藤與同屬(清風藤屬)的簇花清風藤(SabiafasciculataLecomte ex L.Chen)、尖葉清風藤(SabiaswinhoeiHemsl. ex Forb. et Hemsl.)等物種在植物形態(tài)上極為相似，在沒有花、果的情況下很難準確鑒別，加上相似的幾個物種具有同樣的分布區(qū)，導致藥農(nóng)在采集小花清風藤藥材的時候極易混雜，從而影響臨床療效，甚至埋下安全隱患。因此，探索準確、快速、簡便的鑒別方法，是小花清風藤綜合開發(fā)利用和藥材質(zhì)量控制的重要環(huán)節(jié)。

方向梯度直方圖(Hog)特征是應(yīng)用于圖像處理領(lǐng)域的特征描述子，由于其能夠很好的對一幅圖像的局部區(qū)域進行描述，逐漸被用于圖像處理、模式識別和機器學習等領(lǐng)域。TAKIRAN 等[13]從無噪聲干擾、大小相同的圖像中提取HOG 特征對手寫簽名進行準確識別，使用PCA 技術(shù)將所提取的特征進行降維后再進行選擇，將所獲得的最終數(shù)據(jù)反饋到GRNN 分類器進行訓練，該方法運用在試驗中取得了98.33%的準確度。BP(Back Propagation)神經(jīng)網(wǎng)絡(luò)是按誤差逆?zhèn)鞑ニ惴ㄓ柧毜亩鄬忧梆伨W(wǎng)絡(luò)，可以對任一非線性輸入輸出關(guān)系進行模仿，因此被廣泛應(yīng)用在分類識別、回歸、壓縮、逼近等領(lǐng)域[14]。如曹永峰等[15]建立了GA-BP四層神經(jīng)網(wǎng)絡(luò)，輸入節(jié)點設(shè)置為256，輸出節(jié)點設(shè)置為5，進行數(shù)字圖像識別，GA-BP網(wǎng)絡(luò)正確識別率達98.7%；周舒冬等[16]從穿心蓮藥材指紋圖譜中提取了4個主成分，并利用LM-BP神經(jīng)網(wǎng)絡(luò)進行模式識別，建立了穿心蓮藥材指紋圖譜的LM-BP神經(jīng)網(wǎng)絡(luò)模型，其算法在識別速度和精度上都比傳統(tǒng)BP算法有較大提高。鑒于BP神經(jīng)網(wǎng)絡(luò)與HOG特征在圖像處理、模式識別等領(lǐng)域的突出優(yōu)勢，筆者等將其引入小花清風藤及同屬植物藥材的鑒別，建立BP神經(jīng)網(wǎng)絡(luò)與HOG特征相結(jié)合的小花清風藤葉片智能鑒別模型，以期為小花清風藤的綜合開發(fā)利用和質(zhì)量控制提供新的科學方法。

1材料與方法

1.1材料

小花清風藤與簇花清風藤葉片：采集于貴州中醫(yī)大學藥用植物種質(zhì)資源圃，并由貴州中醫(yī)藥院大學鑒定為清風藤科(Sabiaceae)植物小花清風藤(SabiaparvifloraWall.exRoxb.)和簇花清風藤(SabiafasciculataLecomte ex L. Chen)，植物憑證標本保存于貴州中醫(yī)藥大學生藥重點實驗室。

Dell Optiplex 3050計算機(戴爾中國有限責任公司)、Epson ME OFFICE 620F掃描儀〔愛普生(中國)有限責任公司〕、MATLAB R2018a軟件〔美國邁科沃斯(北京)有限公司〕。

1.2方法

1.2.1HOG特征提取 HOG特征的提取是基于梯度特征的提取，主要思想為在一幅圖像中，局部目標的表象和形狀能夠被梯度或者邊緣的方向密度分布所描述。為了提取小花清風藤與簇花清風藤葉片圖像的HOG特征，首先需將圖像進行色彩和Gamma歸一化，計算待檢測窗口的每一個像素的梯度幅值和方向；其次將待檢測窗口劃分為n個cell，在每個cell中按照設(shè)計好的梯度方向和量化間隔構(gòu)建梯度方向直方圖；然后將相鄰的cell組成一個大的空間(Block)，對相鄰空間的重疊部分進行直方圖歸一化處理；最后將待檢測窗口中所有空間(Block)中的梯度方向直方圖組成特征向量，相關(guān)計算公式如下：

A(x,y)=A(x,y)gamma

Gx(x,y)=H(x+1,y)-H(x-1,y)

Gx(x,y)=H(x,y+1)-H(x,y-1)

式中Gx(x,y)為像素點(x,y)處水平方向梯度，Gy(x,y)為像素點(x,y)處垂直方向梯度，H(x,y)為像素值，G(x,y)為梯度幅值，α(x,y)為梯度方向。

1.2.2BP神經(jīng)網(wǎng)絡(luò)模型構(gòu)建 BP神經(jīng)網(wǎng)絡(luò)可以存儲大量的圖像信息，并且通過學習儲存大量的模式映射關(guān)系(圖1)，基于HOG提取特征與BP神經(jīng)網(wǎng)絡(luò)相結(jié)合的小花清風藤與簇花清風藤葉片的智能識別模型的建立主要有以下步驟： 1) 采用HOG特征提取算法提取兩種葉片的HOG特征；2) 建立以HOG特征為輸入層，以簇花清風藤和小花清風藤為輸出層的BP神經(jīng)網(wǎng)絡(luò)，調(diào)整隱含層閾值后建立測試模型；3) 輸入測試數(shù)據(jù)庫葉片測試神經(jīng)網(wǎng)絡(luò)對小花清風藤和簇花清風藤的識別率，達到要求，模型建立。通過圖2流程對小花清風藤與簇花清風藤葉片進行識別。

圖2BP 神經(jīng)網(wǎng)絡(luò)模型的葉片識別過程

1.2.3數(shù)據(jù)庫構(gòu)建 為便于采集圖像信息、減少外界環(huán)境等干擾因素、提高識別效率，試驗采用Epson ME OFFICE 620F掃描儀對葉片正面進行掃描，掃描分辨率像素為2 481×3 509，掃描圖像為RGB色彩圖像，圖片格式為jpg。將上述掃描圖像使用MATLAB Image Processing Toolbox進行預(yù)處理：Otsu方法計算最優(yōu)閾值T對圖像進行去噪聲、圖像二值化、按最大外接矩形(3.5∶1)將圖片裁剪為1 416×416像素。將裁剪后的小花清風藤葉圖片500張，簇花清風藤葉258張，相機隨機拍攝照片500張，隨機抽取小花清風藤葉圖片400張，簇花清風藤150張，相機隨機拍攝照片400作為訓練數(shù)據(jù)庫，剩余部分則作為測試數(shù)據(jù)庫。

1.2.4BP神經(jīng)網(wǎng)絡(luò)構(gòu)建 試驗在一臺3.4GHz CPU，8GB RAM，4GB內(nèi)存的計算機上進行訓練和測試，利用MATLAB R2018 a進行編程，網(wǎng)絡(luò)模型采用5層分類器，基于HOG特征的BP神經(jīng)網(wǎng)絡(luò)構(gòu)建步驟如下：1)使用HOG特征提取函數(shù)對訓練集樣本進行HOG特征提取，得到小花清風藤400×720維和簇花清風藤150×720維訓練集特征；2)樣本特征合并，并賦值給小花清風藤為1，簇花清風藤為-1；3)創(chuàng)建BP神經(jīng)網(wǎng)絡(luò)，調(diào)整隱含層層數(shù)、節(jié)點傳遞函數(shù)、兩次顯示之間的訓練步數(shù)、訓練次數(shù)、訓練目標、學習速率、訓練神經(jīng)網(wǎng)絡(luò)；4)使用測試數(shù)據(jù)庫測試神經(jīng)網(wǎng)絡(luò)識別效果確定上述參數(shù)。

根據(jù)文獻[14]及經(jīng)驗設(shè)置隱含層為3層，節(jié)點傳遞函數(shù)為Logsig，其他參數(shù)使用系統(tǒng)默認值，考察訓練次數(shù)、訓練目標、顯示訓練內(nèi)容等訓練因子對兩種葉片的識別率。

2結(jié)果與分析

2.1不同訓練因子對2種葉片識別效果的影響

從表1可知，隨著訓練次數(shù)的增加，小花清風藤葉片識別的正確率也增加，直到500次識別率達到最大值，為99%。而簇花清風藤則無變化。從表2可知，隨著訓練目標精度的增加，訓練時間在逐漸減少，識別正確率也是逐漸增加(訓練目標精度為0除外)。隨著顯示訓練次數(shù)的增加，小花清風藤葉片識別的正確率也增加，而簇花清風藤則變化不大(表3)。

2.2小花清風藤葉片智能鑒別模型的構(gòu)建

綜合考慮時間等因素，設(shè)置隱含層為3層，節(jié)點傳遞函數(shù)為Logsig，2次顯示之間的訓練步數(shù)為50步，訓練次數(shù)為500次，訓練目標為0.001，學習速率為0.01，平行訓練與測試神經(jīng)網(wǎng)絡(luò)10次，得到小花清風藤的的平均識別率為97.60%，簇花清風藤為98.61%，挑選其中訓練識別率最高的小花清風藤為100%，簇花清風藤為99.07%的版本保存。

表1 BP 神經(jīng)網(wǎng)絡(luò)不同訓練次數(shù)對小花清風藤和簇花清風藤的識別率

表2 BP 神經(jīng)網(wǎng)絡(luò)不同訓練目標對小花清風藤和簇花清風藤的識別率

表3 兩次顯示之間的訓練步數(shù)對小花清風藤和簇花清風藤的識別率

3結(jié)論與討論

通過HOG特征提取描述子與BP神經(jīng)網(wǎng)絡(luò)結(jié)合的方法，建立了兩種極為相似的植物葉片的神經(jīng)網(wǎng)絡(luò)鑒別模型，該模型對小花清風藤葉片的平均識別率為97.60%，簇花清風藤為98.61%，對任意樣本為100%。這是一種準確、簡單、快速的植物及藥材鑒別的新方法，是中藥材傳統(tǒng)“四大鑒別法”的有益補充。

為了提高BP神經(jīng)網(wǎng)絡(luò)的泛化能力，在基于專門識別小花清風藤與簇花清風藤葉片神經(jīng)網(wǎng)絡(luò)模型的基礎(chǔ)上，增加了提高該網(wǎng)絡(luò)模型泛化能力的樣本。先把小花清風藤單獨分為一類，其次把簇花清風藤與泛化樣本分為一類，然后在此基礎(chǔ)上再將簇花清風藤與泛化樣本區(qū)分開，該模型得到了較好的識別率。在識別小花清風藤與簇花清風藤和任意樣本混合時，小花清風藤識別率達93%。在識別簇花清風藤與小花清風藤和任意樣本混合時，簇花清風藤識別率達96.30%。在識別小花清風藤與任意樣本時，各自的識別率均達100%。在識別簇花清風藤與任意樣本時，各自的識別率均同樣達100%。

在預(yù)試驗中，進行了基于顏色(RGB)、形狀特征、紋理特征相結(jié)合的神經(jīng)網(wǎng)絡(luò)的辨識，但結(jié)果不理想。挑選識別錯誤的照片進行對比分析后發(fā)現(xiàn)，圖庫集中被識別為簇花清風藤的小花清風葉片與簇花清風藤在形態(tài)、紋理、大小等特征方面有著極大的相似性；此外，神經(jīng)網(wǎng)絡(luò)中判別兩種清風藤設(shè)定的閾值和HOG特征提取屬性導致兩種葉片誤讀。如果只想提高識別其中一種清風藤的能力，則可以稍微調(diào)整判別兩種清風藤的閾值來達到目的，如果需要兩者兼顧，則還需要大量樣本來訓練神經(jīng)網(wǎng)絡(luò)或者提取更多更細微的特征加上有導師的訓練來達到目的。

該神經(jīng)網(wǎng)絡(luò)模型為專門針對識別小花清風藤和簇花清風藤葉片設(shè)計，識別模式為無背景干擾的固定尺寸的圖像，得到了很好的識別效果，但也存在如背景單一等局限性，接下來的工作中將會在以下幾個方面展開 ：一是擴大清風藤屬植物葉片的數(shù)據(jù)庫，力爭做到清風藤屬植物葉片全覆蓋識別；二是 建立在復雜背景下清風藤屬植物葉片的識別；三是 開發(fā)基于移動終端的軟件實現(xiàn)實時的圖片識別工作。