基于FA-SVM技術(shù)的煙草早期病害識別

張紅濤，朱 洋，譚 聯(lián)，許帥濤，劉迦南

(1.華北水利水電大學(xué) 電力學(xué)院,河南 鄭州 450011; 2.西安電子科技大學(xué) 機(jī)電工程學(xué)院,陜西 西安 710071)

我國是煙草主要生產(chǎn)國和消費(fèi)國之一，煙葉總產(chǎn)量占全球的39.7%，煙草行業(yè)已成為我國社會經(jīng)濟(jì)的重要支柱產(chǎn)業(yè)，其行業(yè)的發(fā)展一直是人們關(guān)注的焦點(diǎn)[1-3]。煙草在生長過程中，會受到病蟲害的侵染，降低產(chǎn)量與質(zhì)量，影響行業(yè)和國家經(jīng)濟(jì)的發(fā)展。病害是影響煙草產(chǎn)量的主要因素，其中，以煙草赤星病和蛙眼病造成的危害最為嚴(yán)重，如能在病害的早期實(shí)現(xiàn)合理的防治，可以有效降低病害導(dǎo)致的經(jīng)濟(jì)損失。煙草蛙眼病和赤星病2種病害的早期病斑相似度大，難以用肉眼區(qū)分，目前主要的病害診斷主要依靠植保專家或農(nóng)戶判斷，容易對早期煙草病害進(jìn)行錯(cuò)誤判別，不能及時(shí)有效的控制住病情，影響煙草行業(yè)的發(fā)展。因此，煙草病蟲害的檢測與防治一直以來都是研究的重點(diǎn)和難點(diǎn)[4-7]。

喻勇等[8]利用機(jī)器視覺的方法對煙葉常見病害進(jìn)行識別，對赤星病的識別率達(dá)到90%，但蛙眼病的識別率僅為44%。王建璽等[9]利用模糊模式識別技術(shù)對煙草病害進(jìn)行判別，該方法對煙草野火病和角斑病的識別率較高。滕娟[10]采用支持向量機(jī)(Support vector machine,SVM)技術(shù)對煙草病害進(jìn)行識別，并取得了良好的效果。SHAO等[11]設(shè)計(jì)了煙草常見病害識別系統(tǒng)，該系統(tǒng)對煙草病害整體的識別率達(dá)到92.5%。李敬[12]利用卷積神經(jīng)網(wǎng)絡(luò)對煙草常見病害進(jìn)行分類識別，識別率達(dá)到90%。張艷令[13]研發(fā)了煙草病害自動(dòng)識別系統(tǒng)，對煙草常見病害的平均識別率達(dá)到90%以上。

由以上可知，學(xué)者們利用各種技術(shù)對煙草病害的識別進(jìn)行深入研究，并取得一定的成果。但大都是根據(jù)葉片的中后期病斑形態(tài)對病害進(jìn)行判別，難以實(shí)現(xiàn)對病害的及時(shí)防治。本研究提出一種基于螢火蟲算法優(yōu)化支持向量機(jī)(FA-SVM)技術(shù)的煙草蛙眼病與赤星病早期判別方法。以煙草蛙眼病與赤星病2種病害為研究對象，利用計(jì)算機(jī)視覺實(shí)現(xiàn)對其早期判別。

1 材料和方法

1.1 病斑圖像采集與處理

利用手機(jī)對病斑圖像進(jìn)行采集，型號為華為P9(分辨率：1 920 dpi×1 080 dpi；攝像頭：1 200萬像素)，拍攝時(shí)間為9：00—12：00和15：00—18：00，樣本采集地點(diǎn)為河南省平頂山市魯山縣甘樹里村，采樣時(shí)間為2019年6月底到8月中旬。

對感染了2種病害的400組(每種病害200組)煙草植株進(jìn)行標(biāo)記，每天定時(shí)對病斑圖像進(jìn)行采集，觀察病斑的變化。分別拍攝2種病害的早、中、晚期病斑圖像。本研究共采集1 200張病斑圖像樣本(早、中、晚期各200張樣本)，把其中的900張作為訓(xùn)練集，剩下的300張作為測試集。2種病斑早期和中期樣本圖像分別如圖1、2所示。

圖1 煙草蛙眼病Fig.1 Frog eye disease of tobacco

圖2 煙草赤星病Fig.2 Brown spot of tobacco

圖像中背景部分主要為植物葉片，病斑圖像在顏色、紋理等方面與背景圖像相差較大。根據(jù)目標(biāo)與背景的顏色差異，并結(jié)合圖像處理方法實(shí)現(xiàn)對病斑圖像的分割。

1.2 蟲體特征提取

由圖1、2可知，煙草蛙眼病與赤星病早期的2種病斑在大小、顏色和紋理上都較為相似，難以用肉眼去觀察區(qū)分，需利用機(jī)器視覺的方法對其進(jìn)行識別。2種病害的早、中期病斑在顏色、紋理和形態(tài)上有明顯的不同，故共提取了2種病斑的形態(tài)學(xué)、顏色和紋理等共計(jì)32個(gè)特征，部分特征定義如下：

灰度共生矩陣是一種通過研究灰度的空間相關(guān)特性來描述紋理的常用方法[14-15]。如下公式中，G為圖像的灰度共生矩陣，K為圖像的灰度級數(shù)。

能量(ENG)：

(1)

ENG又稱角二階矩，表征圖像中灰度分布的均勻程度，圖像灰度越均勻，能量就越小，反之能量越大。

對比度(CON)：

(2)

CON表征圖像紋理的深淺程度。圖像紋理間灰度值差距大，對比度就高，反之對比度低。

逆差矩(IDM)：

(3)

熵(ENT)：

(4)

ENT表征圖像中含有的信息量，熵值越大，則圖像中包含的信息越豐富，或圖像的紋理較為復(fù)雜。

自相關(guān)性(COR)：

(5)

(6)

(7)

(8)

(9)

COR表征圖像的像素在行或列方向上的相似程度，若灰度值差別較大，則相關(guān)性較小，反之相關(guān)性較大。

三階矩(μ3)：

(10)

μ3表征直方圖的傾斜程度，當(dāng)直方圖對稱時(shí)，μ3=0，當(dāng)μ3>0，直方圖朝高灰度值偏斜；當(dāng)μ3<0，直方圖朝低灰度值偏斜。

一致性(u)：

(11)

當(dāng)圖像中某一區(qū)域的灰度值相同時(shí)值最大，然后沿著此值開始下降。

形態(tài)學(xué)特征可以反映目標(biāo)基本形態(tài)的變化，是圖像處理與模式識別中的一類重要特征。

面積(A)：

(12)

A表征目標(biāo)圖像的大小，f(x,y)表示坐標(biāo)為(x,y)的像素點(diǎn)，M、N為橫坐標(biāo)和縱坐標(biāo)的最大值。

周長(P)：

P=A-sum(in)

(13)

P反映目標(biāo)的大小信息，sum(in)表示四鄰域?yàn)槟繕?biāo)的像素點(diǎn)的總和。

圓形度(e)：

(14)

e反映目標(biāo)的復(fù)雜程度，A為目標(biāo)面積，P為目標(biāo)周長。

寬長比(C)：

(15)

H為最小外接矩形的寬，L為最小外接矩形的長。

平均灰度(ave)：

(16)

ave表征目標(biāo)圖像的灰度信息，f(i,j)為像素點(diǎn)(i,j)的像素值，N為目標(biāo)像素點(diǎn)數(shù)。

顏色矩是一種顏色特征表示方法，有一階矩、二階矩和三階矩等，其顏色特征主要分布在低階矩中，所以利用一階矩、二階矩和三階矩足以表達(dá)圖像的顏色分布。

顏色一階矩(μi)：

(17)

pi,j表示彩色圖像第j個(gè)像素的第i個(gè)顏色分量，N表示圖像中像素個(gè)數(shù)。該特征主要表征各顏色分量的平均強(qiáng)度

顏色二階矩(δi)，表征待測區(qū)域的顏色方差，即不均勻性。

(18)

顏色三階矩(si)，表征顏色分量的偏度性，即不對稱性。

(19)

1.3 特征優(yōu)化方法

蟻群算法是一種模擬螞蟻覓食行為的優(yōu)化算法，在解決旅行商問題、多目標(biāo)優(yōu)化等方面有廣泛應(yīng)用[16]。利用蟻群算法優(yōu)化原始特征空間，選取最優(yōu)特征組合，其基本過程如下：

1)螞蟻在覓食的過程中會在行走路徑上釋放信息素。

2)當(dāng)螞蟻碰到有沒走過的路口時(shí)，會隨機(jī)挑選一條路走，同時(shí)釋放信息素。信息素的含量與行走的路徑長度相關(guān)，行走路徑越長，信息素的含量越低，路徑越短，信息素含量越高。

3)當(dāng)后來的螞蟻再次經(jīng)過該路口時(shí)，會選擇信息素含量較高的路徑。

4)最優(yōu)路徑上的信息素含量越來越高，其他路徑上的信息素含量越來越低。

5)最終蟻群尋找到最優(yōu)路徑。

1.4 FA-SVM理論基礎(chǔ)

螢火蟲算法(Firely algorithm，F(xiàn)A)是一種啟發(fā)式算法，靈感來源于螢火蟲的閃爍行為[17-18]。利用螢火蟲算法優(yōu)化支持向量機(jī)參數(shù)，以適應(yīng)度函數(shù)作為參數(shù)選擇依據(jù)。支持向量機(jī)是一種有監(jiān)督學(xué)習(xí)的二分類模型，通過尋求結(jié)構(gòu)化風(fēng)險(xiǎn)最小來提高學(xué)習(xí)機(jī)的泛化能力。將線性不可分的問題映射到高維空間，建立分類超平面，實(shí)現(xiàn)高維空間中的線性可分[19-21]。利用螢火蟲算法優(yōu)化支持向量機(jī)參數(shù)，尋找最佳懲罰因子(c)與徑向基核函數(shù)參數(shù)(g)參數(shù)組合，以達(dá)到更好的分類效果。

2 結(jié)果與分析

2.1 圖像分割結(jié)果分析

由圖1、2可知，2種病害的中期病斑與葉片在顏色和紋理上有明顯的不同。利用中值濾波方法對樣本圖像進(jìn)行濾除處理，利用超綠分割算法分割出葉片圖像，結(jié)合連通區(qū)域標(biāo)記法去除小面積樣本，消除噪聲影響。對分割出的葉片圖像進(jìn)行二值化操作，并進(jìn)行取反，得到病斑二值圖像如圖3所示。

圖3 煙草中期赤星病與蛙眼病病斑二值化Fig.3 Binary of mid-term brown spot and frog eye disease of tabacco

利用病斑的二值圖像對原始樣本圖像進(jìn)行處理，去除葉片背景，得到2種病害的病斑圖像，如圖4所示。

由圖3、4可知，該方法有效去除了葉片背景，分割出2種病害的病斑圖像，有利于后續(xù)的特征提取。且2種病害在中期的病斑圖像有明顯的不同，其形狀、顏色和紋理有較大的差異。

2.2 特征優(yōu)化分析

試驗(yàn)利用蟻群算法優(yōu)化原始特征空間，以適應(yīng)度函數(shù)作為特征選擇依據(jù)。在蟻群算法中，設(shè)置螞蟻數(shù)量為50個(gè)，信息度啟發(fā)因子為1，期望值啟發(fā)因子為3，信息素?fù)]發(fā)因子為0.6，信息素增量為10，最大迭代次數(shù)為100次。設(shè)置15次特征優(yōu)化組合，記錄每次的適應(yīng)度值及交叉驗(yàn)證率。

圖4 煙草赤星病與蛙眼病中期病斑Fig.4 Mid-term of brown spot and frog eye disease

由表1可知，當(dāng)選擇特征組合為第10組時(shí)，適應(yīng)度值和交叉驗(yàn)證率均達(dá)到最高，分別為95.68和93.21%。此時(shí)選擇的特征組合為R1、B3、H1、S1、H2、V2、S3、矩形度、復(fù)雜性、能量、對比度、熵、平均灰度共計(jì)13個(gè)特征。

表1 特征優(yōu)化選擇結(jié)果Tab.1 Result of feature optimization

2.3 早期病害識別

本研究共采集1 200張病斑圖像樣本(早、中、晚期各200張樣本)，把其中的900張作為訓(xùn)練集，剩下的300張作為測試集。根據(jù)優(yōu)化后的特征組合，利用螢火蟲算法優(yōu)化支持向量機(jī)的、參數(shù)，并對2種病斑進(jìn)行判別。在蟻群算法中，設(shè)置種群規(guī)模為20個(gè)，待優(yōu)化參數(shù)為2個(gè)，參數(shù)取值范圍為[0.01，100]，最大迭代次數(shù)為50次，當(dāng)c=94.12、g=2.43時(shí)，識別率達(dá)到96%，如表2所示。由表2可知，煙草蛙眼病與赤星病早期病斑圖像共有8張被誤識，其早期病斑圖像識別率為92%。2種病害早、中和晚期的病斑圖像共有12張被誤識，對2種病害不同時(shí)期的整體識別率為96%。由識別結(jié)果可知，利用機(jī)器學(xué)習(xí)的方法可有效識別出煙草蛙眼病和赤星病2種病害。

表2 煙草赤星病與蛙眼病識別Tab.2 The recognition of brown spot and frog eye disease

3 結(jié)論與討論

前人利用數(shù)字圖像處理、特征融合等技術(shù)方法對煙草病斑區(qū)域進(jìn)行檢測，實(shí)現(xiàn)了對病斑圖像的提取與識別，但對早期煙草病害識別的研究較少，且達(dá)不到理想的識別效果[22-24]。本研究提出一種基于機(jī)器視覺的煙草早期病害識別方法。利用可見光采集病害圖像樣本，具有高效、操作簡單等優(yōu)點(diǎn)。運(yùn)用蟻群算法優(yōu)化原始特征空間，選取最優(yōu)特征組合，降低特征的維數(shù)，便于分析和處理。利用螢火蟲算法優(yōu)化支持向量機(jī)的參數(shù)，選取最佳參數(shù)組合，提高了分類器性能。

前人利用各種技術(shù)對植物病害進(jìn)行識別，取得了一定的成果，但大都是以病害的中、后期為研究對象，此時(shí)已造成了作物減產(chǎn)，不能夠及時(shí)提供合理的防治措施。本研究對病害的早、中、晚期進(jìn)行系統(tǒng)的分析。赤星病與蛙眼病2種病害的早期病斑在顏色、紋理和形態(tài)上都較為相似，難以對不同病害采取及時(shí)有效的防治，傳統(tǒng)的識別需要依靠專家和農(nóng)戶的經(jīng)驗(yàn)進(jìn)行判斷，容易造成誤判，錯(cuò)過最佳防治時(shí)機(jī)。通過機(jī)器學(xué)習(xí)的方法可以有效避免人為的主觀性，達(dá)到更加精確的識別效果。本研究表明，利用螢火蟲算法優(yōu)化支持向量機(jī)技術(shù)對煙草蛙眼病和赤星病進(jìn)行判別，早期2種病斑的識別率達(dá)到92%，整體識別率達(dá)到了96%，有效識別出煙草赤星病與蛙眼病，可為制定合理的防治措施提供科學(xué)依據(jù)。但同時(shí)該方法也存在一些不足的地方，可能存在更好表達(dá)早期不同病害差異的特征未被提取，如若能利用深度卷積神經(jīng)網(wǎng)絡(luò)等新技術(shù)對不同病害進(jìn)行識別，可以在一定程度上避免因特征提取帶來的誤差，進(jìn)一步提高識別率，實(shí)現(xiàn)更加精確的判別，這也是下一步研究的重點(diǎn)。