基于灰度共生矩陣和支持向量機(jī)的茶葉病害診斷研究*

陳 榮，李 旺，周文玉

(1銅仁學(xué)院 大數(shù)據(jù)學(xué)院，貴州 銅仁 554300；2銅仁市為拓網(wǎng)絡(luò)技術(shù)有限公司，貴州 銅仁 554300)

0 引言

茶葉作為茶農(nóng)的重要經(jīng)濟(jì)支柱，在當(dāng)前精準(zhǔn)扶貧形勢(shì)下是茶農(nóng)脫貧的重要產(chǎn)業(yè)[1]。 消費(fèi)者更加注重茶葉的品質(zhì)，“綠色、生態(tài)、有機(jī)”茶葉成為茶葉市場(chǎng)的新寵兒[2]。然而，因?yàn)椴荒苡行У卦\斷茶葉病害而濫用農(nóng)藥、化肥，嚴(yán)重地影響了茶葉的品質(zhì)，損失了茶葉市場(chǎng)。因此，對(duì)茶葉病害進(jìn)行正確的診斷對(duì)提高茶葉的競(jìng)爭(zhēng)力極具重要意義。目前，茶葉的診斷主要靠茶農(nóng)的經(jīng)驗(yàn)和植物保護(hù)專家的病理知識(shí)進(jìn)行主觀、模糊的判斷[3]，缺乏客觀的評(píng)估，即便有經(jīng)驗(yàn)的專家在診斷茶葉病害時(shí)也常常出現(xiàn)錯(cuò)誤。不同的茶葉病害由于致病的機(jī)理不同而使得茶葉病斑具有不同的紋理，因此可以利用提取茶葉病害的紋理特征和支持向量機(jī)技術(shù)來識(shí)別茶葉病害，提高茶葉病害診斷的科學(xué)性，促進(jìn)數(shù)字農(nóng)業(yè)的發(fā)展。

1 茶葉病害識(shí)別模型

1.1 基于灰度共生矩陣的紋理特征構(gòu)造與提取

特征提取是茶葉病害圖像識(shí)別的前提，只有正確地提取出病害的特征才能進(jìn)行正確的識(shí)別。不同的茶葉病害有不同的紋理，灰度共生矩陣是分析紋理特征常用的二階統(tǒng)計(jì)方法，描述了灰度空間的相關(guān)性，能夠反映出紋理結(jié)構(gòu)的變換[4]，是一種區(qū)分能力較強(qiáng)的特征。

灰度共生矩陣Pd表示灰度為i和j的兩個(gè)像素具有某種空間關(guān)系d的情況出現(xiàn)的次數(shù)[5]。常用的位置關(guān)系有0°、45°、90°、135°，也就是說不同的位置關(guān)系可以確定不同的灰度共生矩陣[6]，進(jìn)而不同的病害有不同的紋理特征。因此，本研究采用灰度共生矩陣提取了以下5種紋理特征。

1.1.1 對(duì)比度(Contrast)

對(duì)比度描述了紋理溝紋的深淺程度；值越大，紋理的溝紋越深，圖像越清晰。計(jì)算公式：

(1)

1.1.2 相關(guān)性(Correlation)

相關(guān)性描述了相鄰像素間灰度的線性關(guān)系，即像素間的相似度；當(dāng)灰度共生矩陣中各元素的值相差越大，則相關(guān)性就越小。計(jì)算公式：

(2)

1.1.3 能量(Energy)

能量描述了圖像灰度分布的均勻程度；當(dāng)灰度共生矩陣中各元素的值相差越大，則能量就越大。計(jì)算公式：

(3)

1.1.4 熵(Entropy)

熵是紋理圖像的信息度量，描述了圖像紋理的非均勻程度和復(fù)雜度；值越大，紋理越復(fù)雜。計(jì)算公式：

(4)

1.1.5 同質(zhì)性(Homogeneity)

同質(zhì)性描述了圖像的局部平滑性。計(jì)算公式：

(5)

1.2 支持向量機(jī)算法

支持向量機(jī)(Support Vector Machine，SVM)是一種分類性能好的分類識(shí)別技術(shù)，能夠兼顧訓(xùn)練誤差和測(cè)試誤差，能夠有效地解決小樣本、高維、非線性等方面的識(shí)別問題[7]。

對(duì)于線性可分的問題，可以被一個(gè)分類線(二維空間)或分類面(多維空間)無差錯(cuò)的分開，使分類間隔最大的分類線(面)為最優(yōu)分類線(面)。如圖1(a)所示。設(shè)線性可分的樣本集{(xi，yi)，i=1，2，…，N；j=1，2}，求出最優(yōu)分類判決函數(shù)為[8]：

(6)

式中，α*為支持向量對(duì)應(yīng)的拉格朗日乘數(shù)；b*為分類閾值；x為待分類的測(cè)試樣本；xi(i=1，2，…，N)為N個(gè)訓(xùn)練樣本。

對(duì)于線性不可分的問題，如圖1(b)所示。允許個(gè)別樣本分類錯(cuò)誤近似實(shí)現(xiàn)可分，權(quán)衡考慮最大分類間隔和最小錯(cuò)分樣本數(shù)，引入正松弛項(xiàng)ξi和代價(jià)系數(shù)C兩個(gè)參數(shù)，最終求出最優(yōu)分類判決函數(shù)與式(6)同。

對(duì)于非線性可分的問題，如圖1(c)所示。利用核函數(shù)將低維空間中的非線性問題轉(zhuǎn)換到高維空間中的線性可分問題，在高維空間中求最優(yōu)分類面。求出最優(yōu)分類判決函數(shù)為[9]：

(7)

式中，α*、b*、x、xi與式(6)同；SV為支持向量的集合。

圖1 不同情況下的SVM分類識(shí)別模型Fig.1 SVM classification and recognition modelsunder different conditions

茶葉病害的識(shí)別屬于多特征的非線性可分問題，不同的核函數(shù)表現(xiàn)不同的SVM算法，對(duì)茶葉病害的正確識(shí)別有比較大的影響。常用的核函數(shù)為[10]：

1)線性核函數(shù)(Linear)：

K(x，y)=x·y

(8)

2)多項(xiàng)式核函數(shù)(Polynomial)：

K(x，y)=[γ(x·y)+c]d

(9)

式中，d為確定映射空間的維度。

3)徑向基核函數(shù)(RBF)：

(10)

4)Sigmoid核函數(shù)：

K(x，y)=tanh[γ(x·y)+c]

(11)

2 材料與方法

2.1 茶葉病害圖像獲取和處理

貴州省梵凈山區(qū)茶葉資源極其豐富，有野生茶樹，有實(shí)生茶樹，也有無性系茶園，非常利于茶葉病害樣本的采集，采集時(shí)間為3月至5月早晨6∶00～8∶00的生長(zhǎng)旺盛、病癥明顯的時(shí)間段，自然光照條件下采用Canon G35X110Z數(shù)碼相機(jī)進(jìn)行采集，圖像大小為2200×1836像素，存儲(chǔ)格式為JPG，采集了茶炭疽病、茶餅病和白星病3種較為常見的病害3×60共180幅圖片，從每種病害中分別選取包含病斑、大小為90×90dpi的子圖像80幅。

由于紋理特征是灰度圖像在空間以一定形式變換產(chǎn)生的圖案，因此在提取紋理特征前需要對(duì)采集的彩色圖像進(jìn)行灰度處理；為了抑制噪聲對(duì)圖像質(zhì)量的影響，要對(duì)病害圖像進(jìn)行中值濾波平滑處理。如圖2所示。

圖2 茶葉病害圖像預(yù)處理Fig.2 Preprocessing of tea disease images

2.2 實(shí)驗(yàn)工具的選擇和SVM多分類識(shí)別器的建立

采用Matlab 8.0實(shí)現(xiàn)編程，采用Matlab圖像處理工具箱進(jìn)行圖像處理。Matlab SVM工具箱主要通過svmtrain()函數(shù)實(shí)現(xiàn)識(shí)別模型的訓(xùn)練和svmclassify()函數(shù)實(shí)現(xiàn)模型的分類識(shí)別功能。但是它是一個(gè)二分器，只能用于兩類樣本的識(shí)別，為了解決多類樣本的識(shí)別問題，本研究提出投票最大策略建立SVM多分類識(shí)別器。算法如下：

1)將茶炭疽病、茶餅病和白星病3類樣本兩兩組成訓(xùn)練集，得到3個(gè)SVM二分類器，即(炭疽病，茶餅病)、(炭疽病，白星病)、(茶餅病，白星病)。

2)將炭疽病、茶餅病和白星病3類樣本的票數(shù)初始化為0。

3)將測(cè)試樣本x使用(炭疽病，茶餅病)分類，如果分類器將x判定為炭疽病，則炭疽病的票數(shù)增1，否則茶餅病的票數(shù)增1；將測(cè)試樣本x使用(炭疽病，白星病)分類，如果分類器將x判定為炭疽病，則炭疽病的票數(shù)增1，否則白星病的票數(shù)增1；將測(cè)試樣本x使用(茶餅病，白星病)分類，如果分類器將x判定為茶餅病，則茶餅病的票數(shù)增1，否則白星病的票數(shù)增1。

4)最后，計(jì)算將測(cè)試樣本x分別判定為炭疽病、茶餅病和白星病的票數(shù)，誰的票數(shù)最大，該測(cè)試樣本x就最終判定為該類病害。

3 結(jié)果與分析

3.1 不同核函數(shù)的SVM識(shí)別性能

從每種茶葉病害的紋理特征數(shù)據(jù)中隨機(jī)選取100個(gè)樣本作為訓(xùn)練集、30個(gè)樣本作為測(cè)試集。上述5種紋理特征作為特征向量，分別采取徑向基核函數(shù)、線性核函數(shù)、Sigmoid核函數(shù)、多項(xiàng)式核函數(shù)的SVM。訓(xùn)練參數(shù)設(shè)置：松弛項(xiàng)ξi=0.0038、代價(jià)系數(shù)C=26，其中：RBF核函數(shù)中的γ=1/3；Sigmoid核函數(shù)中γ=1/2，c=1；Polynomial核函數(shù)中的d=3，γ=1，c=1。識(shí)別結(jié)果如表1。

表1 不同核函數(shù)的SVM識(shí)別性能Tab.1 Recognition performance of SVM based ondifferent kernel functions

實(shí)驗(yàn)結(jié)果表明：不同核函數(shù)的SVM識(shí)別性能不同。徑向基核函數(shù)對(duì)茶葉病害的識(shí)別性能最好，總識(shí)別率達(dá)到了86.67%，線性核函數(shù)和多項(xiàng)式核函數(shù)稍差，Sigmoid核函數(shù)的性能最低。所以，徑向基核函數(shù)的SVM比較適合于茶葉炭疽病、茶餅病和白星病紋理特征下的識(shí)別。

3.2 不同訓(xùn)練樣本數(shù)的SVM識(shí)別性能

從每種茶葉病害的紋理特征數(shù)據(jù)中隨機(jī)選取120、90、60、30個(gè)樣本作為訓(xùn)練集，每種茶葉病害另外分別選取30個(gè)作為測(cè)試集。采取徑向基核函數(shù)的SVM型，識(shí)別結(jié)果如表2。訓(xùn)練參數(shù)設(shè)置：松弛項(xiàng)ξi=0.0038、代價(jià)系數(shù)C=26，RBF核函數(shù)中的γ=1/3。

表2 不同訓(xùn)練樣本數(shù)的SVM識(shí)別性能Tab.2 Recognition performance of SVM based ondifferent numbers of training samples

從表2可以看出，不同訓(xùn)練樣本數(shù)的SVM識(shí)別性能不同。當(dāng)訓(xùn)練樣本在120和90的時(shí)候，識(shí)別率差別不是很大，都有比較高的識(shí)別率；當(dāng)訓(xùn)練樣本減到60和30的時(shí)候，識(shí)別率稍微下降，還在可以接受的范圍內(nèi)。這表明減少訓(xùn)練樣本數(shù)對(duì)識(shí)別結(jié)果的影響不是很大，SVM穩(wěn)定性好，在解決小樣本分類的問題上有獨(dú)特的優(yōu)勢(shì)。這是因?yàn)橛?xùn)練樣本數(shù)快速的減少對(duì)支持向量數(shù)(即圖1(a)(b)中H1和H2上面的樣本點(diǎn)數(shù))的減少影響比較小，只要樣本中占少數(shù)的支持向量不變，分類模型基本保持不變，不會(huì)嚴(yán)重的影響到最優(yōu)分類面，即分類判決正確率不會(huì)有太大的變化。

4 結(jié)論與展望

本文利用紋理特征和SVM的識(shí)別方法對(duì)茶葉病害進(jìn)行識(shí)別，以灰度共生矩陣構(gòu)造了5個(gè)紋理特征參數(shù)，茶葉病害識(shí)別結(jié)果表明：以對(duì)比度、相關(guān)性、能力、熵和同質(zhì)性為紋理特征比較適合于茶葉病害的識(shí)別，識(shí)別率比較高；RBF核函數(shù)的SVM識(shí)別性能最好；SVM識(shí)別方法比較適合于訓(xùn)練樣本數(shù)較少的病害識(shí)別。

本文以Matlab 8.0作為數(shù)據(jù)處理工具，對(duì)茶葉病害的SVM識(shí)別方法進(jìn)行編程和實(shí)驗(yàn)，不能做到在茶園中實(shí)時(shí)識(shí)別。采用Python語言進(jìn)行算法編程并移植到機(jī)器中以對(duì)茶葉病害進(jìn)行實(shí)時(shí)診斷，促進(jìn)機(jī)器學(xué)習(xí)和人工智能在農(nóng)作物病害識(shí)別中的應(yīng)用，這將是以后研究的重點(diǎn)。