摘要：為實(shí)現(xiàn)計(jì)算機(jī)診斷煙草病害，提出了依據(jù)病害圖像的特征，運(yùn)用實(shí)數(shù)編碼遺傳算法優(yōu)化特征和支持向量機(jī)識(shí)別病害的方法來診斷病害。通過對(duì)病害圖像增強(qiáng)處理、彩色病斑分割、病斑特征提取，構(gòu)建了實(shí)數(shù)編碼遺傳算法選擇有效特征與支持向量機(jī)識(shí)別病害的模型。該模型通過實(shí)數(shù)編碼遺傳算法將權(quán)重較高的前n個(gè)特征值xi乘以對(duì)應(yīng)權(quán)重wi作為支持向量機(jī)的輸入向量，將分類精度作為遺傳算法的適應(yīng)度，對(duì)個(gè)體進(jìn)行了評(píng)估，實(shí)現(xiàn)了在獲得有效特征的同時(shí)提高支持向量機(jī)的識(shí)別精度。試驗(yàn)結(jié)果表明，經(jīng)過訓(xùn)練的模型具有較好的煙草病害識(shí)別能力。

關(guān)鍵詞：病斑特征；煙草病害；支持向量機(jī)；CIE L*a*b*模型；實(shí)數(shù)編碼遺傳算法

中圖分類號(hào)： S126；TP391.41文獻(xiàn)標(biāo)志碼： A文章編號(hào)：1002-1302（2015）09-0435-04

隨著計(jì)算機(jī)技術(shù)的發(fā)展和農(nóng)業(yè)信息化的迫切需求，國內(nèi)外學(xué)者嘗試?yán)糜?jì)算機(jī)圖像處理技術(shù)和模式識(shí)別技術(shù)對(duì)作物病害進(jìn)行自動(dòng)定量的識(shí)別，已在水稻、小麥、黃瓜、蔬菜[1-5]等的病害識(shí)別上取得了一定的成績。常用的模式識(shí)別工具有貝葉斯決策、神經(jīng)網(wǎng)絡(luò)、模糊集法等。常用模式識(shí)別工具是以無限多樣本訓(xùn)練為前提的，但在實(shí)際診斷中對(duì)于某一類病害，通常不具有大量的病害樣本。支持向量機(jī)（SVM）[6]是一種新的模式識(shí)別方法，它在處理非線性、小樣本等問題上具有特定的優(yōu)勢，在生物信息、醫(yī)學(xué)等領(lǐng)域已得到了成功應(yīng)用。已有學(xué)者開始利用支持向量機(jī)對(duì)葡萄、黃瓜、小麥等的病害進(jìn)行識(shí)別[2-3]，取得了一定成績。因作物種類繁多，同一類作物也會(huì)有多種病害發(fā)生，且病害特征呈現(xiàn)多樣化、復(fù)雜化，所以至今還沒有一種通用的病害識(shí)別方法，需針對(duì)不同的作物病害分別進(jìn)行研究。在煙草生長期內(nèi)有多種病害發(fā)生，每年造成的損失很大[7]，病害防治是確保煙草產(chǎn)量和質(zhì)量的關(guān)鍵技術(shù)之一。目前，煙草病害的識(shí)別主要通過人為判斷，或通過書本、互聯(lián)網(wǎng)、數(shù)據(jù)庫等提供的煙草病害圖片比對(duì)診斷，這對(duì)于非專業(yè)人員，往往會(huì)引起人為的誤判，從而難以對(duì)癥下藥，造成煙葉質(zhì)量下降。

本研究提出依據(jù)病害圖像的病斑特征，構(gòu)建實(shí)數(shù)編碼遺傳算法獲取有效特征和支持向量機(jī)識(shí)別病害的模型以診斷煙草病害。以赤星病、野火病等4種常見又容易混淆的煙草病害圖像診斷為例，通過分割彩色病斑、提取病斑特征，將提取的特征輸入實(shí)數(shù)編碼遺傳算法優(yōu)化特征和支持向量機(jī)識(shí)別病害的模型，特征通過模型，獲得對(duì)應(yīng)的權(quán)重，將前n個(gè)權(quán)重較高的特征向量值xi乘以對(duì)應(yīng)的權(quán)重wi，即xi=wi·xi作為支持向量機(jī)的輸入向量，支持向量機(jī)的分類精度作為遺傳算法的適應(yīng)度對(duì)個(gè)體進(jìn)行評(píng)估，以在去除冗余特征的同時(shí)提高支持向量機(jī)的識(shí)別精度。試驗(yàn)表明，實(shí)數(shù)編碼遺傳算法選擇病害特征比采用二進(jìn)制編碼及雙編碼具有更好的識(shí)別率和優(yōu)勢，構(gòu)建的模型能很好地識(shí)別煙草病害，可為病害的科學(xué)防治和危害程度評(píng)價(jià)提供依據(jù)。

1材料和方法

1.1病害圖像采集與硬件參數(shù)

本研究中所采集的圖像來源于云南德宏潞西，在田間自然光照下，用Nikon D80數(shù)碼相機(jī)（焦距18～20 mm，最大光圈f/3.5～f/5.6），采集4種煙草病害（野火病、炭疽病、赤星病、蛙眼病）500幅，以“jpg”格式存儲(chǔ)在電腦中。

利用Intel（R） Pentium（R）CPU G3220@3.0GHZ處理器，內(nèi)存4 G，硬盤500 G，在Windows 2007系統(tǒng)環(huán)境下用Matlab2009a軟件編程實(shí)現(xiàn)圖像增強(qiáng)、病斑分割、特征提取、特征篩選、病害識(shí)別等操作。

1.2研究方法

1.2.1圖像預(yù)處理和病斑分割（1）圖像預(yù)處理。為減少計(jì)算量和外界帶來的干擾，在不損害病斑完整性的前提下，根據(jù)病斑所在的位置將圖像由原來的3 872×2 592像素統(tǒng)一裁剪為800×600像素。由于圖像是在田間自然條件下采集，難免會(huì)受采集設(shè)備、環(huán)境等因素影響，往往使采集到的圖像含有噪聲，若直接進(jìn)行圖像分割和特征提取，會(huì)給識(shí)別造成誤差。為此本研究首先利用3×3矩形窗口對(duì)原圖像進(jìn)行中值濾波[8]，以削弱或去除噪聲，使病斑輪廓與細(xì)節(jié)更加清晰，利于后期病斑的分割和處理。

（2）顏色空間選擇。在眾多顏色模型中，因CIE L*a*b*模型符合人的視覺特征[9]，與光線及設(shè)備無關(guān)，并且處理速度與RGB模型同樣快，比CMYK模型快，還是一種均勻的彩色空間，適合于彩色圖像的編輯和分析，所以本研究采用了CIE L*a*b*模型。從RGB空間到L*a*b*空間的轉(zhuǎn)化，采用D65白點(diǎn)，其中Xn=0.950 456，Yn=1，Zn=1.088 754。

（3）彩色病斑分割。煙草病害圖像由病斑區(qū)域和正常區(qū)域組成，而病斑區(qū)域與正常區(qū)域之間有明顯的突變，即邊緣，所以本研究的病斑分割，采用基于支持向量機(jī)與多特征選擇的彩色病斑邊緣檢測方法分割[10]。通過在CIE L*a*b*顏色空間，計(jì)算圖像亮度和色度通道的方差、均值差、最大梯度，以及位置像素對(duì)比度及均值色差作為特征向量，實(shí)現(xiàn)支持向量機(jī)對(duì)病斑邊緣的識(shí)別，對(duì)識(shí)別出的病斑邊緣，統(tǒng)計(jì)近似圓形且半徑大于一定值的二值化區(qū)域，將區(qū)域內(nèi)的所有像素賦值為“1”，再與原圖進(jìn)行“與”運(yùn)算，從而獲得病害圖像的彩色病斑。這樣分割既可以減少病害圖像處理的信息量，又能描述病斑的形態(tài)特征，是進(jìn)一步識(shí)別病害的基礎(chǔ)。圖1是采用上述方法對(duì)赤星病、蛙眼病和野火病圖像分割的效果圖。

1.2.2病斑區(qū)域特征提取（1）顏色特征提取。顏色是區(qū)分各種不同病害的重要特征，而顏色模型的選擇會(huì)影響到病害識(shí)別效果。由于病害圖像是在自然光照下拍的，為了消除亮度影響，采用顏色矩來描述顏色特征[11]，因顏色信息主要集中在低階，所以本研究在CIE L*a*b*顏色空間，提取L、a、b 3個(gè)分量的一階矩σ和二階矩σ2，共6個(gè)特征向量，其公式如下：

病斑數(shù)：E。主要用來計(jì)算病害圖片上某種病害的病斑個(gè)數(shù)。endprint

病斑面積與病斑數(shù)比值：R=SE。該參數(shù)是單個(gè)病斑的面積度量，主要用于區(qū)分大病斑和小病斑。

1.3基于實(shí)數(shù)編碼遺傳算法選取病斑特征與支持向量機(jī)識(shí)別病害的模型設(shè)計(jì)

（1）模型介紹。支持向量機(jī)（support vector machine，簡稱SVM）[13-15]是Vapnik等于1995年根據(jù)統(tǒng)計(jì)學(xué)理論中結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則提出的一種模式識(shí)別方法。它在解決小樣本、非線性及高維模式識(shí)別問題中表現(xiàn)出許多特有的優(yōu)勢。由于徑向基（RBF）核函數(shù)的計(jì)算復(fù)雜度不隨參數(shù)的變化而變化，且在全部參數(shù)空間滿足Mercer條件，是SVM方法中最常用的核函數(shù)，因此本研究選擇徑向基核函數(shù)，其數(shù)學(xué)表達(dá)式為：K（x，y）=exp（-γ│x-y│2），其中x為輸入特征值，y為特征值x對(duì)應(yīng)的結(jié)果，γ為徑向基核函數(shù)參數(shù)（γ>0）。

遺傳算法（GA）是美國Holland教授于1975年提出的，是一種全局優(yōu)化的隨機(jī)搜索算法，特別適用于處理傳統(tǒng)搜索方法難以解決的復(fù)雜和非線性問題[16-17]。遺傳算法的思想源于生物遺傳學(xué)和適者生存的自然規(guī)律，從一個(gè)隨機(jī)產(chǎn)生的解群體出發(fā)，借助選擇、交叉、變異等操作，依據(jù)適應(yīng)度函數(shù)對(duì)個(gè)體的評(píng)價(jià)，使每一代中相對(duì)好的解替代前一代相對(duì)差的解，最終逼近全局最優(yōu)解。將GA和SVM結(jié)合的目標(biāo)是在去除冗余特征的同時(shí)，提高病害的識(shí)別精度。

（2）操作步驟。①編碼。遺傳特征選擇的目標(biāo)是去除冗余特征，選擇最優(yōu)特征子集，使得分類精度最大化。常用的編碼方式是二進(jìn)制編碼，1表示選中，0表示未選中。本研究為了既得到特征子集，又能得到特征對(duì)應(yīng)的權(quán)重，采用了實(shí)數(shù)編碼方式。②初始群體。設(shè)特征個(gè)數(shù)為m，則實(shí)數(shù)編碼的初始群體M（0）={Ci}，（i=1，2，…，N），其中 Ci=wik，k=1，2，…，m。M（0）中的第1個(gè)染色體的每個(gè)基因都等于“1”，表示所有特征的權(quán)重都相同。其余（N-1）個(gè)初始染色體基因隨機(jī)產(chǎn)生[0，1]之間的實(shí)數(shù)，表示隨機(jī)生成（N-1）個(gè)特征加權(quán)子集。③選擇適應(yīng)度函數(shù)。適應(yīng)度函數(shù)是針對(duì)需要解決的具體問題而設(shè)定的，目的是提高煙草病害的分類精度，所以采用支持向量機(jī)的分類精度對(duì)個(gè)體適應(yīng)度進(jìn)行評(píng)估。適應(yīng)度函數(shù) F=accuracy，其中accuracy為SVM分類器的分類精度。④遺傳操作。a. 選擇操作。將染色體按適應(yīng)值從大到小順序排列，適應(yīng)值最大的染色體直接進(jìn)入下一代，剩余染色體根據(jù)選擇概率Ps按輪盤賭選擇機(jī)制進(jìn)行選擇。b. 交叉操作。實(shí)數(shù)編碼GA中的交叉操作常采用最大-最小-算術(shù)交叉方法和雙點(diǎn)交叉。雙點(diǎn)交叉操作的具體過程是：首先，將所有的父代個(gè)體進(jìn)行兩兩組合，得到C2N個(gè)個(gè)體對(duì)；然后，就每對(duì)組合隨機(jī)產(chǎn)生1個(gè)[0，1]之間的隨機(jī)數(shù) P，如果 P>Pc（Pc為交叉概率），則確定該組合將進(jìn)行交叉操作，否則確定該組合將不進(jìn)行交叉操作；最后，產(chǎn)生2個(gè)隨機(jī)整數(shù) a、d（0

wk=wk+μ（1-（1-tM）β），γ=0

wk+μ（1-（1-tM）β），γ=1。（7）

式中：t為迭代次數(shù)，是∈[0，1]間的隨機(jī)數(shù)；M 是最大遺傳代數(shù)；γ為1或0的隨機(jī)數(shù)；β是突變參數(shù)。這種突變方法與遺傳代數(shù)相關(guān)，使得在進(jìn)化初期，突變的范圍相對(duì)較大，而隨著進(jìn)化的推進(jìn)，突變范圍逐漸減小，對(duì)進(jìn)化起著微調(diào)作用。

⑤終止條件。終止條件采用最大進(jìn)化代數(shù)或相鄰進(jìn)化代數(shù)最優(yōu)個(gè)體適應(yīng)值相對(duì)誤差小于 0.001 相結(jié)合。分析新個(gè)體是否滿足終止條件，若不滿足返回第③步；若滿足則終止。

⑥染色體解碼。迭代結(jié)束后，將具有最高適應(yīng)度的個(gè)體作為優(yōu)選結(jié)果，選出n個(gè)權(quán)重較大的項(xiàng)對(duì)應(yīng)的特征為選中的特征，將這些特征挑選出來得到的特征集合就是選擇的最優(yōu)特征子集。

2結(jié)果與分析

2.1試驗(yàn)參數(shù)選定

以煙草生長中常見也最容易混淆的野火病、炭疽病、赤星病、蛙眼病4種主要病害為例。選擇效果較好的子圖300幅，其中以每種病害45幅（共180幅）做分類訓(xùn)練，以每種病害30幅（共120幅）做測試。根據(jù)上述方法，提取了顏色、紋理、形態(tài)共23個(gè)特征。分類器選用SVM的一對(duì)一投票策略實(shí)現(xiàn)煙草多種病害識(shí)別。共訓(xùn)練k（k-1）/2（k為類別數(shù)，取4）個(gè)二值分類器，在分類時(shí)采用了打分策略，分別用訓(xùn)練過程得到的k（k-1）/2個(gè)分類器進(jìn)行測試，每個(gè)結(jié)果為1分，累計(jì)各類別得分，選擇得分最高的為測試類別。試驗(yàn)參數(shù)為：（1）采用SVM中徑向基核函數(shù)K（x，y）=exp（-γ│x-y│2）作為核函數(shù)，經(jīng)多次試驗(yàn)其參數(shù)C=50、γ=0.125效果較好，輸出采用十進(jìn)制編碼輸出：0代表正常，1代表野火病，2代表炭疽病，3代表赤星病，4代表蛙眼病，共5個(gè)輸出。（2）遺傳算法的染色體長度m=23，群體大小P=20，交叉概率P01=0.9，變異概率P02=0.05，交叉因子γ=0.6，突變參數(shù)β=0.6，最大迭代次數(shù)G=400。（3）在Matlab2009a環(huán)境編程實(shí)現(xiàn)遺傳算法（GA）和SVM算法，其中編寫的SVM函數(shù)有：①M(fèi)ultiSVMtruct=MultiSVMTtrain（TrainData，nSamPerclass，nclass，C，γ），其中TrainData為訓(xùn)練數(shù)據(jù)，nSamPerclass記錄每類的樣本數(shù)，nclass為類別數(shù)；②Class=MultiSVMClassify（TestData，MultiSVMtruct），其中TestData為測試樣本集，MultiSVMtruct 為多類SVM的訓(xùn)練結(jié)果。

從提取的23個(gè)煙草病斑特征中選取對(duì)病害識(shí)別貢獻(xiàn)高的n個(gè)特征子集。遺傳操作結(jié)束后，用n個(gè)對(duì)應(yīng)特征向量值乘以特征權(quán)重Wi∈[0，1]，即Xi=Wi·Xi作為支持向量機(jī)的輸入向量，其特征數(shù)與對(duì)應(yīng)的分類精度如圖2 所示。從圖2看出，當(dāng)特征數(shù)為15時(shí)，分類精度最高，其特征項(xiàng)分別為：顏色A={σL，σa，σb，σa2，σb2}，紋理B={ mean f1，sqrt f1，sqrt f2，mean f3，mean f4，mean f5}，形態(tài)C={S，Ct，St，E，R}，對(duì)應(yīng)權(quán)重分別為：0.325、0.531、0.774、0.452、0.631、0.168、0.280、0.564、0.198、0.202、0.147、0.471、0.612、0.432、0.271、0.741。

2.2識(shí)別結(jié)果

表1是幾種算法的對(duì)照。從表1可得出：本研究算法與沒有采用遺傳特征選擇相比，在特征向量只有原來的92%的情況下，精度卻提高了14.5百分點(diǎn)；與采用二進(jìn)制編碼遺傳算法優(yōu)化特征相比，其識(shí)別精度高出4百分點(diǎn)；與采用雙編碼遺傳算法[18]（同時(shí)采用實(shí)數(shù)編碼和二進(jìn)制編碼）優(yōu)化特征相比，識(shí)別精度高出0.70百分點(diǎn)；本研究算法獲取的特征數(shù)是16，二進(jìn)制編碼遺傳算法的為18，雙編碼遺傳算法的為17。表1幾種算法的病害識(shí)別精度對(duì)照

遺傳算法方式支持向量數(shù)正確識(shí)別率（%）野火病赤星病蛙眼病炭疽病平均沒有采用遺傳選擇778689828084.25二進(jìn)制編碼遺傳選擇679397949594.75雙編碼遺傳選擇7497100979898.05實(shí)數(shù)編碼遺傳選擇7198100989998.75

由上述得出本研究算法在獲得有效特征的同時(shí)獲取了特征的權(quán)重，并降低了時(shí)間及空間復(fù)雜度。

3討論

以煙草4種常見病害（野火病、赤星病、蛙眼病、炭疽?。┎“邎D像為研究對(duì)象，應(yīng)用實(shí)數(shù)編碼遺傳算法可以去除冗余特征，還能獲得對(duì)識(shí)別病害貢獻(xiàn)多少的權(quán)重，并用支持向量機(jī)對(duì)4種病害進(jìn)行識(shí)別，結(jié)果表明利用基于支持向量機(jī)與多特征選擇的彩色病斑邊緣檢測方法能有效提取出4種病害的病斑。

在病害特征優(yōu)化和識(shí)別精度方面，用同樣的樣本和模型訓(xùn)練方法，分別用提取的全部特征直接用支持向量機(jī)識(shí)別，其平均識(shí)別精度為84.25%；用二進(jìn)制遺傳算法優(yōu)化特征和支持向量機(jī)識(shí)別病害，優(yōu)化后特征數(shù)減為18個(gè)，平均識(shí)別精度為94.75%；用雙編碼遺傳算法優(yōu)化特征和支持向量機(jī)識(shí)別，優(yōu)化后特征數(shù)減為17個(gè)，平均識(shí)別精度為98.05%；用本研究的方法，實(shí)數(shù)編碼遺傳算法優(yōu)化特征和支持向量機(jī)識(shí)別病害，優(yōu)化后的特征數(shù)減為15個(gè)，平均識(shí)別精度為98.75%，從而得出本研究的方法除了能提高識(shí)別精度外，還能降低時(shí)間和空間復(fù)雜度。

本研究的方法可以實(shí)現(xiàn)煙草野火病、赤星病、蛙眼病、炭疽病的計(jì)算機(jī)自動(dòng)識(shí)別，并且可以應(yīng)用到其他農(nóng)作物的病害識(shí)別中。但是本研究還僅針對(duì)煙草4種常見典型病害的葉部危害特征進(jìn)行研究，這對(duì)于實(shí)際應(yīng)用還不夠，因?yàn)樵谡麄€(gè)煙草生長期，在不同階段根、莖、葉等都會(huì)染病，且各個(gè)部位的病害表征不盡相同；農(nóng)業(yè)與化工污染也可能對(duì)煙株造成損害形成類似病斑的斑點(diǎn)，所以還需逐步增加病害和受害種類的研究。此外，支持向量機(jī)和遺傳算法作為一種有監(jiān)督的模式識(shí)別方法，在特征向量和參數(shù)的選擇研究上仍然是下一步需加強(qiáng)的工作。參考文獻(xiàn)：

[1]管澤鑫，唐健，楊保軍，等. 基于圖像的水稻病害識(shí)別方法研究[J]. 中國水稻科學(xué)，2010，24（5）：497-502.

[2]李冠林，馬占鴻，王海光. 基于支持向量機(jī)的小麥條銹病和葉銹病圖像識(shí)別[J]. 中國農(nóng)業(yè)大學(xué)學(xué)報(bào)，2012，17（2）：72-79.

[3]田有文，李天來，李成華，等. 基于支持向量機(jī)的葡萄病害圖像識(shí)別方法[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2007，23（6）：175-180.

[4]蔡清，何東健. 基于圖像分析的蔬菜食葉害蟲識(shí)別技術(shù)[J]. 計(jì)算機(jī)應(yīng)用，2010，30（7）：1870-1872.

[5]李冉，趙天忠，張亞非，等. 基于遺傳特征選擇和支持向量機(jī)的圖像標(biāo)注[J]. 計(jì)算機(jī)工程與應(yīng)用，2009，45（6）：180-183.

[6]Rough Z. Sets and intelligent data analysis[J]. Information Sciences，2002，147（1/4）：1-12.

[7]陳永德，覃春華. 煙草常見病害的田間診斷[J]. 湖南農(nóng)業(yè)科學(xué)，2010（18）：20-22.

[8]張錚，王艷平，薛桂香. 數(shù)字圖像處理與機(jī)器視覺——Visual C++與Matlab實(shí)現(xiàn)[M]. 北京：人民郵電出版社，2010：156-162.

[9]Koschan A M. 彩色數(shù)字圖像處理[M]. 北京：清華大學(xué)出版社，2010：124-162.

[10]濮永仙. 基于支持向量機(jī)與多特征選擇的農(nóng)作物彩色病斑邊緣檢測[J]. 計(jì)算機(jī)系統(tǒng)應(yīng)用，2014（9）：118-123.

[11]Lindgreen R，Herschberg I. On the validity of the Bell-LaPadula model[J]. Computer & Security，1994，13：317-338.

[12]Haralick R M，Shanmugam K，Dinstein I. Textual features for image classification[J]. IEEE Trans Syst Man Cybernet，1973，3（6）：610-621.

[13]Mazzoni D，Garay M J，Davies R，et al. An operational MISR pixel classifier using support vector machines[J]. Remote Sensing of Environment，2007，107（1/2）：149-158.

[14]Burges C C. A totorial on support vector machines for pattern recognition[J]. Data Mining and Knowledge Discovery，1998，2（2）：121-169.

[15]Steve R G. Support vector machines for classification and regression[R]. Southampton：University of Southampton，1998：1-28.

[16]Oh I S，Lee J S，Moon B R. Hybrid genetic algorithms for featureselection[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence，2004，26（11）：1424-1437.

[17]Hamdani T M，Alimi A M，Karray F. Distributed genetic algorithm with Bi-coded chromosomes and a new evaluation function for features selection[C]//Evolutionary Computation，2006. CEC 2006. IEEE Congress on，2006：581-588.

[18]濮永仙，余翠蘭. 基于雙編碼遺傳算法的支持向量機(jī)作物病害圖像識(shí)別方法[J]. 貴州農(nóng)業(yè)科學(xué)，2013，41（7）：187-190，194.endprint