文/王孝宇

特約編輯：艾 華

【導讀】本文基于粒子群優(yōu)化后的支持向量機技術(shù)，通過MATLAB R2017b平臺提取柑桔葉片的形態(tài)、顏色、紋理等8個特征參數(shù)，建立了可以對大雅柑、愛媛38號和晚熟血橙進行分類的模型。該模型的識別準確率為93.33%，預測一份樣本的時間約為0.514 s。試驗結(jié)果表明，該模型能夠快速準確地對各類柑桔葉片進行分類，為柑桔分類機的研究提供了決策依據(jù)。

我國是柑桔的重要原產(chǎn)地之一，柑桔資源豐富，優(yōu)良品種繁多，柑桔味甘酸、性涼，入肺、胃經(jīng)；具有順氣、止咳、健胃、化痰、消腫、止痛、疏肝理氣等多種功效，所以是很好的中藥材[1-2]。不同柑桔品種由于受遺傳特征影響，生長期間的外觀形狀也有差異。傳統(tǒng)的柑桔品種識別方法是借助植株顏色和紋理等外觀特征進行判斷，勞動強度大，長時間的識別容易產(chǎn)生視覺疲勞，很難滿足快速識別的要求[3]。因此，利用圖像處理技術(shù)快速準確識別不同柑桔品種的方法成為最新的研究方向。

圖像處理技術(shù)已廣泛應用于植物生產(chǎn)管理和品種識別中，如田間雜草識別[4-5]、病蟲害識別[6-7]、葡萄品種識別[8-9]、柑桔質(zhì)量檢測與分級[10]等。基于柑桔植株的特征提取來識別柑桔品種的研究未見報道。由于柑桔葉片中包含大量用來區(qū)分不同品種的外觀特征信息，且存活時間長，易于采集[11]。本研究在柑桔基地隨機采集了3個品種的葉片，每個品種分別采集50片葉片，隨機選取30片葉作為研究對象。以電腦、相機、光源等搭建硬件采集系統(tǒng)，分別對每張柑桔葉片進行圖像采集。然后基于MATLAB R2017b平臺提取顏色、紋理共8個特征參數(shù)，利用粒子群優(yōu)化算法的支持向量機建立模型進行品種識別，并對識別結(jié)果進行分析。

1 材料與方法

1.1 供試材料 在某柑桔苗基地隨機采集采用常規(guī)方法栽培的3個品種的柑桔苗葉片，1#品種大雅柑、2#品種愛媛38號、3#品種晚熟血橙。采集時間為2018年4月25日。

1.2 圖像采集 每個品種分別采集30張圖片(見圖1)。在特制的有燈光的密閉箱體中，用相機拍攝葉片。燈箱的規(guī)格（長×寬×高）為30 cm×15 cm×25 cm。箱體用黑色棉布遮擋，防止外界光線干擾；箱體中部偏下放置4 mm的雙面毛玻璃載物臺；箱體底部的照明光源為4只30 W的日光燈管，頂部固定相機。一共采集90幅圖片，按照1∶4的比例，隨機選擇4份作為訓練集，1份作為預測集。本研究硬件實驗環(huán)境為：Win7專業(yè)版64位操作系統(tǒng)，惠普i5處理器，CPU為3.10GHz，6G運行內(nèi)存。圖片的格式為JPG。軟件環(huán)境為MATLAB R2017b。采集圖像的硬件系統(tǒng)如圖2。

1.3 特征提取 利用MATLAB軟件平臺分別提取了葉片顏色、紋理等8個外觀特征（見表1）。將提取的特征寫入MAT文件中。

圖1 柑桔苗葉片圖像

1.4 支持向量機（SVM）由Vapnik與其領(lǐng)導的貝爾實驗室研究小組根據(jù)統(tǒng)計學理論中的結(jié)構(gòu)風險最小化原則提出，它是一種新的機器學習技術(shù)，可用于模式分類和非線性回歸[12]，其主要思想是建立一個分類超平面作為決策曲面，使得正例和反例的隔離邊緣被最大化[13-14]。支持向量機最大優(yōu)勢是在小樣本情況下，也能得到識別效果。

1.5 粒子群優(yōu)化算法（PSO）的支持向量機。粒子群優(yōu)化算法是由美國社會心理學家James Kennedy和電工程學博士Russell Eberhart于1995年共同提出的，它是通過群體中粒子間的合作與競爭產(chǎn)生的群體智能指導優(yōu)化搜索[12]。在實際應用中，為了獲取精確度更高的SVM分類器，則需要對SVM建模的各個參數(shù)進行優(yōu)化調(diào)整。本文利用PSO算法，針對SVM建模過程的參數(shù)取值進行優(yōu)化調(diào)整，獲得較為精確、分類效果較好的分類器。基于粒子群優(yōu)化算法的支持向量機實現(xiàn)步驟[15-17]如下：

（1）首先從獲取樣本向量集中篩選出支持向量構(gòu)成樣本訓練集Y。

（2）利用樣本訓練集Y中的每個支持向量可以獲得一組SVM分類器的參數(shù)組成一個粒子，從而組建粒子種群X。

（3）初始化獲得粒子種群X和速度，包括設定粒子群的初始參數(shù)c1,c2,初始速度矩陣V以及每個初始粒子個體最優(yōu)位置pi和全局最優(yōu)位置pg。

（4）選取函數(shù)作為粒子群的適應度函數(shù)，對粒子群中各個粒子的適應度定標。

圖2 采集圖像的硬件系統(tǒng)

表1 軟件提取的柑桔葉片特征

（5）根據(jù)所獲得粒子的適應度函數(shù)值調(diào)整粒子個體最優(yōu)位置pi和全局最優(yōu)位置pg。

（6）根據(jù)前述（1）（2）對粒子的狀態(tài)進行更新，從而獲得一組新的SVM分類器的參數(shù)。

（7）當?shù)螖?shù)達到所要求的最大迭代次數(shù)或獲得滿足要求的粒子適應函數(shù)值時，終止迭代，輸出最優(yōu)解，否則返回第（4）步繼續(xù)運算，直到達到最大迭代的次數(shù)或獲得滿足要求的粒子適應值為止。

2 結(jié)果與分析

2.1 支持向量機。對測試集的90份柑桔葉片樣本進行測試，預測的結(jié)果如圖3。建立的模型可以百分之百地準確預測出大雅柑 （類別標簽為“1”）和愛媛38號（類別標簽為“2”）。但是該模型幾乎無法區(qū)分愛媛38號和晚熟血橙 （類別標簽為“3”），只能準確地預測出2份晚熟血橙，而將剩下的8份樣本都預測成了愛媛38號。因此，該模型不太實用。

2.2 粒子群算法優(yōu)化后的支持向量機。由于僅僅基于支持向量機技術(shù)不能很好地預測柑桔葉片樣本的種類。因此考慮通過粒子群算法優(yōu)化支持向量機的參數(shù)后，建立模型。粒子群算法優(yōu)化支持向量機參數(shù)的進化曲線如圖4。粒子群進化曲線中最佳適應度在93%附近，各代平均適應度在70%附近上下波動，各代最佳適應度在最佳適應度和各代平均適應度之間波動，主要靠近最佳適應度。

粒子群優(yōu)化算法優(yōu)化支持向量機后，建立的模型預測結(jié)果如圖5。該模型能夠百分之百準確地識別出大雅柑。將1份愛媛38號樣本錯誤地預測為晚熟血橙，將1份晚熟血橙樣本錯誤地預測為愛媛38號。該模型的準確率為93.33%，預測一份樣本的時間約為0.514 s。本文針對傳統(tǒng)的支持向量分類器和粒子群優(yōu)化的支持向量機分類器做了對比分析（見表2）。實驗結(jié)果表明，粒子群優(yōu)化的模型能快速準確地區(qū)分3類柑桔葉片樣本，可應用于實際中。

3 討論

本研究在柑桔基地隨機采集了3個品種的葉片，基于MATLAB R2017b平臺提取顏色、紋理等8個特征參數(shù)，利用本文提出的粒子群優(yōu)化后的支持向量機技術(shù)，建立了可以對大雅柑、愛媛38號和晚熟血橙進行分類的模型。該模型的準確率為93.33%，預測一份樣本的時間約為0.514 s。結(jié)果表明，該模型能夠快速準確地對各類柑桔葉片進行分類，為柑桔分類機的研究提供了決策依據(jù)。本文使用的樣本較少，共90份。在今后的研究中如果增加樣本，可能會提高模型的準確率。本文只對大雅柑、愛媛38號和晚熟血橙這3類樣本的分類進行了試驗，在今后的研究中，如果增加柑桔葉片樣本的種類，更能擴大它的應用范圍。

圖3 基于SVM建立模型的柑桔品種預測結(jié)果

圖4 粒子群進化曲線

圖5 基于PSO優(yōu)化SVM建立模型的柑桔品種預測結(jié)果

表2 兩種算法對比

[1] 趙祖華，華琦孜，李陶桂，等.廣西全州縣柑橘種植的氣候適宜性分析及區(qū)劃[J].安徽農(nóng)業(yè)科學.2013,41（35）：13496-13497

[2] 張雯娟，張正桂，劉永忠，等.3種常見草種對桔園雜草控制能力及對柑桔根系分布的影響[J].中國南方果樹，2018,47（1）：22-24，29

[3] 莊珍珍，祝詩平，孫雪劍，等．基于機器視覺的煙葉自動分組方法[J]．西南師范大學學報（自然科學版），2016，41(4)：122-129

[4] 紀壽文，王榮本，陳佳娟，等.應用計算機圖像處理技術(shù)識別玉米苗期田間雜草的研究[J].農(nóng)業(yè)工程學報，2001,17（2）:154-156

[5] 劉振恒.應用圖像處理技術(shù)識別田間雜草方法的研究[D].哈爾濱：東北農(nóng)業(yè)大學，2004

[6] 陳 麗，王蘭英.概率神經(jīng)網(wǎng)絡在玉米葉部病害識別中的應用[J].農(nóng)機化研究，2011,33（6）:145-148

[7] 汪京京，張 武，劉連忠，等.農(nóng)作物病蟲害圖像識別技術(shù)的研究綜述 [J].計算機工程與科學，2014,36（7）：1363-1370

[8] 孫宏杰.基于葉片圖像分析的葡萄品種識別方法研究[D].楊凌：西北農(nóng)林科技大學，2014

[9] 宋 真，蔡 騁，顏永豐.基于葉片形態(tài)特征的葡萄品種自動識別[J].計算機仿真，2012,29（3）：307-310

[10] 敖 勤，徐桂珍.一種基于機器視覺的柑橘表面質(zhì)量檢測方法[J].科技傳播，2014（4）：141-142

[11] 鄧立苗，馬文杰.基于支持向量機的玉米葉片品種識別[J].江蘇農(nóng)業(yè)科學，2014，42（6）：372-374

[12] 張 艷.基于粒子群優(yōu)化支持向量機的變壓器故障診斷和預測[D].成都：西華大學，2011

[13]MATLAB中文論壇.MATLAB神經(jīng)網(wǎng)絡30個案例分析[M].北京：北京航空航天大學出版社，2010：4

[14]AdelAbusitta,MartineBellaiche,MichelDagenais.AnSVM-based framework fordetecting DoS attacks invirtualized clouds under changing environment[J].Journal of Cloud Computing:Advances,SystemsandApplications,2018,7:9

[15] HOUShourong,ZHOUYujie,LIUHongming,etal.ExploitingSupport Vector Machine Algorithm to Break the Secret Key[J].RADIOENGINEERING,2018,27(1):289-298

[16] 谷文成，柴寶仁，滕艷平.基于粒子群優(yōu)化算法的支持向量機研究[J].北京理工大學學報，2014,34（7）：705-709

[17] 潘 泓，李曉兵，金立左，等.一種基于二值粒子群優(yōu)化和支持向量機的目標檢測算法 [J].電子與信息學報，2011,33（1）:117-121