萬(wàn)永清 張奇志

北京信息科技大學(xué) 自動(dòng)化學(xué)院，北京 100192

一、引言

隨著人口的增加，工農(nóng)業(yè)的快速發(fā)展，人民生活水平的提升，在享受生活便利的同時(shí)，也加劇了對(duì)水生態(tài)系統(tǒng)的破壞。大量含有營(yíng)養(yǎng)物質(zhì)的工業(yè)廢水和生活污水的排放導(dǎo)致水體富營(yíng)養(yǎng)化，使得藻類(lèi)大量迅速繁殖[1]，并引起水華或者赤潮現(xiàn)象，破壞了生態(tài)系統(tǒng)，所以對(duì)赤潮或者水華現(xiàn)象進(jìn)行監(jiān)測(cè)和預(yù)測(cè)是迫在眉睫的任務(wù)。

藻類(lèi)的種類(lèi)和數(shù)量是水華或者赤潮的關(guān)鍵指標(biāo)，常規(guī)方法是人工檢測(cè)，這種方法存在很大的缺陷：對(duì)員工的技能和熟練度要求很高，而且在大量檢測(cè)過(guò)程中，員工容易疲勞和缺乏客觀性，使得檢測(cè)結(jié)果不合格、錯(cuò)誤率高。

藻類(lèi)分類(lèi)識(shí)別一直是生物學(xué)領(lǐng)域的一個(gè)熱點(diǎn)問(wèn)題，有很多人在研究，現(xiàn)在有很多使用傳統(tǒng)識(shí)別算法替代人工檢測(cè)，取得一定的效果，但還是有很多局限性。

傳統(tǒng)的藻類(lèi)圖像識(shí)別過(guò)程中，通常需要對(duì)采集到的各種藻類(lèi)圖像進(jìn)行各種預(yù)處理，為了得到好的特征，還需要對(duì)預(yù)處理后的圖像進(jìn)行分割，得到目標(biāo)物，最后還得進(jìn)行人工選取特征。其中，張松等[2]傳統(tǒng)識(shí)別算法識(shí)別三種藻類(lèi)，最終的分類(lèi)正確率為83.3 %。這種采取傳統(tǒng)的人工選取特征的方法獲得識(shí)別率不是很高，而采用深度學(xué)習(xí)方法可以化繁為簡(jiǎn)，自動(dòng)選擇特征，較好地解決這些問(wèn)題。

本文提出了使用現(xiàn)在圖像識(shí)別領(lǐng)域應(yīng)用比較廣泛的深度學(xué)習(xí)工具Caあe來(lái)做藻類(lèi)分類(lèi)，設(shè)計(jì)出深度學(xué)習(xí)網(wǎng)絡(luò)模型，對(duì)設(shè)計(jì)的幾種網(wǎng)絡(luò)模型進(jìn)行比較，得到最優(yōu)的模型，然后對(duì)測(cè)試集進(jìn)行測(cè)試。實(shí)驗(yàn)表明，基于深度學(xué)習(xí)模型的藻類(lèi)分類(lèi)，可以得到優(yōu)于前人的結(jié)果，達(dá)到100 %的識(shí)別率。

二、藻類(lèi)識(shí)別的復(fù)雜性與傳統(tǒng)識(shí)別算法的問(wèn)題

1、藻類(lèi)識(shí)別的復(fù)雜性

藻類(lèi)識(shí)別是藻類(lèi)計(jì)數(shù)很重要的一個(gè)環(huán)節(jié)，其過(guò)程比較復(fù)雜，藻類(lèi)識(shí)別的復(fù)雜性分為人工鏡檢復(fù)雜性和傳統(tǒng)算法識(shí)別復(fù)雜性兩方面。

（1）人工鏡檢復(fù)雜性

通常，藻類(lèi)分類(lèi)計(jì)數(shù)的數(shù)量特別大，成百上千，甚至更多，而且需要連續(xù)觀察。如果操作者在高倍顯微鏡下長(zhǎng)時(shí)間用肉眼觀察，容易導(dǎo)致視力損傷和精神疲勞。操作者在進(jìn)行人工鏡檢之前，需要學(xué)習(xí)大量藻類(lèi)知識(shí)，而且得非常熟練地掌握藻類(lèi)知識(shí)。他們主要是根據(jù)藻類(lèi)的形狀區(qū)別藻類(lèi)，但也只能檢測(cè)出典型的藻類(lèi)，對(duì)于相似的藻類(lèi)很難區(qū)別。而中國(guó)具有大約8900多種淡水和海洋藻類(lèi)，操作者很難記憶這么多藻類(lèi)，這樣就會(huì)出現(xiàn)由人工經(jīng)驗(yàn)不足而導(dǎo)致誤檢。在環(huán)境檢測(cè)中，通常需要對(duì)藻類(lèi)分類(lèi)和計(jì)數(shù)，鏡檢時(shí)，由于藻類(lèi)數(shù)量大，種類(lèi)多，導(dǎo)致無(wú)法對(duì)已經(jīng)檢出的藻類(lèi)進(jìn)行標(biāo)記而使得漏檢或者誤檢[3]。

（2）傳統(tǒng)算法識(shí)別復(fù)雜性

傳統(tǒng)算法做藻類(lèi)分類(lèi)的基本步驟如圖1所示。傳統(tǒng)算法識(shí)別復(fù)雜性在于：優(yōu)質(zhì)藻類(lèi)樣本圖像獲?。辉肼晥D像預(yù)處理；使用圖像分割技術(shù)得到好的目標(biāo)檢測(cè)物；選取好的藻類(lèi)特征。

在得到優(yōu)質(zhì)藻類(lèi)樣本圖像時(shí)，通常會(huì)遇到聚焦均勻性問(wèn)題和雜質(zhì)干擾問(wèn)題。通常得到的圖像由于在圖像信號(hào)轉(zhuǎn)變?yōu)閿?shù)字信號(hào)的時(shí)候，有些原有的特征遭到破壞，使得圖像出現(xiàn)噪聲，有畸變，需要得到特征明顯的圖像，這時(shí)需要對(duì)圖像做預(yù)處理。

常用的操作有圖像增強(qiáng)、圖像銳化、數(shù)學(xué)形態(tài)學(xué)。通過(guò)灰度變換、直方圖修正、噪聲處理等圖像增強(qiáng)算法來(lái)改變圖像的亮度、對(duì)比度或者灰度分布情況等。趙文倉(cāng)[4]等人利用數(shù)學(xué)形態(tài)學(xué)提取特征方法對(duì)17種浮游植物進(jìn)行識(shí)別實(shí)驗(yàn)，達(dá)到95 %以上的正確率。

圖像分割是藻類(lèi)識(shí)別中很重要的一環(huán)，其主要將目標(biāo)物藻類(lèi)與背景分離，后面的特征選擇及識(shí)別的準(zhǔn)確性取決于分割效果的好壞。常用的分割算法有基于邊緣和基于區(qū)域兩大類(lèi)，使用其中一種算法很難取得好的效果，通常是結(jié)合兩者的優(yōu)勢(shì)。王迪[5]在藻類(lèi)識(shí)別過(guò)程中邊緣分割和基于區(qū)域的閾值分割相結(jié)合的分割方法。

在進(jìn)行藻類(lèi)識(shí)別中，選擇好的特征非常重要，通常由多個(gè)特征組成特征集，其特征有顏色特征、空間關(guān)系、形狀特征、紋理特征等。

人們區(qū)別物體時(shí)，很多時(shí)候是根據(jù)物體的形狀來(lái)區(qū)別，形狀也是最基本的分類(lèi)標(biāo)準(zhǔn)。提取形狀特征有基于目標(biāo)區(qū)域和基于物體輪廓形狀特征兩種方法?；谖矬w輪廓形狀特征法只考慮物體的輪廓也就是邊界，不需要考慮目標(biāo)物體的具體內(nèi)容，其描述方法通常有幾何特征、傅里葉描述符、鏈碼等。其中，根據(jù)全局幾何特征，定義物體的幾何特征參數(shù)，就能區(qū)別差異比較大的檢測(cè)物，進(jìn)行粗分類(lèi)；傅里葉描述符的計(jì)算方法基于傅里葉變換，使用該種方法，提取特征就更復(fù)雜。基于目標(biāo)區(qū)域形狀特征法是從目標(biāo)的整體出發(fā)，全面反應(yīng)檢測(cè)物體的所有特征。在經(jīng)過(guò)圖像分割后得到檢測(cè)物區(qū)域，分析區(qū)域內(nèi)的每個(gè)像素得到形狀特征。其中，矩特征在區(qū)域形狀特征中應(yīng)用最廣泛，有中心矩和幾何矩，但由于幾何矩對(duì)圖像不具有不變性，中心矩對(duì)圖像的旋轉(zhuǎn)也不具備不變性，都不滿足要求，需要經(jīng)過(guò)各種變換處理得到不變矩。

紋理是物體的天然特征，不同的物體其紋理不同，就算是同一個(gè)物體其紋理也會(huì)不同，通過(guò)區(qū)分紋理可以把物體區(qū)分開(kāi)來(lái)。圖像紋理的分析方法有頻譜分析法、統(tǒng)計(jì)分析法、模型分析法、結(jié)構(gòu)分析法等。常用的紋理提取算法有很多，但涉及知識(shí)點(diǎn)多，計(jì)算復(fù)雜。

2、傳統(tǒng)藻類(lèi)識(shí)別算法的問(wèn)題

為了獲取好的藻類(lèi)特征，通常在前期需要分析采集到的藻類(lèi)圖像，接著對(duì)圖像處理和圖像分割。選取藻類(lèi)圖像的可取的特征進(jìn)行各種變換處理，找到合適的分類(lèi)器，進(jìn)行識(shí)別分類(lèi)。而使用深度學(xué)習(xí)進(jìn)行藻類(lèi)識(shí)別，不需要這么多繁瑣處理就能取得很好的效果。只要設(shè)計(jì)好網(wǎng)絡(luò)結(jié)構(gòu)，有好的數(shù)據(jù)集，在訓(xùn)練時(shí)調(diào)節(jié)好參數(shù)，就能達(dá)到理想。

三、藻類(lèi)分類(lèi)識(shí)別流程

本文分為訓(xùn)練和測(cè)試分類(lèi)兩階段。訓(xùn)練階段，首先準(zhǔn)備藻類(lèi)圖片樣本集，把訓(xùn)練樣本集圖片格式文件轉(zhuǎn)換為L(zhǎng)MDB格式文件，獲取像素均值文件，配置網(wǎng)絡(luò)參數(shù)，然后通過(guò)設(shè)計(jì)好的深度學(xué)習(xí)網(wǎng)絡(luò)對(duì)訓(xùn)練集進(jìn)行訓(xùn)練，調(diào)節(jié)參數(shù)，獲得權(quán)重參數(shù)。在預(yù)測(cè)分類(lèi)階段，把測(cè)試樣本集轉(zhuǎn)換為L(zhǎng)MDB格式，加載訓(xùn)練使用的深度學(xué)習(xí)網(wǎng)絡(luò)結(jié)構(gòu)、訓(xùn)練得到的權(quán)重參數(shù)和標(biāo)簽文件，得到預(yù)測(cè)藻類(lèi)類(lèi)別排序，得分由高到低，第一個(gè)即為預(yù)測(cè)到的類(lèi)別。藻類(lèi)分類(lèi)識(shí)別總的流程圖如圖2。

四、深度學(xué)習(xí)

機(jī)器學(xué)習(xí)是人工智能技術(shù)最活躍的研究領(lǐng)域，而深度學(xué)習(xí)是機(jī)器學(xué)習(xí)應(yīng)用最廣泛的分支之一。深度學(xué)習(xí)是通過(guò)提取具體的低層特征形成抽象的高層來(lái)發(fā)現(xiàn)數(shù)據(jù)分布式特征。常見(jiàn)的深度學(xué)習(xí)模型有卷積神經(jīng)網(wǎng)絡(luò)（Convolutional neural network，CNN）、循環(huán)卷積神經(jīng)網(wǎng)絡(luò)和堆棧式自編碼器等[6]。本文使用基于Caあe的CNN，使用softmax作為分類(lèi)器。

本文采用的深度學(xué)習(xí)模型卷積神經(jīng)網(wǎng)絡(luò)是圖像分類(lèi)識(shí)別研究領(lǐng)域的熱點(diǎn),比傳統(tǒng)神經(jīng)網(wǎng)絡(luò)有更多的優(yōu)勢(shì)。卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)借鑒生物神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，優(yōu)于傳統(tǒng)神經(jīng)網(wǎng)絡(luò)，區(qū)別于傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的地方主要在網(wǎng)絡(luò)中非全連接的神經(jīng)元和同一層中共享部分神經(jīng)元的權(quán)值。非全連接時(shí)，可以大大降低神經(jīng)網(wǎng)絡(luò)模型的復(fù)雜性。神經(jīng)元的權(quán)值共享可以使需要計(jì)算的權(quán)值數(shù)量大大減少。網(wǎng)絡(luò)的非全連接和權(quán)值共享使得網(wǎng)絡(luò)的泛化能力大大增強(qiáng)。

CNN的優(yōu)勢(shì)對(duì)于輸入為圖像數(shù)據(jù)時(shí)則表現(xiàn)得非常明顯，將圖像看作是數(shù)據(jù)，以圖像數(shù)據(jù)作為輸入，可以減少傳統(tǒng)圖像識(shí)別中圖像處理的復(fù)雜過(guò)程。CNN的多層感知器結(jié)構(gòu)具有一個(gè)很好的優(yōu)勢(shì)，在于其對(duì)比例縮放、平移、傾斜或者其他形式的變形具有高度不變性。

為了說(shuō)明CNN結(jié)構(gòu)，選擇圖像為輸入數(shù)據(jù)，其一般的網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示。輸入圖像經(jīng)過(guò)n個(gè)可訓(xùn)練的濾波器和可加偏置進(jìn)行卷積運(yùn)算得到C1層特征圖，對(duì)C1層的特征圖進(jìn)行池化操作，得到S1層，對(duì)S1層特征圖求和，帶入激活函數(shù)得到經(jīng)過(guò)卷積的特征圖，類(lèi)似這樣經(jīng)過(guò)若干次卷積、池化、經(jīng)過(guò)激活函數(shù)，得到最終的特征圖，此特征圖經(jīng)過(guò)全連接，連接成一個(gè)向量，根據(jù)實(shí)際的需求，接入其他神經(jīng)網(wǎng)絡(luò)或者分類(lèi)器。

五、實(shí)驗(yàn)及結(jié)果分析

1、實(shí)驗(yàn)

本文使用文獻(xiàn)[2]相同的數(shù)據(jù)集，使用設(shè)計(jì)的深度學(xué)習(xí)模型進(jìn)行訓(xùn)練和測(cè)試，對(duì)鼓噪、柵藻、角星鼓藻三類(lèi)藻類(lèi)分類(lèi)進(jìn)行驗(yàn)證。三種藻類(lèi)分別如圖4所示。

訓(xùn)練樣本每類(lèi)100張，總共300張，測(cè)試樣本每類(lèi)10張，總共30張，識(shí)別正確率計(jì)算公式為：

其中，n —測(cè)試集中識(shí)別正確的藻類(lèi)數(shù)量；N —整個(gè)測(cè)試集藻類(lèi)的數(shù)量。

實(shí)驗(yàn)平臺(tái)為UBuntu 16.04系統(tǒng)，使用深度學(xué)習(xí)工具Caあe，基于GTX 960M顯卡測(cè)試和訓(xùn)練。

對(duì)于使用的深度學(xué)習(xí)網(wǎng)絡(luò)，訓(xùn)練次數(shù)、網(wǎng)絡(luò)層數(shù)、學(xué)習(xí)率3個(gè)核心參數(shù)，本文選取多種組合，并分析算法性能的影響。選取深度學(xué)習(xí)網(wǎng)絡(luò)層數(shù)為8，選取一定的訓(xùn)練次數(shù)和學(xué)習(xí)率，其所測(cè)的loss值如表1，學(xué)習(xí)率與loss值關(guān)系如圖 5（a）。選取訓(xùn)練次數(shù)為1000，選取一定的學(xué)習(xí)率和網(wǎng)絡(luò)層數(shù)，其所測(cè)的loss值如表2，網(wǎng)絡(luò)層數(shù)與loss值關(guān)系如圖5（b）。選取學(xué)習(xí)率為0.001，選取一定的網(wǎng)絡(luò)層數(shù)和訓(xùn)練層數(shù)，其所測(cè)的loss值如表3，訓(xùn)練次數(shù)與loss值關(guān)系如圖5（c）。

2、實(shí)驗(yàn)結(jié)果分析

由圖5可以看出，不同的訓(xùn)練次數(shù)、網(wǎng)絡(luò)層數(shù)和學(xué)習(xí)率對(duì)loss值有很大影響。在設(shè)計(jì)深度學(xué)習(xí)網(wǎng)絡(luò)結(jié)構(gòu)時(shí)，需要考慮這些重要參數(shù)。

由圖5（a）可以看出，當(dāng)網(wǎng)絡(luò)層數(shù)為8層，學(xué)習(xí)率為0.01，隨著訓(xùn)練次數(shù)增加，loss值幾乎不變；當(dāng)學(xué)習(xí)率為0.001和0.0001時(shí)，隨著訓(xùn)練次數(shù)增加，loss值下降很快，慢慢趨于穩(wěn)定，但是在學(xué)習(xí)率為0.001時(shí)，loss值下降更快，在相同訓(xùn)練次數(shù)時(shí)，loss值更小，效果越好，說(shuō)明并不是學(xué)習(xí)率越小越好，需要根據(jù)實(shí)際需求選取一個(gè)合適的學(xué)習(xí)率。

由圖5（b）可知，在學(xué)習(xí)率為0.01時(shí)，隨著網(wǎng)絡(luò)層數(shù)增加，loss值開(kāi)始不變，直到網(wǎng)絡(luò)層數(shù)為8時(shí)，loss值才改變，但是loss還是太大，不能達(dá)到要求；在學(xué)習(xí)率為0.001和0.0001時(shí)，隨著網(wǎng)絡(luò)層數(shù)的增加，loss值先減小，后增加，學(xué)習(xí)率越小，loss值越好，說(shuō)明并不是網(wǎng)絡(luò)層數(shù)越多越好。

表1 網(wǎng)絡(luò)層數(shù)為8所測(cè)的loss值

表2 訓(xùn)練次數(shù)為1000所測(cè)的loss值

表3 學(xué)習(xí)率為0.001所測(cè)的loss值

由圖5（c）可知，當(dāng)網(wǎng)絡(luò)層數(shù)為4時(shí)，隨著訓(xùn)練次數(shù)增加，loss值幾乎不變，而且loss值大于1不滿足要求；當(dāng)網(wǎng)絡(luò)層數(shù)大于4，隨著訓(xùn)練次數(shù)增加，loss值都在震蕩，但總體在減小，但是減小的程度不一樣；層數(shù)為5時(shí)，loss值隨著訓(xùn)練次數(shù)增加，其值越來(lái)越小，效果越來(lái)越好。

經(jīng)過(guò)對(duì)實(shí)驗(yàn)結(jié)果進(jìn)行分析，本文最終選擇網(wǎng)絡(luò)層數(shù)為5，學(xué)習(xí)率為0.001，訓(xùn)練次數(shù)為1000的深度學(xué)習(xí)模型對(duì)訓(xùn)練數(shù)據(jù)集進(jìn)行訓(xùn)練，得到權(quán)重參數(shù)，然后對(duì)所使用的數(shù)據(jù)集進(jìn)行測(cè)試，可以達(dá)到100 %的識(shí)別率，優(yōu)于該論文中的83.3 %的識(shí)別率。

六、結(jié)束語(yǔ)

本文提出一種基于深度學(xué)習(xí)的藻類(lèi)分類(lèi)識(shí)別的方法，通過(guò)設(shè)計(jì)一種卷積神經(jīng)網(wǎng)絡(luò)自動(dòng)學(xué)習(xí)藻類(lèi)的特征，從而避免傳統(tǒng)人工選取特征困難。通過(guò)實(shí)驗(yàn)對(duì)比設(shè)計(jì)的幾種模型，選取最優(yōu)的模型，對(duì)測(cè)試數(shù)據(jù)集進(jìn)行測(cè)試，得到100 %的識(shí)別率。由于本實(shí)驗(yàn)所使用的訓(xùn)練集和測(cè)試集的藻類(lèi)種類(lèi)較少，但工程實(shí)踐中，需要識(shí)別的藻類(lèi)種類(lèi)非常多，下一步，應(yīng)該增加藻類(lèi)的種類(lèi)進(jìn)行實(shí)驗(yàn)。