張紅濤，李藝嘉，譚 聯(lián)，許帥濤

(華北水利水電大學 電力學院，河南 鄭州 450011)

谷子是我國重要的糧食作物，我國播種面積約占世界播種面積的80%，其產(chǎn)量約占世界總產(chǎn)量的90%[1-2]。谷子在生長發(fā)育過程中，因夏季高溫多雨的特點容易滋生病蟲害，嚴重影響谷子的生長發(fā)育，病害的爆發(fā)可造成谷子減產(chǎn)5%～15%[3-4]。因此，成功檢測谷子葉片病害對提高谷子產(chǎn)量具有重要意義。目前，針對谷子葉片病害的檢測主要有3種方法，分別為人工識別法、聚合酶鏈式反應(PCR)法、專家系統(tǒng)法[5-7]。人工識別法依照工作人員對谷子病理知識的了解，對谷子葉片病害類型進行判別，但是野外環(huán)境條件復雜且部分病害的相似度較高，容易造成谷子葉片病害的錯判。PCR檢測法是利用分子技術擴增病原菌的基因組，采用熒光定量觀察病原菌基因的實時變化，進而判別病害所處時期。目前該方法僅適用于谷子銹病，而且該試驗過程復雜，需要大量實驗儀器。專家系統(tǒng)是以專家的知識和經(jīng)驗為基礎的計算機系統(tǒng)，可對谷子葉片病害的診斷和防治提出相關意見。該系統(tǒng)僅限于判別是否存在谷瘟病，很難將專家的知識和經(jīng)驗用規(guī)則進行準確描述。

本研究針對大田中危害嚴重的4種谷子葉片病害(谷瘟病、白發(fā)病、紅葉病、銹病)，獲取其原始圖像[8]。運用基于超綠特征的最大類間方差法對谷子葉片病害進行分割，隨后對提取的谷子葉片病害進行特征優(yōu)選， 利用基于布谷鳥優(yōu)化的支持向量機的方法完成谷子葉片病害的分類判別。該圖像識別方法通過區(qū)分4種相似病害，為谷子葉片病害的自動檢測提供了一種有效的方法，同時也為谷子葉片病害的科學防治提供了理論依據(jù)。

1 材料與方法

1.1 圖像采集與預處理

選擇晴天條件對谷子葉片病害進行拍攝，拍攝時間選擇09:00—11:00和15：00—17:00，此時光照條件較為溫和，利用遮光板遮擋避免陽光直射。選擇帶有病害的谷子葉片植株，遮光板對立平行放于目標的上方，將白色背景板緊貼放置于谷子葉片病害的下方，調(diào)整好角度后采用手機進行拍攝，此時獲取谷子葉片病害圖像有利于后期的圖像分析處理。為提高圖像識別的運行效率，將圖像的分辨率由3 024×4 032降低到302×403，其縮放后的谷子葉片病害圖像如圖1所示。

A，谷瘟??；B，白發(fā)病；C，紅葉??；D，銹病。下同。A，Millet blast disease; B，White hair disease; C，Red leaf disease; D，Rust disease.The same as below.圖1 圖像縮放后的谷子病害圖像Fig.1 Image of millet disease after image scaling

1.2 谷子葉片病害的圖像分割

基于超綠特征(super green feature)的最大類間方差法(OTSU)是一種對超綠圖像進行分割的方法。該法增加了綠色通道的權重值，使得綠色分量與其他分量的對比度更加突出，該方法可用于谷子葉片病害的圖像分割[9-11]。該分割方法步驟如下：

(1)針對原始圖像縮放后的谷子葉片病害圖像，提取其對應的3個顏色單通道(R、G、B)圖像，超綠圖像的定義如公式(1)所示。

Y=2G-R-B。

(1)

式中：Y為超綠圖像，R、G、B分別為真彩圖像中紅、綠、藍3個顏色通道圖像。

(2)對超綠特征圖像進行灰度化處理得到灰度圖像。任選1個灰度值t1，將該灰度圖像分割成Q和S板塊，分別對應前景和背景2個部分。各部分對應的灰度值為MQ和MS，對應的像素點所占總像素點的比例部分定義為PQ和PS，M表示谷子葉片病害圖像的平均灰度值。

(3)遍歷256個圖像灰度級，求取背景與前景部分的類間方差大小，其類間方差的定義如公式(2)所示。

σ2(t)=PQ(MQ-M)+PS(MS-M)。

(2)

式中：σ2(t)為類間方差，其類間方差大小表征背景與前景的區(qū)分程度。

(4)當滿足預設條件時，退出運行。通過比較各方差大小選擇最大方差作為最終輸出量。該方差所對應的灰度閾值t即為所求的最佳閾值，4種谷子葉片病害的精準分割為后續(xù)的特征提取奠定了基礎。

1.3 谷子葉片病害的特征提取

通過觀察谷子葉片病害圖像的特點，發(fā)現(xiàn)其顏色特征的區(qū)分度較大，不同類型病害的顏色、形狀、空間分布特點均有所不同。故試驗提取了谷子葉片病害的顏色特征、形態(tài)特征、紋理特征等共計19個特征[12-13]，用于后續(xù)谷子葉片病害的分類識別。

1.3.1 顏色特征

(3)

(4)

(5)

式中：Ek為一階顏色矩，表征谷子葉片病害圖像的明暗度；σk為二階顏色矩，表征樣本圖像的顏色分布范圍；Sk為三階顏色矩，表征谷子葉片病害圖像的顏色空間分布對稱性；N為3種顏色矩的谷子葉片病害圖像的像素點總數(shù)；Pkj為3個顏色通道k的第j個圖像像素值。

1.3.2 紋理特征

1)最大概率

(6)

式中：Pa表征谷子葉片病害基于灰度共生矩陣的最強響應度量，其范圍大小在(0，1)間分布，P(i，j)表征任意灰度值i與灰度值j的響應度量情況。

2)能量

(7)

式中：Asm表征灰度圖像中紋理部分的均勻程度，其大小與谷子葉片病害紋理的均勻程度成反比。

3)熵

(8)

式中：Ent表征谷子葉片病害圖像的復雜程度，其數(shù)值越大表征病害紋理越復雜，數(shù)值越小表征該圖像紋理部分的平滑性較好。

4)對比度

(9)

式中：θ為灰度共生矩陣的生成方向，d為灰度i到灰度j間的距離，Con表征谷子葉片病害圖像的辨識程度，其大小決定病害圖像空間分布變化情況。

5)相關性

(10)

式中：Corr表征谷子葉片病害圖像灰度等級在縱向和橫向的相似程度，μx、μy為病害紋理的均值大小，σx、σy為該紋理標準差的大小。

6)平均灰度

(11)

式中：Mean表征谷子葉片病害灰度圖像中各灰度值的均勻分布情況，i為任意灰度值，P(i)為病害圖像中灰度值出現(xiàn)的概率。

1.3.3 形態(tài)特征

1)圓形度

Ca=4πS/L2。

(12)

式中：Ca為圓形度，S為谷子葉片病害圖像面積，L為圖像的周長。Ca的取值范圍滿足(0，1)，圓形度數(shù)值大小越接近1，表征該病害形狀越接近圓形。

2)矩形度

Rt=S/Acr。

(13)

式中：Rt為矩形度，S為谷子葉片病害的區(qū)域面積，Acr為外接矩形面積。若Rt越大，表征該病害形狀越接近矩形。

3)復雜度

St=L2/S。

(14)

式中：St表征谷子葉片病害紋理的復雜情況，L為病害區(qū)域周長，S為病害的區(qū)域面積。

4)寬長比

Ct=W/Lb。

(15)

式中：Ct為谷子葉片病害區(qū)域最小外接矩形寬與長的比值，W、Lb分別為外接矩形的寬度和長度。

1.4 特征優(yōu)化組合選擇

蟻群算法(ant colony algorithm，ACA)模擬螞蟻的覓食過程，以螞蟻行走時分泌的信息素為基礎，不同螞蟻個體依據(jù)信息素的濃度方向?qū)ふ沂澄镌吹淖顑?yōu)路徑[14-15]。試驗采用蟻群優(yōu)化算法為提取的19維特征空間尋找最優(yōu)的特征組合，通過降低特征空間維度去除多余的冗余信息。

1.5 基于布谷鳥算法的參數(shù)尋優(yōu)

布谷鳥算法(cuckoo search，CS)是一種群智能優(yōu)化算法，以蟻群算法優(yōu)化后的8維特征組合作為輸入量，該算法基于萊維飛行對降維特征空間的全局最優(yōu)值進行空間搜索。萊維飛行具有隨意性、無規(guī)則性、科學性等特點，其飛行軌跡伴隨短距離與長距離交替行走的方式完成參數(shù)尋優(yōu)，有效解決了參數(shù)尋優(yōu)過程易陷入局部最優(yōu)的問題[16-19]。其實現(xiàn)步驟如下：

(1)假設鳥巢數(shù)量為n個，初始位置為Xi，i∈[1，n]，每個鳥巢位置對應其適應度Fi。比較多個適應度的大小，選擇當前最佳適應度Fj的鳥巢作為當前最優(yōu)鳥巢。

(2)根據(jù)萊維飛行對除當前最優(yōu)解鳥巢外的其他鳥巢進行位置更新操作，獲取新的鳥巢位置與適應度。新鳥巢的適應度Fk與當前最優(yōu)鳥巢的適應度Fj進行比較，若效果較好則替換原先的鳥巢位置。

(3)布谷鳥的鳥巢更新如公式(16)所示，引入隨機數(shù)r與發(fā)現(xiàn)概率Pa進行參數(shù)對比。當二者關系滿足r>Pa時，隨機更新鳥巢位置情況，否則鳥巢位置不發(fā)生改變。

(16)

(17)

式中：β的數(shù)值大小取1；u、v為高斯分布變量，其大小滿足公式(18)、(19)的取值情況。

(18)

(19)

(4)當局部尋優(yōu)的過程滿足其預設條件的搜索精度要求或者達到迭代次數(shù)上限，則退出運行，否則返回步驟(3)。

(5)比較運行后各個鳥巢位置的適應度值大小，輸出最佳鳥巢位置Xmax。

1.6 支持向量機原理

支持向量機(support vector machine， SVM)是一種基于VC維(vapnikchervonenkis dimension)理論同時以結構風險最小狀態(tài)為原則的一種機器學習方法。SVM的分類思想是尋找一種最優(yōu)的超平面，該平面公式滿足WTX+b=0，在保證較好區(qū)分谷子葉片病害樣本的同時，滿足其分類的間隔最大[20-22]。由于c、g的選擇影響SVM的分類性能，且兩參數(shù)的取值范圍很大，因此，為了提高分類器的識別效率，需要對其參數(shù)進行優(yōu)化。這里選用布谷鳥優(yōu)化算法對SVM的c、g參數(shù)進行尋優(yōu)操作。

2 結果與分析

2.1 谷子葉片病害的圖像分割

試驗結果表明，采用公式(1)中超綠特征權重的分割方法會造成谷子葉片病害的錯分割和過分割現(xiàn)象。超綠特征參數(shù)的調(diào)整與谷子葉片病害的類型有關，例如白發(fā)病的病害顏色趨近于淡綠色。因此，需要對超綠特征的權重參數(shù)進行優(yōu)化。試驗表明，當超綠權重滿足公式(20)時，分割效果最好。

EXG=2G-R-B-1.5R+G。

(20)

式中：EXG表示調(diào)整權重比例的超綠特征。

圖2 基于超綠特征的OTSU分割的谷子葉片病害二值圖像Fig.2 Binary image of millet leaf disease by OTSU segmentation based on super green features

采用調(diào)整后的超綠權重因子結合連通區(qū)域標記法對谷子葉片病害進行分割。利用形態(tài)學的圖像處理方法，填充病害孔洞，分割處理后的結果如圖2所示。4種谷子葉片病害分為2種類型，一種為形狀單一且區(qū)域集中的病害(如谷瘟病、白發(fā)病、紅葉病)，另一種為排列緊湊且面積較小的銹病。其中，谷瘟病形狀呈現(xiàn)紡錘狀，白發(fā)病與葉脈平行成細長條狀分布，紅葉病近似長條的矩形狀，銹病呈點狀分布且數(shù)量較多。與圖1病害的原始圖像進行對照，基本實現(xiàn)了4種谷子葉片病害的分割。由于本文采用的方法是基于超綠權重的自動分割方法，該方法克服了部分光照變化對圖像的影響。試驗表明，該超綠特征的圖像分割對光線明暗程度和顏色變化情況不同的谷子葉片病害具有良好的魯棒性。

2.2 谷子葉片病害的特征分析

提取谷子葉片病害與葉片的19個特征，并求得每個類別的70個樣本(共計350個樣本)的特征平均值。針對谷子葉片病害的RGB圖像提取其顏色矩特征，結果如表1所示。對谷子葉片病害的灰度圖像提取紋理特征，結果如表2所示。利用谷子葉片病害的超綠特征的二值圖像提取其形態(tài)特征，結果如表3所示。

由表1中的數(shù)據(jù)可得，4種病害谷子葉片的顏色特征參數(shù)區(qū)分度較大，其中以一階矩和二階矩的變化情況最為顯著，三階顏色矩次之?？傮w來說，谷瘟病、銹病、白發(fā)病、紅葉病的特征參數(shù)依次排序呈遞增趨勢。由表2分析可知，4種病害谷子葉片特征類型中相關性、平均灰度、對比度的區(qū)分度較大，可作為區(qū)分谷子葉片病害的重要特征。相較于這3個特征，熵這一特征在4種病害谷子葉片中的區(qū)分度較小，但仍可作為病害分類的特征。能量、最大概率的參數(shù)區(qū)別較小，不作考慮。由表3分析可知，形態(tài)特征中復雜度和圓形度的區(qū)分情況較為明顯；其他形態(tài)特征如寬長比僅能區(qū)分出谷瘟病，其他病害類型不易區(qū)分；矩形度中4種病害谷子葉片的特征平均值較為接近，也不易區(qū)分。通過對顏色、紋理、形態(tài)特征作簡單分析，可為后續(xù)的特征優(yōu)選提供良好的定性分析。

采用ACA方法對提取的19個特征進行優(yōu)選，其優(yōu)化效果以交叉驗證率和適應度作為最終的判別標準，特征優(yōu)選過程中“0”表示未被選擇的特征，“1”表示被選中的特征。試驗設置螞蟻數(shù)量ant_num為100，提取的特征feature_num為19，信息素矩陣phero_matrix=0.1*ones(2，feature_num)，信息素的權重系數(shù)alpha為0.5，試驗結果測試5次。特征優(yōu)化結果如表4所示，經(jīng)過計算發(fā)現(xiàn)，最優(yōu)的參數(shù)組合為試驗3中的“1101101000001110000”，選擇的特征分別為R1、G1、R2、G2、R3、平均灰度、對比度、圓形度。特征選擇中形態(tài)特征部分選擇了圓形度，未選擇區(qū)分度較大的復雜度，其原因是蟻群算法的特征選擇具有隨機組合性，優(yōu)先選擇與目標相關程度較高的特征；該試驗在特征選擇最少的情況下，適應度達到了最佳，其交叉識別率和適應度分別為87.8%、93.16(表4)。該特征優(yōu)化組合驗證了特征平均值的分析結果，其特征選取用于后期的谷子葉片病害的分類識別。

表1 四種病害谷子葉片與正常葉片RGB三通道顏色矩Table 1 RGB three-channel color matrix of four millet leaf diseases and normal leaves

表2 四種病害谷子葉片與正常葉片紋理特征Table 2 Texture characteristics of four millet leaf diseases and normal leaf

表3 四種病害谷子葉片與正常葉片形態(tài)特征Table 3 Morphology characteristics of four millet leaf diseases and normal leaf

2.3 CS-SVM在谷子葉片病害識別中的應用

支持向量機中核函數(shù)的類型與參數(shù)的選擇對分類識別效果具有較大的影響，而核函數(shù)中徑向基核函數(shù)在衡量樣本由低維度到高維度映射的相似程度方面優(yōu)勢性良好。故本文選擇SVM中的徑向基核函數(shù)進行樣本分類。試驗選擇250個樣本作為訓練集(每種類型50個)，100個樣本作為測試集(每種類型20個)。

CS算法簡單且尋優(yōu)能力良好，其算法內(nèi)部參數(shù)的選擇在一定程度上決定算法的性能。主要參數(shù)有3個：鳥巢數(shù)目n、步長因子S、孵化鳥發(fā)現(xiàn)布谷鳥蛋的概率Pa。類似于蟻群算法通過確定螞蟻的數(shù)量確定其種群規(guī)模，n取值范圍一般在[15， 40]。S體現(xiàn)萊維飛行中隨機搜索過程的穩(wěn)定狀態(tài)，長短步長的交替搜索達到尋求最優(yōu)解的目的，S的取值滿足公式(17)，其中β的取值范圍滿足(0， 2]。Pa主要衡量算法的全局尋優(yōu)能力與局部搜索之間的平衡性，前期重在增加收斂速度和縮短空間范圍，后期保證算法最優(yōu)解的正確性，其范圍大小一般取(0， 0.4]。

利用特征優(yōu)選后的8維特征作為特征輸入量，采用CS算法尋找SVM的c、g參數(shù)的優(yōu)化組合，利用SVM完成谷子葉片病害的判別分類。根據(jù)上述試驗分析結果對CS算法進行參數(shù)設置，確定最優(yōu)的參數(shù)組合，其中鳥巢數(shù)目n設置為25，β取固定值為1.5，孵化鳥發(fā)現(xiàn)布谷鳥蛋的概率Pa為0.3，迭代次數(shù)設置為300次，適應度為94.2。試驗表明，當c=80.2662、g=1.8467時，5種樣本的識別效果達到最佳，除谷瘟病外，其他3種谷子葉片病害和正常葉片的識別率均達到100%，谷瘟病的識別結果為95%，總識別率達到99%，識別結果如圖3所示。

圖3 谷子葉片病害測試集識別情況Fig.3 Recognition situation of millet leaves disease test

如表5所示，銹病樣本中有1個出現(xiàn)識別錯誤，可能是谷瘟病與銹病的相似性造成的。因為本試驗拍攝的谷子葉片病害均為前中期病害，該時期銹病數(shù)量較多且在病害密集時會造成少量的病害融合，而且2種谷子葉片病害顏色都存在褐色成分，其病害的相似性造成了2種谷子葉片病害的誤判。

2.4 不同優(yōu)化算法的對比分析

選擇網(wǎng)格搜索法(grid search，GS)和人工蜂群算法(artifical bee colony，ABC)與本文的算法進行對比分析。網(wǎng)格搜索法采用窮舉法尋找谷子葉片病害樣本中所有可能出現(xiàn)的c、g組合，對參數(shù)組合進行交叉驗證，以交叉驗證率的結果確定最優(yōu)的c、g參數(shù)組合。人工蜂群算法屬于群智能優(yōu)化算法，通過模仿不同類型蜂群相互協(xié)作的覓食行為進而解決谷子葉片病害樣本的無約束化問題，蜜源的位置對應SVM的c、g參數(shù)優(yōu)選結果，蜜源的大小對應適應度情況。以適應度的大小判定最優(yōu)的c、g參數(shù)組合。

基于GS-SVM和ABC-SVM的試驗樣本數(shù)據(jù)均為蟻群算法優(yōu)化后的8維特征空間。GS-SVM選用交叉識別驗證的方法將谷子葉片病害和健康谷子葉片類別的訓練樣本集分為5份，其中4份用作訓練數(shù)據(jù)集，1份用作驗證數(shù)據(jù)集，循環(huán)運行5次，當所有樣本數(shù)據(jù)被選擇，則退出運行。ABC-SVM對初始蜂群規(guī)模進行隨機鄰域搜索，蜂群規(guī)模NP為20，蜜源數(shù)量N設置為10，蜜源的最大迭代次數(shù)設置maxcycle為10，其c、g參數(shù)范圍設置為(0，100)。

3種優(yōu)化算法的試驗結果如表6所示，由表內(nèi)數(shù)據(jù)可得，算法的識別結果與尋優(yōu)的c、g參數(shù)緊密聯(lián)系。GS-SVM分類及其尋優(yōu)過程易陷入局部最優(yōu)解，其算法運行時間和識別率在3種方法中試驗效果最不理想。ABC-SVM與CS-SVM進行效果對比，二者的運行時間較為接近，但識別結果下降了2%。對比上述試驗結果發(fā)現(xiàn)，CS-SVM分類器不管從識別率還是識別時間分析，識別效果均為最佳。進一步證明了基于CS-SVM的分類識別方法對數(shù)量少、非線性特點的谷子葉片病害樣本具有良好的分類效果，基本實現(xiàn)了谷子葉片病害的分類。

表5 四種病害谷子葉片與正常葉片的具體識別情況Table 5 Specific identification situation of four kinds of millet leaf diseases and normal leaves

表6 三種優(yōu)化算法的識別效果對比Table 6 Comparison of recognition results of three optimization algorithms

3 結論

本文針對谷子葉片病害的自動分類，提出了一種基于CS-SVM的圖像識別方法。試驗采集4種谷子葉片病害，運用基于超綠特征的OTSU分割方法對谷子葉片病害進行分割，采用蟻群優(yōu)化算法從提取的19個特征中選擇8個特征作為特征輸入量，利用基于CS群智能優(yōu)化算法對SVM的c、g參數(shù)進行優(yōu)化，分類器的識別率達到了99%，表明運用該方法可對4種谷子葉片病害進行有效分類識別。試驗采用布谷鳥優(yōu)化算法提高SVM分類器的性能，與ABC-SVM、GS-SVM算法相比，基于CS-SVM算法的識別效率和識別時間均最佳。本文的圖像采集是基于白色背景下的病害拍攝，下一步研究可直接在田間自然條件下進行采集，對獲取的谷子葉片病害圖像進行復雜背景下的自動判別分類。