孫茜童，付蕓，韓春曉，范宇華，王天樞

（長春理工大學(xué) 光電工程學(xué)院，長春 130022）

中國是世界上番茄種植面積最大、產(chǎn)量最高的國家。然而，番茄病害嚴重抑制了果實的產(chǎn)量，晚疫病是常見的番茄病害之一。在成株期發(fā)病，病害多從葉尖或葉緣開始感染，病斑最初呈近圓形，水浸狀，后來變?yōu)椴欢ㄐ蔚臏\綠色，不斷擴展而占據(jù)整個單葉的大部分面積，病斑逐漸變?yōu)楹稚玔1]。發(fā)病嚴重時造成莖部腐爛、植株萎蔫和果實變成褐色，嚴重影響產(chǎn)量。隨著種植面積的不斷擴大，傳統(tǒng)的人工檢測病害的方法無法做到及早發(fā)現(xiàn)、及時治療。近年來，國內(nèi)外高光譜成像技術(shù)的發(fā)展十分迅速，廣泛應(yīng)用于遙感地物觀測、農(nóng)作物成熟度判別、病蟲害監(jiān)測等農(nóng)業(yè)生產(chǎn)領(lǐng)域。

高光譜圖像（Hyperspectral Image，HSI）是一個三維的數(shù)據(jù)立方體，由二維圖像和一維光譜數(shù)據(jù)組成，包含幾十甚至幾百個連續(xù)的光譜波段，這些光譜信息表征了物質(zhì)的內(nèi)在屬性，因而成為圖像分類的依據(jù)。支持向量機是一種常用的二元分類器，采用核函數(shù)方法進行非線性分類，在人臉識別、文本分類等模式識別中得到了應(yīng)用，也被用于建立高光譜植物病害的分類模型。李鑫星[2]基于 SVM（Support Vector Machine，SVM）分類器建立黃瓜葉部病害的識別預(yù)測模型，對霜霉病、白粉病、褐斑病的平均識別正確率達到92%。

此外，隨著深度學(xué)習(xí)理論的提出和數(shù)值計算設(shè)備的改進，卷積神經(jīng)網(wǎng)絡(luò)得到了快速發(fā)展，并被用在計算機視覺、自然語言處理等領(lǐng)域[3]。在解析遙感圖像的幾何、紋理和空間分布特征時，卷積神經(jīng)網(wǎng)絡(luò)在計算效率和分類準(zhǔn)確度等方面具有優(yōu)勢[4]。對相同的數(shù)據(jù)集提取特征，二維卷積神經(jīng)網(wǎng)絡(luò)模型會丟失關(guān)鍵信息，而三維卷積神經(jīng)網(wǎng)絡(luò)模型能更好地提取特征，在圖像分類和特征提取方面具有較強的優(yōu)勢。吳葉蘭等人[5]建立了基于卷積神經(jīng)網(wǎng)絡(luò)的柑橘病葉分類模型，對潰瘍病、草甘膦病等患病葉片的識別準(zhǔn)確率達到98.75%。此外，在水稻穗瘟病檢測[6]和大豆花葉病害初期的快速檢測[7]中，卷積神經(jīng)網(wǎng)絡(luò)都取得了很好的效果。

上述研究表明高光譜成像技術(shù)在農(nóng)作物的病害檢測中是可行的，但是，如何實現(xiàn)病害的早期檢測，以及實現(xiàn)準(zhǔn)確定性、定量分析還需要深入研究。因此，本文以番茄的晚疫病為研究對象，將支持向量機、二維和三維卷積神經(jīng)網(wǎng)絡(luò)用于圖像分類，通過算法的融合和參數(shù)的優(yōu)化來建立分類模型，提高分類精度，能夠為農(nóng)作物病害的早期診斷提供研究基礎(chǔ)。

1 實驗

1.1 實驗材料

實驗中所使用的番茄晚疫病樣本來自于吉林省農(nóng)業(yè)科學(xué)院經(jīng)濟植物研究所（位于：北緯43°05'，東經(jīng) 125°27'）。全部樣本經(jīng)過病理檢驗分析，證實葉片已感染番茄晚疫病。2019年9月采集患病葉片97片及健康葉片21片。選取染病區(qū)域明顯的樣本進行圖像采集。

1.2 高光譜成像系統(tǒng)

整個系統(tǒng)由線掃描光譜儀（ImSpector N10E，400～1 000 nm）（Spectral Imaging Ltd.，芬蘭奧盧）、14 bits的 1 600×1 200像素的 CCD相機（BCi4-USB-M40LP，美國弗洛里達）、雙側(cè)150 W鹵素?zé)艟€性光源（EKE-ER，Illumination Technologies，美國）、一維位移臺（IRCP0076，Isuzu Optics Corp.，中國臺灣）和計算機組成，圖1為高光譜圖像采集系統(tǒng)。整個高光譜成像系統(tǒng)放置在一個黑色的光學(xué)暗箱內(nèi)，光學(xué)暗箱中的載物臺可自由升降，平臺上有漫反射涂層，光學(xué)暗箱能夠避免環(huán)境光對圖片采集造成的干擾[5]。由于暗室里鹵素?zé)艟€性光源的強度分布不均勻和設(shè)備暗電流噪聲的影響，需要進行明暗場校正。明暗場校正的公式為：

圖1 高光譜圖像采集系統(tǒng)

式中，R為明暗場校正后的數(shù)據(jù)；Rl為直接采集的數(shù)據(jù)；Rd為暗場數(shù)據(jù)；Rw為明場數(shù)據(jù)。

1.3 建立高光譜圖像的分類模型

1.3.1 支持向量機

支持向量機是Vapnik等人[8]開發(fā)出來的一種監(jiān)督學(xué)習(xí)的模型，與一些相關(guān)的算法相結(jié)合可用于分類與回歸分析。利用帶有標(biāo)簽的訓(xùn)練集樣本，使用支持向量機能構(gòu)建出一個非概率的二元線性分類器。在選擇核函數(shù)時，通常采用三種方法：（1）利用先驗知識；（2）Cross-Validation方法，逐個核函數(shù)試用，選取效果最好的核函數(shù)；（3）混合核函數(shù)，將不同核函數(shù)結(jié)合起來。

1.3.2 2D卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)[3]（Convolutional Neural Networks，CNN）是一類包含卷積計算且具有深度結(jié)構(gòu)的前饋神經(jīng)網(wǎng)絡(luò)。圖2是一種典型的卷積神經(jīng)網(wǎng)絡(luò)[11]，它由輸入層、若干個卷積層和池化層、全連接層以及輸出層等構(gòu)成。當(dāng)數(shù)據(jù)量不是非常龐大時，也可以不添加池化層。Dropout層可以防止過擬合，提升模型泛化能力。

圖2 CNN結(jié)構(gòu)

本文搭建的二維卷積神經(jīng)網(wǎng)絡(luò)共有8層，最后一層采用Softmax函數(shù)，網(wǎng)絡(luò)中其他各層的激活函數(shù)均采用Relu函數(shù)。迭代次數(shù)均設(shè)為100次、學(xué)習(xí)率設(shè)為0.001、patience設(shè)為15。二維卷積網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示。

圖3 二維卷積部分結(jié)構(gòu)

省略數(shù)據(jù)前期的預(yù)處理過程，直接將原始圖像輸入卷積神經(jīng)網(wǎng)絡(luò)中進行分類。假設(shè)高光譜圖像有n個波段，包含N種標(biāo)簽，那么其原始樣本集X為，為了充分利用高光譜圖像數(shù)據(jù)的空間相似性，對于圖像上的每一個像素，都取其周圍l像素×l像素范圍內(nèi)的數(shù)據(jù)作為一個訓(xùn)練樣本，此時輸入樣本集Y為實驗結(jié)果表明，l取 5 時可以得到較好的分類結(jié)果；當(dāng)l取7或9時，分類效果稍差，但差別不大，總體準(zhǔn)確率在1%以內(nèi)浮動。其主要原因是高光譜圖像的空間分辨率有限，鄰域區(qū)間取得過大可能會包含與中心像素標(biāo)簽不同的地物，而太小又不能充分利用鄰域的空間信息。

1.3.3 3D卷積神經(jīng)網(wǎng)絡(luò)

高光譜圖像是一個數(shù)據(jù)立方體，在立方體中使用三維卷積核，卷積層中每一個特征都會與上一層中多個鄰近的連續(xù)幀相關(guān)聯(lián)，因此能捕捉到連續(xù)且有效的信息。相比于二維卷積，三維卷積多了一個深度通道，更適合于高光譜數(shù)據(jù)的三維特性。因此，本文構(gòu)建一個三維卷積神經(jīng)網(wǎng)絡(luò)。三維卷積神經(jīng)網(wǎng)絡(luò)共有13層，如圖4所示。網(wǎng)絡(luò)中的激活函數(shù)均采用Relu函數(shù)，在本文中各層使用不同激活函數(shù)對結(jié)果的影響不大。迭代次數(shù)均設(shè)為100次、學(xué)習(xí)率設(shè)為0.001、patience設(shè)為15。

圖4 三維卷積部分結(jié)構(gòu)

三維卷積神經(jīng)網(wǎng)絡(luò)能夠得到樣本的空間信息和光譜信息，從中同時提取數(shù)據(jù)的空譜特征。在CNN結(jié)構(gòu)中，深度越深、特征面數(shù)目越多，則網(wǎng)絡(luò)能夠表示的特征空間也就越大、網(wǎng)絡(luò)學(xué)習(xí)能力也越強，然而也會使網(wǎng)絡(luò)的計算更復(fù)雜，極易出現(xiàn)過擬合的現(xiàn)象。因而，實際上應(yīng)適當(dāng)選取網(wǎng)絡(luò)深度、特征面數(shù)目、卷積核的大小及卷積的步長，以保證訓(xùn)練出一個好的模型且能減少訓(xùn)練時間[9]。

2 結(jié)果與討論

2.1 實驗結(jié)果

本文使用的深度學(xué)習(xí)框架是以Tensorflow為后端的Keras框架、Python3.6。圖5為番茄晚疫病的識別結(jié)果，圖中不同顏色的定義：黑色為背景、紅色為健康部分、綠色為病害部分。

圖5 RBF分類結(jié)果圖

選取徑向基核函數(shù)（Radial Basis Function，RBF）再對數(shù)據(jù)進行降維后運算速度明顯提高，能更快獲取分類結(jié)果。由于LDA最多能夠降到k-1維，而本文中k=2，所以LDA只能降到1維。實驗表明，經(jīng)PCA降維后取特征值為30時，可以在很大程度上保留原始數(shù)據(jù)的特征，減小降維的損失。選取Sigmoid核函數(shù)時，病害的識別效果較差，部分葉脈被誤判為病害區(qū)域。

圖6及圖7是2D-CNN和3D-CNN算法的分類結(jié)果圖。

圖6 2D卷積神經(jīng)網(wǎng)絡(luò)分類結(jié)果圖

圖7 3D卷積神經(jīng)網(wǎng)絡(luò)分類結(jié)果圖

從分類結(jié)果看，卷積神經(jīng)網(wǎng)絡(luò)對于病害部位的識別效果和支持向量機的識別效果差別不大，原因是卷積神經(jīng)網(wǎng)絡(luò)依賴海量訓(xùn)練數(shù)據(jù)，在數(shù)據(jù)量較小的情況下，支持向量機略占優(yōu)勢，但是一旦數(shù)據(jù)量提升，卷積神經(jīng)網(wǎng)絡(luò)將表現(xiàn)出更大的優(yōu)勢。

2.2 模型精度評價

混淆矩陣（Confusion Matrix）也稱誤差矩陣，是表示精度評價的一種標(biāo)準(zhǔn)格式，用w行w列的矩陣形式來表示。由于混淆矩陣并不能直接看出分類精度的好壞。為此，從混淆矩陣衍生出許多分類精度指標(biāo)，本文采用總體分類精度（Overall Accuracy，OA）、平均分類精度（Average Accuracy，AA）和Kappa系數(shù)作為評價指標(biāo)來對分類結(jié)果進行評判。

總體分類精度是指對每一個隨機樣本所分類的結(jié)果與檢驗數(shù)據(jù)類型相一致的概率[10]。總體分類精度按照公式（2）計算。

式中，t為測試集的數(shù)據(jù)總數(shù)；a為正確分類的個數(shù)。

平均分類精度也是分類問題中常用的評價指標(biāo)之一，計算公式如下：

式中，m為某一類的分類精度；N為類別數(shù)。

Kappa系數(shù)是一種衡量分類精度的指標(biāo)，公式如下：

式中，po=總體分類精度；

用上述三種評價指標(biāo)對不同算法的分類效果進行評價，結(jié)果如表1—表3所示。

表1 RBF核函數(shù)結(jié)合不同預(yù)處理方法的訓(xùn)練結(jié)果

表2 2D-CNN結(jié)合不同預(yù)處理方法的訓(xùn)練結(jié)果

表3 3D-CNN結(jié)合不同預(yù)處理方法的訓(xùn)練結(jié)果

從表中看出，使用RBF核函數(shù)加PCA預(yù)處理的分類效果最優(yōu)，總體分類精度達到98.6%，平均分類精度為98.4%，Kappa系數(shù)為0.970。

上述評價結(jié)果表明，三維卷積神經(jīng)網(wǎng)絡(luò)結(jié)合PCA和LDA的識別效果比二維卷積神經(jīng)網(wǎng)絡(luò)表現(xiàn)得更好。在迭代次數(shù)為100次、學(xué)習(xí)率為0.001時，該模型在測試集上的總體分類精度為96.7%，平均分類精度為96.5%，Kappa系數(shù)為0.925，略低于支持向量機。支持向量機的優(yōu)點是訓(xùn)練時間短，但是沒有成熟的核函數(shù)的選取方法。卷積神經(jīng)網(wǎng)絡(luò)具有網(wǎng)絡(luò)結(jié)構(gòu)的多樣性、可調(diào)整的參數(shù)多等特點，這意味著提升其分類效果的潛力更大，由此帶來的缺點是訓(xùn)練和調(diào)節(jié)參數(shù)耗時長。

3 結(jié)論

本文以番茄晚疫病患病葉片為研究對象，采集380～960 nm波段范圍內(nèi)的高光譜圖像，建立基于支持向量機、二維和三維卷積神經(jīng)網(wǎng)絡(luò)模型對樣本進行分類與識別，取得了較好的效果。

（1）在CNN模型中，卷積層的操作能夠?qū)崿F(xiàn)圖像去噪，通常情況下分類效果會優(yōu)于支持向量機。由于CNN依賴大量數(shù)據(jù)來提取特征，所以，在較小數(shù)據(jù)集上的表現(xiàn)反而不占優(yōu)勢。

（2）人工制作標(biāo)簽的數(shù)量和準(zhǔn)確度對結(jié)果有很大的影響。同時，由于葉片不平整，采集數(shù)據(jù)時葉片邊緣的陰影部分也會對結(jié)果造成影響。因此，如何將葉片邊緣、葉脈與健康和病害區(qū)域準(zhǔn)確地區(qū)分開，也是后續(xù)優(yōu)化時需要考慮的問題。