王 慧, 李康順, 蔡 鐵, 王文祥, 董純鏗

(1.深圳信息職業(yè)技術(shù)學(xué)院,廣東深圳 518172; 2.華南農(nóng)業(yè)大學(xué)數(shù)學(xué)與信息學(xué)院,廣東廣州 510642)

柑橘類(lèi)水果是人們最喜愛(ài)、世界上產(chǎn)量較大的水果之一,同時(shí)也是農(nóng)業(yè)經(jīng)濟(jì)中重要的組成部分。但在20世紀(jì)初,在我國(guó)華南很多地區(qū)首次同時(shí)發(fā)現(xiàn)了柑橘黃龍病(HLB),之后又在其他省區(qū)(四川省、廣西壯族自治區(qū)、江西省等地方)柑橘生產(chǎn)地相繼發(fā)現(xiàn)了黃龍病[1]。黃龍病的病菌是一種主要通過(guò)木虱傳播的類(lèi)細(xì)菌病原體[2-3],是世界上影響柑橘種植的最大的病害之一。該病菌的傳染性及致病率極高,柑橘樹(shù)一旦感染黃龍病病菌,將在短時(shí)間內(nèi)失去長(zhǎng)果實(shí)的能力,這將造成柑橘的生產(chǎn)量急劇下降[4-5]。對(duì)此,柑橘種植戶對(duì)柑橘黃龍病已經(jīng)演變成了“談黃龍色變”的狀態(tài),嚴(yán)重影響了柑橘種植戶的經(jīng)濟(jì)收入。傳統(tǒng)的人工識(shí)別農(nóng)作物病害,不但耗費(fèi)時(shí)間精力,而且有效性低,精確迅速地辨識(shí)出農(nóng)作物病害有助于及時(shí)救助,對(duì)降低黃龍病病害帶來(lái)的產(chǎn)量和品質(zhì)影響具有重大意義。

1 研究現(xiàn)狀

隨著智能識(shí)別技術(shù)在物體分類(lèi)和圖像處理方面能力的增強(qiáng),智能識(shí)別在農(nóng)作物病害識(shí)別上得到了廣泛的應(yīng)用,如卷積神經(jīng)網(wǎng)絡(luò)已成功用于識(shí)別監(jiān)測(cè)玉米、小麥、水稻和藍(lán)莓等植物病蟲(chóng)害[6-14]。但是柑橘黃龍病的特征及其傳播方式不同于其他農(nóng)作物病害,因此學(xué)者們做了相關(guān)深入研究,肖懷春等提出了基于物聯(lián)網(wǎng)柑橘黃龍病檢測(cè)防控技術(shù),具有成本小、快速識(shí)別等優(yōu)點(diǎn),但是其識(shí)別率有待提高,提高其識(shí)別率的關(guān)鍵是找到有效的病害圖像識(shí)別算法,即針對(duì)柑橘黃龍病的特征提出有效的圖像識(shí)別方法[15]。陸健強(qiáng)等提出了一種基于Mixup算法和卷積神經(jīng)網(wǎng)絡(luò)的柑橘黃龍病果實(shí)識(shí)別模型——XResNeXt模型,采用Mixup算法建立樣本之間的線性關(guān)系,遷移Xception網(wǎng)絡(luò)在ImageNet數(shù)據(jù)集上的先驗(yàn)知識(shí),通過(guò)動(dòng)量梯度下降優(yōu)化方法,有效地減緩振蕩影響,并且有效地加速模型向局部最優(yōu)點(diǎn)收斂[16]。范世達(dá)等提出,基于深度學(xué)習(xí)的柑橘黃龍病遠(yuǎn)程診斷算法,利用深度學(xué)習(xí)相關(guān)算法構(gòu)建柑橘黃龍病病害識(shí)別模型,在柑橘生長(zhǎng)過(guò)程中實(shí)現(xiàn)黃龍病在線實(shí)時(shí)監(jiān)測(cè)與病害遠(yuǎn)程診斷。目前已在試驗(yàn)地初步開(kāi)展柑橘黃龍病遠(yuǎn)程診斷試驗(yàn),結(jié)果表明,田間遠(yuǎn)程診斷準(zhǔn)確率為77.1%,已初步實(shí)現(xiàn)針對(duì)柑橘黃龍病的遠(yuǎn)程病害診斷,提高了實(shí)際生產(chǎn)過(guò)程中黃龍病的識(shí)別效率,降低了黃龍病檢測(cè)成本[17]。林少丹等提出了一個(gè)適用于小樣本顯微圖像數(shù)據(jù)集的增強(qiáng)特征的無(wú)監(jiān)督訓(xùn)練柑橘黃龍病檢測(cè)模型。該模型首先采用無(wú)監(jiān)督訓(xùn)練結(jié)合遷移學(xué)習(xí)構(gòu)成上游網(wǎng)絡(luò),再利用Yolact模型設(shè)計(jì)出增強(qiáng)特征網(wǎng)絡(luò)與DETR相結(jié)合構(gòu)成下游網(wǎng)絡(luò),最終建立 E-HLBUP-DETR診斷模型[18]。林奕桐等構(gòu)建了基于無(wú)人機(jī)可見(jiàn)光通道和支持向量機(jī)(SVM)模型的柑橘黃龍病個(gè)體識(shí)別模型,通過(guò)柑橘黃龍病黃化識(shí)別模型確定具備黃龍病黃化特征的植株,再通過(guò)黃龍病斑駁特征識(shí)別模型對(duì)黃化植株的葉片進(jìn)行斑駁特征分析確認(rèn)黃龍病植株;對(duì)模型進(jìn)行1次個(gè)體識(shí)別試驗(yàn)和2次普適性驗(yàn)證試驗(yàn)[19]。Sankaran等采用基于深度卷積網(wǎng)絡(luò)的模型識(shí)別柑橘黃龍病,研究了周期性的或暫時(shí)性的模型對(duì)于涉及序列、視覺(jué)和其他方面的任務(wù)是否有效,開(kāi)發(fā)了一種循環(huán)卷積體系結(jié)構(gòu),適用于端到端可訓(xùn)練的大規(guī)模視覺(jué)學(xué)習(xí),并論證了這些模型在基準(zhǔn)視頻識(shí)別任務(wù)、圖像描述和檢索問(wèn)題以及視頻旁白挑戰(zhàn)等方面的價(jià)值[20]。Mishra等研究可見(jiàn)光和近紅外(VIS-NIR)光譜技術(shù)鑒定感染HLB的柑橘樹(shù)的潛在能力[21],采用光譜范圍為350～2 500 nm的2個(gè)不同分光輻射儀收集冠層反射光譜數(shù)據(jù),使用3種分類(lèi)技術(shù)對(duì)數(shù)據(jù)進(jìn)行分類(lèi):近鄰鄰居(KNN)、邏輯回歸(LR)、支持向量機(jī)(SVM),得出的結(jié)論是每棵樹(shù)僅使用1次樹(shù)冠反射率觀察是不夠的,由于冠層反射光譜數(shù)據(jù)的差異很大,因此沒(méi)有一種分類(lèi)方法能夠成功地將健康樹(shù)與黃龍感染樹(shù)區(qū)分開(kāi)。Pourreza等從葉片圖像中提取了幾種類(lèi)型的紋理特征,并使用5種不同的特征選擇方法對(duì)可以描述感染特征的最佳特征集進(jìn)行了排序,7個(gè)分類(lèi)器的性能以逐步的分類(lèi)方法進(jìn)行了評(píng)估[22-26]。

但是以上檢測(cè)算法均存在成本高、檢測(cè)精確度低等缺陷,主要原因是黃龍病病害圖像的特征之間的特性相似及其維數(shù)較大,病害圖像的特征之間還可能相關(guān),導(dǎo)致特征冗余的產(chǎn)生,這對(duì)柑橘黃龍病病害圖像識(shí)別的效率和精度有嚴(yán)重影響。這一影響將發(fā)生在圖像切割特征提取階段,因此本研究采用LCMOPSO[27]選擇黃龍病特征及感染黃龍病后柑橘樹(shù)呈現(xiàn)的特征,同時(shí)也會(huì)提取黃龍病傳播源的特征,基于LCMOPSO的柑橘黃龍病識(shí)別算法,從原始病害圖像特征中自動(dòng)篩選出分類(lèi)能力較強(qiáng)的特征向量,用于黃龍病病害圖像識(shí)別。

2 基于LCMOPSO的柑橘黃龍病識(shí)別算法

由于柑橘黃龍病特征呈現(xiàn)較為復(fù)雜,傳播源特征復(fù)雜,因此將柑橘黃龍病的特征選擇傳化為約束性多目標(biāo)優(yōu)化問(wèn)題,約束性多目標(biāo)優(yōu)化問(wèn)題常規(guī)化形式如下:

Fi(x)=minfi(x)=minfi(x1,x2,…,xn),i=1,2,…,k

s.t.gj(x)=gj(x1,x2,…,xn)<0,j=1,2,…,q

hj(x)=hj(x1,x2,…,xn)=0,j=q+1,…,m

(1)

2.1 LCMOPSO

由于柑橘黃龍病特征選擇的約束性多目標(biāo)優(yōu)化問(wèn)題中的約束條件之間具有不同程度的相關(guān)性,因此不能使用典型的約束條件處理技術(shù)處理這個(gè)問(wèn)題。由于基于勒貝格測(cè)度的約束性多目標(biāo)粒子算法考慮了約束條件之間的影響對(duì)優(yōu)化目標(biāo)的影響,本研究采用基于勒貝格測(cè)度的多目標(biāo)粒子群優(yōu)化算法最優(yōu)化柑橘黃龍病特征選擇。這里將要簡(jiǎn)要概述基于勒貝格測(cè)度的約束性多目標(biāo)粒子群算法。

第1步,初始化種群中粒子,同時(shí)采用原始目標(biāo)函數(shù)估算所有粒子對(duì)應(yīng)的目標(biāo)值;將目標(biāo)函數(shù)值進(jìn)行非支配排序,并把非支配解拷貝到存檔中得到A1。

第2步,采用網(wǎng)格方法目標(biāo)空間劃分成小區(qū)域,以此獲得當(dāng)代種群中的全局最優(yōu)粒子及局部最優(yōu)粒子,然后更新粒子的運(yùn)動(dòng)速度及位置;根據(jù)個(gè)體的約束違反度判斷當(dāng)前粒子是否可行粒子,保存出現(xiàn)的任意一個(gè)可行解到存檔中得到At,其中t表示第t代。

第3步,根據(jù)上一步得出的粒子群中粒子的可行率,采用公式(1)估算所有粒子對(duì)應(yīng)的矯正后的目標(biāo)函數(shù)值;根據(jù)矯正后的目標(biāo)函數(shù)值對(duì)個(gè)體進(jìn)行非支配排序,矯正后的目標(biāo)值公式對(duì)于約束條件的處理是靈活而準(zhǔn)確的,這將有效處理不可行的個(gè)體。

第4步,采用網(wǎng)格法選擇當(dāng)代種群中的全局最優(yōu)粒子及局部最優(yōu)粒子;更新粒子的運(yùn)動(dòng)速度及位置獲得最優(yōu)解。

第5步,更新存檔,如果一個(gè)可行子代支配存檔At+1中的某一個(gè)解,那么這個(gè)新的子代解將代替被支配的這個(gè)解。更新存檔的過(guò)程如下:(1)如果存檔At為空,將種群中的非支配解直接復(fù)制到At+1。(2)如果存檔At不是空集,只要種群中的某個(gè)粒子非支配存檔At中的粒子。

第6步,存檔At+1的截?cái)嗖僮?當(dāng)存檔中的粒子數(shù)超過(guò)了規(guī)定大小時(shí),需要?jiǎng)h除多余的個(gè)體以維持穩(wěn)定的At+1規(guī)模,對(duì)于粒子數(shù)多于1個(gè)的網(wǎng)格,網(wǎng)格中要?jiǎng)h除的粒子數(shù)為PN=lnt{(At+1-N)/At+1×Grid[kg,2]+0.5},然后在網(wǎng)格kg中,隨機(jī)刪除PN個(gè)粒子。

第7步,采用基于推拉搜索的自適應(yīng)調(diào)整機(jī)制調(diào)整最優(yōu)解與真實(shí)的Pareto前沿(PFtrue),在推入階段,使用無(wú)約束的多目標(biāo)粒子群優(yōu)化算法搜索不占優(yōu)勢(shì)的解,而不考慮任何約束。在拉動(dòng)階段,不可行的解決方案通過(guò)約束處理機(jī)制被拉到可行和非主導(dǎo)區(qū)域,該約束處理機(jī)制用來(lái)懲罰不可行的解決方案。自適應(yīng)調(diào)整機(jī)制的目的是將不受約束的PF的位置移動(dòng)到受約束的PF。

第8步,輸出存檔A中的粒子信息。

2.2 基于LCMOPSO的柑橘黃龍病特征選擇

圖像識(shí)別隨著其特征數(shù)量的增加,識(shí)別的復(fù)雜程度也增加,其主要原因是不能在大量的候選特征中快速準(zhǔn)確地找出能夠代表問(wèn)題性質(zhì)的最優(yōu)特征。找出較好的特征優(yōu)選方法尤其重要,根據(jù)特征的集的特點(diǎn)(區(qū)分性、可靠性、獨(dú)立性),特征選擇的方法主要有窮舉法、隨機(jī)法與啟發(fā)式方法。窮舉法確保能找出最優(yōu),其缺點(diǎn)是有較高的復(fù)雜度且魯棒性低;隨機(jī)法簡(jiǎn)單快速,但其缺點(diǎn)是不能保證結(jié)果最優(yōu);啟發(fā)式方法尋優(yōu)速度快,魯棒性強(qiáng),但其缺點(diǎn)是不能保證結(jié)果最優(yōu)及未考慮約束性條件。因此,本研究采用LCMOPSO選擇具有代表性的特征,具體步驟如下。

2.2.1 構(gòu)建柑橘黃龍病優(yōu)化目標(biāo)函數(shù) 圖像特征識(shí)別過(guò)程中主要特征依據(jù)為顏色特征及紋理特征,通常需要從眾多特征中選出最優(yōu)特征進(jìn)行對(duì)柑橘黃龍病圖像進(jìn)行識(shí)別,因此特征優(yōu)選過(guò)程是多目標(biāo)優(yōu)化過(guò)程。以選擇最大顏色特征值與最大紋理特征值為目標(biāo),如公式(2)、公式(3)所示。

對(duì)于顏色特征,帶黃龍病病斑的葉片也有大量的綠色部分,因此通過(guò)歸一化顏色分量藍(lán)色分量、藍(lán)色色度分量、顏色信息之間的相關(guān)度等因素選擇最優(yōu)顏色特征,公式化改目標(biāo)函數(shù)如下:

(2)

式中:x表示黃龍病的病斑特征;α1表示調(diào)整系數(shù),通過(guò)隨機(jī)函數(shù)獲得;n1為原始特征總數(shù);k1為預(yù)計(jì)所選特征個(gè)數(shù);dy為黃色特征值;dg為綠色值。

對(duì)于紋理特征,在病斑周長(zhǎng)、病斑面積、病斑圓度、形狀因子、相關(guān)信息測(cè)度因素特征中選擇最優(yōu)紋理特征,其目標(biāo)函數(shù)如下:

(3)

式中:so為特征值最大的紋理特征;sg是紋理特征平均值;n2為原始特征總數(shù);k2為預(yù)計(jì)所選特征個(gè)數(shù);α2為調(diào)整系數(shù)。

目標(biāo)函數(shù)公式化為

maxfm(x)=[f1(x),f2(x)],m=1,2

k1

k2

。

(4)

2.2.2 基于LCMOPSO柑橘黃龍病特征優(yōu)化的算法流程 采用LCMOPSO進(jìn)行選擇最優(yōu)特征,具體計(jì)算過(guò)程如下:

(1)初始化種群:

FORi=0 TOn;#n=粒子數(shù)

初始化POP[i];#將顏色特征與紋理特征作為粒子。

(2)初始化每個(gè)粒子的速度:

FORi=0 TOn;

Xj(k)=0;#第k代粒子i的速度。

(3)初始化每個(gè)粒子的內(nèi)存(此內(nèi)存在搜索空間粒子飛行過(guò)程中起指導(dǎo)性作用。該內(nèi)存也存儲(chǔ)在存儲(chǔ)庫(kù)REP中):

FORi=0 TOn;

PBESRS[i]=POP[i]。

(4)采用距離測(cè)度約束條件處理方法[26]矯正目標(biāo)空間,即是估計(jì)種群POP中的每個(gè)粒子的目標(biāo)函數(shù)值。

(5)目標(biāo)函數(shù)值進(jìn)行非支配排序,同時(shí)采用archive控制器決定是否將某個(gè)非支配粒子的位置存儲(chǔ)到REP。采用支配排序法[26]判斷粒子是否存儲(chǔ)到REP中。

(6)將矯正后目標(biāo)空間網(wǎng)格化,生成探索當(dāng)前搜索空間的網(wǎng)格空間,并以這些網(wǎng)格作為坐標(biāo)系統(tǒng)定位粒子,在這個(gè)坐標(biāo)系統(tǒng)中,根據(jù)其目標(biāo)函數(shù)的值定義每個(gè)粒子的坐標(biāo)系。通過(guò)網(wǎng)格化空間選擇全局最優(yōu)粒子最優(yōu)特征組合。

2.3 柑橘黃龍病的識(shí)別

鑒于基于勒貝格測(cè)度的約束性多目標(biāo)粒子群優(yōu)化算法獲得了柑橘黃龍病最優(yōu)特征子集,這里采用K近鄰分類(lèi)算法實(shí)現(xiàn)識(shí)別柑橘黃龍病。將從贛南地區(qū)采集的臍橙圖片數(shù)據(jù)集劃分為數(shù)據(jù)訓(xùn)練集(已知分類(lèi)的樣本集)和測(cè)試集(未知分類(lèi)的樣本集),將選出的最優(yōu)特征子集作為已知分類(lèi)的樣本集,將已知分類(lèi)數(shù)據(jù)集標(biāo)記為A,未知分類(lèi)數(shù)據(jù)集標(biāo)記為B?；贙近鄰分類(lèi)算法的柑橘黃龍病分類(lèi)的計(jì)算過(guò)程如下:

(1)采用scale歸一化對(duì)數(shù)據(jù)集A和B進(jìn)行歸一化處理,scale歸一化的公式為:

(5)

式中:x表示特征值,mean(x)表示特征值的均值,sqrt[var(x)]表示特征值的方差的平方。

(2)采用歐氏距離計(jì)算測(cè)試集B中的每個(gè)樣本與已知樣本之間的距離。

(3)選擇K值,設(shè)置K=5。

(4)按距離從小到大進(jìn)行排序,選取與當(dāng)前點(diǎn)距離最小的K個(gè)點(diǎn),并記錄對(duì)應(yīng)的類(lèi)。

(5)統(tǒng)計(jì)前K個(gè)點(diǎn)所在的類(lèi)別出現(xiàn)的頻率。

(6)輸出前K個(gè)點(diǎn)出現(xiàn)頻率最高的類(lèi)別作為當(dāng)前點(diǎn)的預(yù)測(cè)分類(lèi),即是輸出柑橘黃龍病類(lèi)別。

2.4 柑橘黃龍病識(shí)別系統(tǒng)設(shè)計(jì)

為方便用戶使用識(shí)別柑橘黃龍病,基于 CMOA-CHDIA開(kāi)發(fā)PC端的web網(wǎng)頁(yè)柑橘黃龍病病害識(shí)別系統(tǒng)(圖1)。前端界面提供圖庫(kù)、上傳圖片、保存、保存并增加另1個(gè)和保存并繼續(xù)編輯等5個(gè)按鈕,可提供調(diào)用相冊(cè)上傳識(shí)別圖片、快速識(shí)別作物病害、保存識(shí)別記錄3種功能。

3 試驗(yàn)仿真結(jié)果分析

試驗(yàn)地點(diǎn)為贛州市安遠(yuǎn)縣臍橙園,試驗(yàn)時(shí)間為2020年1月至2021年12月。在通過(guò)基于LCMOPSO特征優(yōu)選算法獲得的最優(yōu)特征組基礎(chǔ)上,采用基于近鄰分類(lèi)算法進(jìn)行預(yù)測(cè)柑橘葉片的健康狀態(tài),從而達(dá)到識(shí)別柑橘黃龍病的目的。本研究采用Python 3.7軟件進(jìn)行仿真,測(cè)試了8 000張柑橘葉片樣本,柑橘葉片樣本來(lái)源于贛州市安遠(yuǎn)縣臍橙園,將樣本數(shù)據(jù)庫(kù)中的不健康圖片標(biāo)記為Positve,健康葉片標(biāo)記為Negative,預(yù)測(cè)結(jié)果的信任度用Confidence標(biāo)記。采用特征指標(biāo)分析基于約束性多目標(biāo)粒子群算法的柑橘黃龍病識(shí)別算法的性能,并與基于粒子群算法的多目標(biāo)特征選擇算法(PSO-based multi-objective feature selection approach,簡(jiǎn)稱(chēng)PSO-MOFSA)、基于遺傳算法的特征選擇算法(feature selection method based on evolutionary algorithm,簡(jiǎn)稱(chēng)FSMEA)、基于差分進(jìn)化算法(feature selection method based on difference evolutionary algorithm,簡(jiǎn)稱(chēng)FSMDEA)進(jìn)行比較。試驗(yàn)結(jié)果顯示,本研究提出的算法識(shí)別準(zhǔn)確度為99.9%,這說(shuō)明本研究提出的算法識(shí)別柑橘黃龍病具有良好的有效性。

3.1 數(shù)據(jù)集的獲取

試驗(yàn)中需要的所有柑橘黃龍病病害圖片數(shù)據(jù)來(lái)源于江西省贛州市安遠(yuǎn)縣臍橙園,通過(guò)無(wú)人機(jī)采集了100張?jiān)紙D像,大小為8 200×5 600,將原始圖像分割成大小為224×224的小圖片,最后選取 8 000 個(gè)樣本作為本試驗(yàn)的數(shù)據(jù)集,其中6 500個(gè)樣本含有柑橘黃龍病,1 500個(gè)樣本未含有柑橘黃龍病。

3.2 圖像數(shù)據(jù)預(yù)處理

本研究從通過(guò)預(yù)處理的柑橘黃龍病圖像中提取出顏色特征及紋理特征。采用灰度統(tǒng)計(jì)直方圖特征進(jìn)行顏色特征提取,從每個(gè)圖像的灰度矩陣的歸一化直方圖[p(k)]中提取顏色統(tǒng)計(jì)特征。采用局部二進(jìn)制模式和局部相似性模式進(jìn)行圖像紋理特征提取,局部二進(jìn)制模式是一種創(chuàng)新的圖像紋理描述符。在此方法中,將3×3鄰域中的每個(gè)矩陣元素與中心元素進(jìn)行比較,如果大于中心元素的值,則將其替換為1;如果小于中心元素,則將其替換為0。然后,將閾值假定為8位二進(jìn)制數(shù),并且其對(duì)應(yīng)的十進(jìn)制數(shù)將替換中央元素。類(lèi)似地,在局部相似性模式中,將鄰域元素與中心元素進(jìn)行比較。但是,每個(gè)相鄰元素和中心元素之間的關(guān)系用2位代碼描述。在此方法中,如果鄰域元素分別位于定義的相似性范圍內(nèi)、之下或之內(nèi),則分別用00、01或10代替。然后,將每個(gè)元素代碼乘以其各自的權(quán)重。局部二進(jìn)制模式和局部相似性模式采用相同的方法來(lái)防止由代碼旋轉(zhuǎn)引起的變化。通過(guò)旋轉(zhuǎn)代碼以獲得最小可能的十進(jìn)制值來(lái)獲得旋轉(zhuǎn)不變性。采用公式(6)～公式(22)進(jìn)行紋理特征提取。

灰度等級(jí)均值(μ):

(6)

其中,k表示灰度等級(jí);p(k)表示第k灰度級(jí)出現(xiàn)的概率。

標(biāo)準(zhǔn)差(σ):

(7)

光滑度(SM):

SM=1-1/(1+σ2)。

(8)

均勻度(UN):

(9)

熵(EN):

(10)

最大灰度等級(jí)概率(pn):

pn=[k|p(k)=max]。

(11)

值域長(zhǎng)度(VL):

VL={max[k|p(k)≠0]-min[k|p(k)≠0)]。

(12)

均值(μ′):

(13)

其中,i、j表示灰度等級(jí);g(i,j)表示灰度等級(jí)i、j同時(shí)出現(xiàn)的概率。

方差(σ′2):

(14)

不同灰度等級(jí)之間的熵(END):

(15)

不同灰度等級(jí)之間的均勻度(UND):

(16)

不同灰度等級(jí)之間的同質(zhì)度(HO):

(17)

慣性(IN):

(18)

簇陰影(CL):

(19)

簇突出(CLP):

(20)

不同灰度等級(jí)之間的最大灰度等級(jí)概率(pnd):

pnd=max[g(i,j)]。

(21)

不同灰度等級(jí)之間的相關(guān)度(RE):

(22)

圖像數(shù)據(jù)經(jīng)過(guò)以上數(shù)據(jù)模型處理后,輸出Excel表,用于特征選擇和識(shí)別。

3.3 衡量性能指標(biāo)

采用以下衡量指標(biāo)衡量本研究提出的基于約束性多目標(biāo)優(yōu)化算法的柑橘黃龍病識(shí)別算法的性能。

3.3.1 準(zhǔn)確度(Accuracy) 準(zhǔn)確度是正確預(yù)測(cè)(錯(cuò)誤和正常)總數(shù)與實(shí)際數(shù)據(jù)集大小的比例,準(zhǔn)確度越高,說(shuō)明算法識(shí)別質(zhì)量越高。

(23)

式中:TP表示正確檢測(cè)到的目標(biāo)數(shù)量;FP表示錯(cuò)誤目標(biāo)被檢測(cè)成正類(lèi)的目標(biāo)數(shù)量;TN表示錯(cuò)誤類(lèi)被檢測(cè)成錯(cuò)誤類(lèi)的目標(biāo)數(shù)量;FN表示正確目標(biāo)被檢測(cè)成正類(lèi)的目標(biāo)數(shù)量。

3.3.2 召回率(Recall) 召回率是正確預(yù)測(cè)的目標(biāo)圖像數(shù)與目標(biāo)檢測(cè)數(shù)量實(shí)際大小的比例,召回率越高,說(shuō)明準(zhǔn)確率越高。

(24)

3.3.3 精確率(Precision) 精確率是正確預(yù)測(cè)的目標(biāo)圖像相對(duì)于預(yù)測(cè)的目標(biāo)圖像大小的比例,精確率越大,說(shuō)明預(yù)測(cè)的正確率越高。

(25)

3.3.4 F1-score F1-score是評(píng)價(jià)精確率和召回率的值,F1-score值越大,說(shuō)明算法的綜合性能越好。

(26)

3.3.5 誤報(bào)率(FalseAlarmRate) 誤報(bào)率是錯(cuò)誤預(yù)測(cè)的正常目標(biāo)與正常目標(biāo)實(shí)際大小的比例。

(27)

3.4 性能分析

這一部分將根據(jù)識(shí)別結(jié)果分析本研究提出的識(shí)別柑橘黃龍病算法的性能。由于篇幅關(guān)系,這里只列出部分識(shí)別結(jié)果。柑橘黃龍病的部分識(shí)別結(jié)果如圖2所示,將樣本數(shù)據(jù)庫(kù)中的不健康圖片標(biāo)記為Positve,健康葉片標(biāo)記為Negative,預(yù)測(cè)結(jié)果的信任度用Confidence標(biāo)記,rigin表示原始圖像樣本標(biāo)記類(lèi)型,Predict表示圖像數(shù)據(jù)樣本預(yù)測(cè)結(jié)果,圖2-a表示不健康柑橘葉片的預(yù)測(cè)結(jié)果,圖2-b表示健康葉片的預(yù)測(cè)結(jié)果。

可以得到TP=6 432,FP=68,TN=1 452,FN=48,則可以計(jì)算算法CMOA-CHDIA、FSMEA、PSO-MOFSA和FSMDEA的準(zhǔn)確度、召回率、精確率、F1-score和誤報(bào)率,計(jì)算結(jié)果見(jiàn)表1。從表1可知,本研究提出的算法CMOA-CHDIA的識(shí)別準(zhǔn)確度為98.55%,相比于算法FSMEA、PSO-MOFSA和FSMDEA,CMOA-CHDIA的識(shí)別準(zhǔn)確度是最高的,說(shuō)明算法CMOA-CHDIA的識(shí)別正確率最高。本研究提出的算法CMOA-CHDIA的召回率為99.26%,遠(yuǎn)遠(yuǎn)高于算法FSMEA、PSO-MOFSA和FSMDEA的召回率,說(shuō)明識(shí)別出每一個(gè)對(duì)象的能力最強(qiáng)。CMOA-CHDIA算法的精確率為98.95%,相對(duì)于算法FSMEA、PSO-MOFSA和FSMDEA,CMOA-CHDIA的精確率是最高的,說(shuō)明它對(duì)正樣本結(jié)果中的預(yù)測(cè)準(zhǔn)確程度是最高的。CMOA-CHDIA算法的F1-score為99.10%,相對(duì)于算法FSMEA、PSO-MOFSA和FSMDEA,CMOA-CHDIA的F1-score最大,說(shuō)明算法CMOA-CHDIA的識(shí)別模型是最好的。CMOA-CHDIA算法的誤報(bào)率為4.47%,相對(duì)于算法FSMEA、PSO-MOFSA和FSMDEA,CMOA-CHDIA的誤報(bào)率最小,說(shuō)明CMOA-CHDIA算法的識(shí)別錯(cuò)誤率最小。

除了分析算法CMOA-CHDIA的準(zhǔn)確率、召回率、精確率、F1-score和誤報(bào)率之外,還需要分析算法CMOA-CHDIA的運(yùn)行時(shí)間。算法CMOA-CHDIA、FSMEA、PSO-MOFSA和FSMDEA的運(yùn)行時(shí)間開(kāi)銷(xiāo)比較結(jié)果(表1)表明,算法FSMEA的運(yùn)行時(shí)間開(kāi)銷(xiāo)為12.10 s,是最少的,算法CMOA-CHDIA的運(yùn)行時(shí)間開(kāi)銷(xiāo)為13.31 s, 排列第2位,但算法CMOA-CHDIA的準(zhǔn)確率、召回率、精確率、F1-score 和誤報(bào)率遠(yuǎn)遠(yuǎn)高于算法FSMEA、PSO-MOFSA和FSMDEA,說(shuō)明算法CMOA-CHDIA犧牲了運(yùn)行時(shí)間獲得了更高的識(shí)別效果和有用性。針對(duì)柑橘黃龍病識(shí)別難的問(wèn)題,識(shí)別效果和識(shí)別有用性比識(shí)別時(shí)間更重要,因此用算法CMOA-CHDIA識(shí)別柑橘黃龍病的性價(jià)比是最高的。

表1 算法CMOA-CHDIA、FSMEA、PSO-MOFSA、FSMDEA的比較結(jié)果

4 結(jié)論

相對(duì)于現(xiàn)階段病蟲(chóng)害識(shí)別技術(shù)未考慮嚴(yán)重影響特征選擇的約束條件之間的影響,本研究將基于LCMOPSO的特征優(yōu)選方法應(yīng)用于柑橘黃龍病病害識(shí)別中,提出了基于LCMOPSO特征優(yōu)選的柑橘黃龍病識(shí)別算法,得出以下結(jié)論:(1)分析柑橘黃龍病特征及傳染源特征得知,柑橘黃龍病特征之間交互較多,受環(huán)境影響變化較大,因此轉(zhuǎn)化最優(yōu)化特征問(wèn)題為一個(gè)約束性多目標(biāo)優(yōu)化問(wèn)題。(2)采用LCMOPSO求解最優(yōu)化柑橘黃龍病特征的約束性多目標(biāo)優(yōu)化問(wèn)題,提出基于LCMOPSO的特征優(yōu)選方法,獲取最優(yōu)化特征子集。(3)將最優(yōu)特征集輸入 近鄰分類(lèi)算法,完成柑橘黃龍病分類(lèi),這使得柑橘黃龍病識(shí)別準(zhǔn)確率更高。通過(guò)試驗(yàn)證明,本研究提出的識(shí)別算法的識(shí)別準(zhǔn)確率達(dá)到98.55%,說(shuō)明本研究提出的算法能夠有效識(shí)別柑橘黃龍病病害葉片。