基于GA—BP神經網絡的溫室番茄病害診斷

徐凱宏+米雅婷+谷志新

摘要：為了提高溫室番茄病害自動識別率，采用P2P無線網絡攝像機定點遠程監控與數碼相機采集設備相結合的方法獲取材料，通過分治中值濾波算法和分水嶺算法分離復雜背景下的葉片并提取病斑，提取病斑特征參數并最終選擇6個顏色參數、4個形狀參數、3個紋理參數，改進傳統的差反向傳播（error back propagation，簡稱BP）算法，建立遺傳算法優化的誤差反向傳播（genetic algorithm error back propagation，簡稱GA-BP）番茄病害識別模型。結果表明，GA-BP模型能快速有效地識別番茄葉片病害，對番茄早疫病、晚疫病、葉霉病的識別率分別達到92.50%、91.25%、95.50%。該模型解決了BP神經網絡收斂速度慢、尋優不精確的問題，高效地實現了溫室番茄病害的診斷。

關鍵詞：病害識別；判別模型；GA-BP神經網絡；遺傳算法；番茄葉片

中圖分類號： TP391.4

文獻標志碼： A

文章編號：1002-1302（2016）04-0387-03

溫室大棚是設施農業的核心技術之一，溫室大棚中作物的病害識別主要通過工作人員定時觀察并噴灑農藥。我國每年會使用高達25萬t的化學農藥防治農業病蟲害，農藥的大量使用增強了病蟲害的抗藥性，造成作物減產，嚴重破壞生態平衡[1]。作物病害大多反映在葉片或莖上[2]，植物學家或溫室種植人員往往通過經驗知識判斷作物受害類型及程度，視覺圖案的復雜性和人為判斷的主觀性會造成誤判[3]。為了盡可能減少農藥的噴灑，并且準確識別作物葉、莖上病害類別，對癥下藥，需要對肉眼可觀察的病蟲害癥狀作精確的定量研究。

本研究對采集到的番茄葉片病害圖像作預處理，提取病斑特征，建立遺傳算法優化的誤差反向傳播（genetic algorithm error back propagation，簡稱GA-BP）診斷模型，對傳統的誤差反向傳播（error back propagation，簡稱BP）神經網絡的權值和閾值進行了優化和改進，將病斑的2個顏色參數、3個形狀參數、3個紋理參數共8個特征值作為輸入，并以00、01、10、11作為4個輸出，其中00、01、10、11分別表示早疫病、晚疫病、葉霉病、其他病害。

1 材料與方法

1.1 材料獲取

1.1.1 P2P監測 病害發生前期在黑龍江雙連能源發展股份有限公司溫室大棚棚頂、墻體的上部和下部定點安裝攝像頭。采用易萊捷P2P無線網絡攝像機進行遠程監控，內置Wi-Fi 模塊有效像素為1 280×720，具有上下旋轉90°、左右旋轉355°的云臺控制，多角度觀察番茄植株的長勢并實時判斷是否受害。攝像機拍攝圖像背景復雜，且由于資金成本問題對溫室中攝像機的數量有一定的限制，很難對具體的某一植株進行定性定量地準確判斷。在攝像機實施觀測基礎上，及時采取數碼相機采集照片的方式加強病害識別的準確性。

1.1.2 數碼相機圖像獲取 照相機采用Canon A4000，分辨率為4 608×3 456，在10：00以前和17：00以后，光線比較柔和，關閉閃光燈進行拍攝，以減少陰影造成的誤差[4]，采集得到病害葉片圖像。

1.2 試驗方法

1.2.1 葉片與背景分離 采集的圖像以JPEG格式傳入計算機，軟件采用MATLAB7.14。為了提高圖像處理速度，采用改進的中值濾波算法[5]提高去噪速度，首先采用分治法計算第1個窗口的中值，然后利用數據的相關性計算其余窗口的中值，濾波模板采用3×3模板，經改進，對分辨率為4 608×3 456 的相機采集到的圖像，平均每幅圖像的處理速度提高9.80%（圖1）。

目標物與背景分離常用方法是雙峰法，然而由圖2可見，采集圖像的灰度直方圖不呈現明顯雙峰，由于在溫室大棚中用數碼相機拍照所得的葉片圖像背景比較復雜，葉片與莖、土壤存在于同一畫面中，并且存在目標葉片與背景葉片彼此粘連的情況，因此本研究選用能有效分離葉片與背景的分水嶺算法[6]提取葉片圖像。

為了避免分水嶺算法的過分割問題[7-8]，在中值濾波去除小的噪聲和過細的紋理后，本研究采用在前景和背景對象上標注區別后進行分水嶺分割。首先采用Sobel計算中值濾波后圖像的梯度，并使用梯度的幅度作為分割函數，然后標記前景和背景目標，最終很好地分離出葉片圖像，分離結果如圖3所示。

1.2.2 病斑提取 對番茄葉霉病、早疫病、晚疫病、其他病害的葉片圖像，在RGB顏色系統、LAB顏色系統、CMYK顏色系統、灰度圖像、R通道、G通道、B通道、R-B顏色特征、G-B顏色特征、R-G顏色特征下比對，病斑提取采用迭代法求閾值[9]，經迭代，最終得出病斑與葉片分離的閾值為0.28，分割得到的病斑如圖4所示。

比較不同顏色系統、通道、顏色特征下病斑的提取結果得出：在R-G顏色特征下將黃褐色或紅褐色病斑從葉片上分離出來的效果最好，G通道次之。

利用統計分析軟件SAS 9.2統計采集到的不同病癥圖像病斑特征，最終選擇顏色特征6個，分別為R、G、B，歸一化的r、g、b；形狀特征4個，分別為偏心率SECC、圓形度SCIR、球狀性SFAC、復雜度Scom；紋理特征3個，即能量TENE、熵TENT、慣性矩TINV，共13個特征作為下一步網絡訓練的輸入量。

1.3 GA-BP模型建立

本研究GA-BP算法步驟如下。

（1）編碼形成初始種群。設輸入層神經元數為i，隱含層神經元數為 k，輸出層神經元數為 j，隱含層、輸出層對應的權值分別為 W1、W2，對應的閾值分別為B1、B2，編碼的長度為 i×k+k×j+k+j，構成初始群體。

（3）計算個體選擇概率。采用排序法確定染色體的選擇概率，忽略實際染色體的適應值，原則為大適應值選擇概率高，小適應值選擇概率低。首先確定選擇概率Ps，計算標準分布值為：t=Ps1-（1-ps）p。則染色體的選擇概率為：Pk=t（1-pk）n（k）-k。k=1，2，…，p；n（k）-k為染色體的適應值在種群中由大到小排列的序號。然后計算染色體的累計選擇概率：qk=∑kj=1Pj。式中：k=1，2，…，p。最后在[0，1]中產生按升序排列的隨機序列r，然后對染色體進行選擇。

（4）交叉和變異。通過交叉算子生成包含更多優良基因的新個體，本研究采用算術交叉法，即2個父代以線性組合的方式產生子代。連續操作直到滿足條件為止，用新產生的染色體替代原交叉染色體，計算新染色體的適應值。變異將權值擴大范圍，反復迭代，將新染色體代替原染色體，反復進化n代后，可得n代中的最佳染色體。

（5）最終獲得BP神經網絡的初始權值和閾值。

GA-BP運算流程如圖5所示。

通過GA算法，最終得到 BP 神經網絡誤差最小的一組初始權值和閾值。MATLAB中，首先創建BP神經網絡，然后利用函數initializega（）進行種群初始化，在選擇、交叉、變異時，調用gaot工具箱，其中目標函數定義為gabpEval，繪制收斂曲線圖時，xlabel代表遺傳代數，ylabel代表平方和誤差。GA-BP 網絡的輸入節點數為13個，隱含層節點數為26個，輸出節點數為4個。

2 結果與分析

本研究利用GA算法優化了BP網絡，進行番茄葉片病害早疫病、晚疫病、葉霉病的識別。材料為黑龍江雙連能源發展股份有限公司溫室大棚中采集的番茄病害葉片，采用早疫病、晚疫病、葉霉病和其他病害的葉片圖像各80幅進行測試。GA-BP網絡的均方誤差設置為10-2，當誤差小于該值時停止訓練，收斂曲線如圖6所示。

BP算法容易出現局部極小而非全局最優，隱含層神經元個數隨機確定，不同的初始權值可能會導致網絡不收斂或陷入局部極值點的問題。同時由于BP 算法具有尋優精確的特點，而遺傳算法具有很強的宏觀搜索能力和良好的全局優化性能[12-13]，因此通過GA算法對BP神經網絡權值和閾值進行優化，可達到精確求解、快速收斂、全局尋優的目的。番茄葉片病害測試結果如表2所示。

3 結論與討論

本研究采用GA-BP模型對溫室番茄病害癥狀體現于葉片部位的早疫病、晚疫病、葉霉病等3種病害進行了識別，識別準確率分別達到92.50%、91.25%、95.50%，研究得到以下結論：（1）利用GA-BP模型對番茄葉霉病的識別效果最佳，這與番茄葉霉病肉眼判別識別率較高相一致，早疫病識別率次之，對晚疫病的識別效果不是很好，這可能與晚疫病病斑輪廓不清晰、提取精度不高有關；（2）GA-BP模型通過對BP神經網絡權值和閾值進行優化，達到了精確求解、快速收斂、全局尋優的目的，有效識別了溫室番茄葉片病害，識別率較高，且識別效果較好。

通過以上方法節省了估測溫室番茄病害時，人工所需的時間和費用，同時避免了人為主觀因素，為判斷番茄葉片病害程度提供了準確的數學依據。

參考文獻：

[1]郭佳君. 現階段農業病蟲害防治現狀與建議探討[J]. 河北農

機，2013（5）：69.

[2]Patil J K，Kumar R，Vidyapeeth B，et al. Advances in image progressing for detection of plant disease [J]. Advanced Bioinformatics Applications and Research，2011，2（2）：135-141.

[3]張 寧，劉文萍. 基于圖像分析的植物葉片識別技術綜述[J]. 計算機應用研究，2011，28（11）：4001-4007.

[4]劉煥軍，王耀南，段 峰. 機器視覺中的圖像采集技術[J]. 電腦與信息技術，2003，1（1）：18-21.

[5]楊 明，宋麗華. 改進的快速中值濾波算法在圖像去噪中的應用[J]. 測繪工程，2011，20（3）：65-69.

[6]楊高波，杜青松. MATLAB圖像/視頻處理應用及實例[M]. 北京：電子工業出版社，2010.

[7]朱圣盼. 基于計算機視覺技術的植物病害檢測方法的研究[D]. 杭州：浙江大學，2007.

[8]王小兵，孫久運. 幾種圖像分割技術在醫學圖像處理中的應用研究[J]. 醫療衛生裝備，2011，32（7）：76-79.

[9]劉 爽. 圖象分割中閾值選取方法的研究及其算法實現[J]. 電腦知識與技術，2005（21）：68-70.

[10]沈佐銳，于新文. 溫室白粉虱自動計數技術研究初報[J]. 生態學報，2001，21（1）：95-99.

[11]王克如. 基于圖像識別的作物病蟲草害診斷研究[D]. 北京：中國農業科學院，2005.

[12]萬盛萍. GA 優化 BP 神經網絡[J]. 軟件導刊，2007（3）：24-25.

[13]劉春艷，凌建春，寇林元，等. GA-BP 神經網絡與 BP 神經網絡性能比較[J]. 中國衛生統計，2013，30（2）：173-176.何 玲，陳長喜. 基于物聯網技術的生豬屠宰自動化監管系統[J]. 江蘇農業科學，2016，44（4）：390-393.